文章来源：知了能源（ID：syni_zlny）微信公众号
2018年12月，斯坦福大学的研究员们提出了一种名为DeepSolar的深度学习框架。它可以通过分析卫星图像识别太阳能电池板的GPS定位和尺寸。研究员利用此框架建立了一个包含美国所有太阳能装置GPS定位和尺寸数据的综合数据库。该系统能够识别美国147万个独立的太阳能装置，规模范围涵盖小型屋顶装置、太阳能发电场和公共事业系统。
DeepSolar数据库可公开获取，以便研究员可从中进一步提取更多关于太阳能采用的见解。同时，数据库能够帮助政策制定者更好地理解太阳能利用和家庭收入、人口密度以及教育水平等社会经济因素间的联结。
DeepSolar的运作原理
DeepSolar使用迁移学习在366467张图像上训练一个CNN分类器。这些图像是从美国超过50个城镇采集的，且不能通过肉眼分辨是否存在太阳能电池板。
（图片来源于网络-SolarDaily）
其中一个研究员Rajagopal向Gizmodo介绍模型时说道："模型算法将卫星图像分解成小图块。每个小图块由深层神经网络处理，以产生对图块中每个像素的分类。这些分类组合在一起去分辨是否有系统，或者系统的部分存在于图块当中。"
深层神经网络随后能识别出哪个图块是太阳能电池板。一旦训练完成，会生成一个激活图，也被称为热力图。热力图将太阳能电池板的轮廓标注出来，因此可用于获得每个太阳能电池系统的大小。
Rajagopal进一步阐述了这个模型是如何提高效率的。"一个屋顶的光伏系统通常对应多个像素。所以即使每个像素分类有瑕疵，当它们组合起来时，分类会有异常显著的改善。我们赋予假负例更高的权重以防止它们。"
性能的度量
为了度量其分类性能，研究员们定义了两个指标：利用精度和召回率。利用精度是所有正确预测数量除以正向预测总数得到的百分比，而召回率是指正确预测数量和正向样本的比值。DeepSolar在住宅区能实现93.1%的精度和88.5%的召回率，在非住宅区能的精度和召回率分别能达到93.7%和90.5%。
研究员们计算了平均相对误差（MRE）来度量其尺寸估算的性能。其中住宅区域为3.0%，非住宅区域为2.1%。
下一步工作
如今，DeepSolar数据库只覆盖了美国本土地区。研究员们计划将覆盖范围扩展到整个北美洲，包括具有公共事业规模的太阳能系统的偏远地区和非连续的美国各州（海外州）。最终，它将覆盖世界上其他国家和地区。
此外，DeepSolar仅能从卫星图像中估算太阳能电池板的水平投影面积。在未来，它将能实现从街景图中推断出高分辨率的屋顶方向和倾斜信息，使得太阳能系统的大小和其发电能力的估算更为精确。
你都看到这里了，怎么舍得不关注一下"知了能源"信公众号呢？
