تطوير أدوات جغرافية مكانية لرسم خرائط الوصول إلى الطاقة الشمسية

قدّمت ورَش العمل مفهوم التعلّم العميق كفرع من فروع التعلم الآلي والذكاء الاصطناعي، والذي يستخدم الشبكات العصبية متعددة الطبقات لتعلّم الأنماط مباشرةً من البيانات. تعرّف المشاركون على العلاقة بين الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق، بالإضافة إلى المتطلبات الأساسية لنجاح تطبيقات الذكاء الاصطناعي، بما في ذلك جودة البيانات، والموارد الحاسوبية، والتحسين المستمر للنماذج. وشرحت الجلسة كيف تتعلم نماذج التعلم العميق تلقائيًا خصائص مفيدة من صور الأقمار الصناعية. وعُرضت تطبيقات متنوعة في مجال رؤية الحاسوب، بما في ذلك اكتشاف الأجسام، وتصنيف الصور، وتجزئة الصوَر على مستوى البكسل. كما عرَضت الجلسة العديد من بنى التعلم العميق، واستكشفت مدى ملاءمتها لتطبيقات اكتشاف أنظمة الطاقة الشمسية الكهروضوئية والتحليل الجغرافي المكاني.

قدّمت ورَش العمل سير عمل متكاملًا لتطوير وتطبيق نموذج تعلم عميق لاكتشاف أنظمة الطاقة الشمسية الكهروضوئية باستخدام ArcGIS Pro وPython. وتعلّم المشاركون كيفية جمع صور الأقمار الصناعية عالية الدقة وإعدادها، وإنشاء عيّنات التدريب وتصنيفها، وتصدير مجموعات بيانات التدريب لتطوير النموذج. وشملت عملية التدريب استخدام نماذج أساسية مُدرَّبة مسبقًا وتقنيات نقل التعلم لتحسين الأداء مع تقليل وقت التدريب والمتطلبات الحاسوبية. وتعرّف المشاركون على معايير تدريب النموذج، وإجراءات التحقق، ومراقبة الأداء. اختُتمت عملية العمل بتطبيق عملي للنماذج المُدرَّبة على مناطق جغرافية جديدة للكشف التلقائي عن أنظمة الطاقة الشمسية الكهروضوئية. وتم التركيز بشكل خاص على التحسين التكراري للنموذج، وضمان الجودة، وأهمية التحقق من صحة النتائج بمقارنتها مع مواقع على الأرض الواقع ومراجعة الخبراء.

كما تضمّنت ورَش العمل مناقشات فنية حول اختيار صوَر الأقمار الصناعية والحصول عليها، بما في ذلك مصادر البيانات التجارية والمفتوحة المصدر. وتعرّف المشاركون على العوامل المؤثرة في ملاءمة الصور للكشف عن أنظمة الطاقة الشمسية الكهروضوئية، كالدقة المكانية وجودة الصورة وخصائص المعالم المستهدفة. كما تم تسليط الضوء على أهمية اختيار أحجام مناسبة للصور ومجموعات بيانات التدريب.

وركزت مناقشات إضافية على تحسين دقة النموذج وموثوقيته. وبحث المشاركون في أساليب تعزيز أداء الكشف، بما في ذلك استخدام صوَر ذات دقة أعلى، وإعادة تدريب النموذج وتحسينه باستمرار، والتحقق الميداني من الأنظمة المكتشَفة. وأكّدت ورَش العمل أنّ الجمع بين هذه الأساليب من شأنه أن يُحسّن بشكل كبير جودة نتائج الكشف وموثوقيتها.

وتناولت ورش العمل أيضًا الكشف عن سخانات المياه الشمسية، الشائعة في العديد من البلدان المستهدفة. تعرّف المشاركون على كيفية تدريب النموذج للتمييز بين أنظمة الطاقة الشمسية الكهروضوئية وسخانات المياه الشمسية، مع التأكيد على أهمية الصوَر عالية الدقة ومجموعات بيانات التدريب المصممة بعناية لتقليل الأخطاء في التصنيف وتحسين دقة الكشف الإجمالية.

كما أوضحت ورَش العمل كيفية تحويل أنظمة الطاقة الشمسية الكهروضوئية المكتشَفة إلى مؤشرات عملية لصنع سياسات الطاقة والمناخ. بعد تحديد مواقع المنشآت الشمسية ورسم حدودها، تعلّم المشاركون كيفية تقدير القدرة المركبة لكل نظام باستخدام عوامل تحويل قائمة على المساحة مستمَدّة من تقنيات الطاقة الشمسية الكهروضوئية الشائعة. استُخدمت القدرة المُقدّرة لاحقًا لحساب توليد الكهرباء السنوي بناءً على بيانات من الأطلس الشمسي العالمي. كما تعرّف المشاركون على منهجيات تقدير خفض انبعاثات غازات الاحتباس الحراري من خلال تطبيق عوامل انبعاثات الشبكة الوطنية على الكهرباء المُقدّرة. مكّنت هذه الحسابات من تحويل مخرجات الكشف المُولّدة بواسطة الذكاء الاصطناعي إلى مؤشرات ذات صلة بالسياسات تدعم تخطيط الطاقة المتجددة، والتخفيف من آثار تغير المناخ.