Decarbonizing the building sector by improving the energy efficiency of the existing building stock through retrofits in a targeted and efficient way remains challenging. This is because, as of now, 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 on a large scale, we propose to estimate building energy efficiency from remotely sensed data sources only. To do so, we collect street view, aerial view, footprint, and satellite-borne land surface temperature (LST) data for almost 40,000 buildings across four diverse geographies in the United Kingdom. After training multiple end-to-end deep learning models on the fused input data in order to classify buildings as energy efficient (EU rating A-D) or inefficient (EU rating E-G), we analyze the best performing models quantitatively as well as qualitatively. Lastly, we extend our analysis by studying the predictive power of each data source in an ablation study. We find that the best end-to-end deep learning model achieves a macro-averaged F1-score of 62.06% and outperforms the k-NN and SVM-based baseline models by 5.62 to 11.47 percentage points, respectively. As such, this work shows the potential and complementary nature of remotely sensed data in predicting energy efficiency and opens up new opportunities for future work to integrate additional data sources.


翻译:通过有针对性和高效率的改造提高现有建筑库存的能源效率,从而实现建筑部门脱碳,这仍然是个挑战。这是因为,到目前为止,建筑物的能源效率一般是由经认证的能源审计员的现场视察决定的,这导致这一过程缓慢、昂贵和地理上不完全。为了加快大规模确定有希望的改造目标,我们提议仅从遥感数据源中估算能源效率的建设;为了这样做,我们收集联合王国四个不同地理分布的近40,000座建筑物的街道视图、航空视图、足迹和卫星载地表温度(LST)数据。在培训了多个端对端的深层次学习模型之后,将建筑物的能效数据数据数据数据数据数据数据数据数据数据数据数据数据数据数据数据数据数据数据进行了宏观平均、62.06%和遥感数据数据数据数据数据预测,从而分别将基于F1和SM47%的模型数据数据数据数据预测,将这一数据数据数据数据数据基数和数据基数(以62.06%和5M-47 %的数据基数据基值为基础,将数据基数、5.06和遥感数据基数点的今后数据基数数据基数定位数据基数定位数据基数和数据基数定位数据基数和数据基数(分别为62.0数据基数)分别将数据基数、5.06-5-5-0和遥感数据基数的计算出一个潜在数据基数点和遥感数据基数。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年8月23日
Arxiv
0+阅读 · 2022年8月19日
Arxiv
0+阅读 · 2022年8月18日
Arxiv
12+阅读 · 2020年8月3日
Principal Neighbourhood Aggregation for Graph Nets
Arxiv
17+阅读 · 2020年6月7日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员