Machine Learning and Remote Sensing Aided Characterization of Built Environment Stocks for Urban Sustainability

Efterhånden som den globale urbanisering skrider hurtigt frem, bor mere end halvdelen af verdens befolkning nu i byområder, et antal der forventes at stige i fremtiden. Denne hurtige urbanisering udgør adskillige udfordringer for byledere, herunder genudnyttelse af ressourcer, miljøbeskyttelse, bæredygtig økonomisk konstruktion og social velfærd. I den sammenhæng bliver hurtig og effektiv vurdering og optimal forvaltning af bygningsmasserne afgørende for at sikre en bæredygtig byudvikling. Bygningsmasserne påvirker ikke kun ressourceudnyttelsen under byggeriet og energieffektiviteten under brugen, men har også betydning for miljøgevinster og samfundsmæssig velfærd. Traditionel forskning står ofte over for udfordringer med nøjagtig vurdering af bygningsegenskaber og effektive analysemetoder, hvilket fører til utilstrækkelig ressourceallokering og ineffektive politikker for byledere. Men med den hurtige udvikling og udbredte anvendelse af maskinlærings- og fjernmålingsteknologier har vi nu rigeligt med data og effektive metoder til at løse disse udfordringer. Disse teknologier hjælper byplanlæggere med mere præcist at forstå fordelingen og sammensætningen af bybestande, og derved effektivt forbedre byressourceudnyttelsen og energieffektiviteten og i sidste ende fremme bæredygtig udvikling af hele byen.

Denne afhandling har til formål at udforske fordelingen og sammensætningen af bybygningsbestande i forskellige regioner og deres rolle i global bæredygtig udvikling ved hjælp af maskinlæring og fjernmålingsteknologier. Gennem tre specifikke casestudier viser afhandling det enorme potentiale af nye teknologier og data i udforskning af regionale bygningsbestande. Anvendelsen af disse teknologier er beregnet til at løse væsentlige udfordringer inden for byplanlægning og ressourceforvaltning, især med hensyn til at forbedre ressourceudnyttelseseffektiviteten og reducere miljøpåvirkninger.

For det første bruger vi nattelysdata og maskinlæring til at udforske den spatiotemporale fordeling af vigtige byggematerialer såsom stål, aluminium og cement globalt fra 2000 til 2019. Analysen afslører rumlige mønstre for materialeakkumulering i urbaniseringsprocessen, hvilket giver en omfattende billede af globale menneskeskabte bestande. De raffinerede resultater hjælper med systematisk at afsløre den spatiotemporale dynamik af materialeakkumulering på verdensplan, herunder uoverensstemmelser i fordeling mellem og inden for byer. Denne database tjener som en pålidelig kilde til geografisk information til støtte for affaldshåndtering, cirkulær økonomi, fysisk planlægning, byernes bæredygtighed og afbødning af klimaændringer på forskellige geografiske niveauer.

Derefter, skiftende til et mere mikroskopisk perspektiv, udforsker vi brugen af deep learning og fjernmålingsteknologier til at identificere ydervægge og tagmaterialer i fire større byer i Danmark. Denne del har til formål at dekonstruere specifikke egenskaber ved bygningsmasser, hvilket giver en dybere og mere detaljeret forståelse for formulering af bæredygtig byudviklingspolitik. Derudover skitserer vi rammerne for identifikation af byggematerialer fra forskningsbaggrund, dataforberedelse, modeludvikling og udvidelse og diskuterer udfordringer under udvikling og implementering af dybe modeller. Disse casestudier har til formål at illustrere, hvordan nye teknologier ændrer traditionelle dataindsamlings- og analysemetoder og adresserer fremtidige udfordringer.

Endelig foretager vi ved hjælp af omfattende matrikulære data fra Danmark en integreret analyse af bestande med økonomiske og miljømæssige indikatorer. Analysen fokuserer på bygningsmassenes rolle i at fremme byminedrift og bæredygtig udvikling ved at kombinere teknisk analyse med praktisk udvikling af bypolitik. Denne del viser, hvordan nye teknologier giver værdifulde dataressourcer og nye analytiske perspektiver og ideer til byledere til at fremme grøn og bæredygtig byudvikling.

Sammenfattende demonstrerer dette afhandling gennem tre specifikke casestudier anvendelsen af maskinlæring og fjernmålingsteknologier i global bæredygtig udvikling, hvilket fremhæver potentialet af disse teknologier til at forbedre effektiviteten i byplanlægning og fremme materialegenanvendelse. Afhandlingen har til formål at diskutere, hvordan disse teknologier mere effektivt kan styre bybygningsbestande og derved fremme regional og global bæredygtig byudvikling.