Noticias

Oct 12, 2023

Evaluación espaciotemporal global de alta resolución del potencial solar fotovoltaico en tejados para la generación de electricidad renovable

Volumen de comunicaciones de la naturaleza

Nature Communications volumen 12, Número de artículo: 5738 (2021) Citar este artículo

26k Accesos

40 citas

597 Altmetric

Detalles de métricas

La energía solar fotovoltaica en los techos actualmente representa el 40 % de la capacidad instalada mundial de energía solar fotovoltaica y una cuarta parte de las adiciones totales de capacidad renovable en 2018. Sin embargo, solo hay información limitada disponible sobre su potencial global y los costos asociados a una alta resolución espaciotemporal. Aquí, presentamos una evaluación global de alta resolución del potencial de la energía solar fotovoltaica en los techos utilizando big data, aprendizaje automático y análisis geoespacial. Analizamos 130 millones de km2 de superficie terrestre global para demarcar 0,2 millones de km2 de área de azotea, que en conjunto representan 27 PWh año−1 de potencial de generación de electricidad a costos entre 40 y 280 $ MWh−1. De esto, 10 PWh año-1 se pueden realizar por debajo de 100 $ MWh-1. El potencial global se distribuye predominantemente entre Asia (47 %), América del Norte (20 %) y Europa (13 %). El costo de alcanzar el potencial es más bajo en India (66 $ MWh-1) y China (68 $ MWh-1), con EE. UU. (238 $ MWh-1) y el Reino Unido (251 $ MWh-1) que representan algunos de los más costosos países.

Desde la alimentación de los satélites Vanguard de la Administración Nacional de Aeronáutica y del Espacio (NASA) en 1958 hasta la iluminación de hogares en el África subsahariana, la tecnología solar fotovoltaica (PV) ha recorrido un largo camino. La tecnología solar fotovoltaica en azoteas (RTSPV) como un subconjunto de la cartera de generación de electricidad solar fotovoltaica puede implementarse como un sistema descentralizado ya sea por propietarios individuales o por grandes complejos industriales y comerciales. Durante la última década, la reducción en el costo de implementación junto con iniciativas impulsadas por políticas ha llevado a una rápida adopción de RTSPV a nivel mundial. Entre 2006 y 2018, la capacidad instalada de RTSPV creció de 2,5 GW a 213 GW, un aumento de 85 veces a nivel mundial1. Con una instalación de capacidad adicional de 41 GW, RTSPV actualmente representa el 40 % de la capacidad instalada global acumulada de energía solar fotovoltaica y casi una cuarta parte de las adiciones de capacidad renovable total en 2018, superando las nuevas capacidades instaladas combinadas de carbón y nuclear. . Al mismo tiempo, la tecnología RTSPV ha demostrado una fuerte caída en sus costos de implementación que oscilaron entre 63 y 265 $ MWh−1 en el año 2019, una reducción de entre 42 y 79% con respecto a los valores de 20102.

En todo el mundo, casi 800 millones de personas se quedaron sin electricidad en 2018, la mayoría de las cuales vive en zonas rurales3. Aquí, el papel de la energía fotovoltaica descentralizada en la azotea para promover el espíritu del Objetivo de Desarrollo Sostenible (ODS) 7 se vuelve muy importante. El rápido tiempo de instalación y el bajo costo nivelado de RTSPV pueden ayudar a mitigar el problema del acceso a la energía al convertir a los ciudadanos o comunidades en prosumidores. El prosumidor puede generar y consumir electricidad según sus necesidades sin depender exclusivamente de una infraestructura de red centralizada. Como la tecnología de generación de energía de implementación más rápida con la tasa de crecimiento interanual más alta4, se prevé que la tecnología solar fotovoltaica suministre entre el 25% y el 49% de las necesidades mundiales de electricidad para 2050 y proporcione empleo a hasta 15 millones de personas entre 2018 y 20505. Fuera de esto, el despliegue de RTSPV contribuirá hasta el 40% de la generación total de electricidad derivada de la energía solar fotovoltaica para 2050.

