Modelo de IA visa revolucionar esforços de descarbonização

Pesquisadores do Departamento de Arquitetura da Universidade de Cambridge desenvolveram um modelo inovador de IA capaz de identificar e priorizar casas "difíceis de descarbonizar" (HtD) para retrofitting e outras medidas de descarbonização. Essa abordagem inovadora tem o potencial de desempenhar um papel fundamental na conquista das emissões líquidas zero, ao abordar uma fonte significativa de emissões relacionadas à habitação frequentemente negligenciada pelos formuladores de políticas.

Casas difíceis de descarbonizar: uma barreira para o zero líquido

As casas HtD, que representam mais de um quarto de todas as emissões diretas do setor habitacional, têm sido um grande obstáculo no caminho para atingir as emissões líquidas zero. Os fatores que contribuem para a dificuldade de descarbonização dessas casas incluem sua idade, características estruturais, localização, barreiras socioeconômicas e a disponibilidade de dados relevantes. Tradicionalmente, os formuladores de políticas públicas focaram em edifícios genéricos ou em tecnologias específicas de descarbonização, negligenciando as casas HtD.

Modelo de IA identifica casas HtD com 90% de precisão

Os pesquisadores da Universidade de Cambridge, liderados pela Dra. Ronita Bardhan e pelo pesquisador urbano e cientista de dados Maoran Sun, treinaram um modelo de IA de aprendizado profundo para classificar casas HtD com uma impressionante taxa de precisão de 90%. Essa precisão deve melhorar ainda mais à medida que mais dados forem incorporados ao modelo, processo que já está em andamento.

A Dra. Bardhan enfatizou: “Esta é a primeira vez que a IA é empregada para identificar edifícios de difícil descarbonização utilizando dados de código aberto. Os formuladores de políticas públicas frequentemente não dispõem de recursos para auditorias detalhadas de cada casa, mas nosso modelo pode ajudar a direcionar seus esforços para as casas de alta prioridade, economizando tempo e recursos valiosos.”

Insights sobre a distribuição geográfica

O modelo de IA não apenas identifica casas com HtD, mas também fornece insights sobre sua distribuição geográfica. Essas informações capacitam as autoridades a direcionar e implementar intervenções de forma eficiente onde são mais necessárias.

Utilização de múltiplas fontes de dados

Os pesquisadores treinaram seu modelo de IA utilizando uma variedade de fontes de dados, incluindo Certificados de Desempenho Energético (CDE), imagens de street view, imagens aéreas, dados de temperatura da superfície terrestre e dados do estoque de edifícios. Eles identificaram 700 casas com HtD e 635 casas sem HtD em sua cidade natal, Cambridge, utilizando exclusivamente dados publicamente disponíveis.

Maoran Sun destacou a adaptabilidade do modelo, afirmando: 'Treinamos nosso modelo usando os limitados dados de CDE disponíveis. Agora, o modelo pode prever para outras casas da cidade sem a necessidade de qualquer dado de CDE.' Além disso, essa abordagem pode ser aplicada em países com conjuntos de dados limitados ou fragmentados, tornando-a acessível mundialmente.

Avanços nas camadas de dados

Os pesquisadores estão aprimorando ativamente seu modelo ao adicionar camadas de dados adicionais relacionadas a fatores como consumo de energia, níveis de pobreza e imagens térmicas das fachadas dos edifícios. Essas melhorias devem aumentar ainda mais a precisão do modelo e fornecer informações mais detalhadas sobre características específicas dos edifícios que exigem atenção.

Expandindo além de Cambridge

Embora o modelo inicial tenha sido desenvolvido usando Cambridge como local de estudo, os pesquisadores já estão estendendo sua aplicação para outras cidades do Reino Unido. Eles também estão colaborando com uma organização baseada em produtos espaciais para acessar imagens térmicas de maior resolução de novos satélites. A Dra. Bardhan participou do programa NSIP – UK Space Agency, onde trabalhou no uso de telescópios espaciais de infravermelho térmico de alta resolução para monitorar a eficiência energética de edifícios globalmente.

Transformando políticas de descarbonização

Este inovador modelo de IA tem o potencial de transformar as decisões de política de descarbonização. Ao aproveitar as capacidades da IA e lidar com conjuntos de dados maiores, os formuladores de políticas podem tomar decisões mais informadas baseadas em evidências, impulsionando estratégias eficazes de adaptação às mudanças climáticas.

O Dr. Bardhan enfatizou: “Capacitar as pessoas com seus próprios dados facilita muito que elas negociem por apoio.” Ela acrescentou: “Estes são conjuntos de dados simples, e podemos tornar este modelo muito amigável ao usuário e acessível para autoridades e residentes individuais.”

Desafios únicos de Cambridge

Cambridge, embora relativamente próspera, apresenta seu próprio conjunto de desafios para a descarbonização. O estoque histórico de habitações da cidade e os regulamentos de construção restringem a reforma e o uso de materiais modernos em algumas propriedades historicamente significativas. Esses desafios únicos tornam Cambridge um local informativo para refinar o modelo de IA e avaliar sua aplicabilidade em diversos ambientes urbanos.

Colaborações futuras e construção de consenso

Os pesquisadores planejam discutir suas descobertas com o Conselho Municipal de Cambridge e continuar a trabalhar com colegas do Cambridge Zero e da Rede de Descarbonização da Universidade. Ao tornar os dados mais visíveis e acessíveis ao público, os pesquisadores acreditam que construir consenso em torno dos esforços para alcançar o zero líquido se tornará mais viável.

Este modelo inovador de IA representa um avanço significativo no enfrentamento do desafio das casas difíceis de descarbonizar, potencialmente acelerando o progresso rumo à emissão líquida zero no setor habitacional. Sua adaptabilidade, precisão e potencial de uso generalizado tornam-no uma ferramenta poderosa para formuladores de políticas e indivíduos comprometidos com um futuro sustentável e descarbonizado.