SMC 資料庫

議題背景：

2021年10月27日台北時間23:00，國際期刊《自然》發布研究〈全球太陽能裝置盤點〉。這份研究提到太陽能發電量自2009年起，就以每年41%的速度增長，並預估在減緩氣候變遷的需求下，至2040年太陽能發電量需成長近十倍。然而設置太陽能可能影響土地利用方式，也需權衡設置太陽能與生物多樣性、保護土地等議題的優先次序。因此這份研究採用卷積神經網絡（CNN）與遞迴神經網路（RNN），訓練機器學習辨識遙測圖像中可設置10kW以上太陽能裝置容量的商業、工業等基礎設施。用以盤點全球工商業設施可裝置太陽能板的空間，研究發現可裝置量是過去預估的432%，應可達成減碳目標。近年太陽能設備裝置位置亦是台灣的相關爭議，這樣的盤點方式是否已可擴大應用，使不同地區更準確選擇太陽能板裝置位置？台灣科技媒體中心邀請專家提供觀點。

研究文獻：

• Kruitwagen, L., et al. (2021) "A global inventory of photovoltaic solar energy generating units." Nature. 

專家怎麼說？

2021年10月26日
國立成功大學電腦與通信工程研究所助理教授 林家祥

1.這份研究，與先前運用深度學習的技術定位遙測影像中人造物體的研究相比，有何特點？最值得公眾重視的部分是什麼？

此研究特點之一，是採用了衛星影像融合技術，採用此技術是當代的重要趨勢，相當值得被重視。

目前為台灣國家太空中心（NSPO）第三期「太空科技長程發展計畫」期間，此計畫預計每年發射一顆衛星，而每顆衛星可以提供的資訊不一樣，如何萃取出每顆衛星拍攝出之影像所帶有的資訊，並且融合這些資訊達到特定的應用（例如：太陽能發電裝置盤點分析），便成為一個重要議題與當代的趨勢。

如何結合衛星拍攝的影像與人工智慧判讀的技術，也成為了學者可以發揮創意找出新應用的方式。此趨勢也可以從今年2021的電機電子工程師學會（IEEE）以及地科與遙測學會（GRSS）所舉辦的數據融合競賽看出端倪。此競賽主題為使用4組由不同衛星（包含此Nature論文採用之Sentinel-2衛星）所拍攝的多時序影像來檢測出「有人類居住、但沒有電力」的地區，其中對於每個空間點皆要判斷兩個問題：是否有人居住？以及是否有電力？判斷此二問題就需要不同的衛星來合作，這和太陽能發電裝置盤點影像時會遇到的問題一樣，難以由單一衛星完成。此類較為複雜的問題，若能引入不同衛星的影像數據便會比較有效率。

2.運用CNN、RNN神經網路判別遙測圖像、推論太陽能裝置的選址，過程中是否有研究限制？

此論文採用歐洲太空總署之Sentinel-2衛星，然而卻只採用了此衛星的三個可見光波段（也就是RGB波段），而Sentinel-2衛星其實總共拍攝出13個波段，還有10個不可見光的波段可以被利用來達到更精準的影像分類。
至於作者不採用這些不可見光波段帶有的大量資訊，本人推測原因應該是Sentinel-2衛星所拍攝出的各個波段之空間解析度不一致，具體來說這13個波段的解析度不同，然而此解析度不一的問題已經有現存軟體可以破解。例如本人與里斯本大學合作開發之軟體，簡稱SSSS [1]，便可把所有波段的解析度都提到最高（亦即10m），進而讓Sentinel-2衛星拍攝的所有波段資訊皆可被有效而完整的利用，相信可以讓神經網路的效能提升。

3.這份研究可以如何幫助我們了解人工智慧應用於遙測圖像的進展？

過去的遙測圖像分析多仰賴於精準的數學建模，但現在我們可藉由人工智慧之非線性神經網路模型與蒐集到的大數據，來分析遙測圖像[2]，這讓許多學者把重心移向神經網路架構之設計。

以上述之IEEE GRSS的數據融合競賽舉例，此競賽中許多團隊目標皆是在設計一個類神經網路架構，讓多張衛星遙測影像（含大會提供之Sentinel-1、Sentinel-2、Landsat 8、VIIRS衛星影像）能有效地餵入神經網路，並且在訓練過程中融合這些影像帶有的資訊來達到精準分類。相信採用數據融合的趨勢會為過去單一衛星無法獨自解決的問題帶來重要進展。

