شهرها مسئول سهم بزرگی از مصرف انرژی در جهان هستند. یک سوم از کل انتشار گازهای گلخانه ای مربوط به بخش ساختمان است و آن را به یک هدف مهم برای کاهش مصرف انرژی شهری تبدیل می کند. داده‌های دقیق در مورد انبار ساختمان، از جمله ویژگی‌های حرارتی ساختمان‌های منفرد، مانند نوع ساخت‌وساز، دوره ساخت و ساز و هندسه ساختمان، می‌تواند به شدت از تصمیم‌گیری برای مقامات محلی برای کمک به آنها در بومی‌سازی فضایی ساختمان‌هایی با پتانسیل بالا برای نوسازی حرارتی حمایت کند. در این مقاله، ما یک گردش کار برای مدل‌سازی سهام ساختمان مبتنی بر یادگیری عمیق با استفاده از تصاویر هوایی در مقیاس شهر برای مدل‌سازی تقاضای گرما ارائه می‌کنیم. ساختمان های استخراج شده برای مدل سازی از پایین به بالا تقاضای گرمای ساختمان مسکونی بر اساس نوع ساخت و دوره ساخت استفاده می شود. نتایج برای استخراج ساختمان DL، دقت F1 را 87 درصد نشان می‌دهد و انواع ساخت‌وساز دقت کلی 96 درصد را نشان می‌دهد. تقاضای گرمای مدل‌سازی شده سطح بالایی از توافق R را نشان می‌دهد2 0.82 در مقایسه با داده های مرجع. در نهایت، سناریوهای نوسازی مختلف را برای دوره‌های ساخت و ساز و انواع ساخت‌وساز تجزیه و تحلیل می‌کنیم، به عنوان مثال، نشان می‌دهیم که بازسازی حرارتی هدفمند خانه‌های چندخانواری ساخته‌شده بین دهه‌های 1950 و 1970 حدود 47 درصد از کل تقاضای گرما را در یک سناریوی نوسازی واقعی تشکیل می‌دهد.

کلید واژه ها:

مدل سهام ساختمان ; نوع ساختمان ؛ یادگیری عمیق ؛ مدل سازی تقاضای گرما ; مدل سطح دیجیتال ; تصویر هوایی

1. مقدمه

با افزایش شهرنشینی، شهرها جزء مهمی برای تضمین آینده ای پایدار برای سیاره ما هستند. پتانسیل بالایی برای کاهش انتشار گازهای گلخانه ای به بخش ساختمان اعتبار داده می شود زیرا ساختمان ها مقادیر زیادی انرژی مصرف می کنند [ 1 ، 2 ]. در آلمان، ساختمان ها حدود 40 درصد از مصرف نهایی انرژی را تشکیل می دهند و تقریباً یک سوم از انتشار گازهای گلخانه ای کشور را تشکیل می دهند [ 3 ]. کارایی استانداردهای ساختمانی در دهه های گذشته به طور قابل توجهی افزایش یافته است و ساخت و سازهای مدرن را بسیار کم مصرف کرده است. با این حال، ساختمان‌های قدیمی‌تر ساخته شده قبل از آغاز هزاره، استانداردهای حرارتی فعلی را برآورده نمی‌کنند [ 4 ]]. بنابراین بازسازی هدفمند ساختمان های قدیمی می تواند به تبدیل شهرها به محیط های پایدارتر کمک کند. برای تجزیه و تحلیل مصرف انرژی شهرها و ارزیابی کمی اثرات مقاوم‌سازی ساختمان‌ها، مدل‌سازی انرژی ساختمان‌های شهری پایین به بالا (UBEM) به یک ابزار اثبات‌شده برای پشتیبانی از بهره‌وری انرژی برای ساختمان‌ها در مقیاس شهر تبدیل شده است [ 5 ، 6 ، 7 ] . علاوه بر ابزارهای شبیه سازی برای مدل سازی انرژی ساختمان [ 8 ]، توسعه یک مجموعه داده بر روی مدل موجودی انبار ساختمان (BSM) یک وظیفه مهم برای UBEM [ 7 ] است. BSMها با موفقیت برای مدل‌سازی انرژی ساختمان‌های شهری در مقیاس‌های فضایی مختلف به کار گرفته شده‌اند: از محله‌های محلی [ 9 ، 10 ]، 11 ] در مقیاس شهری [ 12 ، 13 ، 14 ، 15 ] و مقیاس ملی [ 16 ]. علاوه بر مدل‌سازی نیازهای انرژی فعلی ساختمان‌ها در مقیاس شهر، BSMها برای تحلیل‌های مقاوم‌سازی بسیار مفید هستند [ 10 ، 17 ]. با افزایش آگاهی از بخش ساختمان به عنوان یک تولید کننده عمده گازهای گلخانه ای، حوزه UBEM توجه بیشتری را در زمینه های مختلف علمی تجربه کرده است. برای مروری بر پیشرفت‌های روش‌شناختی گذشته و فعلی در UBEM، خوانندگان باید به مطالعات متا مرتبط در این زمینه مراجعه کنند [ 2 ، 6 ، 8 ، 18 ، 19 .، 20 ]. همانطور که در بالا نشان داده شد، داده های موجودی ساختمان برای UBEM بسیار مهم هستند زیرا آنها به عنوان یک پایگاه داده فضایی برای مدل سازی انرژی از پایین به بالا، از جمله پارامترهای مربوطه در هر ساختمان [ 5 ]، به شرح زیر عمل می کنند:
هندسه ساختمان: این یک پارامتر کلیدی در UBEM است، زیرا کل نیاز انرژی یک ساختمان به شدت به اندازه ساختمان از نظر مساحت و مساحت کف بستگی دارد .
نوع ساخت: این امر بر رفتار حرارتی ساختمان‌ها تأثیر می‌گذارد، به عنوان مثال، یک خانه مستقل ( نیمه مجزا) به دلیل قسمت بالاتر دیوارهای بیرونی نسبت به حجم ساختمان نسبت به خانه‌های پلکانی یا خانه‌های چندخانواری بیشتر در معرض اتلاف انرژی است. [ 14 , 15 , 18 , 21 , 22 , 23 ];
نوع کاربری: مدل سازی تقاضای انرژی یک ساختمان به شدت تحت تاثیر استفاده از آن است، از نظر اینکه ساختمان مسکونی یا غیر مسکونی باشد. ساختمان های غیر مسکونی از نظر رفتار حرارتی بسیار ناهمگن هستند و بنابراین مدل سازی بدون دانش خاص دشوارتر است.
سال ساخت: بسیاری از مقررات حرارتی در دهه‌های گذشته معرفی شده‌اند که باعث می‌شود ساختمان‌های تازه‌ساخته یا بازسازی‌شده در رفتار انرژی کارآمدتر از ساختمان‌های در حالت اولیه خود باشند [ 24 ].
امروزه، وضعیت در دسترس بودن داده ها برای مدل های سهام ساختمانی در بسیاری از کشورهای توسعه یافته به طور قابل توجهی در طول سال های گذشته بهبود یافته است: تا چند دهه پیش، BSM های مقیاس شهر کمیاب بودند، اما ظهور اخیر در داده های جغرافیایی-مکانی (باز) [ 25 ] و روش های پردازش تعداد شهرها و کشورهای دارای دسترسی به داده های دقیق برای برنامه ریزی و مدیریت شهری و همچنین مدل سازی انرژی را افزایش داده است. با این وجود، دسترسی به داده‌های موجودی ساختمان در مقیاس ملی، حتی در اتحادیه اروپا، جایی که تلاش‌های زیادی برای هماهنگ‌سازی داده‌های ملی انجام می‌شود، بسیار ناهمگن باقی می‌ماند. مغایرت در دسترس بودن داده‌های (جغرافیایی) در اتحادیه اروپا را می‌توان توسط پلت‌فرم‌های (متا) داده‌های اروپایی، مانند INSPIRE ( https://inspire-geoportal.ec.europa.eu/index.html ) ارزیابی کرد.) یا پورتال اروپایی داده ( https://www.europeandataportal.eu )، نشان می دهد که تعداد کمی از کشورها BSM های دقیق را در مقیاس ملی، بدون محدودیت برای دسترسی عمومی (به عنوان مثال، بلژیک و هلند) ارائه می دهند. در برخی کشورها، داده ها وجود دارد، اما استفاده از آنها به مجوزهای پرداخت محدود می شود (به عنوان مثال، آلمان و اتریش)، در حالی که هیچ داده ای از سهام ساختمان برای سایر کشورها (به عنوان مثال، کرواسی و یونان) در دسترس نیست. در حالی که این پلتفرم‌های داده نمی‌توانند از نظر وجود مجموعه داده‌های ملی در مورد انبار ساختمان جامع باشند، اما نشان می‌دهند که فضای زیادی برای بهبود از نظر دسترسی به داده‌ها وجود دارد.
علاوه بر داده‌های رسمی، داده‌های تولید شده توسط جمعیت از طرح‌هایی مانند پروژه OpenStreetMap ( https://www.openstreetmap.org ) (OSM) به طور مداوم در پوشش مکانی و کیفیت داده افزایش می‌یابد. در حالی که OSM در دسترس بودن گسترده ای از داده ها را برای ردپای ساختمان در شهرهای بزرگتر فراهم می کند، تنها تعداد کمی از ساختمان ها شامل داده هایی در مورد ارتفاع ساختمان یا مساحت طبقه هستند. برای آلمان، برای کمتر از 5 درصد از ساختمان ها، مساحت کف در OSM موجود است. علاوه بر این، ظهورهای کنونی در تجزیه و تحلیل تصویر خودکار از تصاویر سنجش از راه دور می تواند به طور قابل توجهی کار تشخیص ساختمان را تسهیل و سرعت بخشد: آخرین پیشرفت ها در تجزیه و تحلیل داده های بزرگ از طریق تکنیک های یادگیری عمیق [ 26 ] منجر به تغییر پارادایم از نظر دقت برای تجزیه و تحلیل تصویر [27 ، تقسیم بندی معنایی در محیط های شهری متراکم [ 28 ]، و استخراج ساختمان در مقیاس شهر [ 29 ، 30 ]. روش‌های به کارگیری شبکه‌های عصبی کانولوشنال (CNN) برای تقسیم‌بندی معنایی ساختمان‌های منفرد در تصاویر با وضوح بسیار بالا (VHR) [ 29 ، 31 ، 32 ] عملکرد برتر خود را در مقایسه با روش‌های طبقه‌بندی تصویر سنتی ثابت کرده‌اند. علاوه بر این، مایکروسافت با استفاده از شبکه‌های عصبی عمیق، ResNet34 و RefineNet تقریباً 125 میلیون ردپای ساختمانی را از تصاویر هوایی برای کل ایالات متحده ایجاد کرده است [ 33 ].] با دقت بالای 0.85 تقاطع بیش از اتحادیه (IoU). در ترکیب با داده‌های ارتفاع از LiDAR یا مدل‌های سطح دیجیتال (DSM)، CNN‌ها با موفقیت برای تولید مدل‌های سهام ساختمانی استفاده شده‌اند [ 35 ، 36 ]. بنابراین، در مقایسه با نقشه برداری سنتی و پر زحمت زمین یا ردپای ساختمانی دیجیتالی شده دستی، افزایش قابل توجهی در سرعت برای مدل سازی سهام ساختمان در مقیاس بزرگ حاصل می شود. این باعث می‌شود که استفاده از شبکه‌های عصبی عمیق ابزاری امیدوارکننده برای تولید داده‌های ساختمانی مبتنی بر سنجش از دور در مناطق کم داده باشد.
با توجه به آخرین پیشرفت‌ها در تجزیه و تحلیل تصویر مبتنی بر یادگیری عمیق، در این مقاله، ما قابلیت‌های بکارگیری شبکه‌های عصبی عمیق فعلی بر روی داده‌های سنجش از دور برای تولید یک مدل سهام ساختمان را بررسی می‌کنیم و کاربرد آن را برای مدل‌سازی انرژی ساختمان شهری در مقیاس شهر به طور خاص، ما یک شبکه U-net Inceptionresnet را روی تصاویر هوایی با وضوح بالا و DSM اعمال می‌کنیم تا یک مدل ساختمان سه‌بعدی ایجاد کنیم که هندسه ساختمان ( مساحت ردپا و مساحت کف ) را در مقیاس شهر در خود جای دهد. در مرحله بعد، برچسب‌گذاری معنایی نوع ساخت ساختمان ( خانه‌های نیمه‌مسافرت/منفرد، خانه‌های تراس‌دار و خانه‌های چندخانواری را انجام می‌دهیم.) بر اساس پارامترهای مورفومتریک مانند مساحت، شکل، فشردگی، و ارتفاع و غیره با استفاده از رویکرد یادگیری ماشین کم عمق [ 37 ، 38 ، 39 ، 40 ، 41 ]. برای نوع استفاده و سن ساختمان ، ما داده‌های جغرافیایی کمکی را در بلوک شهری و داده‌های سرشماری ادغام می‌کنیم. در مرحله نهایی، مدل‌سازی تقاضای انرژی ساختمان از پایین به بالا را برای هر ساختمان در مقیاس شهر بر اساس داده‌های مشخصه تقاضای انرژی برای ساختمان‌های آلمانی انجام می‌دهیم [ 42 ، 43 ]. اعتبار رویکرد پیشنهادی با استفاده از داده‌های سنجش از دور با مقادیر مدل‌سازی شده رسمی از اطلس انرژی ( https://www.energieatlas.nrw.de ) ارزیابی می‌شود.).
کل گردش کار توسط شهر مونستر، در ایالت فدرال نوردراین وستفالن (NRW) در آلمان، به عنوان یک مطالعه موردی، به منظور ارزیابی قابلیت استفاده و دقت گردش کار پیشنهادی، توصیف شده است. ما مونستر را انتخاب کردیم زیرا یک پایگاه داده باز عالی برای NRW شامل داده‌های تصویر هوایی و داده‌های مرجع برای ارزیابی عملکرد از نظر یک مدل ساختمان دقیق LoD1 و داده‌های انرژی مدل‌سازی‌شده از اطلس انرژی پیدا کردیم. با این حال، گردش کار طوری طراحی شده است که برای سایر شهرها و مناطق جغرافیایی قابل اجرا باشد. به این ترتیب، ما می‌خواهیم با استفاده از روش‌های یادگیری عمیق فعلی برای مدل‌سازی سهام ساختمان در مقیاس شهر برای مدل‌سازی از پایین به بالا تقاضای انرژی ساختمان با استفاده از داده‌های جغرافیایی آزادانه، به ادبیات موجود اضافه کنیم.
نسخه خطی به شرح زیر تنظیم شده است. بخش 2 مجموعه داده های مورد استفاده و روش های به کار گرفته شده برای مدل سازی انبار از تصاویر هوایی و رویکرد مدل سازی برای تقاضای گرما را ارائه می دهد. نتایج و بحث ها به ترتیب در بخش 3 و بخش 4 ارائه شده است. و بخش 5 مقاله را به پایان می رساند.

