جستجو ...

استفاده از داده‌های مکانی برای ارزیابی امنیت انرژی: نقشه‌برداری سیستم‌های خانه خورشیدی کوچک با استفاده از وسایل نقلیه هوایی بدون سرنشین و یادگیری عمیق

مقالات داخلی و بین المللی استفاده از داده‌های مکانی برای ارزیابی امنیت انرژی: نقشه‌برداری سیستم‌های خانه خورشیدی کوچک با استفاده از وسایل نقلیه هوایی بدون سرنشین و یادگیری عمیق
آموزش کاربرد نقشه های اتوکد AutoCAD در ArcGIS

استفاده از داده‌های مکانی برای ارزیابی امنیت انرژی: نقشه‌برداری سیستم‌های خانه خورشیدی کوچک با استفاده از وسایل نقلیه هوایی بدون سرنشین و یادگیری عمیق:سیستم‌های خورشیدی خانگی (SHS)، یک راه‌حل مقرون‌به‌صرفه برای جوامع روستایی دور از شبکه در کشورهای در حال توسعه، پنل‌های خورشیدی کوچک و تجهیزات مرتبط هستند که برق را برای یک خانوار فراهم می‌کنند. یک منبع حیاتی برای هدف قرار دادن سرمایه‌گذاری بیشتر در منابع عمومی و خصوصی، و همچنین ردیابی پیشرفت اهداف جهانی برق‌رسانی، دسترسی مشترک به داده‌های با کیفیت بالا در تأسیسات فردی SHS از جمله اطلاعاتی مانند مکان و ظرفیت نیرو است. اگرچه مطالعات اخیر با استفاده از تصاویر ماهواره‌ای و یادگیری ماشینی برای تشخیص پانل‌های خورشیدی ظاهر شده‌اند، اما به دلیل وضوح تصویر محدود (برخی از پنل‌های خورشیدی کوچک تنها چندین پیکسل را در تصاویر ماهواره‌ای اشغال می‌کنند) در تلاش برای مکان‌یابی دقیق بسیاری از SHS‌ها هستند. در این کار، ما به بررسی سودمندی و معاوضه هزینه-عملکرد استفاده از تشخیص خودکار SHS در تصاویر وسایل نقلیه هوایی بدون سرنشین (UAV) به عنوان جایگزینی برای تصاویر ماهواره‌ای می‌پردازیم. به طور خاص، ما سه سوال را بررسی می کنیم: (1) عملکرد تشخیص SHS با استفاده از تصاویر هواپیماهای بدون سرنشین چیست. (ii) هزینه جمع آوری داده های هواپیماهای بدون سرنشین در مقایسه با تصاویر ماهواره ای چقدر است. و (iii) تشخیص SHS مبتنی بر پهپاد در سناریوهای دنیای واقعی چقدر خوب عمل می کند؟ برای بررسی این سوالات، مجموعه داده ای از تصاویر پهپاد با وضوح بالا شامل SHS که تحت شرایط مختلف دنیای واقعی تصویر شده است را جمع آوری و به صورت عمومی منتشر می کنیم و از این مجموعه داده و مجموعه داده ای از تصاویر از رواندا برای ارزیابی قابلیت های مدل های یادگیری عمیق استفاده می کنیم. SHS را بشناسد، از جمله آنهایی که خیلی کوچک هستند که به طور قابل اعتماد در تصاویر ماهواره ای قابل تشخیص نیستند. نتایج نشان می دهد که تصاویر پهپاد ممکن است یک جایگزین مناسب برای شناسایی SHS های بسیار کوچک از منظر دقت تشخیص و هزینه های مالی جمع آوری داده ها باشد. جمع‌آوری داده‌های مبتنی بر پهپاد ممکن است یک گزینه عملی برای حمایت از استراتژی‌های برنامه‌ریزی دسترسی به برق برای دستیابی به اهداف توسعه پایدار و برای نظارت بر پیشرفت به سمت آن اهداف باشد.

کلمات کلیدی: برق رسانی ; دسترسی به انرژی ؛ سیستم های خورشیدی خانه ; PV خورشیدی ; بینایی کامپیوتری ؛ یادگیری عمیق ؛ یادگیری ماشینی ؛ ارزیابی هزینه ؛ پهپاد ; مجموعه داده

1. مقدمه

دسترسی به انرژی یک مسئله جهانی است. هدف توسعه پایدار (SDG) 7.1، مشخص شده توسط سازمان ملل [ 1 ]، پیشنهاد دستیابی به “دسترسی به انرژی مقرون به صرفه، قابل اعتماد، پایدار و مدرن برای همه” تا سال 2030 است. با این حال، همانطور که آخرین گزارش پیشرفت در سال 2020 [ 2 ] اشاره کرد. با برون یابی از پیشرفت فعلی به سمت برق رسانی، تا سال 2030 هنوز 620 میلیون نفر بدون دسترسی اولیه به برق خواهند بود. اگرچه اکثریت جمعیت جهان به برق متصل به شبکه دسترسی دارند، هزینه های بالای عبور از توپوگرافی های چالش برانگیز باعث گسترش شبکه می شود. برای جوامع دورافتاده و روستایی ارزانتر یا کارآمدتر [ 3 ].
در تلاش برای رسیدن به SDG 7.1، سیستم‌های خانه خورشیدی (SHS) به یک راه‌حل امیدوارکننده به عنوان جایگزینی برای گسترش شبکه تبدیل شده‌اند [ 4 ]. SHS سیستم های مبتنی بر فتوولتائیک خورشیدی هستند که برق را برای خانه های فردی تامین می کنند. در مقایسه با مزارع خورشیدی که در آن آرایه‌های خورشیدی بزرگ نصب می‌شوند و برق تولید شده توسط شبکه‌های برق بزرگ منتقل و تنظیم می‌شود، یک SHS (یک پنل خورشیدی و تجهیزات مربوطه که برق یک خانوار واحد را تامین می‌کند) معمولاً یک پنل خورشیدی کوچک است که در بالای آن ثابت می‌شود. سقف خانه است و به شبکه برق متصل نیست. سیستم های خورشیدی خارج از شبکه اغلب راه حل های مقرون به صرفه ای برای جوامع روستایی دور از شبکه هستند.
یک منبع حیاتی برای هدف قرار دادن سرمایه‌گذاری بیشتر در منابع عمومی و خصوصی، و همچنین ردیابی پیشرفت اهداف جهانی برق‌رسانی، دسترسی مشترک به داده‌های با کیفیت بالا در مورد تأسیسات SHS فردی از جمله اطلاعاتی مانند مکان و ظرفیت است. با این اطلاعات، تصمیم گیرندگان می توانند تصمیمات آگاهانه تری در مورد گزینه های برق رسانی، مانند گسترش شبکه، شبکه های کوچک/میکرو، و سیستم های مستقل اتخاذ کنند [ 5 ]. علی‌رغم اهمیت چنین داده‌هایی، متأسفانه این اطلاعات اغلب در دسترس محدود هستند یا فقط با بررسی‌های گران قیمت و زمان‌بر [ 6 ] یا گزارش‌های خود ناقص [ 7 ] قابل دسترسی هستند.
برای رفع این مانع گسترده برای ردیابی و برنامه‌ریزی دسترسی به انرژی [ 8 ]، به طور کلی سه رویکرد برای جمع‌آوری داده‌های کوچک SHS در دسترس است: (1) نظرسنجی‌های روی زمین (افرادی که برای جمع‌آوری اطلاعات خانه به خانه می‌روند)، (2) ) اطلاعات از خرده فروشان پنل های خورشیدی یا سازمان های دولتی، یا (3) داده های سنجش از راه دور با استفاده از عکاسی بالای سر (ماهواره ها، هواپیماها یا پهپادها). بررسی های زمینی معمولاً بسیار گران هستند (این مورد در بخش 6 مورد بحث قرار خواهد گرفت) و جمع‌آوری داده‌ها از دولت‌ها یا شرکت‌های آب و برق اغلب با این واقعیت که چنین داده‌هایی جمع‌آوری نشده‌اند یا اینکه تمایل یا انگیزه برای اشتراک‌گذاری داده‌ها وجود ندارد، مانع می‌شود. این امر رویکردهای سنجش از دور را به عنوان یک مسیر امیدوارکننده برای جمع آوری داده ها باقی می گذارد. مطالعات قبلی تشخیص داده‌اند که SHS در تصاویر بالای سر قابل مشاهده است و هنگامی که منابع داده سنجش از راه دور با ابزارهای یادگیری ماشین ترکیب می‌شوند، ممکن است رویکرد مناسبی برای جمع‌آوری داده‌ها برای برخی از SHS ایجاد کند. با استفاده از تصاویر ماهواره ای با وضوح بالا، نشان داده شد که تاسیسات متوسط ​​تا بزرگ پنل های خورشیدی را می توان با دقت بالا شناسایی کرد [ 9 ، 10 ، 11 ، 12]. با این حال، اندازه های قابل توجهی کوچکتر از SHS در مناطق روستایی کشورهای با درآمد کم و متوسط ​​استفاده می شود. اکثریت جمعیت جهانی که از راه‌حل‌های خارج از شبکه استفاده می‌کنند، از SHS کمتر از 50 وات [ 13 ] استفاده می‌کنند که معمولاً مساحت 0.3 متر را اشغال می‌کند.2[ 14 ]. این یک چالش حتی در بالاترین وضوح تصاویر ماهواره ای تجاری موجود است (معمولاً حدود 0.3 متر بر پیکسل [ 15 ]). این یک محدودیت عمده در مجموعه داده های مکان و ظرفیت برای SHS های بسیار کوچک است. بنابراین، وسایل نقلیه هوایی بدون سرنشین (پهپاد) جایگزینی با وضوح بالاتر برای سکوهای ماهواره ای ارائه می دهند و یک راه حل جایگزین بالقوه برای پر کردن این شکاف اطلاعاتی هستند. یک بحث مفصل تر از ادبیات موجود در مورد تشخیص پنل خورشیدی با استفاده از داده های سنجش از دور در بخش 2 ارائه شده است .

مشارکت های این کار

در این مقاله، ما به طور انتقادی قابلیت استفاده از تصاویر هوایی مبتنی بر هواپیماهای بدون سرنشین را برای شناسایی زیرساخت‌های انرژی رایج، اما از نظر فیزیکی کوچک به عنوان جایگزینی برای تصاویر ماهواره‌ای یا بررسی‌های دستی از منظر دقت ارزیابی و اثربخشی هزینه، تحلیل می‌کنیم. مشارکت‌های ما از نزدیک سه سؤال تحقیقاتی را دنبال می‌کند که پیشنهاد می‌کنیم به آنها پاسخ دهیم: (1) عملکرد تشخیص SHS با استفاده از تصاویر پهپاد چیست. (ii) هزینه جمع آوری داده های هواپیماهای بدون سرنشین در مقایسه با تصاویر ماهواره ای چقدر است. و (iii) تشخیص SHS مبتنی بر پهپاد در سناریوهای دنیای واقعی چقدر خوب عمل می کند؟
برای بررسی (i)، عملکرد تشخیص SHS با استفاده از تصاویر پهپاد، از آنجایی که هیچ مجموعه داده عمومی برای پاسخ مستقیم به این سوال وجود ندارد، ما یک مجموعه داده تشخیص پنل خورشیدی مبتنی بر پهپاد را توسعه می‌دهیم که ارتفاعات مختلف پرواز و سرعت‌های پرواز را پوشش می‌دهد و یک تشخیص یادگیری عمیق را آموزش می‌دهیم. الگوریتم برای تشخیص SHS. سپس عملکرد و استحکام این الگوریتم را ارزیابی می کنیم. برای سوال تحقیق (ii)، با توجه به هزینه نسبی جمع‌آوری داده‌های مبتنی بر پهپاد، ما یک تجزیه و تحلیل هزینه/فایده جمع‌آوری داده‌های SHS مبتنی بر پهپاد انجام می‌دهیم و آن را با جایگزین‌های رایج مانند تصاویر ماهواره‌ای و عکس‌برداری هوایی مقایسه می‌کنیم. برای سوال تحقیق (iii) در مورد عملکرد تجزیه و تحلیل داده های مبتنی بر پهپاد برای ارزیابی SHS در شرایط دنیای واقعی،
مشارکت های اصلی این اثر به شرح زیر خلاصه می شود:
  • اولین مجموعه داده در دسترس عموم از تصاویر پهپاد از SHS بسیار کوچک (کمتر از 100 وات) ( بخش 3 ) . اولین مجموعه داده های پنل خورشیدی بسیار کوچک مبتنی بر پهپاد را با فاصله نمونه برداری از زمین و ارتفاع پرواز دقیق جمع آوری، حاشیه نویسی و به اشتراک گذاشتیم. مجموعه داده شامل 423 تصویر، 60 ویدیو و 2019 نمونه پانل خورشیدی مشروح شده است. مجموعه داده حاوی حاشیه نویسی برای آموزش تشخیص شی یا مدل های تقسیم بندی است.
  • ارزیابی استحکام و عملکرد تشخیص تشخیص شیء یادگیری عمیق برای داده های UAV خورشیدی PV ( بخش 5 ) . ما عملکرد تشخیص SHS را با معماری U-Net با ستون فقرات ResNet50 از قبل آموزش دیده ارزیابی می کنیم. ما وضوح جمع آوری داده ها (یا 1/ارتفاع) را کنترل کردیم: نمونه برداری از هر 10 متر ارتفاع در فاصله 50 متر تا 120 متر. ما ابعاد اندازه پانل را با استفاده از 5 اندازه مختلف پانل PV خورشیدی کنترل کردیم
  • تجزیه و تحلیل هزینه/فایده نقشه‌برداری PV خورشیدی مبتنی بر پهپاد و ماهواره ( بخش 6 ) . ما یک منحنی هزینه-عملکرد را برای مقایسه جمع‌آوری داده‌های مبتنی بر سنجش از دور برای هر دو سیستم پهپاد و ماهواره‌ای برای مقایسه مستقیم تخمین می‌زنیم. ما نشان می‌دهیم که با استفاده از تصاویر ماهواره‌ای با بالاترین وضوح موجود، SHS‌های بسیار کوچک به سختی قابل تشخیص هستند. بنابراین، حتی تصاویر ماهواره‌ای با بالاترین وضوح تجاری موجود راه حل مناسبی برای ارزیابی استقرار پنل‌های خورشیدی بسیار کوچک (کمتر از 100 وات) ارائه نمی‌دهند.
  • مطالعه موردی در رواندا که پتانسیل تشخیص پانل خورشیدی مبتنی بر هواپیماهای بدون سرنشین را برای تاسیسات بسیار کوچک SHS نشان می‌دهد ( بخش 7 ) . با استفاده از مدل‌های خود برای داده‌های هواپیماهای بدون سرنشین جمع‌آوری‌شده در زمینه در رواندا، نمونه‌ای از عملکرد عملی استفاده از تصاویر پهپاد برای تشخیص پنل خورشیدی را نشان می‌دهیم. با مقایسه نتایج با آزمایش‌هایمان با داده‌های جمع‌آوری‌شده در شرایط کنترل‌شده، ما دو مانع بزرگ برای دستیابی به عملکرد بهبود یافته را شناسایی کردیم، وضوح تصویر و تنوع داده‌های آموزشی.

