Investigadores de la Universidad de Isfahan (Irán) afirman haber mejorado la precisión de los modelos digitales de elevación (DEM, por sus iniciales en inglés) para crear mapas anuales de alta resolución del potencial de energía solar.
Los DEM son gráficos en 3D de la superficie terrestre desnuda del terreno que se muestra sin árboles, edificios ni otros objetos. En cuanto a su aplicación en la elaboración de mapas de energía solar, estos gráficos tienen en cuenta la elevación, la pendiente, el aspecto y los efectos de sombra, entre otros factores. Los DEM, como SRTM, ALOS, ASTER y Copernicus, están disponibles en línea como herramientas de acceso abierto y actualmente se utilizan ampliamente para generar mapas solares.
«Debido a su amplia cobertura espacial, permiten elaborar mapas del potencial de la energía solar en la mayoría de las zonas menos desarrolladas con costes más bajos», explican los científicos. «Sin embargo, la baja resolución de estos DEM en comparación con los obtenidos a partir de datos LiDAR reduce la precisión de la extracción de mapas de potencial de energía solar, lo que plantea limitaciones para la ubicación precisa de los paneles solares, especialmente en zonas urbanas y en los alrededores de las autopistas», añadieron, señalando que el método LiDAR, que mide distancias mediante el uso de un láser sobre un objetivo, tiene costes elevados y requisitos de almacenamiento significativos.
El grupo de investigación propuso superar estas limitaciones utilizando redes de aprendizaje profundo para mejorar la resolución de los DEM. Su trabajo consistió, en concreto, en entrenar los DEM para mejorar las resoluciones espaciales de los mapas de energía solar e identificar las mejores zonas para el despliegue de paneles solares en zonas urbanas.
Los académicos utilizaron la red de superresolución profunda mejorada (EDSR) para mejorar la resolución del mapa solar derivado de LiDAR. La EDSR es una red neuronal convolucional adecuada para mejorar la resolución espacial de las imágenes que se emplea ampliamente en tareas de visión por ordenador.
El rendimiento de esta red en la mejora de la precisión de los mapas de energía solar generados se comparó con el de la red U-Net, que es una técnica de red convolucional utilizada para la segmentación rápida y precisa de imágenes.
Los científicos descubrieron que el modelo EDSR era el más preciso y estable para mejorar la exactitud de los mapas de potencial de energía solar. A continuación, utilizaron el modelo para mejorar la resolución de un mapa de potencial de energía solar derivado del DEM de Copernicus de 30 m a 6 m.
«Un análisis comparativo entre el mapa basado en el DEM de Copernicus y el mapa mejorado con EDSR, utilizando una referencia basada en LiDAR, demostró que el modelo EDSR no sólo mejoraba la resolución del mapa, sino que también aumentaba la precisión de la estimación de la energía solar, especialmente en las zonas urbanas y a lo largo de las principales autopistas», subrayó el equipo de investigación. «Por último, se evaluó la eficacia del mapa mejorado de 6 metros de resolución para identificar edificios adecuados para la instalación de paneles solares».
Los detalles del modelado están disponibles en el artículo «Improving the Resolution of Solar Energy Potential Maps Derived from Global DSMs for Rooftop Solar Panel Placement Using Deep Learning» (Mejora de la resolución de los mapas de potencial de energía solar derivados de los DSM globales para la colocación de paneles solares en azoteas mediante aprendizaje profundo), publicado en Helyion.
Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.