文章來源：知了能源（ID：syni_zlny）微信公眾號
2018年12月，斯坦福大學的研究員們提出了一種名為DeepSolar的深度學習框架。它可以通過分析衛星圖像識別太陽能電池板的GPS定位和尺寸。研究員利用此框架建立了一個包含美國所有太陽能裝置GPS定位和尺寸數據的綜合數據庫。該系統能夠識別美國147萬個獨立的太陽能裝置，規模範圍涵蓋小型屋頂裝置、太陽能發電場和公共事業系統。
DeepSolar數據庫可公開獲取，以便研究員可從中進一步提取更多關於太陽能採用的見解。同時，數據庫能夠幫助政策制定者更好地理解太陽能利用和家庭收入、人口密度以及教育水平等社會經濟因素間的聯結。
DeepSolar的運作原理
DeepSolar使用遷移學習在366467張圖像上訓練一個CNN分類器。這些圖像是從美國超過50個城鎮採集的，且不能通過肉眼分辨是否存在太陽能電池板。
（圖片來源於網絡-SolarDaily）
其中一個研究員Rajagopal向Gizmodo介紹模型時說道："模型算法將衛星圖像分解成小圖塊。每個小圖塊由深層神經網絡處理，以產生對圖塊中每個像素的分類。這些分類組合在一起去分辨是否有系統，或者系統的部分存在於圖塊當中。"
深層神經網絡隨後能識別出哪個圖塊是太陽能電池板。一旦訓練完成，會生成一個激活圖，也被稱為熱力圖。熱力圖將太陽能電池板的輪廓標註出來，因此可用於獲得每個太陽能電池系統的大小。
Rajagopal進一步闡述了這個模型是如何提高效率的。"一個屋頂的光伏系統通常對應多個像素。所以即使每個像素分類有瑕疵，當它們組合起來時，分類會有異常顯著的改善。我們賦予假負例更高的權重以防止它們。"
性能的度量
為了度量其分類性能，研究員們定義了兩個指標：利用精度和召回率。利用精度是所有正確預測數量除以正向預測總數得到的百分比，而召回率是指正確預測數量和正向樣本的比值。DeepSolar在住宅區能實現93.1%的精度和88.5%的召回率，在非住宅區能的精度和召回率分別能達到93.7%和90.5%。
研究員們計算了平均相對誤差（MRE）來度量其尺寸估算的性能。其中住宅區域為3.0%，非住宅區域為2.1%。
下一步工作
如今，DeepSolar數據庫只覆蓋了美國本土地區。研究員們計劃將覆蓋範圍擴展到整個北美洲，包括具有公共事業規模的太陽能系統的偏遠地區和非連續的美國各州（海外州）。最終，它將覆蓋世界上其他國家和地區。
此外，DeepSolar僅能從衛星圖像中估算太陽能電池板的水平投影面積。在未來，它將能實現從街景圖中推斷出高分辨率的屋頂方向和傾斜信息，使得太陽能系統的大小和其發電能力的估算更為精確。
你都看到這裡了，怎麼捨得不關注一下"知了能源"信公眾號呢？
