SENSE: Síntesis de Energía basada en Satélites para un Medio Ambiente Sostenible

Resumen

El Modelado de Energía de Edificios Urbanos (UBEM) desempeña un papel fundamental en el logro de los Objetivos de Desarrollo Sostenible 7 y 11 de las Naciones Unidas. Aunque los estudios existentes basados en imágenes satelitales y aprendizaje profundo han logrado avances notables, persisten varios desafíos: la mayoría de los estudios actuales son inherentemente predictivos y no reflejan la naturaleza generativa de la planificación urbana; si bien la IA generativa y los modelos de difusión han experimentado un crecimiento explosivo en el ámbito de las imágenes satelitales, carecen de generación funcional urbana (por ejemplo, la capa energética); en tercer lugar, los datos energéticos de edificios de alta calidad y alta resolución alineados con imágenes satelitales son limitados y escasos. Aquí proponemos SENSE (Síntesis de Energía basada en Satélites para un Entorno Sostenible), un marco unificado de UBEM generativo que sintetiza de forma conjunta imágenes satelitales urbanas realistas y mapas alineados de alto nivel de consumo energético y altura de edificios. Al condicionarse en redes viales y métricas de densidad urbana, SENSE, basado en un modelo de difusión controlable, aprovecha el conocimiento aprendido por grandes modelos de visión para generar información de consumo energético y altura de edificios (anotaciones) en el espacio latente. Los experimentos realizados en cuatro ciudades (Nueva York, Boston, Lyon y Busan) demuestran que SENSE logra una alta fidelidad visual y una fuerte consistencia física, cumpliendo con la métrica estándar de ASHRAE. Los experimentos muestran que SENSE puede generar suficientes datos sintéticos anotados utilizando menos del 20% de datos energéticos etiquetados, mejorando el rendimiento de predicción posterior en un 10% de IoU. En comparación con los métodos de predicción energética urbana del estado del arte, SENSE redujo significativamente el error de predicción (reducción del 3%-11% en NMBE y del 1%-9% en CVRMSE). Este estudio ofrece una solución de planificación urbana energéticamente eficiente y de generación física para la ciencia urbana, la ciencia energética y la ciencia de la edificación. El conjunto de datos y el código: https://huggingface.co/datasets/skl24/MUSE y 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/.