Forskerne brukte AI-drevet datasyn for å analysere enorme mengder satellittbilder som dekker hele Kina. Ved å bruke DAMO Academys egne modeller på en skyløsning, kunne systemet prosessere 7,56 TB-datasettet og automatisk oppdage visuelle kjennetegn for solcellepaneler og vindturbiner.
Denne tilnærmingen skiller seg fra tradisjonelle energistatistikker, som ofte er avhengige av rapportering fra regionale myndigheter eller estimater basert på installert kapasitet. I stedet identifiserer systemet infrastruktur direkte fra bildene, og produserer geolokaliserte datapunkter for enkeltinstallasjoner.
Å håndtere omfanget av bildene var en stor teknisk utfordring. Kinas varierte terreng – fra ørkener til tettbygde urbane områder – gjør at fornybare anlegg dukker opp i mange forskjellige sammenhenger, noe som krever modeller som kan gjenkjenne installasjoner på tvers av varierende landskap og lysforhold.
Den ferdige oversikten gir et detaljert romlig øyeblikksbilde av Kinas fornybare infrastruktur. Ifølge rapporterte resultater oppdaget AI-systemet:
Siden hvert anlegg er geolokalisert, avslører datasettet regionale mønstre for utbygging av fornybar energi og gir et grunnlag for analyse av energisystemet.
Tidligere nasjonale datasett var ofte avhengige av satellittbilder med lavere oppløsning eller delvis rapportering, noe som gjorde det vanskelig å spore nøyaktig hvor anleggene ble bygget. Fjernmålingsstudier har i økende grad brukt maskinlæring for å kartlegge sol- og vindinfrastruktur, men omfattende høyoppløselige oversikter er fortsatt relativt sjeldne.
Vind- og solkraft er iboende variable. Produksjonen deres svinger med værforhold og tid på døgnet, noe som kan føre til avskjæring – når fornybar elektrisitet ikke kan brukes eller overføres og dermed går til spille.
En nasjonal, geolokalisert oversikt over installasjoner hjelper forskere med å analysere hvordan forskjellige fornybare kilder samhandler på tvers av regioner. Ved å bruke det nye datasettet studerte teamet sol-vind-komplementaritet, og fant at vind- og solproduksjon ofte topper seg på forskjellige tider – for eksempel produserer sol mer om dagen mens vind kan være sterkere om natten.
Å forstå disse mønstrene gjør at planleggere kan utforske strategier som:
Forskere rapporterer at bredere regional koordinering av vind- og solressurser betydelig kan øke mengden fornybar elektrisitet som kan tas opp av nettet.
Kartleggingsprosjektet har også implikasjoner utover tradisjonell nettplanlegging. Kinas raskt voksende datasenter- og AI-datainfrastruktur driver store økninger i etterspørselen etter elektrisitet.
For å møte denne etterspørselen samtidig som man forfølger avkarboniseringsmål, har landet begynt å koble fornybar produksjon mer direkte til datainfrastruktur. Et eksempel er et prosjekt i Ningxia som forsyner storskala solcellekraft direkte til datasenteroperasjoner.
En omfattende oversikt over vind- og solressurser kan hjelpe beslutningstakere med å avgjøre:
I den forstand gjør den AI-genererte oversikten mer enn å katalogisere infrastruktur – den skaper et datagrunnlag for å administrere neste fase av Kinas energiomstilling.
Ettersom fornybare energisystemer ekspanderer over hele verden, blir evnen til å overvåke dem nøyaktig stadig viktigere. Satellittbilder kombinert med AI tilbyr en skalerbar måte å spore infrastruktur over store områder og oppdatere oversikter etter hvert som nye anlegg bygges.
For Kina – hjem til verdens største fornybare energisystem – gir det nye nasjonale kartet noe beslutningstakere og forskere lenge har manglet: et presist, kontinuerlig oppdaterbart bilde av hvor sol- og vindkraft faktisk finnes på bakken.