2. داده ها و روش ها

گردش کار پیشنهادی از سه بخش تشکیل شده است: (1) مدل سازی انبار از تصاویر هوایی و DSM با استفاده از شبکه های عصبی عمیق ( بخش 2.2.1 ). (2) محاسبه پارامترهای ساختمان برای مدل‌سازی انرژی ( بخش 2.2.2 ، بخش 2.2.3 و بخش 2.2.4 ). و (3) مدل سازی از پایین به بالا تقاضای انرژی ساختمان ها ( بخش 2.3 ). گردش کار کلی، شامل سه بخش آن، در شکل 1 نشان داده شده است. سایت مطالعه مونستر در ایالت فدرال نوردراین-وستفالن در شمال غربی آلمان واقع شده است. این شهر با حدود 320000 نفر جمعیت، رشد شعاعی شهری را در دهه های گذشته تجربه کرده است. این یک ساختار فضایی شهری تک مرکزی با یک مرکز شهر تاریخی است که به طور شعاعی توسط الحاقات شهری از دوره های ساخت و ساز متوالی احاطه شده است. بنابراین، مورفولوژی شهر شامل انواع ساختمان های مشخصه مرتبط است، به عنوان مثال، توسعه بلوک در مرکز، و همچنین خانه های مستقل (نیمه) مستقل در حومه شهر یا توسعه های بزرگ منطقه های صنعتی در حاشیه شهر. در مجموع، منطقه مورد مطالعه 51 کیلومتر مربع را پوشش می دهد که حدود 14800 ساختمان مسکونی را در خود جای داده است.

2.1. داده ها

برای تولید مدل سهام ساختمان، ما ارتفتوهای دیجیتال را با وضوح 10 سانتی متر و یک مدل سطح دیجیتال نرمال شده (nDSM) در فاصله نمونه برداری از زمین 1 متر مستقر کردیم. برای اهداف آموزشی و اعتبارسنجی، ما به داده‌های جغرافیایی در دسترس عموم از پورتال داده‌های جغرافیایی باز NRW ( https://www.opengeodata.nrw.de ) ( جدول 1 ) تکیه کردیم. تمایز نوع کاربری بر اساس داده‌های کاربری اراضی شهری در سطح بلوک‌های شهری است. برای ارزیابی دقت هندسی BSM تولید شده، ما یک مدل ساختمان رسمی LoD1 را به کار بردیم که در مقیاس ملی در قالب استاندارد BSM زبان نشانه گذاری جغرافیایی شهر (CityGML) در دسترس بود. مجموعه داده به روز شده سالانه شامل داده هایی در مورد هندسه ساختمان، مانند مساحت و ارتفاع است.
برای داده‌های مربوط به ساختمان‌ها، ما داده‌هایی را از پایگاه داده سرشماری آلمان گنجانده‌ایم که در آن، در میان پارامترهای اجتماعی-جمعیت‌شناختی، داده‌های مربوط به سن ساختمان و نوع ساخت نیز در سطح محله در سلول‌های شبکه 100×100 متر ذخیره می‌شوند ( شکل 2 ). در نهایت، ما از داده‌های اطلس انرژی NRW به عنوان منبعی برای اعتبارسنجی مدل‌سازی انرژی استفاده کردیم.

