太阳能行业在美国稳步增长，行业营收从2007年的4200万美元激增至2017年的2.1亿美元，而未来五年的总产能预计将增长一倍以上。虽然这些数据可以评估太阳能吸收率的有用总体情况，但是更精细的细节中一定可以学到更多东西。斯坦福大学的科学家们专门为这项工作建立了一个新的AI机器学习工具，它名为DeepSolar。

　　了解太阳能电池板的位置以及人们安装它们的动机可能对能源管理工作具有无法估量的价值。它可以帮助公用事业公司更好地平衡供需，从而提供更可靠的电力。它还可以帮助我们了解是什么激励了人们安装屋顶太阳能面板，这也许可以帮助城市的管理者和建设者们更好地设计规划城市。

　　目前，研究人员只能粗略估计太阳能面板的安装情况，但随着卫星图像的不断改进，新的可能性也随之出现。斯坦福大学的科学家训练了一种机器学习算法，通过为大约370000张图像做统计来处理这项重大任务，每张图像都包含大约100英尺x100英尺（30 x 30米）的地球区域，其中分别标明它们是否含有太阳能板。

　　通过分析这些图像，DeepSolar程序确定了可以与太阳能电池板可靠关联的特征类型，例如颜色，纹理和尺寸。随着时间的推移，DeepSolar在这方面做得相当不错，并且能够在93％的图片中准确定位太阳能电池板的识别图像，尽管它错过了大约十分之一不到的图像。

　　“我们实际上并没有告诉机器哪个视觉特征很重要，”斯坦福大学电气工程博士候选人俞凡凡（音译）说，他与土木和环境工程博士候选人王哲成（音译）建立了这个系统。 “所有这些都需要通过机器学习。”

　　然后，该团队将DeepSolar用于分析十亿个卫星图像，以寻找美国太阳能装置，仅用了一个月。他们在住宅物业，商业屋顶和大型太阳能发电厂发现的太阳能电池板总共有147万套，这个数字远远超过目前的估计。这与美国人口普查和其他数据相结合，就可以得出关于太阳能采用背后的激励因素的结论。

　　例如，该团队发现，中低收入家庭通常不会安装太阳能，即使在阳光充足且时间有利可图的地区，他们怀疑是由于前期成本过高所致。另一个有趣的方式方法来自于地理数据的整合，使团队能够确定触发特定区域采购太阳能面板所需的阳光照射阈值。

　　“我们发表了一些见解，但这只是我们认为可以给其他研究人员，公用事业，太阳能产品开发商和政策制定者可以进一步发现的冰山一角，”主管Arun Majumdar说。 “我们正陆续公开这些数据，以便其他人找到太阳能部署模式，并建立经济和行为模型。”

　　所有DeepSolar数据都可在该项目的网站上公开获取，而该研究已发表在Joule期刊上。