Il est difficile d’obtenir des bilans carbone détaillés à propos des habitations. Mais l’IA permet de déterminer les priorités en matière de rénovation avec peu de données.
Une équipe de recherche a mis au point un modèle d’apprentissage profond capable de prendre des décisions à partir d’images de bâtiments largement disponibles en libre accès.
Par Sarah DeWeerdt (S'ouvre dans une nouvelle fenêtre)
Selon une nouvelle étude, l’intelligence artificielle (IA) a la capacité de reconnaître les maisons dites « difficilement décarbonisables » avec une précision globale de plus de 80 %. Selon les chercheurs, cette méthode pourrait aider à cerner les besoins les plus importants au chapitre des rénovations énergétiques et à déterminer les éléments d’une maison devant être remplacés en priorité.
Les maisons considérées comme difficiles à décarboniser sont des propriétés qui, pour devenir écologiques et durables (S'ouvre dans une nouvelle fenêtre), nécessiteraient des rénovations difficiles ou coûteuses. On estime qu’elles représentent un quart des habitations dans le monde et qu’elles sont responsables de plus d’un quart des émissions de carbone liées au logement.
Il est donc essentiel de se pencher sur la question des habitations difficilement décarbonisables afin que les villes du monde entier puissent atteindre leurs objectifs de carboneutralité. Or, il n’existe aucun moyen de cibler facilement ces logements et de les rénover en priorité (S'ouvre dans une nouvelle fenêtre).
Dans le passé, les politiques publiques ont eu tendance à se concentrer sur la décarbonation des bâtiments en général ou à cibler des technologies particulières à fortes émissions. Mais pour toutes sortes de raisons, il peut être difficile de procéder à la décarbonation des habitations.
« Les décideurs politiques doivent savoir combien de maisons ils doivent décarboner; toutefois, ils manquent souvent de ressources pour réaliser des évaluations détaillées de chaque maison. Notre modèle peut les orienter vers les maisons prioritaires, ce qui leur permettra de faire une précieuse économie de temps et de ressources », avance la Pre Ronita Bardhan, membre de l’équipe de recherche rattachée à l’Université de Cambridge (Royaume-Uni), dans un communiqué de presse (S'ouvre dans une nouvelle fenêtre).
Dans cette nouvelle étude, la Pre Bardhan et Maoran Sun, étudiant aux cycles supérieurs, ont utilisé un algorithme informatique permettant de recenser rapidement et à peu de frais les propriétés difficilement décarbonisables. Ils ont introduit dans leur modèle des données libres provenant de diverses sources, notamment des certificats d’efficacité énergétique, des images tirées de Google Street View et de vues aériennes, des données satellitaires sur la température à la surface du sol et des empreintes de bâtiments tirées d’une base de données couvrant l’ensemble du Royaume-Uni.
Les certificats d’efficacité énergétique sont délivrés sur la base d’inspections détaillées des propriétés construites, vendues ou louées au Royaume-Uni depuis 2008. Ces certificats renferment des données sur les caractéristiques qui rendent un logement difficilement décarbonisable, comme les murs pleins ou les murs qui, pour d’autres raisons, sont difficiles à remplir d’isolant, les toits plats ne se prêtant pas à une isolation classique, et les bâtiments traditionnels construits avant 1919.
Maintenant que le modèle a été entraîné à l’aide de certificats d’efficacité énergétique, il est en mesure de repérer les maisons difficilement décarbonisables même en l’absence de ces données, qui sont souvent indisponibles, selon les chercheurs.
Les chercheurs ont recueilli des renseignements sur plus de 1 300 maisons à Cambridge, au Royaume-Uni. Ils ont entraîné le modèle à l’aide de données issues d’un sous-ensemble de ces maisons, puis ont utilisé un autre sous-ensemble de maisons pour tester le modèle.
« La précision globale du modèle est de 82 % », indiquent les chercheurs dans la revue Sustainable Cities and Society. « Si le modèle désigne une maison comme étant difficilement décarbonisable, il y a 89 % de chances qu’elle le soit réellement, et s’il désigne une maison comme n’étant pas difficilement décarbonisable, il y a 71 % de chances que cela soit exact. »
Le modèle permet également de repérer 84 % de toutes les maisons facilement décarbonisables et 79 % des maisons difficilement décarbonisables.
À partir de données d’images, le modèle se concentre sur certains éléments tels que les toits et les fenêtres, où la perte de chaleur est la plus importante (S'ouvre dans une nouvelle fenêtre), selon les chercheurs. « Le modèle d’apprentissage profond prend des décisions fondées sur des zones précises de l’image de la façade de l’immeuble, écrivent-ils. Cela prouve la capacité de l’apprentissage automatique à extraire des renseignements pertinents à partir de données d’images. »
Le modèle pourrait aider les décideurs politiques à évaluer les besoins en matière de décarbonation dans une ville donnée et à élaborer des politiques de décarbonation à l’échelle d’un quartier, voire d’un bâtiment, affirment les chercheurs.
Ceux-ci ont également déterminé quelle était la source de données la plus importante pour obtenir des résultats précis. Les images tirées de Google Street View sont arrivées en tête de liste dans cette analyse. De fait, ces images couvrent une grande partie du globe et les images aériennes couvrent un territoire encore plus vaste, ce qui rend la méthode réalisable même dans les pays à faibles ressources ou dans les régions où les données sur les bâtiments existants sont rares.
L’équipe de recherche travaille actuellement à entraîner le modèle à partir de données provenant d’autres villes du Royaume-Uni. Elle compte ensuite intégrer des données supplémentaires sur l’utilisation de l’énergie, les niveaux de pauvreté et l’imagerie thermique afin d’accroître encore davantage le degré de précision du modèle.
Source : Sun M. et R. Bardhan, « Identifying Hard-to-Decarbonize houses from multi-source data in Cambridge, UK (S'ouvre dans une nouvelle fenêtre) », Sustainable Cities and Society, 2023.
Article original en anglais : https://www.anthropocenemagazine.org/2023/11/detailed-home-carbon-audits-are-hard-to-come-by-but-ai-can-prioritize-retrofits-with-little-data/ (S'ouvre dans une nouvelle fenêtre)
Suivez-nous sur :
🖤 Twitter (S'ouvre dans une nouvelle fenêtre) 💙 LinkedIn (S'ouvre dans une nouvelle fenêtre) 💜 Instagram (S'ouvre dans une nouvelle fenêtre)
(S'ouvre dans une nouvelle fenêtre)Anthropocène est la version française d’Anthropocene Magazine (S'ouvre dans une nouvelle fenêtre). La traduction française des articles est réalisée par le Service de traduction de l’Université Concordia (S'ouvre dans une nouvelle fenêtre), la Durabilité à l’Ère Numérique (S'ouvre dans une nouvelle fenêtre) et le pôle canadien de Future Earth (S'ouvre dans une nouvelle fenêtre).