在美国48个州里，从家庭屋顶采光板到公共事业单位所拥有的太阳能发电机，至少存在着147万个不同大小的太阳能采集装置。

这是DeepSolar给出的结论，它是斯坦福大学的研究人员开发出的机器学习算法，可被用于从卫星图像中识别出各种太阳能板。最新的统计结果高于先前的估计，例如OpenPV项目给出的安装数量为102万。

由土木与环境工程副教授Ram Rajagopal和机械工程教授Arun Majumdar领导的研究团队向DeepSolar灌输了370000幅卫星图像，每幅图像覆盖了约9平方米的区域。训练算法识别出其中的太阳能电池板——就像某些网站在你验证登陆时，要求你指出图片中的汽车或广告牌。最终，机器学习算法学会了识别出图片中的太阳能板，正确率达到了93%。当它出错时，它倾向于少算而非误认，总体而言真实数量大约会减少10%。

credit ：斯坦福大学的DeepSolar项目

DeepSolar深度学习框架分析卫星图像，分析出每处太阳能光伏板的GPS位置和大小。处理全部十亿张图片大约需要一个月的时间。为了提高效率，该系统放弃了美国人口最稀少的地区，研究人员估计这些土地上的太阳能电池大概占总量的5%。他们计划在下一次运行算法时，将这些区域添加进来，并且还要计算出每块面板的角度和方向，以便更准确地估算出总体发电量。

作为项目的一部分，研究人员创建了太阳能装置数据库，并把美国人口普查数据添加到数据库中。他们发现，即使生活在电费高，阳光充足的地区，低收入和中等收入家庭也不经常安装太阳能电池。他们还发现当太阳辐射阈值达到4.5千瓦时/平方米/天时，就会触发当地人采用太阳能电池，尽管收入水平可能会使这一阈值发生波动。凭借这一发现，DeepSolar现在可以预测特定区域的太阳能部署密度。

研究人员在19日公布了他们的研究成果，与发表在Joule上的一篇论文相吻合。