[論文レビュー] Monitoring spatial sustainable development: Semi-automated analysis of satellite and aerial images for energy transition and sustainability indicators

Lyana Curier, T. J. A. De Jong+8 more|arXiv (Cornell University)|Oct 11, 2018

Solar Radiation and Photovoltaics参考文献 34被引用数 5

ひとこと要約

本論文は、ベルギー、オランダ、ドイツにおける衛星画像および航空写真から太陽光発電パネルの検出およびマッピングを実現する、半自動の機械学習手法を提示する。高分解能の画像と建物の屋根データを活用することで、分散型の太陽光発電施設を正確かつスケーラブルにマッピング可能となり、地域的および国家的レベルでのエネルギー転換と持続可能性指標の堅実なモニタリングを可能にする。

ABSTRACT

Solar panels are installed by a large and growing number of households due to the convenience of having cheap and renewable energy to power house appliances. In contrast to other energy sources solar installations are distributed very decentralized and spread over hundred-thousands of locations. On a global level more than 25% of solar photovoltaic (PV) installations were decentralized. The effect of the quick energy transition from a carbon based economy to a green economy is though still very difficult to quantify. As a matter of fact the quick adoption of solar panels by households is difficult to track, with local registries that miss a large number of the newly built solar panels. This makes the task of assessing the impact of renewable energies an impossible task. Although models of the output of a region exist, they are often black box estimations. This project's aim is twofold: First automate the process to extract the location of solar panels from aerial or satellite images and second, produce a map of solar panels along with statistics on the number of solar panels. Further, this project takes place in a wider framework which investigates how official statistics can benefit from new digital data sources. At project completion, a method for detecting solar panels from aerial images via machine learning will be developed and the methodology initially developed for BE, DE and NL will be standardized for application to other EU countries. In practice, machine learning techniques are used to identify solar panels in satellite and aerial images for the province of Limburg (NL), Flanders (BE) and North Rhine-Westphalia (DE).

研究の動機と目的

• 分散型の太陽光パネル設置状況を追跡する課題に取り組む。これは、断片的かつ不完全な地方登録簿に起因する。
• リモートセンシングデータと機械学習を用いて、太陽光パネルの位置をスケーラブルかつ自動化された方法でマッピングする。
• 地域ごとの太陽光発電パネル導入状況を定量的に評価することで、エネルギー転換の進捗状況を正確に大規模に評価する。
• 初期のパイロット地域にとどまらず、複数のEU諸国に応用可能な検出手法の標準化を図る。
• デジタルデータソース（衛星／航空写真）と公式統計を統合することで、持続可能性モニタリングの質を向上させる。

提案手法

• リモートセンシングデータとして、オランダのリンブルフ地方、ベルギーのフラマン地方、ドイツのノルトライント・ヴェストファーレン地方の高分解能衛星および航空写真を主な入力データとして使用する。
• 建物の輪郭や屋根の幾何学的形状を含む補助的地理情報データを統合し、検出モデルのトレーニングおよび検証を支援する。
• アノテート済みのトレーニングサンプルを用いて、画像パッチが太陽光パネルを含むか否かを分類するための教師あり機械学習手法を適用する。
• 検出精度を向上させるために、ラベル付きの画像と公式出典からの実地データを組み合わせてモデルをトレーニングおよび検証する。
• 大規模な地理的領域にわたる自動推論パイプラインを実装し、包括的な太陽光パネル分布マップを生成する。
• 再現可能性とスケーラビリティを確保するため、異なるヨーロッパ地域およびデータソースにわたる検出ワークフローの標準化を実施する。

実験結果

リサーチクエスチョン

• RQ1 高分解能の衛星および航空写真において、機械学習モデルは多様な都市部および農村部の景観において、太陽光パネルをどの程度正確に検出できるか？
• RQ2 自動検出技術は、太陽光発電パネル導入状況の追跡において、不完全または一貫性の欠けた地方登録簿への依存度をどの程度低減できるか？
• RQ3 建物の輪郭データの統合は、太陽光パネルの局所化および分類の精度を向上させることができるか？
• RQ4 提案手法は、全国的または国際的規模での分散型太陽光エネルギーインfraの監視にどの程度スケーラブルか？
• RQ5 機械学習ベースのリモートセンシングは、より透明性が高く、データドリブンな持続可能性およびエネルギー転換指標の構築にどのように貢献できるか？

主な発見

• 本手法は、複数のヨーロッパ地域において高い空間的正確性で太陽光パネルを検出でき、分散型PV設置の信頼性のあるマッピングを可能にした。
• 建物および屋根の幾何学的形状データの統合により、屋根以外の領域における誤検出（ファルス・ポジティブ）が顕著に低減され、検出精度が向上した。
• 半自動パイプラインにより、大規模な航空写真および衛星画像の処理がスケーラブルに実現され、地域から国家レベルの監視を支援した。
• ブラックボックス型エネルギーモデリングとは異なり、透明性があり再現性のある代替手法を提供し、エネルギー転換の進捗状況を検証可能でデータドリブンな指標として提示した。
• 標準化された手法は他のEU諸国へも適用可能であり、国境を越えた比較や政策に役立つ持続可能性モニタリングを可能にした。
• 本プロジェクトは、衛星画像などのデジタルデータソースが、再生可能エネルギー導入に関する公式統計の質とタイムリーさを顕著に向上させられることを示した。