利益揭露：無利益關聯

2021年10月28日
國立臺中科技大學資訊工程系教授 林春宏

1.這份研究，與先前運用深度學習的技術定位遙測影像中人造物體的研究相比，有何特點？最值得公眾重視的部分是什麼？

【特點】

(1) 這是第一個採用深度學習技術結合遙感影像資料集，偵測整個地球特定類型的基礎設施資產之研究。

(2) 本研究採用不同衛星（SPOT-6/7與Sentinel-2）的遙測影像資料集，並提出多個深度學習模型[3]，統計與分析全球在非住宅區域裝置太陽能板的設施，包括安裝日期、土地覆蓋評估、估計發電量和其他相關資料。

(3) 本研究結合不同衛星遙測影像集各自的優勢，並且可從影像中的不可見光波段，取得裝置太陽能板的重要資訊。

【值得重視之處】
(1) 本研究的土地覆蓋類別分成八個：農田、建地、森林、草地、灌木地、荒地、濕地以及乾旱區。實驗發現全球最常見的太陽能板裝置區域為農田，其次是沙漠和草原。其中農田區域的裝置若安裝在沙漠和草原區域，其成本將會降低。再經本研究分析的結果，意大利、西班牙、英國、捷克共和國和羅馬尼亞偏向設置於農田區域。德國和法國則偏向建地區域。中國、美國、印度、西班牙、法國、南非、墨西哥和智利則偏向乾旱區。

(2) 未來若透過此研究的成果，並配合遙測影像的物質區域之分類，相信能預測最佳的太陽能裝置地點與面積大小。

2.運用CNN、RNN神經網路判別遙測圖像、推論太陽能裝置的選址，過程中是否有研究限制？

(1) 本研究必須結合不同衛星的遙測影像集，而且需要大量的影像資料集，其資料集必須即時更新。除此之外，若無法取得現有裝置標記的資料用於訓練，要應用在台灣時將會耗費大量人力與時間標記資料。

(2) 本研究需要先假設安裝太陽能裝置的傾斜角、地面覆蓋率、逆變器負載率和面板效率以及安裝的交流發電量。因此，這些資料是否方便取得，也是要考量的問題之一。

(3) 本研究假設太陽能裝置沒有報廢或被搬遷。

(4) 由於本研究結合多個深度學習模型，因此影像資料集數量越大，將耗費龐大運算空間與時間。

(5) 本研究對目標地區的覆蓋範圍、發電量小於10kW的安裝、幾何形狀偵測以及安裝類型、運算效率、地面覆蓋評估、面板方向和逆變器尺寸的安裝級別，皆存在不確定性。除此之外，對於即時裝置的預測、土地利用和土地覆蓋的影響、基礎設施規劃的路徑還必須進一步的研究。

(6) 本研究提到許多補充（Supplementary）的實驗數據，從文章提供的來源，尚無法查詢到相關的資訊。

3.這份研究可以如何幫助我們了解人工智慧應用於遙測圖像的進展？

(1) 本研究採用多個深度學習模型，並結合不同衛星的遙測影像資料集，統計與分析全球太陽能板裝置區域。

(2) 遙測影像具豐富且細緻的光譜資訊，能有效辨識地面上的物質，由於物質在遙測影像上擁有不同的光譜，藉由這些光譜可以釐清其成分及結構情形。

(3) 針對不同深度學習模型的特性，分別對不同資料集進行深度的學習，以萃取出不同資料集中，同個地理位置的特徵，以偵測影像上不同的物質。例如：本研究結合並運用兩個不同衛星遙測影像資料集各自的優勢。其中Sentinel-2 衛星影像的光譜對太陽能裝置的特徵很敏感，還可偵測裝置的日期。SPOT衛星影像的解析度高，可以精確偵測裝置的面積。

註釋與參考資料：

[1] 編註：SSSS軟體，全名Sentinel-2 super-resolution via scene-adapted self-similarity。請參考〈An Explicit and Scene-Adapted Definition of Convex Self-Similarity Prior With Application to Unsupervised Sentinel-2 Super-Resolution〉（DOI: 10.1109/TGRS.2019.2953808）。

[2] 編註：以前要人工用數學建模，現在很多人是把類神經網路架構寫好，然後讓大數據去訓練網路的參數，此動作目的相當於傳統的建模。

[3] 編註：此研究的模型中包含三個卷積神經網絡（CNN）、兩個循環神經網絡（RNN）和多啟發式過濾器。有關CNN、RNN的定義請參考文章〈AI如何從大數據中學習預測疫情〉下方的[註2]、[註3]。