屋頂太陽能光伏發(fā)電目前占全球太陽能光伏發(fā)電裝機容量的40%，占2018年可再生能源總新增容量的四分之一。然而，關(guān)于其全球潛力和相關(guān)成本的高時空分辨率的信息卻很有限。在此，我們利用大數(shù)據(jù)、機器學習和地理空間分析，對屋頂太陽能光伏發(fā)電潛力進行了高分辨率的全球評估。我們分析了全球1.3億平方公里的地表面積，劃定了20萬平方公里的屋頂面積，這些屋頂面積合計代表了27 PWh yr-1的發(fā)電潛力，成本在40-280美元MWh-1。其中，10 PWh yr-1可以在100美元MWh-1以下實現(xiàn)。全球潛力主要分布在亞洲（47%）、北美洲（20%）和歐洲（13%）。印度（66美元MWh-1）和中國（68美元MWh-1）實現(xiàn)潛力的成本最低，美國（238美元MWh-1）和英國（251美元MWh-1）是一些成本最高的國家。

屋頂太陽能光伏（RTSPV）技術(shù)作為太陽能光伏發(fā)電組合的一個子集，可以作為一個分散的系統(tǒng)由個人業(yè)主或大型工業(yè)和商業(yè)綜合體部署。在過去的十年里，部署成本的降低，加上政策驅(qū)動的舉措，導(dǎo)致了RTSPV在全球范圍內(nèi)的迅速普及。

      在全球范圍內(nèi)，2018年有近8億人沒有電，其中大部分人生活在農(nóng)村地區(qū)。在這里，分散式屋頂光伏在推進可持續(xù)發(fā)展目標（SDG）的精神方面的作用變得非常重要。RTSPV的快速安裝時間和低水平成本可以通過使公民或社區(qū)成為專業(yè)消費者來幫助緩解能源獲取問題。用戶可以根據(jù)他們的需求發(fā)電和用電，而不完全依賴集中式電網(wǎng)基礎(chǔ)設(shè)施。作為部署速度最快、年增長率最高的能源發(fā)電技術(shù)，太陽能光伏技術(shù)預(yù)計到2050年將滿足全球25-49%的電力需求，同時在2018年至2050年期間為多達1500萬人提供就業(yè)機會。其中，RTSPV的部署將貢獻高達40%。到2050年，太陽能光伏發(fā)電總量的40%。增加RTSPV的部署可以支持將化石燃料從目前的能源生產(chǎn)組合中取代，這一點可以從德國屋頂光伏的成功實施中看到。隨著未來對電力這一能源的需求增加，基于RTSPV的發(fā)電資源將構(gòu)成未來基于可再生能源的發(fā)電組合中的很大一部分。

第一種方法：

      是從 "自下而上 "的角度來解決這個問題，是目前最常用的計算屋頂面積的方法。這類方法建立了小規(guī)模樣本集的建筑足跡數(shù)據(jù)（地籍、人群來源、衛(wèi)星衍生）和社會經(jīng)濟指標（國內(nèi)生產(chǎn)總值（GDP）、人口）之間的關(guān)系，然后在更大范圍內(nèi)估計建筑足跡的范圍。在Jacobson等人的研究中，作者采用自下而上的方法，根據(jù)美國和幾個歐洲國家的樣本數(shù)據(jù)，通過建立人口、GDP和人均樓面面積之間的關(guān)系，計算出179個國家的可用屋頂面積。對于一整套全球國家，Gernaat等人利用人口密度、家庭支出和屋頂面積之間的關(guān)系來計算每個國家的可用屋頂面積。他們在世界銀行的數(shù)據(jù)上校準了他們的關(guān)系方程，實現(xiàn)了R2=0.66。這些方法可以快速實施，并且在預(yù)測附近地區(qū)的建筑占地面積時相對準確，但當分析上升到國家/地區(qū)層面時，就會出現(xiàn)不準確的情況。這種準確性的降低可歸因于社會經(jīng)濟數(shù)據(jù)的粗略地理空間測繪的不準確性和建筑景觀的異質(zhì)性。