2.2. مدلسازی سهام ساختمان

2.2.1. استخراج ساختمان از تصاویر هوایی با استفاده از یادگیری عمیق

تقسیم بندی معنایی فرآیند نمایش هر پیکسل از یک تصویر با کلاس معنایی آن است، به عنوان مثال، ساختمان ها، پوشش گیاهی، و غیره. در سال های اخیر، استفاده از شبکه های عصبی کانولوشن (CNN) یک تغییر پارادایم برای وظایف طبقه بندی صحنه معرفی کرده است. اولین بار توسط [ 44 ] معرفی شد، شبکه های کاملاً کانولوشنال (FCNs) لایه های کاملاً متصل یک CNN سنتی را با پیچیدگی های گشاد شده برای تقسیم بندی معنایی جایگزین می کنند. در [ 45]، رویکرد کاملاً کانولوشنال با استفاده از یک مسیر انقباضی برای گرفتن زمینه گسترش یافت و یک مسیر متقارن گسترش یافته برای نمونه‌برداری مجدد اطلاعات به تصویر ورودی اصلی اضافه شد. این رویکرد رمزگذار-رمزگشا آینه‌ای اجازه می‌دهد تا یک روش نمونه‌برداری با دانه‌ریزی را انجام دهد و CNN‌های جدیدتر را قادر می‌سازد تا برای وظیفه تقسیم‌بندی معنایی اعمال شوند. در حالی که شبکه های اولیه به رمزگذار vgg16 [ 46 ] متکی بودند، امروزه مدل های پیشرفته تری پیشنهاد شده است. در GoogLeNet [ 47]، همچنین به عنوان اولین نسخه از خانواده Inception نامیده می شود، CNN اجازه می دهد تا عمق و عرض شبکه را با استفاده از کانولوشن های 1×1 به عنوان راهی برای کاهش ابعاد درون شبکه برای حذف تنگناهای محاسباتی افزایش دهد. . شبکه از ماژول های Inception، از نظر رویکرد شبکه در شبکه [ 48 ] استفاده می کند. اندازه های فیلتر 1 × 1، 3 × 3 و 5 × 5 را که روی هم قرار گرفته اند ترکیب می کند. این مفهوم در چندین نسخه از CNN Inception بیشتر گسترش یافته است. از طریق پیشرفت‌های بیشتر، Inception v4 [ 49 ] که با نام Inceptionresnet نیز شناخته می‌شود، معرفی شد که با اتصالات باقی‌مانده آموزش داده می‌شود. این فرآیند توسط معماری ResNet اقتباس شد [ 50] و به طور قابل توجهی آموزش شبکه Inceptionresnet را تسریع کرد. شبکه‌های Inceptionresnet همچنین می‌توانند از شبکه‌های Inception گران‌قیمت مشابه بدون اتصالات باقی‌مانده عملکرد بهتری داشته باشند.
در این مطالعه، ما یک رویکرد U-net Inceptionresnetv2 برای استخراج ساختمان پیشنهاد می‌کنیم. معماری در شکل 3 نشان داده شده است. معماری U-net از رویکرد رمزگذار-رمزگشا استفاده می کند. در طول مرحله رمزگذار، شبکه نمایش ویژگی ها را می آموزد، در حالی که رمزگشا تعداد زیادی از کانال های ویژگی را برای انتشار اطلاعات به لایه های با وضوح بالاتر نمونه برداری می کند. Inceptionresnetv2 به عنوان ستون فقرات U-net عمل می کند و در مرحله رمزگشا منعکس می شود. داده‌های ورودی شامل تکه‌های تصویری با ابعاد 224 × 224 × 5 است. در طول ساقه CNN، کانولوشن‌های متعدد و عملیات ادغام یک تانسور به اندازه 28 × 28 × 320 را تغییر می‌دهند. در بلوک دوم U-net-Inceptionresnetv2 ، پنج ماژول Inception از نوع A تکرار می شوند. ماژول Reduction A یک تانسور به اندازه 14 × 14 × 1088 تشکیل می دهد. ماژول Inception B ده بار برای یادگیری بیشتر ویژگی های سطح متوسط ​​تکرار می شود، در حالی که در ماژول کاهش B، تانسوری به اندازه 7 × 7 × تولید می کند. 2080. ماژول آغازین C پنج بار تکرار می شود و گلوگاه، نشان دهنده تقاطع بین رمزگذار و رمزگشا، رویکرد U-net است. از آنجا به بعد، رمزگشا بازنمونه های ویژگی های آموخته شده را به تصویر ورودی اصلی، از جمله ارتفاع و عرض آن، نمونه برداری می کند. در طول فاز رمزگشا، هر بلوک با تانسور نمونه‌برداری شده بلوک قبلی به هم متصل می‌شود. بنابراین، رویکرد U-net شامل نمایش‌های ویژگی‌های آموخته‌شده نه تنها از نمونه‌برداری با کانولوشن‌های انتقال‌یافته، بلکه همچنین از اتصالات پرش رمزگشا، به منظور اطمینان از یک نقشه پیش‌بینی دقیق است. رمزگشا بازنمونه های ویژگی های آموخته شده را به تصویر ورودی اصلی از جمله ارتفاع و عرض آن بازمی گرداند. در طول فاز رمزگشا، هر بلوک با تانسور نمونه‌برداری شده بلوک قبلی به هم متصل می‌شود. بنابراین، رویکرد U-net شامل نمایش‌های ویژگی‌های آموخته‌شده نه تنها از نمونه‌برداری با کانولوشن‌های انتقال‌یافته، بلکه همچنین از اتصالات پرش رمزگشا، به منظور اطمینان از یک نقشه پیش‌بینی دقیق است. رمزگشا بازنمونه های ویژگی های آموخته شده را به تصویر ورودی اصلی از جمله ارتفاع و عرض آن بازمی گرداند. در طول فاز رمزگشا، هر بلوک با تانسور نمونه‌برداری شده بلوک قبلی به هم متصل می‌شود. بنابراین، رویکرد U-net شامل نمایش‌های ویژگی‌های آموخته‌شده نه تنها از نمونه‌برداری با کانولوشن‌های انتقال‌یافته، بلکه همچنین از اتصالات پرش رمزگشا، به منظور اطمینان از یک نقشه پیش‌بینی دقیق است.
با توجه به تنظیم دودویی کار، U-net Inceptionresnetv2 با استفاده از از دست دادن آنتروپی متقاطع باینری و بهینه ساز Adam (تخمین لحظه تطبیقی) [ 51 ] آموزش داده شد.] برای به حداقل رساندن تلفات و دارای حدود 62 M پارامتر قابل آموزش است. تنظیم فراپارامتر منجر به تنظیمات زیر شد: (الف) برای افزایش تعداد ویژگی‌ها، هفت الگوریتم تقویت تصویر پیاده‌سازی شد (به عنوان مثال، چرخش افقی یا محو کردن کاشی‌های تصویر). (ب) وزن‌های کلاس برای تأکید بر اهمیت بالاتر ساختمان‌ها (1 برای پس‌زمینه و 2 برای ساختمان‌ها) تنظیم شد و علاوه بر این، بر اساس GPU موجود و مقدار زمان محاسباتی، اندازه دسته روی 8 تنظیم شد. و (ج) برای آموزش، ما 100 دوره تعیین کردیم، اما توقف زودهنگام را برای جلوگیری از برازش بیش از حد در نظر گرفتیم و نرخ یادگیری رو به زوال در فلات با مقدار اولیه 0.0001 مورد استفاده قرار گرفت، که پس از یک صبر مجموعه ای 2 با ضریب 0.2 کاهش یافت. بنابراین، شبکه پس از 10 دوره، یادگیری را متوقف کرد. برای آموزش U-net Inceptionresnetv2، موزاییک Orthophoto کل منطقه مورد مطالعه شهر مونستر به 93417 تکه تصویر با ابعاد 224 × 224 × 5 و کانال های ارتفاع قرمز، سبز، آبی، مادون قرمز و nDSM تقسیم شد. علاوه بر این، برای اعتبار سنجی و آزمایش، از 10000 وصله تصویر در مناطق جدا از هم استفاده شد تا از یک رویکرد یادگیری قوی اطمینان حاصل شود. تکه های تصویر با همپوشانی 50 درصدی در جهت x و y تقسیم شدند که منجر به چهار پیش بینی همپوشانی برای هر پیکسل شد. خروجی نهایی با استفاده از اپراتور اکثریت برای دستیابی به استحکام بالاتر تولید شد. دقت ردپای ساختمان مشتق شده توسط تقاطع بیش از اتحادیه (IoU) ارزیابی شد. این به عنوان اندازه تقاطع بین حقیقت زمین و نقشه طبقه بندی شده، تقسیم بر اندازه اتحاد مجموعه های نمونه تعریف می شود. در آخرین مرحله، مقدار میانگین ارتفاع تمام پیکسل‌ها از nDSM که در داخل یک ساختمان قرار می‌گیرند برای هر ردپای ساختمان استخراج‌شده محاسبه شد، که منجر به یک مدل انبار ساختمان LoD-1 در سطح شهر شد. مصنوعات کوچک با یک آستانه مبتنی بر اندازه حذف شدند و ردپای ساختمان با استفاده از عملگرهای ریاضی، مانند بسته شدن و باز کردن، پس پردازش شدند.52 ]. در نهایت، نوع کاربری بر اساس داده های کاربری زمین فدرال در سطح بلوک شهری استخراج شد ( جدول 1 ).
2.2.2. هندسه ساختمان

یک پارامتر کلیدی برای مدل سازی تقاضای انرژی، اندازه ساختمان است. در مدل انرژی به عنوان مساحت کل طبقه استفاده شد که مقدار ضرب مساحت ردپا در تعداد طبقات است. تعداد طبقات از ارتفاع ساختمان ( بخش 2.2.1 ) با استفاده از ارتفاع استاندارد تعمیم یافته طبقات از مطالعات مرتبط برای آلمان استخراج شد [ 53 ، 54 ]. سپس از تعداد طبقات برای محاسبه مساحت کل FA استفاده شد:

افA = A ∗  nf،افآ = آ∗��،

جایی که آآناحیه ردپا است و nf��تعداد طبقات است.

2.2.3. برچسب گذاری معنایی نوع ساخت
ساختمان های سه بعدی تولید شده از مرحله استخراج ساختمان قبلی به عنوان یکی از سه نوع ساخت و ساز اصلی مرتبط با تقاضای انرژی طبقه بندی شدند: (الف) خانه های (نیمه) مستقل (S-DH). (ب) خانه های تراس دار (TH)؛ و ج) خانه های چند خانواده (MFH) ( شکل 4 ). طبقه بندی با رویکرد جنگل تصادفی نظارت شده (RF) بر اساس ویژگی های مورفومتریک ساختمان و داده های سرشماری [ 55 ] انجام شد. Random Forest یک طبقه‌بندی کننده گروهی است که به طور گسترده اعمال می‌شود با ورودی بسیار کمی کاربر و تنظیم پارامتر، که کاربرد آن را بسیار ساده و ساده می‌کند، و به طور کلی دقت بسیار خوبی را به دست می‌دهد [ 56 ]]. برای هر ساختمان، 24 پارامتر مورفومتریک شامل پارامترهای ساده مانند مساحت و محیط یا ویژگی های پیچیده تر، محاسبه شد. شرح مفصلی از ویژگی های مورفومتریک و گردش کار به ترتیب در جدول 2 و در [ 38 ، 57 ] و در [ 58 ] ارائه شده است.
برای آموزش و اعتبار سنجی طبقه‌بندی‌کننده جنگل تصادفی، از اطلاعات نوع ساختمان از سرشماری استفاده شد: در مرحله اول، سلول‌های شبکه سرشماری همگن با تنها یک نوع ساختمان جستجو شد و تمام ساختمان‌های محصور فضایی این سلول شبکه‌ای به این ساختمان اختصاص یافت. نوع مجموعه آموزشی و مرجع تولید شده شامل 1179 ساختمان در کل است: S-DH: 702; TH: 233 و MFH: 244. مدل RF بر روی این سه کلاس آموزش داده شد و ویژگی‌های مورفومتریک با 50 درصد ساختمان‌های مرجع و 50 درصد از ساختمان‌های مرجع برای اعتبار سنجی نگهداری شدند. در مرحله بعد، مدل RF آموزش دیده برای کل مدل انبار ساختمان برای محل مطالعه اعمال شد، که در نتیجه هر ساختمان مسکونی به یکی از سه کلاس اختصاص داده شد. n–√�زیر مجموعه ویژگی برای هر درخت
2.2.4. تفکیک دوره ساخت و ساز
علاوه بر اندازه ساختمان و نوع ساخت، دوره ساخت به عنوان یکی دیگر از اطلاعات مهم برای مدل سازی انرژی ساختمان در نظر گرفته می شود. اطلاعات مربوط به دوره ساخت و ساز در پایگاه داده سرشماری، همچنین در سطح شبکه 100 × 100 متر گزارش شده است ( شکل 2 ). برخلاف نوع ساختمان، دوره ساخت و ساز در سطح شبکه انبوه را نمی توان به طور مستقیم با ساختمان های فردی با سطح اطمینان بالا مرتبط کرد [ 59 ]]. بنابراین، تفکیک دوره ساخت و ساز بر اساس اکثریت آرا انجام شد، که در آن به هر ساختمان در یک سلول شبکه، بیشترین سال ساخت گزارش شده برای هر سلول شبکه سرشماری اختصاص داده شد. در موارد نادر برابری، آخرین سال ساخت تعیین شد. با 52 درصد، اکثریت تمام 2227 سلول شبکه در منطقه مورد مطالعه تنها یک دوره ساخت و ساز را گزارش کردند. فقط 32% دو کلاس را گزارش کردند و برای نیمی از آن سلول های شبکه، یک کلاس سال ساخت به شدت بر دیگری (15%) برتری داشت. در 298 سلول شبکه (13٪)، سه سال ساخت گزارش شد، با یک کلاس غالب در 188 سلول (8٪). تنها در 76 (3%) از سلول های شبکه، بیش از سه کلاس سنی ساختمان گزارش شده است.

