본문 바로가기

Article

Satellite powered estimation of global solar potential

https://research.google/blog/satellite-powered-estimation-of-global-solar-potential/

 

Satellite powered estimation of global solar potential

Acknowledgements We would like to thank individuals in Google Research, Geo and DeepMind who carried out this work and made the launch possible, including (in alphabetical order): Alex Wilson, Alicia Noel, Ariel Mann, Artem Zholus, Betty Peng, Carl Elkin,

research.google

 

위성 기반 글로벌 태양광 잠재력 추정

2024년 12월 12일
비샬 바추(Vishal Batchu), Google Research 수석 소프트웨어 엔지니어 & 베티 펭(Betty Peng), Google 수석 소프트웨어 엔지니어

고품질 위성 디지털 표면 모델(DSM)과 지붕 분할 기술이 Google Maps Platform Solar API의 글로벌 남반구 확장을 지원하며, 글로벌 재방문 주기를 단축합니다.


지속 가능한 태양광 에너지의 중요성

앞으로 몇 년간 에너지 수요가 급격히 증가할 것으로 예상되며, 주택용 태양광 에너지가 이를 지속 가능하게 해결하는 데 중요한 역할을 할 것입니다. 2035년까지 태양광 발전은 전 세계적으로 약 10.7k 테라와트시(TWh)를 생산할 것으로 예상되며, 이는 총 예상 에너지 수요의 약 28%에 달합니다! 도시가 성장하고 기후 변화의 영향이 심화됨에 따라 태양광과 같은 재생 가능 에너지로의 전환이 점점 더 시급해지고 있습니다. 태양광 에너지는 화석 연료보다 더 깨끗한 대안을 제공하며, 개인과 기업이 스스로 에너지를 생산하고 탄소 발자국을 줄일 수 있도록 지원합니다.

글로벌 남반구에서 태양광 보급의 어려움

그러나 태양광 보급에는 여전히 장애물이 존재하며, 특히 자금, 기술, 인프라 접근성이 제한된 글로벌 남반구에서는 더욱 그렇습니다. 태양광 에너지의 잠재력을 전 세계적으로 실현하려면 정부, 조직, 연구자들이 협력하여 접근 가능하고 확장 가능한 솔루션을 개발해야 합니다.

 

한 건물의 태양광 가능성을 평가하려면 다양한 변수를 고려해야 하며, 이는 주택 소유자나 기업들에게 어려운 과제가 될 수 있습니다. Google Maps Platform(GMP)의 Solar API는 항공 이미지를 활용하여 건물 지붕에 대한 주요 정보를 제공함으로써 태양광 가능성을 평가하고 시스템 설계를 간소화합니다.

 

글로벌 남반구로의 확장 발표

오늘 우리는 이 API의 커버리지를 글로벌 남반구로 실험적으로 확장하게 되었음을 발표하게 되어 기쁩니다. 머신러닝(ML) 모델을 위성 이미지에 적용하여 디지털 표면 모델(DSM)과 지붕 분할 지도를 생성함으로써 전 세계 새로운 지역에서 태양광 평가가 가능하도록 했습니다. 이 방법론은 NeurIPS 2024의 Climate Change and AI 워크숍에서 발표된 논문 *“Satellite Sunroof: High-res Digital Surface Models and Roof Segmentation for Global Solar Mapping”*에 자세히 설명되어 있습니다.

 

이 실험적 데이터를 탐색하고 더 밝은 미래를 만드는 데 기여하려면 지금 가입하세요.

 

https://storage.googleapis.com/gweb-research2023-media/media/SatelliteSun1-IntroFinal.mp4

브라질리아(브라질) 건물의 태양광 API 실험 데이터 시각화

 

Solar API의 주요 통찰

주택용 태양광 패널 설치는 특히 데이터가 부족한 신흥 시장에서 더디고 복잡한 과정을 거칩니다. 일반적으로 주택 소유자 교육, 수작업 측정, 설계 및 제안서 작성 등이 계약 체결 전에 이루어집니다.

이러한 문제를 해결하기 위해 2023년 Google Maps Platform의 환경 API(Environment APIs)에서 Solar API가 출시되었습니다. 이 API는 항공 이미지, 날씨, 금융 데이터를 처리하여 포괄적인 건물 태양광 데이터와 상세한 지붕 이미지를 제공합니다.

