斯坦福大学的工程师利用机器学习绘制全国每个太阳能电池板的地图

可再生能源是未来，但目前没有人跟踪谁在他们的屋顶，后院或共享的邻居设施上有太阳能电池板。幸运的是，太阳能电池板在暴露在光线下时通常效果最佳。这使得它们很容易从轨道上发现和计数 - 这正是DeepSolar项目正在做的事情。

收集这些信息有很多举措 - 一些是受管制的，一些是自愿的，一些是自动化的。但是，它们都不够全面或不够准确，不足以在国家或州一级制定政策或商业决策。

斯坦福大学的工程师（分别是机械和民用）Arun Majumdar和Ram Rajagopal决定以回想起来的方式解决这个问题，而不是一个明显的解决方案。

机器学习系统非常适合查看图像和查找被“训练”识别的物体，无论是猫，脸还是汽车......为什么不用太阳能电池板？

他们的团队，包括研究生Jiafan Yu和Zhe Zhe Wang，组建了一个图像识别机器学习代理，培训了数十万个卫星图像。该模型学习两者以识别图像中太阳能电池板的存在，并找到这些电池板的形状和面积。

在对美国近十万个其他随机抽样卫星图像进行评估后，他们发现它们达到了约90％的准确度（根据测量结果略有不同或多或少），远远超过其他模型，并且估计的单元大小只有大约3％的误差。 （它的主要弱点是非常小的装置，Rajagopal告诉我，但这部分是由于图像的限制。）
然后，该团队将该模型用于咀嚼超过十亿个图像平铺，覆盖了较低的48个州，因为他们可以找到合适的图像。这排除了相当多的区域，但考虑到大部分区域，例如山脉。那里没有太多的太阳能装置，很少有人试图在国家公园里放置电池。

总而言之，它占实际国家的6％左右 - 但Rajagopal指出，城市地区仅占3.5％左右，所以这涵盖了所有这些国家和更多。他估计可能有5％的安装位于系统尚未处理的区域（但正在进行中）。

扫描花了整整一个月的时间，但最后模型发现了147万个单独的太阳能装置（可能是屋顶或整个太阳能农场的几块面板）。除了其他努力之外，还有其他许多因素，而最成功的那些并没有像DeepSolar的数据那样具有确切的位置。

这些数据的基本绘图产生了各种有趣的新信息。您可以比较州，县，人口普查区甚至平方英里水平的太阳能装置密度，并将其与各种其他指标进行比较 - 每年平均晴天，家庭收入，投票偏好等。

一些有趣的发现：只有4％的人口普查区域（约75,000个中的3,000个）拥有超过100个住宅级太阳能系统，这意味着安装高度集中。住宅太阳能占总安装量的87％，但中位数约为25平方米，仅占太阳能电池总面积的34％。
峰值部署密度可以在每平方英里大约有一千人的地方找到 - 想想一个小镇或郊区，而不是一个主要城市。人们开始安装有一种拐点：当一个区域每天每平方米的太阳辐射超过4.5千瓦时。如何与天气，位置，曝光等相对应是一个更复杂的问题。

如果您想投资太阳能，这个和其他人口统计数据都是很好的信息，因为它们基本上可以告诉您哪些是合理的或需要的。

“我们创建并发布了一个网站，您可以在这个网站上使用汇总级别的数据（我们将其保持在人口普查级别），以尊重消费者的隐私，”Rajagopal说。 “我们正在探索如何在尊重隐私的同时公开个人检测（可能通过鼓励公众参与和众包）。”

“我们决定分享开源中的所有工作，以鼓励工业界和学术界的其他人利用这种方法和数据来产生更多的见解。我们认为变革需要快速发生，这是帮助实现这一目标的方法之一。也许在未来，可以围绕这类数据建立服务，“他继续说道。

正在计划将服务扩展到美国其他国家和其他国家。这些数据可以在这里阅读，或者在这里作为地图;该团队描述该项目的论文今天发表在Joule期刊上。