2.3. مدلسازی تقاضای گرمای ساختمان

مدل‌سازی تقاضای حرارت ساختمان بر اساس پارامترهای هندسه ساختمان ( بخش 2.2.1 و بخش 2.2.2 )، نوع کاربری ( بخش 2.2.1 )، نوع ساخت ( بخش 2.2.3 )، و دوره ساخت ( بخش 2.2.4 ) است. . این روش یک گردش کار ایجاد شده در UBEM است که این پارامترهای ساختمانی را به جداول مشخصه تقاضای انرژی در آلمان از موسسه آلمانی مسکن و محیط زیست (IWU) مرتبط می کند [ 60 ، 61 ]. این مطالعات تقاضای انرژی ساختمان را برای هر یک از انواع ساخت و ساز فرض می کند((نیمه) خانه های مستقل (S-DH)، خانه های تراس دار (TH) و خانه های چندخانواری (MFH))، برای هر دوره ساخت و ساز ، و برای سه سناریو بازسازی: (1) وضعیت موجود. (2) نوسازی معمولی؛ و (3) نوسازی پیشرفته ( جدول 3). مدل سازی تقاضای انرژی ساختمان بر اساس تقاضای کل گرما است. نیازهای انرژی خاص، همانطور که در جداول IWU با توجه به دوره ساخت و ساز گزارش شده است، به طور کلی تا حد زیادی با دوره های ساخت و ساز در سرشماری آلمان مطابقت دارد. علاوه بر این، تقاضای انرژی مشخصه در جداول برای سناریوهای مختلف بازسازی گزارش شده است: وضعیت موجود بدون هیچ گونه بازسازی حرارتی. نوسازی معمولی با بازسازی حرارتی جزئی، به عنوان مثال، پنجره ها. و بازسازی پیشرفته، شامل بازسازی حرارتی کامل از جمله سقف و دیوارها. کل تقاضای گرما اچتیاچتیبر حسب کیلووات ساعت در هر ساختمان بر اساس تقاضای گرمایی مشخصه مدل‌سازی شد اچاچ، مساحت کف افآافآو یک ثابت ( https://enev-online.org/enev_2009_volltext/enev_2009_anlage_01_anforderungen_an_wohngebaeude.pdf ) برای تعداد طبقات nf��. تقاضای گرما اچاچتابعی از نوع ساخت است c tجتیو دوره ساخت ج صجپ( جدول 3 را ببینید ).

اچتی = اچ ( c t , c p ) ∗ FA ∗  { 0.76 ، i f   nf≤ 3  0.8 ، i f   nf> 3اچتی = اچ(جتی،جپ)∗افآ∗ { 0.76 ، من� ��≤3  0.8 ، من� ��>3

3. نتایج

در این بخش، نتایج مربوط به مدل‌سازی سهام ساختمان ( بخش 3.1 ) و مدل‌سازی تقاضای انرژی ( بخش 3.2 ) ارائه می‌شود. علاوه بر این، ما یک ارزیابی دقیق از دقت‌های هندسی و معنایی برای مدل ساختمان و همچنین برای تقاضای انرژی مدل‌سازی شده انجام می‌دهیم.

3.1. مدلسازی سهام ساختمان

3.1.1. استخراج ساختمان از تصاویر هوایی با استفاده از U-net Inecptionresnetv2

پس از اینکه U-net آموزش دیده Inceptionresnetv2 روی همه 93417 تکه تصویر هوایی اعمال شد، هر یک از تکه های با ابعاد 224 × 224 پیکسل به یک طبقه بندی باینری تقسیم شدند: ساختمان ها با “مقدار 1” و پس زمینه با برچسب گذاری شدند. ‘مقدار 0’. نمونه‌هایی از نمایش‌های بصری ردپای ساختمان استخراج‌شده، ردپای ساختمان مرجع، و تصاویر هوایی در شکل 5 برای مورفولوژی‌های مختلف ساختمان نشان داده شده‌اند.
مقایسه بصری ردپای ساختمان استخراج شده و ردپای ساختمان مرجع نشان داد که، در یک سطح کلی، می‌توانیم توافق خوبی بین هندسه‌های ساختمان استخراج‌شده و داده‌های مرجع برای همه انواع ساخت‌وساز مشاهده کنیم. این مشاهدات با ارزیابی دقیق دقیق خروجی پشتیبانی می‌شود، جایی که ما عملکرد روش استخراج ساختمان و ردپای ساختمان مرجع را با استفاده از معیارهای استاندارد یادگیری ماشینی، مانند دقت، یادآوری، امتیاز F1 و تقاطع مقایسه کردیم. اتحادیه (IoU). همه مقادیر عملکرد بسیار خوبی را برای استخراج ساختمان گزارش می‌کنند: دقت 0.88 و فراخوانی 0.87، با امتیاز F1 0.87 و IoU 0.77. به طور کلی، ما یک قابلیت اطمینان بالا و اشتباهات کم در کمیسیون پیدا کردیم،دقت ) و تنها تعداد بسیار کمی از ساختمان ها تولید شدند که در داده های مرجع نشان داده نشدند ( مثبت کاذب ).
علاوه بر این، یک ارزیابی دقیق از مثبت کاذب و منفی کاذب در سطح پیکسل نشان داد که برخی از خطاهای گزارش شده در ارزیابی دقت مربوط به عملکرد U-net Inceptionresnetv2 برای استخراج ساختمان نیست، بلکه به عدم دقت هندسی بین مرجع مربوط می شود. ردپای ساختمان LoD-1 و ارتفتو دیجیتال ( شکل 6). از آنجایی که ارتفتوها به یک نادر کامل ارجاع نمی‌شوند، ساختمان‌ها نه تنها با سقف‌هایشان (رد پا)، بلکه برخی از قسمت‌های نما که قابل مشاهده هستند، نشان داده می‌شوند، در حالی که ساختمان‌های مرجع فقط با ردپای آنها نشان داده می‌شوند. بنابراین، برای هر ساختمان، چند پیکسل به عنوان مثبت کاذب و چند پیکسل به عنوان منفی کاذب شناسایی می شوند، بنابراین بر توافق بین ساختمان های استخراج شده و ساختمان های مرجع تأثیر می گذارد. علاوه بر این، ساختمان‌های ثانویه کوچک، به عنوان مثال، در حیاط خلوت یا گاراژ، به دلیل مساحت کوچک و ارتفاع کم، مستعد نگاتیوهای کاذب هستند. شکل 6نمونه ای از ساختمان استخراج شده را نشان می دهد که بخشی از داده های مرجع نیست اما در تصویر هوایی وجود دارد. با این حال، به طور کلی، تنها تعداد بسیار کمی از موارد مثبت کاذب و منفی کاذب به تناقضات زمانی بین مجموعه داده‌ها مربوط می‌شوند ( جدول 1 )، زیرا نسبتاً، تنها تعداد کمی از ساختمان‌ها تازه ساخته یا در بازه زمانی دو ساله تخریب شده‌اند.
منبع خطای دیگر نیز به داده های ورودی مربوط می شود: تصاویر هوایی در طول فصل برگ به دست آمده اند، بنابراین تاج های درختی که سقف ساختمان های پایین تر را می پوشانند بر تشخیص ساختمان با استفاده از U-net Inceptionresnetv2 تأثیر می گذارد زیرا پیکسل هایی با بازتاب بالا در طیف مادون قرمز به عنوان پوشش گیاهی تفسیر شد.
3.1.2. برچسب گذاری معنایی انواع ساخت و ساز
بر اساس طبقه بندی کننده RF و 24 پارامتر مورفومتریک ساختمان، هر ساختمان در مدل سهام ساختمان به یکی از سه نوع ساخت S-DH، TH، و MFH اختصاص داده شد ( شکل 5 d,h,i). در مقایسه با داده های مرجع، دقت طبقه بندی کننده RF با دقت بسیار بالای 0.96 برای دقت کلی و مقدار کاپا 0.93 گزارش شده است. دقت هر کلاس به عنوان امتیاز F1 0.98 ( S-DH )، 0.91 ( TH )، و 0.96 ( MFH ) گزارش شده است که نشان دهنده نمایش خوبی از پارامترهای مورفومتریک برای انواع ساخت و ساز است. ماتریس سردرگمی برای ارزیابی دقت با داده های اعتبار سنجی در جدول 4 ارائه شده است.
این ارزیابی‌های کمی عملکرد نیز با نمایش گرافیکی محدوده مقادیر برای همه پارامترهای مورفومتریک ارائه شده به‌عنوان نمودارهای جعبه‌ای در شکل 7 پشتیبانی می‌شوند . برای اکثر پارامترها، مقادیر نوع ساخت S-DH به طور قابل توجهی از مقادیر TH و MFH قابل تشخیص است. محدوده ارزش ویژگی برای TH و MFH شبیه تر است. با این حال، ارتفاع ساختمان به عنوان یک جداکننده قابل اعتماد از این دو طبقه عمل می کند. یک نمای دقیق در مورد اهمیت هر پارامتر مورفومتریک ( شکل 8 ) بر این مشاهدات تأکید می کند، با ارتفاع و حجم بسیار مرتبط با برچسب گذاری معنایی انواع ساخت و ساز.

