Panele słoneczne w QGIS: 5 metod
Aby zmapować fotowoltaikę na dachach w 
, zacznij od tego, co ktoś już zmapował. Otwórz Vector > QuickOSM > QuickOSM…, wpisz generator:source w polu klucza i solar w polu wartości, uruchom na swoim obszarze. OpenStreetMap zawiera 6,143,024 obiekty z tym tagiem, odczyt z 3 września 2026, więc w dobrze zmapowanym mieście kończysz w dwie minuty. Tam, gdzie pokrycie jest słabe, wykrywasz instalacje sam, a metoda zależy od Twoich kanałów i wielkości piksela.
Gdzie internet się myli
Trzy odpowiedzi wracają w kółko i każda kosztuje dzień, zanim się o tym przekonasz.
„Użyj Sentinel-2.” Jego piksel ma 10 m, a panel ma 1 do 2 m długości, więc cały dach mieści się w jednym pikselu. Sentinel-2 znajduje farmy naziemne i nigdy nie znajduje dachów.
„Klasyfikuj swoją ortofotomapę za pomocą SCP.” Własne FAQ plugin wyklucza to: "You cannot use orthophotos with less than 4 bands". Ortofotomapa RGB lub mapa bazowa to jest to, co ma większość ludzi, i to jest jedyne wejście, którego SCP nie przyjmuje.
„Policz panele, gdy masz już detekcję.” Clark i Pacifici uznali pojedyncze moduły za „trudne do rozróżnienia nawet przy rozdzielczości 15,5 cm”. Zdjęcia dają Ci instalacje i powierzchnię. Liczba modułów i kilowaty pochodzą z rejestru.
Krótka odpowiedź
| Twoje dane wejściowe | Metoda | Koszt |
|---|---|---|
| Obszar dobrze pokryty przez OpenStreetMap | Metoda 1, QuickOSM | Za darmo |
| Zdjęcia wielospektralne z kanałem bliskiej podczerwieni | Metoda 2, Raster > Raster Calculator… | Za darmo, rdzeń QGIS |
| Cztery kanały lub więcej oraz czas na narysowanie obszarów treningowych | Metoda 3, Semi-Automatic Classification Plugin | Darmowy plugin |
| Ortofotomapa RGB około 20 cm oraz GPU lub cierpliwość | Metoda 4, Deepness plus jego model Solar PV | Za darmo |
| Dowolny raster, który pokazuje kanwa, na dowolnym komputerze | Metoda 5, chmurowy model segmentacji | Za darmo 3 km² miesięcznie, potem €39 |
Jak je porównałem
Pięć kryteriów: potrzebne kanały, rozdzielczość poniżej której metoda przestaje działać, czy Twoje zdjęcia opuszczają Twój komputer, koszt przed pierwszym poligonem oraz czy wynikiem są poligony czy piksele. Ceny, wersje plugin i liczby tagów odczytane 3 września 2026. Budujemy jedną z pięciu i jest to Metoda 5.
Jedno zadanie oddaję gdzie indziej. W przypadku mocy zainstalowanej w całym kraju rejestr publiczny bije każdą metodę stąd, bo zna kilowaty, a zdjęcia nigdy nie będą.
Zanim zaczniesz
Rozdzielczość terenowa decyduje o wszystkim. Bradbury i in. zbudowali swój referencyjny zbiór PV przy 30 cm, ponieważ „panele słoneczne mają zazwyczaj od 1 do 2 metrów długości”, co daje kilka pikseli na każdy. To rozdziela instalację, nie moduły w środku. Clark i Pacifici uznali pojedyncze panele za „trudne do rozróżnienia nawet przy rozdzielczości 15,5 cm”. Opublikowane prace o dachowej fotowoltaice mieszczą się między 10 cm a 31 cm. Sentinel-2 przy 10 m jest do farm, nigdy do dachów.
Pracuj w rzutowanym CRS, ponieważ dwa kroki poniżej przyjmują powierzchnię w jednostkach layer.
Metoda 1: Weź to, co już zmapowano
QGIS porzucił własny downloader OSM w wersji 3.0 i skierował użytkowników do QuickOSM, więc najpierw zainstaluj to.
Query the generators
Vector > QuickOSM > QuickOSM…, klucz generator:source, wartość solar, uruchom na swoim zasięgu lub nazwanym obszarze. Instalacje dachowe mają power=generator i często generator:method=photovoltaic.
Query the plants separately
Farmy naziemne są otagowane power=plant z plant:source=solar, to inne zapytanie. Pomiń je, a każda farma zniknie z Twojego layer.