Un mayor despliegue de RTSPV puede respaldar el desplazamiento de los combustibles fósiles fuera de la combinación de generación de energía actual, como se puede observar en la implementación exitosa de la energía fotovoltaica en los techos en Alemania. A medida que aumente la demanda de electricidad como fuente de energía en el futuro, las fuentes de generación basadas en RSTPV formarán una gran parte de la futura cartera de generación basada en energías renovables. Este cambio en la combinación de generación actual, junto con la futura expansión de la capacidad de generación con bajas emisiones de carbono, puede ayudar a reducir las emisiones de gases de efecto invernadero derivadas de la energía y también a avanzar en el objetivo SDG13 de combatir el cambio climático con beneficios colaterales para el SDG3. Por lo tanto, la tecnología RTSPV puede conducir a avances impulsados ​​por los consumidores para abordar el cambio climático, reducir la contaminación del aire local, acelerar el desarrollo y brindar acceso asequible a la energía en áreas que carecen de electrificación.

Para comprender mejor el papel que un sistema RTSPV puede cumplir en el futuro, es pertinente una evaluación global geomapeada armonizada de su potencial técnico y los costos asociados con la consecución del potencial técnico, especialmente cuando se carece de tales evaluaciones a nivel global. Los sistemas RTSPV se implementan como un sistema descentralizado contrario a los sistemas solares fotovoltaicos a escala de servicios públicos, lo que aumenta la complejidad de su evaluación ya que la unidad más pequeña de implementación se convierte en un techo en lugar de una gran parcela de un sitio verde o brownfield. Junto con las complejidades asociadas con la determinación precisa del área de la azotea, la evaluación de las variaciones estacionales de su potencial también es importante para comprender la dinámica de suministro de las tecnologías de energía renovable variable (VRE) como RTSPV. Esto destaca la necesidad de una evaluación espaciotemporal de alta resolución que represente con precisión la variabilidad geográfica del entorno construido junto con los impactos de los cambios estacionales en la radiación solar.

La investigación actual se centra principalmente en la evaluación de recursos de energía solar fotovoltaica a escala mundial. No se ha realizado una evaluación similar para RTSPV descentralizados a una escala mayor que los niveles regional/nacional6,7,8,9. Como resultado, los modelos de sistemas energéticos y las investigaciones que informan las políticas sobre el cambio climático no han considerado completamente el papel de la energía solar fotovoltaica en el cumplimiento de los objetivos de mitigación del cambio climático10. La evaluación del potencial de RTSPV requiere un conjunto de datos subyacente de las huellas de los edificios, el mapeo de la radiación solar e información específica de la tecnología, como el tamaño del panel, la eficiencia de conversión y las pérdidas del sistema. La literatura actual es adecuada para proporcionar información global sobre las últimas dos categorías, con las mayores imprecisiones11 atribuidas a la demarcación y el cálculo de las huellas de edificios que requieren grandes cantidades de datos y hardware de procesamiento de información costoso para extraer edificios de imágenes satelitales12.

Actualmente se utilizan dos enfoques principales para determinar el área edificada, o más específicamente la extensión y el área ocupada por los techos de los edificios, Tabla complementaria 7. El primer enfoque aborda el problema desde una perspectiva "de abajo hacia arriba"13,14,15,16, 17,18,19,20,21,22,23 perspectiva y es el enfoque más común implementado actualmente para calcular el área de la azotea a escala. Dichos enfoques establecen la relación entre los datos de la huella de la construcción (catastrales, de fuentes múltiples, derivados de satélites) y las métricas socioeconómicas (Producto Interno Bruto (PIB), Población) para un pequeño conjunto de muestras y luego estiman la extensión de la huella de la construcción en un escala más amplia. En el estudio de Jacobson et al.24, los autores han utilizado la metodología bottom-up para calcular las áreas de azotea disponibles para 179 países estableciendo relaciones entre la población, el PIB y la superficie construida per cápita en base a datos de muestra de EE. UU. y varios países europeos. países. Para un conjunto completo de países del mundo, Gernaat et al.25 han utilizado la relación entre la densidad de población, el gasto de los hogares y el área de azotea para calcular el área de azotea disponible por país. Han calibrado sus ecuaciones de relación con los datos del Banco Mundial y han obtenido un R2 = 0,66. Estos métodos se implementan rápidamente y son relativamente precisos cuando se predicen las áreas de huella de construcción en las regiones vecinas, pero surgen imprecisiones cuando el análisis se amplía hacia los niveles de país/región. Esta reducción en la precisión26 se puede atribuir a las imprecisiones en el mapeo geoespacial aproximado de los datos socioeconómicos27 y la heterogeneidad de los paisajes construidos.