第二種方法：

      是從 "自上而下 "的角度來解決這個問題，利用航空圖像來確定已建面積和其中的建筑腳印。"自上而下 "的方法包括地球觀測、無人機搭載的光探測和測距（LiDAR）以及機器學習（ML）分類算法來檢測建筑物。在全國范圍內(nèi)，Gagnon等人利用美國128個樣本城市的LiDAR數(shù)據(jù)集計算美國大陸的可用屋頂面積，使用統(tǒng)計推斷法來推斷其樣本地點以外的情況。他們根據(jù)高分辨率LiDAR圖像生成了統(tǒng)計措施來概括屋頂?shù)姆较?、坡度和可用性。收集、處理和分析航空圖像是一項成本高、計算密集的任務(wù)，需要數(shù)據(jù)中心規(guī)模的基礎(chǔ)設(shè)施。

目前的技術(shù)水平方法利用基于ML的物體檢測算法，在城市/國家層面上繪制單個建筑物的興趣區(qū)域（ROI）。然而，沒有一種先進的方法被應(yīng)用于全球ROI評估，一部分原因是基于ML的方法需要大量的數(shù)據(jù)處理，另一部分原因是ML算法在檢測偏離訓(xùn)練樣本集的類似物體方面的局限性。
（Résumé

L'énergie solaire photovolta?que sur les toits représente actuellement 40% de la capacité installée mondiale d'énergie solaire photovolta?que et un quart de la capacité supplémentaire totale d'énergie renouvelable en 2018. Toutefois, l'information sur la haute résolution spatio - temporelle de son potentiel mondial et des co?ts connexes est limitée. Nous avons ici procédé à une évaluation globale à haute résolution du potentiel photovolta?que solaire des toits à l'aide de données massives, d'apprentissage automatique et d'analyses géospatiales. Nous avons analysé une superficie mondiale de 130 millions de kilomètres carrés et délimité une superficie totale de 200 000 kilomètres carrés de toits représentant le potentiel de production de 27 pwh par an - 1 pour un co?t de 40 à 280 MWh - 1. De ce montant, 10 pwh par an - 1 peuvent être réalisés en dessous de 100 $MWh - 1. Le potentiel mondial est principalement réparti en Asie (47%), en Amérique du Nord (20%) et en Europe (13%). L'Inde (66 $MWh - 1) et la Chine (68 $MWh - 1) ont les co?ts les plus faibles pour réaliser leur potentiel, tandis que les états - Unis (238 $MWh - 1) et le Royaume - Uni (251 $MWh - 1) comptent parmi les pays où les co?ts sont les plus élevés.

Contexte de la recherche
La technologie photovolta?que solaire sur le toit (rtspv), qui est un sous - ensemble du portefeuille solaire photovolta?que, peut être déployée en tant que système décentralisé par des propriétaires individuels ou de grands complexes industriels et commerciaux. Au cours de la dernière décennie, la réduction des co?ts de déploiement, associée à des initiatives axées sur les politiques, a entra?né une popularité mondiale rapide du rtspv.