2. کارهای مرتبط

نشان داده شده است که آرایه های PV خورشیدی بزرگتر، به ویژه در مقایسه با SHS های بسیار کوچک، در تصاویر ماهواره ای قابل تشخیص هستند. کار اخیر پتانسیل نقشه‌برداری خودکار آرایه‌های PV خورشیدی را با استفاده از سنجش از دور و یادگیری ماشین از SHS خانگی منفرد (5-10 کیلووات [ 6 ، 9 ، 10 ، 16 ، 17 ]) در مقیاس کاربردی (> 10 مگاوات [ 12 ، 18 ]) نشان می‌دهد.]) تأسیسات، در حالی که هیچ مطالعه قبلی بر روی آرایه های خورشیدی کوچکتر متمرکز نشده است که برای کسانی که برای اولین بار به برق دسترسی دارند، مستقر می شوند، که می تواند 100 وات یا کمتر باشد – مرتبه ای کوچکتر از همه مطالعات گذشته.
اولین کار بر روی بخش‌بندی پنل خورشیدی از روش‌های یادگیری ماشین سنتی مانند ماشین‌های بردار پشتیبان (SVM)، درخت‌های تصمیم‌گیری و جنگل‌های تصادفی، با ویژگی‌های مهندسی شده دستی مانند میانگین، واریانس، متن‌ها و آمار رنگ محلی پیکسل‌ها استفاده می‌کرد [ 6 ، 9 ، 19 ] ]. یوان و همکاران [ 16 ] از شبکه های عصبی عمیق (DNN) برای تشخیص پنل خورشیدی از تصاویر هوایی استفاده کرد. پیشرفت در شبکه های عصبی کانولوشنال (CNN) [ 20 ، 21 ] در مجموعه داده های تصویری در مقیاس بزرگ مانند ImageNet [ 22 ]] همچنین زمینه تقسیم بندی پنل های خورشیدی (یعنی طبقه بندی پیکسلی) را به جلو سوق داده اند. شبکه‌های کانولوشن برای طبقه‌بندی تصویر، اولین نوع CNN‌هایی بودند که برای شکل درشت تقسیم‌بندی پنل‌های خورشیدی توسط [ 11 ، 16 ، 23 ] مورد استفاده قرار گرفتند. CNN های تقسیم بندی واقعی برای شناسایی PV خورشیدی به زودی از جمله SegNet [ 24 ] و روش های مبتنی بر نقشه فعال سازی [ 10 ] دنبال شد. ساختارهای U-net [ 25 ] نیز به سرعت در این زمینه به کار گرفته شدند که عملکرد تشخیص مدل را افزایش دادند [ 7 ، 26 ].
پهپادها برای نظارت و مدیریت PV خورشیدی در مزارع خورشیدی استفاده شده‌اند. با این حال، این معمولاً به موقعیت‌هایی محدود می‌شود که مکان‌های PV خورشیدی از قبل شناخته شده است، مانند نظارت بر پانل‌های خورشیدی در مزارع خورشیدی بزرگ. تقسیم بندی آرایه خورشیدی مبتنی بر پهپاد برای بازرسی آرایه های مزارع خورشیدی، با استفاده از ویژگی های بافت و یک الگوریتم خوشه بندی برای تجزیه و تحلیل استفاده شده است [ 27 ]. تحقیقات دیگر در مورد تشخیص پانل خورشیدی مبتنی بر پهپاد از یک دوربین حرارتی برای شناسایی عیوب بالقوه در آرایه های خورشیدی در سایت استفاده کرد [ 28 ، 29]. همچنین تکنیک‌هایی برای نظارت بر مزارع PV خورشیدی با استفاده از تصاویر ماهواره‌ای، مانند ردیابی رسوب ذرات معلق و اثرات بر بازده تولید وجود دارد [ 30 ]. با این حال، این استثنا است زیرا نظارت بر وضعیت PV خورشیدی معمولاً به دلیل وضوح تصویر بالا به داده‌های پهپاد نیاز دارد. در این تنظیمات از هر دو دوربین حرارتی و اپتیکال استفاده شده است. دوربین‌های حرارتی در این تنظیمات برای شناسایی پروفایل‌های دمای غیرعادی استفاده می‌شوند که ممکن است نشان دهنده عملکرد نادرست آرایه‌های خورشیدی باشد [ 31 ، 32 ، 33 ]. تصاویر پهپاد نوری نیز برای شناسایی سلول های خورشیدی آسیب دیده یا پوشیده از گرد و غبار در مزارع خورشیدی استفاده شده است [ 34 ], 35 , 36 , 37 , 38 ]. هیچ یک از این مطالعات مبتنی بر پهپاد مجموعه داده های تصویری خود را منتشر نکردند.
دسترسی به انرژی در مقیاس بزرگتر نیز با استفاده از تصاویر نورهای شبانه مورد بررسی قرار گرفته است. این استفاده از داده‌های رزولوشن 750 متر به‌طور گسترده برای تولید تخمین‌هایی از اینکه کدام جوامع به شبکه متصل هستند و حتی برای بررسی قابلیت اطمینان آن اتصالات شبکه استفاده شده است [ 39 ، 40 ، 41 ]. با این حال، این رویکرد قادر به بررسی سیستم‌های خارج از شبکه در مقیاس کوچک نیست، زیرا برخی از این SHS کمتر از یک متر قطر دارند. در این کار، ما بر شناسایی جوامع متصل به شبکه تمرکز نمی کنیم، بلکه به دنبال جوامع و خانواده های فردی هستیم که برق خود را از طریق راه حل های خارج از شبکه دریافت می کنند.

3. مجموعه داده تصاویر پهپاد SHS

مجموعه داده های هواپیماهای بدون سرنشین حاوی تصاویر حاشیه نویسی شده از پانل های خورشیدی، و به خصوص پانل های خورشیدی بسیار کوچک (≤100 وات) تا آنجا که ما می دانیم وجود ندارند. ما مرتبط ترین مجموعه داده های مبتنی بر پهپادهای عمومی در دسترس را در پیوست خلاصه می کنیم. با این حال، هیچ یک از این مجموعه داده ها حاوی حاشیه نویسی پانل های خورشیدی نیستند، و آنها را برای آموزش تکنیک های خودکار برای شناسایی سلول های PV خورشیدی در تصاویر پهپاد نامناسب می کند.
از آنجایی که هیچ داده عمومی موجود برای مطالعه ما در دسترس نبود، ما یک مجموعه داده جدید (DOI: https://doi.org/10.6084/m9.figshare.18093890 ) به طور خاص برای بررسی عملکرد پهپادها (همچنین به عنوان پهپادها) تحت کنترل جمع آوری کردیم. شرایط برای شناسایی PV خورشیدی بسیار کوچک ما مجموعه داده ها، سایت های آزمایشی و تجهیزات خود را در زیر توضیح می دهیم. در زیر ملاحظات طراحی داده ما آمده است:
  • فاصله نمونه برداری از زمین (GSD) مناسب و دانه بندی. با توجه به تغییرات در عواملی مانند سخت افزار و تغییر ارتفاع، GSD تصاویر پهپاد می تواند در عمل به طور قابل توجهی متفاوت باشد. بنابراین، ما می‌خواهیم مجموعه داده ما حاوی تصاویری با طیفی از GSD‌های تصویر (نشان داده‌شده در جدول 1 ) باشد که برای نمایش انواع شرایط دنیای واقعی و همچنین شناسایی SHS کافی باشد.
  • پنل های خورشیدی متنوع و نماینده. از آنجایی که پنل های خورشیدی می توانند پیکربندی های مختلفی داشته باشند که بر ظاهر بصری تأثیر می گذارد (پلی کریستال یا تک کریستال، اندازه، نسبت ابعاد)، ما پنل های خورشیدی خود را با دقت انتخاب کردیم تا مجموعه ای متنوع و معرف (از نظر ظرفیت توان) را تشکیل دهند ( جدول A1 ) از واقعیات. پنل های خورشیدی که در کشورهای در حال توسعه مستقر خواهند شد.
  • زاویه ثابت دوربین 90 درجه و سرعت‌های پرواز متفاوت: برای بررسی استحکام تشخیص پنل خورشیدی و همچنین هزینه جمع‌آوری داده‌ها (که با سرعت پرواز در ارتباط است)، می‌خواهیم مجموعه داده‌های ما بیش از یک سرعت پرواز داشته باشد.

فرآیند جمع آوری داده ها

پهپاد یک DJI mini 2 برای جمع آوری تمام داده های ما به جز مطالعه موردی رواندا (که در آن از داده های منتشر شده قبلی استفاده کردیم [ 42 ، 43 ]) استفاده شد. پهپاد DJI mini 2 به دلیل انعطاف پذیری در حالت عملیاتی، کیفیت بالای دوربین و هزینه کم انتخاب شد. دارای 3 حالت پرواز با حداکثر سرعت 16 متر بر ثانیه. این قابلیت را دارد که تقریباً به صورت ثابت شناور شود و در نتیجه در شرایط باد کم، کیفیت تصویر بالایی داشته باشد. از 1/2.3 استفاده می کند “سنسور CMOS (4 k × 3 k پیکسل) با طیف گسترده ای از سرعت های شاتر ممکن. فیلمبرداری 4 کیلویی (3840 × 2160) تا 30 فریم در ثانیه. ما گیمبال (زاویه دوربین) را به صورت عمودی به سمت پایین (90 درجه) ثابت کردیم.
پنل های خورشیدی. ما در مجموع 5 پنل خورشیدی با اندازه‌های فیزیکی مختلف و مواد PV خریداری کردیم تا نماینده انواع SHS باشد که معمولاً برای پروژه‌های خورشیدی خارج از شبکه در جوامعی که در حال انتقال به برق هستند نصب می‌شوند و شامل استفاده ممکن کم (حدود 10 وات) می‌شوند. . مشخصات دقیق تر پانل های خورشیدی ما در پیوست ارائه شده است.
برنامه پرواز. داده های تصویری در منطقه پرواز در جنگل دوک در دورهام، NC جمع آوری شد. با توجه به مقررات آژانس هوانوردی فدرال (FAA) تحت قسمت 107، ما مجاز به اشغال فضای هوایی کلاس G هستیم که شامل ارتفاعات کمتر از 120 متر است. بنابراین، ارتفاع تمام داده های جمع آوری شده در 120 متر محدود شد. علاوه بر این، برای جلوگیری از برخورد با درختان، حد پایین ارتفاع پرواز خود را 50 متر تعیین کردیم.
حاشیه نویسی داده ها به صورت دستی با چند ضلعی های ترسیم شده در اطراف صفحه خورشیدی توسط یک حاشیه نویس انسانی حاشیه نویسی شدند. این چند ضلعی ها برای آموزش شبکه به نقشه های پیکسلی تبدیل شدند. همه تصاویر ثابت برچسب گذاری شدند و زیر مجموعه کوچکی از فیلم ها حاشیه نویسی شدند.
ما نمونه هایی از مجموعه داده های جمع آوری شده خود را در اینجا برای مرجع در شکل 1 ارائه می کنیم.

4. پس پردازش و متریک

برای معیارهای ارزیابی، ما از دقت تشخیص و فراخوانی استاندارد شیئی و معیارهای خلاصه استفاده می کنیم، همانطور که در زیر توضیح داده شده است. از آنجایی که مدل‌های ما مدل‌های تقسیم‌بندی مبتنی بر U-Net هستند (کد موجود در https://github.com/BensonRen/Drone_based_solar_PV_detection ) که امتیازات اطمینان پیکسلی را تولید می‌کنند، پیش‌بینی‌های پیکسلی را در اشیا بر اساس آستانه‌گذاری پیکسل جمع می‌کنیم. امتیازات اطمینان عاقلانه به تصاویر باینری، گروه بندی آن تصاویر باینری به گروه های پیکسل (اشیاء)، و گشاد کردن مورفولوژیکی آن اشیاء به گروه هایی از اشیاء مجاور، فرآیندی که در شکل 2 نشان داده شده است.. مجموعه‌ای از اشیاء و امتیازهای اطمینان مربوطه به‌عنوان ورودی برای یک تابع امتیازدهی عمل می‌کنند که هر شی کشف‌شده را با حقیقت پایه مقایسه می‌کند تا مشخص کند آیا آنها یک شی مثبت واقعی، مثبت کاذب یا منفی کاذب هستند (نشان داده شده در ضمیمه شکل A2 ) . . ما یک شی پیش‌بینی‌شده را مثبت واقعی در نظر می‌گیریم اگر تقاطع آن روی اتحاد (IoU) با یک شی حقیقت زمینی 0.2 یا بیشتر باشد. تقاطع بیش از اتحادیه نسبت تقاطع منطقه بین دو شی را با اتحاد ناحیه موجود در دو شی محاسبه می کند.
در حالی که همه منحنی‌های روابط عمومی را می‌توان در پیوست یافت، ما آمار خلاصه از جمله حداکثر را ارائه می‌کنیم اف1امتیاز و دقت متوسط ​​(AP). اف1میانگین هارمونیک دقت و یادآوری است و اغلب به عنوان معیاری برای دقت تشخیص/طبقه‌بندی استفاده می‌شود. اف1نمره 1 دلالت بر دقت کامل و یادآوری کامل دارد. دقت متوسط ​​یک آمار خلاصه است که مساحت زیر منحنی PR را نشان می دهد. دقت متوسط ​​1 به معنای دقت کامل و یادآوری است. آنها به شرح زیر تعریف می شوند:

اف1m a x=حداکثرτ2 ×پ( τ) × R ( τ)پ( τ) + R ( τ)
A P=🔻آرm a x0پ× dr
در اینجا P دقیق است، R یادآوری است، آرm a xحداکثر یادآوری است که مدل می تواند به دست آورد (معمولاً کمتر از 1 به دلیل محدودیت های شیء و IoU)، و τآستانه اطمینان عملیات برای امتیازدهی از نظر شی است که برای تولید منحنی PR آن را جارو می کنیم. در اف1امتیاز از میانگین هارمونیک برای جریمه کردن مقادیر کمتر در دقت یا یادآوری استفاده می کند. به عنوان مثال، اگر یک آشکارساز به دقت 90 درصد و فراخوانی 10 درصد دست یابد، اف1امتیاز 18٪ است (یک میانگین ساده 50٪ را به دست می آورد).