El segundo enfoque aborda el problema desde una perspectiva "de arriba hacia abajo"28,29,30,31,32,33,34,35,36,37,38,39, utilizando imágenes aéreas para determinar el área edificada junto con la construcción. huellas contenidas en él. Los métodos "de arriba hacia abajo" incluyen la observación de la tierra, la detección y el alcance de la luz montados en drones (LiDAR) y los algoritmos de clasificación de aprendizaje automático (ML) para detectar edificios. A escala de todo el país, Gagnon et al.7 utilizaron conjuntos de datos LiDAR para 128 ciudades de muestra de EE. UU. para calcular las áreas de azotea disponibles para los EE. UU. continentales utilizando inferencias estadísticas para extrapolar más allá de su sitio de muestra. Han generado medidas estadísticas para generalizar la orientación, la pendiente y la disponibilidad de los tejados basándose en imágenes LiDAR de alta resolución. Recolectar, procesar y analizar las imágenes aéreas es una tarea costosa y computacionalmente intensiva que requiere una infraestructura a escala de centro de datos. Estas deficiencias han llevado a limitaciones en la escala de los estudios que utilizan métodos de arriba hacia abajo, donde solo unas pocas empresas comerciales40,41,42 han podido proporcionar huellas de construcción en todo el país y, hasta la fecha, aún no se ha realizado un análisis a escala global. ser implementado. Una solución para mitigar el procesamiento y el cuello de botella de los datos es utilizar una clasificación de cobertura terrestre predefinida43,44,45,46,47,48,49 para demarcar áreas terrestres globales que se construyen artificialmente y luego reducir la escala del área construida a la huella real del edificio49 utilizando supuestos simplificadores. Este enfoque híbrido se utilizó en un estudio de Bodis et al.6, donde establecieron una relación entre los datos catastrales de los Países Bajos, la cobertura del suelo de CORINE y el Mapa de asentamientos europeos para inferir el área de la azotea en los otros 27 países de la UE.

Los métodos de última generación50,51,52,53,54,55 utilizan algoritmos de detección de objetos basados ​​en ML para mapear edificios individuales para la región de interés (ROI) a nivel de ciudad/país. Sin embargo, ninguno de los métodos de vanguardia se ha aplicado a una evaluación del ROI global, en parte debido a la cantidad de procesamiento de datos requerido en los métodos basados ​​en ML y en parte debido a las limitaciones del algoritmo ML para detectar objetos similares que se desvían de la muestra de entrenamiento. conjuntos

Aquí, abordamos directamente la brecha en la literatura actual mediante el desarrollo de un marco híbrido que integra métodos "de arriba hacia abajo" y "de abajo hacia arriba" utilizando un modelo ML para proporcionar una evaluación global de alta resolución del potencial técnico de la energía solar fotovoltaica en la azotea a un resolución temporal mensual (fig. 1). Dividimos toda la masa terrestre global en varias unidades de evaluación de 10 km2. En cada unidad de evaluación, utilizamos un conjunto de datos de población de alta resolución (a una resolución espacial de 100 m), la longitud de la carretera y los límites del área construida para estimar el área de la azotea. El algoritmo de estimación basado en el modelo ML está diseñado para conocer la relación entre la población, la longitud de la carretera y los límites del área edificada, y el área real de la azotea de un conjunto de muestras global grande que cubre países en diversas etapas de desarrollo socioeconómico y edificado. topografía. De esta manera, utilizamos un conjunto integral de arquetipos de entornos construidos dispares que involucran densidades de población variables en diferentes configuraciones de paisaje para superar las limitaciones impuestas por los métodos "de arriba hacia abajo" y "de abajo hacia arriba" utilizados en estudios previos. Junto con el mapeo geográfico del potencial técnico, también mapeamos el Costo Nivelado de Energía (LCOE) asociado y las curvas de costo de suministro regional para un ROI global que cubre >195 países, que abarca 130 millones de km2 de área de tierra, que contiene edificios que van desde casas rurales independientes asentamientos nucleados a la conurbación global salpicada de rascacielos de varios pisos en diversas geografías.

