屋顶太阳能光伏发电目前占全球太阳能光伏发电装机容量的40%，占2018年可再生能源总新增容量的四分之一。然而，关于其全球潜力和相关成本的高时空分辨率的信息却很有限。在此，我们利用大数据、机器学习和地理空间分析，对屋顶太阳能光伏发电潜力进行了高分辨率的全球评估。我们分析了全球1.3亿平方公里的地表面积，划定了20万平方公里的屋顶面积，这些屋顶面积合计代表了27 PWh yr-1的发电潜力，成本在40-280美元MWh-1。其中，10 PWh yr-1可以在100美元MWh-1以下实现。全球潜力主要分布在亚洲（47%）、北美洲（20%）和欧洲（13%）。印度（66美元MWh-1）和中国（68美元MWh-1）实现潜力的成本最低，美国（238美元MWh-1）和英国（251美元MWh-1）是一些成本最高的国家。

屋顶太阳能光伏（RTSPV）技术作为太阳能光伏发电组合的一个子集，可以作为一个分散的系统由个人业主或大型工业和商业综合体部署。在过去的十年里，部署成本的降低，加上政策驱动的举措，导致了RTSPV在全球范围内的迅速普及。

      在全球范围内，2018年有近8亿人没有电，其中大部分人生活在农村地区。在这里，分散式屋顶光伏在推进可持续发展目标（SDG）的精神方面的作用变得非常重要。RTSPV的快速安装时间和低水平成本可以通过使公民或社区成为专业消费者来帮助缓解能源获取问题。用户可以根据他们的需求发电和用电，而不完全依赖集中式电网基础设施。作为部署速度最快、年增长率最高的能源发电技术，太阳能光伏技术预计到2050年将满足全球25-49%的电力需求，同时在2018年至2050年期间为多达1500万人提供就业机会。其中，RTSPV的部署将贡献高达40%。到2050年，太阳能光伏发电总量的40%。增加RTSPV的部署可以支持将化石燃料从目前的能源生产组合中取代，这一点可以从德国屋顶光伏的成功实施中看到。随着未来对电力这一能源的需求增加，基于RTSPV的发电资源将构成未来基于可再生能源的发电组合中的很大一部分。

第一种方法：

      是从 "自下而上 "的角度来解决这个问题，是目前最常用的计算屋顶面积的方法。这类方法建立了小规模样本集的建筑足迹数据（地籍、人群来源、卫星衍生）和社会经济指标（国内生产总值（GDP）、人口）之间的关系，然后在更大范围内估计建筑足迹的范围。在Jacobson等人的研究中，作者采用自下而上的方法，根据美国和几个欧洲国家的样本数据，通过建立人口、GDP和人均楼面面积之间的关系，计算出179个国家的可用屋顶面积。对于一整套全球国家，Gernaat等人利用人口密度、家庭支出和屋顶面积之间的关系来计算每个国家的可用屋顶面积。他们在世界银行的数据上校准了他们的关系方程，实现了R2=0.66。这些方法可以快速实施，并且在预测附近地区的建筑占地面积时相对准确，但当分析上升到国家/地区层面时，就会出现不准确的情况。这种准确性的降低可归因于社会经济数据的粗略地理空间测绘的不准确性和建筑景观的异质性。

第二种方法：

      是从 "自上而下 "的角度来解决这个问题，利用航空图像来确定已建面积和其中的建筑脚印。"自上而下 "的方法包括地球观测、无人机搭载的光探测和测距（LiDAR）以及机器学习（ML）分类算法来检测建筑物。在全国范围内，Gagnon等人利用美国128个样本城市的LiDAR数据集计算美国大陆的可用屋顶面积，使用统计推断法来推断其样本地点以外的情况。他们根据高分辨率LiDAR图像生成了统计措施来概括屋顶的方向、坡度和可用性。收集、处理和分析航空图像是一项成本高、计算密集的任务，需要数据中心规模的基础设施。

目前的技术水平方法利用基于ML的物体检测算法，在城市/国家层面上绘制单个建筑物的兴趣区域（ROI）。然而，没有一种先进的方法被应用于全球ROI评估，一部分原因是基于ML的方法需要大量的数据处理，另一部分原因是ML算法在检测偏离训练样本集的类似物体方面的局限性。
（Résumé

L'énergie solaire photovoltaïque sur les toits représente actuellement 40% de la capacité installée mondiale d'énergie solaire photovoltaïque et un quart de la capacité supplémentaire totale d'énergie renouvelable en 2018. Toutefois, l'information sur la haute résolution spatio - temporelle de son potentiel mondial et des coûts connexes est limitée. Nous avons ici procédé à une évaluation globale à haute résolution du potentiel photovoltaïque solaire des toits à l'aide de données massives, d'apprentissage automatique et d'analyses géospatiales. Nous avons analysé une superficie mondiale de 130 millions de kilomètres carrés et délimité une superficie totale de 200 000 kilomètres carrés de toits représentant le potentiel de production de 27 pwh par an - 1 pour un coût de 40 à 280 MWh - 1. De ce montant, 10 pwh par an - 1 peuvent être réalisés en dessous de 100 $MWh - 1. Le potentiel mondial est principalement réparti en Asie (47%), en Amérique du Nord (20%) et en Europe (13%). L'Inde (66 $MWh - 1) et la Chine (68 $MWh - 1) ont les coûts les plus faibles pour réaliser leur potentiel, tandis que les États - Unis (238 $MWh - 1) et le Royaume - Uni (251 $MWh - 1) comptent parmi les pays où les coûts sont les plus élevés.

