SENSE: Satellitengestützte Energiesynthese für eine nachhaltige Umwelt

Zusammenfassung

Urban Building Energy Modeling (UBEM) spielt eine entscheidende Rolle bei der Verwirklichung der Ziele 7 und 11 der Vereinten Nationen für nachhaltige Entwicklung. Obwohl bestehende Studien auf Basis von Satellitenbildern und Deep Learning bemerkenswerte Fortschritte erzielt haben, bestehen zahlreiche Herausforderungen: Die meisten bestehenden Studien sind von Natur aus prädiktiv und spiegeln nicht den generativen Charakter der Stadtplanung wider; obwohl generative KI und Diffusionsmodelle bei Satellitenbildern ein explosives Wachstum verzeichnet haben, fehlt ihnen die städtische funktionale Generierung (z. B. die Energieschicht); drittens sind abgestimmte, qualitativ hochwertige, hochauflösende Gebäudeenergiedaten in Verbindung mit Satellitenbildern begrenzt und knapp. Hier schlagen wir SENSE (Satellite-based ENergy Synthesis for Sustainable Environment) vor, ein einheitliches generatives UBEM-Framework, das gemeinsam realistische urbane Satellitenbilder und abgestimmte, qualitativ hochwertige Karten des Gebäudeenergieverbrauchs und der Gebäudehöhe synthetisiert. Durch die Konditionierung auf Straßennetze und urbane Dichtemetriken nutzt SENSE, das auf einem steuerbaren Diffusionsmodell basiert, das von großen Bildverarbeitungsmodellen erlernte Wissen, um Informationen über den Energieverbrauch und die Höhe von Gebäuden (Annotationen) im latenten Raum zu generieren. Experimente in vier Städten (New York City, Boston, Lyon, Busan) zeigen, dass SENSE eine hohe visuelle Wiedergabetreue und starke physikalische Konsistenz erreicht und die ASHRAE-Standardmetrik erfüllt. Experimente zeigen, dass SENSE mit weniger als 20 % gekennzeichneten Energiedaten ausreichend annotierte synthetische Daten generieren kann, wodurch die nachgelagerte Vorhersageleistung um 10 % IoU gesteigert wird. Im Vergleich zu den modernsten städtischen Energievorhersagemethoden hat SENSE den Vorhersagefehler erheblich reduziert (Reduktion um 3 %–11 % NMBE und 1 %–9 % CVRMSE). Diese Studie bietet eine energieeffiziente Lösung für Stadtplanung und physikalische Generierung in den Bereichen Stadtwissenschaft, Energiewissenschaft und Bauwissenschaft. Der Datensatz und der Code: https://huggingface.co/datasets/skl24/MUSE und https://github.com/kailaisun/GenAI4Urban-Energy/.

English

Urban Building Energy Modeling plays a critical role in achieving the United Nations' Sustainable Development Goals 7 and 11. Although existing studies based on satellite imagery and deep learning have achieved remarkable progress, many challenges exist: most existing studies are inherently predictive, failing to reflect the generative nature of urban planning; although generative AI and diffusion models have seen explosive growth in satellite imagery, they lack the urban functional generation (e.g., energy layer); third, aligned high-quality high-resolution building energy data with satellite imagery is limited and scarce. Here we propose SENSE (Satellite-based ENergy Synthesis for Sustainable Environment), a unified generative UBEM framework that jointly synthesizes realistic urban satellite imagery and aligned high-quality building energy consumption and height maps. By conditioning on road networks and urban density metrics, SENSE, based on a controllable diffusion model, leverages the knowledge learned by large vision models to generate urban building energy consumption and height information (annotations) in the latent space. Experiments across four cities (New York City, Boston, Lyon, Busan) demonstrate that SENSE achieves high visual fidelity and strong physical consistency, satisfying the ASHRAE standard metric. Experiments demonstrate that SENSE can generate enough annotated synthetic data using less than 20% labeled energy data, boosting downstream prediction performance by 10% IoU. Compared to SOTA urban energy prediction methods, SENSE significantly reduced prediction error (reduced 3%-11% NMBE and 1%-9% CVRMSE). This study offers an energy-efficiency urban planning and physical generation solution for urban science, energy science and building science. The dataset and code: https://huggingface.co/datasets/skl24/MUSE and https://github.com/kailaisun/GenAI4Urban-Energy/.