3.2. مدل سازی تقاضای گرما

3.2.1. سطح شبکه

تقاضای گرما برای هر ساختمان جداگانه بر اساس جداول با نیازهای انرژی مشخصه از جدول 3 و معادله (2) مدل شد. جداول شامل تقاضاهای حرارتی مشخصه برای سه سناریو بازسازی وضعیت موجود، نوسازی معمولی و نوسازی پیشرفته است. برای تجزیه و تحلیل پتانسیل صرفه جویی انرژی هدفمند در هر، به عنوان مثال، نوع ساخت و ساز یا دوره ساخت، ما از هر سه سناریو برای تجزیه و تحلیل مقاوم سازی در مقیاس شهر استفاده کردیم. به این ترتیب، تقاضای گرما بر حسب کیلووات ساعت در هر ساختمان به‌دست آمد و سپس به سلول‌های شبکه‌ای 100×100 متر تجمیع شد ( شکل 9).). این شکل در a,b,c منطقه ای را در مرکز شهر و اطراف آن با ساختمان های بزرگ و قدیمی در حالت موجود و بدون هیچ گونه بازسازی حرارتی به تصویر می کشد. بنابراین تقاضای گرمایی بسیار بالایی برای این منطقه گزارش شده است. اینها همچنین با بازسازی معمولی و پیشرفته نسبتاً بالا هستند. مثال دیگر در d,e,f بر خانه‌های (نیمه) مجزا در توسعه‌های حومه شهری با تقاضای گرمای قابل توجه کمتر برای هر سه حالت نوسازی تمرکز دارد.
3.2.2. مقیاس شهر
در حالی که تقاضای گرما در سطح سلول شبکه 100 متری امکان تجزیه و تحلیل دقیق مناطق در شهر با تقاضای انرژی بالا را فراهم می کند، تجزیه و تحلیل در مقیاس شهر پتانسیل صرفه جویی در انرژی را با توجه به انواع ساخت و ساز و سناریوهای نوسازی نشان می دهد. شکل 10 ، در سمت چپ، میانگین تقاضای انرژی در تمام ساختمان‌ها در منطقه مورد مطالعه را برای هر نوع ساخت و ساز با توجه به سه سناریوی نوسازی نشان می‌دهد. در حالی که خانه های (نیمه) مجزا کمترین نیاز انرژی را به طور متوسط ​​نشان می دهند، به دلیل نیازهای انرژی ویژه کمتر ( جدول 3)) و مساحت‌های طبقه کوچک‌تر، در واقع به بخش بزرگ‌تری از کل تقاضای انرژی برای کل منطقه مورد مطالعه کمک می‌کنند، زیرا بیشتر از دو نوع ساختمان دیگر رخ می‌دهند. با این حال، از نظر صرفه جویی مطلق به دلیل کاهش تقاضای گرما پس از بازسازی پیشرفته، خانه های چند خانواده بیشترین سهم را دارند.
3.2.3. نوع ساخت و ساز و دوره ساخت
علاوه بر تقاضای حرارتی مشخصه برای هر نوع ساخت و ساز، دوره ساخت و ساز یک متغیر ورودی مهم برای مدل سازی تقاضای گرما را نشان می دهد. تغییرات قابل توجه تقاضای گرمای ویژه برای هر سال ساخت و ساز، دید متنوعی را در مورد تقاضای انرژی ساختمان ها ایجاد می کند ( شکل 11 ). نسبتاً، MFH بیشترین تقاضای انرژی را برای اولین سال ساخت و ساز (قبل از 1919) دارد. با این حال، این بیشتر به این دلیل است که اکثر MFH به عنوان توسعه محیطی بلوک در اطراف مرکز شهر تاریخی ساخته شده است. با کاهش سن ساختمان، می توان تقاضای گرمایی همگرا را برای هر نوع ساخت و ساز مشاهده کرد، به ویژه برای دوره های ساخت و ساز پس از سال 1978. امسال تاریخ مهمی با توجه به تقاضای انرژی ساختمان است زیرافرمان عایق حرارتی آلمان – اولین مقررات مشمول قانون عمومی برای صرفه جویی در انرژی – در این زمان اجرا شد [ 62 ]. فاز ساخت و ساز بین پایان جنگ جهانی اول تا پایان دهه 1970 با تقاضای انرژی بسیار بالا به ویژه برای MFH مشخص می شود. در حالی که تقاضای انرژی ویژه برای این مرحله ساخت و ساز به طور قابل توجهی بیشتر از سال های ساخت و ساز قبلی نیست، این فاز با تعداد زیادی خانه های تازه ساخته مشخص می شود که منجر به تقاضای انرژی تجمعی بالایی برای این دوره می شود.
در مقیاس شهر، ما تقاضای گرمایی کل 1700 × 10 6 کیلووات ساعت در ساعت را برای همه ساختمان ها در سناریوی وضعیت موجود محاسبه کردیم، و کاهش را به 1097 × 10 6 کیلووات ساعت در ساعت برای نوسازی معمول و در نهایت به 544 × 10 6 محاسبه کردیم.kWh/a برای نوسازی پیشرفته. صرفه جویی در انرژی بین سناریوهای نوسازی به ترتیب بین -35٪ از وضعیت موجود تا نوسازی معمول و -50٪ از نوسازی معمولی تا پیشرفته است. زمانی که سناریوی غیرواقعی فرض شود، که در آن همه ساختمان‌ها هنوز در وضعیت موجود خود هستند و تحت بازسازی پیشرفته قرار می‌گیرند، 68 درصد انرژی را می‌توان با نوسازی حرارتی تمام ساختمان‌ها ذخیره کرد. از نظر نوع ساخت، بیشترین پتانسیل صرفه جویی در مصرف انرژی برای خانه های چندخانواری مشاهده شد. تا 741 × 10 6 kWh/a را می توان بین وضعیت موجود و بازسازی پیشرفته و 139 × 10 6 kWh/a برای بازسازی معمولی به نوسازی پیشرفته ذخیره کرد.
با توجه به دوره ساخت و ساز، صرفه جویی در تقاضای انرژی برای ساختمان های ساخته شده در دهه 1950-1970 بالاترین بود: در سناریوی وضعیت موجود، مجموعا 106 × 1268 کیلووات ساعت در ساعت مربوط به این دوره ساخت و ساز بود . 814 × 10 6 کیلووات ساعت در ساعت در نوسازی معمول. و 407 × 10 6 kWh/a در سناریوی بازسازی پیشرفته.
3.2.4. مقایسه با اطلس انرژی NRW
ارزیابی اعتبار نتایج برای مدل‌سازی انرژی ساختمان شهری یک کار چالش‌برانگیز در نظر گرفته می‌شود زیرا داده‌های دنیای واقعی در مورد تقاضای انرژی اغلب به دلیل حفظ حریم خصوصی داده‌ها در دسترس نیستند. بعلاوه، تنوع زیادی از رویکردهای مختلف برای مدل‌سازی انرژی وجود دارد، به این معنی که تفسیر مقایسه‌های دو مجموعه داده مدل‌سازی شده باید با احتیاط در نظر گرفته شود. با این حال، به عنوان اثبات مفهوم، نتایج مدل‌سازی تقاضای گرما را با تقاضای گرمایی مدل‌سازی شده برای شهر مونستر از اطلس انرژی ایالت فدرال نوردراین وستفالن (www.energieatlas.nrw.de) مقایسه کردیم. مقایسه مستقیم تقاضای گرمای مدل‌سازی شده در سطح سلول شبکه 100×100 متر در شکل 12 نشان داده شده است.. کل تقاضای گرمای مشتق شده از اطلس انرژی 1268 × 10 6 کیلووات ساعت در ساعت گزارش شده است و برای مدل انبار ساختمان مبتنی بر یادگیری عمیق، 1080 × 10 6 کیلووات ساعت در ساعت است که تنها حدود 15 درصد کمتر است. علاوه بر این، R 2 از 0.82 نشان دهنده یک توافق خوب بین دو مجموعه داده، برای هر دو تقاضای گرمای بسیار بالا و بسیار کم است. تعداد کمی از سلول‌های شبکه‌ای که رویکرد ما مقادیر نزدیک به صفر را برای آنها گزارش می‌کند، می‌تواند بیشتر به مسئله واحد سطحی قابل تغییر (MAUP) مرتبط باشد، زیرا هندسه‌های ورودی متفاوت برای مدل سهام ساختمان که با مرزهای 100 × 100 قطع شده‌اند. سلول های شبکه ای m علاوه بر این، آنها می توانند به حوزه های فضایی مختلف برای نوع استفاده مرتبط باشند: در حالی که اطلس انرژی تمایز ساختمان‌های مسکونی و غیرمسکونی را در سطح ساختمان‌های فردی در بر می‌گیرد، ما از کاربری زمین در سطح بلوک استفاده کردیم. سایر تفاوت‌ها در روش‌شناسی مربوط به تقاضای گرمایی مشخصه مورد استفاده است: در مدل خود، از آخرین تقاضای گرمایی منتشر شده برای انواع ساخت‌وساز و دوره‌های ساخت از سال 2011 استفاده کردیم ( https://www.iwu.de/fileadmin/publikationen/gebaeudebestand /episcope/2015_IWU_LogaEtAl_Deutsche-Wohngeb%C3%A4udetypologie.pdf صفحه 113-115). در حالی که اطلس انرژی از داده های سال 2003 استفاده کرد ( https://www.iwu.de/fileadmin/publikationen/gebaeudebestand/2003_IWU_BornEtAl_Energieeinsparung-f%C3%BCr-31-Musterh%C3%A4user-der-Gebud%Cصفحه 7). علی‌رغم این تغییرات بین داده‌های ورودی و روش‌ها، توافق کلی خوب بین دو مجموعه داده به‌عنوان اثبات مفهومی برای رویکرد پیشنهادی با استفاده از مدل‌های سهام ساختمان مبتنی بر یادگیری عمیق از عکس‌های ارتوفتو در نظر گرفته می‌شود.
برای توضیح تأثیر منبع داده مدل انبار ساختمان برای مدل‌سازی تقاضای گرما، شکل 13 تقاضای گرمای مدل‌سازی شده را بر اساس مدل سهام ساختمان مبتنی بر یادگیری عمیق و مدل ساختمان رسمی LoD-1 با استفاده از روش و مشخصه مشابه نشان می‌دهد. تقاضای گرما برای هر سه نوع ساخت و ساز مقایسه هر دو مجموعه داده سهام ساختمان تغییرات بسیار کمی را به ترتیب +2.3٪ برای S-DH، +6.6٪ برای TH، و + 0.4٪ برای MFH گزارش می کند.

