Il modello di IA mira a rivoluzionare gli sforzi di decarbonizzazione

I ricercatori del Dipartimento di Architettura dell'Università di Cambridge hanno sviluppato un modello di IA rivoluzionario in grado di identificare e prioritizzare le case "difficili da decarbonizzare" (HtD) per la riqualificazione e altre misure di decarbonizzazione. Questo approccio innovativo ha il potenziale per svolgere un ruolo fondamentale nel raggiungimento delle emissioni nette zero affrontando una fonte significativa di emissioni legate all'edilizia spesso trascurata dai decisori politici.

Case difficili da decarbonizzare: un ostacolo al netto zero

Le case HtD, che rappresentano oltre un quarto di tutte le emissioni dirette dell'edilizia abitativa, sono state un grosso ostacolo sul cammino verso il raggiungimento delle emissioni nette zero. I fattori che contribuiscono alla difficoltà di decarbonizzare queste case includono la loro età, le caratteristiche strutturali, la posizione, le barriere socioeconomiche e la disponibilità di dati pertinenti. Tradizionalmente, i decisori politici si sono concentrati su edifici generici o specifiche tecnologie di decarbonizzazione, trascurando le case HtD.

Il modello di IA identifica le case HtD con una precisione del 90%

I ricercatori di Cambridge, guidati dalla dottoressa Ronita Bardhan e dal ricercatore urbano e data scientist Maoran Sun, hanno addestrato un modello di IA deep learning per classificare le case HtD con un'impressionante precisione del 90%. Si prevede che questa accuratezza migliorerà ulteriormente man mano che più dati verranno incorporati nel modello, un processo già in corso.

La dottoressa Bardhan ha sottolineato: "Questo segna la prima volta che l'IA viene impiegata per identificare edifici difficili da decarbonizzare utilizzando dati open-source. I decisori politici spesso mancano delle risorse per audit dettagliati di ogni casa, ma il nostro modello può aiutare a dirigere i loro sforzi verso le case ad alta priorità, risparmiando loro tempo e risorse preziose."

Informazioni sulla distribuzione geografica

Il modello di IA non solo identifica le case HtD, ma fornisce anche informazioni sulla loro distribuzione geografica. Queste informazioni permettono alle autorità di mirare in modo efficiente e implementare interventi dove sono più necessari.

Utilizzo di più fonti di dati

I ricercatori hanno addestrato il loro modello di IA utilizzando una varietà di fonti di dati, inclusi Certificati di Prestazione Energetica (EPC), immagini della vista stradale, immagini aeree, dati sulla temperatura della superficie terrestre e dati sul parco edilizio. Hanno identificato 700 case HtD e 635 case non HtD nella loro città di Cambridge, utilizzando tutti dati pubblicamente disponibili.

Maoran Sun ha evidenziato l'adattabilità del modello, affermando: "Abbiamo addestrato il nostro modello utilizzando i limitati dati EPC disponibili. Ora il modello può prevedere per le altre case della città senza la necessità di alcun dato EPC." Inoltre, questo approccio può essere applicato in paesi con dataset limitati o frammentati, rendendolo accessibile a livello mondiale.

Avanzamenti negli strati di dati

I ricercatori stanno attivamente migliorando il loro modello aggiungendo ulteriori strati di dati relativi a fattori come il consumo energetico, i livelli di povertà e le immagini termiche delle facciate degli edifici. Questi miglioramenti dovrebbero aumentare ulteriormente l'accuratezza del modello e fornire informazioni più dettagliate sulle specifiche caratteristiche degli edifici che richiedono attenzione.

Espansione oltre Cambridge

Sebbene il modello iniziale sia stato sviluppato utilizzando Cambridge come sito di studio, i ricercatori stanno già estendendone l'applicazione ad altre città del Regno Unito. Stanno anche collaborando con un'organizzazione basata su prodotti spaziali per accedere a immagini termiche a risoluzione più elevata da nuovi satelliti. La dottoressa Bardhan ha partecipato al programma NSIP – UK Space Agency, dove ha lavorato sull'uso di telescopi spaziali termici a infrarossi ad alta risoluzione per monitorare l'efficienza energetica degli edifici a livello globale.

Trasformazione della politica di decarbonizzazione

Questo innovativo modello di IA ha il potenziale per trasformare le decisioni sulla politica di decarbonizzazione. Sfruttando le capacità dell'IA e gestendo dataset più ampi, i decisori politici possono prendere decisioni più informate basate su evidenze, guidando strategie efficaci di adattamento ai cambiamenti climatici.

La dottoressa Bardhan ha sottolineato: "Dare alle persone i propri dati rende molto più facile per loro negoziare per ottenere supporto." Ha aggiunto: "Questi sono dataset semplici e possiamo rendere questo modello molto user-friendly e accessibile per le autorità e i singoli residenti."

Le sfide uniche di Cambridge

Cambridge, sebbene relativamente abbiente, presenta il proprio insieme di sfide per la decarbonizzazione. Il patrimonio edilizio storico della città e i regolamenti edilizi limitano la riqualificazione e l'uso di materiali moderni in alcune proprietà storicamente significative. Queste sfide uniche rendono Cambridge un sito informativo per affinare il modello di IA e valutarne l'applicabilità in ambienti urbani diversi.

Collaborazioni future e costruzione del consenso

I ricercatori prevedono di discutere i loro risultati con il Consiglio Comunale di Cambridge e di continuare a lavorare con i colleghi di Cambridge Zero e della Rete di Decarbonizzazione dell'Università. Rendendo i dati più visibili e accessibili al pubblico, i ricercatori credono che costruire un consenso attorno agli sforzi per raggiungere il netto zero diventerà più raggiungibile.

Questo rivoluzionario modello di IA rappresenta un passo avanti significativo nell'affrontare la sfida delle case difficili da decarbonizzare, potenzialmente accelerando i progressi verso il raggiungimento delle emissioni nette zero nel settore abitativo. La sua adattabilità, precisione e potenziale per un uso diffuso lo rendono un potente strumento per i decisori politici e gli individui impegnati in un futuro sostenibile e decarbonizzato.