摘要：. 针对由光伏板复杂特征导致的已有遥感自动提取光伏板方法精确度较低的问题,该文利用高分辨率遥感影像基于CNN及U-net神经网络提出一种并行集成网络模型用于光伏板提取.通过多种精确度评价指标对2021—2022年不同时间场景下模型识别结果进行精确度验证.实验

从遥感图像中提取光伏电池板对于估算太阳能光伏系统的发电量和为政府决策提供信息具有重要意义。 现有方法的实施常常会遇到复杂的背景干扰以及背景与光伏电池板之间的混乱。

首先将遥感影像的RGB波段转换为HLS格式,根据亮度维L计算FT纹理特征,同时加入色度H、饱和度S作为光谱特征,然后将光谱角和波段比值等对像元亮度值变化不敏感的特征考虑在内,以一类支持向量机（OCSVM）作为分类器。 试验结果表明,该方法不仅能够有效克服光谱的亮度值差异,且对结构复杂的光伏电站有较好的提取效果。 关键词 ： 光谱不确定

中国光伏电站遥感识别及其扩张时空格局分析框架....

项目组进一步精确细计算了单体建筑物、农业大棚、水体的光伏资源潜力及相应的减碳能力,计算结果均能以可体现地域特征的电子地图形式进行呈现；初步建立起面向全方位国的分布式光伏资源发电潜力精确细分析平台（见图2）,实现了以遥感大数据智能计算

The dataset includes three groups of PV samples collected at the spatial resolution of 0.8m, 0.3m and 0.1m, namely PV08 from Gaofen-2 and Beijing-2 imagery, PV03 from aerial photography, and PV01 from UAV orthophotos. PV08 contains rooftop and ground PV samples.

为快速精确地掌握我国沿海省市区的光伏空间分布和发展情况,我们基于Sentinel-1和Sentinel-2卫星影像数据,通过GEE云计算平台构建了一种以光学、雷达及纹理信息等多图层信息作为输入参数的随机森林分类方法,有效地缓解了在海岸带地区使用单一光学影像的云雾遮挡与地物混淆问题,在国家尺度上实现了沿海省市区光伏电站分布专题图的

在全方位球碳减排的背景下,太阳能光伏（PV）正在快速发展。精确的本地化光伏信息,包括位置和规模,是光伏监管和能源部门潜力评估的基础。由于 PV 的多样性和可变尺度,基于深度学习的自动信息提取需要在多个空间分辨率和不同背景下收集高质量的标

遥感平台一直表现出检测并在某些情况下识别感兴趣的特定目标的能力,并且光伏太阳能电池板显示出具有独特的光谱特征,该特征在多个制造商和施工方法中一致。

结果发现,光伏板图像数据有几个具体的特点：高度的类别不平衡和非集中分布；同质的纹理和异质的颜色特征；以及进行有效语义分割的显著分辨率阈值。 此外,本文从计算机视觉的最高新解决方案的角度,针对每个观察到的特征,提供了数据获取和模型设计的建议,这或对未来改进光伏板的语义分割有帮助。 期刊信息. Journal Information. 发表