Wetenschap
Voorbeeld van analyse van satellietbeelden (gebaseerd op Copernicus Sentinel-gegevens 2017) overlay op Google Satellite (© 2018 TerraMetrics) Credit:Cader et al.
Onderzoekers van het Reiner Lemoine Institut in Berlijn hebben effectief teledetectietechnieken gebruikt om een steekproef van Zambiaanse dorpen zonder elektriciteit te detecteren. hun studie, onlangs gepubliceerd op Springer's Procedures in Energie boekenreeks, benadrukt het potentieel van strategieën voor machine learning om de planning van elektrificatie in minder ontwikkelde delen van de wereld te verbeteren.
Ondanks de verbeteringen die de afgelopen jaren hebben plaatsgevonden, veel regio's in Sub-Sahara Afrika hebben nog steeds beperkte toegang tot energiebronnen, inclusief elektriciteit. Volgens het rapport World Energy Outlook 2017 van het Institute of Economic Affairs (IEA) tweederde van de 17 miljoen mensen in Zambia heeft geen elektriciteit.
Om dit probleem aan te pakken, het is eerst noodzakelijk om nauwkeurige en gedetailleerde informatie te verkrijgen over de huidige staat van elektrificatie in het land, het identificeren van de locatie en distributie van huishoudens die geen toegang hebben tot elektriciteit. Deze belangrijke gegevens kunnen vervolgens worden gebruikt om de haalbaarheid van verschillende elektrificatie-opties te beoordelen, zoals stand-alone systemen, mini-roosters, of netuitbreidingen.
"Het creëren van een beter begrip van regio's met een beperkte of geen beschikbare elektriciteitsvoorziening om respectieve opties voor energievoorziening te ontwikkelen, vereist de geospatiale gegevens over waar mensen wonen, "Catherina Cader, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Heel vaak, vooral in minder ontwikkelde landen, dergelijke gegevens of gedetailleerde ruimtelijk uitgesplitste informatie is niet beschikbaar, of alleen in samengevatte landenstatistieken, zonder locatiespecifieke informatie."
Overzicht van de geclassificeerde afdelingen [overlay op Open Street Maps © OpenStreetMap-bijdragers onder Open Data Commons Open Database License (ODbL)] Credit:Cader et al.
In een recent gepubliceerde studie, Cader en haar collega's onderzochten het gebruik van vrij beschikbare satellietbeelden en machine learning-tools om deze kennislacune op te vullen. uiteindelijk het verbeteren van de planning van de toegang tot energie. De onderzoekers gebruikten teledetectietechnieken, die de toepassing van machine learning-algoritmen omvatten die zijn getraind om Sentinel 2-multispectrale beelden met gemiddelde resolutie te classificeren.
"We gebruikten satellietgegevens om nederzettingsstructuren en bevolkte gebieden af te leiden om dorpsgrenzen af te bakenen, " legde Cader uit. "Om dat te bereiken, classificatie van landbedekking wordt uitgevoerd met behulp van algoritmen om automatisch bewoonde gebieden te detecteren op basis van eerder ontwikkelde trainingslocaties."
De algoritmen die de onderzoekers gebruikten, waren in staat om 14 afdelingen zonder elektriciteit te classificeren, met een totale oppervlakte van ongeveer 10, 000 km 2 . Deze resultaten zijn veelbelovend, het benadrukken van het potentieel van teledetectie om de distributie van energie in Zambia te verbeteren, evenals in andere landen in Sub-Sahara Afrika.
Vyamba-afdeling, een voorbeeld van een zeer nauwkeurige analyse van dorpsdetectie (gebaseerd op Copernicus Sentinel-gegevens 2017), overlay op Google Satellite (© 2018 TerraMetrics) Credit:Cader et al.
"Open satellietdatasets en open source software stelden ons in staat om succesvolle classificaties uit te voeren om de locatie van dorpen te identificeren, " Zei Cader. "Deze informatie kan verder worden gebruikt voor de planning van energietoegang."
In de toekomst, hun bevindingen kunnen informatie verstrekken over het werk van officiële instanties die in de regio actief zijn, zoals de Rural Electrification Authority (REA), evenals die van particuliere ondernemers die van plan zijn elektrificatiewerken uit te voeren. Informatie die is verzameld met behulp van teledetectietechnieken kan ook worden gebruikt in combinatie met andere open source-gegevens om betere schattingen van de bevolking voor de gedetecteerde dorpen te geven.
Malalo-afdeling, overschatting van de bebouwde kom in een moerasomgeving (gebaseerd op Copernicus Sentinel data 2017) Credit:Cader et al.
"Voortbouwend op ons eerdere onderzoek werken we nu aan het combineren van remote sensing-gegevens met locatiespecifieke onderzoeksgegevens die nodig zijn voor de planning van energietoegang, zoals elektrische apparaten, huishoudelijke uitgaven, of productief gebruik, " Zei Cader. "Dit zou kunnen helpen om correlaties te identificeren en een ruimtelijke extrapolatie van bevindingen naar sites mogelijk te maken die buiten de onderzoekssteekproef liggen."
© 2018 Tech Xplore
Wetenschap © https://nl.scienceaq.com