5. آزمایش شماره 1: عملکرد تشخیص پنل خورشیدی با استفاده از تصاویر پهپاد

همانطور که ما سه آزمایش موجود در این مطالعه را توصیف می کنیم، به یاد بیاورید که ما در حال بررسی سه هدف هستیم: (1) عملکرد تشخیص SHS با استفاده از تصاویر پهپاد و تکنیک های بینایی کامپیوتری. (2) هزینه جمع آوری داده های هواپیماهای بدون سرنشین در مقایسه با تصاویر ماهواره ای و سایر روش های جمع آوری داده ها. و (iii) عملکرد در یک سناریوی واقعی با استفاده از داده‌های رواندا. این بخش اولین (i) از این سه سوال را بررسی می‌کند و بخش‌های بعدی به بررسی دو سؤال باقی‌مانده می‌پردازد.
هدف اصلی این اولین مجموعه از آزمایش‌ها تخمین دقت قابل‌دستیابی مدل‌های تشخیص SHS کوچک در هنگام استفاده از تصاویر پهپاد است. ما همچنین ارزیابی می کنیم که چگونه دقت آنها با توجه به دو تنظیمات عملیاتی متفاوت است: سرعت پهپاد، و فاصله نمونه برداری از زمین (یا وضوح) تصاویر پهپاد. ما فرض می کنیم که این دو عامل تأثیر قابل توجهی بر دقت قابل دستیابی تکنیک های تشخیص خواهند داشت. وضوح تصویر پایین می تواند دقت تشخیص را کاهش دهد و سرعت پهپاد بالاتر می تواند منجر به تاری حرکت در تصاویر شود که همچنین می تواند بر دقت تشخیص تأثیر منفی بگذارد. این دو عامل احتمالاً در عمل متفاوت هستند، و آنها را برای پزشکان و محققانی که مایل به استفاده از مدل‌های تشخیص خودکار هستند، مورد توجه قرار می‌دهد.
برای تخمین دقت مدل‌های تشخیص PV معاصر در تصاویر پهپاد، ما یک مدل تشخیص شی اثبات‌شده به نام U-Net [ 25 ] را در مجموعه داده‌های PV خورشیدی پهپاد که برای این آزمایش ایجاد کردیم، اعمال کردیم. U-Net در بسیاری از مطالعات اخیر که شامل تشخیص اشیا در تصاویر بالای سر، از جمله نقشه برداری PV خورشیدی است، استفاده شده است [ 26 ]. با توجه به اندازه نسبتاً کوچک مجموعه داده های پهپاد ما، ما با آموزش بیشتر مدل U-Net از پیش آموزش دیده با ImageNet بر روی مجموعه داده های پانل PV خورشیدی تصویربرداری ماهواره ای [ 23 ] شروع می کنیم.]. سپس مدل را روی داده های پهپاد خود تنظیم می کنیم (جزئیات بیشتر در مورد این در پیوست). ما عملکرد این مدل تشخیص دقیق را ارزیابی کردیم زیرا هم وضوح تصویر و هم سرعت پروازی که در آن تصاویر جمع‌آوری شده بود را تغییر دادیم. برای ارزیابی عملکرد مدل، داده‌های خود را به مجموعه‌های آموزشی، اعتبار سنجی و آزمایش جداگانه تقسیم می‌کنیم، که رویکردی پرکاربرد برای به دست آوردن تخمین‌های عملکرد تعمیم بی‌طرفانه مدل‌های یادگیری ماشین است [ 44 ]. جزئیات کامل آموزش و روش پردازش داده ها را می توان در پیوست A یافت.

5.1. مقایسه عملکرد تشخیص نسبت به وضوح تصویر

برای بررسی عملکرد با تغییر وضوح، چندین بار مدل‌های تشخیص تصویر را آموزش و آزمایش می‌کنیم و وضوح تصویر را برای هر سناریو تغییر می‌دهیم. توجه داشته باشید که ما وضوح تصویر را به عنوان GSD تصویر پهپاد تعریف می‌کنیم (تعریف‌های دیگر متمرکز بر اپتیک وجود دارند [ 45 ]، اما برای این مطالعه کمتر مرتبط هستند).
برای ارزیابی تغییر عملکرد به دلیل تغییر در وضوح تصویر، پهپاد خود را در ارتفاع‌های مختلف از 50 متر تا 120 متر (حداکثر ارتفاع مجاز قانونی در حوزه قضایی ما) به پرواز در می‌آوریم که در نتیجه محدوده وضوح تصویر 1.6 سانتی‌متر تا 4.5 است. سانتی متر در هر پیکسل ما ارتفاع (ارتفاع) پرواز خود را به گروه های 20 متری تقسیم می کنیم که عملکرد را برای آنها ارزیابی می کنیم. ما هر وضوح تصویر ممکن را برای ارزیابی تاثیر عملکرد پرواز در ارتفاعات مختلف (که منجر به وضوح تصویر متفاوت می شود) آموزش دادیم و آزمایش کردیم.
علاوه بر این، ما عملکرد رزولوشن تصویر پهپاد را با وضوح تصویر ماهواره‌ای رایج مقایسه می‌کنیم، که یک رویکرد جایگزین بالقوه برای جمع‌آوری داده‌ها در مقیاس بسیار کوچک PV خورشیدی است. ما بالاترین وضوح تصویر ماهواره‌ای موجود تجاری (30 سانتی‌متر) و همچنین وضوح تصویر هوایی با وضوح بالا (7.5 سانتی‌متر و 15 سانتی‌متر) را شبیه‌سازی می‌کنیم تا مقایسه کاملی با عملکرد پهپاد ارائه کنیم. برای شبیه سازی این وضوح تصویر جایگزین، اندازه تصاویر پهپاد با وضوح بالا را به وضوح پایین تر مورد نظر تغییر می دهیم (جزئیات در لیست 3 پیوست A.3 ).

نتایج

حتی در بالاترین ارتفاع پرواز، همانطور که در شکل 3 نشان داده شده استb، عملکرد تشخیص PV خورشیدی مبتنی بر پهپاد دارای دقت متوسط ​​0.94 (در فاصله نمونه برداری از زمین 4.5 سانتی متر) بود. در حالی که این سطح بالای عملکرد با توجه به اینکه وضوح پهپاد به اندازه کافی بالا است که بتواند چندین پیکسل از محتوای پنل خورشیدی را برای هر SHS ثبت کند، معقول است، این نتایج به شدت از وضوح تصاویر ماهواره ای بهتر بود. با کاهش وضوح از تصاویر پهپاد ما به تصاویر ماهواره ای، عملکرد تشخیص به طور یکنواخت کاهش می یابد. در 7.5 سانتی متر (تصاویر هوایی با وضوح بالا)، عملکرد بالا باقی می ماند. با این حال، در وضوح 15 سانتی متر و بالاتر، قابلیت تشخیص شبکه عصبی ما به شدت کاهش می یابد و تنها حدود نیمی از پانل ها شناسایی می شوند (حداکثر فراخوان 0.6 است) و در بالاترین وضوح معمولی ماهواره (30 سانتی متر)، عملکرد نزدیک به صفر می رسد. از این رو، ما نتیجه می گیریم که در بهترین وضوح تجاری موجود (30 سانتی متر)، پانل های PV SHS بسیار کوچک قابل تشخیص نیستند. پهپادها مانند تصاویر هوایی با وضوح بالا، جایگزین مناسبی برای تشخیص PV خورشیدی کوچک هستند.

5.2. عملکرد تشخیص با توجه به عدم تطابق وضوح

همانطور که در بخش قبل نشان داده شد، عملکرد تشخیص PV خورشیدی بسیار کوچک تا حد زیادی به وضوح بستگی دارد، اما در وضوح UAV (1.7 سانتی‌متر تا 4.3 سانتی‌متر در هر پیکسل در مجموعه داده‌های ما)، عملکرد کمتر متغیر بود. در عمل، وضوح ممکن است به دلایل متعدد تغییر کند. ارتفاع زمین ممکن است تغییر کند، شیب منظره و زاویه تصویر ممکن است بر روی منطقه مورد نظر تغییر کند و ما ممکن است پهپادها را در ارتفاعات مختلف برای جمع‌آوری داده پرواز کنیم (همچنین در صورت جمع‌آوری توسط اپراتورهای مختلف امکان‌پذیر است). بنابراین، وضوح ممکن است همیشه یکسان نباشد. در این بخش، تأثیر عدم تطابق بین وضوح تصویر آموزشی و وضوح تصویر آزمایشی را بررسی می‌کنیم.
برای انجام این کار، ارتفاع (ارتفاع) پرواز خود را به گروه‌های فاصله 20 متری تقسیم می‌کنیم که عملکرد را برای آنها ارزیابی می‌کنیم. ما تمام ترکیب‌های زوجی ممکن از وضوح تصویر را آموزش دادیم و آزمایش کردیم تا تأثیر عملکرد عدم تطابق بین ارتفاع تمرین و آزمایش را ارزیابی کنیم.

5.2.1. نتایج

نتایج در شکل 4 نشان داده شده است ، جایی که می‌توانیم عملکرد الگوریتم را با آموزش و آزمایش جفت‌های وضوح تصویر مختلف مشاهده کنیم. هنگامی که وضوح تمرین و وضوح تست مطابقت داشتند، میانگین دقت 90٪ بود. این را می توان در الگوی مورب مشاهده کرد (به استثنای آموزش فاصله نمونه برداری از زمین 1.6-2.2 سانتی متر). عملکرد خارج از مورب (زمانی که عدم تطابق قابل توجهی بین وضوح آموزش و آزمون وجود داشت) به طور کلی در عملکرد پایین‌تر بود، که اهمیت داشتن وضوح مشابه در طول آموزش و آزمایش مدل را نشان می‌دهد.

5.3. عملکرد تشخیص پنل خورشیدی با توجه به سرعت پرواز

جدای از وضوح، یکی دیگر از متغیرهای مهم قابل کنترل برای عملیات تصاویر پهپاد، سرعت جمع آوری تصاویر است. هرچه پهپاد سریعتر پرواز کند، بازه زمانی کوتاه‌تر است و در نتیجه هزینه جمع‌آوری داده‌ها کمتر می‌شود. با این حال، سرعت بیشتر ممکن است به دلیل تاری حرکت [ 46 ]، تأثیرات بر پایداری پرواز، کاهش زمان نوردهی و استفاده از ISO بالاتر، نویز اضافی به داده ها وارد کند. هر یک از اینها ممکن است عملکرد تشخیص پنل خورشیدی را کاهش دهد. در اینجا، هدف ما ارائه یک آزمایش کنترل‌شده برای بررسی تغییر عملکرد در صورت پرواز با سرعت‌های مختلف پرواز و مقایسه نحوه تأثیر سرعت پرواز بر عملکرد تشخیص است.
پهپادی که ما برای این آزمایش ها استفاده کردیم، DJI mini 2، دارای 2 سرعت پرواز عملیاتی است: حالت عادی و حالت ورزشی. حالت عادی دارای سرعت متوسط ​​8 میلی ثانیه و حالت اسپورت میانگین سرعت 14 ثانیه است. فیلم‌های پیوسته گرفته شد و فریم‌های جداگانه از ویدیو بریده شد و برای ارزیابی تغییر عملکرد هنگام تغییر سرعت پرواز برچسب‌گذاری شد (مدل‌ها فقط بر روی فریم‌های تصویر منفرد کار می‌کنند تا ویدیوی مداوم).

نتایج

شکل 5 کاهش عملکرد تشخیص را با توجه به سرعت پرواز نشان می دهد. از طرح، می‌توانیم ببینیم که عملکرد تشخیص با توجه به سرعت پرواز کاهش می‌یابد، همانطور که تمام آمارهای عملکرد (AP, اف1m a xو آرm a x) برای حالت ورزشی بدتر از حالت عادی هستند. با این حال، با تغییر وضوح، افت عملکرد به طور یکنواخت با کاهش وضوح افزایش می یابد. همچنین توجه می کنیم که با پرواز حالت عادی (سرعت آهسته)، عملکرد تشخیص در مقایسه با حالت ثابت یکسان باقی می ماند.

6. آزمایش شماره 2: تجزیه و تحلیل هزینه تشخیص پانل خورشیدی مبتنی بر پهپاد و مقایسه با داده های ماهواره ای

6.1. تجزیه و تحلیل هزینه: روش ها

پس از اثبات اینکه پهپادها می توانند به طور دقیق صفحات خورشیدی PV بسیار کوچک را در شرایط آزمایشگاهی شناسایی کنند، یک سوال باقی مانده این است که آیا استفاده از پهپاد برای این منظور مقرون به صرفه است یا خیر. در این بخش، ما هزینه‌های استفاده از پهپادها برای شناسایی پنل‌های خورشیدی کوچک را برآورد کرده و هزینه‌های برآورد شده را با داده‌های ماهواره‌ای تجاری و عکس‌برداری هوایی مقایسه می‌کنیم. اگرچه ما مبادله عملیاتی عملکرد تشخیص را با استفاده از تشخیص PV خورشیدی کوچک ارائه می‌کنیم، این هزینه‌ها ممکن است به انواع تحلیل‌های مشابه داده‌های تصویربرداری پهپاد نوری سربار مرتبط باشد.
برای تخمین هزینه نقشه برداری پهپاد (بر حسب واحد دلار )، ابتدا دو ویژگی کلیدی محصول نهایی را شناسایی می کنیم: (1) وضوح تصویر و (2) اندازه منطقه تصویر شده. تقریباً تمام برآوردهای هزینه ما تابعی از این دو مشخصات محصول است (مثلاً هزینه در هر کیلومتر 2با وضوح 0.03 متر). با وضوح ثابت و مساحت کل، میزان کل کار مورد نیاز (کل زمان پرواز) را می توان تعیین کرد. اگرچه ما تخمین هزینه خود را به پنج دسته اصلی فهرست شده در شکل 6 تقسیم کردیم ، اما همه آنها به وضوح یا اندازه تصویر (مانند هزینه های قانونی) وابسته نیستند. ما چند فرض را در رابطه با پارامترهای عملیاتی به منظور ارائه تخمین هزینه های نمایندگی برای یک مورد عمومی انجام دادیم:
  • این پهپاد پنج روز در هفته، شش ساعت در روز (با فرض یک روز کاری هشت ساعته، و دو ساعت برای حمل و نقل محلی و راه اندازی سایت پهپادها) کار می کند.
  • هر اپراتور پهپاد یک ماشین و یک پهپاد اجاره می کند. هزینه اولیه پهپاد در طول عمر مفید مورد انتظار پهپاد مستهلک می شود.
  • مجموع زمان جمع آوری تصاویر پهپاد سه ماه محدود شده است، اما ممکن است در صورت لزوم چندین خلبان (هر کدام با پهپاد مخصوص به خود) برای تکمیل مجموعه استخدام شوند.
  • طول عمر پهپاد 800 ساعت پرواز در نظر گرفته شده است (تخمین از مشاوره با سازنده پهپاد).
  • مقدار کافی باتری پهپاد برای کارکرد یک روز کامل خریداری می شود.
  • احتمال آب و هوای نامناسب 20 درصد ثابت شده است. و هیچ عملیاتی تحت آن شرایط انجام نخواهد شد.
با استفاده از این مفروضات، می‌توانیم کل زمان پرواز مورد نیاز برای یک مجموعه داده معین را به کل ساعات کار، تعداد خلبان‌های مورد نیاز و تعداد پهپادهای مورد نیاز ترجمه کنیم. با هم، این اطلاعات را می توان برای تخمین هر نوع هزینه جداگانه ای که در شکل 6 برشمرده ایم، ترکیب کرد .
همانطور که در شکل 6 نشان داده شده است، چهار دسته از هزینه ها را برای جمع آوری داده های پهپاد متمایز می کنیم:
  • Legal and Permit: هزینه قانونی و مجوز برای گرفتن مدارک برای پرواز در یک کشور یا منطقه خاص. به عنوان مثال، در ایالات متحده، اگرچه قوانین ایالتی ممکن است متفاوت باشد، در سطح فدرال، پرواز برای مقاصد غیر سرگرمی (کلاس G فضای هوایی، زیر 120 متر) مستلزم داشتن مجوز قسمت 107 خلبان هواپیمای بدون سرنشین است که مستلزم پرداخت هزینه است. هزینه و همچنین تکمیل موفقیت آمیز آزمون دانش. هزینه های قانونی و مجوز ذاتاً وابسته به مکان هستند و تغییرات هزینه ممکن است زیاد باشد.
  • حمل و نقل: کل هزینه حمل و نقل برای اپراتور هواپیمای بدون سرنشین. برای اهداف تخمین ما در اینجا، یک خلبان هواپیمای بدون سرنشین را فرض می کنیم (بنابراین، کل زمان جمع آوری داده ها تابعی خطی از منطقه تحت پوشش است). توجه داشته باشید که این دسته شامل سفر به و از محل جمع آوری داده ها می شود که فرض می شود شامل سفر هوایی، اجاره خودرو محلی، بیمه خودرو، هزینه سوخت و (زمانی که خدمه عملیاتی با زبان خارجی هستند) خدمات ترجمه را شامل می شود.
  • هزینه‌های مربوط به نیروی کار: دسته‌ای از تمام هزینه‌های مربوط به نیروی کار از جمله دستمزدها و مزایای جانبی یا سربار پرداختی به خلبان هواپیمای بدون سرنشین و همچنین هزینه‌های سوار شدن به هواپیما و هتل.
  • هزینه‌های مربوط به پهپاد: دسته‌بندی چتری از تمام هزینه‌های مربوط به پهپاد از جمله خرید پهپاد، باتری‌ها و دوربین (اگر همراه پهپاد نباشد).
جزئیات مفروضات قیمت در جدول 2 نشان داده شده است. در هر ردیف، آیتم بهای تمام شده اصلی و قیمت واحد را مشخص می کنیم. جزئیات تکمیلی را در پیوست قرار می دهیم.