El marco desarrollado en este estudio comienza con la preparación de datos y el mapeo de varias métricas geoespaciales para caminos de arriba hacia abajo y de abajo hacia arriba. Además, el modelo de aprendizaje automático se entrena y utiliza para estimar los valores BFEFN a partir de los valores BAFN, PPLNFN y RLFN. A continuación, los valores BFEFN se utilizan para calcular el potencial técnico (SP) con la ayuda de los factores de conversión (CF). Finalmente, el conjunto de datos de potencial calculado se usa para mapear los valores del costo nivelado de electricidad (LCOE) utilizando los datos de costos de generación de energía renovable de IRENA. El marco detallado se describe en las secciones "Resultados" y "Métodos". Los parámetros del modelo y las asignaciones regionales se proporcionan en las Tablas complementarias 6, 8–10 y la Figura complementaria 3a–d.

En nuestro estudio, definimos el "potencial técnico" de RTSPV como la máxima generación de electricidad que se puede derivar de un área de azotea determinada, donde el área de la azotea se mantiene consistente con la extensión construida del año 2015 y no incluye el stock de construcción adicional. creado después de eso. Los resultados presentados en este estudio han considerado una disponibilidad de techo del 100 % con una eficiencia de panel del 10 %. Para tener en cuenta el cambio en el potencial debido a las diferentes eficiencias de los paneles y la disponibilidad de los techos, hemos documentado los potenciales globales y regionales para un conjunto de factores de escala de los techos y eficiencias de los paneles (Tablas complementarias 4 y 5). Las condiciones de contorno adicionales de nuestro estudio y las limitaciones en la interpretación de los resultados principales se documentan en la sección "Métodos".

Comenzamos dividiendo la masa de tierra global en una cuadrícula de red (FN) que contiene un total de 3 521 120 cuadrados únicos de 10 km2 de tamaño, donde cada FN tiene una identificación única y se atribuye a un país único. La agregación del área construida (BAFN) dentro de cada FN se realizó utilizando subclasificaciones de área construida (resolución de 100 m) proporcionadas por la capa de cobertura terrestre global46 (LC) del programa de monitoreo de la tierra Copernicus. Al derivar de una imagen satelital de resolución nativa de 10 m, la capa LC nos brindó una representación significativamente mejorada del área construida en comparación con los métodos actuales de vanguardia que utilizan una clasificación de cobertura terrestre de resolución más baja. El uso de clasificaciones de cobertura terrestre preconstruidas también ayudó a reducir los gastos generales de procesamiento de información relacionados con la clasificación manual de petabytes de imágenes satelitales.

Es importante resaltar que las agregaciones de la capa BAFN contienen edificios junto con carreteras, límites de áreas verdes, senderos, estacionamientos, etc. Estas estructuras construidas adicionales no son relevantes para el análisis actual y pueden ocupar áreas BAFN significativas en un nivel bajo. entorno construido de densidad. Las incertidumbres metodológicas también pueden surgir debido a la heterogeneidad de los paisajes impermeables y debido a la clasificación errónea causada por las firmas espectrales similares de otras estructuras construidas en el suelo, pero en un ROI global, estos errores forman un porcentaje muy pequeño de la realidad del suelo. Esto subraya la necesidad de reducir la escala de la capa BAFN globalmente para representar con precisión un área de azotea armonizada.

