Detectar paneles solares en QGIS: 5 métodos
Publicado el Actualizado el
Para mapear energía solar en tejado en QGIS, empieza por lo que alguien ya ha mapeado. Abre Vectorial > QuickOSM > QuickOSM…, pon generator:source en la casilla de clave y solar en la de valor, ejecútalo en tu zona. OpenStreetMap tiene 6 143 024 objetos con esa etiqueta, leído el 3 de septiembre de 2026, así que en una ciudad bien cartografiada terminas en dos minutos. Donde la cobertura es escasa, detectas las instalaciones tú mismo, y el método depende de tus bandas y de tu tamaño de píxel.
, empieza por lo que alguien ya ha mapeado. Abre | Tu entrada | Método | Coste |
|---|---|---|
| Una zona que OpenStreetMap ya cubre bien | Método 1, QuickOSM | Gratis |
| Cualquier ráster que muestre el lienzo, en cualquier máquina | Método 2, un modelo de segmentación en la nube | 1.5 km² gratis al mes, luego 39 € |
| Imagen multiespectral con banda de infrarrojo cercano | Método 3, Ráster > Calculadora ráster… | Gratis, QGIS base |
| Cuatro bandas o más, y tiempo para dibujar áreas de entrenamiento | Método 4, Semi-Automatic Classification Plugin | plugin gratis |
| Una ortofoto RGB cerca de 20 cm, y una GPU o paciencia | Método 5, Deepness más su modelo Solar PV | Gratis |
Precios, versiones de plugin y recuentos de etiquetas leídos el 3 de septiembre de 2026.
Método 1: Usa lo ya mapeado
QGIS eliminó su descargador OSM propio en la 3.0 y dirigió a los usuarios a QuickOSM, así que instala eso primero.
Consulta los generadores
Vectorial > QuickOSM > QuickOSM…, clave generator:source, valor solar, ejecútalo en tu extensión o en un área nombrada. Las instalaciones en tejado llevan power=generator y a menudo generator:method=photovoltaic.
Consulta las plantas por separado
Los parques en suelo se etiquetan power=plant con plant:source=solar, una consulta distinta. Si la omites, cada parque falta en tu capa.
Acude al registro para los kilovatios
El Marktstammdatenregister de Alemania se publica a diario como XML, pero suprime las coordenadas de cualquier unidad de 30 kW o menos, así que un tejado cae en un código postal. El registro de Francia se detiene en la zona IRIS y agrupa todo lo menor de 36 kW en filas agregadas.
Tres conjuntos de datos abiertos sirven como datos de entrenamiento o referencia. Bradbury et al., 19 863 polígonos fotovoltaicos anotados en cuatro ciudades californianas a 30 cm, CC0. BDAPPV, 28 807 instalaciones francesas con máscaras, CC BY 4.0. DeepSolar contó 1.47 millones de sistemas en Estados Unidos contiguos, pero publicó recuentos por tramo censal, no polígonos.
Úsalo cuando: alguien haya cartografiado tu zona, o necesites capacidad en vez de formas.
Omítelo cuando: la cobertura sea irregular, lo que solo descubres mirando.
Método 2: Un modelo de segmentación en la nube
Un modelo de segmentación ha aprendido cómo es una instalación, así que la separa de un tejado oscuro donde los Métodos 3 y 4 no pueden. Construimos uno de ellos, AI Segmentation. Esta sección trata de nuestra propia herramienta.
Dibuja una zona sobre cualquier ráster que muestre el lienzo, escribe solar panel, y cada instalación vuelve como un polígono en el SRC del proyecto con un área y una puntuación de confianza. El modelo corre en nuestros servidores en Europa, así que no hay tarjeta ni entorno Python.
Entre el 5 de julio y el 1 de septiembre de 2026, 47 personas fuera de nuestro equipo ejecutaron solar panel 104 veces, y el 15.6 % de las teselas volvió vacío. En 96 ejecuciones exportadas el modelo encontró 40 088 candidatos y se conservaron 14 245, o sea el 35.5 %, que cubren 496 931 m² de panel.
Escribe solar panel, no solar farm. El segundo pide la instalación, y el modelo responde con una superficie uniforme o nada. En las pocas ejecuciones que tenemos, dejó vacías 21 de 24 teselas.
Ideal para: instalaciones en tejado en un distrito, en cualquier máquina.
No para: un conteo de módulos. Una instalación densa vuelve como una superficie, así que divídela en QGIS o divide por la huella de módulo que conozcas. Un módulo residencial mide unos 1.7 m por 1.1 m.
Precio: gratis por 1.5 km² al mes, sin tarjeta. Pro cuesta 39 € al mes sin IVA. Prueba Pro gratis durante 7 días: añade una tarjeta, cancela antes del final y no se cobra nada.
Ejecuta en: nuestros servidores, en Europa.
Instalación: desde Complementos > Administrar e instalar complementos, con QGIS 3.22 o posterior, luego inicia sesión desde el panel.
Método 3: Umbral en la calculadora ráster
Trabaja en un SRC proyectado, porque dos pasos más abajo toman un área en unidades de la capa.
Ráster > Calculadora ráster…, id de algoritmo native:rastercalc. Los paneles son oscuros, y en el infrarrojo cercano mucho más oscuros que un tejado oscuro, así que un índice normalizado entre las bandas roja y NIR los separa en la mayoría de escenas. Luego gdal:sieve elimina el moteado y gdal:polygonize crea polígonos.
Con tres bandas RGB esto falla, porque un tejado oscuro y un panel comparten sus valores. La textura es el rescate habitual. grass:r.texture calcula trece medidas GLCM, y las instalaciones puntúan alto en contraste y bajo en momento de diferencia inversa. GRASS viene con el instalador de Windows y no con el paquete de macOS.