Go to the registry for kilowatts
Niemiecki Marktstammdatenregister ukazuje się codziennie jako XML, ale ukrywa współrzędne każdej jednostki 30 kW lub mniejszej, więc dach ląduje na kodzie pocztowym. Francuski rejestr zatrzymuje się na strefie IRIS i zwija wszystko poniżej 36 kW w wiersze zagregowane.
Trzy otwarte zbiory służą jako dane treningowe lub punkt odniesienia. Bradbury i in., 19,863 adnotowanych poligonów PV w czterech kalifornijskich miastach przy 30 cm, CC0. BDAPPV, 28,807 francuskich instalacji z maskami, CC BY 4.0. DeepSolar policzył 1.47 mln systemów w kontynentalnych Stanach Zjednoczonych, ale opublikował liczby dla traktów spisowych, nie poligony.
Użyj, gdy: ktoś zbadał Twój obszar lub potrzebujesz mocy zamiast kształtów.
Pomiń, gdy: pokrycie jest dziurawe, o czym przekonasz się tylko patrząc.
Metoda 2: Progowanie w raster calculator
Raster > Raster Calculator…, id algorytmu native:rastercalc. Panele są ciemne, a w bliskiej podczerwieni znacznie ciemniejsze niż ciemny dach, więc znormalizowany indeks między czerwienią a kanałem NIR rozdziela je na większości scen. Potem gdal:sieve usuwa szum, a gdal:polygonize tworzy poligony.
Na trzech kanałach RGB to zawodzi, bo ciemny dach i panel mają te same wartości. Tekstura to zwykły ratunek. grass:r.texture liczy trzynaście miar GLCM, a instalacje mają wysoki kontrast i niską odwrotną różnicę momentów. GRASS jest w instalatorze Windows, a nie ma go w paczce macOS.
Użyj, gdy: masz kanał bliskiej podczerwieni i jedną czystą scenę.
Pomiń, gdy: zdjęcia to RGB albo progi mają trzymać się na mozaice z różnych dni.
Metoda 3: Klasyfikacja nadzorowana z SCP
Semi-Automatic Classification Plugin dodaje menu SCP i SCP Dock. Zbuduj zestaw kanałów, narysuj ROI na panelach i na każdym sobowtórze, potem klasyfikuj metodą Maximum Likelihood, Minimum Distance, Spectral Angle Mapping, Random Forest, Support Vector Machine lub Multi-layer Perceptron. Wersja 8.5.0 to ta, którą instaluje QGIS 3.x, GPL v3, pobrana 2,644,482 razy.
Jego własne FAQ wyklucza wejście, które ma większość ludzi. "You cannot use orthophotos with less than 4 bands", ponieważ poniżej czterech algorytmy nie rozdzielają klas.
Użyj, gdy: masz cztery kanały lub więcej i chcesz powtarzalnej, udokumentowanej klasyfikacji.
Pomiń, gdy: Twoim wejściem jest ortofotomapa RGB lub mapa bazowa.
Metoda 4: Lokalny model w Deepness
Deepness uruchamia modele ONNX wewnątrz QGIS, za darmo i Apache 2.0, a jego zoo modeli zawiera model Solar PV Segmentation przy 20 cm/px, trenowany przez Kleebauer i in. i hostowany przez Fraunhofer. Wskaż go na swoją ortofotomapę, a dostaniesz maskę paneli, bez konta, nic nie opuszcza Twojego komputera.
Szybkość to haczyk. Użytkownik zmierzył ten sam model na "80+ minutes for a digital Orthophoto tile (20 cm resultion, 5000 points in each direction)" na CPU, a zgłoszenie jest nadal otwarte. Poza tym nie ma dobrze utrzymywanego otwartego modelu dachowej fotowoltaiki.
Użyj, gdy: nic nie może opuścić komputera, a Twoje orto jest bliskie 20 cm.
Pomiń, gdy: nie masz karty NVIDIA i masz do pokrycia dzielnicę.
Metoda 5: Chmurowy model segmentacji
Model segmentacji nauczył się, jak wygląda instalacja, więc odróżnia ją od ciemnego dachu tam, gdzie Metoda 2 i 3 nie mogą. Budujemy jeden z nich, AI Segmentation. Ta sekcja jest o naszym własnym narzędziu.
Narysuj strefę na dowolny raster, który pokazuje kanwa, wpisz solar panel, a każda instalacja wraca jako poligon w CRS projektu z powierzchnią i wynikiem pewności. Model działa na naszych serwerach w Europie, więc nie ma karty ani środowiska Python.