6.2. تجزیه و تحلیل هزینه: نتیجه

ما برآورد هزینه خود را در شکل 7 ارائه می کنیم . سه نوع پهپاد در [ 42 ] مورد استفاده قرار گرفت و ما از “Ebee Plus” برای تخمین هزینه کل عملیات پهپاد خود استفاده می کنیم زیرا قادر است بزرگترین منطقه را در هر پرواز (یا در واحد زمان) در بین این سه نقشه ترسیم کند. از شکل 7 ، می بینیم که رابطه بین هزینه کل و کل منطقه مورد نظر پس از مقداری آستانه تقریباً خطی است (به عنوان مثال، هزینه ثابت در مقدار بیشتری از منطقه به طور میانگین محاسبه می شود). ما همچنین می بینیم که هزینه کلی استفاده از یک پهپاد برای نقشه برداری تصاویر با وضوح بالا بی اهمیت است: نقشه برداری از منطقه ای معادل اندازه قلمرو پایتخت فدرال (7000-8000 کیلومتر). 2) اطراف و شامل ابوجا، منطقه پایتخت نیجریه، در مجموع حدود 6 میلیون دلار هزینه خواهد داشت.
یکی از مفروضات ما در مورد تخمین قیمت این است که خلبان ها در فاصله یک روزه سفر تا مکان مورد نظر نیستند و در حین کار نیاز به اسکان دارند. خلبان های محلی نیز یک گزینه هستند و به طور فزاینده ای در دسترس هستند، که باعث صرفه جویی در هزینه های اقامت و سایر هزینه های مربوط به سفر می شود. در وضوح 0.03 متر، هزینه اقامت حداکثر حدود 15٪ از کل هزینه عملیات را نشان می دهد، که بر نتیجه گیری ما یا رتبه نسبی پهپاد، ماهواره یا هزینه تصاویر هوایی تأثیری نخواهد داشت. اطلاعات بیشتر در مورد هزینه اقامت در ضمیمه A ارائه شده است.
جدای از هزینه عملیات پهپاد، سؤال اصلی که ما قصد پاسخگویی به آن را داریم، مربوط به مبادله هزینه و عملکرد بین استفاده از تصاویر با وضوح بالا مبتنی بر پهپاد یا تصاویر ماهواره‌ای برای یک تنظیمات یا برنامه خاص است. بنابراین در شکل 3 این دو عنصر را با هم ترکیب می کنیم برای ارجاع مستقیم توجه داشته باشید که تخمین‌های قیمت برای پیشنهادات تجاری از منابع آنلاین، گزارش‌های آژانس دولتی و مشاوره کارشناسان تخمین زده می‌شود، اما ما این برآوردها را تشخیص می‌دهیم. برآوردهایی که ما معتقدیم برای هدف این مطالعه معقول هستند، اما قطعا ناقص هستند. قیمت دقیق بر اساس نرخ های مذاکره، تغییر مدل های کسب و کار، و پارامترهای خاص مجموعه داده های مورد نظر از جمله منطقه مورد علاقه، وضعیت کسب و کار (به عنوان مثال، برای استفاده غیرانتفاعی یا انتفاعی)، و غیره متفاوت است. در حال حاضر، بالاترین وضوح (0.3 متر) تصاویر ماهواره ای تجاری موجود توسط شرکت های خصوصی ارائه شده است. ما تخمین هایی از هزینه تصاویر ماهواره ای در واحد سطح (دلار آمریکا در هر کیلومتر) جمع آوری کردیم 2) و اینها را با میانگین هزینه تخمینی پهپاد ما در هر کیلومتر مقایسه کرد 2با همان رزولوشن توجه: این برآورد هزینه ها بر اساس نرخ های توافقی و اندازه سفارش تصاویر متفاوت خواهد بود.
از شکل 3 ، ما چندین نتیجه می گیریم: (1) هزینه های تصاویر ماهواره ای معمولاً بسیار کمتر از هزینه تصویربرداری پهپاد است، اگرچه آنها همچنین وضوح قابل توجهی پایین تری دارند، که منجر به عملکرد بسیار ضعیف در تشخیص SHS بسیار کوچک می شود. (2) قیمت واحد تصاویر پهپاد هم زمانی که مساحت کل به اندازه کافی افزایش می یابد کمتر است (تا حدی که میانگین هزینه ثابت در واحد سطح اساساً به صفر می رسد، به طوری که رابطه بین هزینه کل و سطح پوشش اساساً خطی می شود) و هنگامی که نیاز به وضوح کاهش می یابد. (3) هزینه تصویربرداری پهپاد با تصاویر ماهواره ای در هنگام کار در یک منطقه بزرگ (بیش از 50 کیلومتر) قابل مقایسه است. 2) با وضوح تصویر کمتر (4-7.5 سانتی متر)؛ که با توجه به طرح اجرا به عملکرد عالی نیز دست می یابد.
علاوه بر هزینه و عملکرد ماهواره ها و پهپادها، شکل 3 همچنین اطلاعات مشابهی را برای یک رویکرد دیگر ارائه می دهد: مجموعه تصاویر از هواپیماهای خلبانی. برای تخمین هزینه‌های رویکرد هواپیمای خلبانی، ما داده‌ها را از دو گزارش دولتی [ 51 ، 52 ] و همچنین اطلاعات برنامه تصویربرداری شش‌ضلعی (HxGN) جمع‌آوری کردیم. این گزارش نشان می دهد که هزینه 100-200 دلار در هر کیلومتر است2و وضوح بین 7.5 سانتی متر تا 30 سانتی متر است. با این حال، ما متذکر می شویم که این ارقام هزینه و حل و فصل بر اساس جمع آوری داده های تاریخی در ایالات متحده است که برای سازمان های دولتی و برای یک منطقه تحت پوشش بزرگ انجام شده است. بنابراین، هزینه‌های متوسط ​​ممکن است در محیط‌های مختلف، مانند جنوب آسیا یا جنوب صحرای آفریقا، متفاوت باشد. قیمت برنامه تصویربرداری شش گوش فقط تصاویر آرشیوی را منعکس می کند که در ماموریت های آزمایشی قبلی جمع آوری شده بود و در مقایسه با تصاویر ماهواره ای از نظر پوشش مکانی و زمانی محدود است.
برای زمینه، ما همچنین نقاط داده هزینه را برای بررسی های زمینی ارائه می دهیم. از آنجایی که بررسی های زمینی معمولاً در یک واحد خانگی (به جای یک واحد مساحت، کیلومتر) انجام می شود 2مانند بررسی های هوایی)، هزینه ها معمولاً برای هر خانوار محاسبه می شود. محققان و سازمان‌هایی که چنین نظرسنجی‌هایی را انجام می‌دهند [ 53 ، 54 ، 55 ] گزارش کردند که هزینه‌های بررسی زمینی بسته به سطح جزئیات نظرسنجی، بین 20 تا 422 دلار برای هر خانوار به‌طور گسترده متفاوت است. مقایسه آن تخمین ها با برآورد هزینه پهپاد، تا زمانی که منطقه بررسی پهپاد دارای تراکم متوسط ​​بیش از 5 خانوار در کیلومتر باشد. 2سپس جمع‌آوری داده‌های مبتنی بر پهپاد ارزان‌تر از بررسی‌های زمینی خواهد بود (با فرض 3 سانتی‌متر GSD، 50 کیلومتر 2در کل مساحت برای جمع آوری داده های پهپاد). برای مقایسه، میانگین تراکم خانوار در رواندا حدود 120 خانوار در هر کیلومتر است 2و بیش از 90 درصد جمعیت در منطقه ای زندگی می کنند که تراکم خانوار بیشتر از 78 خانوار در هر کیلومتر است. 2(جزئیات را می توان در ضمیمه A.4 یافت ) که بسیار بالاتر از 5 خانوار ما در هر کیلومتر است. 2نقطه برابری قیمت برای پهپاد و بررسی های زمینی. پروازهای آزمایشی (همانطور که در شکل 3 نشان داده شده است ) همچنین یک روش جمع آوری داده بالقوه مقرون به صرفه هستند و همچنین هزینه کمتری نسبت به بررسی های زمینی برای مناطق با تراکم 15 خانوار در هر کیلومتر دارند. 2یا بالاتر اگرچه از این تخمین ها، هزینه های پهپاد به طور قابل توجهی کمتر از بررسی های زمینی است، بررسی های زمینی می توانند اطلاعات بسیار متنوعی مانند اطلاعات اقتصادی و جمعیتی را ارائه دهند، که جمع آوری آنها از تصاویر اولیه سربار به تنهایی تقریبا غیرممکن است.
در نتیجه، اگرچه تصاویر ماهواره‌ای ارزان‌تر هستند و دسترسی به آنها از نظر لجستیکی آسان‌تر است، تصاویر ماهواره‌ای به سادگی نمی‌توانند PV خورشیدی کوچک را همانطور که بخش 5 نشان می‌دهد به اندازه کافی ثبت کند. تصاویر پهپاد مزیت وضوح بالای بی‌نظیر را دارند و بنابراین، حتی با هزینه‌های کمی بالاتر، در عملکرد بسیار کوچک SHS در کار تشخیص SHS بسیار قابل اعتمادتر هستند. در حالی که کارهایی غیر از SHS کوچک احتمالاً عملکرد متفاوتی با توجه به وضوح تصویر دارند، روندی که در اینجا نشان می‌دهیم ممکن است برای برآورد هزینه مربوط به سایر کاربردها (مانند کشاورزی [ 42 ]، حفاظت از حیات وحش [ 56 ]، واکنش اضطراری [ 57 ] مشابه باشد.]، و نظارت بر آتش سوزی [ 58 ]، در میان دیگران). علاوه بر این، همانطور که متوجه شدیم بزرگترین عنصر هزینه، هزینه مربوط به اپراتور انسانی است که در حال حاضر به دلیل الزام قانونی عملیات هدایت شده توسط انسان در محدوده دید، ضروری است [ 59 ]. با این حال، اگر پروازهای خودکار پهپاد امکان پذیر شود (یا نیازی به اپراتور در محل نباشد)، هزینه عملیات مبتنی بر پهپاد به میزان قابل توجهی کاهش می یابد و به طور بالقوه به پهپادها مزیت هزینه زیادی در مقایسه با ماهواره ها می دهد.
برآوردهای هزینه ارائه شده در اینجا در مورد جمع آوری داده ها در ایالات متحده جمع آوری شده است، زیرا تخمین های هزینه های متعدد و فرضیات عملیاتی اساسی که در چنین برآوردهایی به راحتی در دسترس هستند. این ممکن است یک تخمین خوش بینانه در هنگام در نظر گرفتن ناهمگونی برنامه ها در سطح جهانی به دلیل تفاوت در هزینه های عملیاتی، زمان حمل و نقل و مقررات محلی باشد. علاوه بر این، شرایط آب و هوایی و عملکرد پرواز در ارتفاعات مختلف [ 60 ] ممکن است بر سرعت پرواز و در نتیجه هزینه‌های ضربه تأثیر بگذارد. ما استفاده از محاسبات ارائه شده در ضمیمه A.5 را برای ایجاد تخمین برای یک فرآیند جمع آوری داده خاص تشویق می کنیم.

7. آزمایش شماره 3: مطالعه موردی: تشخیص SHS رواندا با استفاده از تصاویر هواپیماهای بدون سرنشین

آخرین سوال از سه سوال ما ارزیابی عملکرد تشخیص SHS مبتنی بر پهپاد در سناریوهای دنیای واقعی بود. برای آزمایش امکان سنجی و استحکام استفاده از تصاویر پهپاد برای شناسایی SHS های کوچک در مناطق روستایی، ما یک مطالعه موردی واقعی را در رواندا انجام می دهیم تا SHS هایی را که روستاییان در کشورهای در حال توسعه در حال حاضر استفاده می کنند، با استفاده از تصاویر پهپاد ارائه شده توسط RTI [ 42 ] شناسایی کنیم. ، 43]). از آنجایی که این تصاویر از چندین منطقه کشاورزی روستایی در رواندا جمع‌آوری شده است که مناطق مختلف زراعی را نشان می‌دهد، بدون هیچ گونه اطلاعات قبلی در مورد شیوع یا مکان‌های SHS، انتظار می‌رود عملکرد مدل به‌دست‌آمده زمانی که این روش برای یک روش جدید اعمال می‌شود معرف عملکرد واقعی باشد. مکان مورد علاقه پهپاد در ارتفاع ثابتی پرواز کرد که GSD 0.03 متر بر پیکسل را به دست آورد که در محدوده آزمایش های کنترل شده ما در بالا نیز پوشش داده شد. ما همچنین یادداشت های خود را از این داده های رواندا برای تکرارپذیری عمومی می کنیم.
ما به صورت دستی پانل های خورشیدی را در تصاویر رواندا برچسب گذاری کردیم. ما در مجموع 214 پنل خورشیدی پیدا کردیم و آنها را به مجموعه آموزشی 114 پنل و مجموعه اعتبار سنجی 100 پنل تقسیم کردیم. برای حفظ تعادل کلاس، کسر تصاویر بدون SHS را به 10٪ از کل موجود محدود کردیم. مجموعه داده شامل حدود 21000 وصله تصویری 512 × 512 پیکسل است که 1٪ از آنها دارای پنل های خورشیدی است. در مجموع، این مدل به 2 روز برای آموزش داده های پس زمینه 10 درصد و 114 پنل خورشیدی با استفاده از NVIDIA GTX2080 نیاز داشت. ما 120 دوره را برای اطمینان از همگرایی آموزش دادیم که منجر به عبور 0.25 میلیون تصویر از شبکه ما شد.

