為了讓美國消費者與廠商更加了解太陽能板裝設狀況與分布，史丹佛大學透過機器學習與衛星圖像，研發出「DeepSolar」軟體與開放平台，可成功辨識出美國逾 147 萬個太陽能裝置，希望能讓人們更了解當地太陽能的部署情形與背後原因。
美國太陽能安裝產業可說是蒸蒸日上，產業營收從 10 年前的 4,200 萬美元，到 2017 年已大幅攀升至 2.1 億美元，但太陽能在美國的裝置分布如何？有哪些是熱門裝設地點？收入與日照度有什麼門檻嗎？雖然已知太陽能產業發展強勢，但目前裝設狀況與分布都沒有足夠的數據，這也讓科學家、太陽能開發商與相關政策難以進行更多的跨領域研究。
若是可以知道太陽能裝設狀況、裝設動機或是熱門地點，這將有助於廠商提出更吸引人的企畫，公用事業電力公司也能更容易平衡電網與拉設饋線，對於城市規劃也大有裨益。
因此為了解決人們心中的疑惑，史丹佛大學善加利用衛星地圖與卷積神經網路（CNN）技術，訓練電腦辨識 37 萬張含有 30×30 公尺地圖的衛星圖像，讓電腦分析其中是否含有太陽能板。該演算法可將衛星圖像分解成小圖片，深度神經網路則會再進一步處理與分類這些區塊，之後就會開始分辨哪些含有太陽能板，進而形成熱點圖（heat map）。
史丹佛電機工程博士生 Jiafan Yu 表示，團隊其實並沒有提示電腦得特別關注哪些特徵，這些都是電腦透過機器學習自學而來，之後才慢慢知道與太陽能關聯性較高的顏色、花紋和尺寸，而 DeepSolar 辨識表現不俗，住宅太陽能搜尋的精準度已達到 93.1%，召回度（recall，註）為 88.5%，非住宅太陽能精準度與召回度則分別是 93.7% 與 90.5%。
研究團隊已將 DeepSolar 實際辨識 10 億張衛星圖像，該軟體也在一個月內於住宅、辦公室屋頂與大型電廠統計出 147 萬個太陽能裝置，這數據已遠遠超過當前估計的 102 萬，目前研究則將數據與美國人口普查和其他資料相結合，擴大分析人們購買太陽能的背後原因與相關研究。
團隊研究發現，住宅太陽能部署在每平方英里居住 1,000 人時達到最高，且家庭總年收入若超過 15 萬美元裝設機率會再增加，且由於太陽能入手成本仍高，中低收入戶即使居住在陽光豐沛地區，仍然不會選擇太陽光電；研究也指出，若將太陽能板部署資料與地理相結合，可以間接知道在該地裝設太陽能所需的最低日照量。
史丹佛大學土木與環境工程副教授 Arun Majumdar 表示，雖然團隊已發現全新的太陽能研究分析方向，但這只是能給予其他研究員、公用電力、太陽能開發商與政策決策者的冰山一角。指出未來將陸續公布其他數據與著手研究國外地區，這樣一來所有人就能找到屬於自己或是自家企業、城市的太陽能部署模式與典範。
目前團隊已在 DeepSolar 網站公布所有相關數據，研究也發表在《Joule》。
註：召回度又稱靈敏度，指實際為正向答案的樣本，判斷正確的比例。
- Stanford’s DeepSolar AI maps solar installations right across the US
- Stanford scientists locate nearly all U.S. solar panels by applying machine learning to a billion satellite images
- This AI Just Mapped Every Solar Panel in the United States
（本文由 EnergyTrend 授權轉載；首圖來源：pixabay）
icon
icon