Qui developpera la meme application machine pour la France et l’Europe
« Un modèle d’apprentissage en profondeur précis pour la détection de panneaux solaires sur l’imagerie satellite
Construit une base de données presque complète d’installations solaires pour les États-Unis contigus
Principaux facteurs socioéconomiques identifiés en corrélation avec la densité de déploiement solaire
Un modèle prédictif pour estimer la densité de déploiement solaire au niveau des secteurs de recensement »
DeepSolar, un framework d’apprentissage machine en profondeur analysant les images satellite pour identifier les emplacements GPS et la taille des panneaux photovoltaïques solaires. Tirant parti de sa grande précision et de son évolutivité, nous avons construit une base de données complète de déploiement solaire haute fidélité pour les États-Unis contigus. Nous avons démontré sa valeur en découvrant que la densité de déploiement solaire résidentielle culmine à une densité de population de 1 000 habitants / mile2, augmente avec une asymptotation du revenu annuel des ménages de 150 000 dollars et a une corrélation inverse avec l’indice de Gini représentant l’inégalité de revenu. Nous avons découvert un seuil de rayonnement solaire (4,5 kWh / m2 / jour) au-dessus duquel le déploiement solaire est «déclenché». En outre, nous avons construit un modèle machine prédictif précis basé sur l’apprentissage automatique afin d’estimer la densité de déploiement solaire au niveau du secteur de recensement. Nous proposons la base de données machine DeepSolar en tant que ressource accessible au public pour les chercheurs, les services publics, les développeurs solaires et les décideurs politiques afin de mieux découvrir les schémas de déploiement de l’énergie solaire, de créer des modèles économiques et comportementaux complets et, finalement, de soutenir l’adoption et la gestion de l’électricité solaire.
Le déploiement de l’énergie solaire photovoltaïque (PV) s’accélère dans le monde entier en raison de la réduction rapide des coûts et des avantages environnementaux significatifs par rapport à la production d’électricité à partir de combustibles fossiles.1 En raison de leur nature décentralisée et intermittente, l’intégration rentable de panneaux solaires sur les réseaux électriques existants devient de plus en plus difficile.2, 3 Ce qui est absolument nécessaire et actuellement indisponible est une base de données complète haute fidélité des localisations et des tailles précises de toutes les installations solaires. Les tentatives récentes telles que Open PV Project4 reposent sur des enquêtes volontaires et des auto-déclarations. Bien qu’ils aient eu une grande influence sur notre compréhension du déploiement de l’énergie solaire, ils courent le risque d’être incomplets et sans garantie de l’absence de duplication. En outre, avec le rythme rapide du déploiement de l’énergie solaire, une telle base de données pourrait devenir obsolète. L’apprentissage automatique associé à l’imagerie par satellite peut être utilisé pour pallier les lacunes des enquêtes5. La disponibilité d’imagerie par satellite avec une résolution spatiale inférieure à 30 cm pour la majorité des États-Unis, mise à jour chaque année, offre une riche source de données pour la détection d’installations solaires. basé sur l’apprentissage automatique. Les méthodes existantes d’apprentissage automatique au niveau des pixels6, 7 souffrent d’une efficacité informatique médiocre, d’une précision et d’un rappel relativement faibles (ne pouvant pas atteindre 85% simultanément), alors que les approches par images8 existantes ne permettent pas de fournir des informations sur la taille ou la forme du système. Le projet Sunroof de Google utilise une approche d’apprentissage automatique exclusive pour signaler des emplacements sans aucune information de taille. Jusqu’à présent, ils ont identifié beaucoup moins de systèmes (0,67 million) que dans la base de données machine Open PV (environ 1 million d’euros) aux États-Unis contigus.