Científicos de los Estados Unidos
crearon una red neuronal para detectar paneles solares en imágenes satelitales. Además, también es capaz de predecir la dinámica de la distribución de paneles en una región en particular, dependiendo de varias características de la región, incluidas las socioeconómicas. Con base en los resultados del sistema, los desarrolladores crearon un mapa con información sobre la popularidad de la energía solar en los Estados Unidos.
Un equipo de científicos dirigido por el profesor Ram Rajagopal está trabajando en su proyecto, llamado DeepSolar, en la Universidad de Stanford. La base del proyecto es la
red neuronal convolucional bastante popular Inception-v3, que fue entrenada usando un conjunto de datos de 1.28 millones de fotografías de varios objetos.
La red se modificó de acuerdo con las tareas. Para continuar el trabajo, los especialistas limpiaron los parámetros de la última capa de la red neuronal, creando un conjunto de datos especializado.
La red neuronal fue entrenada en parte en imágenes satelitales de Google Maps, en parte en imágenes de otras fuentes. Se utilizó el servicio de mapas de Google porque los mapas tienen información sobre la disponibilidad de paneles solares. La red neuronal convolucional fue "castigada" por el reconocimiento incorrecto de objetos en el mapa.
Como resultado, pudo enseñarle a determinar la presencia de paneles solares con una precisión superior al 93%. Luego se agregó una capa que puede resaltar paneles en la imagen, tanto áreas pequeñas como grandes regiones de “granjas solares”. La prueba final de la red neuronal se realizó sobre la base de escanear una base que contiene más de mil millones de imágenes de satélite de varias regiones de los Estados Unidos.
Como resultado, los científicos obtuvieron una base de datos bastante grande, que incluye las coordenadas de la ubicación de los paneles solares en casi todo Estados Unidos. Al final resultó que, hay más de 1,47 millones de objetos de este tipo en el país, que es más que enumerado en las bases de datos de varios sistemas de contabilidad de fotocélulas. El proyecto de los científicos de Stanford es incluso más grande que Google: la compañía mantiene un registro de paneles solares como parte del proyecto Google Sunroof. Al mismo tiempo, la red neuronal DeepSolar puede distinguir entre paneles "domésticos" y paneles industriales, que cubren un área importante.
Está claro que en el segundo caso, es más fácil distinguir entre paneles, y la precisión del reconocimiento por parte de su red neuronal es superior al 96%.
En la siguiente etapa del proyecto, los especialistas compararon los datos reales con varias características de las regiones, como se mencionó anteriormente. Al final resultó que (y esto difícilmente se puede llamar una sorpresa) hay más paneles en ubicaciones económicamente desarrolladas que en lugares no muy bien provistos. Luego viene la "meseta", que se forma después de exceder el límite de ingresos de $ 150 mil por hogar. También fue posible descubrir que los paneles solares comienzan a aparecer en la región si la producción de energía es de 4.5-5 kWh por día por metro cuadrado.
Sobre la base de los datos recopilados, los investigadores desarrollaron una metodología para predecir el grado de penetración de los paneles solares en ciertas regiones. La metodología utiliza 94 parámetros diferentes, que incluyen el nivel de insolación, las tarifas de electricidad, el nivel de ingresos de los residentes y otros. El resultado de los cálculos es el pronóstico del número de paneles solares por hogar.
Según los desarrolladores, su red neuronal se puede utilizar para monitorear el nivel de penetración de los paneles solares en varias regiones, no solo en los Estados Unidos, sino también en otros países. Gradualmente, los científicos van a hacer un análisis de la distribución de energía solar en todo el mundo, utilizando imágenes de alta calidad de Google y otras fuentes como base. La base de datos se actualizará anualmente, a pesar de que este es un proyecto sin fines de lucro.
La red neuronal y su trabajo se pueden utilizar para lograr varios objetivos. Por ejemplo, análisis de la situación con la distribución de células solares para evaluar la efectividad de los programas para el desarrollo de energías alternativas. Los analistas pueden usar los datos para su ventaja, sin embargo, aún no está claro si los datos se proporcionarán de forma gratuita o si usarlos tendrá que pagar. Sea como fuere, está claro que la IA y las redes neuronales están penetrando cada vez más en nuestras vidas y nuestro trabajo.