SENSE : Synthèse énergétique basée sur satellite pour un environnement durable

Résumé

La Modélisation Énergétique des Bâtiments Urbains (MEBU) joue un rôle crucial dans la réalisation des Objectifs de Développement Durable 7 et 11 des Nations Unies. Bien que les études existantes basées sur l'imagerie satellite et l'apprentissage profond aient accompli des progrès remarquables, de nombreux défis subsistent : la plupart des études actuelles sont intrinsèquement prédictives, ne reflétant pas la nature générative de la planification urbaine ; bien que l'IA générative et les modèles de diffusion aient connu une croissance explosive dans le domaine de l'imagerie satellite, ils manquent de génération fonctionnelle urbaine (par exemple, la couche énergétique) ; troisièmement, les données énergétiques de bâtiments alignées, de haute qualité et haute résolution, associées à l'imagerie satellite, sont limitées et rares. Nous proposons ici SENSE (Synthèse Énergétique par Satellite pour un Environnement Durable), un cadre génératif unifié de MEBU qui synthétise conjointement des images satellite urbaines réalistes et des cartes alignées de consommation énergétique et de hauteur des bâtiments, de haute qualité. En se conditionnant sur les réseaux routiers et les métriques de densité urbaine, SENSE, basé sur un modèle de diffusion contrôlable, exploite les connaissances acquises par les grands modèles de vision pour générer, dans l'espace latent, des informations sur la consommation énergétique et la hauteur des bâtiments urbains (annotations). Des expériences menées dans quatre villes (New York, Boston, Lyon, Busan) démontrent que SENSE atteint une haute fidélité visuelle et une forte cohérence physique, satisfaisant la métrique standard de l'ASHRAE. Les expériences montrent que SENSE peut générer suffisamment de données synthétiques annotées en utilisant moins de 20 % des données énergétiques étiquetées, améliorant de 10 % l'IoU de la performance de prédiction en aval. Comparé aux méthodes de prédiction énergétique urbaine de pointe, SENSE réduit significativement l'erreur de prédiction (réduction de 3 % à 11 % du NMBE et de 1 % à 9 % du CVRMSE). Cette étude offre une solution de planification urbaine économe en énergie et de génération physique pour la science urbaine, la science de l'énergie et la science du bâtiment. Jeu de données et code : https://huggingface.co/datasets/skl24/MUSE et 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/.