ابتكر علماء سويديون نموذجًا آليًا جديدًا يزعمون أنه يقدم "أداءً فائقًا" في تحديد الأنظمة الشمسية الصغيرة اللامركزية من الصور الجوية. يُقال إن أنظمة تركيب الطاقة الشمسية المؤتمتة الصديقة للبيئة هذه أداة مفيدة لمساعدة العديد من أصحاب المصلحة في صناعة الكهروضوئية ، حيث يمكنها تزويد صانعي السياسات والسلطات والمقيمين الماليين ببيانات دقيقة.

تستخدم الطريقة الجديدة التعلم العميق وتقنيات معالجة الصور للكشف عن الأنظمة الحرارية الشمسية والفولطية الضوئية ، ووفقًا لمؤلفيها ، قد تعزز دراسة المتابعة النموذج للتمييز بين التقنيات الكهروضوئية والحرارة الشمسية. يوضح المقال "هذه مهمة صعبة حيث تشترك التقنيتان في نسيج ومظهر لون متشابهين". "ومع ذلك ، نعتقد أنه من خلال التعديلات والتحسينات الصحيحة ، يمكن تكييفه بشكل فعال للتجزئة متعددة الفئات لأنظمة الطاقة الشمسية."

في دراسة "تحديد الأنظمة الشمسية اللامركزية الصغيرة في الصور الجوية باستخدام التعلم العميق" ، المنشورة في Solar Energy ، أوضح الأكاديميون أنهم استخدموا بنية U-net للشبكات العصبية التلافيفية (CNN) ، وهي طريقة شبكة تلافيفية للتجزئة السريعة والدقيقة من الصور ، موضحًا أن القوة الرئيسية لهذه التقنية هي أنها تتطلب عددًا أقل من بيانات الإدخال واستخدامًا أقل للأجهزة مقارنة بالطرق الأخرى.

وأضافت: "إن استخدام نموذج U-net للكشف عن أنظمة الطاقة الشمسية يوفر حلاً مؤتمتًا يعتمد على البيانات مع تعقيد محسّن ، مما يتيح الكشف الدقيق". "التقسيم الدقيق وتحديد أنظمة الطاقة الشمسية من الصور الجوية له قيمة عملية كبيرة ، مما يسهل التقييم الفعال لأداء اللوحة ، ومتطلبات الصيانة ، وتقدير إنتاج الطاقة."

تم تدريب النموذج الجديد واختباره على قاعدتي بيانات - واحدة من ألمانيا والأخرى من السويد - وتم استخدام مزيج من الاثنين لزيادة قدرة توليد الطاقة الشمسية المركبة على الأرض من قدراتها. قال الباحثون إنه عند مقارنته ببنيات CNN الأخرى ، برز نموذج U-Net ، خاصة في مهام تجزئة الصور.

ووفقًا للبحث أيضًا ، يمكن تدريب نموذج U-net على الصور الجوية بدقة 128 × 128 بكسل ، وتحقيق دقة ليست أقل بكثير مما هي عليه مع دقة أعلى 256 × 256 بكسل. تؤدي قدرتها على استخدام دقة أقل ، بدورها ، إلى تقليل استخدام أجهزة الكمبيوتر.

وخلص المقال إلى أن "هذه الدراسة أثبتت أن نموذج U-net يمكنه تقييم مساحة أنظمة الطاقة الشمسية في الصور الجوية بدقة عالية". ومع ذلك ، فإن إمالة الوحدات ضرورية أيضًا لتقدير المنطقة بشكل صحيح. يمكن حساب الإمالة إما من بيانات المباني ثلاثية الأبعاد أو بيانات LiDAR عالية / منخفضة الدقة. إن الجمع بين الأخير وطريقة هذه الدراسة هو الخطوة التالية المخطط لها ".