Deteksi Panel Surya di QGIS: 5 Cara
Untuk memetakan surya atap di 
, mulai dari apa yang sudah dipetakan orang lain. Buka Vector > QuickOSM > QuickOSM…, masukkan generator:source di kotak key dan solar di kotak value, jalankan pada area Anda. OpenStreetMap memuat 6,143,024 objek dengan tag tersebut, dibaca 3 September 2026, jadi di kota yang sudah disurvei dengan baik Anda selesai dalam dua menit. Di mana cakupan tipis Anda mendeteksi array sendiri, dan metodenya tergantung pada band dan ukuran piksel Anda.
Di mana web salah
Tiga jawaban kembali lagi dan lagi, dan masing-masing menghabiskan sehari sebelum Anda tahu.
"Gunakan Sentinel-2." Pikselnya 10 m dan panel panjangnya 1 hingga 2 m, jadi seluruh atap muat di dalam satu piksel. Sentinel-2 menemukan farm ground-mounted dan tidak pernah menemukan atap.
"Klasifikasikan ortofoto Anda dengan SCP." FAQ dari plugin itu sendiri menyingkirkannya: "You cannot use orthophotos with less than 4 bands". Ortofoto RGB atau basemap adalah yang dimiliki kebanyakan orang, dan itu justru satu-satunya input yang tidak bisa diterima SCP.
"Hitung panel setelah Anda punya deteksi." Clark dan Pacifici menemukan modul individu "sulit dibedakan bahkan pada resolusi 15,5 cm". Citra memberi Anda array dan luas permukaan. Jumlah modul dan kilowatt berasal dari registri.
Jawaban singkat
| Input Anda | Metode | biayanya |
|---|---|---|
| Area yang sudah disurvei baik oleh OpenStreetMap | Metode 1, QuickOSM | Gratis |
| Citra multispektral dengan band inframerah-dekat | Metode 2, Raster > Raster Calculator… | Gratis, inti QGIS |
| Empat band atau lebih, dan waktu untuk menggambar area training | Metode 3, Semi-Automatic Classification Plugin | plugin gratis |
| Ortofoto RGB sekitar 20 cm, dan GPU atau kesabaran | Metode 4, Deepness plus model Solar PV-nya | Gratis |
| Setiap raster yang ditampilkan kanvas, di mesin apa pun | Metode 5, model segmentasi cloud | Gratis 3 km² per bulan, lalu €39 |
Cara saya membandingkannya
Lima kriteria: band yang dibutuhkan, resolusi di bawah mana metode berhenti bekerja, apakah citra Anda meninggalkan mesin Anda, biaya sebelum poligon pertama, dan apakah output berupa poligon atau piksel. Harga, versi plugin, dan jumlah tag dibaca 3 September 2026. Kami membangun satu dari kelimanya, yaitu Metode 5.
Satu pekerjaan saya alihkan ke tempat lain. Untuk kapasitas terpasang di seluruh negeri, registri utilitas mengalahkan setiap metode di sini, karena ia tahu kilowatt dan citra tidak akan pernah tahu.
Sebelum Anda mulai
Resolusi tanah menentukan segalanya. Bradbury et al. membangun dataset acuan PV pada 30 cm karena "panel surya biasanya berukuran antara 1 dan 2 meter", yang menempatkan beberapa piksel pada masing-masingnya. Itu memecahkan array, bukan modul di dalamnya. Clark dan Pacifici menemukan panel individu "sulit dibedakan bahkan pada resolusi 15,5 cm". Pekerjaan PV atap yang dipublikasikan berada di antara 10 cm dan 31 cm. Sentinel-2 pada 10 m untuk farm, bukan atap.
Bekerja dalam CRS terproyeksi, karena dua langkah di bawah memakai luas dalam unit layer.
Metode 1: Ambil yang sudah dipetakan
QGIS menghapus pengunduh OSM sendiri di 3.0 dan mengarahkan pengguna ke QuickOSM, jadi instal itu dulu.
Query the generators
Vector > QuickOSM > QuickOSM…, key generator:source, value solar, jalankan pada extent atau area bernama Anda. Array atap membawa power=generator dan sering generator:method=photovoltaic.
Query the plants separately
Farm ground-mounted ditandai power=plant dengan plant:source=solar, kueri yang berbeda. Lewatkan dan setiap farm hilang dari layer Anda.
