DeepSolar專案通過機器學習和衛星影象訓練AI統計太陽能面板
摘要：
斯坦福大學工程師和電腦科學家組成了DeepSolar團隊，可精確地統計全美太陽能電池面板的尺寸規模、具體位置、數量等等。方法是在機器學習的框架下，通過數以十億計的高清晰衛星影象，培養訓練AI識別出坐落於屋頂和其它位置的可見面板。
瞭解太陽能電池板的位置以及人們安裝它們的動機可能對能...
斯坦福大學工程師和電腦科學家組成了DeepSolar團隊，可精確地統計全美太陽能電池面板的尺寸規模、具體位置、數量等等。方法是在機器學習的框架下，通過數以十億計的高清晰衛星影象，培養訓練AI識別出坐落於屋頂和其它位置的可見面板。
瞭解太陽能電池板的位置以及人們安裝它們的動機可能對能源管理工作具有無法估量的價值。它可以幫助公用事業公司更好地平衡供需，從而提供更可靠的電力。還可以幫助我們瞭解是什麼激勵了人們安裝屋頂太陽能面板，這也許可以幫助城市的管理者和建設者們更好地設計規劃城市。
DeepSolar演算法可以訓練AI識別出一個太陽能面板設施有可靠關聯的特徵型別，包括色彩、尺寸、太陽能電池板的紋理材質等等。AI掌握了這些特性後，能夠以93%的成功率分辨出一副衛星影象中的電池面板。錯過了大約十分之一不到的電池面板，這比此前任何識別系統的準確率都高。
DeepSolar團隊的AI只用了一個月時間分析全美的衛星影象，得出在住宅物業，商業屋頂和大型太陽能發電廠發現的太陽能電池板總共有147萬套，這個數字超過目前領先的兩項統計預期結果。如果是人類統計分析需要花費數年完成，將DeepSolar 與美國人口普查和其他資料相結合，就可以得出關於太陽能採用背後的激勵因素的結論。幫助能源行業增加人們對可再生能源使用意願和激勵因素產生更深的理解。
科研團隊承認DeepSolar目前並未將人口稀少的偏僻地區納入統計，相比人口集中的都市區域，這些地區的太陽能面板安裝極少，他們估計這些偏僻地區的太陽能面板裝機量可能僅佔所有的5%，而且由於所處位置，這些太陽能面板並不會連入總電網。
DeepSolar下一步將開始具體分析偏遠地區的太陽能電池面板情況，同時擴充套件衛星影象範圍至更多國家地區。