Onze zoektocht naar zonnepanelen

Datatechnologie inzetten voor duurzaamheid: Toen eerder dit jaar nieuwe, geavanceerde satellietfoto’s werden vrijgegeven, waren we er klaar voor. De ruime ervaring in het verbeteren en organiseren van remote sensing data door middel van engineering en machine learning had Young Mavericks klaargestoomd voor onze volgende missie: de Basisregistratie Grootschalige Topografische (BGT) kaarten van Nederland met niet-geregistreerde objecten te verbeteren om inzicht te krijgen in – en het stimuleren van – het gebruik van zonnepanelen. 

Topografische kaarten naar een hoger plan tillen

BGT-kaarten zijn gedetailleerde, digitale kaarten van het Nederlandse landschap waarop belangrijke objecten zoals gebouwen, wegen en waterlichamen zijn gesegmenteerd en gelabeld. Landschappen en buurten veranderen voortdurend – en het handmatig uitvoeren van al deze updates is een moeizaam proces. Door het aanpassingsproces van de BGT-kaarten te verbeteren of te ondersteunen met Computer Vision (CV)-modellen, kan deze catalogisering sneller worden uitgevoerd. 

Het wordt steeds goedkoper, sneller én gemakkelijker om CV-modellen te creëren – en de voordelen voor deze wijze van gegevensverwerking zijn overweldigend. De Nederlandse overheid maakt al gebruik van CV-modellen voor het in kaart brengen van onder andere gemeenten en waterschappen. Zelf hebben wij inmiddels meerdere succesvolle samenwerkingen gehad voor het bouwen en innoveren van Computer Vision-modellen die in staat zijn (veranderingen in) bepaalde objecten of landschappen op luchtfoto’s te identificeren. Zoals ons voormalig Data Scientist Jonathan dit bij Hoogheemraadschap Hollands Noorderkwartier (HHNK) heeft gedaan. De verbeterde efficiëntie hielp deze organisaties hun processen te automatiseren of analyses te verbeteren die voorheen met de hand werden gedaan.

Organisaties helpen een duurzaam verschil te maken

Tijdens onze samenwerkingen werd al snel duidelijk dat voor onze partners zowel duurzaamheid van hun gegevensbeheer als een verschuiving naar een duurzaam model voor schone energie centraal staat. Om deze organisaties te helpen een verschil te kunnen maken in de urgente klimaatproblematiek, ontwikkelden wij als onderdeel van onze data-expertise training een intern Computer Vision-project. We stelden dat het opnemen van zonnepanelen als een geografisch label in de BGT een geweldige manier was om datatechnologie in te zetten in het streven naar duurzaamheid. Met ons ‘proof of concept’ wilden wij onderzoeken hoe lucht- en infraroodfoto’s en hoogtekaarten ingezet kunnen worden om zonnepanelen gemakkelijk te identificeren. Ons doel was robuuste, betrouwbare data te verzamelen die zou kunnen leiden tot een systematisch inzicht in – en stimulans in de opkomst van – hoogwaardige zonne-energie.

Om te beginnen hadden we een betrouwbare open-source dataset nodig. De gemeente Amsterdam heeft een lange geschiedenis in het organiseren van openbare informatie. Bovendien is de toegang tot en kwaliteit van deze data nog nooit zo goed geweest. De gemeente biedt hoge resolutie luchtfoto’s (10x10cm per pixel) van haar hele gebied. Een oudere maar nog steeds zeer relevante dataset uit 2017 lokaliseert alle daken met zonnepanelen, maar niet de hoeveelheid noch de exacte locatie van alle individuele zonnepanelen. De andere noodzakelijke gegevens zoals infraroodfoto’s en hoogtekaarten zijn afkomstig van PDOK, een open-source dataset met luchtfoto’s en remote sensing gegevens van Nederland. 