Dans le monde entier, près de 800 millions de personnes n’avaient pas d’électricité en 2018, dont la plupart vivaient dans des zones rurales. à cet égard, le r?le du photovolta?que décentralisé sur les toits dans la promotion de l'esprit des objectifs de développement durable (odd) est devenu très important. Le temps d'installation rapide et le faible co?t du rtspv peuvent aider à atténuer les problèmes d'accès à l'énergie en faisant des citoyens ou des collectivités des consommateurs professionnels. Les utilisateurs peuvent produire et consommer de l'électricité en fonction de leurs besoins, sans dépendre entièrement d'une infrastructure de réseau centralisée. Les technologies photovolta?ques solaires, qui sont les technologies de production d'énergie les plus déployées et dont la croissance annuelle est la plus rapide, devraient répondre à 25 à 49% de la demande mondiale d'électricité d'ici 2050, tout en fournissant des emplois à jusqu'à 15 millions de personnes entre 2018 et 2050. Parmi ceux - ci, le déploiement du rtspv contribuera jusqu'à 40%. 40% de la production totale d'énergie solaire photovolta?que d'ici 2050. Le déploiement accru du rtspv pourrait permettre de remplacer les combustibles fossiles par le portefeuille actuel de production d'énergie, comme en témoigne la mise en ?uvre réussie du photovolta?que sur les toits en Allemagne. à mesure que la demande d'électricité augmentera à l'avenir, les ressources de production d'électricité fondées sur le rtspv constitueront une grande partie du futur portefeuille de production d'électricité fondée sur les énergies renouvelables.

Progrès actuels de la recherche
Première méthode:
l s'agit d'une approche ascendante, la méthode la plus couramment utilisée pour calculer la surface du toit. Ces méthodes établissent une relation entre les données de l'empreinte du batiment (cadastral, origine de la population, dérivées des satellites) et les indicateurs socio - économiques (produit intérieur brut (PIB), population) d'un petit ensemble d'échantillons, puis évaluent l'étendue de l'empreinte du batiment sur une plus grande échelle. Dans l'étude de Jacobson et al., les auteurs ont utilisé une approche ascendante pour calculer la surface de toiture disponible dans 179 pays en établissant une relation entre la population, le PIB et la surface de plancher par habitant à partir d'échantillons de données provenant des états - Unis et de plusieurs pays européens. Pour un ensemble complet de pays à l'échelle mondiale, gernaat et al. ont utilisé la relation entre la densité de population, les dépenses des ménages et la superficie des toits pour calculer la superficie des toits disponibles dans chaque pays. Ils ont étalonné leurs équations relationnelles sur les données de la Banque mondiale et ont obtenu R2 = 0,66. Ces méthodes peuvent être mises en ?uvre rapidement et sont relativement précises dans la prévision de l'occupation des sols par les batiments dans les zones avoisinantes, mais des inexactitudes peuvent survenir lorsque l'analyse atteint le niveau national / régional. Cette diminution de l'exactitude peut être attribuée à l'inexactitude de la cartographie géospatiale approximative des données socio - économiques et à l'hétérogénéité du paysage architectural.



Deuxième méthode:
Le problème est résolu du point de vue ? descendant ?, en utilisant des images aériennes pour déterminer la zone construite et les empreintes de pas du batiment. L'approche descendante comprend l'observation de la terre, la détection de la lumière et la télémétrie (lidar) à bord des UAV et des algorithmes de classification par apprentissage automatique (ML) pour détecter les batiments. à l'échelle nationale, Gagnon et coll. Ont utilisé les ensembles de données Lidar de 128 villes échantillonnées aux états - Unis pour calculer la superficie des toits disponibles sur le continent américain, en utilisant une Inférence statistique pour extrapoler les conditions à l'extérieur des sites échantillonnés. Ils ont produit des mesures statistiques à partir d'images lidar haute résolution pour résumer l'orientation, la pente et la disponibilité du toit. La collecte, le traitement et l'analyse d'images aériennes sont une tache co?teuse et co?teuse qui exige une infrastructure à l'échelle du Centre de données.

L'approche actuelle au niveau technique utilise des algorithmes de détection d'objets basés sur le ML pour cartographier les zones d'intérêt (roi) des batiments individuels au niveau urbain / national. Cependant, aucune méthode avancée n'a été appliquée à l'évaluation globale du roi, en partie parce que les méthodes basées sur le ml nécessitent un traitement important des données, et en partie parce que les algorithmes de ML ont des limites pour détecter des objets similaires qui s'écartent de l'ensemble d'échantillons d'entra?nement.）