Pannelli solari in QGIS: 5 metodi

Per mappare il solare sui tetti in , parti da ciò che qualcuno ha già mappato. Apri Vector > QuickOSM > QuickOSM…, metti generator:source nella casella della chiave e solar nella casella del valore, eseguilo sulla tua area. OpenStreetMap conta 6,143,024 oggetti con quel tag, letti il 3 settembre 2026, quindi in una città ben rilevata finisci in due minuti. Dove la copertura è rada rilevi gli impianti da solo, e il metodo dipende dalle tue bande e dalla dimensione del pixel.

Dove il web sbaglia

Tre risposte tornano di continuo, e ognuna costa un giorno prima che tu lo scopra.

"Usa Sentinel-2." Il suo pixel è di 10 m e un pannello è lungo da 1 a 2 m, quindi un intero tetto sta dentro un pixel. Sentinel-2 trova le centrali a terra e non trova mai i tetti.

"Classifica la tua ortofoto con SCP." Le FAQ del plugin lo escludono: "You cannot use orthophotos with less than 4 bands". Un'ortofoto RGB o una mappa di base è ciò che hanno quasi tutti, ed è proprio l'unico input che SCP non accetta.

"Conta i pannelli una volta ottenuta la detection." Clark e Pacifici hanno trovato i singoli moduli "difficult to distinguish even at 15.5 cm resolution". Le immagini danno impianti e superficie. Il numero di moduli e i kilowatt vengono da un registro.

In breve

Come li ho confrontati

Cinque criteri: bande necessarie, risoluzione sotto la quale il metodo smette di funzionare, se le tue immagini lasciano la tua macchina, costo prima del primo poligono, e se l'output è in poligoni o in pixel. Prezzi, versioni dei plugin e conteggi dei tag letti il 3 settembre 2026. Noi costruiamo uno dei cinque, ed è il Metodo 5.

Un lavoro lo mando altrove. Per la capacità installata di un intero paese, un registro di rete batte ogni metodo qui, perché conosce i kilowatt e le immagini mai.

Prima di iniziare

La risoluzione a terra decide tutto. Bradbury et al. hanno costruito il loro dataset PV di riferimento a 30 cm perché "solar panels are typically between 1 and 2 meters in length", il che mette diversi pixel su ognuno. Questo risolve l'impianto, non i moduli al suo interno. Clark e Pacifici hanno trovato i singoli pannelli "difficult to distinguish even at 15.5 cm resolution". Il lavoro pubblicato sul PV da tetto sta tra 10 cm e 31 cm. Sentinel-2 a 10 m è per le centrali, mai per i tetti.

Lavora in un CRS proiettato, perché due passaggi sotto prendono un'area in unità del layer.

Metodo 1: Prendi ciò che è già mappato

QGIS ha rimosso il suo downloader OSM nella 3.0 e rimanda a QuickOSM, quindi installalo prima.

Tre dataset aperti servono come dati di training o come benchmark. Bradbury et al., 19.863 poligoni PV annotati su quattro città californiane a 30 cm, CC0. BDAPPV, 28.807 installazioni francesi con maschere, CC BY 4.0. DeepSolar ha contato 1,47 milioni di impianti negli Stati Uniti contigui, ma ha pubblicato conteggi per census tract, non poligoni.

Usalo quando: qualcuno ha rilevato la tua area, o ti serve la capacità invece delle forme.

Saltalo quando: la copertura è a macchie, cosa che scopri solo guardando.

Metodo 2: Soglie nel raster calculator

Raster > Raster Calculator…, id algoritmo native:rastercalc. I pannelli sono scuri, e nel vicino infrarosso molto più scuri di un tetto scuro, quindi un indice normalizzato tra le bande del rosso e NIR li separa sulla maggior parte delle scene. Poi gdal:sieve elimina lo speckle e gdal:polygonize crea i poligoni.

Su tre bande RGB questo fallisce, perché un tetto scuro e un pannello condividono gli stessi valori. La texture è il salvataggio usuale. grass:r.texture calcola tredici misure GLCM, e gli impianti ottengono punteggi alti sul contrasto e bassi sul momento di differenza inversa. GRASS arriva con l'installer Windows e non con il bundle macOS.

Usalo quando: hai una banda nel vicino infrarosso e una scena pulita.

Saltalo quando: le immagini sono RGB, o le soglie devono tenere su un mosaico ripreso in giorni diversi.

Metodo 3: Classificazione supervisionata con SCP

Il Semi-Automatic Classification Plugin aggiunge un menu SCP e un SCP Dock. Costruisci un Band set, disegna ROI sopra i pannelli e sopra ogni sosia, poi classifica con Maximum Likelihood, Minimum Distance, Spectral Angle Mapping, Random Forest, Support Vector Machine o Multi-layer Perceptron. La versione 8.5.0 è quella che installa QGIS 3.x, GPL v3, scaricata 2.644.482 volte.

Le sue FAQ escludono l'input che hanno quasi tutti. "You cannot use orthophotos with less than 4 bands", perché sotto le quattro le algoritmi non separano le classi.

