Σουηδοί επιστήμονες δημιούργησαν ένα νέο αυτοματοποιημένο μοντέλο που ισχυρίζονται ότι προσφέρει «ανώτερη απόδοση» στον εντοπισμό μικρών, αποκεντρωμένων ηλιακών συστημάτων από εναέριες εικόνες. Ένα τέτοιο αυτοματοποιημένο σύστημα ηλιακής τοποθέτησης φιλικό προς το περιβάλλον λέγεται ότι είναι ένα χρήσιμο εργαλείο για να βοηθήσει πολλούς ενδιαφερόμενους στον κλάδο των φωτοβολταϊκών, καθώς μπορεί να παρέχει ακριβή δεδομένα στους υπεύθυνους χάραξης πολιτικής, στις αρχές και στους οικονομικούς αξιολογητές.

Η νέα μέθοδος χρησιμοποιεί τεχνικές βαθιάς μάθησης και επεξεργασίας εικόνας για την ανίχνευση ηλιακών θερμικών και φωτοβολταϊκών συστημάτων και σύμφωνα με τους συγγραφείς της, μια περαιτέρω μελέτη θα μπορούσε ακόμη και να βελτιώσει το μοντέλο για να διαφοροποιήσει τις τεχνολογίες φωτοβολταϊκών και ηλιακών θερμικών. «Αυτό είναι ένα δύσκολο έργο, καθώς οι δύο τεχνολογίες μοιράζονται παρόμοια υφή και εμφάνιση χρώματος», εξηγεί το άρθρο. «Ωστόσο, πιστεύουμε ότι με τις σωστές τροποποιήσεις και βελτιώσεις, μπορεί να προσαρμοστεί αποτελεσματικά για πολυκλάση τμηματοποίησης συστημάτων ηλιακής ενέργειας».

Στη μελέτη «Identifying small decentralized solar systems in aerial images using deep learning», που δημοσιεύτηκε στο Solar Energy, οι ακαδημαϊκοί εξήγησαν ότι χρησιμοποίησαν μια αρχιτεκτονική U-net των συνελικτικών νευρωνικών δικτύων (CNN), μια μέθοδο συνελικτικού δικτύου για γρήγορη και ακριβή κατάτμηση των εικόνων, εξηγώντας ότι το βασικό πλεονέκτημα αυτής της τεχνικής είναι ότι απαιτεί μικρότερο αριθμό δεδομένων εισόδου και μικρότερη χρήση υλικού σε σύγκριση με άλλες προσεγγίσεις.

«Η χρήση του μοντέλου U-net για την ανίχνευση συστημάτων ηλιακής ενέργειας παρέχει μια βασισμένη σε δεδομένα και αυτοματοποιημένη λύση με βελτιωμένη πολυπλοκότητα, που επιτρέπει την ακριβή ανίχνευση», προστίθεται. «Η ακριβής κατάτμησή του και η ταυτοποίηση των συστημάτων ηλιακής ενέργειας από τις εναέριες εικόνες έχουν ουσιαστική πρακτική αξία, διευκολύνοντας την αποτελεσματική αξιολόγηση της απόδοσης του πίνακα, τις απαιτήσεις συντήρησης και την εκτίμηση της παραγωγής ενέργειας».

Το νέο μοντέλο εκπαιδεύτηκε και δοκιμάστηκε σε δύο βάσεις δεδομένων – μια από τη Γερμανία και μια άλλη από τη Σουηδία – και ένα μείγμα από τα δύο χρησιμοποιήθηκε για την υψηλότερη επίγεια ηλιακή δυναμικότητα παραγωγής των δυνατοτήτων του. Σε σύγκριση με άλλες αρχιτεκτονικές του CNN, είπαν οι ερευνητές, το μοντέλο U-Net ξεχώριζε, ειδικά σε εργασίες τμηματοποίησης εικόνων.

Επίσης, σύμφωνα με την έρευνα, το μοντέλο U-net μπορεί να εκπαιδευτεί σε εναέριες εικόνες ανάλυσης 128 x 128 pixels και να επιτύχει ακρίβεια που δεν είναι σημαντικά χαμηλότερη από ό,τι με υψηλότερη ανάλυση 256 x 256 pixel. Η ικανότητά του να χρησιμοποιεί χαμηλότερη ανάλυση, με τη σειρά του, έχει ως αποτέλεσμα χαμηλότερη χρήση υλικού υπολογιστή.

«Αυτή η μελέτη απέδειξε ότι ένα μοντέλο U-net μπορεί να αξιολογήσει την περιοχή των συστημάτων ηλιακής ενέργειας σε αεροφωτογραφίες με υψηλή ακρίβεια», καταλήγει το άρθρο. «Ωστόσο, η κλίση των μονάδων είναι επίσης απαραίτητη για μια σωστή εκτίμηση της περιοχής. Ο υπολογισμός της κλίσης μπορεί να γίνει είτε από δεδομένα κτιρίου 3D είτε από δεδομένα LiDAR υψηλής/χαμηλής ανάλυσης. Ο συνδυασμός του τελευταίου με τη μέθοδο αυτής της μελέτης είναι το προγραμματισμένο επόμενο βήμα».