 

올해 초, ML 기술을 처리 파이프라인에 도입하여 이 API의 적용 범위를 미국, 유럽, 일본 등 수백만 개의 추가 건물로 확장했습니다.

 

이 데이터는 다음과 같은 효과를 제공합니다:

  • 맞춤형 태양광 잠재력 정보와 최적화된 패널 배치 제공.
  • 투자 및 사업 성장 기회를 위한 설치 위치 식별.
  • 적은 노력과 비용으로 고객 전환율 증가.
  • 원격 제안서 및 견적을 통해 태양광 채택 가속화.
  • 3D 모델을 활용하여 효율적인 패널 배치를 위한 설계 최적화.
  • 데이터 기반 통찰을 바탕으로 새로운 인센티브 프로그램 개발 지원.

위성을 활용한 글로벌 확장

글로벌 남반구의 태양광 데이터 수요가 증가함에 따라, 우리는 위성 이미지를 활용한 머신러닝(ML) 기법의 적용 가능성을 탐구하기 시작했습니다. 낮은 해상도의 위성 이미지를 다루는 과정에서 정확한 고도 지도 부족, 이미지 품질 저하, 비스듬한 시점에서 발생하는 왜곡 등 새로운 도전에 직면했지만, 이는 새로운 지역에서 태양광 시장 성장을 가속화할 수 있는 중요한 기회로 보고 있습니다.

 

위성 이미지는 전 세계적인 커버리지를 가능하게 할 뿐만 아니라, 미국과 유럽과 같이 이미 잘 매핑된 지역에서도 데이터 업데이트 빈도를 증가시킵니다. 이는 고비용이면서 시간이 지나면 오래될 수 있는 항공 이미지에만 의존해야 하는 한계를 극복할 수 있습니다.

 

https://storage.googleapis.com/gweb-research2023-media/media/SatelliteSun2-Overview.mp4

현재 이 데이터는 Solar API Expanded Coverage Testing Program을 통해 실험적 사용자들에게 제공되고 있으며, 이미 여러 태양광 설치업체가 해당 데이터를 활용하고 있습니다. 아래는 브라질리아(브라질) 지역에서의 위성 입력 데이터와 Solar API에서 제공되는 출력 데이터를 시각화한 예시입니다.

 

확장 결과 및 데이터 커버리지 증가

이번 확장을 통해 태양광 잠재력 평가를 위한 위성 이미지를 활용하여, 23개국 1억 2,500만 개 이상의 새로운 건물에 Solar API 데이터를 제공할 수 있게 되었습니다. 현재 사용 가능한 위성 이미지를 기준으로 하면, 이 프로젝트는 전 세계적으로 약 19억 개의 추가 건물을 잠재적으로 커버할 수 있도록 확장됩니다.

 

새로운 지역이 위성으로 계속 촬영됨에 따라 더 많은 건물 데이터가 제공될 예정입니다.

 

https://storage.googleapis.com/gweb-research2023-media/media/SatelliteSun3-Increase.mov

위성 기반 통찰로 가능해진 커버리지 증가를 보여주는 시각화
최신 Solar API 커버리지 맵을 참조하세요. 새로운 지역에 대한 데이터 제공이 지속적으로 확대될 예정입니다.

 

머신러닝을 활용한 고품질 DSM 및 지붕 분할 예측

고품질 DSM과 지붕 분할의 필요성

태양광 데이터 생성 파이프라인에서는 태양광 패널 계산을 위해 평면 지붕 분할이 필수적이며, 이를 위해 고품질 디지털 표면 모델(DSM)이 요구됩니다. 그러나 전통적인 스테레오 방식의 위성 DSM 생성은 신뢰도가 낮습니다. 고해상도(1m 미만) 위성 이미지는 촬영 비용이 비싸기 때문에 특정 지역에 대한 제한된 관측과 시간 간격이 큰 데이터만 제공되기 때문입니다. 또한, 기존의 지붕 분할 기법은 낮은 해상도의 위성 데이터에서는 정확도가 떨어집니다.

