Zielgruppen
Interessierte Nutzer in Forschung und IndustrieIhre Anforderungen
Für eine erfolgreiche Anwendung sind grundlegende GIS-Kenntnisse vorteilhaft.Unser Angebot
Wir bieten eine ganzheitliche Lösung, die Beratung, Schulung und Implementierung dieses Segmentierungsansatzes umfasst. Die Methode ist nahtlos in QGIS über das benutzerfreundliche Deepness-Plugin eingebunden und kann intuitiv auf geografische Basiskarten weltweit angewendet werden. Nach der Segmentierung können anhand von Kapazitätsfaktoren Berechnung der Leistung jeder identifizierten PV-Anlage herangezogen werden. Aufgrund ihrer globalen Einsetzbarkeit ist die Lösung leicht auf unterschiedliche geografische Kontexte übertragbar und auch für Anwender ohne Programmierkenntnisse zugänglich. Durch die Integration der Methode in QGIS können Anwender mühelos Solar-Photovoltaiksysteme identifizieren und deren Kapazität auf Basis eines Kapazitätsfaktors berechnen.Nutzungsvoraussetzungen
Es sind keine tiefergehenden Programmierkenntnisse erforderlich. Dank der benutzerfreundlichen Integration in QGIS ist die Anwendung auch für Einsteiger in der erneuerbaren Energieanalyse zugänglich.Erfolgsstories
Die Modelle online lesen und testen:
Ansatz zum Training: Kleebauer, M., Marz, C., Reudenbach, C., & Braun, M. (2023). Multi-Resolution Segmentation of Solar Photovoltaic Systems Using Deep Learning. Remote Sensing, 15(24), 5687.
Code zum Training auf Github: multi-resolution-pv-system-segmentation
Google Colab Anwendung zum selbst ausprobieren (benötigt allerdings colab account!)
Die Software zum Ausführen der Anwendung: Aszkowski, P., Ptak, B., Kraft, M., Pieczyński, D., & Drapikowski, P. (2023). Deepness: Deep neural remote sensing plugin for QGIS. SoftwareX, 23, 101495.
Ein Überblick zu Modellen in der Anwendung: QGIS: Deepness: Deep neural remote sensing.
