Нейросеть видит сквозь бетон — и раскрывает невидимую сторону урбанистики

Город можно увидеть не только глазами, но и алгоритмами. Исследователи из Университета Торонто нашли способ, как искусственный интеллект способен "заглядывать" за фасад зданий на снимках Google Street View и узнавать о них гораздо больше, чем кажется возможным с первого взгляда. Новая методика позволяет определять возраст, площадь и даже косвенно оценивать углеродный след построек — то, что раньше требовало дорогостоящих обследований и бюрократических согласований.

Искусственный интеллект как инструмент урбаниста

Исследование, опубликованное в Journal of Industrial Ecology, показало, что компьютерное зрение можно использовать не только для навигации или поиска объектов, но и для анализа строительного фонда городов. Под руководством Шошанны Сакс, доцента кафедры гражданского и минерального строительства Университета Торонто, команда обучила нейросеть определять невидимые параметры зданий по их внешнему виду.

"Это первая известная нам работа, в которой люди сделали фотографию, на которой изображена передняя часть здания, а затем предсказаны вещи, которые вы не можете увидеть на картинке", — сказала доцент Шошанна Сакс.

Разработчики использовали тысячи изображений улиц и зданий из Google Street View. Алгоритм анализировал элементы фасада — материалы, окна, пропорции, архитектурный стиль — и сопоставлял их с известными характеристиками домов. После обучения система достигла 70% точности при определении возраста и 80% при расчёте площади пола. Для градостроителей, которые обычно полагаются на устаревшие кадастровые данные или ручные измерения, это огромный шаг вперёд.

Здания как источник данных об экологии

Полученные сведения позволяют оценивать не только физические параметры зданий, но и воплощённые выбросы углерода — то есть объём парниковых газов, образовавшихся при производстве и транспортировке строительных материалов. В отличие от текущих эмиссий, эти выбросы уже "заперты" в структуре домов и становятся частью экологического баланса города.

"Это даёт точную оценку ресурсов, используемых для строительства, обслуживания и эксплуатации зданий", — отметил старший исследователь Центра аналитики и искусственного интеллекта Университета Техаса Алекс Олсон.

По словам Сакс, стандартные карты и кадастры не содержат столь подробных сведений. Чтобы оценить "встроенный" углерод, необходимо знать, из чего и когда построен объект. ИИ помогает восполнить этот пробел, особенно там, где архивные данные неполные или отсутствуют.

Зачем это нужно городам? Такие оценки позволяют понимать, какие районы требуют модернизации, где инфраструктура изношена, а где уже перерасходованы ресурсы. Это важный инструмент для устойчивого развития и планирования "умных" городов.

Когда тысячи долларов заменяют миллионы

Методика оказалась не только точной, но и дешёвой. Как рассказала Сакс, для получения выборки изображений исследователи потратили около 1000 долларов — при том, что аналогичные замеры традиционными способами могли бы обойтись в миллионы.

Ранее сбор таких данных требовал:

• выездных обследований с лазерными сканерами;

• доступа к архивным документам;

• координации с муниципалитетами и владельцами недвижимости;

• ручной верификации каждой постройки.

Теперь же алгоритмы делают это за часы. Такой подход позволяет быстро анализировать строительный фонд целого мегаполиса без вмешательства в частную собственность.

А что если эту технологию использовать для старых районов, где документы давно потеряны? Тогда муниципалитеты смогут не только оценить степень износа зданий, но и понять, какие материалы можно переработать или переиспользовать при реконструкции. Это превращает обычные фотографии в инструмент экологической и экономической политики.

Что именно "видит" ИИ

Система распознаёт архитектурные детали, которые для человека часто кажутся незначительными. Пропорции окон, оттенки фасада, тип кровли или даже наличие кондиционеров дают модели ключи к пониманию времени постройки и материалов.

Но можно ли доверять такому анализу без полевых проверок? В исследовании уточняется, что метод не заменяет инженерных обследований, но даёт достоверную предварительную оценку. Искусственный интеллект не "угадывает", а работает на основе вероятностных моделей, обученных на реальных данных.

Типичные ошибки нейросеть допускала на домах с изменённым фасадом или при реконструкции: здание могло быть старым, но выглядеть новым. Учёные решили эту проблему, добавив в обучение примеры с ремонтами и модернизациями.

Ошибки часто связаны с человеческими ожиданиями. Люди склонны судить о возрасте дома по фасаду, но архитектура может вводить в заблуждение. Алгоритм, напротив, опирается на статистику, а не на "ощущения", и потому способен обнаружить закономерности, которые человек пропустил бы.

Новый взгляд на городскую ткань

Сакс подчёркивает, что ИИ способен создавать картину городской среды в масштабах, ранее недоступных. Для исследователей климата и архитекторов это означает возможность проследить, как застройка разных эпох влияет на современный экологический баланс.

Почему именно Google Street View стал источником данных? Потому что это один из самых обширных публичных визуальных архивов. Миллионы снимков высокого разрешения охватывают города по всему миру, обеспечивая единый формат и метаданные.

Однако у метода есть ограничения. В некоторых регионах изображения могут быть устаревшими или недоступными из-за конфиденциальности. Тем не менее для большинства крупных агломераций материал остаётся достаточным для анализа.

Олсон отмечает, что использование ИИ в градостроительном планировании не моделирует будущее, а помогает точно описать текущее состояние, что не менее важно. Планировщики получают инструмент для понимания, где инфраструктура используется неэффективно, а где город может расти без избыточных затрат ресурсов.

Как города смогут применять результаты

Технологию можно использовать не только в науке, но и на практике. Потенциальные сценарии:

1. Оценка углеродного следа при реконструкции районов.

2. Планирование энергоэффективных программ — например, утепления старого фонда.

3. Проверка актуальности кадастровых данных без необходимости физического обхода.

4. Оптимизация городских бюджетов: перераспределение инвестиций туда, где здания стареют быстрее.

5. Прогнозирование потребления воды и электроэнергии по типу построек.

Может ли ИИ заменить инженеров? Нет. Но он становится их инструментом — способом быстро увидеть общую картину, прежде, чем тратить ресурсы на локальные обследования.

Сакс подчёркивает, что их работа открывает возможности для междисциплинарных исследований: от оценки климатического воздействия до анализа транспортных потоков и городской демографии. И всё это — благодаря снимкам улиц, которые изначально создавались для навигации, а не для науки.