Ученые из США создали нейросеть для обнаружения солнечных панелей на спутниковых снимках. Кроме того, она же способна предсказывать динамику распространения панелей в определенном регионе в зависимости от различных характеристик региона, включая социально-экономические. По результатам работы системы разработчики создали карту с информацией о популярности солнечной энергетики в США.
Команда ученых под руководством профессора Рэма Раджагопала работает над своим проектом, который получил название DeepSolar, в Стэнфордском университете. Основа проекта — достаточно популярная сверточная нейросеть Inception-v3, которую обучили при помощи датасета из 1,28 млн фотографий различных объектов.
Сеть была модифицирована в соответствии с поставленными задачами. Для продолжения работы специалисты очистили параметры последнего слоя нейросети, создав специализированный датасет.
Нейросеть обучали частично на спутниковых снимках Google Maps, частично — на снимках из других источников. Картографический сервис Google использовался потому, что на картах есть информация о наличии солнечных панелей. Сверточную нейросеть «наказывали» за неправильное распознавание объектов на карте.
В итоге ее удалось научить определять наличие солнечных панелей с точностью свыше 93%. Далее был добавлен слой, который умеет выделять панели на изображении — как небольшие участки, так и обширные регионы «солнечных ферм». Итоговое испытание нейросети проводилось на основе сканирования базы, содержащей более 1 млрд изображений различных регионов США со спутников.
В итоге ученые получили достаточно большую базу данных, которая включает координаты местонахождения солнечных панелей практически на всей территории США. Как оказалось, в стране насчитывается более 1,47 млн таких объектов, что больше, чем числится в базах данных различных систем по учету фотоэлементов. Проект стэнфордских ученых даже более масштабный, чем у Google — компания ведет учет солнечных панелей в рамках проекта Google Sunroof. При этом нейросеть DeepSolar умеет различать «домашние» панели и промышленные, которые покрывают значительную площадь.
Понятно, что во втором случае панели различать проще, и точность распознавания их нейросетью составляет свыше 96%.
На следующем этапе проекта специалисты сопоставили фактические данные с различными характеристиками регионов, о чем говорилось выше. Как оказалось (и это вряд ли можно назвать сюрпризом) в экономически развитых локациях панелей больше, чем в не слишком обеспеченных. Далее идет «плато», которое формируется после превышения предела дохода в $150 тысяч на домохозяйство. Также удалось выяснить, что солнечные панели начинают появляться в регионе в том случае, если выработка энергии составляет 4,5-5 кВт*ч в сутки с квадратного метра.
На основе собранных данных исследователи разработали методику предсказания степени проникновения солнечных панелей в определенных регионах. Методика использует 94 разных параметра, включая уровень инсоляции, тарифы на электроэнергию, уровень дохода жителей и другие. Результатом подсчетов является прогноз количества солнечных панелей из расчета на одно домохозяйство.
По словам разработчиков, их нейросеть может использоваться для мониторинга уровня проникновения солнечных панелей в различных регионах, не только США, но и других стран. Постепенно ученые собираются заняться анализом показателей распространения солнечной энергетики во всем мире, используя в качестве основы высококачественные изображения из Google и других источников. База данных будет обновляться ежегодно, несмотря на то, что это некоммерческий проект.
Нейросеть и ее работу можно использовать для достижения различных целей. Например, анализа ситуации с распространением фотоэлементов для оценки эффективности программ по развитию альтернативной энергетики. Аналитики могут использовать данные в своих интересах, правда, пока неясно, будут ли данные предоставляться бесплатно или же за их использование придется платить. Как бы там ни было, ясно, что ИИ и нейросети все сильнее проникают в нашу жизнь и работу.
