💻 computer science

ShadeBench: A Benchmark Dataset for Building Shade Simulation in Sustainable Society

Dit artikel introduceert ShadeBench, een uitgebreide multimodale dataset en benchmark met geografisch diverse stedelijke scènes, voorzien van gesimuleerde schaduwkaarten, satellietbeelden en 3D-gebouwdata om schaalbare stedelijke schaduwanalyse te faciliteren, downstreamtaken zoals schaduwgeneratie en segmentatie te ondersteunen, en datagedreven onderzoek voor hittebestendige stedelijke planning te bevorderen.

Oorspronkelijke auteurs: Longchao Da, Mithun Shivakoti, Xiangrui Liu, T Pranav Kutralingam, Yezhou Yang, Hua Wei

Gepubliceerd 2026-05-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Longchao Da, Mithun Shivakoti, Xiangrui Liu, T Pranav Kutralingam, Yezhou Yang, Hua Wei

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een stad probeert te plannen waar mensen koel blijven tijdens een brandende zomer. Om dit te doen, moet je precies weten waar de schaduwen van gebouwen om 08:00 uur, 12:00 uur of 18:00 uur zullen vallen. Maar op dit moment zijn onze "kaarten" hiervoor rommelig. Sommige zijn verouderd, sommige negeren het feit dat de zon zich anders beweegt in het Noordelijk versus het Zuidelijk Halfrond, en er is geen standaard manier om te testen of een computerprogramma goed is in het voorspellen van deze schaduwen.

Maak kennis met ShadeBench. Denk hierbij aan de "Olympische Spelen" of een "gestandaardiseerd rijexamen" voor computers die proberen stedelijke schaduwen te begrijpen en te voorspellen.

Hier is een eenvoudige uiteenzetting van wat het paper doet:

1. Het Probleem: De "Spookgebouw"-Verwarring

Stel je voor dat je probeert een kaart van een stad te tekenen met behulp van een oude schets (OpenStreetMap-gegevens) en deze vervolgens vergelijkt met een verse foto genomen vanuit de ruimte (satellietbeelden).

Het Probleem: De oude schets mist misschien een nieuw gebouw, of de satellietfoto toont een gebouw dat de schets is vergeten. Als je schaduwen simuleert op basis van de oude schets, vallen de schaduwen op de verkeerde plaatsen omdat de "spook"-gebouwen er niet zijn, of omdat echte gebouwen ontbreken.
De ShadeBench-oplossing: De onderzoekers bouwden een "geometrische uitlijner". Denk hierbij aan een slimme editor die de satellietfoto en de oude schets naast elkaar bekijkt. Als de foto een gebouw toont dat de schets niet heeft, verwijdert de editor dat gebouw uit de foto (maskeren) of gebruikt AI om die plek te "overpainten" met iets dat eruitziet als een parkeerplaats of gras. Hierdoor simuleert de computer alleen schaduwen voor gebouwen die daadwerkelijk bestaan in zowel de gegevens als de echte wereld.

2. De Fysica: Het "Kompas" van de Zon

De meeste oude schaduw-simulaties doen alsof de zon overal op aarde op dezelfde manier beweegt.

Het Probleem: Op het Noordelijk Halfrond (zoals in Arizona) beweegt de zon door de zuidelijke lucht. Op het Zuidelijk Halfrond (zoals in Sydney) beweegt het door de noordelijke lucht. Als je simulatie dit negeert, zullen de schaduwen de verkeerde kant op roteren.
De ShadeBench-oplossing: Ze gebruikten een echte natuurkundige formule (NOAA Solar Position Algorithm) om de computer precies te vertellen waar de zon is voor elke stad, op elke dag, om elk uur. Dit betekent dat de dataset correct schaduwen toont die met de klok mee bewegen in het ene halfrond en tegen de klok in in het andere, precies zoals de natuur bedoeld heeft.

