Schwedische Wissenschaftler haben ein neues automatisiertes Modell entwickelt, das ihrer Meinung nach eine „überlegene Leistung“ bei der Identifizierung kleiner, dezentraler Sonnensysteme anhand von Luftbildern bietet. Solch ein automatisiertes , umweltfreundliches Solarmontagesystem soll ein nützliches Hilfsmittel für viele Interessengruppen in der PV-Branche sein, da es politischen Entscheidungsträgern, Behörden und Finanzgutachtern genaue Daten liefern kann.

Die neuartige Methode nutzt Deep-Learning- und Bildverarbeitungstechniken zur Erkennung von Solarthermie- und Photovoltaiksystemen. Den Autoren zufolge könnte eine Folgestudie das Modell sogar verbessern, um zwischen PV- und Solarthermietechnologien zu unterscheiden. „Dies ist eine anspruchsvolle Aufgabe, da die beiden Technologien eine ähnliche Textur und Farbe aufweisen“, heißt es in dem Artikel. „Wir glauben jedoch, dass es mit den richtigen Modifikationen und Verbesserungen effektiv für die Segmentierung von Solarenergiesystemen in mehrere Klassen angepasst werden kann.“

In der in Solar Energy veröffentlichten Studie „Identifizierung kleiner dezentraler Solarsysteme in Luftbildern mithilfe von Deep Learning“ erklärten die Wissenschaftler, dass sie eine U-Net-Architektur von Convolutional Neural Networks (CNN) verwendeten, eine Faltungsnetzwerkmethode für schnelle und präzise Segmentierung von Bildern, was erklärt, dass die Hauptstärke dieser Technik darin besteht, dass sie im Vergleich zu anderen Ansätzen eine geringere Anzahl an Eingabedaten und eine geringere Hardwarenutzung erfordert.

„Die Nutzung des U-net-Modells zur Erkennung von Solarenergiesystemen bietet eine datengesteuerte und automatisierte Lösung mit erhöhter Komplexität, die eine präzise Erkennung ermöglicht“, fügte sie hinzu. „Seine genaue Segmentierung und Identifizierung von Solarenergiesystemen anhand von Luftbildern hat einen erheblichen praktischen Wert und erleichtert eine effiziente Bewertung der Modulleistung, des Wartungsbedarfs und der Schätzung der Energieproduktion.“

Das neue Modell wurde auf zwei Datenbanken trainiert und getestet – eine aus Deutschland und eine aus Schweden – und eine Mischung aus beiden wurde verwendet, um die Kapazität seiner Fähigkeiten zur bodenmontierten Solarstromerzeugung zu erhöhen. Im Vergleich zu anderen CNN-Architekturen, so die Forscher, sticht das U-Net-Modell hervor, insbesondere bei Bildsegmentierungsaufgaben.

Den Untersuchungen zufolge kann das U-net-Modell auch auf Luftbildern mit einer Auflösung von 128 x 128 Pixeln trainiert werden und erreicht eine Genauigkeit, die nicht wesentlich schlechter ist als bei einer höheren Auflösung von 256 x 256 Pixeln. Die Möglichkeit, eine niedrigere Auflösung zu verwenden, führt wiederum zu einer geringeren Auslastung der Computerhardware.

„Diese Studie hat bewiesen, dass ein U-net-Modell die Fläche von Solarenergieanlagen in Luftbildern mit hoher Genauigkeit beurteilen kann“, heißt es in dem Artikel abschließend. „Für eine korrekte Flächenschätzung ist jedoch auch die Neigung der Module erforderlich. Die Berechnung der Neigung kann entweder anhand von 3D-Gebäudedaten oder hoch-/niedrigaufgelösten LiDAR-Daten erfolgen. Letzteres mit der Methode dieser Studie zu kombinieren, ist der geplante nächste Schritt.“