Utiliser l’apprentissage automatique et des données satellites pour concevoir l’énergie solaire sur les toits

Share

Des chercheurs de l’Université du Massachusetts, sur le campus d’Amherst, ont mis au point un logiciel appelé DeepRoof, qui, selon eux, a atteint un « taux vraiment positif » de 91,1 % permettant d’identifier le potentiel d’énergie solaire d’un toit et se basant sur des données satellites largement disponibles et économiques, issues d’outils tels que Google Earth. Leur objectif, détaillé dans le document DeepRoof: a Data-Driven Approach For Solar Potential Estimation Using Rooftop Imagery, consiste à calculer le potentiel d’énergie solaire de différents emplacements à partir d’une liste d’adresses (ou de coordonnées GPS) donnés par un fournisseur.

Les chercheurs ont pu s’appuyer sur de nombreux progrès déjà réalisés dans le domaine de l’apprentissage automatique (machine learning) pour identifier automatiquement les structures comme les bâtiments et les arbres, mais ils ont découvert que la plupart de ces outils utilisaient LIDAR – une technologie de cartographie aérienne au laser permettant de déterminer la géométrie du toit, ainsi que l’ombre des objets voisins. Malheureusement, la compilation des données LIDAR est coûteuse car des avions ou des drones sont nécessaires. Le projet Project Sunroof de Google a été considéré comme un outil de haute qualité basé sur le LIDAR pour ce type de travail, mais il est limité aux grandes villes des États-Unis et aux régions les plus peuplées.

La première étape effectuée par DeepRoof est la segmentation du terrain, une étape qui consiste à déterminer – en analysant les pixels – s’il existe une structure, des ombres ou des toits. Les chercheurs ont noté que l’identification des objets dans une image au niveau du pixel, appelée segmentation sémantique, posait un problème de vision par ordinateur bien documenté, un problème que les approches d’« apprentissage en profondeur » (deep learning) récentes ont dépassé.

Le logiciel examine ensuite les différentes formes et orientations, dans la partie Estimation de la topologie du processus. Les chercheurs ont vérifié que les contours d’un bâtiment pouvaient être facilement décelés avec OpenStreetMap, ainsi que ceux de tous les bâtiments situés dans une zone spécifique si leur adresse est connue. Ensuite, ces résultats sont confrontés avec des ensembles de données sur l’immobilier et les directives de l’Agence fédérale des situations d’urgence afin d’obtenir une estimation raisonnable de la hauteur et de la pente du toit.

Ensuite, en utilisant les données publiques de rayonnement solaire, ils combinent les formes obtenues des bâtiments avec ce qu’ils appellent un algorithme « gourmand » (greedy algorithm, en anglais) et calculent le nombre total de panneaux qui pourraient couvrir le toit. Ce procédé facilite le calcul de la capacité d’installation ; il suffit de multiplier le nombre total de panneaux par la puissance de sortie nominale d’un module.

Les chercheurs ont comparé les modélisations obtenues avec les résultats du projet Sunroof de Google mentionné ci-dessus, ainsi qu’avec d’autres outils du marché (UNet et MaskRCNNN) pour déterminer la fiabilité des prévisions effectuées. Ils ont constaté que leurs résultats étaient au moins comparables et généralement un peu meilleurs que ces outils. Ils ont également demandé à deux experts en énergie solaire d’évaluer leurs modèles individuellement et de répondre à deux questions : (i) Comment DeepRoof a-t-il estimé le potentiel solaire de chaque segment de toit plat ? (ii) Y a-t-il des endroits où il serait envisageable d’installer des panneaux solaires que notre approche n’a pas identifiés ?

Dans l’ensemble, les deux experts ont évalué les résultats de 30 foyers. Pour 22 de ces maisons, DeepRoof a prédit correctement l’orientation ainsi que l’ombre des arbres à proximité afin d’estimer le potentiel solaire. Pour les 8 autres maisons, DeepRoof n’a généralement pas pu identifier les arbres environnants.