Para reducir la escala de la capa BAFN, comenzamos generando un subconjunto de FN global que contiene huellas de edificios reales40,42 (BFFN), longitud de carretera56 (RLFN) y recuento de población57 (PPLNFN). Para calcular las huellas de los edificios (derivadas de los conjuntos de datos Microsoft AI, Ecopia AI y Open Street Map-OSM), agregamos las huellas de los edificios individuales en función de las celdas FN que se superponen a los edificios individuales para generar un único valor de área de la huella del edificio por FN (Fig. 2) . En total, nuestras FN de muestra cubrieron 37 115 km2 de área de huella de construcción y 11,4 millones de km2 de la superficie terrestre total, lo que representa más de 300 millones de edificios individuales que van desde pequeños cobertizos al aire libre hasta megafábricas. Las muestras de edificios también nos proporcionaron un conjunto diverso de tipos de edificios en diferentes geografías que abarcan un amplio espectro de etapas socioeconómicas de desarrollo. Estos conjuntos de muestras globales (Fig. 3a, Tabla complementaria 1) son una mejora notable con respecto a la literatura anterior, donde se lleva a cabo una estrategia de muestreo limitada, a menudo a nivel de ciudad/país. El uso de muestras de edificios globales heterogéneas permite que el análisis general sea más resistente al error de generalización que se introduce debido a la dependencia excesiva de un pequeño conjunto de paisajes edificados similares.

a La imagen representa un área sobre Nueva York, EE. UU. Las líneas de cuadrícula son los límites geográficos de las celdas de red (FN), con un tamaño de celda de 10 km2. El área roja dentro de cada FN es el área construida (BAFN). b Las áreas verdes en la imagen son la geografía no edificada en el año 2015, con áreas rojas que representan BAFN como bloques de 100 m2. Cada bloque tiene un valor de 0 a 100% basado en el porcentaje de área construida en un bloque. c Los polígonos negros son las huellas de edificios (BFFN) derivadas de grandes fuentes de datos, dentro de una muestra FN. Las líneas azules son las carreteras (RLFN) dentro de la muestra FN, con áreas blancas que representan espacios vacíos que no se utilizan en nuestro análisis. d La imagen representa las cuatro categorías principales de objetos presentes dentro de cada muestra FN. Las áreas naranjas son los bloques BAFN, las áreas rojas representan los edificios reales, las líneas amarillas representan carreteras y las áreas blancas son las áreas no consideradas en nuestro estudio. Créditos de datos: Copernicus GLC Landcover, Microsoft Building Footprints y Open Street Maps.

En nuestro estudio se generó una distribución global de la muestra FN. Los polígonos de construcción basados ​​en IA de Microsoft se usan para EE. UU., Canadá y Tanzania, las áreas de huella de construcción derivadas de IA de Ecopia se usan para los países africanos. Los polígonos de construcción derivados de OSM que representan un total de 4000 FN de muestra se utilizan para el resto del mundo. b Ubicación geográfica de todas las carreteras globales utilizadas en nuestro análisis. Las carreteras globales derivadas de OSM tienen una cobertura casi global, con cada píxel en el mapa para cada característica de la carretera dentro del país de referencia. Créditos de datos: Fig. 3b, © Colaboradores de OpenStreetMap.

OSM proporciona un conjunto de datos de infraestructura vial global de código abierto de alta precisión58, que utilizamos para mapear la longitud de la carretera (RLFN). Nuestro conjunto de datos de muestra mostró una correlación de Pearson de 0,95 (Fig. 4b) entre la muestra de la huella del edificio y la muestra de la longitud de la carretera. Se puede observar que en el mundo real, el desarrollo de las carreteras a menudo se asocia con el aumento del tamaño de la población y con el aumento del parque de edificios. La longitud de la carretera no se ha utilizado en ningún estudio anterior y aumentará la precisión de la reducción de escala en comparación con los métodos anteriores. En total, procesamos >16 millones de km de carreteras para nuestra muestra de FN (Fig. 3b).

La distribución de BAFN (área construida) (a), RLFN (longitud de la carretera) (b) y PPLNFN (población) (c) en relación con la BFFN (huella del edificio). Las distribuciones tienen una Correlación de Pearson de 0.97, 0.95, 0.72, respectivamente. La distribución de errores en la predicción (d) tiene forma de campana cuando se usa el modelo entrenado para predecir el conjunto de datos de muestra. Cada barra es el conteo de FN que hay en cada bandeja de error. La mayoría de los errores se encuentran en el rango de −0,25 a +0,25 km2 por FN, con un límite máximo de error de ±5 km2 por FN. El modelo de reducción de escala basado en el modelo de aprendizaje automático ha mostrado una precisión adecuada en la predicción (e) con un R2 = 0,98. Cada cruce representa el valor predicho de cada muestra FN. La densidad de puntos es mayor para valores bajos, ya que la mayoría de las FN de la muestra tendrán áreas urbanizadas más pequeñas contenidas en ellas, y muy pocas cubrirán ciudades importantes debido al tamaño de la FN utilizada en este estudio.

