[論文レビュー] SolarNet: A Deep Learning Framework to Map Solar Power Plants In China From Satellite Imagery

Xin Hou, Biao Wang+3 more|arXiv (Cornell University)|Dec 8, 2019

Energy and Environment Impacts参考文献 26被引用数 42

ひとこと要約

SolarNet は マルチタスクの Expectation-Maximization Attention Networks を用いて、大規模衛星画像のセマンティックセグメンテーションを実行し、中国の太陽光発電所をマッピングします。UNetおよびEMANetのベースラインを上回ります。

ABSTRACT

Renewable energy such as solar power is critical to fight the ever more serious climate change. China is the world leading installer of solar panel and numerous solar power plants were built. In this paper, we proposed a deep learning framework named SolarNet which is designed to perform semantic segmentation on large scale satellite imagery data to detect solar farms. SolarNet has successfully mapped 439 solar farms in China, covering near 2000 square kilometers, equivalent to the size of whole Shenzhen city or two and a half of New York city. To the best of our knowledge, it is the first time that we used deep learning to reveal the locations and sizes of solar farms in China, which could provide insights for solar power companies, market analysts and the government.

研究の動機と目的

• 政府の計画立案、産業分析、投資判断を支援するために、太陽光発電所のマッピングを促進する。
• 高解像度衛星画像から太陽光発電所を特定し規模を推定する、スケーラブルなディープラーニングベースの手法を開発する。
• 中国を対象とした太陽光発電所データセットを作成・活用し、セマンティックセグメンテーションモデルを訓練・評価する。
• 期待値最大化を介したグローバルアテンションを統合して、多様な背景にある不連続な太陽光発電所の分布に対応する。

提案手法

• ベースラインのセマンティックセグメンテーションモデルとしてUNetを採用する。
• グローバルな空間情報を捉えるため、マルチタスクの Expectation-Maximization Attention (EMAU) モジュールを備えた SolarNet を導入する。
• 事前学習済みの ResNet-101 をバックボーンとして使用し、EMAU モジュールを追加して残差風ブロックのように統合する。
• ジョイント損失を実装: Loss_total = lambda * Loss_cls + (1 - lambda) * Loss_seg 、分類とセグメンテーションを同時に実行可能。
• Adamオプティマイザで訓練；安定性のため EMA の基底 mu_t を移動平均で更新； 訓練時と推論時に各画像あたり T 回の EMAU を実行。
• 訓練データセットを拡張するためにデータ拡張（クロップ、スケール、回転、反射）を適用する。）

実験結果

リサーチクエスチョン

• RQ1 衛星画像を用いて、中国の砂漠・山岳・湖など多様な背景から、SolarNet が太陽光発電所を正確に検出・境界を描写できるか？
• RQ2 マルチタスクEMA Uアプローチは、UNetおよび単一のEMANetベースラインより太陽光発電所検出のセグメンテーション性能を向上させるか？
• RQ3 異なるデータソース（私たちのデータセット、Deepsolar US データセット）での性能と、ドメイン横断データと組み合わせた場合の性能はどうなるか？
• RQ4 検出された太陽光発電所の規模と、中国の省ごとの地理的分布はどのようになるか？

主な発見

モデル	mIoU (私たちのデータセット)	mIoU (Deepsolar データセット)	mIoU (私たちと Deepsolar データセット)
Resnet101-Unet	84.65%	84.22%	86.54%
Resnet101-EMANet-single	94.00%	90.98%	93.79%
SolarNet-Multitask-1.0	94.21%	90.39%	93.94%

• SolarNet は著者データセットと Deepsolar データセットのベースラインで UNet および EMANet を上回る。
• 著者のデータセットでは、mIoU: ResNet-101-Unet 84.65%; ResNet-101-EMANet-single 94.00%; SolarNet-Multitask-1.0 94.21%；Deepsolar データセットでは、mIoU: 84.22% (UNet), 90.98% (EMANet-single), 90.39% (SolarNet multitask)。
• SolarNet は中国で約500の太陽光発電所をマッピングし、約2000平方キロメートル（深圳市の規模に相当）をカバーし、州別および密度別の分布を可視化した。
• このフレームワークは多様な環境（砂漠・山岳・湖）でも大規模な太陽光発電所を検出でき、太陽光発電所の空間マップを提供する。
• 太陽光発電所が周囲の背景と似ている場合に潜在的な失敗があると指摘し、将来の拡張（高解像度対応、ハイパースペクトルデータ、より広いラベリング）を提案している。
• 中国全土で大規模なマッピングを実施し、青色のドットで表示された中国全域の太陽光発電所マップと省レベルの面積可視化を作成した。