Go to the registry for kilowatts
Marktstammdatenregister Jerman dikirim harian sebagai XML, tetapi menyembunyikan koordinat untuk unit mana pun pada 30 kW atau kurang, jadi atap jatuh pada kode pos. Registri Prancis berhenti pada zona IRIS dan melipat semua di bawah 36 kW ke baris agregat.
Tiga dataset terbuka berfungsi sebagai data training atau tolok ukur. Bradbury et al., 19,863 poligon PV beranotasi di empat kota California pada 30 cm, CC0. BDAPPV, 28,807 instalasi Prancis dengan masker, CC BY 4.0. DeepSolar menghitung 1.47 juta sistem di seluruh Amerika Serikat bagian berdekatan, tetapi merilis hitungan census-tract, bukan poligon.
Gunakan saat: seseorang telah mensurvei area Anda, atau Anda butuh kapasitas bukan bentuk.
Lewati saat: cakupannya tambal sulam, yang hanya Anda ketahui dengan melihat.
Metode 2: Ambang batas di raster calculator
Raster > Raster Calculator…, id algoritma native:rastercalc. Panel gelap, dan dalam inframerah-dekat jauh lebih gelap daripada atap gelap, jadi indeks ternormalisasi antara band merah dan NIR memisahkannya di sebagian besar scene. Lalu gdal:sieve membuang speckle dan gdal:polygonize membuat poligon.
Pada tiga band RGB ini gagal, karena atap gelap dan panel berbagi nilainya. Tekstur adalah penyelamat biasa. grass:r.texture menghitung tiga belas ukuran GLCM, dan array mencetak tinggi pada kontras dan rendah pada inverse difference moment. GRASS disertakan dengan penginstal Windows dan tidak dengan bundel macOS.
Gunakan saat: Anda memiliki band inframerah-dekat dan satu scene bersih.
Lewati saat: citra berupa RGB, atau ambang batas harus berlaku di seluruh mosaik yang diambil pada hari berbeda.
Metode 3: Klasifikasi tersupervisi dengan SCP
Semi-Automatic Classification Plugin menambahkan menu SCP dan SCP Dock. Bangun Band set, gambar ROI di atas panel dan di atas setiap lookalike, lalu klasifikasikan dengan Maximum Likelihood, Minimum Distance, Spectral Angle Mapping, Random Forest, Support Vector Machine atau Multi-layer Perceptron. Versi 8.5.0 adalah yang dipasang QGIS 3.x, GPL v3, diunduh 2,644,482 kali.
FAQ-nya sendiri menyingkirkan input yang dimiliki kebanyakan orang. "You cannot use orthophotos with less than 4 bands", karena di bawah empat algoritma tidak dapat memisahkan kelas.
Gunakan saat: Anda memiliki empat band atau lebih dan menginginkan klasifikasi yang berulang dan terdokumentasi.
Lewati saat: input Anda adalah ortofoto RGB atau basemap.
Metode 4: Model lokal di Deepness
Deepness menjalankan model ONNX di dalam QGIS, gratis dan Apache 2.0, dan model zoo-nya menyertakan model Solar PV Segmentation pada 20 cm/px yang dilatih oleh Kleebauer et al. dan dihosting oleh Fraunhofer. Arahkan ke ortofoto Anda dan Anda mendapat masker panel, tanpa akun, tanpa ada yang meninggalkan mesin Anda.
Kecepatan adalah kendalanya. Seorang pengguna mengukur model yang sama pada "80+ minutes for a digital Orthophoto tile (20 cm resultion, 5000 points in each direction)" pada CPU, dan issue masih terbuka. Selain yang satu ini tidak ada model PV atap terbuka yang terpelihara baik.
Gunakan saat: tidak ada yang boleh meninggalkan mesin, dan orto Anda mendekati 20 cm.
Lewati saat: Anda tidak memiliki kartu NVIDIA dan harus mencakup satu distrik.
Metode 5: Model segmentasi cloud
Model segmentasi telah mempelajari seperti apa array, jadi ia memisahkannya dari atap gelap di mana Metode 2 dan 3 tidak bisa. Kami membangun salah satunya, AI Segmentation. Bagian ini tentang tool kami sendiri.
Gambar zona di atas raster apa pun yang ditampilkan kanvas, ketik solar panel, dan setiap array kembali sebagai poligon dalam CRS proyek dengan luas dan skor kepercayaan. Model berjalan di server kami di Eropa, jadi tanpa kartu dan tanpa lingkungan Python.