Para nuestra agregación de conteo de población, utilizamos el conteo de población en cuadrícula de alta resolución de WorldPop. El conjunto de datos de población de alta resolución junto con una capa BAFN de alta resolución nos permitió mapear con precisión el recuento de población para cada uno de nuestros FN de muestra. Estudios previos a escala de país/región han utilizado un conteo de población de resolución gruesa (resolución ≥1 km), lo que puede conducir a imprecisiones en la reducción de escala debido al conteo excesivo de la población en un FN determinado.

La agregación y el procesamiento de big data, como los conjuntos de datos geoespaciales de construcción y carreteras, requieren un tiempo de computación muy alto y un costo significativo en hardware. Para superar este desafío, utilizamos la plataforma de computación en la nube de Google Earth Engine (GEE) para realizar un análisis a escala planetaria, donde los conjuntos de datos se dividieron en archivos ráster más pequeños según la extensión geográfica de cada FN y finalmente se agregaron para representar un valor único (ver "Métodos " sección). Cabe señalar que la plataforma GEE carece de procesamiento de datos vectoriales, como polígonos de carreteras y edificios, para lo cual utilizamos el procesamiento multinúcleo habilitado por el software de escritorio ArcGIS PRO. Esta combinación de GEE para datos ráster (PPLNFN, BAFN) y ArcGIS PRO para datos vectoriales nos permitió procesar nuestros conjuntos de datos en una fracción del tiempo y el costo. Hasta donde sabemos, este es el primer intento de fusionar dos plataformas de servicios fundamentalmente diferentes para evaluar los potenciales globales, lo que podría ser útil para otras evaluaciones de recursos a escala planetaria. Los enlaces a los conjuntos de datos de entrada y sus informes de validación se documentan en la Tabla complementaria 2.

A continuación, vinculamos los conjuntos de datos agregados BAFN, PPLNFN de los métodos Top-down y procesamos los conjuntos de datos BFFN, RLFN de los métodos Bottom-up usando un modelo ML que toma los conjuntos de datos BAFN, PPLNFN, RLFN como variables independientes y BFFN como las variables dependientes. El modelo ML se entrena a partir de la relación entre las variables independientes y dependientes para nuestras FN de muestra y estima el área de techo de edificio agregada para el resto de las FN que no son de muestra, reduciendo efectivamente la capa BAFN a un área estimada ocupada por techos de edificios (BFEFN) . Para las brechas de datos en la capa PPLNFN, RLFN, usamos un método de imputación iterativo para interpolar los valores faltantes en el conjunto de datos usando múltiples ejecuciones de regresión.

En nuestras pruebas, el modelo de ML basado en el algoritmo XGboost proporcionó una mejor precisión (valor R2) y una mejor reducción general del error (error absoluto medio considerablemente más bajo) en la predicción de datos de muestra en comparación con la regresión multivariable (Tabla complementaria 3). Para reducir el sobreajuste del modelo ML, se utilizó una estrategia de validación cruzada de 10 veces para ajustar los hiperparámetros para generar el mejor modelo (consulte la sección "Métodos"). El modelo ML funcionó bien (Fig. 4d, e) con un error de ±4 km2 en la predicción de la huella total del edificio por 100 km2 FN, con la mayoría de los errores entre ±0,25 km2. Además, para un total de 37 000 km2 de área de huella de construcción absoluta en nuestras muestras, se registró un total de 4 km2 de error absoluto. A nivel regional, se observó un ligero sesgo a la izquierda/subestimación sistemática del área de la azotea para la región de Asia (Figura 1 complementaria). Al final del paso de reducción de escala, se genera un conjunto de datos que contiene 3 521 120 celdas FN, y cada celda contiene un área de techo de edificio agregada (BFEFN).

