Le case “difficili da decarbonizzare” (HtD) sono responsabili di oltre un quarto del totale diretto emissioni delle abitazioni – un ostacolo importante al raggiungimento dello zero netto – ma raramente vengono identificati o mirati a migliorare.
Ora un nuovo modello di “deep learning” ideato dai ricercatori del Dipartimento di Architettura dell’Università di Cambridge promette di rendere molto più semplice, veloce ed economico l’identificazione di queste proprietà problematiche ad alta priorità e lo sviluppo di strategie per migliorare le loro credenziali ecologiche.
Le case possono essere “difficili da decarbonizzare” per vari motivi, tra cui età, struttura, ubicazione, barriere socio-economiche e disponibilità di dati. I politici tendono a concentrarsi principalmente su edifici generici o su tecnologie specifiche difficili da decarbonizzare, ma lo studio, pubblicato sulla rivista Città e società sostenibilipotrebbe contribuire a cambiare la situazione.
Maoran Sun, ricercatore urbano e scienziato dei dati, e il suo supervisore del dottorato, la dott.ssa Ronita Bardhan (Selwyn College), che guida l’Università di Cambridge Gruppo di progettazione sostenibilemostrano che il loro modello di intelligenza artificiale può classificare le case HtD con una precisione del 90% e si aspettano che questo valore aumenti man mano che aggiungono più dati, lavoro che è già in corso.
Il dottor Bardhan ha dichiarato: “Questa è la prima volta che l’intelligenza artificiale viene addestrata a identificare edifici difficili da decarbonizzare utilizzando dati open source per raggiungere questo obiettivo.
“I politici devono sapere quante case devono decarbonizzare, ma spesso non hanno le risorse per eseguire audit dettagliati su ogni casa. Il nostro modello può indirizzarli verso case ad alta priorità, facendo risparmiare loro tempo e risorse preziosi”.
Il modello aiuta inoltre le autorità a comprendere la distribuzione geografica delle case HtD, consentendo loro di indirizzare e implementare in modo efficiente gli interventi.
I ricercatori hanno addestrato il loro modello di intelligenza artificiale utilizzando i dati relativi alla loro città natale di Cambridge, nel Regno Unito. Hanno inserito dati provenienti da certificati di prestazione energetica (EPC), nonché dati da immagini stradali, immagini aeree, temperatura della superficie terrestre e patrimonio edilizio. In totale, il loro modello ha identificato 700 case HtD e 635 case non HtD. Tutti i dati utilizzati erano open source.
Maoran Sun ha dichiarato: “Abbiamo addestrato il nostro modello utilizzando i dati EPC limitati disponibili. Ora il modello può fare previsioni per le altre case della città senza la necessità di dati EPC”.
Bardhan ha aggiunto: “Questi dati sono disponibili gratuitamente e il nostro modello può essere utilizzato anche in paesi in cui i set di dati sono molto frammentari. Il quadro consente agli utenti di inserire set di dati da più fonti per l’identificazione delle case HtD”.
Sun e Bardhan stanno ora lavorando su un quadro ancora più avanzato che porterà ulteriori livelli di dati relativi a fattori tra cui il consumo di energia, i livelli di povertà e le immagini termiche delle facciate degli edifici. Si aspettano che questo aumenti la precisione del modello ma anche fornisca informazioni ancora più dettagliate.
Il modello è già in grado di identificare parti specifiche degli edifici, come tetti e finestre, che perdono la maggior parte del calore, e se un edificio è vecchio o moderno. Ma i ricercatori sono fiduciosi di poter aumentare significativamente i dettagli e la precisione.
Stanno già addestrando modelli di intelligenza artificiale basati su altre città del Regno Unito utilizzando immagini termiche di edifici e stanno collaborando con un’organizzazione basata su prodotti spaziali per beneficiare di immagini termiche a risoluzione più elevata provenienti da nuovi satelliti. Bardhan ha fatto parte del programma NSIP – UK Space Agency dove ha collaborato con il Dipartimento di Astronomia e Cambridge Zero sull’utilizzo telescopi spaziali a infrarossi termici ad alta risoluzione per il monitoraggio globale dell’efficienza energetica degli edifici.
Sun ha affermato: “I nostri modelli aiuteranno sempre più i residenti e le autorità a indirizzare gli interventi di ammodernamento su particolari caratteristiche dell’edificio come muri, finestre e altri elementi”.
Bardhan spiega che, fino ad ora, le decisioni politiche di decarbonizzazione si sono basate su prove derivate da set di dati limitati, ma è ottimista riguardo al potere dell’intelligenza artificiale di cambiare la situazione.
“Ora possiamo gestire set di dati molto più grandi. Andando avanti con il cambiamento climatico, abbiamo bisogno di strategie di adattamento basate su prove del tipo fornito dal nostro modello. Anche le più semplici fotografie di street view possono offrire una grande quantità di informazioni senza mettere a rischio nessuno”.
I ricercatori sostengono che rendendo i dati più visibili e accessibili al pubblico, diventerà molto più facile creare consenso sugli sforzi per raggiungere lo zero netto.
“Concedere alle persone il potere di disporre dei propri dati rende molto più semplice per loro negoziare il sostegno”, ha affermato Bardhan.
Ha aggiunto: “Si parla molto della necessità di competenze specializzate per raggiungere la decarbonizzazione, ma si tratta di semplici set di dati e possiamo rendere questo modello molto facile da usare e accessibile per le autorità e i singoli residenti”.
Cambridge come luogo di studio
Cambridge è una città atipica ma un sito informativo su cui basare il modello iniziale. Bardhan osserva che Cambridge è relativamente ricca, il che significa che c’è una maggiore volontà e capacità finanziaria di decarbonizzare le case.
“Cambridge non è ‘difficile da raggiungere’ per la decarbonizzazione in questo senso”, ha detto Bardhan. “Ma il patrimonio edilizio della città è piuttosto vecchio e il regolamento edilizio impedisce l’ammodernamento e l’uso di materiali moderni in alcune delle proprietà storicamente più importanti. Quindi deve affrontare sfide interessanti”.
Fonte: università di Cambridge
Da un’altra testata giornalistica. news de www.technology.org