Úsalo cuando: tengas una banda de infrarrojo cercano y una escena limpia.
Omítelo cuando: la imagen sea RGB, o los umbrales tengan que valer en un mosaico tomado en días distintos.
Método 4: Clasificación supervisada con SCP
El Semi-Automatic Classification Plugin añade un menú SCP y un SCP Dock. Crea un Band set, dibuja ROIs sobre paneles y sobre cada similar, luego clasifica con Maximum Likelihood, Minimum Distance, Spectral Angle Mapping, Random Forest, Support Vector Machine o Multi-layer Perceptron. La versión 8.5.0 es la que instala QGIS 3.x, GPL v3, descargada 2 644 482 veces.
Sus propias FAQ descartan la entrada que tiene la mayoría: «No se pueden usar ortofotos con menos de 4 bandas», porque por debajo de cuatro los algoritmos no pueden separar las clases.
Úsalo cuando: tengas cuatro bandas o más y quieras una clasificación repetible y documentada.
Omítelo cuando: tu entrada sea una ortofoto RGB o un mapa base.
Método 5: Un modelo local en Deepness
La resolución de suelo lo decide todo. Bradbury et al. construyeron su conjunto de datos fotovoltaicos de referencia a 30 cm porque «los paneles solares suelen medir entre 1 y 2 metros de largo», lo que pone varios píxeles en cada uno. Eso resuelve la instalación, no los módulos dentro. Clark y Pacifici vieron que los paneles individuales eran «difíciles de distinguir incluso a una resolución de 15.5 cm». El trabajo publicado sobre PV en tejado está entre 10 cm y 31 cm. Sentinel-2 a 10 m es para parques, nunca para tejados.
Deepness ejecuta modelos ONNX dentro de QGIS, gratis y Apache 2.0, y su model zoo incluye un modelo Solar PV Segmentation a 20 cm/px entrenado por Kleebauer et al. y alojado por Fraunhofer. Apúntalo a tu ortofoto y obtienes una máscara de paneles, sin cuenta, sin que nada salga de tu máquina.
La velocidad es el problema. Un usuario midió ese mismo modelo en «más de 80 minutos para una tesela de ortofoto digital (resolución de 20 cm, 5000 puntos en cada dirección)» en CPU, y el issue sigue abierto. Aparte de este no hay ningún modelo abierto bien mantenido para PV en tejado.
Úsalo cuando: nada pueda salir de la máquina, y tu ortofoto esté cerca de 20 cm.
Omítelo cuando: no tengas tarjeta NVIDIA y tengas que cubrir un distrito.
Los cinco métodos lado a lado
| QuickOSM | AI Segmentation | Calculadora ráster | SCP | Deepness | |
|---|---|---|---|---|---|
| Bandas necesarias | Ninguna | Tres | NIR ayuda | Cuatro o más | Tres |
| La imagen se queda en local | Sí | No | Sí | Sí | Sí |
| GPU | No | No | No | No | Recomendada |
| Resultado | Polígonos de OSM | Un polígono por instalación | Máscara ráster | Ráster de clases | Máscara de paneles |
| Coste | Gratis | Nivel gratis, luego 39 € | Gratis | Gratis | Gratis |
Qué recordar
Consulta OpenStreetMap antes que nada, porque una ciudad cartografiada se termina en dos minutos y ninguna detección supera a un cartógrafo local que ha estado allí.
Si la imagen no puede salir de la máquina, Deepness y su modelo Solar PV local mantienen todo en tu máquina.
En un mapa base RGB la calculadora ráster y SCP quedan fuera, porque ninguno separa un panel de un tejado oscuro solo por valor.
Unos 30 cm resuelven una instalación y nada resuelve los módulos dentro, así que mapea áreas y nunca cuentes paneles desde la imagen.
Los kilovatios vienen de un registro del sector eléctrico, nunca de una foto, y tanto el registro francés como el alemán difuminan la ubicación de las pequeñas unidades en tejado.
Pruébalo gratis en QGIS, sin tarjeta
Preguntas frecuentes
¿Puede QGIS detectar paneles solares por sí solo?
No. QGIS base tiene umbralización y poligonización, que necesitan una diferencia espectral, así que un mapa base RGB no te da nada. La detección viene de un plugin, Deepness en local o el nuestro en la nube.
¿Qué resolución de imagen necesito?
Unos 30 cm resuelven una instalación, según Bradbury et al. Los módulos individuales son difíciles incluso a 15.5 cm, así que planea mapear instalaciones y áreas en vez de contar paneles.
¿Cómo distingo un panel solar de un tejado oscuro?
No puedes, con tres bandas, solo por valor. Usa una banda de infrarrojo cercano, una medida de textura como grass:r.texture, o un modelo que haya aprendido cómo es una instalación.
¿Encuentra también parques solares en suelo?
Sí, y en OpenStreetMap son una consulta aparte, power=plant con plant:source=solar. Con un modelo, escribe solar panel también para el parque, porque detecta cada panel en vez del sitio.
¿Puedo contar cuántos paneles hay instalados?
No desde la imagen. La detección da contornos y superficie. El número de módulos y los kilovatios vienen de un registro, y en Francia eso se detiene en la zona IRIS.
La guía de huellas de edificios explica el paso de filtrado completo, y el post sobre SAM en QGIS cubre qué objetos encuentran bien estos modelos. Para ejecutar la detección y el cálculo de áreas juntos como una sola instrucción, en vez de recorrer el plugin a mano, AI Agent lo hace dentro del mismo proyecto de QGIS. El centro QGIS AI compara los plugins, y la página de producto es AI Segmentation.
