使用深度学习改进太阳能潜在地图的分辨率,这些地图来自全球DSM,用于屋顶太阳能电池板的放置
Maryam Hosseini1, Hossein Bagheri1
1Faculty of Civil Engineering and Transportation, University of Isfahan, Isfahan, Iran.
Heliyon
|January 13, 2025
概括
这项研究使用深度学习增强了太阳能潜力地图,提高了城市地区太阳能电池板放置的准确性. 新的高分辨率地图显著优于旧版本.
科学领域:
- 可再生能源系统可再生能源系统
- 地理信息系统 (GIS) 是指地理信息系统.
- 人工智能 (AI) 是一种人工智能.
背景情况:
- 准确的太阳能潜力图 (ASM) 对于有效的太阳能电池板部署至关重要,特别是在密集的城市环境中.
- 现有的全球数字高度模型 (DEM) 为ASM生成提供了不同的分辨率和精度.
- 来自LiDAR的ASM作为准确性评估的基准.
研究的目的:
- 开发一个框架,利用全球DEMs生成高分辨率的年度太阳能潜在地图 (ASM).
- 提高ASM的分辨率和准确性,以改善太阳能电池板的位置,特别是在城市环境中.
- 评估用于超分辨率绘制太阳能潜力的深度学习模型的性能.
主要方法:
- 从不同的DEM生成的ASM与来自LiDAR的ASM进行比较分析.
- 培训深度学习模型,包括增强的深度超分辨率 (EDSR) 网络和U-Net,用于ASM超分辨率.
- 使用训练有素的EDSR模型来提高来自Copernicus DEM的ASM的分辨率.
主要成果:
- 与其他全球DEM相比,Copernicus DEM产生了非常准确的ASM.
- 在改善ASM分辨率方面,EDSR网络在U-Net模型上表现出优越的性能.
- 增强的6米分辨率的科珀尼克斯ASM实现了35.75的RMSE和0.87的LiDAR数据的相关性,超过了原来的30米分辨率地图 (RMSE51.26,相关性0.72).
结论:
- 深度学习,特别是EDSR模型,有效地提高了来自全球DEM的ASM的分辨率和准确性.
- 高分辨率的ASM适合在城市地区的建筑物上精确放置太阳能电池板.
- 开发的框架提供了一个可通用的解决方案,用于改进太阳能资源评估,使用随时可用的DEM数据.
