太陽能行業在美國穩步增長，行業營收從2007年的4200萬美元激增至2017年的2.1億美元，而未來五年的總產能預計將增長一倍以上。雖然這些數據可以評估太陽能吸收率的有用總體情況，但是更精細的細節中一定可以學到更多東西。斯坦福大學的科學家們專門為這項工作建立了一個新的AI機器學習工具，它名為DeepSolar。

了解太陽能電池板的位置以及人們安裝它們的動機可能對能源管理工作具有無法估量的價值。它可以幫助公用事業公司更好地平衡供需，從而提供更可靠的電力。它還可以幫助我們了解是什麼激勵了人們安裝屋頂太陽能面板，這也許可以幫助城市的管理者和建設者們更好地設計規劃城市。

目前，研究人員只能粗略估計太陽能面板的安裝情況，但隨著衛星圖像的不斷改進，新的可能性也隨之出現。斯坦福大學的科學家訓練了一種機器學習算法，通過為大約370000張圖像做統計來處理這項重大任務，每張圖像都包含大約100英尺x100英尺（30 x 30米）的地球區域，其中分別標明它們是否含有太陽能板。

通過分析這些圖像，DeepSolar程序確定了可以與太陽能電池板可靠關聯的特徵類型，例如顏色，紋理和尺寸。隨著時間的推移，DeepSolar在這方面做得相當不錯，並且能夠在93％的圖片中準確定位太陽能電池板的識別圖像，儘管它錯過了大約十分之一不到的圖像。

“我們實際上並沒有告訴機器哪個視覺特徵很重要，”斯坦福大學電氣工程博士候選人俞凡凡（音譯）說，他與土木和環境工程博士候選人王哲成（音譯）建立了這個系統。“所有這些都需要通過機器學習。”

然後，該團隊將DeepSolar用於分析十億個衛星圖像，以尋找美國太陽能裝置，僅用了一個月。他們在住宅物業，商業屋頂和大型太陽能發電廠發現的太陽能電池板總共有147萬套，這個數字遠遠超過目前的估計。這與美國人口普查和其他數據相結合，就可以得出關於太陽能採用背後的激勵因素的結論。

例如，該團隊發現，中低收入家庭通常不會安裝太陽能，即使在陽光充足且時間有利可圖的地區，他們懷疑是由於前期成本過高所致。另一個有趣的方式方法來自於地理數據的整合，使團隊能夠確定觸發特定區域採購太陽能面板所需的陽光照射閾值。

“我們發表了一些見解，但這只是我們認為可以給其他研究人員，公用事業，太陽能產品商和政策制定者可以進一步發現的冰山一角，”主管Arun Majumdar說。“我們正陸續公開這些數據，以便其他人找到太陽能部署模式，並建立經濟和行為模型。”

所有DeepSolar數據都可在該項目的上公開獲取，而該研究已發表在Joule期刊上。

訪問項目官網：

http://web.stanford.edu/group/deepsolar/home