4. بحث

با توجه به اینکه بیش از نیمی از جمعیت جهان در مناطق شهری زندگی می کنند، شهرها کلید توسعه پایدار هستند. بخش‌های زیادی از مصرف نهایی انرژی و انتشار گازهای گلخانه‌ای به بخش ساختمان‌ها اختصاص می‌یابد، بنابراین کاهش انتشار CO 2 و شهرهای سبزتر را در دستور کار اهداف توسعه پایدار سازمان ملل قرار می‌دهد. به طور خاص، ساختمان های قدیمی به دلیل استانداردهای پایین برای بهره وری انرژی در زمان ساخت، مستعد نیاز به انرژی بالا برای گرمایش هستند. بنابراین، پتانسیل زیادی در نوسازی ساختمان دیده می شود، زیرا اکثریت ساختمان در اتحادیه اروپا قبل از سال 1970 و بنابراین قبل از مقررات حرارتی ساخته شده است [ 4 ]]. مزیت اکولوژیکی و اقتصادی نوسازی حرارتی آشکار است – نوسازی هدفمند ساختمان‌ها با استانداردهای حرارتی پایین طی 15 سال مستهلک می‌شود [ 3 ]. مدل‌های انبار ساختمان در مقیاس شهر می‌توانند به بومی‌سازی مناطق با پتانسیل مقاوم‌سازی بالا از طریق مدل‌سازی انرژی ساختمان‌های شهری کمک کنند. در دسترس بودن مدل های ساختمانی در طول سال های گذشته برای بسیاری از مناطق جهان افزایش یافته است. با این حال، ما هنوز در بسیاری از زمینه ها، به ویژه در کشورهای در حال توسعه، با کمبود (ژئو) داده ها مواجه هستیم. در حالی که تولید داده‌های دستی مدل‌های سهام ساختمان در مقیاس شهر یک کار بسیار پرزحمت و زمان‌بر است، داده‌های سنجش از راه دور جمع‌آوری داده‌های بزرگ، مقرون‌به‌صرفه و به موقع را ارائه می‌دهند. با جدیدترین ظهور تکنیک های تجزیه و تحلیل تصویر از طریق یادگیری عمیق [ 26]، وظیفه استخراج اطلاعات از تصاویر به میزان قابل توجهی در سرعت و دقت افزایش یافته است. در این مطالعه، ما کاربرد مدل‌سازی انبار ساختمان مبتنی بر یادگیری عمیق را از تصاویر هوایی در زمینه مدل‌سازی تقاضای حرارت ساختمان با استفاده از مثال شهر مونستر در نوردراین وستفالن بررسی کردیم.
تقاضای گرمای مدل‌سازی‌شده با داده‌های رسمی تقاضای حرارت مدل‌سازی‌شده از انرژی اطلس NRW در مقیاس یک شبکه فضایی منظم ۱۰۰×۱۰۰ متر مقایسه شد، که نشان‌دهنده سطح بسیار بالایی از توافق بین هر دو مجموعه داده، علی‌رغم برخی تفاوت‌های روش‌شناختی جزئی در دو رویکرد این بینش ها را می توان برای استفاده از تصاویر هوایی در زمینه مدل سازی انرژی بسیار امیدوارکننده دانست. با این وجود، پتانسیل هایی را برای بهبود گردش کار پیشنهادی شناسایی کردیم. اولین جنبه مربوط به فرآیند مدلسازی سهام ساختمان است، جایی که وضوح هندسی داده های ورودی نقش مهمی در به دست آوردن دقت بالا در استخراج ساختمان ایفا می کند. به ویژه برای مناطقی که پوشش ضعیفی از عکس‌های ارتو با وضوح بالا دارند، ظهور اخیر فناوری ماهواره ای که وضوح تصویر هندسی 15 سانتی متری را ارائه می دهد، کار جمع آوری داده های مناسب برای مناطق کم داده را تسهیل می کند. نتایج رویکرد پیشنهادی با استفاده از U-net Inceptionresnetv2 برای استخراج ساختمان، دقت بسیار بالایی را در مقایسه با داده‌های مرجع دقیق، با امتیاز F1 0.87 نشان داد. در حالی که روش استخراج ساختمان نتایج بسیار خوبی ایجاد می کند، برخی انحرافات از داده های مرجع را می توان به تصاویر خارج از نادر اختصاص داد. علاوه بر این، تعمیم هندسی ردپای ساختمان، همانطور که توسط [ با امتیاز F1 0.87. در حالی که روش استخراج ساختمان نتایج بسیار خوبی ایجاد می کند، برخی انحرافات از داده های مرجع را می توان به تصاویر خارج از نادر اختصاص داد. علاوه بر این، تعمیم هندسی ردپای ساختمان، همانطور که توسط [ با امتیاز F1 0.87. در حالی که روش استخراج ساختمان نتایج بسیار خوبی ایجاد می کند، برخی انحرافات از داده های مرجع را می توان به تصاویر خارج از نادر اختصاص داد. علاوه بر این، تعمیم هندسی ردپای ساختمان، همانطور که توسط [33 می تواند به افزایش کیفیت ساختمان های استخراج شده کمک کند.
در حالی که گردش کار پیشنهادی برای شهر مونستر نشان داده شده است تا امکان سنجی عمومی آن را تجزیه و تحلیل کند، به گونه ای طراحی شده است که به طور کلی برای سایر مناطق با توجه به داده های جانبی قابل استفاده باشد. برای مناطق آلمان، تمام داده‌های گنجانده شده برای مدل‌سازی سهام ساختمان در مقیاس ملی در دسترس هستند: عکس‌های ارتو با وضوح بالا و DSM. داده های سرشماری؛ و داده های کاربری زمین داده‌های مرجع استفاده شده از IWU برای مدل‌سازی تقاضای گرما به طور کامل در مقیاس ملی قابل انتقال است و بنابراین مستقیماً برای سایر شهرهای آلمان قابل استفاده است. امکان انتقال گردش کار به کشورهای دیگر مستقیماً با داده‌های ورودی موجود مرتبط است: داده‌های سنجش از راه دور با وضوح بالا در قالب عکس‌های ارتوفتو یا تصاویر هوایی به طور گسترده برای تقریباً تمام مناطق جهان در دسترس هستند.https://land.copernicus.eu/local/urban-atlas ). برای کشورهای دیگر، داده‌های کاربری زمین از پروژه OpenStreetMap با موفقیت برای تخصیص کاربری زمین به ساختمان‌ها ترکیب شده است [ 63 ]. با این حال، یکی دیگر از داده های مهم برای مدل سازی تقاضای انرژی، دوره ساخت و ساز ساختمان است. در حالی که سرشماری آلمان این اطلاعات را در سطح شبکه در 100 × 100 متر ارائه می‌کند، مطالعات مرتبط این اطلاعات را از داده‌های نقشه تاریخی [ 64 ] ویژگی‌های هندسی و فضایی [ 59 ] مدل‌سازی کرده‌اند.
مدل سازی انرژی ساختمان شهری یک زمینه تحقیقاتی بین رشته ای و مهم است. در این مطالعه، ما روش‌های یادگیری عمیق فعلی را برای مدل‌سازی سهام ساختمان به‌عنوان داده‌های ورودی برای مدل‌سازی تقاضای گرما با هدف استفاده از داده‌های سنجش از راه دور برای تسهیل تولید داده‌های حیاتی در ساختمان‌ها در مقیاس شهر به کار بردیم. برای تحقیقات آینده در مورد مدل‌سازی تقاضای گرمای شهری، داده‌های دقیق در مورد مصرف واقعی انرژی در سطح ساختمان به طور قابل‌توجهی دقت مدل‌های مرتبط را افزایش می‌دهد، به عنوان مثال، در قالب داده‌های کنتور هوشمند [ 65 ]. چنین نوع داده‌هایی همچنین می‌توانند کاربرد رویکردهای فعلی را در تحلیل‌های فرامرزی تقویت کنند، که در حال حاضر به مقادیر تقاضای انرژی مرجع محدود شده‌اند [ 66 ].

5. نتیجه گیری ها

با توجه به تغییرات اقلیمی و نقش مهم مناطق شهری برای توسعه آینده، بشر به دنبال فرصت های جدیدی برای کاهش CO2 است .و انتشار گازهای گلخانه ای منابع داده های جدید مانند تصاویر سنجش از دور با وضوح بسیار بالا و فناوری های پیشرفته مانند شبکه های عصبی عمیق می توانند به شهرها و برنامه ریزان شهری کمک کنند تا مصرف انرژی خود را کاهش دهند و در نتیجه به سبزتر کردن مناطق شهری کمک کنند. در عصر حاضر از کلان داده ها، ما به روش های تجزیه و تحلیل داده های سریع و دقیق برای تبدیل داده های روزافزون به اطلاعات مرتبط برای حمایت از برنامه ریزی و مدیریت شهری نیاز داریم. ما همچنین می‌توانیم مشاهده کنیم که شکاف‌های زیادی بین الزامات داده‌های تصمیم‌گیرندگان محلی یا ملی و اطلاعات مورد نیاز برای اجرای اهداف توسعه پایدار وجود دارد. مطالعه ارائه شده در این مقاله می‌تواند با استفاده از داده‌های مشاهده زمین برای تولید داده‌های ورودی دقیق برای مدل‌سازی انرژی ساختمان شهری، به کاهش این شکاف کمک کند.