Labelen met een mechanische helpende hand

Met beide datasets waren we een eind op weg, maar nog steeds moesten we alle zonnepanelen in Amsterdam handmatig labelen. Gelukkig hadden we een mechanische helpende hand. We gebruikten QGIS – een open-source geografische informatiesoftware – om het proces te versnellen. Hieronder vind je een voorbeeld van de resultaten van het labelen. Links is een gewone luchtfoto te zien van vier gebouwen in Amsterdam. Rechts zijn labels voor zonnepanelen toegevoegd en weergegeven in rood. Het labelen van alle zonnepanelen nam zo’n 30 uur in beslag. Het was een enorme klus die lichter werd gemaakt door vele handen. We verdeelden het catalogiseerwerk onder meerdere collega’s en smeerden het over een paar weken. Met een goede muzieklijst op podcast en geregeld een pauze was het goed te doen.

Luchtfoto van vier gebouwen in Amsterdam

Model als routekaart voor nieuwe gebieden

Nadat we klaar waren met het labelen, kwamen we bij het leuke gedeelte: het segmentatiemodel trainen! We gebruikten een programma gebaseerd op de DeepLabV3+ architectuur met een Resnet50 backbone. Omdat er meer parameters bij dit model betrokken zijn kost het relatief veel energie en geheugen – en zijn er maar weinig machines die dit kunnen bijbenen. Gelukkig heeft Young Mavericks begin 2021 een eigen server samengesteld en geïnstalleerd, die kan worden ingezet wanneer een project een boost aan rekenkracht nodig heeft. 

Tijdens de training hebben we 70% van de gelabelde dataset gebruikt, en een subset van de overige 30% werd gebruikt voor validatie en tests. De resultaten waren veelbelovend, zoals je kunt zien in de afbeelding hieronder en de metriek (recall≈0.89, MIoU≈0.77). Hier moet bij worden gezegd dat de voor dit project gebruikte (hoeveelheid en kwaliteit van de) data uniek is voor Amsterdam. Er is dus geen garantie dat dit model gemakkelijk in andere gebieden kan worden gereproduceerd. Dit model kan echter wel dienen als ruggengraat of routekaart voor het toevoegen van nieuwe data uit een ander gebied.  

De kracht van zonne-energie in kaart brengen

Ons ‘proof of concept’ heeft bewezen dat een Computer Vision-model in staat is om snel zonnepanelen te leren herkennen uit luchtfoto’s. Dit inzicht kan organisaties helpen een beter overzicht te krijgen van het huidige aantal zonnepanelen in hun interessegebied. Bovendien kan, met beschikbare beelden van voorgaande jaren, een vergelijkende analyse worden uitgevoerd om te zien hoe en waar zonne-energie zich de afgelopen jaren heeft ontwikkeld. Dezelfde informatie kan helpen om te bepalen waar er nog geen zonnepanelen zijn, zodat het beleid, de programma’s en de inspanningen voor die gebieden beter kunnen worden gestuurd.

Momenteel segmenteren we alleen de oppervlakte van zonnepanelen, maar met een paar extra functies zijn we in de toekomst in staat om de oppervlakte te vertalen naar nominale panelen – of een nieuw model te creëren dat elk paneel als een individuele entiteit erkent. Hiermee zullen we complexere, preciezere en werkbaardere datasets kunnen creëren. Vol enthousiasme vervolgen wij onze missie om data engineering te innoveren én data te modelleren die ertoe doet.

Onze zoektocht naar zonnepanelen


Datatechnologie inzetten voor duurzaamheid: Toen eerder dit jaar nieuwe, geavanceerde satellietfoto’s werden vrijgegeven, waren we er klaar voor. De ruime ervaring in het verbeteren en organiseren van remote sensing data door middel van engineering en machine learning had Young Mavericks klaargestoomd voor onze volgende missie: de Basisregistratie Grootschalige Topografische (BGT) kaarten van Nederland met niet-geregistreerde objecten te verbeteren om inzicht te krijgen in – en het stimuleren van – het gebruik van zonnepanelen. 

Lees meer

In gesprek met Sylvia: samen ontdekken we jouw groeipotentieel

Hetgeen waar wij naar streven bij Young Mavericks, is dat mensen goed op hun plek zitten tijdens een opdracht en dat ze de ruimte hebben om hetgeen te doen wat zij nodig vinden. Daarbij ontwikkelen we in trainingen nog meer vaardigheden die bijdragen aan een goede verwachtingsmanagement en werkrelaties. Dat draagt bij aan de professionaliteit van consultants en dus goede projecten en – hopelijk – blije opdrachtgevers.

Lees meer