美国科学家
创建了一个神经网络，以检测卫星图像中的太阳电池板。 此外，它还能够根据特定区域的各种特征（包括社会经济特征）来预测特定区域中面板的分布动态。 根据系统的结果，开发人员创建了一张地图，其中包含有关太阳能在美国的受欢迎程度的信息。
由Ram Rajagopal教授领导的一组科学家正在斯坦福大学从事名为DeepSolar的项目。 该项目的基础是颇受欢迎的
卷积神经网络 Inception-v3，该
网络使用了128万张各种物体照片的数据集进行了训练。
网络已根据任务进行了修改。 为了继续工作，专家清理了神经网络最后一层的参数，创建了专门的数据集。
该神经网络的一部分训练在于Google地图的卫星图像，另一部分则训练于其他来源的图像。 之所以使用Google地图服务，是因为地图具有有关太阳能电池板可用性的信息。 卷积神经网络被“惩罚”以正确识别地图上的物体。
结果，她能够教她确定是否存在太阳能电池板，其准确性超过93％。 然后添加一个可以在图像中选择面板的层-“太阳能农场”的小区域和大区域。 对神经网络的最终测试是在扫描包含美国各个地区超过10亿个卫星图像的基地的基础上进行的
结果，科学家得到了一个相当大的数据库，其中包括几乎整个美国的太阳能电池板的位置坐标。 事实证明，该国有超过147万个这样的物体，超过了各种光电池计费系统数据库中列出的物体。 斯坦福大学的科学家项目甚至比Google还要大-作为Google天窗项目的一部分，该公司保留了太阳能电池板的记录。 同时，DeepSolar神经网络可以区分覆盖较大面积的“家用”面板和工业面板。
显然，在第二种情况下，更容易区分面板，并且通过其神经网络进行识别的准确性超过96％。
如上所述，在项目的下一阶段，专家们将实际数据与该地区的各种特征进行了比较。 事实证明（这很难让人感到意外），在经济发达的地区，面板数量要比没有足够完善的面板更多。 接下来是“高原”，它是在超过每个家庭15万美元的收入限制之后形成的。 如果每天每平方米的发电量为4.5-5 kWh，那么也有可能发现该区域开始出现太阳能电池板。
基于收集到的数据，研究人员开发了一种方法来预测某些区域中太阳能电池板的渗透程度。 该方法使用94种不同的参数，包括日照水平，电价，居民收入水平等。 计算结果是对每一个家庭的太阳能电池板数量的预测。
根据开发人员的说法，他们的神经网络可用于监视太阳能板在各个地区（不仅是美国，而且是其他国家）的渗透水平。 科学家将逐步使用Google和其他来源的高质量图像来分析全球太阳能的分布。 尽管这是一个非营利项目，但该数据库将每年进行更新。
神经网络及其工作可用于实现各种目标。 例如，分析太阳能电池的分布情况，以评估替代能源开发计划的有效性。 分析师可以利用这些数据来发挥自己的优势，但是，尚不清楚该数据是免费提供还是需要付费使用。 尽管如此，很显然，人工智能和神经网络正越来越多地渗透到我们的生活和工作中。