Antara 5 Juli dan 1 September 2026, 47 orang di luar tim kami menjalankan solar panel 104 kali, dan 15.6% tile kembali kosong. Di 96 run yang diekspor model menemukan 40,088 kandidat dan mereka menyimpan 14,245, atau 35.5%, mencakup 496,931 m² panel.
Ketik solar panel, bukan solar farm. Yang kedua meminta instalasi, dan model menjawab dengan satu permukaan seragam atau tidak sama sekali. Pada beberapa run yang kami miliki, ia membiarkan 21 dari 24 tile kosong.
Terbaik untuk: array atap di seluruh distrik, di mesin apa pun.
Bukan untuk: hitungan modul. Array padat kembali sebagai satu permukaan, jadi belah di QGIS atau bagi dengan footprint modul yang Anda ketahui. Modul residensial kira-kira 1.7 m kali 1.1 m.
Harga: gratis untuk 3 km² per bulan, tanpa kartu. Pro €39 per bulan belum termasuk PPN.
Berjalan di: server kami, di Eropa.
Instal: plugin manager, QGIS 3.22 atau lebih baru, lalu masuk dari panel.
Kelima metode berdampingan
| QuickOSM | Raster calculator | SCP | Deepness | AI Segmentation | |
|---|---|---|---|---|---|
| Band dibutuhkan | Tidak ada | NIR membantu | Empat atau lebih | Tiga | Tiga |
| Citra tetap lokal | Ya | Ya | Ya | Ya | Tidak |
| GPU | Tidak | Tidak | Tidak | Direkomendasikan | Tidak |
| Output | poligon OSM | masker raster | raster kelas | masker panel | Poligon per array |
| Biaya | Gratis | Gratis | Gratis | Gratis | Tingkat gratis, lalu €39 |
Yang perlu diingat
Kueri OpenStreetMap sebelum apa pun, karena kota yang disurvei selesai dalam dua menit dan tidak ada deteksi yang mengalahkan mapper yang pernah ke sana.
Jika citra tidak boleh meninggalkan mesin, hanya Deepness dan model Solar PV lokalnya yang terbuka untuk Anda.
Pada basemap RGB kalkulator raster dan SCP tersingkir, karena keduanya tidak memisahkan panel dari atap gelap hanya berdasarkan nilai.
Sekitar 30 cm memecahkan array dan tidak ada yang memecahkan modul di dalamnya, jadi petakan luas dan jangan pernah menghitung panel dari citra.
Kilowatt berasal dari registri utilitas, bukan dari gambar, dan registri Prancis maupun Jerman mengaburkan lokasi unit atap kecil.
Try it free in QGIS, no card needed
Pertanyaan yang sering ditanyakan
Bisakah QGIS mendeteksi panel surya sendiri?
Tidak. Inti QGIS memiliki thresholding dan polygonizing, yang membutuhkan perbedaan spektral, jadi basemap RGB memberi Anda nol. Deteksi berasal dari plugin, Deepness secara lokal atau milik kami di cloud.
Resolusi citra berapa yang saya butuhkan?
Sekitar 30 cm memecahkan array, mengikuti Bradbury et al. Modul individu sulit bahkan pada 15,5 cm, jadi rencanakan pemetaan array dan luas bukan menghitung panel.
Bagaimana membedakan panel surya dari atap gelap?
Anda tidak bisa, pada tiga band, hanya berdasarkan nilai. Gunakan band inframerah-dekat, ukuran tekstur seperti grass:r.texture, atau model yang telah mempelajari seperti apa array.
Apakah ia juga menemukan farm surya ground-mounted?
Ya, dan di OpenStreetMap mereka adalah kueri terpisah, power=plant dengan plant:source=solar. Dengan model, ketik solar panel untuk farm juga, karena ia mendeteksi setiap panel bukan situsnya.
Bisakah saya menghitung berapa panel terpasang?
Tidak dari citra. Deteksi memberi outline dan luas permukaan. Jumlah modul dan kilowatt berasal dari registri, dan di Prancis itu berhenti pada zona IRIS.
Panduan footprint bangunan menjelaskan langkah pemfilteran selengkapnya, dan postingan SAM di QGIS membahas objek mana yang ditemukan baik oleh model ini. Hub AI QGIS membandingkan plugin, dan halaman produk adalah AI Segmentation.
Baca selanjutnyaCara Mengubah Raster Menjadi Vektor di QGIS (Polygonize dan 4 Metode Lainnya)