Usalo quando: hai quattro o più bande e vuoi una classificazione ripetibile e documentata.

Saltalo quando: il tuo input è un'ortofoto RGB o una mappa di base.

Metodo 4: Un modello locale in Deepness

Deepness esegue modelli ONNX dentro QGIS, gratis e Apache 2.0, e il suo model zoo include un modello Solar PV Segmentation a 20 cm/px addestrato da Kleebauer et al. e ospitato da Fraunhofer. Puntalo alla tua ortofoto e ottieni una maschera dei pannelli, nessun account, niente lascia la tua macchina.

La velocità è il problema. Un utente ha misurato con quello stesso modello "80+ minutes for a digital Orthophoto tile (20 cm resultion, 5000 points in each direction)" su CPU, e il problema è ancora aperto. Oltre a questo non esiste un modello aperto ben mantenuto per il PV da tetto.

Usalo quando: niente può lasciare la macchina, e la tua orto è intorno ai 20 cm.

Saltalo quando: non hai una scheda NVIDIA e devi coprire un intero quartiere.

Metodo 5: Un modello di segmentazione in cloud

Un modello di segmentazione ha imparato com'è fatto un impianto, quindi lo distingue da un tetto scuro dove i Metodi 2 e 3 non possono. Noi ne costruiamo uno, AI Segmentation. Questa sezione parla del nostro strumento.

Disegna una zona sopra qualsiasi raster mostrato nel canvas, digita solar panel, e ogni impianto torna come poligono nel CRS del progetto con un'area e un punteggio di confidenza. Il modello gira sui nostri server in Europa, quindi nessuna scheda e nessun ambiente Python.

Tra il 5 luglio e il 1 settembre 2026, 47 persone fuori dal nostro team hanno eseguito solar panel 104 volte, e il 15,6% dei tile è tornato vuoto. Su 96 run esportate il modello ha trovato 40.088 candidati e loro ne hanno tenuti 14.245, cioè il 35,5%, per 496.931 m² di pannelli.

Digita solar panel, non solar farm. Il secondo chiede l'installazione, e il modello risponde con una superficie uniforme o niente. Nelle poche run che abbiamo, ha lasciato vuoti 21 tile su 24.

Ideale per: impianti su tetto in un intero quartiere, su qualsiasi macchina.

Non per: un conteggio dei moduli. Un impianto denso torna come una superficie unica, quindi dividilo in QGIS o dividi per l'impronta del modulo che conosci. Un modulo residenziale è circa 1,7 m per 1,1 m.

Prezzo: gratis per 3 km² al mese, nessuna carta. Pro a €39 al mese IVA esclusa.

Gira su: i nostri server, in Europa.

Installazione: il plugin manager, QGIS 3.22 o successivo, poi accedi dal pannello.

I cinque metodi a confronto

Cosa ricordare

Interroga OpenStreetMap prima di tutto, perché una città rilevata si finisce in due minuti e nessuna detection batte un mappatore che c'è stato.

Se le immagini non possono lasciare la macchina, solo Deepness e il suo modello Solar PV locale restano aperti per te.

Su una mappa di base RGB il raster calculator e SCP sono fuori, perché nessuno dei due separa un pannello da un tetto scuro solo per valore.

Intorno ai 30 cm risolvi un impianto e niente risolve i moduli al suo interno, quindi mappa le aree e non contare mai i pannelli dalle immagini.

I kilowatt vengono da un registro di rete, mai da una foto, e sia il registro francese sia quello tedesco sfocano la posizione delle piccole unità da tetto.

Try it free in QGIS, no card needed

Domande frequenti

QGIS può rilevare i pannelli solari da solo?

No. Il QGIS base ha soglie e poligonizzazione, che richiedono una differenza spettrale, quindi una mappa di base RGB non dà niente. La detection viene da un plugin, Deepness in locale o il nostro in cloud.

Quale risoluzione delle immagini mi serve?

Intorno ai 30 cm risolve un impianto, seguendo Bradbury et al. I singoli moduli restano difficili anche a 15,5 cm, quindi pianifica di mappare impianti e aree invece di contare i pannelli.

Come distinguo un pannello solare da un tetto scuro?

Non puoi, su tre bande, solo per valore. Usa una banda nel vicino infrarosso, una misura di texture come grass:r.texture, o un modello che ha imparato com'è fatto un impianto.

Trova anche le centrali solari a terra?

Sì, e in OpenStreetMap sono una query separata, power=plant con plant:source=solar. Con un modello, digita solar panel anche per la centrale, perché rileva ogni pannello invece del sito.

Posso contare quanti pannelli sono installati?

Non dalle immagini. La detection dà contorni e superficie. Il numero di moduli e i kilowatt vengono da un registro, e in Francia quello si ferma alla zona IRIS.

La guida alle impronte degli edifici spiega il passaggio di filtro per intero, e il post su SAM in QGIS copre quali oggetti questi modelli trovano bene. L'hub QGIS AI confronta i plugin, e la pagina prodotto è AI Segmentation.

Continua a leggereCome convertire un raster in vettoriale in QGIS (Polygonize e altri 4 metodi)