منابع

  1. آژانس محیط زیست اروپا روندها و پیش بینی ها در اروپا 2015. پیگیری پیشرفت به سمت اهداف اقلیمی و انرژی اروپا . آژانس محیط زیست اروپا: لوکزامبورگ، 2015.
  2. سیلوا، م. اولیویرا، وی. Leal, V. فرم شهری و تقاضای انرژی: مروری بر ویژگی‌های شهری مرتبط با انرژی. جی. پلان. روشن شد 2017 ، 32 ، 346-365. [ Google Scholar ] [ CrossRef ]
  3. BPIE—موسسه عملکرد ساختمان اروپا. بازسازی انبار ساختمان آلمان. ارزیابی اقتصادی از دیدگاه سرمایه گذاران. در دسترس آنلاین: https://bpie.eu/wp-content/uploads/2016/02/BPIE_Renovating-Germany-s-Building-Stock-_EN_09.pdf (در 24 نوامبر 2020 قابل دسترسی است).
  4. EC – کمیسیون اروپا مشخصات سهام ساختمان در دسترس آنلاین: https://ec.europa.eu/energy/en/eu-buildings-factsheets-topics-tree/building-stock-characteristics (در 24 نوامبر 2020 قابل دسترسی است).
  5. هانگ، تی. چن، ی. لو، ایکس. لو، ن. لی، SH ده سوال در مورد مدل سازی انرژی ساختمان شهری. ساختن. محیط زیست 2020 ، 168 ، 106508. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. راینهارت، سی اف. سرزو داویلا، سی. مدل‌سازی انرژی ساختمان شهری – مروری بر یک میدان نوپا. ساختن. محیط زیست 2016 ، 97 ، 196-202. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. چن، ی. هانگ، تی. لو، ایکس. Hooper, B. توسعه مجموعه داده های ساختمان های شهر برای مدل سازی انرژی ساختمان های شهری. انرژی ساخت. 2019 ، 183 ، 252-265. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. سولا، ا. کورچرو، سی. سالوم، جی. Sanmarti، M. ابزارهای شبیه سازی برای ساخت مدل های انرژی در مقیاس شهری: مروری. Energies 2018 , 11 , 3269. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. راسر، جی اف. لانگ، جی. زاخاری، س. بوید، دی اس؛ مائو، ی. رابینسون، دی. مدل سازی سهام مسکن شهری برای شبیه سازی انرژی ساختمان با استفاده از CityGML EnergyADE. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 163. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  10. Fonseca، JA; نگوین، T.-A. شلوتر، آ. Marechal، F. تحلیلگر انرژی شهر (CEA): چارچوب یکپارچه برای تجزیه و تحلیل و بهینه سازی سیستم های انرژی ساختمان در محله ها و نواحی شهر. انرژی ساخت. 2016 ، 113 ، 202-226. [ Google Scholar ] [ CrossRef ]
  11. استوام اشمیت، جی. سرا، دی. داهلک، دی. شوید، اس. Ge، N. گوتچه، جی. هاس، ا. هایدن، یو. اسرائیل، م. کورز، اف. و همکاران تکنیک‌های سنجش از دور برای مدل‌های ساختمانی و مطالعات عملکرد انرژی ساختمان‌ها. در دسترس آنلاین: https://www.researchgate.net/publication/318283747_Remote_sensing_techniques_for_building_models_and_energy_performance_studies_of_buildings (در 24 نوامبر 2020 قابل دسترسی است).
  12. ماستروچی، آ. باوم، او. استازی، ف. لئوپولد، U. تخمین صرفه جویی در انرژی برای سهام ساختمان های مسکونی کل شهر: یک رویکرد کاهش مقیاس آماری مبتنی بر GIS که در روتردام اعمال می شود. انرژی ساخت. 2014 ، 75 ، 358-367. [ Google Scholar ] [ CrossRef ]
  13. اوستربرینگ، ام. ماتا، É. توواندر، ال. منگولد، ام. جانسون، اف. والباوم، اچ. توصیف متمایز شده ساختمان‌ها برای یک مدل ساختمانی از پایین به بالا شهری با ارجاع جغرافیایی. انرژی ساخت. 2016 ، 120 ، 78-84. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. کادن، آر. Kolbe، TH برآورد تقاضای کل انرژی در کل شهر ساختمانها با استفاده از مدل شهری سه بعدی معنایی و داده های آماری. ISPRS Ann. فتوگرام Remote Sens. Spatial Inf. علمی 2013 ، II-2/W1 ، 163-171. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. ما، جی. چنگ، JCP برآورد شدت مصرف انرژی ساختمان در مقیاس شهری با ادغام GIS و فناوری داده های بزرگ. Appl. انرژی 2016 ، 183 ، 182-192. [ Google Scholar ] [ CrossRef ]
  16. ایوانز، اس. لیدیارد، آر. Steadman، P. 3DStock: نوع جدیدی از مدل سه بعدی ساختمان سهام انگلستان و ولز، برای استفاده در تجزیه و تحلیل انرژی. محیط زیست طرح. ب مقعد شهری. علوم شهر 2017 ، 44 ، 227-255. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. چن، ی. هانگ، تی. Piette، MA تولید خودکار و شبیه‌سازی مدل‌های انرژی ساختمان شهری بر اساس مجموعه داده‌های شهر برای تحلیل مقاوم‌سازی ساختمان در مقیاس شهر. Appl. انرژی 2017 ، 205 ، 323-335. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. سوان، ال جی; Ugursal، VI مدل‌سازی مصرف نهایی انرژی در بخش مسکونی: مروری بر تکنیک‌های مدل‌سازی. تمدید کنید. حفظ کنید. انرژی Rev. 2009 ، 13 ، 1819-1835. [ Google Scholar ] [ CrossRef ]
  19. لی، دبلیو. ژو، ی. سیتین، ک. ایوم، جی. وانگ، ی. چن، جی. Zhang, X. مدلسازی استفاده از انرژی ساختمانهای شهری: مروری بر رویکردها و روشهای مدلسازی. انرژی 2017 ، 141 ، 2445-2457. [ Google Scholar ] [ CrossRef ]
  20. جوهری، ف. پروناتو، جی. صادقیان، پ. ژائو، ایکس. Widén، J. مدل سازی انرژی ساختمان شهری: وضعیت هنر و چشم اندازهای آینده. تمدید کنید. حفظ کنید. Energy Rev. 2020 , 128 , 109902. [ Google Scholar ] [ CrossRef ]
  21. نوول، آر. ماستروچی، آ. لئوپولد، یو. باوم، او. کورز، وی. Eicker، U. ترکیب مدل‌های آماری و مهندسی مبتنی بر GIS مصرف گرمای شهری: به سوی چارچوبی جدید برای پشتیبانی از سیاست‌های چند مقیاسی. انرژی ساخت. 2015 ، 107 ، 204-212. [ Google Scholar ] [ CrossRef ]
  22. کروگر، آ. Kolbe، تحلیل ساختمان های TH برای برنامه ریزی انرژی شهری با استفاده از شاخص های کلیدی در مدل های شهر سه بعدی مجازی. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2012 ، XXXIX-B2 ، 145-150. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. بک، ا. لانگ، جی. بوید، دی اس؛ راسر، جی اف. مورلی، جی. دافیلد، آر. ساندرسون، ام. رابینسون، دی. معیارهای طبقه‌بندی خودکار برای مدل‌سازی انرژی ساختمان‌های مسکونی در بریتانیا با الگوریتم‌های باز . محیط زیست طرح. ب مقعد شهری. علوم شهر 2020 ، 47 ، 45-64. [ Google Scholar ] [ CrossRef ]
  24. آکسوزن، م. دانیل، م. هاسلر، یو. کوهلر، ن. سن ساختمان به عنوان شاخصی برای مصرف انرژی. انرژی ساخت. 2015 ، 87 ، 74-86. [ Google Scholar ] [ CrossRef ]
  25. الحموی، ع. مدجروبی، و. فوگت، تی. Agert، C. OpenStreetMap داده ها در مدل سازی زیرساخت انرژی شهری: اولین ارزیابی و تحلیل. در مجموعه مقالات نهمین کنفرانس بین المللی انرژی کاربردی، ICAE2017، کاردیف، انگلستان، 21 تا 24 اوت 2017. [ Google Scholar ]
  26. LeCun، Y.; بنژیو، ی. هینتون، جی. یادگیری عمیق. طبیعت 2015 ، 521 ، 436-444. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. زو، XX; تویا، دی. مو، ال. Xia، G.-S. ژانگ، ال. خو، اف. Fraundorfer، F. یادگیری عمیق در سنجش از دور: بررسی جامع و فهرست منابع. IEEE Geosci. سنسور از راه دور Mag. 2017 ، 5 ، 8-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. ورم، م. استارک، تی. زو، XX; ویگاند، ام. Taubenböck، H. بخش‌بندی معنایی زاغه‌ها در تصاویر ماهواره‌ای با استفاده از یادگیری انتقال در شبکه‌های عصبی کاملاً پیچیده. ISPRS J. Photogramm. Remote Sens. 2019 ، 150 ، 59–69. [ Google Scholar ] [ CrossRef ]
  29. استیلر، دی. استارک، تی. ورم، م. دچ، اس. Taubenbock، H. استخراج ساختمان در مقیاس بزرگ در تصاویر هوایی با وضوح بسیار بالا با استفاده از ماسک R-CNN. در مجموعه مقالات رویداد مشترک سنجش از دور شهری 2019 (JURSE)، وان، فرانسه، 22 تا 24 مه 2019؛ صص 1-4. [ Google Scholar ]
  30. وو، جی. شائو، ایکس. گوا، ز. چن، کیو. یوان، دبلیو. شی، ایکس. خو، ی. شیباساکی، R. تقسیم بندی ساختمان خودکار تصاویر هوایی با استفاده از شبکه های کاملاً پیچیده چند محدودیتی. Remote Sens. 2018 , 10 , 407. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. مارمانیس، دی. شیندلر، ک. Wegner، JD; گالیانی، اس. داتکو، ام. Stilla، U. طبقه‌بندی با لبه: بهبود بخش‌بندی تصویر معنایی با تشخیص مرز. ISPRS J. Photogramm. Remote Sens. 2018 , 135 , 158–172. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. یی، ی. ژانگ، ز. ژانگ، دبلیو. ژانگ، سی. لی، دبلیو. ژائو، تی. تقسیم‌بندی معنایی ساختمان‌های شهری از تصاویر سنجش از دور VHR با استفاده از یک شبکه عصبی پیچیده عمیق. Remote Sens. 2019 ، 11 ، 1774. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. ردپای ساختمان مایکروسافت در ایالات متحده در دسترس آنلاین: https://github.com/Microsoft/USBuildingFootprints (در 24 نوامبر 2020 قابل دسترسی است).
  34. لین، جی. میلان، آ. شن، سی. Reid, I. RefineNet: شبکه های اصلاح چند مسیری برای تقسیم بندی معنایی با وضوح بالا. arXiv 2016 , arXiv:1611.06612. [ Google Scholar ]
  35. هوانگ، جی. ژانگ، ایکس. شین، کیو. سان، ی. Zhang، P. استخراج خودکار ساختمان از تصاویر هوایی با وضوح بالا و داده های LiDAR با استفاده از شبکه پالایش باقیمانده دردار. ISPRS J. Photogramm. Remote Sens. 2019 ، 151 ، 91–105. [ Google Scholar ] [ CrossRef ]
  36. بیتنر، ک. کوی، اس. Reinartz, P. استخراج ساختمان از داده های سنجش از دور با استفاده از شبکه های کاملاً کانولوشن. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2017 ، XLII-1/W1 ، 481–486. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. هن، ا. رومر، سی. گروگر، جی. Plümer, L. طبقه‌بندی خودکار انواع ساختمان‌ها در مدل‌های سه بعدی شهر: استفاده از SVM برای غنی‌سازی معنایی داده‌های ساختمان با وضوح پایین. Geoinformatica 2012 ، 16 ، 281-306. [ Google Scholar ] [ CrossRef ]