3. De Dataset: Een "Tijdsreizen"-Bibliotheek

Het resultaat is een enorme bibliotheek van stadsgezichten. Voor elk stadsblok biedt de dataset:

De Echte Foto: Een satellietbeeld van de stad.
Het Skelet: Een eenvoudige omtrek van de gebouwen.
Het 3D-Model: Een digitaal 3D-netwerk van de gebouwen.
De Tijdsreizen-Schaduwen: Een reeks afbeeldingen die precies tonen hoe de schaduwen eruitzien van 08:00 uur tot 18:00 uur, elk uur, voor verschillende seizoenen.
Het Verhaal: Een tekstuele beschrijving die de positie van de zon uitlegt (bijvoorbeeld: "Het is 14:00 uur, de zon staat hoog en in het zuiden").

4. De Drie "Toetsen" (Taken)

Het paper gebruikt deze bibliotheek om computers te testen op drie specifieke uitdagingen:

Toets A: Schaduwgeneratie (De Kunstenaar)
- De Taak: Geef de computer een foto van een stad en een tekstprompt zoals "Het is 16:00 uur in juli". Vraag het om te tekenen hoe de schaduwen eruit zullen zien.
- Het Resultaat: Ze testten verschillende AI-modellen. De beste (DeepShade) kon schaduwen tekenen die er zeer realistisch uitzagen en de juiste fysica volgden, terwijl anderen fouten maakten of wazig leken.
Toets B: Schaduwscheiding (De Detective)
- De Taak: Laat de computer een foto van een stad zien en vraag het om alleen de schaduwrijke gebieden te omcirkelen.
- Het Resultaat: Dit is verrassend moeilijk voor computers. Schaduwen zijn vaak vaag en vloeien over in de grond. Het paper vond dat zelfs geavanceerde AI-modellen moeite hebben om de exacte randen van schaduwen te vinden, vooral in de vroege ochtend of late namiddag wanneer schaduwen lang en dun zijn.
Toets C: 3D-reconstructie (De Architect)
- De Taak: Laat de computer een 2D-satellietfoto zien en vraag het om een 3D-model van de gebouwen te bouwen.
- Het Resultaat: ShadeBench biedt de "antwoordenlijst" (het perfecte 3D-model) zodat onderzoekers precies kunnen meten hoe dicht de 3D-gissing van de computer bij de werkelijkheid ligt.

Waarom Dit Belangrijk Is

De auteurs beweren niet dat dit direct levens zal redden of de stadsplanning vandaag zal veranderen. In plaats daarvan zeggen ze: "We hebben eindelijk een eerlijke, gestandaardiseerde speelplaats gebouwd waar onderzoekers hun schaduwvoorspellende tools kunnen testen."

Voorheen gebruikte iedereen verschillende kaarten en verschillende regels, dus je kon niet zeggen of één computerprogramma eigenlijk beter was dan een ander. Nu kunnen onderzoekers met ShadeBench hun programma's door hetzelfde "rijexamen" laten lopen om te zien wie de schaduw het beste kan voorspellen, wat ons uiteindelijk helpt om koelere, comfortabelere steden te ontwerpen.

Technische Samenvatting: ShadeBench

Probleemstelling

De blootstelling aan stedelijke hitte neemt toe als gevolg van het stedelijk hitte-eilandeffect, wat aanzienlijke risico's oplevert voor de volksgezondheid en arbeid in de open lucht, met name in regio's zoals het zuidwesten van de Verenigde Staten. Hoewel schaduw een cruciale mitigatiefactor is, blijft het nauwkeurig modelleren en analyseren van stedelijke schaduw op grote schaal een uitdaging. Bestaande benaderingen lijden onder drie primaire beperkingen:

