1749213530
2025-06-05 11:00:00
エネルギーサービスは、社会経済的発展と人間の幸福の基本です。しかし、世界の多くの地域でアクセスは依然として不足しています。ケニアで、 1300万人 まだ電気アクセスが不足しており、3,900万人以上が料理に不健康な汚染燃料を引き続き使用しています。
WRIは、300を超えるパートナーと共同で開発しました エネルギーアクセスエクスプローラー （EAE）サービスを受けていないサービスを受けていないコミュニティに電力をもたらすのを支援する。現在、アフリカとアジアの8か国で利用可能なEAEは、クリーンエネルギープレーヤーがエネルギーアクセスのギャップをマッピングし、エネルギー介入の高い優先領域を特定し、アクセスをより速く、より公平に拡大できるようにするオンラインでオープンソースのインタラクティブなプラットフォームです。
ケニアでは、EAEは、国の義務付けられているように、郡エネルギー計画の設計を通知するためにすでに使用されています 2019年のエネルギー法。これらの計画では、人口統計と再生可能エネルギーの生産的な使用に関する詳細なデータが必要です。また、エネルギー供給をマッピングするために、インフラストラクチャとリソースの可用性に関するデータも必要です。しかし、これは現在のデータが不足している場所です。ケニアは近年太陽光発電アクセスを大幅に拡大していますが、小規模な太陽光発電システムがどこにあるかについての詳細な情報はありません。現在、このデータは、包括的な計画の取り組みを制限する粗い解像度（建物レベルではなくサブカウンティレベル、図1）でのみ利用可能です。
簡単に言えば、エネルギープランナーとクリーンエネルギー企業がどの建物が太陽系を搭載しているかを知らない場合、どのようにしてサービスを受けていないコミュニティへのエネルギーサービスの拡大を効果的に計画できますか？
ケニアの太陽の風景を照らします
この知識のギャップを埋めるために、WRIはオムデナと協力して、AIおよび地球観測（EO）テクノロジーの使用を操縦し、建物の屋上での太陽PVシステムの高解像度マッピングを生成しました。ケニアのキリフィ郡で始めました。具体的には、キリフィサウス、ここで 5人に1人 照明の主なソースとして太陽光発電を使用します。
まず、オープンアクセス衛星画像を含むさまざまなソースからデータを収集しました。 Sentinel-1 そして Sentinel-2、からの高解像度画像 Googleは静的APIをマッピングします 画像、および公開されている研究データセット。画像を収集したら、それらを処理して品質を向上させました。これには、ぼやけた部品や騒音の削除と解像度の強化が含まれます。オープンアクセスデータの制限を考えると、主にGoogleマップからの高解像度の画像に依存して、より高い精度を得ました。
画質を向上させた後、高解像度の画像でソーラーパネルの位置を手動でラベル付けしました Google Earthエンジン 堅牢なトレーニングデータセットを構築します。さまざまなトレーニングの例を増やすために、大きな画像をより小さなセクションに分割し、回転やフリッピングなどの単純な変換を適用しました。
次に、このラベルの付いたデータセットを使用して、AIオブジェクト検出モデルをトレーニングし、 Yolov81、ソーラーパネルを効率的かつ正確に識別するように設計されています。
モデルがトレーニングされたら、最初にトレーニング中に使用されていなかった個別の画像セットでパフォーマンスをテストしました。これにより、一般的な評価方法に基づいて94％の精度が得られました（精度、リコール、F1スコア）。その現実世界の適用性をさらに評価するために、キリフィサウスからの手動でラベル付けされたグラウンドトゥルースデータを使用して、相互検証を実施しました。このステップにより、モデルが新しい目に見えない画像でソーラーパネルをどれだけうまく検出できるかを測定することができました（図2）。高精度（モデルの予測は90％以上のケースで正しい）は、ほとんどの検出されたソーラーパネルが実際に真のソーラーパネルであることを示しましたが、ハイリコールは、モデルが画像に存在するほとんどのソーラーパネルを正常に特定したことを示唆しました。
次に、モデルをキリフィサウスサブカウンティの衛星画像に適用して、エリアのソーラーパネルの位置をマッピングし、ジオリファレンスを作成します2 データセット：ソーラーパネルが設置されている場所を示すデジタルマップレイヤー。最終モデルは、誤分類に基づいて微調整され、さまざまな照明条件、屋上向けの向き、パネルサイズでパネルを検出する能力が向上しました。
結果と次のステップ
キリフィタウン内の274の既存の屋上ソーラーPVシステムを正常に特定すると同時に、国内および準国家政府、クリーンエネルギービジネス、市民社会、金融業者に実用的な洞察を提供できるスケーラブルな方法論を開発しました。このモデルの出力は、EAEに統合され、エネルギー需要、社会経済的指標、太陽光照射などの他のデータセットと組み合わされた場合、統合エネルギー計画のためのユーティリティをさらに強化できます。
この方法は、屋上ソーラーPVシステムに関する高解像度データを提供することにより、ケニアのデータに基づいた統合された包括的なエネルギー計画を改善する上で一歩前進します。モジュール式のオープンソースアプローチのおかげで、ケニアおよびアフリカおよびアジアの他の国々で小規模ソーラーシステムの現在および潜在的なアプリケーションを評価するために、モデルを改良およびスケーリングすることを計画しています。
太陽光発電が今日展開されている場所を照らすことで、明日のためにより明るく、より包括的なエネルギーの未来をチャートすることができます。
1 Yolov8は、屋上でソーラーパネルを見つけるなど、画像のオブジェクトを検出するのに役立つ最先端のAIモデルです。迅速で正確で、独自のデータでトレーニングが簡単で、実際のマッピングおよび計画プロジェクトのための強力なツールになります。
2「ジオリファレンス」とは、データが地球の表面の特定の地理的位置にリンクされていることを意味し、地図上に正確に配置および表示できることを意味します。
#新しいモデルはAIを使用した屋上ソーラーPVをマッピングします