Pesquisadores processaram 7,56 TB de imagens de satélite com resolução de 0,5 m para identificar cerca de 319 mil instalações solares e 91,6 mil turbinas eólicas em 1.915 condados da China. O sistema usa visão computacional para detectar diretamente painéis solares e turbinas em imagens orbitais, evitando depender a...

Create a landscape editorial hero image for this Studio Global article: How have researchers from Peking University and Alibaba’s Damo Academy used AI and satellite imagery to create a nationwide inventory of Chi. Article summary: They used Alibaba DAMO Academy’s in-house AI models on a cloud platform to process 7.56 TB of open satellite imagery at 0.5-metre resolution covering all of China, producing what Chinese media described as the country’s . Topic tags: general, government, academic, general web. Reference image context from search candidates: Reference image 1: visual subject "# Advancing solar and wind penetration in China through energy complementarity. The intrinsic variability of solar and wind energy, compounded by their rapid expansion, has intensi" source context "Advancing solar and wind penetration in China through energy complementarity | Nature" Reference image 2: visu
O rápido crescimento da energia renovável na China criou um problema inesperado: é difícil saber exatamente onde todas as instalações estão. Para resolver isso, pesquisadores da Universidade de Pequim (Peking University) e do DAMO Academy, laboratório de pesquisa da Alibaba, recorreram à inteligência artificial e a imagens de satélite para construir o primeiro inventário nacional de alta precisão de usinas solares e turbinas eólicas.
Ao processar 7,56 terabytes de imagens de satélite abertas com resolução de 0,5 metro, o sistema identificou cerca de 319 mil instalações fotovoltaicas e 91,6 mil turbinas eólicas distribuídas por 1.915 condados. O resultado é um mapa detalhado da infraestrutura de energia renovável em todo o país.
O estudo, publicado na revista científica Nature em maio de 2026, oferece o que os pesquisadores chamaram de “visão de Deus” (God’s‑eye view) do sistema energético renovável da China — algo que antes era difícil obter apenas com dados administrativos fragmentados.
Para construir o mapa, os cientistas aplicaram técnicas de visão computacional a um enorme conjunto de imagens de satélite cobrindo todo o território chinês.
Modelos de IA desenvolvidos pelo DAMO Academy foram executados em infraestrutura de computação em nuvem capaz de processar 7,56 TB de dados visuais, identificando automaticamente padrões que correspondem a campos de painéis solares e turbinas eólicas.
Esse método é diferente das estatísticas energéticas tradicionais, que geralmente dependem de relatórios de autoridades regionais ou estimativas baseadas na capacidade instalada. Aqui, a infraestrutura é detectada diretamente nas imagens, gerando pontos geográficos exatos para cada instalação.
O desafio técnico foi enorme. As instalações aparecem em contextos muito variados — de desertos e áreas rurais a regiões urbanas densas — o que exigiu modelos capazes de reconhecer os equipamentos sob diferentes condições de terreno, iluminação e escala.
O inventário criado pelos pesquisadores oferece uma fotografia detalhada da infraestrutura energética do país. Entre os resultados principais:
Como cada instalação possui coordenadas geográficas precisas, o banco de dados permite analisar padrões regionais de implantação de energia renovável — algo difícil com dados anteriores, que muitas vezes tinham resolução menor ou cobertura incompleta.
Estudos de sensoriamento remoto já vinham usando aprendizado de máquina para detectar infraestrutura energética, mas inventários nacionais de alta resolução ainda são relativamente raros.
Energia solar e eólica têm uma característica importante: são variáveis. A produção depende de fatores como clima, vento e horário do dia.
Isso pode gerar um problema conhecido como curtailment (ou “desperdício” de energia renovável) — quando a eletricidade produzida não pode ser usada ou transmitida e acaba sendo descartada.
Com um mapa nacional detalhado, pesquisadores conseguem estudar melhor como diferentes fontes renováveis interagem entre si. Usando o novo banco de dados, o estudo analisou a chamada complementaridade entre vento e sol.
Os resultados indicam que, em muitas regiões, os dois recursos produzem energia em momentos diferentes — por exemplo:
Esse tipo de informação ajuda planejadores a desenvolver estratégias como:
Os pesquisadores afirmam que maior cooperação entre regiões pode aumentar significativamente a quantidade de energia renovável que a rede consegue absorver.
O novo mapa também tem implicações fora do planejamento tradicional da rede elétrica.
A China vive um crescimento rápido de data centers e infraestrutura de computação para inteligência artificial, o que aumenta fortemente a demanda por eletricidade.
Para atender a essa demanda sem elevar as emissões de carbono, o país começou a conectar diretamente fontes renováveis a grandes centros de computação. Um exemplo recente é um projeto na região de Ningxia, onde uma grande usina fotovoltaica fornece energia diretamente para operações de data center.
Com um inventário nacional detalhado de energia renovável, formuladores de políticas podem decidir com mais precisão:
Na prática, o mapa criado com IA faz mais do que listar instalações: ele cria uma base de dados estratégica para a próxima fase da transição energética da China.
À medida que sistemas de energia renovável crescem no mundo inteiro, acompanhar sua expansão se torna cada vez mais importante.
Combinar imagens de satélite com inteligência artificial oferece uma forma escalável de monitorar infraestrutura energética em grandes territórios e atualizar inventários conforme novas instalações são construídas.
Para a China — que já possui o maior sistema de energia renovável do planeta — esse mapa nacional fornece algo que faltava há muito tempo: uma visão precisa e atualizável de onde a energia solar e eólica realmente estão instaladas no território.
Studio Global AI
Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.
Pesquisadores processaram 7,56 TB de imagens de satélite com resolução de 0,5 m para identificar cerca de 319 mil instalações solares e 91,6 mil turbinas eólicas em 1.915 condados da China.
Pesquisadores processaram 7,56 TB de imagens de satélite com resolução de 0,5 m para identificar cerca de 319 mil instalações solares e 91,6 mil turbinas eólicas em 1.915 condados da China. O sistema usa visão computacional para detectar diretamente painéis solares e turbinas em imagens orbitais, evitando depender apenas de registros administrativos fragmentados.
O mapa geolocalizado pode ajudar no planejamento da rede elétrica, reduzir desperdício de energia renovável e orientar a expansão de data centers alimentados por energia limpa.