SENSE: Satellite-based ENergy Synthesis for Sustainable Environment

步骤 1：构建 MUSE 数据集

从纽约、波士顿、里昂、釜山四个城市收集数据。每个样本是 2km × 2km 瓦片，包含卫星图像、密度指标文本、路网约束图、建筑高度图和能耗图。能耗数据经过 log1p 变换处理长尾分布。

步骤 2：训练可控扩散模型（第一阶段）

基于 Stable Diffusion + ControlNet。文本条件包含城市密度指标（BVD、BCR、RD），地理空间约束通过 ControlNet 注入路网和水体信息。零卷积层确保不破坏预训练知识。

步骤 3：训练解码器（第二阶段）

从 U-Net 解码器提取多尺度特征。H-Decoder 用 SegFormer 架构将高度离散化为 5 类。E-Decoder 将能耗离散化为 4 类，使用类别加权交叉熵处理高能耗类别的稀疏性问题。

步骤 4：下游数据增强

SENSE 生成大量合成三元组（图像-能耗-高度）。在真实数据有限时，混合训练显著提升下游预测模型性能。

扩散模型损失

L_LDM = E[||ε − ε_θ(z_t, t, c_text)||²₂]

对每个时间步 t，模型接收被噪声污染后的潜在表示 z_t，尝试预测添加的噪声 ε。这就像教一个人从打乱的拼图中恢复原图。

ControlNet 控制

y = F(x_in + Z(c_env); Θ_copy)

零卷积 Z 初始化为零，逐步学习注入地理空间环境信息。先让画家自由作画，再逐步引导他在特定区域内创作。

能耗校准指标

NMBE = (Σ(ŷ_i − y_i) / Σ y_i) × 100% — 衡量系统偏差。SENSE 达到 3.05%（ASHRAE 标准 ≤ 10%）

CVRMSE = √[(1/N)Σ(ŷ_i − y_i)²] / ȳ × 100% — 衡量误差变异程度。SENSE 达到 14.62%（ASHRAE 标准 ≤ 30%）

四个城市的多样性

纽约（网格城市）、波士顿（历史不规则街道）、里昂（欧洲紧凑型）、釜山（亚洲山地）代表了全球多样的城市形态，测试模型的泛化能力。

研究问题的递进逻辑

• RQ1: SENSE 自身生成质量如何？
• RQ2: 生成数据符合行业标准吗？
• RQ3-RQ4: 能否解决真实世界的有限数据问题？

关键发现

• H-Decoder 准确率 85.75%，高层建筑 IoU 最高（0.6664）
• E-Decoder 准确率 89.25%，对高能耗建筑敏感度最高
• 混合训练策略在真实数据＜40% 时提升最显著（~10% mIoU）
• Yap et al. 获得最大提升（mIoU +0.1088）

• 图 1: SENSE 整体架构图（扩散模型 + ControlNet + 解码器）
• 图 2: H-Decoder 和 E-Decoder 的归一化混淆矩阵
• 图 3: 四个城市的生成结果可视化
• 图 4: 不同方法的能耗预测性能比较
• 图 5: 不同训练数据比例下的 mIoU 曲线

1. 仅在四个城市上验证，扩展到数据稀缺的发展中国家城市可能困难
2. 能耗和高度离散化为有限类别丢失了精细信息
3. 能耗数据仅为年度总量，无法捕捉季节性变化和日内波动
4. 三位城市专家的人工审查限制了方法的完全自动化
5. 不显式建模物理过程（热传导、光照），极端情况下物理合理性存疑