La conversión del área de la azotea al potencial solar se llevó a cabo utilizando el factor de conversión59 (CFFN) del Banco Mundial para ubicaciones entre 60°N y 45°S, cubriendo más del 99% de la población mundial. La capa CFFN se proporciona como un conjunto de datos ráster cuadriculado que representa los kWh producidos por cada kWp de capacidad instalada por día. A las ubicaciones fuera de las latitudes se les asignó un valor de CF constante de 3,5 kWh/kWp/día (pico). A continuación, se utilizaron los valores de CFFN para cada uno de los doce meses para generar potencial solar mensual por FN (SPFN,M). Además, agregamos los potenciales técnicos mensuales a los potenciales técnicos anuales para cada uno de los países para generar un mapa de potencial RTSPV global, como se muestra en la Fig. 5. Para representar los costos asociados con el potencial técnico, usamos la métrica LCOE (ver "Métodos " sección). Los valores de gastos de capital (CAPEX) oscilan entre 840 y 3874 $ kW−1 de capacidad instalada para 17 países en total, siendo el resto del mundo asignado promedios para el continente en el que se encuentran. El costo de operación y mantenimiento (OPEX) y las tasas de descuento (DR) se basaron en si el país es OCDE o no OCDE. Para cada FN, los costos de LCOE se calcularon en función de CAPEX, OPEX, SP y DR con una vida útil del proyecto de 25 años. Nuestros datos de costos de tecnología se basan en los costos de energía solar fotovoltaica residencial IRENA2 para 2019.

a La distribución geográfica del potencial técnico global de RTSPV generado en nuestro estudio. Las principales regiones del mundo se destacan en la imagen y se proporcionan datos para el área total estimada de la azotea (RA), la capacidad instalada (IC) y la generación potencial (POT) para cada región. La masa terrestre global está codificada por colores en 11 contenedores potenciales RTSPV. La variación estacional en el potencial global agregado se destaca en la parte inferior derecha. b La distribución geográfica de los valores LCOE generados en nuestro estudio en todo el mundo con los principales países destacados en cada región del mundo. Cada país resaltado tiene un valor LCOE agregado correspondiente para todo el país. Los valores LCOE están codificados por colores en 14 contenedores de costos. Mapa de datos de límites de la base de datos de áreas administrativas globales (GADM: https://gadm.org).

Nuestra evaluación muestra un potencial técnico global total de 27 PWh año−1, de los cuales Asia (13 PWh año−1), América del Norte (5,5 PWh año−1) y Europa (3,6 PWh año−1) representan la mayoría del potencial seguida de África (2,9 PWh año−1) y América del Sur (1,7 PWh año−1). Los puntos críticos para el potencial se concentran en y alrededor de los asentamientos nucleados densamente poblados a nivel mundial (Fig. 5a). Casi el 20% (5 PWh año-1) del potencial global se encuentra dentro de las áreas con una alta densidad de población (>1500 personas/km2), con el 55% (15 PWh año-1) del potencial que se encuentra disperso dentro de la baja -áreas de densidad (<500 hab/km2). Entre los países, China (4,3 PWh año−1), EE. UU. (4,2 PWh año−1) e India (1,7 PWh año−1) tienen el potencial anual más alto (Tabla 1). Se puede observar una desviación de ± 1% en el potencial global anual debido a la metodología de agregación del factor CF (Figura 2 complementaria).

Aunque la región africana tiene una buena dotación de radiación solar, el potencial RTSPV se evalúa como el tercero más bajo debido al bajo stock de edificios. Entre la Región de África, el mayor potencial se concentra en la región de África Occidental seguida por la Región de África del Norte. Las regiones combinadas del oeste y el norte de África tienen más potencial que la India, lo que destaca la importancia que puede tener el RSTPV de bajo costo en los sistemas energéticos futuros. El crecimiento futuro de la población y el aumento correspondiente en el parque de edificios pueden aumentar el potencial total de RTSPV para África. Tanto las regiones de América del Norte como las de Europa tienen áreas de azotea evaluadas similares (~30 000 km2); sin embargo, América del Norte tiene casi 1,5 veces el potencial de Europa debido a la mayor insolación solar durante el año, especialmente durante los meses de invierno.

