“难以脱碳”(HtD)房屋的直接排放量占所有直接住房排放量的四分之一以上，这是实现净零排放的主要障碍，但很少被识别或有针对性地进行改善。
现在，由剑桥大学建筑系研究人员训练的一种新的“深度学习”模型有望使识别这些高优先级问题属性并制定提高其绿色资质的策略变得更加容易、更快和更便宜。
由于各种原因，房屋可能“难以脱碳”，包括其年龄、结构、位置、社会经济障碍和数据可用性。政策制定者往往主要关注通用建筑或特定的难以脱碳的技术，但发表在《可持续城市与社会》杂志上的这项研究可能有助于改变这一现状。
孙茂然，城市研究员和数据科学家，博士。领导剑桥可持续设计小组的主管RonitaBardhan博士表示，他们的人工智能模型可以以90%的精度对HtD房屋进行分类，并预计随着他们添加更多数据，这一精度将会提高，这项工作已经在进行中。
Bardhan博士表示：“这是人工智能首次接受训练，利用开源数据来识别难以脱碳的建筑物，从而实现这一目标。
“政策制定者需要知道他们需要对多少房屋进行脱碳，但他们往往缺乏对每所房屋进行详细审核的资源。我们的模型可以引导他们找到高优先级的房屋，从而节省他们宝贵的时间和资源。”
该模型还有助于当局了解HtD房屋的地理分布，使他们能够有效地瞄准和部署干预措施。
研究人员使用他们家乡英国剑桥的数据来训练他们的人工智能模型。他们输入来自能源绩效证书(EPC)的数据以及来自街景图像、鸟瞰图像、地表温度和建筑存量的数据。他们的模型总共识别出700个HtD房屋和635个非HtD房屋。使用的所有数据都是开源的。
孙茂然说：“我们利用现有的有限EPC数据来训练我们的模型。现在，该模型可以预测城市中的其他房屋，而无需任何EPC数据。”
Bardhan补充道：“这些数据是免费提供的，我们的模型甚至可以在数据集非常分散的国家/地区使用。该框架使用户能够输入多源数据集来识别HtD房屋。”
Sun和Bardhan目前正在开发一个更先进的框架，该框架将带来与能源使用、贫困水平和建筑外墙热图像等因素相关的附加数据层。他们希望这能够提高模型的准确性，同时也能提供更详细的信息。
该模型已经能够识别建筑物的特定部分，例如损失最多热量的屋顶和窗户，以及建筑物是旧的还是现代的。但研究人员相信他们可以显着提高细节和准确性。
他们已经在使用建筑物热图像训练基于其他英国城市的人工智能模型，并与基于空间产品的组织合作，以从新卫星的更高分辨率热图像中受益。Bardhan是NSIP-英国航天局计划的一部分，在该计划中，她与天文学系和剑桥零号合作，使用高分辨率热红外太空望远镜在全球范围内监测建筑物的能源效率。
孙说：“我们的模型将越来越多地帮助居民和当局针对特定的建筑特征(如墙壁、窗户和其他元素)进行针对性的改造干预。”
巴丹解释说，到目前为止，脱碳政策决策一直基于来自有限数据集的证据，但他对人工智能改变这一现状的能力持乐观态度。
“我们现在可以处理更大的数据集。面对气候变化，我们需要基于我们的模型提供的此类证据的适应策略。即使是非常简单的街景照片也可以提供丰富的信息，而不会让任何人面临风险。”
研究人员认为，通过让数据对公众更加可见和易于获取，围绕实现净零排放的努力达成共识将变得更加容易。
巴丹说：“让人们拥有自己的数据，可以让他们更容易通过谈判获得支持。”
她补充说：“有很多人都在谈论需要专门技能来实现脱碳，但这些都是简单的数据集，我们可以使这个模型非常用户友好，并且可供当局和个人居民使用。”
剑桥作为学习地点
剑桥是一个非典型的城市，但信息丰富，是初始模型的基础。巴丹指出，剑桥相对富裕，这意味着人们有更大的意愿和经济能力来实现房屋脱碳。
“从这个意义上说，剑桥的脱碳并不‘难以实现’，”巴丹说。“但该市的住房存量相当陈旧，建筑章程禁止在一些更具历史意义的房产中进行改造和使用现代材料。因此，它面临着有趣的挑战。”
研究人员将与剑桥市议会讨论他们的发现。巴丹此前曾与议会合作评估议会房屋的热损失。他们还将继续与剑桥零和大学脱碳网络的同事合作。