[논문 리뷰] Monitoring spatial sustainable development: Semi-automated analysis of satellite and aerial images for energy transition and sustainability indicators

Lyana Curier, T. J. A. De Jong외 8명|arXiv (Cornell University)|2018. 10. 11.

Solar Radiation and Photovoltaics참고 문헌 34인용 수 5

한 줄 요약

이 논문은 벨기에, 네덜란드, 독일 전역의 위성 및 항공 사진에서 태양광 패널을 탐지하고 지ap핑하기 위한 준자동화된 기계학습 방법을 제시한다. 고해상도 영상과 건물 屋根 데이터를 활용하여 분산형 태양광 설비를 정확하고 확장 가능한 방식으로 지도화함으로써, 지역 및 국가 수준에서 에너지 전환과 지속 가능성 지표를 견고하게 모니터링할 수 있다.

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).

연구 동기 및 목표

• 산재하고 불완전한 지역 등록부로 인해 분산형 태양광 패널 설치 상황을 추적하는 데 도전 과제가 존재함을 해결하기 위해.
• 원격 감지 데이터와 기계학습을 활용하여 태양광 패널 위치를 가시화하는 확장 가능한 자동화된 방법을 개발하기 위해.
• 지역별 태양광 PV 배치를 정량화하여 에너지 전환 진행 상황의 정확하고 대규모 평가를 가능하게 하기 위해.
• 초기 시범 지역을 넘어 여러 EU 국가에 적용 가능한 탐지 방법론을 표준화하기 위해.
• 위성/항공 영상과 같은 디지털 데이터 소스를 공식 통계와 통합하여 지속 가능성 모니터링을 향상시키기 위해.

제안 방법

• 네덜란드의 림버그(Provinces of Limburg, NL), 벨기에의 플랑드르(Flanders, BE), 독일의 노르트라인베스트팔렌(North Rhine-Westphalia, DE)에서 확보한 고해상도 위성 및 항공 영상을 주요 입력 데이터로 활용하기 위해.
• 학습 및 검증을 지원하기 위해 건물 외곽선과 屋根 기하학적 정보를 포함한 보조 지공간 데이터를 통합하기 위해.
• 레이블링된 학습 샘플을 사용하여 영상 패치가 태양광 패널을 포함하는지 여부를 분류하기 위해 지도 기반 기계학습 기법을 적용하기 위해.
• 탐지 정확도 향상을 위해 레이블이 붙은 영상과 공식 기관의 실제 데이터를 조합하여 모델을 학습하고 검증하기 위해.
• 대규모 지리적 영역에 걸쳐 자동 추론을 구현하여 종합적인 태양광 패널 분포 지도를 생성하기 위해.
• 다양한 유럽 지역과 데이터 소스 간의 재현성과 확장성을 보장하기 위해 탐지 워크플로우를 표준화하기 위해.

실험 결과

연구 질문

• RQ1 다양한 도시 및 농촌 풍경에서 고해상도 위성 및 항공 영상에서 기계학습 모델이 태양광 패널을 얼마나 정확하게 탐지할 수 있는가?
• RQ2 자동 탐지 기술이 태양광 PV 배치를 추적하기 위해 불완전하거나 일관성 없는 지역 등록부에 대한 의존도를 얼마나 줄일 수 있는가?
• RQ3 건물 외곽선 데이터의 통합이 태양광 패널의 정밀한 위치 특정 및 분류 정확도를 향상시킬 수 있는가?
• RQ4 제안된 방법의 확장성은 분산형 태양에너지 인프라의 전국 또는 다국적 모니터링에 얼마나 적합한가?
• RQ5 기계학습 기반 원격 감지 기술은 더 투명하고 데이터 기반의 지속 가능성 및 에너지 전환 지표를 어떻게 향상시킬 수 있는가?

주요 결과

• 이 방법은 높은 공간 정확도를 확보하여 유럽 여러 지역에서 분산형 PV 설치를 신뢰할 수 있게 지도화하는 데 성공하였다.
• 건물 및 屋根 기하학적 정보의 통합은 비-지붕 영역에서의 오진 탐지 수를 줄여 탐지 정밀도를 크게 향상시켰다.
• 준자동화된 파이프라인은 대규모 항공 및 위성 영상의 처리를 확장 가능하게 구현하여 지역에서 국가 수준의 모니터링을 지원한다.
• 이 접근법은 투명하고 재현 가능한 블랙박스 에너지 모델링의 대안을 제공하며, 에너지 전환 진행 상황에 대한 검증 가능하고 데이터 기반의 지표를 제공한다.
• 표준화된 방법론은 다른 EU 국가로도 이식 가능하여 다국적 비교 및 정책 관련 지속 가능성 모니터링을 가능하게 한다.
• 이 프로젝트는 위성 영상과 같은 디지털 데이터 소스가 재생 가능 에너지 배치에 대한 공식 통계의 질과 시의성을 크게 향상시킬 수 있음을 입증한다.