Building Rooftop Extraction Using Machine Learning Algorithms for Solar Photovoltaic Potential Estimation
Notice bibliographique
Résumé
Green cities worldwide are converting to renewable clean energy from natural sources such as sunlight and wind due to the lack of traditional resources and the significant increase in environmental pollution. This paper presents an approach of two stages for photovoltaic (PV) potential estimation of solar panels mounted on buildings’ rooftops. The first stage is rooftop detection from satellite images using a series of image pre-processing algorithms, followed by applying machine learning algorithms, namely Support Vector Machine (SVM) and Naïve Bayes (NB). The second stage is the solar PV potential estimation using the PVWatts calculator, PVGIS, and ArcGIS. Satellite images for the B6 division of Madinaty City in Egypt were evaluated in this paper. The precision, recall, and F1-score of rooftop detection were 91.2%, 98.6%, and 94.7% from SVM, while those from NB were 86.6%, 98.3%, and 92.2%, respectively. About 290 rooftops were extracted, with a total area of 150,698 m2 and a relative root mean square error of 10.6%. The usable area of rooftops was utilized to estimate the annual PV potential of 21.1, 24.9, and 22.9 GWh/year from the PVWatts calculator, PVGIS, and ArcGIS, respectively. According to the estimated PV potential, replacing traditional energy sources reduced the amount of CO2 by an annual average value of 62%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».