近年来，能源需求大幅增长，住宅太阳能发电有望在可持续地应对这一挑战中发挥关键作用。到2035年，全球光伏发电预计将达到惊人的10.7万太瓦时——几乎占预计总需求的28%！随着城市发展和气候变化影响的加剧，向太阳能等可再生能源的转型变得越来越迫切。通过提供比化石燃料更清洁的替代方案，太阳能使个人和企业能够控制自己的能源生产并减少碳足迹。

不幸的是，太阳能应用的障碍依然存在，特别是在全球南部地区，那里获得融资、技术和基础设施的机会有限。为了释放全球太阳能的潜力，需要政府、组织和研究人员共同努力，开发可访问且可扩展的解决方案。评估房产的太阳能可行性涉及众多变量，这往往对房主和企业构成挑战。谷歌地图平台（GMP）太阳能API通过利用航拍图像提供屋顶的关键信息，简化了评估太阳能潜力和设计太阳能系统的过程。

今天，我们很高兴地宣布在全球南部地区扩大该API的覆盖范围（实验性）。通过将机器学习（ML）模型应用于卫星图像，我们可以生成数字表面模型（DSM）和屋顶分割图，从而在世界各地的新地区开展太阳能评估。该方法在我们的论文“卫星屋顶：用于全球太阳能测绘的高分辨率数字表面模型和屋顶分割”中进行了详细说明，该论文发表在2024年NeurIPS气候变化与人工智能研讨会上。

您可以探索这些实验数据并通过今天报名来为更光明的未来做出贡献！

**Solar API的见解**

住宅太阳能电池板的安装通常缓慢且复杂，尤其是在数据有限的新兴市场。此过程通常包括教育房主、进行手动测量以及根据稀缺信息创建设计和提案——所有这些都发生在签订合同之前。

为了应对这些挑战，太阳能API于2023年在谷歌地图平台的环境API下推出。它通过处理航拍图像、天气和财务数据，提供全面的建筑太阳能数据和详细的屋顶图像。今年早些时候，我们在处理流程中应用了ML技术，扩展了Solar API的覆盖范围，为美国、欧洲和日本数百万座额外建筑提供了太阳能见解。

这些数据旨在帮助：

* 赋予企业能力，为人们提供个性化的太阳能潜力见解和优化的面板布局。

* 确定潜在投资和业务增长机会的安装地点。

* 通过更少的努力和更低的成本提高客户转化率。

* 通过远程提案和报价加快采用速度。

* 使用3D模型优化设计，以实现高效的面板布局。

* 根据数据驱动的见解帮助制定新的激励计划。

**利用卫星扩展全球覆盖范围**

为了满足全球南部地区对太阳能数据日益增长的需求，我们开始探索将ML技术应用于卫星图像。尽管使用低分辨率卫星图像会带来新的挑战，例如准确高程图的稀缺性、图像质量下降以及斜视角度造成的失真，但我们认为这是一个重大机遇，可以加速新地区太阳能市场的增长。卫星图像不仅为全球覆盖提供了途径，而且即使在像美国和欧洲这样地图绘制良好的地区，也能够实现更频繁的数据更新，在这些地区，仅仅依靠昂贵且可能过时的航拍图像可能是一个局限性。

这些数据目前通过Solar API扩展覆盖范围测试计划提供给实验用户，许多太阳能安装人员已经在使用数据输出，如下所示。

通过此次扩展，我们解锁了卫星图像在太阳能潜力评估中的应用，从而使23个国家/地区的1.25亿座新建筑拥有Solar API数据。根据目前可用的卫星图像，该项目将全球潜在覆盖范围扩展到另外19亿座建筑物。随着卫星继续捕捉新的区域，将会有更多建筑物可以使用。

**利用ML预测高质量DSM和屋顶分割**

太阳能数据生成流程需要高质量的DSM，以便为太阳能电池板计算计算平面屋顶分割。然而，用于卫星DSM生成的传统立体方法不可靠，因为高分辨率（<1米）卫星图像的获取成本很高，导致特定区域的视野有限，并且存在明显的时隙。由于分辨率较低，现有的屋顶分割技术在卫星数据上的准确性也较低。为了应对这些挑战，我们开发了新的ML模型，可以从单视角卫星图像生成高质量的天顶（头顶）DSM和平面屋顶分割实例。

我们采用两阶段模型来生成DSM和屋顶分割。第一阶段是基础模型，它处理非天顶卫星RGB图像以及相应的卫星视角。如果可用，我们还可以选择包含低质量摄影测量派生的相对高度图（DSM-DTM）。这些初始输入DSM的覆盖范围有限，并且分辨率不足以进行详细的屋顶计算。使用具有Swin Transformer编码器的U-Net风格架构，基础模型生成改进的非天顶视角的高度图和屋顶分割实例。然后，使用基于几何的重新投影将这些实例重新投影到天顶视图。

第二阶段，即细化模型，通过填充重新投影步骤中产生的间隙和伪影，进一步增强天顶RGB、DSM和分割实例。基础模型和细化模型使用L1和Sobel梯度损失进行DSM估计，并使用亲和力掩码损失进行屋顶分割。

我们的模型使用多种指标进行了定量评估，包括DSM平均绝对误差（MAE）、屋顶坡度误差和屋顶分割实例交并比（IOU）。DSM和坡度结果与高质量的航拍DSM等效物进行了比较。屋顶分割标签通过两种方式获得——通过使用DSM标签上的图割（GC）计算，或通过人工标注手动标记。

我们根据输入通道将这些结果分为两组：“仅RGB”（全球覆盖范围）和“RGB+DSM”（覆盖范围有限，仅在存在基于立体输入DSM的情况下），这有助于我们了解模型的性能。这些详细的性能指标是在高品质航拍数据可用的广泛国家/地区中进行比较的。我们还评估了Solar API流程的端到端结果。

结果表明，虽然包含低质量DSM可以改善阴影预测（如建筑物DSM MAE所示），但它并不能显着提高屋顶分割或坡度精度，而这些精度对于估计太阳能潜力至关重要。我们的模型在仅使用RGB输入的情况下表现出色，使其适用于任何可获得卫星RGB图像的地区。

我们观察到，各国之间的误差变化很小，智利和菲律宾除外，这可能是由于地面实况数据存在噪声。这表明我们的模型可以适应建筑风格和大小各异的各种地区，以及复杂的屋顶结构。

**可视化**

我们的模型在不同的建筑风格和景观中都能很好地泛化。在屋顶平坦的地区，我们的DSM能够以很高的精度准确捕捉障碍物和屋顶表面。在屋顶倾斜的区域，模型可以有效地预测屋脊，这对于准确放置面板非常重要。虽然DSM可能无法捕捉到单个树木的复杂细节，但树木高度信息可用并用于分析相邻屋顶上的阴影影响。下图将我们基于卫星的模型的预测与Solar API中目前可用的高质量航拍数据进行了比较。

下图显示了Solar API估计的年太阳能通量，叠加在卫星RGB图像上。

**展望未来**

尽管此次扩展极大地提高了太阳能数据的可用性，但固有的挑战和局限性依然存在。输入像素分辨率、云层覆盖和遮挡伪影等因素会影响输出质量。

我们正在积极努力通过持续的研究和用户反馈来提高准确性。未来的工作还将侧重于探索新的研究方向，例如障碍物检测、屋顶材料检测和现有太阳能电池板识别。