- Des chercheurs de Cambridge ont développé un modèle d'IA pour identifier les logements difficiles à décarboner, révolutionnant ainsi les efforts en faveur de la neutralité carbone.
- Le modèle d'IA atteint une précision de 90 % dans la classification des logements HtD, permettant d'économiser du temps et des ressources pour les décideurs politiques.
- Cette approche fondée sur les données permet aux résidents et aux autorités de cibler efficacement les interventions de rénovation.
Des chercheurs du département d'architecture de l'Université de Cambridge ont développé un modèle d'IA révolutionnaire capable d'identifier et de prioriser les maisons « difficiles à décarboner » (HtD) pour la rénovation et d'autres mesures de décarbonisation. Cette approche innovante a le potentiel de jouer un rôle pivot dans la réalisation des émissions nettes zéro en s'attaquant à une source significative d'émissions liées au logement souvent négligée par les décideurs politiques.
Maisons difficiles à décarboner : un obstacle à la neutralité carbone
Les maisons HtD, qui représentent plus d'un quart de toutes les émissions directes du secteur du logement, ont été un obstacle majeur sur la voie de la réalisation des émissions nettes zéro. Les facteurs contribuant à la difficulté de décarboner ces maisons incluent leur âge, leurs caractéristiques structurelles, leur emplacement, les barrières socio-économiques et la disponibilité des données pertinentes. Traditionnellement, les décideurs politiques se sont concentrés sur des bâtiments génériques ou des technologies de décarbonisation spécifiques, négligeant les maisons HtD.
Le modèle d'IA identifie les maisons HtD avec une précision de 90%
Les chercheurs de Cambridge, dirigés par le Dr Ronita Bardhan et la chercheuse urbaine et scientifique des données Maoran Sun, ont entraîné un modèle d'IA à apprentissage profond pour classifier les maisons HtD avec un taux de précision impressionnant de 90 %. Cette précision devrait s'améliorer davantage à mesure que davantage de données sont intégrées au modèle, un processus déjà en cours.
Le Dr Bardhan a souligné : « C'est la première fois que l'IA est utilisée pour identifier les bâtiments difficiles à décarboner à l'aide de données open source. Les décideurs politiques manquent souvent de ressources pour réaliser des audits détaillés de chaque maison, mais notre modèle peut aider à orienter leurs efforts vers les maisons à haute priorité, leur faisant gagner un temps et des ressources précieux. »
Perspectives sur la distribution géographique
Le modèle d'IA identifie non seulement les maisons HtD, mais fournit également des informations sur leur distribution géographique. Ces informations permettent aux autorités de cibler et de mettre en œuvre efficacement des interventions là où elles sont le plus nécessaires.
Utilisation de multiples sources de données
Les chercheurs ont entraîné leur modèle d'IA à l'aide d'une variété de sources de données, y compris les certificats de performance énergétique (EPC), des images de vue de rue, des images aériennes, des données de température de surface du sol et des données sur le parc de bâtiments. Ils ont identifié 700 maisons HtD et 635 maisons non-HtD dans leur ville de Cambridge, en utilisant toutes des données publiques.
Maoran Sun a mis en avant l'adaptabilité du modèle, déclarant : « Nous avons entraîné notre modèle en utilisant les données EPC limitées disponibles. Maintenant, le modèle peut prédire pour les autres maisons de la ville sans avoir besoin de données EPC. » De plus, cette approche peut être appliquée dans des pays disposant de jeux de données limités ou fragmentés, la rendant accessible dans le monde entier.
Avancées dans les couches de données
Les chercheurs améliorent activement leur modèle en ajoutant des couches de données supplémentaires liées à des facteurs tels que la consommation d'énergie, les niveaux de pauvreté et les images thermiques des façades des bâtiments. Ces améliorations devraient encore augmenter la précision du modèle et fournir des informations plus détaillées sur les caractéristiques spécifiques des bâtiments nécessitant une attention.
Élargir au-delà de Cambridge
Bien que le modèle initial ait été développé en utilisant Cambridge comme site d'étude, les chercheurs étendent déjà son application à d'autres villes du Royaume-Uni. Ils collaborent également avec une organisation basée sur des produits spatiaux pour accéder à des images thermiques à plus haute résolution provenant de nouveaux satellites. Le Dr Bardhan a participé au programme NSIP – Agence spatiale britannique, où elle a travaillé sur l'utilisation de télescopes spatiaux infrarouges thermiques à haute résolution pour surveiller l'efficacité énergétique des bâtiments dans le monde entier.
Transformer la politique de décarbonisation
Ce modèle d'IA innovant a le potentiel de transformer les décisions politiques en matière de décarbonisation. En exploitant les capacités de l'IA et en traitant des ensembles de données plus volumineux, les décideurs politiques peuvent prendre des décisions plus éclairées basées sur des preuves, favorisant ainsi des stratégies efficaces d'adaptation au changement climatique.
Le Dr Bardhan a souligné : « Donner aux gens les moyens d'utiliser leurs propres données facilite grandement leur négociation pour obtenir du soutien. » Elle a ajouté : « Ce sont des ensembles de données simples, et nous pouvons rendre ce modèle très convivial et accessible pour les autorités et les résidents individuels. »
Les défis uniques de Cambridge
Cambridge, bien que relativement aisée, présente ses propres défis pour la décarbonisation. Le parc immobilier historique de la ville et les règlements de construction limitent la rénovation et l'utilisation de matériaux modernes dans certaines propriétés historiquement significatives. Ces défis uniques font de Cambridge un site informatif pour affiner le modèle d'IA et évaluer son applicabilité dans divers environnements urbains.
Collaborations futures et construction d'un consensus
Les chercheurs prévoient de discuter de leurs résultats avec le Conseil municipal de Cambridge et de continuer à travailler avec des collègues de Cambridge Zero et du Réseau de décarbonisation de l'Université. En rendant les données plus visibles et accessibles au public, les chercheurs estiment qu'il deviendra plus réalisable de bâtir un consensus autour des efforts visant à atteindre la neutralité carbone.
Ce modèle d'IA révolutionnaire représente une étape significative dans la résolution du défi des maisons difficiles à décarboner, accélérant potentiellement les progrès vers la réalisation des émissions nettes zéro dans le secteur du logement. Son adaptabilité, sa précision et son potentiel d'utilisation généralisée en font un outil puissant pour les décideurs politiques et les individus engagés dans un avenir durable et décarboné.
Ne vous contentez pas de lire les actualités crypto. Comprenez-les. Abonnez-vous à notre newsletter. C'est gratuit.
Avertissement. Les informations fournies ne constituent pas des conseils en matière d'investissement. Cryptopolitan.com ne saurait être tenue responsable des investissements réalisés sur la base des informations fournies sur cette page. Nous recommandons vivement de mener vos propres recherches et/ou de consulter un professionnel qualifié avant de prendre toute décision d'investissement.
John Palmer
John Murangiri a rejoint Cryptopolitan avec des compétences en analyse de marché. John (alias JP) est diplômé de l'Université de Nairobi d'un baccalauréat en communication de masse et études médiatiques. Il a précédemment contribué à des analyses du marché crypto pour InsideBitcoins.com et Metacoingraph.
