論文の概要: Estimating Building Energy Efficiency From Street View Imagery, Aerial Imagery, and Land Surface Temperature Data

• arxiv url: http://arxiv.org/abs/2206.02270v1
• Date: Sun, 5 Jun 2022 21:04:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 14:06:36.425535
• Title: Estimating Building Energy Efficiency From Street View Imagery, Aerial Imagery, and Land Surface Temperature Data
• Title（参考訳）: ストリートビュー画像, 空中画像, 地表面温度データによる建築エネルギー効率の推定
• Authors: Kevin Mayer, Lukas Haas
• Abstract要約: 本研究は,純粋にリモートセンシングされたデータを用いて建物のエネルギー効率を推定できる新しい手法を提案する。 効率的な建物と非効率な建物を区別するバイナリ設定において、我々のエンドツーエンドのディープラーニングモデルは62.06%のマクロ平均F1スコアを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the race towards carbon neutrality, the building sector has fallen behind and bears the potential to endanger the progress made across other industries. This is because buildings exhibit a life span of several decades which creates substantial inertia in the face of climate change. This inertia is further exacerbated by the scale of the existing building stock. With several billion operational buildings around the globe, working towards a carbon-neutral building sector requires solutions which enable stakeholders to accurately identify and retrofit subpar buildings at scale. However, improving the energy efficiency of the existing building stock through retrofits in a targeted and efficient way remains challenging. This is because, as of today, the energy efficiency of buildings is generally determined by on-site visits of certified energy auditors which makes the process slow, costly, and geographically incomplete. In order to accelerate the identification of promising retrofit targets, this work proposes a new method which can estimate a building's energy efficiency using purely remotely sensed data such as street view and aerial imagery, OSM-derived footprint areas, and satellite-borne land surface temperature (LST) measurements. We find that in the binary setting of distinguishing efficient from inefficient buildings, our end-to-end deep learning model achieves a macro-averaged F1-score of 62.06\%. As such, this work shows the potential and complementary nature of remotely sensed data in predicting building attributes such as energy efficiency and opens up new opportunities for future work to integrate additional data sources.
• Abstract（参考訳）: カーボンニュートラルへの競争では、建築部門は遅れており、他の産業全体の進歩を危険にさらす可能性がある。 これは、建物が数十年にわたって寿命を保ち、気候変動に直面してかなりの慣性を生み出すためである。 この慣性は、既存の建物の在庫の規模によってさらに悪化する。 世界中の数十億の運用建物で、カーボンニュートラルな建築セクターへの取り組みには、ステークホルダーが大規模にサブパービルを正確に識別し、修復できるソリューションが必要である。 しかし, 既存建築物のエネルギー効率の向上は, 目標と効率の両立が困難である。 これは、今日では建物のエネルギー効率が一般的に認定エネルギー監査官の現場訪問によって決定されるため、プロセスは遅く、費用がかかり、地理的に不完全である。 そこで本研究では,道路ビューや航空画像,OSM由来のフットプリント領域,衛星搭載地表面温度(LST)など,純粋にリモートセンシングされたデータを用いて,ビルのエネルギー効率を推定する手法を提案する。 効率的な建物と非効率な建物を区別するバイナリ設定において、我々のエンドツーエンドのディープラーニングモデルは62.06\%のマクロ平均F1スコアを達成する。 この研究は、エネルギー効率などの建築特性を予測するためのリモートセンシングデータの可能性と相補的な性質を示し、将来的なデータソースの統合に向けた新たな機会を開く。

関連論文リスト

• Model Failure or Data Corruption? Exploring Inconsistencies in Building Energy Ratings with Self-Supervised Contrastive Learning [4.152601330407538]
  ビルエネルギーレーティング(ビルエネルギーレーティング、BER)は、ビル所有者、政策立案者、都市計画者がエネルギー効率を改善することで省エネの可能性を理解するための重要な指標である。 しかし、BERアセスメントプロセスは、欠落と不正確な測定に対して脆弱である。 我々は,データ駆動型アプローチであるttCLEARを導入し,自己教師付きコントラスト学習を通じてBER評価の不整合を精査する。
  論文  参考訳（メタデータ） (2024-04-14T17:07:11Z)
• The Forecastability of Underlying Building Electricity Demand from Time Series Data [1.3757257689932039]
  ビルのエネルギー消費予測は、ビルのエネルギー管理システムにおいて有望な解決策となっている。 建物の将来的なエネルギー需要を予測するデータ駆動のアプローチは、科学文献で見ることができる。 このような建物のエネルギー需要を予測するために利用できる最も正確な予測モデルの同定は依然として困難である。
  論文  参考訳（メタデータ） (2023-11-29T20:47:47Z)
• Nothing Stands Still: A Spatiotemporal Benchmark on 3D Point Cloud Registration Under Large Geometric and Temporal Change [86.44429778015657]
  人工空間の3次元幾何学地図の構築は、基本的なコンピュータビジョンとロボット工学である。 Not Stands Still (NSS)ベンチマークは、大きな空間的および時間的変化を行う3Dシーンの時間的登録に焦点を当てている。 NSSの一環として,建設中または改修中の大規模建築屋内環境において,3次元点雲のデータセットを連続的に取得する。
  論文  参考訳（メタデータ） (2023-11-15T20:09:29Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• Points for Energy Renovation (PointER): A LiDAR-Derived Point Cloud Dataset of One Million English Buildings Linked to Energy Characteristics [0.705947228027401]
  本稿では,ビルの3次元表現とそのエネルギー特性をデータ駆動で大規模に理解するビルディングポイントクラウドデータセットを提案する。 ジオレファレンスなLiDARデータとビルディングフットプリントを交わし、英国のエネルギーパフォーマンスデータベースの属性とリンクすることで、ビルディングポイントクラウドを生成します。 代表的サンプルを得るため、イングランドの農村部や都市部から100万棟の建物を選定し、その内50万棟がエネルギー特性に結びついている。
  論文  参考訳（メタデータ） (2023-06-28T08:48:22Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• eBIM-GNN : Fast and Scalable energy analysis through BIMs and Graph Neural Networks [0.0]
  建築情報モデリングは、建物のエネルギー効率を高めるだけでなく、分析にも使われてきた。 省エネの知識のない現在の都市では、エネルギー利用でスマートになるためのより良い方法が求められている。 提案手法は, 非常に効率的に一致し, 統計を生成できるプロトタイプビルを創出する手法である。
  論文  参考訳（メタデータ） (2022-05-21T03:24:03Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• WattScale: A Data-driven Approach for Energy Efficiency Analytics of Buildings at Scale [2.771897351607068]
  建物は現代社会の総エネルギーの40%以上を消費している。 エネルギー効率の低い建物を識別するためのデータ駆動型アプローチである textttWattScale を提案する。
  論文  参考訳（メタデータ） (2020-07-02T20:45:33Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。