 

이를 해결하기 위해, 우리는 단일 뷰 위성 이미지를 활용하여 고품질의 수직 시점(nadir) DSM과 평면 지붕 분할 인스턴스를 생성할 수 있는 새로운 머신러닝(ML) 모델을 개발했습니다.

 

왼쪽: 비수직(off-nadir) 시점에서의 위성 ML 모델 입력 데이터.
오른쪽: 모델이 생성한 수직(nadir) 시점 출력 데이터.

 

DSM 및 지붕 분할을 위한 모델 아키텍처

DSM과 지붕 분할을 생성하기 위해 2단계 모델을 사용합니다.

  1. 1단계: 기본 모델(Base Model)
    • 입력: 비수직(off-nadir) 위성 RGB 이미지와 위성 시점 각도.
    • 선택적으로 낮은 품질의 사진측량(photogrammetry) 기반 상대 고도 데이터(DSM-DTM)를 입력에 포함.
    • 제한된 커버리지와 낮은 해상도의 초기 DSM을 기반으로 U-Net 스타일 아키텍처와 Swin Transformer 인코더를 활용하여 향상된 고도 지도와 지붕 분할 인스턴스를 생성.
    • 생성된 결과는 기하학 기반 재투영(geometry-based reprojection)을 통해 수직(nadir) 시점으로 변환.
  2. 2단계: 정제 모델(Refinement Model)
    • 입력: 수직 시점의 RGB, DSM, 분할 인스턴스.
    • 재투영 단계에서 발생한 결함과 공백을 보완.
    • DSM 추정에는 L1 및 Sobel 그래디언트 손실을, 지붕 분할에는 affinity mask 손실을 사용.

https://storage.googleapis.com/gweb-research2023-media/media/SatelliteSun6-Reprojection.mp4

예시: 위성 뷰(상단)와 항공 RGB+DSM 데이터(하단)를 참조 뷰로 재투영한 모습.

 

모델 성능 평가

모델은 다양한 지표를 사용하여 정량적으로 평가되었습니다:

  • DSM 평균 절대 오차(MAE)
  • 지붕 경사 오차
  • 지붕 분할 인스턴스 교집합/합집합(IoU)

DSM 및 경사 결과는 고품질 항공 DSM 데이터와 비교하였으며, 지붕 분할 레이블은 두 가지 방법으로 얻었습니다:

  1. DSM 레이블에서 그래프 컷(Graph-Cut, GC) 기반으로 계산.
  2. 사람에 의해 수동 주석 추가.

모델 입력 채널에 따라 결과를 두 그룹으로 나누어 분석했습니다:

  • RGB-only: 글로벌 커버리지.
  • RGB+DSM: 스테레오 기반 DSM 입력이 가능한 제한적 커버리지.

결과 분석

결합된 기본 + 정제 모델의 검증 결과는 다음과 같습니다:

  • 입력 채널: 모델에서 사용된 데이터 종류.
  • 전체 고도 지도 MAE: 낮을수록 좋음.
  • 건물만을 대상으로 한 고도 지도 MAE: 낮을수록 좋음.
  • 지붕 경사 오차: 낮을수록 좋음(GC 레이블 기반).
  • 지붕 분할 IoU: 높을수록 좋음(GC 및 수동 주석 레이블 기반).

결과적으로 낮은 품질의 DSM을 포함하면 건물 DSM MAE를 개선해 그늘 예측에는 유리하지만, 지붕 분할 또는 경사 정확도를 크게 향상시키지는 못했습니다. RGB-only 입력만으로도 모델 성능이 우수하여, 위성 RGB 이미지만 있는 모든 지역에 적용 가능합니다.

 

국가별 DSM MAE 분포

RGB-only 입력을 사용한 국가별 건물 DSM MAE 분포 분석 결과, 칠레와 필리핀을 제외하고는 국가 간 오차 변동이 작았습니다. 두 국가는 노이즈가 포함된 기준 데이터 때문으로 분석됩니다.

 

이 결과는 모델이 다양한 건축 양식과 크기를 갖춘 지역 및 복잡한 지붕 구조를 가진 지역에서도 적응할 수 있음을 보여줍니다.

