Rilevare i pannelli solari in QGIS: 5 metodi
Pubblicato il Aggiornato il
Per mappare il solare sui tetti in QGIS, parti da ciò che qualcuno ha già mappato. Apri Vettore > 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 mappata 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.
, parti da ciò che qualcuno ha già mappato. Apri | Il tuo input | Metodo | Cosa costa |
|---|---|---|
| Un'area che OpenStreetMap copre già bene | Metodo 1, QuickOSM | Gratis |
| Qualsiasi raster mostrato nella mappa, su qualsiasi macchina | Metodo 2, un modello di segmentazione in cloud | Gratis fino a 1,5 km² al mese, poi 39 € |
| Immagini multispettrali con banda nel vicino infrarosso | Metodo 3, Raster > Calcolatore raster… | Gratis, QGIS base |
| Quattro o più bande, e tempo per disegnare aree di addestramento | Metodo 4, Semi-Automatic Classification Plugin | Plugin gratuito |
| Un'ortofoto RGB intorno ai 20 cm, e una GPU o pazienza | Metodo 5, Deepness più il suo modello Solar PV | Gratis |
Prezzi, versioni dei plugin e conteggi dei tag letti il 3 settembre 2026.
Metodo 1: Prendi ciò che è già mappato
QGIS ha rimosso il suo strumento di download OSM nella versione 3.0 e rimanda a QuickOSM, quindi installalo prima.
Interroga i generatori
Vettore > QuickOSM > QuickOSM…, chiave generator:source, valore solar, esegui sulla tua estensione o su un'area nominata. Gli impianti su tetto portano power=generator e spesso generator:method=photovoltaic.
Interroga le centrali separatamente
Le centrali a terra sono etichettate power=plant con plant:source=solar, una query diversa. Se la salti, ogni centrale manca dal tuo layer.
Vai al registro per i kilowatt
Il Marktstammdatenregister tedesco esce ogni giorno come XML, ma nasconde le coordinate per ogni unità da 30 kW o meno, quindi un tetto viene localizzato solo al codice postale. Il registro francese si ferma alla zona IRIS e accorpa tutto sotto i 36 kW in righe aggregate.
Tre dataset aperti servono come dati di addestramento 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 mappato 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: 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 3 e 4 non possono. Noi ne costruiamo uno, AI Segmentation. Questa sezione parla del nostro strumento.
Disegna una zona sopra qualsiasi raster mostrato nella mappa, digita solar panel, e ogni impianto torna come poligono nell'SR del progetto con un'area e un punteggio di confidenza. Il modello gira sui nostri server in Europa, quindi nessuna scheda grafica 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 tasselli è tornato vuoto. Su 96 esecuzioni 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 esecuzioni che abbiamo, ha lasciato vuoti 21 tasselli 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 1,5 km² al mese, nessuna carta. Pro a 39 € al mese IVA esclusa. Prova Pro gratis per 7 giorni: aggiungi una carta, annulla prima della fine e non ti viene addebitato nulla.
Gira su: i nostri server, in Europa.
Installazione: il gestore dei plugin, QGIS 3.22 o successivo, poi accedi dal pannello.
Metodo 3: Soglie nel Calcolatore raster
Lavora in un SR proiettato, perché due passaggi sotto prendono un'area in unità del layer.
Raster > Calcolatore raster…, 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 i pixel isolati 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 rimedio abituale. 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 4: 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 gli 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 5: Un modello locale in Deepness
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.
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.
I cinque metodi a confronto
| QuickOSM | AI Segmentation | Calcolatore raster | SCP | Deepness | |
|---|---|---|---|---|---|
| Bande necessarie | Nessuna | Tre | NIR aiuta | Quattro o più | Tre |
| Le immagini restano in locale | Sì | No | Sì | Sì | Sì |
| GPU | No | No | No | No | Consigliata |
| Output | Poligoni OSM | Poligono per impianto | Maschera raster | Raster di classe | Maschera dei pannelli |
| Costo | Gratis | Piano gratis, poi 39 € | Gratis | Gratis | Gratis |
Cosa ricordare
Interroga OpenStreetMap prima di tutto, perché una città ben mappata si chiude in due minuti e nessun rilevamento automatico batte un mappatore che c'è stato.
Se le immagini non possono lasciare la macchina, Deepness e il suo modello Solar PV locale tengono tutto sulla tua macchina.
Su una mappa di base RGB il Calcolatore raster 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.
Prova AI Segmentation gratis in QGIS, senza carta
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. Il rilevamento 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. Il rilevamento 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. Per eseguire il rilevamento e il calcolo delle aree insieme, come un'unica istruzione invece di procedere a mano con il plugin, AI Agent lo fa dentro lo stesso progetto QGIS. L'hub QGIS AI confronta i plugin, e la pagina prodotto è AI Segmentation.
