[论文解读] 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 5

一句话总结

本文提出了一种半自动化的机器学习方法，用于从比利时、荷兰和德国的卫星和航空影像中检测并制图太阳能光伏板。通过利用高分辨率影像和建筑屋顶数据，该方法实现了对分布式太阳能装置的精确、可扩展的制图，从而能够在区域和国家层面可靠地监测能源转型和可持续性指标。

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).

研究动机与目标

• 解决由于地方注册数据零散且不完整，难以追踪分布式太阳能板安装的问题。
• 开发一种可扩展的自动化方法，利用遥感数据和机器学习制图太阳能板位置。
• 通过量化各地区太阳能光伏部署情况，实现对能源转型进展的准确、大规模评估。
• 标准化检测方法，以便在初始试点区域之外的多个欧盟国家推广应用。
• 整合数字数据源（卫星/航空影像）与官方统计数据，以改善可持续性监测。

提出的方法

• 以荷兰林堡省、比利时弗拉芒大区和德国北莱茵-威斯特法伦州的高分辨率卫星和航空影像作为主要输入数据。
• 整合辅助地理空间数据，包括建筑轮廓和屋顶几何信息，以支持检测模型的训练与验证。
• 应用监督式机器学习技术，通过标注的训练样本，将图像块分类为含太阳能板或不含。
• 结合标注影像与官方来源的实地验证数据，训练和验证模型，以提高检测准确性。
• 实施自动化推理管道，对大范围地理区域进行处理，生成全面的太阳能板分布地图。
• 标准化检测工作流程，以确保在不同欧洲地区和数据源之间具备可重复性和可扩展性。

实验结果

研究问题

• RQ1 在多样化城市与农村景观中，机器学习模型在高分辨率卫星和航空影像中检测太阳能板的准确度如何？
• RQ2 自动化检测在多大程度上可减少对不完整或不一致的地方注册数据的依赖，以追踪太阳能光伏部署？
• RQ3 整合建筑轮廓数据是否能提升太阳能板定位与分类的精度？
• RQ4 所提出方法在国家或跨国范围监测分布式太阳能能源基础设施方面的可扩展性如何？
• RQ5 基于机器学习的遥感技术如何促进更透明、数据驱动的可持续性和能源转型指标？

主要发现

• 该方法在多个欧洲地区成功检测到太阳能板，具备高空间精度，可实现对分布式光伏装置的可靠制图。
• 整合建筑与屋顶几何数据显著提高了检测精度，减少了非屋顶区域的误报。
• 半自动化处理管道实现了对大规模航空与卫星影像的可扩展处理，支持从区域到国家层面的监测。
• 该方法提供了一种透明、可重复的替代方案，取代黑箱能源建模，为能源转型进展提供可验证、数据驱动的指标。
• 标准化的方法论可推广至其他欧盟国家，支持跨国比较和政策相关的可持续性监测。
• 本项目表明，卫星影像等数字数据源可显著提升官方可再生能源部署统计数据的质量与时效性。