Bearbetning av satellitbilder med AI

Forskarna använde AI-driven bildigenkänning för att analysera de enorma mängderna satellitbilder som täcker hela Kina. Genom att använda DAMO Academys egna modeller på molninfrastruktur kunde systemet bearbeta 7,56 TB datasetet och automatiskt upptäcka visuella signaturer av solfält och vindkraftverk.

Detta tillvägagångssätt skiljer sig från traditionell energistatistik, som ofta bygger på rapportering från regionala myndigheter eller uppskattningar baserade på installerad kapacitet. Istället identifierar systemet infrastruktur direkt från bilderna och producerar geolokaliserade datapunkter för enskilda anläggningar.

Att hantera bildernas omfattning var en stor teknisk utmaning. Kinas varierande terräng – från öknar till tätbefolkade stadsområden – innebär att förnybara anläggningar förekommer i många olika sammanhang, vilket kräver modeller som kan känna igen installationer i olika landskap och ljusförhållanden.

Vad den rikstäckande kartan visar

Den färdiga inventeringen ger en detaljerad rumslig ögonblicksbild av Kinas förnybara infrastruktur. Enligt rapporterade resultat upptäckte AI-systemet:

• Cirka 319 000 solcellsanläggningar
• Omkring 91 600 vindkraftverk
• Anläggningar fördelade över 1 915 distrikt över hela landet

Eftersom varje anläggning är geolokaliserad, avslöjar datasetet regionala mönster för utbyggnad av förnybar energi och utgör en grund för analys av energisystemet.

Tidigare nationella dataset förlitade sig ofta på satellitbilder med lägre upplösning eller ofullständig rapportering, vilket gjorde det svårt att exakt spåra var anläggningar byggdes. Fjärranalysstudier har i allt högre grad använt maskininlärning för att kartlägga sol- och vindkraftsinfrastruktur, men omfattande högupplösta inventeringar är fortfarande relativt sällsynta.

Varför ett “Gudaperspektiv” är viktigt för elnätsplanering

Vind- och solkraft är till sin natur variabla. Deras produktion fluktuerar med väderförhållanden och tid på dygnet, vilket kan leda till begränsning – när förnybar el inte kan användas eller överföras och därför går till spillo.

En rikstäckande, geolokaliserad karta över anläggningar hjälper forskare att analysera hur olika förnybara källor samverkar över regioner. Med det nya datasetet studerade teamet sol-vind-komplementaritet och fann att vind- och solproduktion ofta når sin topp vid olika tidpunkter – till exempel producerar solen mer under dagen medan vinden kan vara starkare på natten.

Att förstå dessa mönster gör det möjligt för planerare att utforska strategier som:

• Samordna förnybar produktion över provinser
• Bygga ut överföringsförbindelser mellan regioner
• Lägga till energilagring där produktionen från förnybara källor fluktuerar

Forskarna rapporterar att en bredare regional samordning av vind- och solresurser avsevärt skulle kunna öka mängden förnybar el som kan tas upp av elnätet.

Kopplingen mellan förnybar energi och AI-datacenterboomen

Kartläggningsprojektet har också implikationer som sträcker sig bortom traditionell elnätsplanering. Kinas snabbt växande datacenter- och AI-beräkningsinfrastruktur driver stora ökningar av elbehovet.

För att möta denna efterfrågan samtidigt som man strävar efter decarbonisering har landet börjat koppla förnybar produktion mer direkt till beräkningsinfrastrukturen. Ett exempel är ett projekt i Ningxia som förser storskaliga datacenter med solel direkt från en solcellspark.

En omfattande karta över vind- och soltillgångar kan hjälpa beslutsfattare att avgöra:

• Var nya datacenter bör placeras i förhållande till förnybara resurser
• Var överföring eller lagringsinfrastruktur behövs
• Hur förnybar el kan samordnas för att stödja energikrävande beräkningsarbete

I den meningen gör den AI-genererade inventeringen mer än att bara katalogisera infrastruktur – den skapar en datagrund för att hantera nästa fas av Kinas energiomställning.

Ett nytt sätt att spåra förnybar infrastruktur

I takt med att systemen för förnybar energi expanderar världen över blir förmågan att övervaka dem noggrant allt viktigare. Satellitbilder kombinerat med AI erbjuder en skalbar metod för att spåra infrastruktur över stora områden och uppdatera inventeringar när nya anläggningar byggs.

För Kina – hem till världens största system för förnybar energi – ger den nya rikstäckande kartan något som beslutsfattare och forskare länge saknat: en exakt, kontinuerligt uppdateringsbar bild av var sol- och vindkraft faktiskt finns på marken.