مطالعه موردی: نتیجه

شکل 8 نمونه های انتخاب شده تصادفی از پیش بینی های مدل ما را نشان می دهد. از نظر کیفی، اکثریت SHS با تعداد کمی SHS گمشده و مثبت کاذب پیدا شد. از 9 پنل خورشیدی موجود در تصاویر نمونه، هشت مورد از آنها به درستی شناسایی شده و یکی از آنها در مثال داده شده از قلم افتاده است. از مثال، ما همچنین می‌توانیم ببینیم که شبکه می‌تواند پانل‌ها را به‌طور قابل اعتماد در دو نوع سقف مجزا موجود در داده‌های رواندا پیدا کند.
از نظر کمی، از منحنی PR در شکل 9 می توانیم ببینیم که عملکرد به حداکثر می رسد. اف1امتیاز 0.79 و میانگین دقت 0.8 و حداکثر فراخوان حدود 0.9. با آستانه گذاری مناسب امتیاز اطمینان، می توانیم به فراخوانی 0.89 (تشخیص 89٪ از سیستم های خورشیدی خانه) با دقت 41٪ برسیم. دقت کمتر به معنای مثبت کاذب بیشتر است، اما در یک پس پردازش، تشخیص‌ها را می‌توان به‌سرعت به‌صورت دستی بررسی کرد و اکثراً بدون کمترین مداخله حذف شدند. روش دیگر، یادآوری و قربانی شدن برای دقت، کاهش تعداد مثبت کاذب (به طور بالقوه به طور قابل توجهی)، اما برخی از یادآوری قربانی، به این معنی که تعداد پانل های خورشیدی که به درستی شناسایی شده اند کاهش می یابد. این معادل حرکت در اطراف منحنی PR در شکل 9 برای یافتن تعادل مناسب برای یک کاربرد معین است.
اگرچه شکاف عملکردی بین آزمایش کنترل‌شده آزمایشگاهی و مطالعه موردی رواندا وجود دارد، دیدن این موضوع دلگرم‌کننده است که به یاد بیاوریم، کسری از SHS‌های بسیار کوچک که با موفقیت شناسایی شده‌اند در هر دو مورد بالا باقی می‌ماند، و این نشان می‌دهد که جمع‌آوری داده‌های مبتنی بر پهپاد ممکن است یک رویکرد قابل اجرا باشد. برای ارائه اطلاعات به تصمیم گیرندگانی که در توسعه پایدار کار می کنند.
در حالی که این نتایج دلگرم کننده هستند، محدودیت ها یا چالش های متعددی در مورد این برنامه وجود دارد که شامل الزامات نظارتی [ 59 ] برای حفظ خط دید بصری است که به یک اپراتور پهپاد آموزش دیده نیاز دارد. محدودیت در فناوری باتری که زمان کلی پرواز هر ماموریت را محدود می کند [ 61 ]. و سیستم های ناوبری و کنترل مستقل محدود [ 62 ]. به طور خاص در کشورهای جنوب صحرای آفریقا (جایی که اکثریت افراد بدون دسترسی به برق در آن قرار دارند)، واشنگتن [ 63] بیان می‌کند که فقدان اپراتورهای آموزش‌دیده، فقدان مقررات دولتی و نگرانی‌های مربوط به حریم خصوصی، چالش‌های عمده‌ای هستند که باید برای استفاده گسترده و ایمن فناوری‌های پهپادها به نفع جوامع گسترده‌تر پیش‌بینی شود. با این حال، این موضوع در سال‌های اخیر تغییر کرده است، زیرا کشورهای بیشتری در جنوب صحرای آفریقا فرآیندهای استانداردی را برای دریافت مجوز پرواز توسعه داده‌اند و ظرفیت محلی برای عملیات پهپادها برای جمع‌آوری و پردازش تصاویر برای اهداف تحلیلی به سرعت در بسیاری از کشورها در حال گسترش است.

8. نتیجه گیری

سیستم‌های خورشیدی کوچک خانه‌ای که دسترسی انتقالی برق به جوامع را فراهم می‌کنند برای هر تصویر ماهواره‌ای تجاری موجود برای گرفتن آن بسیار کوچک هستند. ما نشان می‌دهیم که تصاویر پهپاد جایگزین مناسبی برای نقشه‌برداری از این سیستم‌های خانه خورشیدی کوچک برای ارائه اطلاعات حیاتی به ذینفعانی است که برای بهبود برق رسانی در کشورهای در حال توسعه کار می‌کنند، از جمله شناسایی بازارهای بالقوه و اطلاعات برای ردیابی پیشرفت به سمت اهداف توسعه پایدار برق‌رسانی. ما از طریق آزمایش‌های کنترل‌شده که تأثیر ارتفاع و سرعت را بررسی می‌کردند، قابلیت فناوری و مالی پهپادها را برای این منظور آزمایش کردیم. ما استحکام تشخیص SHS کوچک مبتنی بر پهپاد را با توجه به وضوح (تغییر عملکرد شناسایی حداقل در ارتفاع عملیاتی پهپاد معمولی) و سرعت پرواز (عملکرد شناسایی با سرعت بالاتر کاهش می‌یابد)، برآورد هزینه عملیات و هزینه قابل مقایسه با ماهواره را بررسی کردیم. تصاویر منطقه به اندازه کافی بزرگ برای نقشه داده شده است. ما همچنین عملکرد آشکارسازی خورشیدی کوچک پهپاد را در یک مطالعه موردی در رواندا ارزیابی کردیم که نشان داد شناسایی SHS کوچک مبتنی بر پهپاد یک رویکرد مناسب برای ارائه اطلاعات حیاتی در مورد شرایط محلی SHS برای پروژه‌های دسترسی به انرژی است و تقریباً 90 درصد از پنل‌های خورشیدی را با موفقیت شناسایی کرد. نرخ های مثبت کاذب که می تواند از طریق پس پردازش کاهش یابد. هزینه عملیات را تخمین زد و هزینه‌های قابل مقایسه با تصاویر ماهواره‌ای را با توجه به یک منطقه به اندازه کافی بزرگ برای نقشه‌برداری یافت. ما همچنین عملکرد آشکارسازی خورشیدی کوچک پهپاد را در یک مطالعه موردی در رواندا ارزیابی کردیم که نشان داد شناسایی SHS کوچک مبتنی بر پهپاد یک رویکرد مناسب برای ارائه اطلاعات حیاتی در مورد شرایط محلی SHS برای پروژه‌های دسترسی به انرژی است و تقریباً 90 درصد از پنل‌های خورشیدی را با موفقیت شناسایی کرد. نرخ های مثبت کاذب که می تواند از طریق پس پردازش کاهش یابد. هزینه عملیات را تخمین زد و هزینه‌های قابل مقایسه با تصاویر ماهواره‌ای را با توجه به یک منطقه به اندازه کافی بزرگ برای نقشه‌برداری یافت. ما همچنین عملکرد آشکارسازی خورشیدی کوچک پهپاد را در یک مطالعه موردی در رواندا ارزیابی کردیم که نشان داد شناسایی SHS کوچک مبتنی بر پهپاد یک رویکرد مناسب برای ارائه اطلاعات حیاتی در مورد شرایط محلی SHS برای پروژه‌های دسترسی به انرژی است و تقریباً 90 درصد از پنل‌های خورشیدی را با موفقیت شناسایی کرد. نرخ های مثبت کاذب که می تواند از طریق پس پردازش کاهش یابد.
شواهد به دست آمده از این مطالعه نشان می دهد که پهپادها از نظر فنی یک رویکرد مناسب و از نظر مالی معقول برای جمع آوری داده ها برای زیرساخت های انرژی کوچک مانند سیستم های خورشیدی خانه هستند. اطلاعات مربوط به مکان و ویژگی‌های SHS کوچک در کشورهای در حال توسعه که از هواپیماهای بدون سرنشین جمع‌آوری شده است ممکن است شواهدی برای تصمیم‌گیری در مورد برنامه‌ریزی دسترسی به انرژی برای دستیابی به SDG 7.1 دسترسی جهانی به برق تا سال 2030 ارائه دهد.
آثار آینده: حداقل دو جهت بالقوه آینده این کار وجود دارد. اولین مورد توسعه مجموعه ای بزرگتر و متنوع تر از داده های پهپاد در مورد اجسام کوچک سیستم انرژی مانند PV خورشیدی، ژنراتورهای دیزلی، پمپ های آب الکتریکی برای آبیاری، و قطب ها و خطوط توزیع است. مجموعه داده ای که ما به اشتراک می گذاریم، تعداد زیادی از متغیرهای آزمایشی ممکن را کنترل می کند تا نتیجه گیری های اساسی را تشکیل دهد. مجموعه ای بزرگتر و متنوع تر از تصاویر می تواند معیاری مبتنی بر برنامه کاربردی برای توسعه الگوریتم های آینده ارائه دهد. جهت بالقوه دوم این کار برای مجموعه بزرگتری از مطالعات موردی است، ترجیحاً با جغرافیاهای متنوع تری فراتر از مناطق رواندا که برای این کار برای بررسی استحکام الگوریتم در دسترس بود.

مشارکت های نویسنده

مفهوم سازی، جردن مالف، راب فتر و کایل بردبری. روش شناسی، جردن مالف، راب فتر، رابرت بیچ، جی راینیر و کایل بردبری. نرم افزار Simiao Ren; اعتبارسنجی، راب فتر، رابرت بیچ و جی راینیر. تحقیق، سیمیائو رن; منابع، جردن مالوف و کایل بردبری؛ مدیریت داده، سیمیائو رن؛ نوشتن – آماده سازی پیش نویس اصلی، Simiao Ren; نوشتن-بررسی و ویرایش، سیمیائو رن، جردن مالف، راب فتر، رابرت بیچ، جی راینیر و کایل بردبری. تجسم، سیمیائو رن; نظارت، جردن مالوف و کایل بردبری؛ مدیریت پروژه، کایل بردبری؛ تامین مالی، راب فتر و کایل بردبری. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط برنامه Catalyst در مؤسسه نیکلاس برای راه‌حل‌های سیاست‌های زیست‌محیطی، و از سوی بنیاد Alfred P. Sloan Grant G-2020-13922 از طریق Ph.D تجزیه و تحلیل داده‌های انرژی دانشگاه دوک تامین شد. بورسیه دانشجویی.

بیانیه در دسترس بودن داده ها

کد کار ما در: https://github.com/BensonRen/Drone_based_solar_PV_detection منتشر شده است . داده های ارائه شده در این مطالعه به طور آشکار در Figshare در دسترس هستند. مجموعه داده های PV خورشیدی کوچک پهپاد: https://doi.org/10.6084/m9.figshare.18093890 ; حاشیه نویسی PV خورشیدی رواندا: https://doi.org/10.6084/m9.figshare.18094043 . مجموعه داده‌های موجود عمومی در این مطالعه تجزیه و تحلیل شدند: https://doi.org/10.34911/rdnt.r4p1fr (در 1 ژوئن 2021 قابل دسترسی است).

قدردانی

مایلیم از لزلی کالینز برای ارائه بازخورد و بحث مفید تشکر ویژه داشته باشیم. ما همچنین می‌خواهیم از Bohao Huang برای کد چارچوب MRS، وی (وین) هو برای کمک در توسعه کد و بحث، Trey Gowdy برای بحث‌های مفید و تخصصش در داده‌های انرژی و سایر همکاران/مرشدان انرژی در طول دانشگاه دوک تشکر کنیم. تجزیه و تحلیل داده انرژی دکتری برنامه کمک هزینه تحصیلی دانشجویان برای پیشنهادات، سوالات و نظرات آنها. ما همچنین از جنگل دوک برای استفاده از منطقه پرواز پهپاد برای جمع آوری داده ها تشکر می کنیم.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

SDG هدف توسعه پایدار
پهپاد وسایل نقلیه هوایی بدون سرنشین
ایالات متحده ایالات متحده آمریکا
AP دقت متوسط
IoU تقاطع روی اتحادیه
CNN شبکه های عصبی کانولوشنال
SHS سیستم های خانه خورشیدی
GSD فاصله نمونه برداری از زمین

پیوست اول

ضمیمه A.1. خط لوله جمع آوری داده ها و مشخصات دقیق پنل های خورشیدی مورد استفاده

برای جمع آوری مجموعه داده های تصاویر پهپاد ما، (1) پنل های خورشیدی به طور تصادفی در محل جمع آوری داده ها توزیع شدند. (2) خلبان پهپاد پهپاد را برای رسیدن به هر ارتفاع مورد نیاز (هر 10 متر) هدایت کرد و برای گرفتن تصاویر ثابت معلق شد. (3) پهپاد با سرعتی تقریباً ثابت (در هر دو حالت سرعت پایین‌تر و بالاتر) در سراسر سایت هواپیمای بدون سرنشین به پرواز درآمد و در حالی که پهپاد در حال حرکت بود، فیلم‌هایی را از صفحات خورشیدی جمع‌آوری کرد. (4) این فرآیند در تاریخ های مختلف، سایت های هواپیماهای بدون سرنشین، زمان های روز و جهت گیری مسیر پرواز هواپیماهای بدون سرنشین تکرار شد. و (5) SHS در داده ها به صورت دستی با ترسیم چند ضلعی برای نشان دادن حضور هر پانل خورشیدی حاشیه نویسی شد.
لیست پنل های خورشیدی مورد استفاده ما در جدول A1 ارائه شده است . برای اطمینان از اینکه نتایج تجربی ما نماینده کاربردهای عملی تشخیص SHS کوچک است، مجموعه متنوعی از پانل‌های خورشیدی را از سه سازنده مختلف انتخاب کردیم که شامل ترکیبات تک کریستالی (سیاه) و پلی کریستالی (آبی) بود و ابعاد فیزیکی را در کل مساحت و تغییر داد. نسبت تصویر اکثریت (4/5) زیر 50 وات هستند، و ما یک پانل بزرگتر با ظرفیت توان نامی 100 وات را نیز شامل می‌شویم (که تصور می‌کنیم حد بالایی SHS کوچک است).
جدول
جدول A1. جزئیات پانل های خورشیدی مورد استفاده در آزمایش ها. X-crystalline (ترکیب سلولی): پلی کریستالی یا مونوکریستالی که رنگ های کمی متفاوت دارند. L: طول. W: عرض. ت: ضخامت

ضمیمه A.2. نمای ماهواره ای برای Small SHS

در اینجا، ما یک نمای ماهواره‌ای شبیه‌سازی شده (از طریق نمونه‌برداری پایین) از SHS ارائه می‌کنیم که در این کار بررسی کردیم تا تفاوت کیفیت دید آرایه‌های خورشیدی را در وضوح تصویر ماهواره‌ای در مقایسه با وضوح تصویر پهپاد نشان دهیم. از شکل A1 می بینیم که تشخیص وجود پنل های خورشیدی در تصویر با وضوح ماهواره تقریباً غیرممکن است (برای چشمان متوسط ​​انسان). می بینیم که عملکرد نزدیک به صفر در بخش 5.1 در وضوح تصویر ماهواره ای معقول است، زیرا دید بسیار محدودی از این SHS های بسیار کوچک وجود دارد. بنابراین، وضوح تصویر پهپاد برای استخراج موفقیت آمیز اطلاعات در مورد مکان و اندازه SHS های کوچک ضروری است.
Ijgi 11 00222 g0a1 550
شکل A1. نمای وضوح ماهواره ای SHS در مقایسه با یک نمونه پهپاد. ( الف ) تصاویر اصلی پهپاد با GSD 2 سانتی متر. ( ب ) حقیقت اصلی SHS با برچسب انسانی. ( ج ) تصاویر ماهواره ای شبیه سازی شده با GSD = 30 سانتی متر. ( د ) حقیقت زمینی شبیه سازی شده SHS در وضوح تصاویر ماهواره ای.

