Estimating Building Energy Efficiency From Street View Imagery, Aerial Imagery, and Land Surface Temperature Data

要約

カーボンニュートラルに向けた競争において、建築分野は遅れをとっており、他の産業分野での進展を危うくする可能性を持っています。これは、建築物の寿命が数十年であるため、気候変動に直面したときに大きな惰性が生じるためです。この惰性は、既存の建物ストックの規模によってさらに悪化します。世界中で数十億棟の建物が稼働しており、カーボンニュートラルな建築物の実現には、利害関係者が劣悪な建物を正確に特定し、大規模に改修するためのソリューションが必要です。しかし、既存の建物ストックのエネルギー効率を、的を絞った効率的な方法で改善することは、依然として困難です。これは、現在のところ、建物のエネルギー効率は一般的に認定エネルギー監査人の現場訪問によって決定されるため、プロセスに時間がかかり、コストがかかり、地理的に不完全であることが理由です。本研究では、有望な改修ターゲットの特定を加速するために、ストリートビューや航空写真、OSMによるフットプリント領域、衛星搭載の地表温度（LST）測定値などの純粋なリモートセンシングデータを用いて建物のエネルギー効率を推定する新しい方法を提案する。我々は、効率的な建物と非効率的な建物を区別するというバイナリ設定において、我々のエンドツーエンドの深層学習モデルは、マクロ平均F1スコア62.06%を達成することを発見しました。このように、この研究は、エネルギー効率などの建物属性の予測におけるリモートセンシングデータの可能性と補完性を示し、追加のデータソースを統合する将来の研究のための新しい機会を開くものである。

要約(オリジナル)

In the race towards carbon neutrality, the building sector has fallen behind and bears the potential to endanger the progress made across other industries. This is because buildings exhibit a life span of several decades which creates substantial inertia in the face of climate change. This inertia is further exacerbated by the scale of the existing building stock. With several billion operational buildings around the globe, working towards a carbon-neutral building sector requires solutions which enable stakeholders to accurately identify and retrofit subpar buildings at scale. However, improving the energy efficiency of the existing building stock through retrofits in a targeted and efficient way remains challenging. This is because, as of today, the energy efficiency of buildings is generally determined by on-site visits of certified energy auditors which makes the process slow, costly, and geographically incomplete. In order to accelerate the identification of promising retrofit targets, this work proposes a new method which can estimate a building’s energy efficiency using purely remotely sensed data such as street view and aerial imagery, OSM-derived footprint areas, and satellite-borne land surface temperature (LST) measurements. We find that in the binary setting of distinguishing efficient from inefficient buildings, our end-to-end deep learning model achieves a macro-averaged F1-score of 62.06\%. As such, this work shows the potential and complementary nature of remotely sensed data in predicting building attributes such as energy efficiency and opens up new opportunities for future work to integrate additional data sources.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL