SENSE: Спутниковый энергетический синтез для устойчивой окружающей среды

Аннотация

Городское моделирование энергопотребления зданий (Urban Building Energy Modeling, UBEM) играет ключевую роль в достижении Целей устойчивого развития ООН 7 и 11. Несмотря на значительные успехи существующих исследований, основанных на спутниковых снимках и глубоком обучении, остаётся ряд проблем: большинство существующих работ носят предсказательный характер и не отражают генеративную природу городского планирования; хотя генеративный ИИ и диффузионные модели получили взрывное развитие в области спутниковых изображений, они лишены генерации функциональных характеристик города (например, энергетического слоя); в-третьих, существует ограниченное количество согласованных высококачественных данных о потреблении энергии зданиями с высоким разрешением, сопоставленных со спутниковыми снимками. В данной работе мы предлагаем SENSE (Satellite-based ENergy Synthesis for Sustainable Environment) — единую генеративную структуру UBEM, которая совместно синтезирует реалистичные спутниковые снимки городов и согласованные с ними высококачественные карты энергопотребления и высоты зданий. Опираясь на дорожные сети и показатели плотности городской застройки, SENSE, основанный на управляемой диффузионной модели, использует знания, полученные большими моделями зрения, для генерации информации о потреблении энергии и высоте зданий (аннотаций) в скрытом пространстве. Эксперименты в четырёх городах (Нью-Йорк, Бостон, Лион, Пусан) демонстрируют, что SENSE достигает высокой визуальной точности и сильной физической согласованности, удовлетворяя метрикам стандарта ASHRAE. Результаты показывают, что SENSE способен генерировать достаточное количество аннотированных синтетических данных, используя менее 20% размеченных энергетических данных, что повышает точность последующего предсказания на 10% по показателю IoU. По сравнению с современными методами прогнозирования городского энергопотребления SENSE значительно снижает ошибку прогноза (на 3–11% по NMBE и на 1–9% по CVRMSE). Данное исследование предлагает энергоэффективное решение для городского планирования и физической генерации в области городской науки, энергетики и строительства. Набор данных и код: https://huggingface.co/datasets/skl24/MUSE и 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/.