ضمیمه A.3. جزئیات الگوریتم و عملکرد

  • پیش‌آموزش: از آنجایی که مجموعه داده‌های پهپاد برچسب‌گذاری شده، به‌ویژه آن‌هایی که شامل پنل‌های خورشیدی هستند، بسیار کمیاب هستند، ما از تصاویر ماهواره‌ای حاوی پنل‌های خورشیدی (همان هدفمان، اما در اندازه بزرگ‌تر) برای پیش‌آموزش شبکه‌مان قبل از تنظیم دقیق آن استفاده می‌کنیم. داده های تصاویر پهپاد که ما جمع آوری کردیم. این تمرین عملکرد را نسبت به تنظیم دقیق وزنه های از پیش آموزش دیده ImageNet به تنهایی افزایش داد، IoU از 48٪ به 70٪ بهبود یافت.
  • خط لوله امتیاز دهی: ما روند امتیازدهی را در شکل A2 نشان می دهیم . توجه داشته باشید که در مسائل تشخیص، مفهوم منفی واقعی تعریف نشده است. این نیز دقت است و یادآوری (و بنابراین منحنی‌های فراخوان دقیق) برای ارزیابی عملکرد به جای منحنی‌های ROC استفاده می‌شود.
  • شبیه سازی تصاویر با وضوح ماهواره ای: در بخش 5 ، تصاویر پهپاد خود را برای شبیه سازی وضوح تصاویر ماهواره ای نمونه برداری کردیم. برای اطمینان از اینکه تصویر دارای وضوح موثری است که مانند تصاویر ماهواره‌ای است، در حالی که ابعاد کلی تصویر را یکسان نگه می‌داریم تا مدل ما دارای پارامترهای یکسانی باشد، فرآیند نمونه‌برداری پایین را با یک روش نمونه‌برداری بالا با استفاده از دو خطی دنبال می‌کنیم. درون یابی (با استفاده از تابع تغییر اندازه OpenCV). وضوح مؤثر در سطح تصاویر ماهواره ای (30 سانتی متر بر پیکسل) باقی می ماند، اما اندازه ورودی هر تصویر در شبکه عصبی کانولوشن یکسان باقی می ماند.
  • تنظیم فراپارامتر: در رزولوشن‌های مختلف داده‌های آموزشی، ما همه فراپارامترها را ثابت نگه داشتیم به جز وزن کلاس کلاس مثبت (به دلیل توزیع ناهموار پنل‌های خورشیدی و تصاویر پس‌زمینه در بین تغییرات GSD). پس از تنظیم سایر فراپارامترها مانند نرخ یادگیری و معماری مدل یک بار برای تمام ارتفاعات پرواز، وزن کلاس مثبت را به صورت جداگانه برای هر یک از گروه‌های وضوح تصویر به دلیل تفاوت ذاتی در نسبت تعداد پیکسل‌های پنل خورشیدی در هر تصویر تنظیم کردیم.
  • منحنی‌های فراخوان دقیق برای بخش 5.2.1 : از آنجایی که تنها آمار کل در بخش 5.2.1 ارائه شد ، ما تمام منحنی‌های فراخوان دقیق مربوطه را در اینجا ( شکل A3 ) برای مرجع ارائه می‌کنیم.

ضمیمه A.4. برآورد تراکم خانوار

برای تخمین تراکم خانوار، از میانگین تراکم جمعیت [ 64 ] تقسیم بر میانگین اندازه خانوار [ 65 ] استفاده کردیم. برای مرجع بیشتر، سطح تراکم جمعیت را محاسبه کردیم که در آن 90 درصد جمعیت رواندا در یک منطقه متراکم تر زندگی می کنند. برای انجام این کار، ما داده‌های جمعیتی با وضوح بالا را از سال 2020 جمع‌آوری کردیم [ 66 ]، مناطق با بیشترین تراکم جمعیت را تعیین کردیم، آنها را از بالاترین به پایین‌ترین مرتبه‌سازی کردیم و سطحی را تعیین کردیم که 90٪ جمعیت را در بر می‌گرفت. ما این برآورد (ساکنان در هر کیلومتر مربع) را بر میانگین اندازه خانوار (4.3 نفر در هر خانوار) ​​تقسیم کردیم [ 65]) به منظور تعیین برآورد میانگین تعداد خانوارها در هر کیلومتر مربع در آن سطح از تراکم جمعیت.
Ijgi 11 00222 g0a2 550
شکل A2. فرآیند امتیازدهی (GT: حقیقت زمینی). پس از پردازش پس از پردازش، گروه های شی نامزد با برچسب های حقیقت زمین تطبیق داده می شوند. امتیاز اطمینان هر شی به عنوان میانگین ارزش اطمینان تمام پیکسل های مرتبط با آن شی نشان داده می شود.
Ijgi 11 00222 g0a3 550
شکل A3. تمام منحنی های یادآوری دقیق برای معیارهای خلاصه نشان داده شده در شکل 4 .

ضمیمه A.5. محاسبات و مفروضات برآورد هزینه

در اینجا، ما جزئیات محاسبات و مفروضات پشت برآورد هزینه های مورد استفاده در این کار برای عملیات پهپاد را ارائه می دهیم.
منطقه ای که یک پهپاد می تواند در یک روز نقشه برداری کند آدیک سالمی توان از مشخصات سازنده بر روی وضوح تصویر پهپاد و عمر باتری برای یک پرواز مشخص محاسبه کرد. ما همچنین محدودیت پرواز روزانه 6 ساعته را برای عملیات پهپاد در نظر می گیریم.

آدیک سال=آ1 fمن _ _h t( س ) / _ _تیb a t t e r y× 6 ( ساعت )
منطقه ای که یک پهپاد می تواند در یک پرواز نقشه برداری کند به وضوح آن بستگی دارد و ما این رابطه را خطی فرض می کنیم (با فرض سرعت پرواز ثابت). مساحت میدان دید یک پهپاد با توجه به فاصله نمونه برداری از زمین درجه دوم است. در اینجا، ما از مشخصات سازنده استفاده می کنیم که ادعا می کند پرواز در ارتفاع 120 متری تصاویر فاصله نمونه برداری از زمین را 3 سانتی متر تولید می کند.

آ1 fمن _ _h t( r e s ) = r e s / 0.03 × 120
برای محاسبه تعداد روزهای مورد نیاز (روز کاری + آخر هفته) برای یک ماموریت خاص می توان با استفاده از مقادیر فوق محاسبه کرد. یکی از عوامل در اینجا این است که همه روزها برای پرواز پهپاد مناسب نیستند (مثلاً آب و هوای نامساعد). بنابراین، احتمال روزهای آفتابی (یا در غیر این صورت معتدل) را در معادله فاکتور می کنیم و آن را 80 درصد فرض می کنیم. این می تواند با شرایط آب و هوایی هر منطقه مورد علاقه جایگزین شود. علاوه بر این، توجه داشته باشید که از آنجایی که ما از این برای محاسبه هزینه غرامت برای خلبان استفاده خواهیم کرد، پرداخت را در آخر هفته ها نیز فرض می کنیم، اگرچه فرض می شود خلبان ها در تعطیلات آخر هفته کار نمی کنند، و بنابراین تعداد روزهای مورد نیاز را در 7/5 ضرب می کنیم تا در زمان واقعی مورد نیاز را بدست آورید توجه داشته باشید که ما فقط آخر هفته ها (بدون تعطیلات) را برای سادگی فرض می کنیم.

د الفyt o t=آt o t/آدیک سال/ 5 × 7 /%s u n y _
در مرحله بعد، تعداد خلبانان مورد نیاز برای ماموریت را محاسبه می کنیم که می توان از این فرض که ماموریت کمتر از 3 ماه (90 روز) طول بکشد، محاسبه می شود. از آنجایی که ما هزینه خلبانان را بر اساس زمان آنها پرداخت می کنیم، اگر تعداد خلبانان را افزایش دهیم، هزینه کلی تا حد زیادی تحت تأثیر قرار نمی گیرد، بنابراین زمان هر یک از آنها در این ماموریت کاهش می یابد.

نp i l o t s= c e i l ( D ayt o t/ 90 )
با استفاده از تعداد کل خلبانان می توان هزینه ثابت ماموریت را محاسبه کرد. هزینه ثابت شامل هزینه آموزش خلبان، هزینه آزمون گواهینامه خلبانی، هزینه مجوز/ثبت هواپیمای بدون سرنشین و حمل و نقل (با فرض بلیط هواپیما) به محل ماموریت است. فرض هزینه پرواز بر اساس کرایه های استاندارد بین المللی بلیط سفر تخمین زده شد و بر اساس فرض زمان کاری حداکثر 3 ماه، حداکثر دو سفر رفت و برگشت را پوشش داد. هزینه آموزش از هزینه های دوره های آمادگی آنلاین برای گواهینامه قسمت 107 برآورد شد.

$fمن x e d+= ($fمن _ _h t+$t r a i n i n g+$e x a m+$p e r m i t) ×نp i l o t s
بخش عمده ای از هزینه های عملیاتی از نیروی انسانی، هتل و حمل و نقل ناشی می شود. اطلاعات دستمزد به عنوان میانگین مقادیر دستمزد متوسط ​​گزارش شده برای اپراتورهای هواپیماهای بدون سرنشین از جداول حقوق در منابع مختلف آنلاین در نظر گرفته می شود. مفروضات هزینه هتل از میانگین نرخ روزانه ایالات متحده از انواع خرده فروشان برجسته هتل بود. مفروضات هزینه خودرو و بیمه از قیمت‌های اجاره ماهانه شرکت‌های اجاره خودرو پیشرو می‌آیند.

$h u m a n= ($w a gه+$b e n e fمن تی+$h o t e l+$c a r+$c a r i n s u r a n c e+$t r a n s l a t o r) × D ayt o t×نp i l o t s
هزینه دیگر ناشی از هزینه مستهلک شده برای پهپاد است. ما کل زمان پرواز یک پهپاد و تمام تجهیزات مربوطه را 800 ساعت پرواز فرض می کنیم. فرض قیمت برای پهپادها مستقیماً از خرده فروشان هواپیماهای بدون سرنشین می آید. برخی از فروشندگان پهپاد قیمت دوربین را با قیمت پهپاد ترکیب می کنند در حالی که برخی دیگر این کار را نمی کنند. برای هزینه‌های باتری، فرض می‌کنیم که به اندازه کافی باتری می‌خریم تا از یک روز کامل کار برای هر یک از تیم‌های خلبان پشتیبانی کند.

$دr o n e= ( ($b u yدr o n e+$c a m e r a+$b a t e r i e s _)/تیمن ف _e t i m e×تیo p e r a t i o n) ×نp i l o t
ما فرض می‌کنیم خلبان‌ها ماشین‌هایی را اجاره می‌کنند تا در طول ماموریت به صورت محلی رفت و آمد کنند، بنابراین، سوخت نیز باید در محاسبه لحاظ شود. اگرچه ما متوجه شدیم که این بخش به اندازه کافی کوچک است که به طور گذشته نادیده گرفته می شود، ما هنوز آن را برای کامل شدن در اینجا درج می کنیم. برای محاسبه مجموع مسافت رانندگی خلبان، فرض می‌کنیم که مأموریت نقشه‌برداری یک منطقه بزرگ مربعی پیوسته است. از آنجایی که حداکثر فاصله ارتباطی بین پهپاد و کنترلر 7 کیلومتر است، در اصل خلبان باید حداقل مساحت کل تقسیم بر دوبرابر فاصله ارتباطی (14 کیلومتر) را برای تکمیل ماموریت رانندگی کند. مایل در هر گالن (MPG) ماشین 25 MPG در نظر گرفته می شود و به کیلومتر در هر گالن (40 KMPG) تبدیل می شود.

$fتو ای ل=$gیک l l o n×آt o t/ 14 / کمپجی
هزینه دیگر ذخیره سازی اطلاعات است. با فرض تصاویر رنگی 8 بیتی، به 1 بایت/پیکسل/کانال ترجمه می شود. فرض می کنیم چهار کانال ذخیره می شوند (قرمز، سبز، آبی و یک کانال برای پردازش پس از GIS)، تعداد پیکسل ها را می توان برای یک منطقه معین و وضوح تصویر محاسبه کرد. هزینه کل ذخیره سازی داده ها هزینه تعداد هارد دیسک (HDD) مورد نیاز برای ذخیره تمام داده ها خواهد بود، که تعداد کل بایت ها تقسیم بر ظرفیت هارد دیسک است (فرض می کنیم هارد درایوهای فیزیکی در این مورد نیاز خواهد بود. دسترسی به خدمات ابری در دسترس نیست).

$D a t a St o r a gه= 1 ( B yt e / p i x e l / c h a n n e l ) × 4 ( c h a n n e l s )× a r e a (کیلومتر2) /reس2(متر2) ×106×$اچD D/ سیآپاچD D
هزینه کل ماموریت با جمع کردن تمام هزینه های فوق با هم محاسبه می شود:

$t o t=$fمن x e d+$h u m a n+$دr o n e+$fتو ای ل+$D a t a St o r a gه

ضمیمه A.6. نسبت هزینه اقامت

یکی از فرضیات ما عدم حضور خلبانان محلی است که نیازی به وضعیت سفر (هزینه هتل) ندارند. ما می دانیم که این ممکن است چندان توجیه پذیر نباشد زیرا خلبان های گواهی شده بیشتری در سراسر جهان در دسترس هستند و بنابراین نسبت هزینه اقامت به کل هزینه را با توجه به تغییر کل منطقه ارائه می دهند.
Ijgi 11 00222 g0a4 550
شکل A4. هزینه هتل به عنوان درصدی از هزینه کل با توجه به مساحت کل ماموریت در وضوح 0.03 متر.
همانطور که شکل A4 نشان می دهد، هزینه هتل به تدریج افزایش می یابد زمانی که کل مساحت ماموریت افزایش می یابد و مجانبی به 15٪ می رسد. این بدان معناست که در وضوح 0.03 متر، اگر خلبانان محلی را بتوان در یک سفر یک روزه از مکان مورد علاقه پیدا کرد، تا 15٪ از کل هزینه می توان صرفه جویی کرد.

