Entrenamiento de aprendizaje automático profundo para identificar sistemas fotovoltaicos y solares térmicos en imágenes aéreas

Investigadores de la Universidad de Uppsala en Suecia han aplicado el aprendizaje automático profundo para identificar automáticamente sistemas fotovoltaicos y solares térmicos en imágenes aéreas y dijeron que su trabajo arrojó resultados mixtos.

Examinaron específicamente imágenes de ariel de Suecia utilizando un marco de aprendizaje profundo llamado DeepSolar CNN, que fue desarrollado por científicos de Stanford . El marco utiliza una red neuronal convolucional (CNN), que permite extraer y aprender características de datos visuales.

Según el grupo de investigación, el marco propuesto logró una precisión del 63,9% cuando se utilizó en un conjunto de datos sueco. Esto es más bajo que investigaciones anteriores realizadas con el mismo marco en otros países. Por ejemplo, un grupo de investigadores estadounidenses alcanzó una precisión del 91% y un estudio realizado en Alemania alcanzó el 87,3%.

Sin embargo, la CNN, formada en Suecia, ha logrado resultados más competitivos en cuanto a la tasa de recuperación. Mientras que la tasa de precisión se refiere a la capacidad del método para no cometer errores, la tasa de recuperación se refiere a su capacidad para no dejar escapar información positiva. En esa métrica de retirada, la sueca DeepSolar alcanzó el 81,8%, en comparación con el 98,1% en EE.UU. y el 87,5% en Alemania.

"En cuanto a la menor precisión alcanzada en este estudio en comparación con publicaciones anteriores, una explicación es que nuestros escaneos de municipios completos en la escasamente poblada Suecia contienen una proporción mucho mayor de imágenes negativas que los estudios mencionados", explicaron los científicos. "Dado que el objetivo principal es evaluar qué tan útil es la detección de sistemas descentralizados de energía solar (SES) mediante imágenes aéreas y un algoritmo de clasificación de CNN para crear una base de datos lo más completa posible, una alta recuperación es más importante que una alta precisión".

Los científicos dijeron que el algoritmo se entrenó primero con un conjunto de datos del estado de Renania del Norte-Westfalia en Alemania y luego se ajustó a Suecia con imágenes de ocho municipios. Luego se utilizó para escanear toda el área espacial de tres municipios suecos: Uppvidinge, Falun y Knivsta. Estos datos se compararon con otros datos recopilados durante las inspecciones in situ.

Este proceso iterativo implicó múltiples escaneos, y el algoritmo CNN se volvió a entrenar después de cada escaneo municipal, lo que resultó en una precisión mejorada progresivamente. En el escaneo inicial, el algoritmo detectó el 89% de los sistemas fotovoltaicos detectables (excluyendo BIPV y las instalaciones verticales) y el 59% de los sistemas ST”, enfatizaron los científicos. "Sorprendentemente, en el cuarto y último escaneo, estas tasas de detección mejoraron al 95% para los sistemas fotovoltaicos y al 80% para los sistemas ST".

También especificaron que la mayoría de los sistemas fotovoltaicos no detectados eran módulos sin marco, normalmente instalados en techos de colores más oscuros. Además, la sombra de árboles o estructuras, los reflejos de las imágenes y los sistemas con ángulos de inclinación elevados impidieron la eficacia de detección del algoritmo de clasificación.

"La precisión subraya la capacidad del modelo como herramienta de inventario y mecanismo para construir bases de datos completas de los SES existentes", concluyó el equipo sueco. "Conectar una base de datos de este tipo, donde se conocen las ubicaciones exactas de los SES, a los inventarios de edificios y propiedades existentes, facilita la generación de estadísticas notablemente detalladas del segmento de mercado de los SES".

Fuente:
pv magazine