Kota jadi lebih cerdas dengan deteksi material AI untuk perencanaan berkelanjutan

Sektor konstruksi merupakan pendorong utama emisi karbon global, dengan bangunan sendiri bertanggung jawab atas hampir sepertiga emisi CO₂ terkait energi di seluruh dunia. Namun, metode yang ada untuk menilai bahan bangunan sering kali dibatasi oleh cakupan geografis yang terbatas, skalabilitas yang buruk, dan akurasi yang tidak memadai. Basis data konvensional kesulitan untuk memberikan penilaian intensitas material yang komprehensif, terutama di berbagai lanskap perkotaan. Tantangan ini menggarisbawahi kebutuhan mendesak akan solusi inovatif berbasis data yang dapat memberikan wawasan yang tepat dan dapat ditindaklanjuti dalam skala besar.

Sebuah inisiatif penelitian kolaboratif yang dipimpin oleh Universitas Peking dan Universitas Denmark Selatan telah berhasil menjawab tantangan ini. Tim tersebut telah mengembangkan kerangka kerja canggih yang mengintegrasikan deep learning (pembelajaran mendalam) dengan penginderaan jauh untuk mengidentifikasi bahan bangunan dengan presisi yang belum pernah ada sebelumnya. Temuan mereka (DOI: 10.1016/j.ese.2025.100538), yang diterbitkan pada tanggal 3 Februari 2025, dalam Ilmu Lingkungan dan Ekoteknologi, menunjukkan potensi teknologi ini dalam menciptakan basis data intensitas material yang disesuaikan dengan berbagai wilayah perkotaan, yang membuka jalan bagi perencanaan kota yang lebih berkelanjutan dan efisien.

Studi ini menggunakan gabungan citra Google Street View, data satelit, dan informasi geospasial OpenStreetMap untuk mengklasifikasikan material bangunan dengan akurasi tinggi. Dengan memanfaatkan Convolutional Neural Networks (CNN), para peneliti melatih model yang mampu mengidentifikasi material atap dan fasad dengan detail yang luar biasa. Model-model tersebut pertama kali dilatih menggunakan kumpulan data ekstensif dari Odense, Denmark, sebelum berhasil divalidasi di kota-kota besar Denmark seperti Kopenhagen, Aarhus, dan Aalborg. Proses validasi mengonfirmasi kekokohan kerangka kerja, menunjukkan kemampuannya untuk melakukan generalisasi di berbagai lingkungan perkotaan dan memperkuat skalabilitasnya.

Inovasi utama dari studi ini adalah penggunaan teknik visualisasi tingkat lanjut, termasuk Gradient-weighted Class Activation Mapping (Grad-CAM), yang menawarkan jendela tentang bagaimana model AI menginterpretasikan citra. Dengan mengungkap bagian mana dari suatu citra yang paling memengaruhi keputusan klasifikasi, teknik ini meningkatkan transparansi dan keandalan model. Selain itu, para peneliti mengembangkan koefisien intensitas material untuk mengukur dampak lingkungan dari berbagai material bangunan. Dengan menggabungkan citra resolusi tinggi dengan deep learning, kerangka kerja ini mengatasi keterbatasan lama dalam ketersediaan dan akurasi data material, menyediakan alat yang ampuh untuk pembangunan perkotaan yang berkelanjutan.

Sorotan

• Kerangka kerja yang dapat ditingkatkan mendukung pembuatan basis data intensitas material yang disesuaikan untuk berbagai wilayah, memfasilitasi perencanaan dan perbaikan perkotaan yang berkelanjutan.
• Deep learning memungkinkan identifikasi bahan bangunan yang tepat menggunakan data penginderaan jauh dan tampilan jalan.
• Visualisasi prediksi model meningkatkan interpretabilitas dan mengungkap proses pengambilan keputusan.
• Penilaian material yang akurat menginformasikan peningkatan bangunan yang ditargetkan untuk meningkatkan efisiensi energi.

Prof. Gang Liu, peneliti utama proyek ini, menyoroti potensi transformatif teknologi: “Studi kami menunjukkan bagaimana deep learning dan penginderaan jauh dapat secara mendasar mengubah cara kita menganalisis dan mengelola bahan bangunan perkotaan. Dengan data intensitas material yang tepat, kita dapat mendorong perencanaan perkotaan yang lebih berkelanjutan dan perbaikan yang ditargetkan, yang berkontribusi langsung pada upaya pengurangan karbon global.”

Implikasi dari terobosan ini jauh melampaui penelitian akademis. Dengan memungkinkan kota-kota mengidentifikasi dan memetakan bahan bangunan secara akurat, kerangka kerja ini membekali para perencana kota dengan data penting untuk strategi efisiensi energi, kebijakan pengurangan karbon, dan inisiatif ekonomi sirkular. Skalabilitasnya memastikan bahwa pendekatan tersebut dapat disesuaikan dengan berbagai lingkungan perkotaan, menjadikannya pengubah permainan untuk perencanaan kota berkelanjutan di seluruh dunia.

Sumber: https://doi.org/10.1016/j.ese.2025.100538