Między 5 lipca a 1 września 2026, 47 osób spoza naszego zespołu uruchomiło solar panel 104 razy, a 15.6% kafelków wróciło pustych. W 96 wyeksportowanych uruchomieniach model znalazł 40,088 kandydatów, a zachowali 14,245, czyli 35.5%, obejmujących 496,931 m² paneli.
Wpisz solar panel, nie solar farm. Drugie pyta o instalację, a model odpowiada jedną jednolitą powierzchnią albo niczym. W tych kilku uruchomieniach, które mamy, zostawił puste 21 z 24 kafelków.
Najlepsze do: instalacji dachowych w całej dzielnicy, na dowolnym komputerze.
Nie do: liczenia modułów. Gęsta instalacja wraca jako jedna powierzchnia, więc podziel ją w QGIS albo podziel przez znany Ci obrys modułu. Moduł domowy to około 1.7 m na 1.1 m.
Cena: za darmo za 3 km² miesięcznie, bez karty. Pro to €39 miesięcznie bez VAT.
Działa na: naszych serwerach, w Europie.
Instalacja: menedżer plugin, QGIS 3.22 lub nowszy, potem zaloguj się z panelu.
Pięć metod obok siebie
| QuickOSM | Raster calculator | SCP | Deepness | AI Segmentation | |
|---|---|---|---|---|---|
| Potrzebne kanały | Brak | Pomoże NIR | Cztery lub więcej | Trzy | Trzy |
| Zdjęcia zostają lokalnie | Tak | Tak | Tak | Tak | Nie |
| GPU | Nie | Nie | Nie | Zalecane | Nie |
| Wyjście | poligony OSM | maska raster | raster klas | maska paneli | poligon na instalację |
| Koszt | Za darmo | Za darmo | Za darmo | Za darmo | Za darmo, potem €39 |
Co zapamiętać
Odpytaj OpenStreetMap przed wszystkim innym, bo zmapowane miasto to dwie minuty roboty i żadna detekcja nie pobije mapera, który tam był.
Jeśli zdjęcia nie mogą opuścić komputera, zostają Ci tylko Deepness i jego lokalny model Solar PV.
Na bazowej mapie RGB raster calculator i SCP odpadają, bo żadne nie rozdziela panelu od ciemnego dachu samą wartością.
Około 30 cm rozdziela instalację i nic nie rozdziela modułów w środku, więc mapuj powierzchnie i nigdy nie licz paneli ze zdjęć.
Kilowaty pochodzą z rejestru publicznego, nigdy ze zdjęcia, a rejestr francuski i niemiecki rozmywają lokalizację małych jednostek dachowych.
Try it free in QGIS, no card needed
Częste pytania
Czy QGIS wykrywa panele słoneczne samodzielnie?
Nie. Rdzeń QGIS ma progowanie i poligonizację, które potrzebują różnicy spektralnej, więc bazowa mapa RGB nie daje nic. Detekcja pochodzi z plugin, Deepness lokalnie albo naszego w chmurze.
Jakiej rozdzielczości zdjęć potrzebuję?
Około 30 cm rozdziela instalację, za Bradbury i in. Pojedyncze moduły są trudne nawet przy 15.5 cm, więc planuj mapowanie instalacji i powierzchni zamiast liczenia paneli.
Jak odróżnić panel słoneczny od ciemnego dachu?
Nie da się, na trzech kanałach, samą wartością. Użyj kanału bliskiej podczerwieni, miary tekstury jak grass:r.texture albo modelu, który nauczył się, jak wygląda instalacja.
Czy znajduje też farmy naziemne?
Tak, a w OpenStreetMap to osobne zapytanie, power=plant z plant:source=solar. W modelu wpisz solar panel także dla farmy, bo wykrywa każdy panel, a nie działkę.
Czy mogę policzyć, ile paneli zainstalowano?
Nie ze zdjęć. Detekcja daje obrysy i powierzchnię. Liczba modułów i kilowaty pochodzą z rejestru, a we Francji kończy się on na strefie IRIS.
Przewodnik po obrysach budynków opisuje krok filtrowania w całości, a wpis SAM w QGIS pokazuje, które obiekty te modele znajdują dobrze. Hub QGIS AI porównuje plugin, a strona produktu to AI Segmentation.
Czytaj dalejJak zamienić raster na wektor w QGIS: poligonizacja i 4 inne metody
