米国の科学者は、衛星画像のソーラーパネルを検出するためのニューラルネットワークを作成しました 。 さらに、社会経済的な特性を含む地域のさまざまな特性に応じて、特定の地域におけるパネルの分布のダイナミクスを予測することもできます。 システムの結果に基づいて、開発者は米国での太陽エネルギーの人気に関する情報を含むマップを作成しました。
Ram Rajagopal教授が率いる科学者チームは、スタンフォード大学でDeepSolarと呼ばれる彼のプロジェクトに取り組んでいます。 プロジェクトの基礎は、さまざまなオブジェクトの128万枚の写真のデータセットを使用してトレーニングされた、かなり人気のある畳み込みニューラルネットワーク Inception-v3です。
ネットワークはタスクに従って変更されました。 作業を続行するために、専門家はニューラルネットワークの最後の層のパラメーターをクリアし、特殊なデータセットを作成しました。
ニューラルネットワークは、一部はGoogleマップの衛星画像で、一部は他のソースからの画像でトレーニングされました。 Googleマップサービスが使用されたのは、マップにソーラーパネルの可用性に関する情報があるためです。 畳み込みニューラルネットワークは、マップ上のオブジェクトが正しく認識されなかったため、「処罰」されました。
その結果、彼女は93％以上の精度でソーラーパネルの存在を判断することを教えることができました。 次に、画像内のパネルを選択できるレイヤーが追加されました-「ソーラーファーム」の小さな領域と大きな領域の両方。 ニューラルネットワークの最終テストは、米国のさまざまな地域の10億を超える衛星画像を含む基地のスキャンに基づいて行われました。
その結果、科学者たちはかなり大規模なデータベースを入手しました。これには、米国のほぼ全域にわたる太陽電池パネルの位置の座標が含まれています。 判明したように、国内にはそのようなオブジェクトが147万個以上あり、これはさまざまなフォトセル会計システムのデータベースにリストされているものを超えています。 Stanfordの科学者プロジェクトはGoogleよりもさらに大きく、Google Sunroofプロジェクトの一環としてソーラーパネルを追跡しています。 同時に、DeepSolarニューラルネットワークは、重要な領域をカバーする「ホーム」パネルと産業用パネルを区別できます。
2番目のケースでは、パネルを区別するのが簡単であり、ニューラルネットワークによる認識の精度は96％以上であることは明らかです。
上記のように、プロジェクトの次の段階では、専門家が実際のデータを地域のさまざまな特性と比較しました。 結局のところ、経済的に開発された場所には、あまり設備が整っていない場所よりも多くのパネルがあります（これは驚くことではありません）。 次に来るのが「高原」で、これは世帯あたり所得制限の15万ドルを超えた後に形成されます。 エネルギー生産が1平方メートルあたり1日あたり4.5〜5 kWhの場合、この地域にソーラーパネルが表示され始めることもわかりました。
収集されたデータに基づいて、研究者は特定の地域での太陽電池パネルの浸透度を予測するための方法論を開発しました。 この方法論では、日射量、電気料金、居住者の収入レベルなど、94の異なるパラメーターを使用します。 計算の結果は、1世帯あたりのソーラーパネルの数の予測です。
開発者によると、彼らのニューラルネットワークを使用して、米国だけでなく他の国でも、さまざまな地域でのソーラーパネルの浸透レベルを監視できます。 科学者は徐々に、グーグルや他のソースからの高品質の画像を基礎として、世界中の太陽エネルギーの分布の分析を行うつもりです。 データベースは非営利プロジェクトであるにもかかわらず、毎年更新されます。
ニューラルネットワークとその機能を使用して、さまざまな目標を達成できます。 たとえば、太陽電池の分布状況を分析して、代替エネルギー開発プログラムの有効性を評価します。 アナリストはデータを有利に使用できますが、データを無料で提供するのか、それとも使用する必要があるのかはまだ明確ではありません。 AIとニューラルネットワークが私たちの生活と仕事にますます浸透していることは明らかです。