为了让美国消费者与厂商更加了解太阳能板装设状况与分布，史丹佛大学透过机器学习与卫星图像，研发出“DeepSolar”软件与开放平台，可成功辨识出美国逾 147 万个太阳能装置，希望能让人们更了解当地太阳能的部署情形与背后原因。
美国太阳能安装产业可说是蒸蒸日上，产业营收从 10 年前的 4,200 万美元，到 2017 年已大幅攀升至 2.1 亿美元，但太阳能在美国的装置分布如何？有哪些是热门装设地点？收入与日照度有什么门槛吗？虽然已知太阳能产业发展强势，但目前装设状况与分布都没有足够的数据，这也让科学家、太阳能开发商与相关政策难以进行更多的跨领域研究。
若是可以知道太阳能装设状况、装设动机或是热门地点，这将有助于厂商提出更吸引人的企画，公用事业电力公司也能更容易平衡电网与拉设馈线，对于城市规划也大有裨益。
因此为了解决人们心中的疑惑，史丹佛大学善加利用卫星地图与卷积神经网络（CNN）技术，训练电脑辨识 37 万张含有 30×30 米地图的卫星图像，让电脑分析其中是否含有太阳能板。该算法可将卫星图像分解成小图片，深度神经网络则会再进一步处理与分类这些区块，之后就会开始分辨哪些含有太阳能板，进而形成热点图（heat map）。
史丹佛电机工程博士生 Jiafan Yu 表示，团队其实并没有提示电脑得特别关注哪些特征，这些都是电脑透过机器学习自学而来，之后才慢慢知道与太阳能关联性较高的颜色、花纹和尺寸，而 DeepSolar 辨识表现不俗，住宅太阳能搜寻的精准度已达到 93.1%，召回度（recall，注）为 88.5%，非住宅太阳能精准度与召回度则分别是 93.7% 与 90.5%。
研究团队已将 DeepSolar 实际辨识 10 亿张卫星图像，该软件也在一个月内于住宅、办公室屋顶与大型电厂统计出 147 万个太阳能装置，这数据已远远超过当前估计的 102 万，目前研究则将数据与美国人口普查和其他资料相结合，扩大分析人们购买太阳能的背后原因与相关研究。
团队研究发现，住宅太阳能部署在每平方英里居住 1,000 人时达到最高，且家庭总年收入若超过 15 万美元装设概率会再增加，且由于太阳能入手成本仍高，中低收入户即使居住在阳光丰沛地区，仍然不会选择太阳光电；研究也指出，若将太阳能板部署资料与地理相结合，可以间接知道在该地装设太阳能所需的最低日照量。
史丹佛大学土木与环境工程副教授 Arun Majumdar 表示，虽然团队已发现全新的太阳能研究分析方向，但这只是能给予其他研究员、公用电力、太阳能开发商与政策决策者的冰山一角。指出未来将陆续公布其他数据与着手研究国外地区，这样一来所有人就能找到属于自己或是自家企业、城市的太阳能部署模式与典范。
目前团队已在 DeepSolar 网站公布所有相关数据，研究也发表在《Joule》。
注：召回度又称灵敏度，指实际为正向答案的样本，判断正确的比例。
- 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 授权转载；首图来源：pixabay）
