Aprendizaje automático profundo para identificar sistemas fotovoltaicos y termosolares en imágenes aéreas

Investigadores de la Universidad sueca de Uppsala han aplicado el aprendizaje automático profundo para identificar automáticamente sistemas fotovoltaicos (FV) y termosolares (ST) en imágenes aéreas.

Para ello utilizaron un marco de aprendizaje profundo llamado DeepSolar CNN, desarrollado por científicos de Stanford. El marco utiliza una red neuronal convolucional (CNN), que permite extraer y aprender características de los datos visuales.

Según el grupo de investigación, el marco propuesto alcanzó una precisión del 63,9% cuando se utilizó en un conjunto de datos suecos. Esta cifra es inferior a la de investigaciones anteriores realizadas con el mismo marco en otros países. Por ejemplo, un grupo de investigadores de EE.UU. alcanzó una precisión del 91% y un estudio realizado en Alemania, del 87,3%.

Sin embargo, la CNN entrenada en Suecia ha obtenido 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 esta métrica, el DeepSolar sueco ha logrado un 81,8%, frente al 98,1% de EE.UU. y el 87,5% de Alemania.

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

Los científicos explican que el algoritmo se entrenó primero con un conjunto de datos del estado alemán de Renania del Norte-Westfalia y luego se adaptó a Suecia con imágenes de ocho municipios. A continuación, se utilizó para escanear toda el área espacial de tres municipios suecos: Uppvidinge, Falun y Knivsta. Estos datos se compararon con otros recogidos mediante inspecciones in situ.

Este proceso iterativo implicó múltiples escaneados, con el algoritmo CNN siendo reentrenado después de cada escaneado del municipio, lo que resultó en una precisión progresivamente mejorada. En el primer escaneado, el algoritmo detectó el 89% de los sistemas fotovoltaicos detectables (excluidos los BIPV y las instalaciones verticales) y el 59% de los sistemas ST”, destacan los científicos. “Sorprendentemente, en el cuarto y último escaneado, estas tasas de detección mejoraron hasta el 95% para los sistemas FV y el 80% para los sistemas ST”.

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

“La precisión subraya la capacidad del modelo como herramienta de inventario y como mecanismo para crear bases de datos completas de los sistemas de energía solar existentes”, concluye el equipo sueco. “La conexión de una base de datos de este tipo, en la que se conocen las ubicaciones exactas de los SES, con los inventarios de edificios e inmuebles existentes, facilita la generación de estadísticas de segmentos de mercado de SES notablemente detalladas”.

Sus conclusiones pueden consultarse en el artículo “Mapping of decentralized photovoltaic and solar thermal systems by remote sensing aerial imagery and deep machine learning for statistic generation” (Cartografía de sistemas fotovoltaicos y termosolares descentralizados mediante imágenes aéreas de teledetección y aprendizaje automático profundo para la generación de estadísticas), publicado en Energy and AI.