Deteksi panel surya di QGIS: 5 metode
Diterbitkan Diperbarui
Untuk memetakan panel surya atap di QGIS, 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. Jika cakupannya tipis, Anda mendeteksi array sendiri, dan metodenya bergantung pada band dan ukuran piksel Anda.
, mulai dari apa yang sudah dipetakan orang lain. Buka | Input Anda | Metode | Biaya |
|---|---|---|
| Area yang sudah disurvei baik oleh OpenStreetMap | Metode 1, QuickOSM | Gratis |
| Setiap raster yang tampil di peta, di mesin apa pun | Metode 2, model segmentasi cloud | Gratis 1,5 km² per bulan, lalu €39 |
| Citra multispektral dengan band inframerah-dekat | Metode 3, Raster > Raster Calculator… | Gratis, inti QGIS |
| Empat band atau lebih, dan waktu untuk menggambar area training | Metode 4, Semi-Automatic Classification Plugin | Plugin gratis |
| Ortofoto RGB sekitar 20 cm, dan GPU atau kesabaran | Metode 5, Deepness plus model Solar PV-nya | Gratis |
Harga, versi plugin, dan jumlah tag dibaca 3 September 2026.
Metode 1: Ambil yang sudah dipetakan
QGIS menghapus pengunduh OSM sendiri di 3.0 dan mengarahkan pengguna ke QuickOSM, jadi instal itu dulu.
Kueri generator
Vector > QuickOSM > QuickOSM…, key generator:source, value solar, jalankan pada extent atau area bernama Anda. Array atap diberi tag power=generator dan sering generator:method=photovoltaic.
Kueri pembangkit secara terpisah
Farm ground-mounted ditandai power=plant dengan plant:source=solar, kueri yang berbeda. Jika dilewatkan, setiap farm hilang dari layer Anda.
Cari kilowatt di registri
Marktstammdatenregister Jerman dirilis setiap hari sebagai XML, tetapi menyembunyikan koordinat unit berdaya 30 kW atau kurang, jadi lokasi atap hanya sampai tingkat kode pos. Registri Prancis berhenti di zona IRIS dan menggabungkan semua unit di bawah 36 kW ke dalam 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 mask, CC BY 4.0. DeepSolar menghitung 1,47 juta sistem di 48 negara bagian AS yang bersebelahan, tetapi hanya merilis hitungan per 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: Model segmentasi cloud
Model segmentasi telah mempelajari seperti apa array, jadi ia bisa memisahkannya dari atap gelap, hal yang tidak bisa dilakukan Metode 3 dan 4. Kami membangun salah satunya, AI Segmentation. Bagian ini tentang tool kami sendiri.
Gambar zona di atas raster apa pun yang tampil di peta, 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. Dari 96 proses yang diekspor, model menemukan 40.088 kandidat dan pengguna menyimpan 14.245, atau 35,5%, seluas 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 proses 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 1,5 km² per bulan, tanpa kartu. Pro €39 per bulan belum termasuk PPN. Coba Pro gratis selama 7 hari: tambahkan kartu, batalkan sebelum berakhir dan tidak ada yang ditagih.
Berjalan di: server kami, di Eropa.
Instal: plugin manager, QGIS 3.22 atau lebih baru, lalu masuk dari panel.
Metode 3: Ambang batas di raster calculator
Bekerja dalam CRS terproyeksi, karena dua langkah di bawah memakai luas dalam unit layer.
Raster > Raster Calculator…, id algoritma native:rastercalc. Panel itu gelap, dan di 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 metode ini gagal, karena atap gelap dan panel punya nilai yang sama. Tekstur biasanya jadi penyelamat. grass:r.texture menghitung tiga belas ukuran GLCM, dan array mendapat skor tinggi pada kontras dan rendah pada inverse difference moment. GRASS disertakan dalam penginstal Windows, tetapi tidak dalam paket 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 4: 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 5: Model lokal di Deepness
Resolusi spasial 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 cukup untuk membedakan 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.
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 disediakan oleh Fraunhofer. Arahkan ke ortofoto Anda dan Anda mendapat mask 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.
Kelima metode berdampingan
| QuickOSM | AI Segmentation | Raster calculator | SCP | Deepness | |
|---|---|---|---|---|---|
| Band dibutuhkan | Tidak ada | Tiga | NIR membantu | Empat atau lebih | Tiga |
| Citra tetap lokal | Ya | Tidak | Ya | Ya | Ya |
| GPU | Tidak | Tidak | Tidak | Tidak | Direkomendasikan |
| Output | poligon OSM | Poligon per array | mask raster | raster kelas | mask panel |
| Biaya | Gratis | Tingkat gratis, lalu €39 | Gratis | Gratis | Gratis |
Yang perlu diingat
Jalankan kueri OpenStreetMap sebelum yang lain, karena kota yang sudah disurvei selesai dalam dua menit dan tidak ada deteksi yang mengalahkan mapper yang pernah memetakan di sana.
Jika citra tidak boleh meninggalkan mesin, Deepness dan model Solar PV lokalnya menjaga semuanya tetap di mesin Anda.
Pada basemap RGB, Raster Calculator dan SCP tersingkir, karena keduanya tidak bisa memisahkan panel dari atap gelap hanya berdasarkan nilai.
Sekitar 30 cm cukup untuk membedakan array, tetapi tidak ada resolusi yang cukup untuk membedakan 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.
Coba gratis di QGIS, tanpa kartu
Pertanyaan umum
Bisakah QGIS mendeteksi panel surya sendiri?
Tidak. Inti QGIS punya alat ambang batas dan Polygonize, 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 cukup untuk membedakan array, mengikuti Bradbury et al. Modul individu sulit dibedakan bahkan pada 15,5 cm, jadi rencanakan pemetaan array dan luas, bukan penghitungan 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 garis luar 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. Untuk menjalankan deteksi dan penghitungan luas sekaligus sebagai satu instruksi, tanpa menelusuri plugin langkah demi langkah, AI Agent mengerjakannya di dalam proyek QGIS yang sama. Hub AI QGIS membandingkan plugin, dan halaman produk adalah AI Segmentation.
