Detectar painéis solares no QGIS: 5 métodos

Para mapear energia solar em telhados no QGIS, comece pelo que alguém já mapeou. Abra Vetor > QuickOSM > QuickOSM…, coloque generator:source no campo key e solar no campo value, e execute na sua área. O OpenStreetMap tem 6.143.024 objetos com essa tag, leitura de 3 de setembro de 2026, então em uma cidade bem mapeada você termina em dois minutos. Onde a cobertura é fraca, você detecta os conjuntos por conta própria, e o método depende das suas bandas e do tamanho do pixel.

Preços, versões de plugin e contagens de tags lidos em 3 de setembro de 2026.

Método 1: use o que já está mapeado

O QGIS abandonou seu próprio baixador OSM no 3.0 e indicou o QuickOSM, então instale-o primeiro.

Três conjuntos de dados abertos servem como dados de treino ou referência. Bradbury et al., 19.863 polígonos PV anotados em quatro cidades da Califórnia com 30 cm, CC0. BDAPPV, 28.807 instalações francesas com máscaras, CC BY 4.0. O DeepSolar contou 1,47 milhão de sistemas nos Estados Unidos continentais, mas publicou contagens por setor censitário, não polígonos.

Use quando: alguém já mapeou sua área, ou você precisa de capacidade em vez de formas.

Evite quando: a cobertura é irregular, o que você só descobre olhando.

Método 2: um modelo de segmentação em nuvem

Um modelo de segmentação aprendeu como um conjunto se parece, então separa de um telhado escuro onde os métodos 3 e 4 não conseguem. Nós construímos um desses, AI Segmentation. Esta seção é sobre nossa própria ferramenta.

Desenhe uma área sobre qualquer raster que a tela do mapa mostra, digite solar panel, e cada conjunto volta como um polígono no SRC do projeto com área e pontuação de confiança. O modelo roda em nossos servidores na Europa, então não precisa de GPU nem de ambiente Python.

Entre 5 de julho e 1 de setembro de 2026, 47 pessoas fora da nossa equipe rodaram solar panel 104 vezes, e 15,6% dos blocos voltaram vazios. Em 96 execuções exportadas o modelo achou 40.088 candidatos e elas mantiveram 14.245, ou 35,5%, cobrindo 496.931 m² de painel.

Digite solar panel, não solar farm. O segundo pede a instalação, e o modelo responde com uma superfície uniforme ou nada. Nas poucas execuções que temos, ele deixou 21 de 24 blocos vazios.

Ideal para: conjuntos em telhados em um bairro, em qualquer máquina.

Não serve para: contar módulos. Um conjunto denso volta como uma superfície, então divida no QGIS ou divida pela área de módulo que você conhece. Um módulo residencial tem cerca de 1,7 m por 1,1 m.

Preço: 1,5 km² grátis por mês, sem cartão. Pro por € 39 ao mês sem impostos. Experimente o Pro grátis por 7 dias: adicione um cartão, cancele antes do fim e nada é cobrado.

Roda em: nossos servidores, na Europa.

Instalação: pelo gerenciador de complementos, QGIS 3.22 ou posterior, depois entre pelo painel.

Método 3: limiar com a Calculadora Raster

Trabalhe em um SRC projetado, porque duas etapas abaixo usam área em unidades da camada.

Raster > Calculadora Raster…, ID do algoritmo native:rastercalc. Painéis são escuros, e no infravermelho próximo bem mais escuros que um telhado escuro, então um índice normalizado entre as bandas do vermelho e do NIR separa na maioria das cenas. Depois gdal:sieve remove o ruído e gdal:polygonize gera polígonos.

Com três bandas RGB isso falha, porque um telhado escuro e um painel têm os mesmos valores. A textura é o resgate usual. grass:r.texture calcula treze medidas GLCM, e conjuntos têm contraste alto e momento da diferença inversa baixo. O GRASS vem com o instalador do Windows e não com o pacote do macOS.

Use quando: você tem banda de infravermelho próximo e uma cena limpa.

Evite quando: as imagens são RGB, ou os limiares precisam valer em um mosaico de dias diferentes.

Método 4: classificação supervisionada com SCP

O Semi-Automatic Classification Plugin adiciona um menu SCP e um SCP Dock. Monte um Band set, desenhe ROIs sobre painéis e sobre cada sósia, depois classifique com Maximum Likelihood, Minimum Distance, Spectral Angle Mapping, Random Forest, Support Vector Machine ou Multi-layer Perceptron. A versão 8.5.0 é a que o QGIS 3.x instala, GPL v3, com 2.644.482 downloads.

