IA treinada para identificar casas menos verdes

Agora, um novo modelo de “aprendizagem profunda” treinado por investigadores do Departamento de Arquitectura da Universidade de Cambridge promete tornar muito mais fácil, rápido e barato identificar estas propriedades problemáticas de alta prioridade e desenvolver estratégias para melhorar as suas credenciais verdes.

As casas podem ser “difíceis de descarbonizar” por várias razões, incluindo a sua idade, estrutura, localização, barreiras socioeconómicas e disponibilidade de dados. Os decisores políticos tendem a concentrar-se principalmente em edifícios genéricos ou em tecnologias específicas difíceis de descarbonizar, mas o estudo, publicado na revista Cidades e Sociedade Sustentáveispoderia ajudar a mudar isso.

Maoran Sun, pesquisador urbano e cientista de dados, e sua supervisora ​​de doutorado, Dra. Ronita Bardhan, que lidera o Grupo de Design Sustentável de Cambridge, mostram que seu modelo de IA pode classificar casas HtD com 90% de precisão e espera que esse número aumente à medida que adicionam mais dados, trabalho que já está em andamento.

Dr Bardhan disse: “Esta é a primeira vez que a IA foi treinada para identificar edifícios difíceis de descarbonizar usando dados de código aberto para conseguir isso.

“Os decisores políticos precisam de saber quantas casas têm de descarbonizar, mas muitas vezes não têm os recursos para realizar auditorias detalhadas em cada casa. O nosso modelo pode direcioná-los para casas de alta prioridade, poupando-lhes tempo e recursos preciosos.”

O modelo também ajuda as autoridades a compreender a distribuição geográfica das casas de HtD, permitindo-lhes orientar e implementar intervenções de forma eficiente.

Os pesquisadores treinaram seu modelo de IA usando dados de sua cidade natal, Cambridge, no Reino Unido. Eles alimentaram dados de Certificados de Desempenho Energético (EPCs), bem como dados de imagens de ruas, imagens aéreas, temperatura da superfície do terreno e estoque de edifícios. No total, o seu modelo identificou 700 casas HtD e 635 casas não HtD. Todos os dados utilizados eram de código aberto.

Maoran Sun disse: “Treinamos nosso modelo usando os dados EPC limitados que estavam disponíveis. Agora o modelo pode prever outras casas da cidade sem a necessidade de quaisquer dados EPC.”

Bardhan acrescentou: “Esses dados estão disponíveis gratuitamente e nosso modelo pode até ser usado em países onde os conjuntos de dados são muito irregulares. A estrutura permite que os usuários alimentem conjuntos de dados de múltiplas fontes para identificação de casas de HtD.”

Sun e Bardhan estão agora a trabalhar num quadro ainda mais avançado que trará camadas de dados adicionais relacionadas com factores que incluem a utilização de energia, níveis de pobreza e imagens térmicas de fachadas de edifícios. Eles esperam que isso aumente a precisão do modelo, mas também forneça informações ainda mais detalhadas.

O modelo já é capaz de identificar partes específicas dos edifícios, como telhados e janelas, que perdem mais calor, e se um edifício é antigo ou moderno. Mas os pesquisadores estão confiantes de que podem aumentar significativamente os detalhes e a precisão.

Eles já estão treinando modelos de IA baseados em outras cidades do Reino Unido usando imagens térmicas de edifícios e estão colaborando com uma organização baseada em produtos espaciais para se beneficiar de imagens térmicas de maior resolução de novos satélites. Bardhan fez parte do programa NSIP – Agência Espacial do Reino Unido, onde colaborou com o Departamento de Astronomia e Cambridge Zero no uso de telescópios espaciais infravermelhos térmicos de alta resolução para monitorar globalmente a eficiência energética dos edifícios.

Sun disse: “Nossos modelos ajudarão cada vez mais os residentes e as autoridades a direcionar as intervenções de modernização para características específicas dos edifícios, como paredes, janelas e outros elementos”.

Bardhan explica que, até agora, as decisões políticas de descarbonização têm sido baseadas em evidências derivadas de conjuntos de dados limitados, mas está optimista quanto ao poder da IA ​​para mudar esta situação.

“Agora podemos lidar com conjuntos de dados muito maiores. Avançando com as alterações climáticas, precisamos de estratégias de adaptação baseadas em evidências do tipo fornecido pelo nosso modelo. Mesmo fotografias de rua muito simples podem oferecer uma riqueza de informações sem colocar ninguém em risco.”

Os investigadores argumentam que, ao tornar os dados mais visíveis e acessíveis ao público, será muito mais fácil construir consenso em torno dos esforços para alcançar emissões líquidas zero.

“Capacitar as pessoas com os seus próprios dados torna muito mais fácil para elas negociarem apoio”, disse Bardhan.

Ela acrescentou: “Fala-se muito sobre a necessidade de competências especializadas para alcançar a descarbonização, mas estes são conjuntos de dados simples e podemos tornar este modelo muito fácil de utilizar e acessível para as autoridades e residentes individuais”.

Cambridge como local de estudo

Cambridge é uma cidade atípica, mas um site informativo no qual se baseia o modelo inicial. Bardhan observa que Cambridge é relativamente rica, o que significa que há uma maior disposição e capacidade financeira para descarbonizar as casas.

“Cambridge não é ‘difícil de alcançar’ para a descarbonização nesse sentido”, disse Bardhan. “Mas o parque habitacional da cidade é bastante antigo e os estatutos de construção impedem a modernização e o uso de materiais modernos em algumas das propriedades historicamente mais importantes. Por isso, enfrenta desafios interessantes.”

Os pesquisadores discutirão suas descobertas com o Conselho Municipal de Cambridge. Bardhan trabalhou anteriormente com o Conselho para avaliar as casas do conselho quanto à perda de calor. Eles também continuarão a trabalhar com colegas da Cambridge Zero e da Rede de Descarbonização da Universidade.