  38. ورم، م. اشمیت، ا. Taubenbock، H. طبقه‌بندی انواع ساختمان با استفاده از ویژگی‌های مبتنی بر شکل و توابع تشخیص خطی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2016 ، 9 ، 1901–1912. [ Google Scholar ] [ CrossRef ]
  39. بلژیک، م. تاملینوویچ، آی. لامپولتشامر، تی. بلاشکه، تی. Höfle, B. طبقه‌بندی مبتنی بر هستی‌شناسی انواع ساختمان‌هایی که از داده‌های اسکن لیزری در هوا شناسایی شده‌اند. Remote Sens. 2014 , 6 , 1347–1366. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. دو، اس. ژانگ، اف. Zhang، X. طبقه‌بندی معنایی ساختمان‌های شهری با ترکیب تصویر VHR و داده‌های GIS: یک رویکرد جنگل تصادفی بهبود یافته. ISPRS J. Photogramm. Remote Sens. 2015 ، 105 ، 107-119. [ Google Scholar ] [ CrossRef ]
  41. اوبرشت، سی. استاینوچر، ک. هالاس، ام. واگنر، دبلیو. یکپارچه‌سازی مشاهدات زمین و علم GIS برای مدل‌سازی فضایی و عملکردی با وضوح بالا کاربری زمین شهری. محاسبه کنید. محیط زیست سیستم شهری 2009 ، 33 ، 15-25. [ Google Scholar ] [ CrossRef ]
  42. مونین، دی. استرزالکا، ا. کوکوفیکیس، ا. کورز، وی. ایکر، U. مقایسه مفروضات و روش‌های مدل‌سازی ساختمان برای پیش‌بینی تقاضای گرمای مقیاس شهری. محیط شهرهای آینده 2017 ، 3 ، 2. [ Google Scholar ] [ CrossRef ]
  43. زیرک، م. ویلر، وی. هاین، ام. Eicker، مدل‌های شهری U. غنی‌سازی برای کاربردهای انرژی: چالش‌ها در شبیه‌سازی انرژی با استفاده از منابع داده‌های مختلف برای اطلاعات عصر ساختمان. Energy 2020 , 190 , 116292. [ Google Scholar ] [ CrossRef ]
  44. لانگ، جی. شلهامر، ای. دارل، تی. شبکه های کاملاً پیچیده برای تقسیم بندی معنایی. arXiv 2015 ، arXiv:1411.4038. [ Google Scholar ]
  45. رونبرگر، او. فیشر، پی. Brox، T. U-Net: شبکه های کانولوشن برای تقسیم بندی تصویر زیست پزشکی. arXiv 2015 ، arXiv:1505.04597. [ Google Scholar ]
  46. سیمونیان، ک. زیسرمن، الف. شبکه های پیچیده بسیار عمیق برای تشخیص تصویر در مقیاس بزرگ. arXiv 2015 ، arXiv:1409.1556. [ Google Scholar ]
  47. سگدی، سی. لیو، دبلیو. جیا، ی. سرمانت، پ. رید، اس. آنگلوف، دی. ایرهان، د. ونهوک، وی. رابینوویچ، الف. با پیچیدگی ها عمیق تر رفتن. arXiv 2014 ، arXiv:1409.4842. [ Google Scholar ]
  48. لین، ام. چن، کیو. Yan, S. شبکه در شبکه. arXiv 2014 ، arXiv:1312.4400. [ Google Scholar ]
  49. سگدی، سی. ونهوک، وی. آیوف، اس. شلنز، جی. Wojna, Z. بازاندیشی در معماری آغازین برای بینایی کامپیوتر. arXiv 2015 ، arXiv:1512.00567. [ Google Scholar ]
  50. او، ک. ژانگ، ایکس. رن، اس. Sun، J. یادگیری باقیمانده عمیق برای تشخیص تصویر. در مجموعه مقالات کنفرانس IEEE 2016 در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، لاس وگاس، NV، ایالات متحده آمریکا، 27 تا 30 ژوئن 2016؛ صص 770-778. [ Google Scholar ]
  51. Kingma، DP; با، جی. آدام: روشی برای بهینه سازی تصادفی. arXiv 2017 , arXiv:1412.6980. [ Google Scholar ]
  52. Serra, J. تجزیه و تحلیل تصویر و مورفولوژی ریاضی . Academic Press, Inc.: Orlando, FL, USA, 1982. [ Google Scholar ]
  53. ورم، م. تاوبنبوک، اچ. شاارت، ام. اش، تی. Dech, S. ادغام اطلاعات تصویر مبتنی بر شی با استفاده از داده های رصد زمین چندحسگر در مناطق شهری. بین المللی J. Image Data Fusion 2011 ، 2 ، 121-147. [ Google Scholar ] [ CrossRef ]
  54. ورم، م. گوبل، جی. واگنر، جی جی. ویگاند، ام. دچ، اس. Taubenböck، H. استنتاج آستانه های نسبت مساحت طبقه برای تعیین مراکز شهر بر اساس ادراک شناختی. محیط زیست طرح. ب مقعد شهری. علوم شهر 2019 ، 239980831986934. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  55. بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. فرناندز-دلگادو، م. سرناداسوا، ای. بارو، اس. Amorim, D. آیا برای حل مسائل طبقه بندی دنیای واقعی به صدها طبقه بندی کننده نیاز داریم؟ JMRS 2014 ، 15 ، 3133-3181. [ Google Scholar ]
  57. فرشتگان.؛ پدر و مادر، ج. Civco، DL Ten Compactness Properties of Circles: Measuring Shape in Geography: Ten Compactness Properties of Circles. می توان. Geogr. جئوگراف می تواند. 2010 ، 54 ، 441-461. [ Google Scholar ] [ CrossRef ]
  58. دروین، ا. ورم، م. Sulzer, W. برچسب‌گذاری معنایی انواع ساختمان. مقایسه دو رویکرد با استفاده از جنگل تصادفی و یادگیری عمیق. در دسترس آنلاین: https://www.researchgate.net/publication/339800032_Semantic_labelling_of_building_types_A_comparison_of_two_approaches_using_Random_Forest_and_Deep_Learning (در 24 نوامبر 202 قابل دسترسی است).
  59. Garbasevschi، O. استوام اشمیت، جی. ورما، تی. لفتر، آی. کورتالز آلتس، WK; دروین، ا. Schiricke، B. Wurm، M. عوامل فضایی مؤثر بر پیش‌بینی سن ساختمان و پیامدهای آن برای مدل‌سازی انرژی شهری. محاسبه کنید. محیط زیست سیستم شهری تحت بررسی
  60. IWU—Institut für Wohnen und Umwelt (موسسه آلمانی مسکن و محیط زیست). Deutsche Gebäudetypologie. Beispielhafte Maßnahmen Zur Verbesserung Der Energieeffizienz von Typischen Wohngebäuden—Zweite Erweirter Auflage ; Institut für Wohnen und Umwelt: دارمشتات، آلمان، 2015. [ Google Scholar ]
  61. لوگا، تی. استاین، بی. Diefenbach, N. TABULA نوع‌شناسی ساختمان در 20 کشور اروپایی—مقایسه کردن ویژگی‌های مرتبط با انرژی در انبارهای ساختمان‌های مسکونی. انرژی ساخت. 2016 ، 132 ، 4-12. [ Google Scholar ] [ CrossRef ]
  62. BBSR-Bundesinstitut für Bau-, Stadt- und Raumforschung. فرمان عایق حرارتی 1977. موجود به صورت آنلاین: https://www.bbsr-energieeinsparung.de/EnEVPortal/EN/Archive/ThermalInsulation/1977/1977_node.html (در 24 نوامبر 2020 قابل دسترسی است).
  63. استیلر، دی. ورم، م. استارک، تی. dAngelo، P. استبنر، ک. دچ، اس. Taubenbock، H. پارامترهای فضایی برای حمل و نقل: یک رویکرد چند وجهی برای مدل‌سازی ساختار فضایی شهری با استفاده از یادگیری عمیق و سنجش از دور. J. Transp. کاربری زمین ، در دست بررسی.
  64. راسر، جی اف. بوید، دی اس؛ لانگ، جی. زاخاری، س. مائو، ی. رابینسون، دی. پیش‌بینی سن ساختمان‌های مسکونی از روی داده‌های نقشه. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 73 ، 56-67. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. وانگ، ز. کراولی، جی. لی، FGN؛ Lowe, R. اندازه‌گیری سیستم‌های گرمایش منطقه‌ای بر اساس داده‌های کنتور هوشمند: کمی کردن تقاضای انرژی داخلی و تنوع تقاضا در بریتانیا. Energy 2020 , 193 , 116780. [ Google Scholar ] [ CrossRef ]
  66. بالارینی، آی. Corgnati، SP; Corrado, V. استفاده از ساختمانهای مرجع برای ارزیابی پتانسیلهای صرفه جویی انرژی در انبار ساختمانهای مسکونی: تجربه پروژه TABULA. سیاست انرژی 2014 ، 68 ، 273-284. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00023 g001 550
شکل 1. مروری بر گردش کار روش‌ها و داده‌های به کار گرفته شده برای مدل‌سازی سهام ساختمان با استفاده از یادگیری عمیق و عکس‌های ارتو، و مدل‌سازی تقاضای گرما در مقیاس شهر.
Ijgi 10 00023 g002 550
شکل 2. مروری بر داده های دقیق ساختمان ها در سرشماری آلمان 2011 در سطح شبکه 100 متر.
Ijgi 10 00023 g003 550
شکل 3. نمایش شماتیک U-net Inceptionresnetv2.
Ijgi 10 00023 g004 550
شکل 4. نمایش انواع ساخت و ساز ساختمان در پلان زمین دو بعدی، مدل ساختمان سه بعدی و تصاویر هوایی از خانه های (نیمه) مستقل، خانه های تراس دار و خانه های چندخانواری.
Ijgi 10 00023 g005 550
شکل 5. نتایج استخراج ساختمان با استفاده از U-net Inceptionresnetv2 برای مورفولوژی های مختلف ساختمان در شهر مونستر. تصاویر هوایی به عنوان داده های ورودی در ( a , e , i ) نشان داده شده است، ردپای ساختمان مرجع از مدل رسمی ساختمان LoD-1 در ( b , f , j ) نشان داده شده است، نتایج استخراج ردپای ساختمان در ( c , g ) ارائه شده است. ، k )، و نتیجه انواع ساخت و ساز برچسب گذاری شده در ( d ، h ، l ) نمایش داده می شود.
Ijgi 10 00023 g006 550
شکل 6. مثبت کاذب و منفی کاذب به دلیل هندسه های مختلف / ناسازگاری بین داده های تصویر و داده های مرجع.
Ijgi 10 00023 g007 550
شکل 7. محدوده ارزش 24 پارامتر مورفومتریک برای سه نوع ساختمان.
Ijgi 10 00023 g008 550
شکل 8. اهمیت ویژگی برای برچسب گذاری معنایی مدل سهام ساختمان استخراج شده به عنوان یکی از سه نوع ساخت ((نیمه) خانه های مستقل (S-DH)، خانه های تراس دار (TH) و خانه های چند خانواده (MFH)) .
Ijgi 10 00023 g009 550
شکل 9. تقاضای گرمای کل ساختمان های مسکونی به ازای هر سلول شبکه 100 × 100 متر برای مرکز مونستر ( a – c ) و حومه جنوبی ( d – f ) برای سه سناریوی نوسازی: وضعیت موجود، نوسازی معمولی، و نوسازی پیشرفته.
Ijgi 10 00023 g010 550
شکل 10. میانگین ( سمت چپ ) و کل ( راست ) تقاضای گرما برای همه ساختمان‌ها در منطقه مورد مطالعه.
Ijgi 10 00023 g011 550
شکل 11. تقاضای گرمای کل برای تمام ساختمان ها در منطقه مورد مطالعه بر اساس نوع ساخت و دوره ساخت. مقادیر تقاضای گرما روی اردینات در یک مقیاس ورود به سیستم نشان داده می شود.
Ijgi 10 00023 g012 550
شکل 12. مقایسه تقاضای گرمای مدل شده از اطلس انرژی (آبسیسا) و مدل سهام ساختمان با استفاده از رویکرد یادگیری عمیق پیشنهادی (مرتبط) با سناریوی نوسازی معمول.
Ijgi 10 00023 g013 550
شکل 13. مقایسه تقاضای گرمای مدل‌سازی‌شده با استفاده از روش مشابه برای مدل سهام ساختمان با استفاده از رویکرد یادگیری عمیق پیشنهادی و یک مدل سهام ساختمان رسمی از LoD-1.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید