EN:RICH – An AI-driven framework for neighborhood-level heating estimations based on multi-data source enriched CityGML models

Die vorliegende Arbeit beschäftigt sich mit der Anreicherung rudimentärer 3D-Stadtdmodelle durch eine Vielzahl heterogener Datenquellen und ermöglicht somit verlässlichere Aussagen zum Heizwärmebedarf auf Nachbarschaftsebenen. Hierfür wird als Anwendungsfall eine Abschätzung des Heizenergiebedarfs eines jeden Gebäudes auf Basis des angereicherten Stadtmodells gewählt. Die Arbeit geht dabei unter anderem den Fragen nach, welche Daten für die Abschätzungen des Heizwärmebedarfs auf Nachbarschaftsebene benötigt werden, welche Datengenauigkeit angestrebt wird und wie der Kompromiss zwischen Qualität und Aufwand gelingen kann. Das gängige Datenschema CityGML wird in Verbindung mit der Erweiterung für energiebezogenen Daten Energy ADE als das vielversprechendste Datenmodell für die Grundlage einer solchen Anreicherung identifiziert. Zudem wird ein Perspektivwechsel angeregt: Statt die Betrachtung auf den Mehrwert einzelner Parameter für Heizbedarfsabschätzungen zu legen, wird der Fokus auf die Verfügbarkeit von Daten gesetzt, da die qualitative Verbesserung des Ergebnisses grundsätzlich bei jedem relevanten Parameter steigt. Basierend auf dieser geänderten Sichtweise wird im Rahmen dieser Forschung das neue vierstufige Konzept der Neighborhood Model States (NMS) entwickelt, wobei für jede NMS-Stufe geeignete Datenquellen zur Anreicherung des Stadtmodells herausgearbeitet werden. Mögliche Datenquellen für die Erfassung energiebezogener Daten auf Stadtteilebene werden identifiziert und die Herausforderungen der Datenanreicherung werden anhand zweier Universitätsstandorte als Beispielquartiere in Kanada und Deutschland dargestellt. Zur technischen Verifizierung des Konzepts der Arbeit wird ein Demonstrator mit dem Namen EN:RICH entwickelt und implementiert.