La Universitat Politècnica de Catalunya junto con la École Polytechnique Fédérale de Lausanne han aplicado un método combinado de observación y machine-learning para averiguar cuánto se abren y se cierran las persianas en un edificio universitario. A partir de más de 1 millón de fotografías y su procesamiento computacional se ha podido determinar la posición de todas las persianas de un edificio en cada momento del año.
Los estudios sobre cómo las personas utilizamos las persianas se ha desarrollado repetidamente desde los años 70 en distintos ámbitos, como oficinas o universidades. Sin embargo, la observación mediante fotografías implica necesariamente un trabajo posterior muy laborioso para convertir las imágenes a datos numéricos, de modo que puedan extraerse resultados estadísticos relevantes. Esta limitación condiciona el alcance de las investigaciones que se han desarrollado hasta ahora al análisis de pocas ventanas o a observaciones puntuales.
Desde nuestro equipo del Grupo de Investigación en Arquitectura, Energía y Medio Ambiente (AiEM) formado por Marc Roca-Musach, Isabel Crespo Cabillo y Helena Coch Roura, junto con Gloria Serra-Coch del Laboratory for Human Environment Relations in Urban Systems (HERUS) de la École Polytechnique Fédérale de Lausanne (Suiza), hemos propuesto un método para agilizar esta labor y lo hemos aplicado a las persianas de un edificio universitario.
Machine-learning para agrupar imágenes
El método, propuesto en el artículo Machine-learning to analyze human-building interactions: How do people use mobile solar protections?, utiliza un algoritmo de machine-learning que agrupa imágenes similares entre ellas para que, finalmente, el trabajo se reduzca a un número reducido de grupos de imágenes. Este método permite también extender la duración de las investigaciones en el tiempo y aumentar la cantidad de ventanas observadas.
Hemos aplicado el proceso al edificio de la Escuela de Arquitectura de Barcelona (ETSAB – UPC) entre agosto de 2022 y noviembre de 2023. Se observaron un total de 359 ventanas, repartidas entre la fachada este y oeste del edificio, registrando una fotografía cada hora. Esto supuso un total de 1,6 millones de imágenes de ventanas que se clasificaron según la posición de las persianas. La clave de la investigación fue detectar que la posición de las persianas se podría identificar mediante las diferencias de luminosidad de los píxeles de las imágenes, agrupados en franjas horizontales. Esta parametrización, junto con la computación mediante un algoritmo de machine-learning, permitió convertir los 1,6 millones de imágenes en menos de 1.000 grupos, dentro de los cuales todas las imágenes correspondían a ventanas con la misma posición de las persianas. En un siguiente paso, observamos los grupos de imágenes uno a uno para valorar si la agrupación (clusterización) era correcta y etiquetamos cada grupo con la correspondiente posición de las persianas.
Los resultados obtenidos muestran que las persianas permanecieron mayoritariamente cerradas durante el período observado, con una posición media del 28% de apertura, sin diferencias notables entre invierno y verano. También se detectó que un tercio de las persianas no se movieron durante el período de estudio.
Dos de cada tres persianas han sido subidas y bajadas por los usuarios
Se tiende a pensar que, en los edificios públicos, los usuarios no utilizan los elementos practicables de la fachada, como ventanas y persianas, que regulan su relación con el ambiente exterior. Este estudio demuestra que dos de cada tres persianas han sido subidas y bajadas por los usuarios, lo que lleva a pensar que siguen siendo un elemento útil en la mejora de las condiciones ambientales interiores.
Además, este estudio ha servido para estudiar el potencial de herramientas computacionales como el machine-learning para hacer viables métodos de investigación que anteriormente eran costosos y laboriosos. Es importante tener en cuenta que para utilizar métodos computacionales de cálculo o gestión de datos tan potentes como el empleado en este trabajo es fundamental tener claras las preguntas que nos planteamos, de modo que se pueda aplicar correctamente el procedimiento y extraer resultados útiles.
Esta investigación se ha desarrollado bajo el proyecto PID2020-116036RB-I100, financiado por el Ministerio Español de Ciencia, Innovación y Universidades (MICIU). También tiene el respaldo del Secretariado de Investigación e Universidades de la Generalitat de Catalunya y del Fondo Social Europeo.
Referencia:
Roca-Musach, Marc, Gloria Serra-Coch, Isabel Crespo Cabillo y Helena Coch Roura. «Machine-learning to analyze human-building interactions: How do people use mobile solar protections?» Journal of Building Engineering 98 (1 de diciembre de 2024): 111039. https://doi.org/10.1016/j.jobe.2024.111039.
Autores del artículo divulgativo:
Marc Roca-Musach
Universitat Politècnica de Catalunya
ORCID: 0000-0002-4767-0699
Gloria Serra-Coch
École Polytechnique Fédérale de Lausanne (EPFL)
Isabel Crespo Cabillo
Universitat Politècnica de Catalunya
Helena Coch Roura
Universitat Politècnica de Catalunya
Fuente: Scientias
Artículo bajo licencia Creative Commons – Atribución (CC BY 4.0). Este artículo puede ser reproducido íntegramente siempre y cuando vaya firmado por los autores y se acredite SCIENTIAS como fuente, incluyendo el enlace a nuestra página.