Data-misalignering: Synthetische datasets vertrouwen vaak op OpenStreetMap (OSM)-data als ground truth, wat verouderd of onvolledig kan zijn. Dit creëert geometrische misalignering tussen gesimuleerde gebouwopstellingen en realistische satellietbeelden. Bovendien negeren eerdere datasets vaak geografische variabiliteit in zonbanen, waardoor ze geen rekening houden met onderscheidende dagelijkse en seizoensgebonden schaduwpatronen tussen het Noordelijk en Zuidelijk Halfrond.
Gebrek aan gestandaardiseerde evaluatie: Simulatiegebaseerde baselines worden zelden beoordeeld onder uniforme protocollen, wat het moeilijk maakt om de nauwkeurigheid, robuustheid en temporele dynamiek van verschillende modelleringbenaderingen rigoureus te vergelijken.
Beperkte ondersteuning voor downstream taken: Het ontbreken van standaard benchmarks belemmert de ontwikkeling van modellen voor downstream taken zoals generatieve schaduwsimulatie, satellietgebaseerde schaduwsegmentatie en 3D-gebouwreconstructie, die essentieel zijn voor hitte-resiliente stadsplanning.

Methodologie

De auteurs introduceren ShadeBench, een uitgebreide dataset en benchmark die is ontworpen om deze gaten te dichten door middel van een rigoureuze constructiepijplijn en fysisch onderbouwde simulatie.

Pijplijn voor datasetconstructie

De pijplijn integreert kaartgebaseerde priors met sensorgebaseerde observaties om fysieke realisme en geometrische consistentie te waarborgen:

Data Bronnen: De dataset maakt gebruik van OpenStreetMap (OSM) voor metadata van gebouwen (adres, hoogte, verdiepingen, dakvorm) en satellietbeelden voor realistische observaties.
Geometrische Alignering: Om discrepanties tussen OSM-afgeleide simulaties en satellietbeelden op te lossen (bijvoorbeeld ontbrekende of verouderde gebouwen), stellen de auteurs een Geometrische Aligner voor. Deze module detecteert randgebaseerde inconsistenties met behulp van Canny-randdetectie. Vervolgens worden twee strategieën ingezet om misalignering op te lossen:
1. Masker-gebaseerde Alignering: Onderdrukken van door satelliet waargenomen structuren die niet bestaan in de simulatie.
2. Generatieve Verfijning: Het gebruik van een GenAI-gebaseerd beeldbewerkingsmodel (bijvoorbeeld Nano-banana) om inconsistente gebieden in te vullen met semantisch plausibele niet-gebouwoppervlakken (bijvoorbeeld parkeerterreinen), zodat visuele continuïteit wordt gewaarborgd.
Fysisch Onderbouwde Zonmodellering: Om halfrondverschillen vast te leggen, maakt de pijplijn gebruik van het NOAA Solar Position Algorithm (SPA). Dit berekent locatie-afhankelijke zonhoogte- en azimuthoeken op basis van breedtegraad, lengtegraad, datum en tijd. Deze parameters sturen de directionele lichtbron in een op Blender gebaseerde renderomgeving, zodat schaduwontwikkelingspatronen (bijvoorbeeld schaduwrotatie) correct de omkering van zonbanen over de evenaar weerspiegelen.

Samenstelling van de dataset

ShadeBench bestrijkt zes continenten, 16 landen en 34 steden, met diverse stedelijke opstellingen (dicht versus verspreid) en verkeersomstandigheden. Elke steekproef bevat:

Gelijkgerichte satellietbeelden ( $X'_j$ ).
Beeld van gebouwtopologie/skelet ( $X_i$ ).
Tijdsreeks gesimuleerde schaduw ground-truth beelden ( $X_{i,t}$ ) voor verschillende uren en seizoenen.
Gestructureerde tekstuele beschrijvingen ( $D_{i,t}$ ) die zon-attributes coderen (declinatie, hoogte, tijd).
3D-gebouwmeshes ( $M_i$ ) geëxporteerd vanuit Blender in Wavefront .OBJ-formaat.

