Satellietbeelden verwerken met AI

De onderzoekers gebruikten AI-gestuurde computervisie om enorme hoeveelheden satellietbeelden van het hele land te analyseren. Door gebruik te maken van DAMO Academy's eigen modellen op cloudinfrastructuur kon het systeem de 7,56 TB-dataset verwerken en automatisch de visuele kenmerken van zonnepanelen en windturbines detecteren.

Deze aanpak verschilt van traditionele energiestatistieken, die vaak afhankelijk zijn van rapportages van regionale autoriteiten of schattingen op basis van geïnstalleerd vermogen. In plaats daarvan identificeert het systeem infrastructuur direct op basis van beelden, wat leidt tot geolokaliseerde datapunten voor individuele installaties.

Het verwerken van de enorme hoeveelheid beelden was een grote technische uitdaging. China's gevarieerde terrein – van woestijnen tot dichtbebouwde stedelijke gebieden – betekent dat hernieuwbare installaties in veel verschillende contexten voorkomen, waardoor modellen nodig zijn die installaties in uiteenlopende landschappen en lichtomstandigheden kunnen herkennen.

Wat de landelijke hernieuwbare-energiekaart onthult

De voltooide inventarisatie biedt een gedetailleerd ruimtelijk overzicht van China's hernieuwbare infrastructuur. Volgens de gerapporteerde resultaten detecteerde het AI-systeem:

• Ongeveer 319.000 zonnepaneelinstallaties
• Ongeveer 91.600 windturbines
• Installaties verspreid over 1.915 districten in het hele land

Omdat elk asset geolokaliseerd is, onthult de dataset regionale patronen van de uitrol van hernieuwbare energie en biedt het een basis voor energiesysteemanalyse.

Eerdere nationale datasets waren vaak gebaseerd op satellietbeelden met een lagere resolutie of onvolledige rapportages, waardoor het moeilijk was om precies te achterhalen waar installaties waren gebouwd. Remote-sensing-onderzoeken gebruiken steeds vaker machine learning om zonne- en windinfrastructuur in kaart te brengen, maar uitgebreide inventarisaties met een hoge resolutie blijven relatief zeldzaam.

Waarom een 'God's-eye view' belangrijk is voor netplanning

Wind- en zonne-energie zijn van nature variabel. Hun opbrengst fluctueert met weersomstandigheden en het tijdstip van de dag, wat kan leiden tot curtailment – wanneer hernieuwbare elektriciteit niet kan worden gebruikt of getransporteerd en dus wordt verspild.

Een landelijke, geolokaliseerde kaart van installaties helpt onderzoekers te analyseren hoe verschillende hernieuwbare bronnen in verschillende regio's op elkaar inwerken. Met behulp van de nieuwe dataset bestudeerde het team zonne-wind-complementariteit, waarbij ze ontdekten dat wind- en zonne-energie vaak op verschillende tijdstippen pieken – bijvoorbeeld dat zonne-energie overdag meer produceert, terwijl wind 's nachts sterker kan zijn.

Inzicht in die patronen stelt planners in staat strategieën te verkennen zoals:

• Het coördineren van hernieuwbare opwekking over provincies heen
• Het uitbreiden van transmissieverbindingen tussen regio's
• Het toevoegen van energieopslag waar de hernieuwbare opbrengst fluctueert

Onderzoekers melden dat een bredere regionale coördinatie van wind- en zonne-energie de hoeveelheid hernieuwbare elektriciteit die door het net kan worden opgenomen aanzienlijk kan verhogen.

Hernieuwbare energie koppelen aan de AI-datacenterboom

Het karteringsproject heeft ook implicaties die verder gaan dan de traditionele netplanning. China's snelgroeiende data- en AI-computerinfrastructuur zorgt voor een grote toename van de elektriciteitsvraag.

Om aan die vraag te voldoen en tegelijkertijd de decarbonisatiedoelen na te streven, is het land begonnen met het directer koppelen van hernieuwbare opwekking aan computerinfrastructuur. Een voorbeeld is een project in Ningxia dat grootschalige zonne-energie rechtstreeks aan datacenteractiviteiten levert.

Een uitgebreide kaart van wind- en zonne-energiebronnen kan beleidsmakers helpen beslissen:

• Waar nieuwe datacenters moeten worden geplaatst in relatie tot hernieuwbare bronnen
• Waar transmissie- of opslaginfrastructuur nodig is
• Hoe hernieuwbare energie kan worden gecoördineerd om energie-intensieve computerworkloads te ondersteunen

In die zin doet de AI-gegenereerde inventarisatie meer dan alleen infrastructuur catalogiseren – het creëert een databasis voor het beheren van de volgende fase van China's energietransitie.

Een nieuwe manier om hernieuwbare infrastructuur te volgen

Naarmate hernieuwbare energiesystemen wereldwijd uitbreiden, wordt het vermogen om ze nauwkeurig te monitoren steeds belangrijker. Satellietbeelden gecombineerd met AI bieden een schaalbare manier om infrastructuur over grote gebieden te volgen en inventarisaties bij te werken naarmate er nieuwe installaties worden gebouwd.

Voor China – het land met het grootste hernieuwbare energiesysteem ter wereld – biedt de nieuwe landelijke kaart iets waar beleidsmakers en onderzoekers lang om hebben gevraagd: een nauwkeurig, continu bij te werken beeld van waar zonne- en windenergie zich op de grond bevinden.

