手动计算太阳能电池板的数量是不切实际的，斯坦福大学的研究人员有一个解决方案：让AI来做这项繁重的工作。他们精心设计了一个深度学习系统DeepSolar，它映射了美国每个可见的太阳能电池板。

斯坦福大学的工程师Arun Majumdar和Ram Rajagopal认为，机器学习系统非常擅长于观察图像，发现经过训练能够识别的物体，无论是猫、脸还是汽车，那么为什么太阳能电池板不行呢？

他们的团队，包括研究生Jiafan Yu和Zhe Zhe Wang，组建了一个图像识别机器学习智能体，训练了数十万个卫星图像。该模型既能识别图像中太阳能电池板的存在，又能找到这些电池板的形状和面积。

在对美国近十万个其他随机抽样卫星图像进行评估后，它们达到了约90％的准确度（根据测量结果略有不同，或多或少），这远远超过其他模型，并且估计的单元大小只有大约3％的误差（它的主要弱点装置太小，但这部分是由于图像的限制）。

然后，研究小组将这个模型用于研究超过10亿个图像块，这些图像块覆盖了美国48个州的大部分地区。这排除了相当一部分的面积，但是还是包含了其中的大部分，例如山脉。那里没有多少太阳能装置，也没有多少人试图在国家公园里安装电池。

总而言之，它占实际国家的6％左右，但Rajagopal指出，城市地区仅占3.5％左右，所以这涵盖了所有这些国家和更多。他估计可能有5％的安装位于系统尚未处理的区域。

扫描花了整整一个月的时间，但最后模型发现了147万个单独的太阳能装置（可能是屋顶或整个太阳能农场的电池板）。以往的方法并没有像DeepSolar的数据那样提供确切的位置。

这些数据的基本绘图产生了各种有趣的新信息。你可以比较州，县，人口普查区甚至平方英里水平的太阳能装置密度，并将其与各种其他指标进行比较，如每年平均晴天天数，家庭收入，投票偏好等。

一些有趣的发现是，只有4%（7.5万人口中的3000）拥有超过100个居民规模的太阳能系统，这意味着太阳能设施高度集中。住宅太阳能占总安装面积的87%，但面积中值在25平方米左右，仅占太阳能电池总表面积的34%。

部署密度峰值出现在每平方英里约有1000人的地方，比如小城镇或郊区，而不是大城市。
当一个地区每天每平方米接收超过4.5千瓦时的太阳辐射时，人们就会开始安装太阳能热水器。这与天气、位置、暴露程度等的关系是一个更复杂的问题。

如果你想投资太阳能，这点和其他人口统计数据都是很好的信息，因为它们基本上可以告诉你哪些是合理的或符合需要的。

Rajagopal表示，“我们创建并发布了一个网站，你可以在这个网站上使用汇总级别的数据（我们将其保持在人口普查级别），我们正在探索如何在尊重隐私的同时公开个人检测，可能通过鼓励公众参与和众包。”

“我们决定分享开源所有工作，以鼓励工业界和学术界的其他人利用这种方法和数据产生更多的见解。我们认为变革需要快速发生，这是帮助实现这一目标的方法之一。也许在未来，可以围绕这类数据建立服务，”他补充道。目前团队正在计划将服务扩展到美国其余地区和其他国家。

项目：web.stanford.edu/group/deepsolar/home