Модель ИИ нацелена на революцию в усилиях по декарбонизации

Исследователи из архитектурного факультета Кембриджского университета разработали новаторскую модель ИИ, которая может выявлять и приоритизировать «труднодекарбонизируемые» (HtD) дома для ретрофита и других мер по декарбонизации. Этот инновационный подход может сыграть ключевую роль в достижении нулевых выбросов, устраняя значительный источник выбросов, связанных с жильем, который часто игнорируется политиками.

Труднодекарбонизируемые дома: барьер на пути к нулевым выбросам

Дома HtD, на которые приходится более четверти всех прямых выбросов от жилья, стали серьезным препятствием на пути к достижению нулевых выбросов. Факторы, способствующие трудностям в декарбонизации этих домов, включают их возраст, конструктивные характеристики, местоположение, социально-экономические барьеры и наличие соответствующих данных. Традиционно политики фокусировались на общих зданиях или конкретных технологиях декарбонизации, игнорируя дома HtD.

Модель ИИ идентифицирует дома HtD с 90% точностью

Исследователи из Кембриджа под руководством доктора Рониты Бардхан и городского исследователя и ученого по данным Маорана Сана обучили модель глубокого обучения ИИ для классификации домов HtD с впечатляющей точностью 90%. Эта точность, как ожидается, улучшится по мере включения большего количества данных в модель, процесс чего уже находится в стадии реализации.

Д-р Бардхан подчеркнула: «Это первый случай, когда ИИ был использован для выявления зданий, трудно поддающихся декарбонизации, с использованием данных с открытым доступом. У лиц, принимающих решения, часто не хватает ресурсов для проведения детальных аудитов каждого дома, но наша модель может помочь направить их усилия на дома с высоким приоритетом, сэкономив им ценное время и ресурсы».

Аналитика географического распределения

ИИ-модель не только выявляет здания, трудно поддающиеся декарбонизации (HtD), но и предоставляет информацию об их географическом распределении. Эти данные позволяют властям эффективно целенаправленно внедрять меры там, где они наиболее необходимы.

Использование нескольких источников данных

Исследователи обучили свою ИИ-модель на основе различных источников данных, включая сертификаты энергоэффективности (EPC), изображения с уличных камер, аэрофотоснимки, данные о температуре поверхности земли и данные о фонде зданий. Они выявили 700 зданий, трудно поддающихся декарбонизации, и 635 зданий, не относящихся к этой категории, в своем родном городе Кембридж, используя исключительно общедоступные данные.

Маоран Сун отметил адаптивность модели, заявив: «Мы обучили нашу модель на ограниченных данных EPC. Теперь модель может делать прогнозы для других домов города без необходимости использования каких-либо данных EPC». Кроме того, этот подход можно применять в странах с ограниченными или фрагментированными наборами данных, что делает его доступным по всему миру.

Совершенствование слоев данных

Исследователи активно улучшают свою модель, добавляя дополнительные слои данных, связанные с такими факторами, как потребление энергии, уровень бедности и тепловые изображения фасадов зданий. Ожидается, что эти улучшения further повысят точность модели и предоставят более подробную информацию о конкретных характеристиках зданий, требующих внимания.

Выход за пределы Кембриджа

Хотя первоначальная модель была разработана на основе Кембриджа как объекта исследования, исследователи уже расширяют ее применение на другие города Великобритании. Они также сотрудничают с организацией, специализирующейся на космических продуктах, для получения тепловых изображений более высокого разрешения с новых спутников. Д-р Бардхан участвовала в программе NSIP – Космического агентства Великобритании, где работала над использованием высокоразрешающих тепловых инфракрасных космических телескопов для мониторинга энергоэффективности зданий по всему миру.

Трансформация политики декарбонизации

Эта инновационная ИИ-модель имеет потенциал трансформировать принятие решений в области политики декарбонизации. Используя возможности ИИ и работая с большими наборами данных, лица, принимающие решения, могут принимать более обоснованные решения на основе доказательств, что способствует эффективной реализации стратегий адаптации к изменению климата.

Д-р Бардхан подчеркнула: «Предоставление людям доступа к их собственным данным значительно упрощает для них переговоры о поддержке». Она добавила: «Это простые наборы данных, и мы можем сделать эту модель очень удобной для пользователей и доступной как для властей, так и для отдельных жителей».

Уникальные вызовы Кембриджа

Кембридж, будучи относительно благополучным городом, представляет собой собственный набор вызовов для декарбонизации. Исторический жилой фонд города и строительные нормы ограничивают модернизацию и использование современных материалов в некоторых исторически значимых зданиях. Эти уникальные вызовы делают Кембридж информативной площадкой для совершенствования ИИ-модели и оценки ее применимости в различных городских условиях.

Будущие сотрудничества и формирование консенсуса

Исследователи планируют обсудить свои выводы с городским советом Кембриджа и продолжить работу с коллегами из Cambridge Zero и Декарбонизационной сети университета. Считая, что повышение видимости и доступности данных для общественности сделает достижение консенсуса вокруг усилий по достижению нулевого уровня выбросов более достижимым, исследователи намерены активно продвигать эту идею.

Эта новаторская ИИ-модель представляет собой значительный шаг вперед в решении проблемы зданий, трудно поддающихся декарбонизации, потенциально ускоряя прогресс в достижении нулевого уровня выбросов в жилищном секторе. Ее адаптивность, точность и потенциал для широкого использования делают ее мощным инструментом для лиц, принимающих решения, и частных лиц, приверженных устойчивому и декарбонизированному будущему.