Benchmarktaken en Evaluatie

ShadeBench stelt gestandaardiseerde evaluatieprotocollen vast voor drie downstream taken:

Generatieve Schaduwsimulatie: Evalueert modellen (Diffusion, ControlNet, DeepShade) op hun vermogen om fysisch correcte schaduwpatronen te synthetiseren op basis van gebouwgeometrie en zoncondities. Metrieken omvatten de Structural Similarity Index Measure (SSIM) en Learned Perceptual Image Patch Similarity (LPIPS).
Schaduwsegmentatie: Beoordeelt het vermogen van segmentatiemodellen (SAM, SAM2, GeoSAM) om fijnmazige, laag-contrast schaduwgrenzen af te bakenen. Evaluaties worden uitgevoerd in twee settings: op gesimuleerde beelden (geïdealiseerd) en op realistische satellietbeelden (realistisch) op verschillende tijdstippen van de dag (06:00, 12:00, 18:00). Metrieken omvatten de Dice-coëfficiënt en Intersection over Union (IoU).
3D-gebouwreconstructie: Biedt een testomgeving voor het herwinnen van 3D-gebouwgeometrie uit 2D-observaties met behulp van fysisch onderbouwde supervisie (Blender-meshes). De auteurs stellen voor om Chamfer Distance (CD) te gebruiken om reconstructiekwaliteit kwantitatief te beoordelen.

Belangrijkste Resultaten

Generatieve Simulatie: In experimenten waarbij Diffusion-modellen, ControlNet en DeepShade werden vergeleken, presteerde DeepShade consequent beter dan de baselines in zowel dichte als verspreide stedelijke scenario's. Het behaalde een hogere structurele gelijkenis en een lagere perceptuele afstand, wat wijst op een superieur vermogen om fijnmazige grenzen en temporele regulariteiten vast te leggen.
Schaduwsegmentatie: Hoewel foundation-modellen (SAM, SAM2) goed presteerden op gesimuleerde beelden (hoge Dice/IoU), verslechterde hun prestatie aanzienlijk bij toepassing op realistische satellietbeelden, met name in de vroege ochtend of late namiddag wanneer schaduwen langgerekt en laag-contrast zijn. Dit benadrukt een aanzienlijke domein-kloof tussen geïdealiseerde simulaties en realistische visuele omstandigheden.
3D-reconstructie: Het artikel presenteert een proof-of-concept met SAM-3D om aan te tonen dat de dataset geometrie-bewuste evaluatie mogelijk maakt. De auteurs benadrukken dat de primaire bijdrage hier de vestiging is van een uniforme benchmark voor 3D-reconstructie onder realistische alignering en zoncondities, in plaats van de voorstellen van een nieuw reconstructiemodel.

Betekenis en Claims

De auteurs positioneren ShadeBench als een fundamentele bron voor datagedreven onderzoek naar stedelijk klimaat en hitte-resiliente planning. Het artikel claimt drie primaire bijdragen:

Een grote, gelijkgerichte dataset: Het biedt een rigoureuze constructiepijplijn die simulatie ground truth aligneert met realistische observaties en locatie-afhankelijke zonbanen integreert om fysisch realistische dynamiek over halfronden te waarborgen.
Unificatie evaluatieprotocollen: Het vestigt gestandaardiseerde benchmarks voor het vergelijken van simulatiegebaseerde schaduwmodelleringmethoden, waardoor systematische beoordeling van nauwkeurigheid, robuustheid en temporele dynamiek mogelijk wordt.
Ondersteuning voor downstream taken: Het faciliteert onderzoek in schaduwgeneratie, segmentatie en 3D-reconstructie, en adresseert het eerdere gebrek aan standaard benchmarks voor deze specifieke taken voor stedelijke analyse.

De auteurs concluderen dat hoewel generatieve modellen veelbelovend zijn, het nauwkeurig simuleren van fijnmazige, temporeel consistente schaduwpatronen een uitdaging blijft, met name onder complexe opstellingen en extreme verlichting. Zij suggereren dat toekomstig werk een nauwere integratie vereist van geometrie, fysica en perceptie, en dat ShadeBench dient als een noodzakelijke testomgeving voor deze vooruitgang. De code en dataset zijn publiek beschikbaar gesteld om reproduceerbaar onderzoek te ondersteunen.