Contexte de la recherche
La technologie photovoltaïque solaire sur le toit (rtspv), qui est un sous - ensemble du portefeuille solaire photovoltaïque, peut être déployée en tant que système décentralisé par des propriétaires individuels ou de grands complexes industriels et commerciaux. Au cours de la dernière décennie, la réduction des coûts de déploiement, associée à des initiatives axées sur les politiques, a entraîné une popularité mondiale rapide du rtspv.

Dans le monde entier, près de 800 millions de personnes n’avaient pas d’électricité en 2018, dont la plupart vivaient dans des zones rurales. À cet égard, le rôle du photovoltaïque décentralisé sur les toits dans la promotion de l'esprit des objectifs de développement durable (odd) est devenu très important. Le temps d'installation rapide et le faible coût du rtspv peuvent aider à atténuer les problèmes d'accès à l'énergie en faisant des citoyens ou des collectivités des consommateurs professionnels. Les utilisateurs peuvent produire et consommer de l'électricité en fonction de leurs besoins, sans dépendre entièrement d'une infrastructure de réseau centralisée. Les technologies photovoltaïques solaires, qui sont les technologies de production d'énergie les plus déployées et dont la croissance annuelle est la plus rapide, devraient répondre à 25 à 49% de la demande mondiale d'électricité d'ici 2050, tout en fournissant des emplois à jusqu'à 15 millions de personnes entre 2018 et 2050. Parmi ceux - ci, le déploiement du rtspv contribuera jusqu'à 40%. 40% de la production totale d'énergie solaire photovoltaïque d'ici 2050. Le déploiement accru du rtspv pourrait permettre de remplacer les combustibles fossiles par le portefeuille actuel de production d'énergie, comme en témoigne la mise en œuvre réussie du photovoltaïque sur les toits en Allemagne. À mesure que la demande d'électricité augmentera à l'avenir, les ressources de production d'électricité fondées sur le rtspv constitueront une grande partie du futur portefeuille de production d'électricité fondée sur les énergies renouvelables.

Progrès actuels de la recherche
Première méthode:
l s'agit d'une approche ascendante, la méthode la plus couramment utilisée pour calculer la surface du toit. Ces méthodes établissent une relation entre les données de l'empreinte du bâtiment (cadastral, origine de la population, dérivées des satellites) et les indicateurs socio - économiques (produit intérieur brut (PIB), population) d'un petit ensemble d'échantillons, puis évaluent l'étendue de l'empreinte du bâtiment sur une plus grande échelle. Dans l'étude de Jacobson et al., les auteurs ont utilisé une approche ascendante pour calculer la surface de toiture disponible dans 179 pays en établissant une relation entre la population, le PIB et la surface de plancher par habitant à partir d'échantillons de données provenant des États - Unis et de plusieurs pays européens. Pour un ensemble complet de pays à l'échelle mondiale, gernaat et al. ont utilisé la relation entre la densité de population, les dépenses des ménages et la superficie des toits pour calculer la superficie des toits disponibles dans chaque pays. Ils ont étalonné leurs équations relationnelles sur les données de la Banque mondiale et ont obtenu R2 = 0,66. Ces méthodes peuvent être mises en œuvre rapidement et sont relativement précises dans la prévision de l'occupation des sols par les bâtiments dans les zones avoisinantes, mais des inexactitudes peuvent survenir lorsque l'analyse atteint le niveau national / régional. Cette diminution de l'exactitude peut être attribuée à l'inexactitude de la cartographie géospatiale approximative des données socio - économiques et à l'hétérogénéité du paysage architectural.



Deuxième méthode:
Le problème est résolu du point de vue « descendant », en utilisant des images aériennes pour déterminer la zone construite et les empreintes de pas du bâtiment. L'approche descendante comprend l'observation de la terre, la détection de la lumière et la télémétrie (lidar) à bord des UAV et des algorithmes de classification par apprentissage automatique (ML) pour détecter les bâtiments. À l'échelle nationale, Gagnon et coll. Ont utilisé les ensembles de données Lidar de 128 villes échantillonnées aux États - Unis pour calculer la superficie des toits disponibles sur le continent américain, en utilisant une Inférence statistique pour extrapoler les conditions à l'extérieur des sites échantillonnés. Ils ont produit des mesures statistiques à partir d'images lidar haute résolution pour résumer l'orientation, la pente et la disponibilité du toit. La collecte, le traitement et l'analyse d'images aériennes sont une tâche coûteuse et coûteuse qui exige une infrastructure à l'échelle du Centre de données.

L'approche actuelle au niveau technique utilise des algorithmes de détection d'objets basés sur le ML pour cartographier les zones d'intérêt (roi) des bâtiments individuels au niveau urbain / national. Cependant, aucune méthode avancée n'a été appliquée à l'évaluation globale du roi, en partie parce que les méthodes basées sur le ml nécessitent un traitement important des données, et en partie parce que les algorithmes de ML ont des limites pour détecter des objets similaires qui s'écartent de l'ensemble d'échantillons d'entraînement.）