牛津大学Nature：机器学习+遥感盘点全球太阳能电池板设施，助力碳中和！

自2009年1月以来，光伏发电以每年41% 的速度增长。预计到2040年，光伏太阳能发电将增加近10倍。需要描述其地理空间数据来管理发电间歇性，减轻气候变化风险，并确定与光伏部署所需的土地利用和覆盖变化引起的生物多样性、保护和土地保护优先事项的权衡，而目前可用数据不能满足这些需求。

图1. 机器学习+遥感图像检测太阳能光伏设施

在此，牛津大学L. Kruitwagen等人通过使用遥感图像、机器学习和大型云计算的纵向语料库，提供了商业、工业和公用事业规模光伏装置（铭牌容量超过10千瓦的光伏发电站）的全球基础设施清单。作者准备了一个包含三个卷积神经网络 (CNN)、两个循环神经网络 (RNN) 和许多启发式过滤器的机器学习管道模型，并将其部署在云计算基础设施上。

基于此定位并验证了68661个设施，比之前可用的数据增加了432%（设施数量），其中数量较多的包括中国18449个、日本 9906个、美国4525个、印度2021个和欧洲的17918个新装置。该方法旨在为光伏太阳能报告不足的地区传播提供新的见解。

图2. 全球数据集的聚合排列

通过对发电能力、安装日期、历史土地覆盖以及与保护区、土著和社区土地的接近程度的估计可以丰富数据库，观察到的安装日期可用于深入了解设施级最终投资决策、施工开始、施工完成和设施运营之间的差距。

从全球土地覆盖图抽样，作者观察到非住宅光伏最常安装在农田上，其次是沙漠和草原。光伏太阳能选址决策有利于农业区，而不利于森林和灌木地。这些发现强调需要进一步协调政策，寻求在减缓气候变化、提高生物多样性和生态系统健康、保护和土地保护以及粮食生产之间进行权衡。

图3. 新太阳能光伏装置的现有土地覆盖

A global inventory of photovoltaic solar energy generating units, Nature 2021. DOI: 10.1038/s41586-021-03957-7

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/12/5f79696447/

牛津大学Nature：机器学习+遥感盘点全球太阳能电池板设施，助力碳中和！

相关推荐