 

시각화

위성 기반 예측 시각화

위치: 아요디야(Ayodhya), 인도.

위치: 쿠알라룸푸르(Kuala Lumpur), 말레이시아.

위치: 애들레이드(Adelaide), 호주.

 

다양한 지역의 시각화 예측 결과:

  • 왼쪽: 수직 시점(nadir) RGB.
  • 가운데: 수직 DSM.
  • 오른쪽: 수직 지붕 분할 인스턴스.

모델 일반화 능력

우리 모델은 다양한 건축 양식과 풍경에서 뛰어난 일반화 성능을 보입니다.

  • 평평한 지붕이 많은 지역에서는 장애물과 지붕 표면을 높은 정확도로 포착.
  • 경사진 지붕이 많은 지역에서는 태양광 패널 배치를 위해 중요한 지붕 능선을 효과적으로 예측.
  • DSM이 개별 나무의 세부 사항을 포착하지 못할 수 있지만, 나무 높이 정보는 인접 지붕의 그늘 영향을 분석하는 데 사용됩니다.

고품질 항공 데이터와의 비교

아래 그림은 고품질 항공 데이터와 위성 기반 모델 예측을 비교한 결과입니다:

https://storage.googleapis.com/gweb-research2023-media/media/SatelliteSun12-Comparison.mp4

  • 왼쪽: RGB.
  • 가운데: DSM.
  • 오른쪽: 지붕 분할.
    위치는 남아프리카 공화국의 블룸폰테인(Bloemfontein)입니다.

Solar API의 연간 태양광 플럭스 예측

아래 그림은 위성 RGB 이미지에 겹쳐진 Solar API의 연간 태양광 플럭스 예측을 보여줍니다:

위치: 이포(Ipoh), 말레이시아.

 

향후 전망

이번 확장은 태양광 데이터의 이용 가능성을 크게 확대했지만, 여전히 몇 가지 고유한 도전 과제와 한계가 존재합니다:

  • 입력 픽셀 해상도.
  • 구름으로 인한 가림 현상.
  • 차폐 물체(occlusion artifacts).

향후 계획

우리는 지속적인 연구와 사용자 피드백을 통해 정확도를 향상시키는 데 집중하고 있습니다.
또한, 다음과 같은 새로운 연구 방향을 탐구할 계획입니다:

  • 장애물 감지.
  • 지붕 재질 감지.
  • 기존 태양광 패널 식별.

위성 기반 태양광 데이터 확장 요약

  1. 시각화 및 모델 성능
    • 모델은 인도, 말레이시아, 호주 등 다양한 지역의 위성 데이터를 활용해 수직 시점(nadir) RGB, DSM, 지붕 분할 인스턴스를 생성.
    • 평평하거나 경사진 지붕에서 장애물, 지붕 능선 등을 효과적으로 예측하여 태양광 패널 배치에 중요한 정보를 제공.
    • 일부 나무 세부 사항은 포착되지 않지만, 나무 높이 데이터는 그늘 영향 분석에 활용.
  2. 고품질 항공 데이터와 비교
    • 남아프리카 공화국 블룸폰테인 지역의 RGB, DSM, 지붕 분할 결과를 항공 데이터와 비교.
    • 위성 기반 모델이 경제적이고 널리 활용 가능하다는 장점을 입증.
  3. 연간 태양광 플럭스 예측
    • 말레이시아 이포 지역에서 Solar API가 생성한 연간 태양광 플럭스 예측 시각화 제공.
  4. 향후 계획
    • 과제: 낮은 해상도, 구름에 의한 가림, 차폐 물체 등 데이터 품질을 제한하는 요소 존재.
    • 개선 방향: 장애물 감지, 지붕 재질 감지, 기존 태양광 패널 식별 등 새로운 연구 방향 탐구.
    • 지속적인 연구와 사용자 피드백으로 모델 정확도 개선 예정.
  5. 감사의 말
    • Google Research, Geo, DeepMind 팀의 다양한 구성원이 프로젝트 성공에 기여.

결론: 위성 기반 태양광 데이터 확장은 전 세계 다양한 지역에서 태양광 에너지 보급을 가속화할 수 있는 잠재력을 보여줌.