SENSE: Síntese Energética Baseada em Satélite para Ambiente Sustentável

Resumo

A Modelagem de Energia de Edifícios Urbanos (UBEM) desempenha um papel crucial no alcance dos Objetivos de Desenvolvimento Sustentável 7 e 11 da ONU. Embora estudos existentes baseados em imagens de satélite e aprendizado profundo tenham alcançado progresso notável, muitos desafios persistem: a maioria dos estudos existentes é inerentemente preditiva, não refletindo a natureza generativa do planejamento urbano; embora a IA generativa e os modelos de difusão tenham experimentado crescimento explosivo em imagens de satélite, eles carecem de geração funcional urbana (por exemplo, camada de energia); em terceiro lugar, dados alinhados de alta qualidade e alta resolução de energia de edifícios com imagens de satélite são limitados e escassos. Aqui propomos o SENSE (Síntese de Energia Baseada em Satélite para Ambiente Sustentável), uma estrutura UBEM generativa unificada que sintetiza conjuntamente imagens realistas de satélite urbano e mapas alinhados de alta qualidade de consumo de energia e altura de edifícios. Ao condicionar redes viárias e métricas de densidade urbana, o SENSE, baseado em um modelo de difusão controlável, aproveita o conhecimento aprendido por grandes modelos de visão para gerar informações de consumo de energia e altura de edifícios urbanos (anotações) no espaço latente. Experimentos em quatro cidades (Nova York, Boston, Lyon, Busan) demonstram que o SENSE alcança alta fidelidade visual e forte consistência física, satisfazendo a métrica padrão ASHRAE. Os experimentos demonstram que o SENSE pode gerar dados sintéticos anotados suficientes usando menos de 20% dos dados de energia rotulados, aumentando o desempenho preditivo downstream em 10% de IoU. Em comparação com métodos de previsão de energia urbana de última geração, o SENSE reduziu significativamente o erro de previsão (redução de 3%-11% no NMBE e 1%-9% no CVRMSE). Este estudo oferece uma solução de planejamento urbano energeticamente eficiente e geração física para a ciência urbana, ciência da energia e ciência dos edifícios. O conjunto de dados e o código: https://huggingface.co/datasets/skl24/MUSE e 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/.