斯坦福大學工程師和計算機科學家組成了DeepSolar團隊，可精確地統(tǒng)計全美太陽能電池面板的尺寸規(guī)模、具體位置、數(shù)量等等。方法是在機器學習的框架下，通過數(shù)以十億計的高清晰衛(wèi)星圖像，培養(yǎng)訓練AI識別出坐落于屋頂和其它位置的可見面板。

了解太陽能電池板的位置以及人們安裝它們的動機可能對能源管理工作具有無法估量的價值。它可以幫助公用事業(yè)公司更好地平衡供需，從而提供更可靠的電力。還可以幫助我們了解是什么激勵了人們安裝屋頂太陽能面板，這也許可以幫助城市的管理者和建設者們更好地設計規(guī)劃城市。

DeepSolar算法可以訓練AI識別出一個太陽能面板設施有可靠關聯(lián)的特征類型，包括色彩、尺寸、太陽能電池板的紋理材質(zhì)等等。AI掌握了這些特性后，能夠以93%的成功率分辨出一副衛(wèi)星圖像中的電池面板。錯過了大約十分之一不到的電池面板，這比此前任何識別系統(tǒng)的準確率都高。

DeepSolar團隊的AI只用了一個月時間分析全美的衛(wèi)星圖像，得出在住宅物業(yè)，商業(yè)屋頂和大型太陽能發(fā)電廠發(fā)現(xiàn)的太陽能電池板總共有147萬套，這個數(shù)字超過目前領先的兩項統(tǒng)計預期結果。如果是人類統(tǒng)計分析需要花費數(shù)年完成，將DeepSolar 與美國人口普查和其他數(shù)據(jù)相結合，就可以得出關于太陽能采用背后的激勵因素的結論。幫助能源行業(yè)增加人們對可再生能源使用意愿和激勵因素產(chǎn)生更深的理解。

科研團隊承認DeepSolar目前并未將人口稀少的偏僻地區(qū)納入統(tǒng)計，相比人口集中的都市區(qū)域，這些地區(qū)的太陽能面板安裝極少，他們估計這些偏僻地區(qū)的太陽能面板裝機量可能僅占所有的5%，而且由于所處位置，這些太陽能面板并不會連入總電網(wǎng)。

DeepSolar下一步將開始具體分析偏遠地區(qū)的太陽能電池面板情況，同時擴展衛(wèi)星圖像范圍至更多國家地區(qū)。