Американские исследователи создали два алгоритма, один из которых обнаруживает массивы солнечных панелей на спутниковых снимках, а второй предсказывает уровень распространения солнечных панелей в районе по его социоэкономическим и экологическим параметрам. Разработчики создали датасет с данными о распространении солнечных панелей на территории США и провели с его помощью анализ влияния различных факторов на распространение этой технологии. Результаты опубликованы в журнале Joule.
В достаточно большом количестве мест солнечные панели могут выступать в качестве экономически выгодного источника электроэнергии в долгосрочной перспективе. Однако цена установки зачастую отталкивает людей от покупки такого оборудования. Некоторые государства стремятся снизить начальную финансовую нагрузку на владельцев домов, предоставляя им субсидии в некоторых регионах. Для разработки подобных программ поддержки специалистам обычно приходится использовать примерные данные, полученные на основе статистики продаж солнечных панелей, расчетов уровня освещенности и других факторов, потому что собрать данные о реальном распространении панелей и их экономической целесообразности достаточно сложно.
Исследователи из Стэнфордского университета под руководством Рэма Раджагопала (Ram Rajagopal) создали алгоритм, способный обнаруживать солнечные панели на спутниковых снимках. За основу они взяли известную сверточную нейросеть Inception-v3, обученную на наборе из 1,28 миллиона фотографий различных объектов. Эту модель они адаптировали для своей задачи, переобучив на своих данных. Для этого исследователи сбросили параметры последнего слоя нейросети и создали специальный датасет.
Часть датасета, используемая для обучения нейросети, состоит из 366467 спутниковых снимков из Google Maps, для каждого из которых есть данные о том, есть ли на нем солнечные панели или нет. Поскольку лишь на 46 тысячах из 366 есть солнечные панели, исследователи применили метод обучения, при котором обучающая среда сильнее «наказывает» алгоритм именно за неправильное распознавание позитивных примеров (снимков, на которых есть солнечные панели). В результате исследователям удалось обучить нейросеть распознавать солнечные панели на снимках с точностью 93,1 процента. К этой нейросети авторы подключили еще одну, которая автоматически выделяет на изображении область, в которой находится солнечная панель или их массив.
После обучения нейросети исследователи использовали ее, чтобы составить базу данных о местоположении солнечных панелей и их размере на всей заселенной территории США. Алгоритм насчитал 1,47 миллиона панелей, что больше, чем данные проекта Open PV, а также проекта Google Sunroof, который не предоставляет данные о размере солнечных панелей. Кроме того, авторы провели анализ полученных данных, сопоставив их с данными другого типа. К примеру, выяснилось, что в солнечных регионах страны доля домов с солнечными панелями растет вместе с доходом, но этот рост прекращается, когда доход владельцев дома превышает 150 тысяч долларов в год, что указывает на другие ограничивающие факторы. Кроме того, распространение солнечных панелей обратно пропрорционально индексу Джини, отражающему расслоение общества по доходу. Также исследователи определили порог внедрения солнечных панелей. Оказалось, что резкий рост распространения начинается с уровня сбора энергии 4,5-5 киловатт-часов на квадратный метр за сутки.
Кроме сбора данных о реальном распространении солнечных панелей, исследователи также создали алгоритм, предсказывающий уровень распространения солнечных панелей для той или иной зоны переписи населения. Эти зоны используются для переписи населения в США, а также для анализа различных социокультурных и других факторов. Алгоритм принимает 94 параметра, такие как уровень инсоляции, тарифы на электроэнергию, уровень дохода жителей и другие, а на выходе выдает прогнозируемое количество солнечных панелей на один дом в зоне.
Ученые находят и другие способы использования спутниковых снимков с помощью нейросетей. Например, недавно другая группа американских исследователей научила нейросеть создавать на основе спутниковых снимков фотографии той же местности, имитирующие съемку с уровня земли.
Комментарии