منابع

  1. سازمان ملل. هدف 7|اداره امور اقتصادی و اجتماعی. در دسترس آنلاین: https://sdgs.un.org/goals/goal7 (در 1 سپتامبر 2021 قابل دسترسی است).
  2. مارتین گزارش اهداف توسعه پایدار در دسترس آنلاین: https://www.un.org/sustainabledevelopment/progress-report/ (در 1 سپتامبر 2021 قابل دسترسی است).
  3. بیساگا، آی. پریخ، پ. تومی، ج. به، نقشه برداری LS هم افزایی و مبادله بین انرژی و اهداف توسعه پایدار: مطالعه موردی انرژی خورشیدی خارج از شبکه در رواندا. سیاست انرژی 2021 ، 149 ، 112028. [ Google Scholar ] [ CrossRef ]
  4. بندی، وی. صحراکورپی، ت. پااترو، جی. Lahdelma، R. Touching the Invisible: کاوش پیوند دسترسی به انرژی، کارآفرینی، و سیستم‌های خانه‌های خورشیدی در هند. انرژی Res. Soc. علمی 2020 ، 69 ، 101767. [ Google Scholar ] [ CrossRef ]
  5. واتسون، AC؛ جاکوبسون، دکتر Cox، SL داده ها، تجزیه و تحلیل، و تصمیمات انرژی های تجدیدپذیر مشاهده شده از طریق مطالعه موردی در بنگلادش . گزارش فنی؛ آزمایشگاه ملی انرژی های تجدیدپذیر (NREL): طلایی، CO، ایالات متحده آمریکا، 2019.
  6. Malof، JM; هو، آر. کالینز، LM؛ بردبری، ک. Newell, R. تشخیص خودکار پانل های فتوولتائیک خورشیدی در تصاویر ماهواره ای. در مجموعه مقالات کنفرانس بین المللی 2015 در زمینه تحقیقات و کاربردهای انرژی های تجدیدپذیر (ICRERA)، پالرمو، ایتالیا، 22-25 نوامبر 2015. ص 1428-1431. [ Google Scholar ]
  7. کاستلو، آر. روکت، اس. اسگورا، م. گوئرا، آ. Scartezzini، JL یادگیری عمیق در محیط ساخته شده: تشخیص خودکار صفحات خورشیدی پشت بام با استفاده از شبکه های عصبی کانولوشن. J. Phys. Conf. سر 2019 ، 1343 ، 012034. [ Google Scholar ] [ CrossRef ]
  8. بهاتیا، م. آنجلو، N. فراتر از اتصالات ; بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  9. Malof، JM; بردبری، ک. کالینز، LM؛ نیول، RG تشخیص خودکار آرایه های فتوولتائیک خورشیدی در تصاویر هوایی با وضوح بالا. Appl. انرژی 2016 ، 183 ، 229-240. [ Google Scholar ] [ CrossRef ]
  10. یو، جی. وانگ، ز. مجومدار، ع. Rajagopal, R. DeepSolar: یک چارچوب یادگیری ماشینی برای ساخت کارآمد پایگاه داده استقرار خورشیدی در ایالات متحده. Joule 2018 , 2 , 2605–2617. [ Google Scholar ] [ CrossRef ]
  11. مالوف، جی. کالینز، ال. بردبری، ک. Newell, R. یک شبکه عصبی پیچیده عمیق و یک طبقه‌بندی تصادفی جنگل برای تشخیص آرایه فتوولتائیک خورشیدی در تصاویر هوایی. در مجموعه مقالات کنفرانس بین المللی IEEE 2016 در مورد تحقیقات و کاربردهای انرژی تجدیدپذیر (ICRERA)، بیرمنگام، بریتانیا، 20 تا 23 نوامبر 2016؛ ص 650-654. [ Google Scholar ]
  12. کرویتواگن، ال. داستان، ک. فردریش، جی. بایرز، ال. اسکیلمن، اس. هپبورن، سی. فهرستی جهانی از واحدهای تولید کننده انرژی خورشیدی فتوولتائیک. Nature 2021 ، 598 ، 604-610. [ Google Scholar ] [ CrossRef ]
  13. ایرنا آمار انرژی های تجدیدپذیر خارج از شبکه 2020 ؛ آژانس بین‌المللی انرژی‌های تجدیدپذیر: ابوظبی، امارات متحده عربی، 2020. [ Google Scholar ]
  14. اندازه استاندارد یک پنل خورشیدی چیست؟ در دسترس آنلاین: https://www.thesolarnerd.com/blog/solar-panel-dimensions/ (در 1 سپتامبر 2021 قابل دسترسی است).
  15. لیانگ، اس. وانگ، جی. (ویرایشات) فصل 1- دیدگاهی سیستماتیک از سنجش از دور. در سنجش از دور پیشرفته ، ویرایش دوم؛ مطبوعات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 2020؛ صص 1-57. [ Google Scholar ]
  16. یوان، جی. یانگ، HHL؛ Omitaomu، OA; Bhaduri، BL نقشه برداری صفحه خورشیدی در مقیاس بزرگ از تصاویر هوایی با استفاده از شبکه های پیچیده پیچیده. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2016 درباره داده های بزرگ (داده های بزرگ)، واشنگتن، دی سی، ایالات متحده آمریکا، 5 تا 8 دسامبر 2016؛ ص 2703-2708. [ Google Scholar ] [ CrossRef ]
  17. بردبری، ک. صبو، ر. جانسون، TL; Malof، JM; داورجان، ع. ژانگ، دبلیو. کالینز، LM؛ نیوول، RG توزیع شده آرایه فتوولتائیک خورشیدی مکان و گستره مجموعه داده برای شناسایی اشیاء سنجش از دور. علمی داده 2016 ، 3 ، 160106. [ Google Scholar ] [ CrossRef ]
  18. ایشی، تی. سیمو سرا، ای. ایزوکا، اس. موچیزوکی، ی. سوگیموتو، ا. ایشیکاوا، اچ. ناکامورا، آر. تشخیص با طبقه‌بندی ساختمان‌ها در تصاویر ماهواره‌ای چندطیفی. در مجموعه مقالات بیست و سومین کنفرانس بین المللی شناسایی الگو (ICPR)، کانکون، مکزیک، 4 تا 8 دسامبر 2016، 2016. صص 3344–3349. [ Google Scholar ]
  19. Malof، JM; بردبری، ک. کالینز، ال. Newell, R. ویژگی های تصویر برای تشخیص پیکسلی آرایه های فتوولتائیک خورشیدی در تصاویر هوایی با استفاده از طبقه بندی جنگل تصادفی. در مجموعه مقالات پنجمین کنفرانس بین المللی تحقیقات و کاربردهای انرژی های تجدیدپذیر، بیرمنگام، بریتانیا، 20 تا 23 نوامبر 2016. جلد 5، ص 799–803. [ Google Scholar ]
  20. کریژفسکی، آ. سوتسکور، آی. هینتون، طبقه‌بندی GE Imagenet با شبکه‌های عصبی کانولوشنال عمیق. Adv. عصبی Inf. روند. سیستم 2012 ، 25 ، 1097-1105. [ Google Scholar ] [ CrossRef ]
  21. لانگ، جی. شلهامر، ای. دارل، تی. شبکه های کاملاً پیچیده برای تقسیم بندی معنایی. در مجموعه مقالات کنفرانس IEEE در مورد دید کامپیوتری و تشخیص الگو، بوستون، MA، ایالات متحده آمریکا، 7 تا 12 ژوئن 2015. صص 3431–3440. [ Google Scholar ]
  22. دنگ، جی. دونگ، دبلیو. سوچر، آر. لی، ال جی; لی، ک. Li, F. Imagenet: پایگاه داده تصویر سلسله مراتبی در مقیاس بزرگ. در مجموعه مقالات کنفرانس IEEE 2009 در مورد بینایی کامپیوتری و تشخیص الگو، میامی، FL، ایالات متحده آمریکا، 20-25 ژوئن 2009. صص 248-255. [ Google Scholar ]
  23. Malof، JM; لی، بی. هوانگ، بی. بردبری، ک. Stretslov، A. نقشه برداری از مکان، اندازه و ظرفیت آرایه خورشیدی با استفاده از یادگیری عمیق و تصاویر بالای سر. arXiv 2019 ، arXiv:1902.10895. [ Google Scholar ]
  24. کامیلو، جی. وانگ، آر. کالینز، LM؛ بردبری، ک. Malof، JM استفاده از یک شبکه عصبی کانولوشنال تقسیم بندی معنایی برای تشخیص دقیق و نقشه برداری خودکار آرایه های فتوولتائیک خورشیدی در تصاویر هوایی. arXiv 2018 , arXiv:1801.04018. [ Google Scholar ]
  25. رونبرگر، او. فیشر، پی. Brox، T. U-net: شبکه های کانولوشن برای تقسیم بندی تصاویر زیست پزشکی. در مجموعه مقالات کنفرانس بین المللی محاسبات تصویر پزشکی و مداخله به کمک رایانه، مونیخ، آلمان، 5 تا 9 اکتبر 2015. صص 234-241. [ Google Scholar ]
  26. هو، ایکس. وانگ، بی. هو، دبلیو. یین، ال. Wu, H. SolarNet: چارچوب یادگیری عمیق برای نقشه‌برداری نیروگاه‌های خورشیدی در چین از تصاویر ماهواره‌ای. arXiv 2019 ، arXiv:1912.03685. [ Google Scholar ]
  27. ژانگ، دی. وو، اف. لی، ایکس. لو، ایکس. وانگ، جی. یان، دبلیو. چن، ز. Yang, Q. تجزیه و تحلیل تصویر هوایی بر اساس خوشه بندی تطبیقی ​​بهبود یافته برای بازرسی ماژول فتوولتائیک. در مجموعه مقالات کنفرانس بین المللی شهرهای هوشمند 2017 (ISC2)، ووکسی، چین، 14 تا 17 سپتامبر 2017. [ Google Scholar ] [ CrossRef ]
  28. اسماعیل، ح. چیکته، ر. Bandyopadhyay، A.; Al Jasmi, N. تشخیص خودکار پانل های PV با استفاده از پهپاد. در مجموعه مقالات کنگره و نمایشگاه بین المللی مهندسی مکانیک ASME 2019، سالت لیک سیتی، UT، ایالات متحده آمریکا، 11 تا 14 نوامبر 2019؛ جلد 59414، ص. V004T05A051. [ Google Scholar ]
  29. وگا دیاز، جی جی. ولامینک، ام. Lefkaditis، D.; Orjuela Vargas، SA; Luong، H. تشخیص پانل خورشیدی در پس زمینه های پیچیده با استفاده از تصاویر حرارتی به دست آمده توسط پهپادها. Sensors 2020 , 20 , 6219. [ Google Scholar ] [ CrossRef ]
  30. ژنگ، تی. Bergin، MH; هو، اس. میلر، جی. کارلسون، DE برآورد PM2 سطح زمین. 5 با استفاده از تصاویر میکروماهواره ای با یک شبکه عصبی کانولوشن و رویکرد جنگل تصادفی. اتمس. محیط زیست 2020 , 230 , 117451. [ Google Scholar ] [ CrossRef ]
  31. پیردیکا، آر. Malinverni، ES; پیچینی، اف. پائولانتی، م. فلیستی، آ. Zingaretti، P. شبکه عصبی پیچیده عمیق برای تشخیص خودکار سلول های فتوولتائیک آسیب دیده. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. Sci.-ISPRS Arch. 2018 ، 42 ، 893-900. [ Google Scholar ] [ CrossRef ]
  32. Xie، X. وی، ایکس. وانگ، ایکس. گوا، ایکس. لی، جی. Cheng, Z. سیستم تشخیص ناهنجاری پانل فتوولتائیک مبتنی بر پلت فرم وسایل نقلیه هوایی بدون سرنشین. IOP Conf. سر ماتر علمی مهندس 2020 , 768 , 072061. [ Google Scholar ] [ CrossRef ]
  33. هرائیز، ع. ماروگان، ع. مارکز، اف. بهره وری بهینه در نیروگاه های خورشیدی بر اساس یادگیری ماشین و مدیریت مهندسی. در مجموعه مقالات دوازدهمین کنفرانس بین المللی مدیریت علوم و مهندسی مدیریت، ملبورن، استرالیا، 1 تا 4 اوت 2018؛ انتشارات بین المللی Springer: برلین/هایدلبرگ، آلمان، 2018; ص 901-912. [ Google Scholar ] [ CrossRef ]
  34. لی، ایکس. یانگ، کیو. لو، ز. Yan, W. تجزیه و تحلیل نقص ماژول مبتنی بر یادگیری عمیق برای مزارع فتوولتائیک در مقیاس بزرگ. IEEE Trans. مبدل انرژی 2019 ، 34 ، 520–529. [ Google Scholar ] [ CrossRef ]
  35. دینگ، اس. یانگ، کیو. لی، ایکس. یان، دبلیو. Ruan, W. تشخیص نقص ماژول فتوولتائیک مبتنی بر یادگیری انتقال با استفاده از تصاویر هوایی. در مجموعه مقالات کنفرانس بین المللی 2018 فناوری سیستم قدرت (POWERCON)، گوانگژو، چین، 6 تا 8 نوامبر 2018؛ صص 4245–4250. [ Google Scholar ] [ CrossRef ]
  36. لی، ایکس. یانگ، کیو. وانگ، جی. چن، ز. Yan, W. تشخیص الگوی خطای هوشمند تصاویر ماژول فتوولتائیک هوایی بر اساس تکنیک یادگیری عمیق. در مجموعه مقالات نهمین کنفرانس بین المللی چندگانه پیچیدگی، انفورماتیک و سایبرنتیک (IMCIC 2018)، اورلاندو، فلوریدا، ایالات متحده آمریکا، 13 تا 16 مارس 2018؛ جلد 1، ص 22-27. [ Google Scholar ]
  37. لی، ایکس. لی، دبلیو. یانگ، کیو. یان، دبلیو. Zomaya، AY یک سیستم بازرسی بدون سرنشین برای تشخیص عیب های متعدد در نیروگاه های فتوولتائیک. IEEE J. فتوولت. 2020 ، 10 ، 568-576. [ Google Scholar ] [ CrossRef ]
  38. حنفی، WA; پینا، ا. Salem، SA رویکرد یادگیری ماشینی برای تشخیص تمیزی پانل های فتوولتائیک. در مجموعه مقالات پانزدهمین کنفرانس بین المللی مهندسی کامپیوتر (ICENCO) 2019، قاهره، مصر، 29 تا 30 دسامبر 2019؛ پ. 77. [ Google Scholar ] [ CrossRef ]
  39. کوریا، اس. شاه، ز. Taneja, J. This Little Light of Mine: Electricity Access Access Mapping with the Night-time Light Data. در مجموعه مقالات دوازدهمین کنفرانس بین المللی ACM در مورد سیستم های انرژی آینده، آنلاین. 28 ژوئن – 2 ژوئیه 2021؛ صص 254-258. [ Google Scholar ]
  40. فالچتا، جی. پاچائوری، س. پارکینسون، اس. Byers، E. مجموعه داده شبکه‌ای با وضوح بالا برای ارزیابی برق‌رسانی در جنوب صحرای آفریقا. علمی داده‌ها 2019 ، 6 ، 110. [ Google Scholar ] [ CrossRef ]
  41. Min، B. گابا، KM; سار، OF; Agalassou، A. تشخیص برق روستایی در آفریقا با استفاده از تصاویر نور شب DMSP-OLS. بین المللی J. Remote Sens. 2013 , 34 , 8118–8141. [ Google Scholar ] [ CrossRef ]