Satellietbeelden verwerken met AI

De onderzoekers gebruikten AI-gestuurde computervisie om enorme hoeveelheden satellietbeelden van het hele land te analyseren. Door gebruik te maken van DAMO Academy's eigen modellen op cloudinfrastructuur kon het systeem de 7,56 TB-dataset verwerken en automatisch de visuele kenmerken van zonnepanelen en windturbines detecteren.

Deze aanpak verschilt van traditionele energiestatistieken, die vaak afhankelijk zijn van rapportages van regionale autoriteiten of schattingen op basis van geïnstalleerd vermogen. In plaats daarvan identificeert het systeem infrastructuur direct op basis van beelden, wat leidt tot geolokaliseerde datapunten voor individuele installaties.

Het verwerken van de enorme hoeveelheid beelden was een grote technische uitdaging. China's gevarieerde terrein – van woestijnen tot dichtbebouwde stedelijke gebieden – betekent dat hernieuwbare installaties in veel verschillende contexten voorkomen, waardoor modellen nodig zijn die installaties in uiteenlopende landschappen en lichtomstandigheden kunnen herkennen.

Wat de landelijke hernieuwbare-energiekaart onthult

De voltooide inventarisatie biedt een gedetailleerd ruimtelijk overzicht van China's hernieuwbare infrastructuur. Volgens de gerapporteerde resultaten detecteerde het AI-systeem:

• Ongeveer 319.000 zonnepaneelinstallaties
• Ongeveer 91.600 windturbines
• Installaties verspreid over 1.915 districten in het hele land

Omdat elk asset geolokaliseerd is, onthult de dataset regionale patronen van de uitrol van hernieuwbare energie en biedt het een basis voor energiesysteemanalyse.

Eerdere nationale datasets waren vaak gebaseerd op satellietbeelden met een lagere resolutie of onvolledige rapportages, waardoor het moeilijk was om precies te achterhalen waar installaties waren gebouwd. Remote-sensing-onderzoeken gebruiken steeds vaker machine learning om zonne- en windinfrastructuur in kaart te brengen, maar uitgebreide inventarisaties met een hoge resolutie blijven relatief zeldzaam.

Waarom een 'God's-eye view' belangrijk is voor netplanning

Wind- en zonne-energie zijn van nature variabel. Hun opbrengst fluctueert met weersomstandigheden en het tijdstip van de dag, wat kan leiden tot curtailment – wanneer hernieuwbare elektriciteit niet kan worden gebruikt of getransporteerd en dus wordt verspild.

Een landelijke, geolokaliseerde kaart van installaties helpt onderzoekers te analyseren hoe verschillende hernieuwbare bronnen in verschillende regio's op elkaar inwerken. Met behulp van de nieuwe dataset bestudeerde het team zonne-wind-complementariteit, waarbij ze ontdekten dat wind- en zonne-energie vaak op verschillende tijdstippen pieken – bijvoorbeeld dat zonne-energie overdag meer produceert, terwijl wind 's nachts sterker kan zijn.

Inzicht in die patronen stelt planners in staat strategieën te verkennen zoals:

• Het coördineren van hernieuwbare opwekking over provincies heen
• Het uitbreiden van transmissieverbindingen tussen regio's
• Het toevoegen van energieopslag waar de hernieuwbare opbrengst fluctueert

Onderzoekers melden dat een bredere regionale coördinatie van wind- en zonne-energie de hoeveelheid hernieuwbare elektriciteit die door het net kan worden opgenomen aanzienlijk kan verhogen.

Hernieuwbare energie koppelen aan de AI-datacenterboom

Het karteringsproject heeft ook implicaties die verder gaan dan de traditionele netplanning. China's snelgroeiende data- en AI-computerinfrastructuur zorgt voor een grote toename van de elektriciteitsvraag.

Om aan die vraag te voldoen en tegelijkertijd de decarbonisatiedoelen na te streven, is het land begonnen met het directer koppelen van hernieuwbare opwekking aan computerinfrastructuur. Een voorbeeld is een project in Ningxia dat grootschalige zonne-energie rechtstreeks aan datacenteractiviteiten levert.

Een uitgebreide kaart van wind- en zonne-energiebronnen kan beleidsmakers helpen beslissen:

• Waar nieuwe datacenters moeten worden geplaatst in relatie tot hernieuwbare bronnen
• Waar transmissie- of opslaginfrastructuur nodig is
• Hoe hernieuwbare energie kan worden gecoördineerd om energie-intensieve computerworkloads te ondersteunen

In die zin doet de AI-gegenereerde inventarisatie meer dan alleen infrastructuur catalogiseren – het creëert een databasis voor het beheren van de volgende fase van China's energietransitie.

Een nieuwe manier om hernieuwbare infrastructuur te volgen

Naarmate hernieuwbare energiesystemen wereldwijd uitbreiden, wordt het vermogen om ze nauwkeurig te monitoren steeds belangrijker. Satellietbeelden gecombineerd met AI bieden een schaalbare manier om infrastructuur over grote gebieden te volgen en inventarisaties bij te werken naarmate er nieuwe installaties worden gebouwd.

Voor China – het land met het grootste hernieuwbare energiesysteem ter wereld – biedt de nieuwe landelijke kaart iets waar beleidsmakers en onderzoekers lang om hebben gevraagd: een nauwkeurig, continu bij te werken beeld van waar zonne- en windenergie zich op de grond bevinden.