SENSE: Op satellieten gebaseerde energiesynthese voor een duurzame omgeving

Samenvatting

Stedelijke Gebouw-Energiemodellering (UBEM) speelt een cruciale rol bij het behalen van Duurzame Ontwikkelingsdoelstellingen 7 en 11 van de Verenigde Naties. Hoewel bestaande studies op basis van satellietbeelden en diep leren opmerkelijke vooruitgang hebben geboekt, bestaan er veel uitdagingen: de meeste bestaande studies zijn inherent voorspellend van aard en weerspiegelen niet het generatieve karakter van stadsplanning; hoewel generatieve AI en diffusiemodellen een explosieve groei hebben doorgemaakt in satellietbeelden, ontbreekt het hen aan stedelijke functionele generatie (bijv. de energielaag); ten derde is uitgelijnde, hoogwaardige, hoge-resolutie gebouwenergiedata met satellietbeelden beperkt en schaars. Hier stellen wij SENSE (Satellietgebaseerde Energiesynthese voor een Duurzame Omgeving) voor, een uniform generatief UBEM-raamwerk dat gezamenlijk realistische stedelijke satellietbeelden en uitgelijnde hoogwaardige gebouwenergieverbruiks- en hoogtekaarten synthetiseert. Door te conditioneren op wegennetwerken en stedelijke dichtheidsmetrieken, maakt SENSE, gebaseerd op een controleerbaar diffusiemodel, gebruik van de kennis die door grote visiemodellen is geleerd om stedelijke gebouwenergieverbruiks- en hoogte-informatie (annotaties) in de latente ruimte te genereren. Experimenten in vier steden (New York, Boston, Lyon, Busan) tonen aan dat SENSE een hoge visuele getrouwheid en sterke fysieke consistentie bereikt, en voldoet aan de ASHRAE-standaardmetriek. Experimenten laten zien dat SENSE voldoende geannoteerde synthetische data kan genereren met minder dan 20% gelabelde energiedata, wat de downstream voorspelprestaties met 10% IoU verbetert. Vergeleken met state-of-the-art stedelijke energievoorspellingsmethoden, verminderde SENSE de voorspelfout aanzienlijk (vermindering van 3%-11% NMBE en 1%-9% CVRMSE). Deze studie biedt een energie-efficiënte stadsplanning en fysieke generatieoplossing voor stedelijke wetenschap, energiewetenschap en bouwwetenschap. De dataset en code: https://huggingface.co/datasets/skl24/MUSE en 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/.