O próprio FAQ descarta a entrada que a maioria tem. “You cannot use orthophotos with less than 4 bands”, porque abaixo de quatro os algoritmos não separam as classes.

Use quando: você tem quatro bandas ou mais e quer uma classificação repetível e documentada.

Evite quando: sua entrada é uma ortofoto RGB ou um mapa base.

Método 5: um modelo local no Deepness

A resolução espacial decide tudo. Bradbury et al. construíram seu conjunto de dados de referência de PV com 30 cm porque “painéis solares têm normalmente entre 1 e 2 metros de comprimento”, o que coloca vários pixels em cada um. Isso resolve o conjunto, não os módulos dentro dele. Clark e Pacifici acharam painéis individuais “difíceis de distinguir mesmo com 15,5 cm de resolução”. Trabalhos publicados com PV em telhados ficam entre 10 cm e 31 cm. Sentinel-2 com 10 m serve para usinas, nunca para telhados.

Deepness roda modelos ONNX dentro do QGIS, grátis e Apache 2.0, e seu model zoo traz um modelo Solar PV Segmentation com 20 cm/px treinado por Kleebauer et al. e hospedado pela Fraunhofer. Aponte para sua ortofoto e você recebe uma máscara de painéis, sem conta, sem nada sair da sua máquina.

A velocidade é o problema. Um usuário mediu esse mesmo modelo em “80+ minutes for a digital Orthophoto tile (20 cm resultion, 5000 points in each direction)” em CPU, e a issue continua aberta. Fora esse, não há outro modelo aberto bem mantido para PV em telhados.

Use quando: nada pode sair da máquina, e sua orto está perto de 20 cm.

Evite quando: você não tem placa NVIDIA e precisa cobrir um bairro inteiro.

Os cinco métodos lado a lado

O que lembrar

Consulte o OpenStreetMap antes de tudo, porque uma cidade mapeada se resolve em dois minutos e nenhuma detecção supera um mapeador que passou por lá.

Se as imagens não podem sair da máquina, o Deepness e seu modelo Solar PV local mantêm tudo na sua máquina.

Em um mapa base RGB, a calculadora de raster e o SCP estão fora, porque nenhum separa um painel de um telhado escuro só pelo valor.

Cerca de 30 cm resolve um conjunto e nada resolve os módulos dentro dele, então mapeie áreas e nunca conte painéis por imagens.

Quilowatts vêm de um registro de energia, nunca de uma foto, e tanto o registro francês quanto o alemão borram a localização de pequenas unidades em telhados.

Experimente grátis no QGIS, sem cartão

Perguntas frequentes

O QGIS detecta painéis solares sozinho?

Não. O QGIS core tem limiarização e poligonização, que precisam de diferença espectral, então um mapa base RGB não entrega nada. A detecção vem de um plugin, Deepness local ou o nosso na nuvem.

Qual resolução de imagem eu preciso?

Cerca de 30 cm resolve um conjunto, segundo Bradbury et al. Módulos individuais são difíceis mesmo com 15,5 cm, então planeje mapear conjuntos e áreas em vez de contar painéis.

Como diferenciar painel solar de telhado escuro?

Não dá, com três bandas, só pelo valor. Use banda de infravermelho próximo, medida de textura como grass:r.texture, ou um modelo que aprendeu como um conjunto se parece.

Ele também encontra usinas solares no solo?

Sim, e no OpenStreetMap é uma consulta separada, power=plant com plant:source=solar. Com um modelo, digite solar panel para a fazenda também, porque ele detecta cada painel em vez do local.

Dá para contar quantos painéis estão instalados?

Não por imagens. A detecção dá contornos e área. A contagem de módulos e os quilowatts vêm de um registro, e na França isso para na zona IRIS.

O guia de contornos de edificações mostra a etapa de filtragem completa, e o post sobre SAM no QGIS cobre quais objetos esses modelos encontram bem. Para rodar a detecção e a contagem de área juntas como uma única instrução, em vez de percorrer o plugin manualmente, o AI Agent faz isso dentro do mesmo projeto do QGIS. O hub QGIS AI compara os plugins, e a página do produto é AI Segmentation.