KI-Modell zielt darauf ab, Dekarbonisierungsbemühungen zu revolutionieren

Forscher der Architekturabteilung der Cambridge University haben ein bahnbrechendes KI-Modell entwickelt, das „schwer zu dekarbonisierende“ (HtD) Häuser für Nachrüstung und andere Dekarbonisierungsmaßnahmen identifizieren und priorisieren kann. Dieser innovative Ansatz hat das Potenzial, eine entscheidende Rolle bei der Erreichung von Netto-Null-Emissionen zu spielen, indem er eine bedeutende Quelle von wohnungsbezogenen Emissionen angeht, die von politischen Entscheidungsträgern oft übersehen wird.

Schwer zu dekarbonisierende Häuser: Ein Hindernis für Netto-Null

HtD-Häuser, die mehr als ein Viertel aller direkten Emissionen aus dem Wohnungsbereich ausmachen, waren ein großes Hindernis auf dem Weg zur Erreichung von Netto-Null-Emissionen. Faktoren, die die Schwierigkeit der Dekarbonisierung dieser Häuser verursachen, sind ihr Alter, strukturelle Merkmale, Lage, sozioökonomische Barrieren und die Verfügbarkeit relevanter Daten. Traditionell haben politische Entscheidungsträger sich auf generische Gebäude oder spezifische Dekarbonisierungstechnologien konzentriert und HtD-Häuser vernachlässigt.

KI-Modell identifiziert HtD-Häuser mit 90% Präzision

Die Forscher von Cambridge, angeführt von Dr. Ronita Bardhan und dem Stadt- und Datenwissenschaftler Maoran Sun, haben ein Deep-Learning-KI-Modell trainiert, um HtD-Häuser mit einer beeindruckenden Präzisionsrate von 90 % zu klassifizieren. Diese Genauigkeit wird sich voraussichtlich weiter verbessern, wenn mehr Daten in das Modell einbezogen werden, ein Prozess, der bereits im Gange ist.

Dr. Bardhan betonte: „Dies ist das erste Mal, dass KI eingesetzt wurde, um schwer zu dekarbonisierende Gebäude mit Open-Source-Daten zu identifizieren. Politische Entscheidungsträger verfügen oft nicht über die Ressourcen für detaillierte Audits jedes Hauses, aber unser Modell kann helfen, ihre Bemühungen auf hochpriorisierte Häuser zu lenken und ihnen wertvolle Zeit und Ressourcen zu sparen.“

Einblicke in die geografische Verteilung

Das KI-Modell identifiziert nicht nur HtD-Häuser, sondern liefert auch Einblicke in ihre geografische Verteilung. Diese Informationen befähigen Behörden, Interventionen dort effizient zu zielen und umzusetzen, wo sie am dringendsten benötigt werden.

Nutzung mehrerer Datenquellen

Die Forscher trainierten ihr KI-Modell mit einer Vielzahl von Datenquellen, darunter Energieleistungsbescheinigungen (EPCs), Straßenaufnahmen, Luftaufnahmen, Daten zur Landoberflächentemperatur und Gebäudebestandsdaten. Sie identifizierten 700 HtD-Häuser und 635 Nicht-HtD-Häuser in ihrer Heimatstadt Cambridge, allesamt unter Verwendung öffentlich verfügbarer Daten.

Maoran Sun hob die Anpassungsfähigkeit des Modells hervor und erklärte: „Wir haben unser Modell mit den begrenzten verfügbaren EPC-Daten trainiert. Jetzt kann das Modell für die anderen Häuser der Stadt vorhersagen, ohne dass EPC-Daten erforderlich sind.“ Darüber hinaus kann dieser Ansatz in Ländern mit begrenzten oder lückenhaften Datensätzen angewendet werden, was ihn weltweit zugänglich macht.

Fortschritte in den Datenebenen

Die Forscher arbeiten aktiv daran, ihr Modell durch Hinzufügen zusätzlicher Datenebenen zu verbessern, die sich auf Faktoren wie Energieverbrauch, Armutslevel und thermische Bilder von Gebäudefassaden beziehen. Diese Verbesserungen werden voraussichtlich die Genauigkeit des Modells weiter steigern und detailliertere Informationen über spezifische Gebäudefunktionen liefern, die Aufmerksamkeit erfordern.

Erweiterung über Cambridge hinaus

Während das ursprüngliche Modell mit Cambridge als Untersuchungsstandort entwickelt wurde, erweitern die Forscher seine Anwendung bereits auf andere britische Städte. Sie arbeiten auch mit einer auf Weltraumprodukten basierenden Organisation zusammen, um hochauflösende thermische Bilder von neuen Satelliten zu erhalten. Dr. Bardhan hat am NSIP-Programm der UK Space Agency teilgenommen, wo sie an der Nutzung hochauflösender thermischer Infrarot-Weltraumteleskope zur Überwachung der Energieeffizienz von Gebäuden weltweit gearbeitet hat.

Transformation der Dekarbonisierungspolitik

Dieses innovative KI-Modell hat das Potenzial, Entscheidungen in der Dekarbonisierungspolitik zu transformieren. Durch die Nutzung der Fähigkeiten der KI und die Verarbeitung größerer Datensätze können politische Entscheidungsträger fundiertere Entscheidungen auf der Grundlage von Beweisen treffen und wirksame Strategien zur Anpassung an den Klimawandel vorantreiben.

Dr. Bardhan betonte: „Die Befähigung der Menschen, mit ihren eigenen Daten zu verhandeln, macht es ihnen viel einfacher, Unterstützung zu erhalten.“ Sie fügte hinzu: „Dies sind einfache Datensätze, und wir können dieses Modell sehr benutzerfreundlich und zugänglich für Behörden und einzelne Bewohner machen.“

Einzigartige Herausforderungen in Cambridge

Cambridge, obwohl relativ wohlhabend, stellt seine eigenen Herausforderungen für die Dekarbonisierung dar. Der historische Gebäudebestand und die Bauvorschriften der Stadt schränken die Nachrüstung und die Verwendung moderner Materialien in einigen historisch bedeutenden Eigenschaften ein. Diese einzigartigen Herausforderungen machen Cambridge zu einem informativen Standort zur Verfeinerung des KI-Modells und zur Bewertung seiner Anwendbarkeit in verschiedenen städtischen Umgebungen.

Zukünftige Zusammenarbeit und Konsensbildung

Die Forscher planen, ihre Ergebnisse mit dem Stadtrat von Cambridge zu diskutieren und weiterhin mit Kollegen von Cambridge Zero und dem Dekarbonisierungsnetzwerk der Universität zusammenzuarbeiten. Durch die Sichtbarmachung und Zugänglichkeit von Daten für die Öffentlichkeit glauben die Forscher, dass der Aufbau eines Konsenses um Bemühungen zur Erreichung von Netto-Null-Emissionen erreichbarer werden wird.

Dieses bahnbrechende KI-Modell stellt einen bedeutenden Schritt vorwärts bei der Bewältigung der Herausforderung schwer zu dekarbonisierender Häuser dar und könnte den Fortschritt hin zur Erreichung von Netto-Null-Emissionen im Wohnungsbereich beschleunigen. Seine Anpassungsfähigkeit, Präzision und das Potenzial für weit verbreitete Nutzung machen es zu einem leistungsstarken Werkzeug für politische Entscheidungsträger und Einzelpersonen, die sich einer nachhaltigen und dekarbonisierten Zukunft verschrieben haben.