[论文解读] 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 42

一句话总结

SolarNet 使用多任务期望最大化注意力网络在大规模卫星影像上进行语义分割，并绘制中国的太阳能农场地图，性能优于 UNet 和 EMANet 基线。

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.

研究动机与目标

• 推动绘制太阳能农场地图，以帮助政府规划、行业分析和投资决策。
• 开发一种可扩展的基于深度学习的方法，从高分辨率卫星影像定位并测量太阳能农场规模。
• 创建并使用面向中国的太阳能农场数据集，以训练与评估语义分割模型。
• 通过期望最大化整合全局注意力，以应对分布于不同背景中的不连续太阳能农场分布。

提出的方法

• 以 UNet 作为基线语义分割模型。
• 引入具有多任务期望最大化注意力 (EMAU) 模块的 SolarNet，以捕获全局空间信息。
• 使用预训练的 ResNet-101 作为骨干网络，增加并通过类似残差块的结构整合 EMAU 模块。
• 实现联合损失：Loss_total = lambda * Loss_cls + (1 - lambda) * Loss_seg，使同时进行分类与分割。
• 使用 Adam 优化器进行训练；通过移动平均更新 EMA 基底 mu_t 以提高稳定性；训练和测试阶段对每张图像执行 T 轮 EMAU。
• 应用数据增强（裁剪、缩放、旋转、翻转）以扩充训练集。

实验结果

研究问题

• RQ1 SolarNet 是否能在来自不同背景（沙漠、山地、湖泊）的卫星影像条件下，准确检测并界定中国的太阳能农场？
• RQ2 多任务 EMAU 方法是否在太阳能农场检测的分割性能上优于 UNet 和单一 EMANet 基线？
• RQ3 在不同数据源（我们的数据集、Deepsolar 美国数据集）以及跨域数据组合时，SolarNet 的表现如何？
• RQ4 在中国各省的检测到的太阳能农场的规模和地理分布如何？

主要发现

• SolarNet 在作者的数据集和 Deepsolar 数据集上优于 UNet 和 EMANet 基线。
• 在作者的数据集上，mIoU: ResNet-101-Unet 84.65%; ResNet-101-EMANet-single 94.00%; SolarNet-Multitask-1.0 94.21%；在 Deepsolar 数据集上，mIoU: 84.22%（UNet），90.98%（EMANet-single），90.39%（SolarNet multitask）。
• SolarNet 成功在中国绘制约 500 个太阳能农场，覆盖近 2000 平方公里（约 深圳市规模），并按省份和密度可视化分布。
• 该框架能够在多样环境下检测大型太阳能农场（沙漠、山地、湖泊），并提供太阳能农场位置的空间地图。
• 作者指出当太阳能农场与周围环境相似时可能失效，并提出未来扩展（更高分辨率处理、高光谱数据、更广泛的标注）。
• 在中国范围内进行了大规模制图，生成了带蓝点的中国太阳能农场地图和省级面积可视化。