  42. جویدن، آر. راینیر، جی. ساحل، آر. اونیل، ام. اوجنزا، ن. لاپیدوس، دی. میانو، تی. هگارتی کراور، ام. پولی، جی. معبد، شبکه های عصبی عمیق DS و آموزش انتقال برای شناسایی محصولات غذایی در تصاویر پهپاد. هواپیماهای بدون سرنشین 2020 ، 4 ، 7. [ Google Scholar ] [ CrossRef ]
  43. مجموعه داده های آموزشی طبقه بندی تصاویر پهباد برای انواع محصولات در رواندا. 2021. در دسترس آنلاین: https://doi.org/10.34911/rdnt.r4p1fr (در 1 ژوئن 2021 قابل دسترسی است).
  44. Bishop، CM Pattern Recognition and Machine Learning ; Springer: برلین/هایدلبرگ، آلمان، 2006; جلد 128. [ Google Scholar ]
  45. Orych, A. بررسی روشهای تعیین قدرت تفکیک فضایی حسگرهای پهپاد. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2015 ، 40 ، 391-395. [ Google Scholar ] [ CrossRef ]
  46. شیمشک، بی. Bilge، H.Ş. یک چارچوب جدید vSLAM مقاوم در برابر تاری حرکت برای پهپادهای میکرو/نانو. هواپیماهای بدون سرنشین 2021 ، 5 ، 121. [ Google Scholar ] [ CrossRef ]
  47. اداره هوانوردی فدرال. خلبان هواپیمای بدون سرنشین شوید اداره هوانوردی فدرال: واشنگتن، دی سی، ایالات متحده آمریکا، 2021.
  48. اداره هوانوردی فدرال. چگونه پهپاد خود را ثبت کنیم . اداره هوانوردی فدرال: واشنگتن، دی سی، ایالات متحده آمریکا، 2021.
  49. اداره اطلاعات انرژی ایالات متحده به روز رسانی بنزین و سوخت دیزل ; اداره اطلاعات انرژی ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2022.
  50. وزارت کار ایالات متحده، اداره آمار کار. انتشار خبر. در دسترس آنلاین: https://www.bls.gov/news.release/pdf/ecec.pdf (در 1 ژانویه 2022 قابل دسترسی است).
  51. شورای هماهنگی اطلاعات جغرافیایی، NC. طرح کسب و کار برای تصویربرداری ارتوپدی در کارولینای شمالی. در دسترس آنلاین: https://files.nc.gov/ncdit/documents/files/OrthoImageryBusinessPlan-NC-20101029.pdf (در 1 سپتامبر 2021 قابل دسترسی است).
  52. ایالت کانکتیکات طرح کانکتیکات برای قانون طرح نجات آمریکا در سال 2021. در دسترس آنلاین: https://portal.ct.gov/-/media/Office-of-the-Governor/News/2021/20210426-Governor-Lamont-ARPA-allocation- plan.pdf (دسترسی در 1 سپتامبر 2021).
  53. لیتز، اچ. لینگانی، م. سی، ا. ساوربورن، آر. سوآرس، آ. توزان، ی. اندازه گیری سلامت جمعیت: هزینه های روش های نظرسنجی جایگزین در سیستم نظارت بر سلامت و جمعیت شناسی نونا در روستایی بورکینافاسو. گلوب. Health Action 2015 , 8 , 28330. [ Google Scholar ] [ CrossRef ]
  54. فولر، AT; باتلر، EK; Tran، TM; ماکومبی، اف. لوبوگا، اس. محمزه، ج. چیپمن، جی جی. گرون، آر اس؛ گوپتا، اس. کوشنر، آل. و همکاران ارزیابی جراحان خارج از کشور از نیازهای جراحی (SOSAS) اوگاندا: به‌روزرسانی برای نظرسنجی خانگی. جهانی جی. سرگ. 2015 ، 39 ، 2900-2907. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  55. Gertler، PJ; مارتینز، اس. پریماند، پ. راولینگ، LB; Vermeersch، CM Impact Evaluation in Practice ; انتشارات بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2016. [ Google Scholar ]
  56. ایووسویچ، بی. هان، YG; چو، ی. Kwon, O. استفاده از هواپیماهای بدون سرنشین حفاظتی در تحقیقات اکولوژی و حیات وحش. جی. اکول. محیط زیست 2015 ، 38 ، 113-118. [ Google Scholar ] [ CrossRef ]
  57. ربطا، بی. وانکمولر، سی. Reiner, G. مدل ناوگان هواپیماهای بدون سرنشین برای توزیع آخرین مایل در عملیات امداد رسانی در بلایا. بین المللی J. کاهش خطر بلایا. 2018 ، 28 ، 107-112. [ Google Scholar ] [ CrossRef ]
  58. افغه، ف. رازی، ع. چاکارسکی، ج. Ashdown, J. نظارت بر آتش سوزی در مناطق دورافتاده با استفاده از وسایل نقلیه هوایی بدون سرنشین خودگردان. در مجموعه مقالات IEEE INFOCOM 2019 — کنفرانس IEEE در کارگاه های آموزشی ارتباطات کامپیوتری (INFOCOM WKSHPS)، پاریس، فرانسه، 29 آوریل تا 2 مه 2019؛ صص 835-840. [ Google Scholar ]
  59. فلورانو، دی. چوب، علم RJ، فناوری و آینده پهپادهای کوچک مستقل. Nature 2015 ، 521 ، 460-466. [ Google Scholar ] [ CrossRef ]
  60. رامسنکران، ر. نوین کومار، پ. داشورا، ع. Kulkarni، بررسی بر اساس پهپادهای AV از یخچال های طبیعی در هیمالیا: چالش ها و توصیه ها. J. شرکت هندی Remote Sens. 2021 , 49 , 1171–1187. [ Google Scholar ] [ CrossRef ]
  61. حسنعلیان، م. Abdelkefi, A. طبقه بندی ها، کاربردها و چالش های طراحی هواپیماهای بدون سرنشین: بررسی. Prog. هوانوردی علمی 2017 ، 91 ، 99-131. [ Google Scholar ] [ CrossRef ]
  62. آذر، AT; کوبا، ع. علی محمد، ن. ابراهیم، ​​ح. ابراهیم، ​​ز.ف. کاظم، م. عمار، ع. بنجدیرا، بی. خمیس، ع.م. حمید، IA; و همکاران آموزش تقویت عمیق هواپیماهای بدون سرنشین: یک بررسی. Electronics 2021 , 10 , 999. [ Google Scholar ] [ CrossRef ]
  63. واشنگتن، AN بررسی استفاده از هواپیماهای بدون سرنشین برای مشکلات اجتماعی مرتبط: درس هایی از آفریقا. افر. جی. کامپیوتر. ICT 2018 ، 11 ، 1-11. [ Google Scholar ]
  64. بانک جهانی. تراکم جمعیت (نفر در هر 1 کیلومتر مساحت زمین)—روآندا. در دسترس آنلاین: https://data.worldbank.org/indicator/EN.POP.DNST?locations=RW (در 1 مارس 2022 قابل دسترسی است).
  65. موسسه ملی آمار رواندا (NISR)، وزارت بهداشت و ICF بین المللی. بررسی جمعیت شناختی و سلامت رواندا 15-2014. در دسترس آنلاین: https://www.dhsprogram.com/pubs/pdf/SR229/SR229.pdf (در 1 مارس 2022 قابل دسترسی است).
  66. WorldPop و CIESIN، دانشگاه کلمبیا. توزیع فضایی تراکم جمعیت در سال 2020، رواندا. در دسترس آنلاین: https://dx.doi.org/10.5258/SOTON/WP00675 (در 1 مارس 2022 قابل دسترسی است).
Ijgi 11 00222 g001 550
شکل 1. نمونه تصاویر در مجموعه داده ما جمع آوری شده است. ردیف اول شامل تصاویر گرفته شده در میدان بلک وود است. ردیف دوم شامل تصاویر گرفته شده در Couch Field است. ستون سمت چپ دارای GSD 2 سانتی متر، ستون وسط دارای GSD 3 سانتی متر، ستون سمت راست دارای GSD 4 سانتی متر است.
Ijgi 11 00222 g002 550
شکل 2. نمودار پس از پردازش. ( الف ) تصاویر اصلی هواپیماهای بدون سرنشین RGB. مرحله پس از پردازش، نقشه اطمینان پیش‌بینی ( b ) را از خروجی مدل به عنوان ورودی می‌گیرد و اشیاء نامزد را از طریق آستانه‌گذاری، گروه‌بندی و اتساع تولید می‌کند. ( ج – ساعت) محصولات مراحل زیر هستند: مرحله 1 (S1) آستانه اطمینان را روی 0.5 می‌گذارد و تشخیص‌هایی که کمترین اطمینان را دارند حذف می‌کند. مرحله 2 (S2) پیکسل های متصل را به گروه های پیکسل (گروه هایی که در رنگ های مختلف نشان داده شده اند) مطابقت می دهد. مرحله 3 (S3) گروه هایی از پیکسل ها را که خیلی کوچک هستند (به احتمال زیاد نویز) حذف می کند. تا این مرحله، برخی از پیکسل‌هایی که مربوط به یک پنل خورشیدی هستند، جدا به نظر می‌رسند و بنابراین به گروه‌های مختلفی تعلق دارند. مراحل 4 و 5 با گشاد کردن پیکسل های پیشنهادی (S4) و گروه بندی آنها (S5) به این موضوع می پردازند. برای اطمینان از اینکه اتساع ناحیه کلی پیش‌بینی را تغییر نمی‌دهد، گروه‌ها را بر اساس نقشه پیش اتساع، اما با گروه‌بندی گشاد شده با ضرب نقطه‌ای برچسب تعیین می‌کنیم.
Ijgi 11 00222 g003 550
شکل 3. معاوضه هزینه و عملکرد با پهپاد و تصاویر ماهواره ای. ( الف ) هزینه در هر کیلومتر 2در USD در مقابل وضوح تصویر برای پهپاد، ماهواره و تصاویر هوایی. شش ضلعی (HxGN*) تصاویر هوایی آزمایشی بایگانی را ارائه می دهد که پوشش آن در مقایسه با پوشش ماهواره ای محدود است. Pilot-{CT, NC}* هزینه‌های مجموعه تصاویر هوایی جدید آزمایشی هستند که از اسناد دولتی CT و NC ایالات متحده تخمین زده شده‌اند. توجه داشته باشید که هزینه های واحد با اندازه های مختلف منطقه هدف برای عملیات پهپاد متفاوت است. ( ب ) عملکرد تشخیص در مقابل وضوح تا وضوح ماهواره با وضوح معمولی پلت فرم مشروح. عملکرد به طور قابل توجهی از وضوح UAV معمولی به وضوح معمولی ماهواره ای به صفر می رسد.
Ijgi 11 00222 g004 550
شکل 4. میانگین امتیاز دقت برای داده های آموزش و آزمایش در وضوح های مختلف. سطرها همان وضوح آموزشی و ستون ها وضوح تست هستند. سطل ها طوری دسته بندی می شوند که با فواصل 20 متری در ارتفاع پرواز مطابقت دارند.
Ijgi 11 00222 g005 550
شکل 5. تشخیص کاهش عملکرد به دلیل پرواز سریعتر در ارتفاعات مختلف. این تفاوت مطلق بین هر معیار عملکرد در سرعت پرواز آهسته و همان معیار عملکرد در سرعت پرواز سریعتر را نشان می دهد.
Ijgi 11 00222 g006 550
شکل 6. دسته های اصلی ساختار برآورد هزینه عملیات پهپاد ما. هزینه قانونی و مجوز به شدت وابسته به منطقه است و معمولاً یک هزینه ثابت است که به وضوح و منطقه تحت پوشش بستگی ندارد. همه دسته های دیگر به شدت به منطقه وضوح وابسته هستند.
Ijgi 11 00222 g007 550
شکل 7. هزینه کل نقشه برداری پهپاد با توجه به مساحت کل نقشه برداری شده با وضوح 0.03 متر. محور x مساحت بر حسب کیلومتر است 2در مقیاس ورود به سیستم، و محور y هزینه کل به دلار آمریکا است، با مقیاس ورود به سیستم. ما اندازه های منطقه مرجع را با جمعیت ارائه می دهیم: (1) فرودگاه بین المللی تامبو آفریقای جنوبی، شلوغ ترین فرودگاه آفریقا. (2) N’Djamena، پایتخت چاد. (3) کیگالی، پایتخت و بزرگترین شهر رواندا. (4) استان مانوس، کوچکترین استان پاپوآ گینه نو. و (5) منطقه پایتخت فدرال، منطقه پایتخت نیجریه. تمام توضیحات و اطلاعات جمعیت از ویکی پدیا است.
Ijgi 11 00222 g008 550
شکل 8. نمونه پیش بینی از مجموعه داده رواندا. ستون‌های چپ وصله‌های تصویری هستند و ستون‌های سمت راست خروجی پیش‌بینی‌ها را نشان می‌دهند. سبز نشان دهنده مثبت های واقعی است که پیکسل های پنل خورشیدی با برچسب تصحیح شده اند. قرمز نشان دهنده مثبت کاذب است، که زمانی رخ می دهد که الگوریتم یک پنل خورشیدی را پیش بینی کرد که در آن هیچ وجود نداشت. نارنجی نشان دهنده منفی های کاذب است که در واقع پنل های خورشیدی هستند، اما شناسایی نشدند.
Ijgi 11 00222 g009 550
شکل 9. منحنی فراخوان دقیق مطالعه موردی برای سیستم های خانه کوچک در تصاویر RTI رواندا.
جدول
جدول 1. جزئیات مجموعه داده جمع آوری شده. ارتفاع و GSD مربوطه ذکر شده است. Img: تصاویر. ویدیو: ویدیوها. در مجموع 423 تصویر، 60 ویدیو، و 2019 پانل های خورشیدی مشروح وجود دارد.
جدول
جدول 2. جدول با تفکیک تفصیلی مفروضات هزینه در هر دسته برای عملیات مستقر در ایالات متحده. مراجع تعبیه شده با پیوندها. توجه داشته باشید که تقریباً تمام قیمت‌های واحد در این نمودار با مکان عملیاتی مورد علاقه بسیار متفاوت است و بنابراین هرکسی که به این چارچوب برآورد هزینه اشاره می‌کند باید با توجه به شرایط و قیمت‌های محلی تنظیم شود. محاسبه دقیق و توضیح مفروضات هزینه ما در پیوست داده شده است و می توانید آن را در مخزن کد ما پیدا کنید.

مقالات داخلی و بین المللی


Warning: ltrim() expects parameter 1 to be string, object given in /home/gisland1/public_html/wp-includes/formatting.php on line 4415

استفاده از داده‌های مکانی برای ارزیابی امنیت انرژی: نقشه‌برداری سیستم‌های خانه خورشیدی کوچک با استفاده از وسایل نقلیه هوایی بدون سرنشین و یادگیری عمیق

مطالب مرتبط ...

1 نظر

دیدگاهتان را بنویسید