這是DeepSolar給出的結論，它是斯坦福大學的研究人員開發出的機器學習算法，可被用于從衛星圖像中識別出各種太陽能板。最新的統計結果高于先前的估計，例如OpenPV項目給出的安裝數量為102萬。

由土木與環境工程副教授Ram Rajagopal和機械工程教授Arun Majumdar領導的研究團隊向DeepSolar灌輸了370000幅衛星圖像，每幅圖像覆蓋了約9平方米的區域。訓練算法識別出其中的太陽能電池板——就像某些網站在你驗證登陸時，要求你指出圖片中的汽車或廣告牌。最終，機器學習算法學會了識別出圖片中的太陽能板，正確率達到了93%。當它出錯時，它傾向于少算而非誤認，總體而言真實數量大約會減少10%。

credit ：斯坦福大學的DeepSolar項目

DeepSolar深度學習框架分析衛星圖像，分析出每處太陽能光伏板的GPS位置和大小。處理全部十億張圖片大約需要一個月的時間。為了提高效率，該系統放棄了美國人口最稀少的地區，研究人員估計這些土地上的太陽能電池大概占總量的5%。他們計劃在下一次運行算法時，將這些區域添加進來，并且還要計算出每塊面板的角度和方向，以便更準確地估算出總體發電量。

作為項目的一部分，研究人員創建了太陽能裝置數據庫，并把美國人口普查數據添加到數據庫中。他們發現，即使生活在電費高，陽光充足的地區，低收入和中等收入家庭也不經常安裝太陽能電池。他們還發現當太陽輻射閾值達到4.5千瓦時/平方米/天時，就會觸發當地人采用太陽能電池，盡管收入水平可能會使這一閾值發生波動。憑借這一發現，DeepSolar現在可以預測特定區域的太陽能部署密度。

研究人員在19日公布了他們的研究成果，與發表在Joule上的一篇論文相吻合。