SENSE: 지속 가능한 환경을 위한 위성 기반 에너지 합성

초록

도시 건물 에너지 모델링(Urban Building Energy Modeling)은 유엔의 지속 가능한 개발 목표 7과 11을 달성하는 데 중요한 역할을 한다. 위성 이미지와 딥러닝에 기반한 기존 연구들은 주목할 만한 진전을 이루었으나, 여러 과제가 존재한다. 첫째, 대부분의 기존 연구는 본질적으로 예측적이어서 도시 계획의 생성적 특성을 반영하지 못한다. 둘째, 생성형 AI와 확산 모델이 위성 이미지 분야에서 폭발적으로 성장했지만, 도시 기능 생성(예: 에너지 계층)은 부족하다. 셋째, 고품질의 고해상도 건물 에너지 데이터와 위성 이미지가 정렬된 데이터는 제한적이고 부족하다. 이에 본 연구는 SENSE(Satellite-based ENergy Synthesis for Sustainable Environment)를 제안한다. SENSE는 통합 생성형 UBEM 프레임워크로, 사실적인 도시 위성 이미지와 정렬된 고품질 건물 에너지 소비 및 높이 지도를 공동으로 합성한다. 도로망과 도시 밀도 지표를 조건으로 하는 제어 가능한 확산 모델 기반의 SENSE는 대규모 시각 모델이 학습한 지식을 활용하여 잠재 공간에서 도시 건물 에너지 소비 및 높이 정보(주석)를 생성한다. 네 도시(뉴욕, 보스턴, 리옹, 부산)에 걸친 실험 결과, SENSE는 높은 시각적 충실도와 강력한 물리적 일관성을 달성하여 ASHRAE 표준 지표를 충족한다. 실험 결과, SENSE는 20% 미만의 레이블링된 에너지 데이터만으로도 충분한 주석이 달린 합성 데이터를 생성할 수 있으며, 다운스트림 예측 성능을 IoU 기준 10% 향상시킨다. 최신 도시 에너지 예측 방법과 비교하여 SENSE는 예측 오차를 크게 줄였다(NMBE 3~11% 감소, CVRMSE 1~9% 감소). 본 연구는 도시 과학, 에너지 과학 및 건축 과학을 위한 에너지 효율적인 도시 계획 및 물리적 생성 솔루션을 제공한다. 데이터셋 및 코드: https://huggingface.co/datasets/skl24/MUSE, 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/.