Bearbetning av satellitbilder med AI

Forskarna använde AI-driven bildigenkänning för att analysera de enorma mängderna satellitbilder som täcker hela Kina. Genom att använda DAMO Academys egna modeller på molninfrastruktur kunde systemet bearbeta 7,56 TB datasetet och automatiskt upptäcka visuella signaturer av solfält och vindkraftverk.

Detta tillvägagångssätt skiljer sig från traditionell energistatistik, som ofta bygger på rapportering från regionala myndigheter eller uppskattningar baserade på installerad kapacitet. Istället identifierar systemet infrastruktur direkt från bilderna och producerar geolokaliserade datapunkter för enskilda anläggningar.

Att hantera bildernas omfattning var en stor teknisk utmaning. Kinas varierande terräng – från öknar till tätbefolkade stadsområden – innebär att förnybara anläggningar förekommer i många olika sammanhang, vilket kräver modeller som kan känna igen installationer i olika landskap och ljusförhållanden.

Vad den rikstäckande kartan visar

Den färdiga inventeringen ger en detaljerad rumslig ögonblicksbild av Kinas förnybara infrastruktur. Enligt rapporterade resultat upptäckte AI-systemet:

• Cirka 319 000 solcellsanläggningar
• Omkring 91 600 vindkraftverk
• Anläggningar fördelade över 1 915 distrikt över hela landet

Eftersom varje anläggning är geolokaliserad, avslöjar datasetet regionala mönster för utbyggnad av förnybar energi och utgör en grund för analys av energisystemet.

Tidigare nationella dataset förlitade sig ofta på satellitbilder med lägre upplösning eller ofullständig rapportering, vilket gjorde det svårt att exakt spåra var anläggningar byggdes. Fjärranalysstudier har i allt högre grad använt maskininlärning för att kartlägga sol- och vindkraftsinfrastruktur, men omfattande högupplösta inventeringar är fortfarande relativt sällsynta.

Varför ett “Gudaperspektiv” är viktigt för elnätsplanering

Vind- och solkraft är till sin natur variabla. Deras produktion fluktuerar med väderförhållanden och tid på dygnet, vilket kan leda till begränsning – när förnybar el inte kan användas eller överföras och därför går till spillo.

En rikstäckande, geolokaliserad karta över anläggningar hjälper forskare att analysera hur olika förnybara källor samverkar över regioner. Med det nya datasetet studerade teamet sol-vind-komplementaritet och fann att vind- och solproduktion ofta når sin topp vid olika tidpunkter – till exempel producerar solen mer under dagen medan vinden kan vara starkare på natten.

Att förstå dessa mönster gör det möjligt för planerare att utforska strategier som:

• Samordna förnybar produktion över provinser
• Bygga ut överföringsförbindelser mellan regioner
• Lägga till energilagring där produktionen från förnybara källor fluktuerar

Forskarna rapporterar att en bredare regional samordning av vind- och solresurser avsevärt skulle kunna öka mängden förnybar el som kan tas upp av elnätet.

Kopplingen mellan förnybar energi och AI-datacenterboomen

Kartläggningsprojektet har också implikationer som sträcker sig bortom traditionell elnätsplanering. Kinas snabbt växande datacenter- och AI-beräkningsinfrastruktur driver stora ökningar av elbehovet.

För att möta denna efterfrågan samtidigt som man strävar efter decarbonisering har landet börjat koppla förnybar produktion mer direkt till beräkningsinfrastrukturen. Ett exempel är ett projekt i Ningxia som förser storskaliga datacenter med solel direkt från en solcellspark.

En omfattande karta över vind- och soltillgångar kan hjälpa beslutsfattare att avgöra:

• Var nya datacenter bör placeras i förhållande till förnybara resurser
• Var överföring eller lagringsinfrastruktur behövs
• Hur förnybar el kan samordnas för att stödja energikrävande beräkningsarbete

I den meningen gör den AI-genererade inventeringen mer än att bara katalogisera infrastruktur – den skapar en datagrund för att hantera nästa fas av Kinas energiomställning.

Ett nytt sätt att spåra förnybar infrastruktur

I takt med att systemen för förnybar energi expanderar världen över blir förmågan att övervaka dem noggrant allt viktigare. Satellitbilder kombinerat med AI erbjuder en skalbar metod för att spåra infrastruktur över stora områden och uppdatera inventeringar när nya anläggningar byggs.

För Kina – hem till världens största system för förnybar energi – ger den nya rikstäckande kartan något som beslutsfattare och forskare länge saknat: en exakt, kontinuerligt uppdateringsbar bild av var sol- och vindkraft faktiskt finns på marken.