Diese Arbeit zielt darauf ab, die Funktion grüner Gebäude (GB) in der nachhaltigen Stadtentwicklung durch den Einsatz von Deep-Learning-(DL)-Algorithmen zur präzisen Segmentierung von Gebäudefassaden neu zu definieren. Diese Methode verwendet U-Net-Modelle zur Untersuchung architektonischer Merkmale, verbessert die Genauigkeit der Fassadensegmentierung und fördert ökologisch freundliches Design und Stadtplanung. Ein Datensatz von 606 Open-Source-Fotos, die mit 51.731 architektonischen Elementen gekennzeichnet sind, wurde verwendet, und Klassenungleichgewichte wurden durch sechs Datenaugmentationstechniken ausgeglichen. Die Forschung begann mit einem grundlegenden U-Net-Modell (Modell I), das auf dem Originaldatensatz trainiert wurde, gefolgt von einem augmentierten U-Net-Modell (Modell II) unter Verwendung der Canny-Kantenerkennung (CED) zur Steigerung der Kantendefinition. Modell III wurde anschließend durch Integration eines Aufmerksamkeitsmechanismus in Modell II erstellt. Modellbewertungen zeigten, dass Modell III die maximale Leistung erreichte und umfassende Fassadenvorhersagen mit einer Genauigkeit von 0,99 lieferte. Diese Studie verdeutlicht, dass die Kombination von Deep-Learning-Ansätzen mit Kantenerkennung, Datenaugmentation und Aufmerksamkeitsmechanismen die Genauigkeit der GB-Segmentierung erheblich verbessert und eine wertvolle Ressource für Architekten und Stadtplaner bei der Fassadenbewertung bietet. Verbesserte Präzision bei der Identifizierung architektonischer Merkmale erleichtert eine nachhaltigere Stadtplanung und fördert energieeffiziente, kohlenstoffarme und umweltfreundliche Baumethoden. Letztlich ermöglichen diese Strategien die Entwicklung urbaner Infrastruktur bei minimaler Umweltbelastung und steigern so signifikant die Umweltverträglichkeit.
Semwal et al. (Sun,) untersuchten diese Fragestellung.