Detekce fotovoltaiky ze satelitních snímků a ortofota: jak na to

Detekci fotovoltaiky na střechách v Česku postavíte z veřejného ortofota ČÚZK a z obrysů budov z registru RÚIAN. Pro každou budovu vyříznete kus snímku, segmentační model v něm označí plochu panelů a výsledek připojíte k adrese budovy. Obojí je zdarma pod licencí CC BY 4.0. Přesnost si ale musíte změřit sami, na ručně zkontrolovaném vzorku z vašeho území.

Lidé tomu často říkají detekce ze satelitních snímků. Ortofoto ČR ale vzniká z leteckého snímkování a na střešní panely má výrazně lepší rozlišení než volně dostupné družicové snímky.

K čemu firmě seznam střech s panely poslouží

Seznam budov s fotovoltaikou se hodí všem, kdo prodávají něco, co na panely navazuje.

• Distributor topení a energetické techniky zjistí, ve kterých obcích je nejvíc domů s vlastní výrobou elektřiny. Majitel fotovoltaiky řeší přebytky, a proto ho zajímá tepelné čerpadlo, baterie nebo ohřev vody z přebytků.
• Montážní firma odhadne velikost trhu v okrese, kde chce začít, a naplánuje obchodníkům trasy.
• Obchodní oddělení výrobce porovná pokrytí regionů a podle toho rozdělí obchodní zástupce.

Pro odhad trhu stačí souhrn po obcích. Seznam jednotlivých adres je citlivější: u rodinných domů pracujete s údaji o fyzických osobách a před oslovováním potřebujete právní posouzení.

Jaká data máte v Česku k dispozici zdarma

Dvě věci z dokumentace ČÚZK stojí za přečtení předem. Do otevřených dat nepatří původní letecké měřické snímky ani archiv, dostanete jen hotové ortofoto. Ortofoto se navíc skládá z více snímků, takže jeden mapový list nemá jedno datum pořízení.

U parcel ČÚZK uvádí, že polygony existují jen v katastrálních územích s digitální katastrální mapou. U budov počítejte s podobnými mezerami a před výpočtem si ověřte, kolik budov ve vašem území polygon nemá. Budovám bez polygonu zbude jen definiční bod a výřez kolem něj.

Jak bych detekci postavil krok za krokem

Takový projekt jsem zatím nedokončil. Postup skládám z kroků, které jsem dělal na jiných datech, a níže u každého píšu, odkud ho znám.

1. Výběr budov. Z RÚIAN stáhnu stavební objekty pro zvolené území a uložím je do PostGIS (rozšíření databáze PostgreSQL pro práci s mapovými daty). Vyřadím typy staveb, které vás nezajímají.
2. Výřezy ze snímku. Pro každou budovu vyříznu z ortofota čtverec s okrajem kolem polygonu. Okraj je nutný: ortofoto zobrazuje přesně paty staveb, ale střecha vyšší budovy se na snímku posune vůči svému obrysu na zemi.
3. Ruční označení vzorku. Na výřezech z různých krajů, ročníků snímkování a typů zástavby ručně obkreslím panely. Do vzorku patří i střechy bez panelů, světlíky, tmavé krytiny a solární kolektory.
4. Segmentační model. Segmentace znamená, že model rozhodne o každém pixelu, jestli patří panelu. Použil bych architekturu U-Net. Segmentace dá rovnou plochu: jeden pixel o hraně 12,5 cm pokrývá 0,015625 m², takže 64 pixelů odpovídá 1 m² průmětu.
5. Přepočet plochy. Snímek ukazuje šikmou střechu v průmětu shora. Skutečnou plochu panelů dostanete vydělením průmětu kosinem sklonu střechy. Sklon z ortofota nezjistíte, potřebujete výškový model nebo kvalifikovaný odhad podle typu střechy.
6. Přiřazení k budově. V PostGIS spočítám průnik masky panelů s polygonem budovy a výsledek uložím k adresnímu místu.
7. Validace. Z každého kraje vyberu náhodný vzorek budov, které model neviděl, a člověk je zkontroluje. Teprve tady vznikne číslo přesnosti, kterému můžete věřit.
8. Výstup. Tabulka s adresou, obcí, odhadem plochy, jistotou modelu a rokem snímku, k tomu mapa.

Pro obchodní seznam nastavuji model tak, aby spornou střechu raději vynechal, než aby do seznamu přidal falešný nález. Obchodník, kterého pošlete k domu bez panelů, ztratí víc času než ten, kterému jeden dům v seznamu chybí. Tuto preferenci vyjadřuje metrika F0,5, která váží přesnost nálezů víc než jejich úplnost.

Kde metoda naráží

Studie Hu a kolegů z roku 2019 ukázala, že běžné vyhodnocení detekce fotovoltaiky z leteckých snímků může nadsadit, jak dobře metoda funguje ve skutečném provozu. Hlavní příčinou byla validace. Model natrénovaný v jednom městě může v jiném, s odlišnou zástavbou, fungovat hůř. Proto validuji po krajích a tento princip platí pro každou analýzu ortofota, nejen pro panely.

Z mé praxe

Ve výzkumném ústavu AV ČR jsem trénoval U-Net (s enkodérem ResNet-34, pozornostním modulem SCSE a pomocnou hlavou pro distanční transformaci) na segmentaci spektrálních křivek v grafech z odborných článků. Na validaci model dosáhl F0,5 0,825 a Dice 0,831. Předtím jsem zkoušel PointRend Mask R-CNN, který na tenkých křivkách selhal: sousední detekce se překrývaly tak, že je krok NMS (potlačení překrývajících se nálezů) zahodil i tam, kde byly správné. Celý postup popisuji v článku segmentace grafů pomocí U-Net.

Panely v řadách na ploché střeše vypadají podobně: úzké pásy těsně vedle sebe. Proto bych i tady začal u segmentace a ne u detekce obdélníků.

Druhá polovina úlohy je práce s adresami a mapou. Pro distributora techniky jsem z veřejných obchodních rejstříků sestavil databázi 93 412 subjektů. Adresu se podařilo dohledat u 98,1 % z nich, v datech nezůstal žádný chybný řádek a cloud stál přibližně 1 USD. Adresy jsem geokódoval do PostGIS a nad nimi postavil mapu, napojení na CRM a plánovač tras v OR-Tools. Na stejný základ by se připojily budovy s panely. Jak data z veřejných zdrojů sbírám, popisuji v článku sběr dat z webu.

Další projekty z oblasti obrazu najdete v případových studiích počítačového vidění a přehled mé práce na stránce co umím. Jestli úloha dává smysl pro vaše území, můžeme probrat na konzultaci.

Co si připravit, než začnete

• Území. Kraj, okresy nebo seznam obcí. Rozsah určuje, kolik výřezů zpracujete a kolik krajů musí projít validací.
• Účel výstupu. Souhrn po obcích pro odhad trhu, nebo seznam budov pro obchodníky. U seznamu budov počítejte s právním posouzením.
• Hranici jistoty. Rozhodněte, kolik sporných budov zvládne člověk ručně projít. Podle toho nastavím práh modelu.
• Uvedení zdroje. Licence CC BY 4.0 vyžaduje, abyste u map a tabulek uvedli ČÚZK jako zdroj dat.