剑桥研究人员训练人工智能来识别不环保的家园
这类人工智能模型首先可用来帮助政策制定者有效地识别和优先考虑房屋改造和其他脱碳措施。
“难以脱碳”（HtD）房屋的碳排放量超过直接住房排放总量的四分之一，是实现净零排放的主要障碍，但却很少被发现或被针对性改善。
目前，由剑桥大学建筑系的研究人员训练的一种新型“深度学习”模型有望更加简单快捷且低成本地识别这些高优先级问题房产，并制定策略来提高其绿色程度。
由于各种各样的原因，包括房屋的年龄、结构、位置、社会经济障碍和数据可用性等，房屋可能“难以脱碳”。政策制定者倾向于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》杂志上的这项研究或有助于改变这一状况。
剑桥房屋街景图像，可识别建筑特征。红色代表对 "难以脱碳 "建筑识别贡献最大的区域。蓝色代表贡献较小。
城市研究员兼数据科学家Maoran Sun和他的博士导师、剑桥可持续设计小组负责人罗尼塔·巴德罕（Ronita Bardhan）博士，展示了其人工智能模型的HtD房屋分类精确度达90%，并且随着更多数据的添入，这一准确率有望继续提高，目前相关工作已在进行中。
Bardhan博士表示：“这是首次尝试使用开源数据训练人工智能识别难以脱碳的建筑。”
“政策制定者需要了解有多少房子需要脱碳，但他们往往缺乏资源去对每栋房屋进行详细审计。我们的模型可以提示他们哪些是高优先级房子，节省他们宝贵的时间和资源。”
该模型还有助于当局了解HtD住房的地理分布，使其能够有效地定位和部署干预措施。
研究人员使用其家乡英国剑桥市的数据训练该人工智能模型。他们输入了来自能源绩效证书（EPCs）的数据，以及来自街景图像、鸟瞰图、地表温度和建筑库存的数据。该模型总共识别了700套HtD房屋和635套非HtD房屋。所有使用的数据都是开源的。
Maoran Sun表示:“我们用有限的可用EPC数据来训练模型。现在，该模型可以在不需要任何EPC数据的情况下预测城市其他房屋。”
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零散的国家使用。该框架使用户能够输入多源数据集来识别HtD房屋。”
Maoran Sun和Bardhan现在正在研究一个更先进的框架，该框架将带来与能源使用、贫困水平和建筑立面热图像等因素相关的额外数据层。他们希望这不仅能提高模型的准确性，还能提供更详细的信息。
该模型已经能够识别建筑的特定部位，例如热量损失较多的屋顶和窗户，以及建筑物是新是旧。但研究人员相信，模型的细节和准确性还能被显著提高。
他们已经在使用建筑物的热图像来训练基于英国其他城市的人工智能模型，并正在与一家空间产品组织合作，从新卫星提供的高分辨率热图像获取信息。Bardhan是NSIP-UK Space Agency项目的一员，她与剑桥大学天文学系和剑桥“净零”中心合作，使用高分辨率热红外太空望远镜来监测全球建筑物的能源效率。
Sun表示：“我们的模型将持续帮助居民和当局针对墙壁、窗户等特定的建筑特征进行改造干预。”
Bardhan解释道，目前为止，脱碳政策的决定都是基于源自有限数据集的证据，但她对人工智能改变现状的能力持乐观态度。
“我们现在可以处理更大的数据集。为了应对气候变化，我们需要基于该模型提供的证据制定适应战略。即使是非常简单的街景照片也可以在不危及任何人的情况下提供丰富的信息。”
研究人员认为，让公众更容易看到和获取数据，也将更容易达成共识去实现净零排放。
Bardhan说:“让人们拥有自己的数据，使他们更容易争取支持。”
她补充说:“有很多人都在谈论需要利用专业技能来实现脱碳，但这些都是简单的数据集，我们可以打造可供当局和个人居民使用的用户友好型模型。”
作为研究地点的剑桥市
剑桥虽是一个非典型的城市，但其信息丰富，因而成为最初模型的基础。Bardhan指出，剑桥相对富裕的经济水平意味着其有更大的意愿和经济能力去实现房屋脱碳。
Bardhan表示:“从这个意义上说，剑桥的脱碳并非‘难以企及’。”“但这座城市的房屋存量相当老旧，而且建筑章程禁止在一些历史意义重大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研究发现。Bardhan曾与市政委员会合作，评估市政房屋的热损失。他们还将继续与剑桥大学“净零”中心和脱碳网络的同事合作。