Junto con la variabilidad espacial debida a las distribuciones de los edificios sobre el terreno, también se observa la variabilidad estacional del potencial RTSPV debido a la variación de la insolación solar intraanual. La variabilidad estacional del potencial global mensual está entre 1,84 y 2,61 PWh, siendo diciembre y enero los meses con el potencial global más bajo (Fig. 5a). A nivel mundial, la mayor variabilidad estacional de los potenciales se observa por encima de los 45° de latitud norte, que cubre Europa, Rusia, EE. UU. y Canadá. Dentro de las regiones, la mayor variabilidad intraanual de los potenciales (Fig. 6) se observa en la región de Europa Occidental (EUW) con potenciales mensuales entre 94 y 255 TWh. Existe una variabilidad de ±40% en torno al potencial mensual medio de 183 TWh en EUW, observándose el mayor potencial mensual en verano y el menor potencial mensual en invierno. La menor variabilidad regional intraanual de potenciales se observa en la región de África Occidental (AFW) con potenciales mensuales entre 97 y 119 PWh. Existe una variabilidad de ±1% alrededor del potencial mensual promedio de 109 TWh en la región AFW, observándose el potencial mensual máximo en diciembre y enero.

El mapa de calor representa la variabilidad mensual de los potenciales regionales. Los valores entre paréntesis representan el potencial mensual más alto de la región. El mapa de calor codificado por colores representa el % del potencial mensual máximo de la región. Europa (EUW, EUE) ha mostrado una alta variabilidad intraanual del potencial, con el máximo potencial realizado en los meses de verano. En el hemisferio sur, el máximo potencial se realiza en los meses de invierno. Africa West (AFW) ha mostrado la menor variabilidad en el potencial mensual.

Para analizar el costo de alcanzar los potenciales, generamos curvas de costos de oferta para siete regiones del mundo y también a nivel global agregado (Fig. 7a). Casi 10 PWh año-1 (40 %) del potencial global se pueden lograr por debajo de 100 $ MWh año-1, y la mayor parte del potencial se realiza por debajo de 200 $ MWh-1 (Fig. 7b). A nivel global se puede lograr cerca del 40% del potencial con una inversión equivalente al 10% del valor del PIB global de 2015, y con una inversión equivalente al 30% del valor del PIB de 2015 se puede lograr casi el 100% del potencial global. realizarse (Fig. 7c). Descubrimos que el potencial realizable se duplica con cada duplicación posterior de la inversión de capital en RTSPV hasta que el capital invertido sea equivalente al 20 % del valor del PIB global en 2015. Un aumento de la inversión del 20 al 30 % del valor del PIB global en 2015 aumenta el potencial realizable por solo un 27% indicando las áreas donde el costo de implementación de RSTV es muy alto. Estas áreas están representadas por grandes almacenes/complejos industriales en Alaska y Canadá, donde la insolación solar anual es baja y la inversión CAPEX es alta para cubrir la totalidad de los grandes techos con paneles solares.

Curvas de costo de suministro regional (a), que muestran el potencial técnico acumulativo para un tamaño de contenedor de LCOE dado. El aumento absoluto en la altura de la barra representa el cambio en el potencial agregado que se puede realizar en un contenedor de LCOE dado. Las alturas de barra casi constantes para contenedores consecutivos son representativas de un potencial adicional muy pequeño que se realiza a un costo creciente. Para una sola barra, la altura de la barra representa el potencial acumulativo que se puede realizar dentro de una banda LCOE específica. b Distribución de potenciales entre bins LCOE de 10 $/MWh de tamaño. La extracción potencial es la más barata en Asia, seguida de África y Europa. c Inversión CAPEX requerida para alcanzar un potencial total específico como porcentaje del PIB mundial en 2015. Casi el 50 % del potencial mundial puede lograrse con una inversión equivalente al 15 % del valor del PIB mundial de 2015.

A nivel global también se observa variabilidad espacial en el LCOE (Fig. 5b). En el hemisferio norte, los valores de LCOE aumentan gradualmente de 40 $ MWh−1 a 280 $ MWh−1 con el aumento de la latitud. Aquí, el noreste de China es una excepción que ha mostrado una disminución en los valores de LCOE con latitudes crecientes. Para Asia, la mayor parte del potencial se puede realizar entre 40 y 100 $ MWh−1, lo que hace que el RTSPV sea competitivo con las tecnologías de combustibles fósiles. El costo de alcanzar el potencial específico del país es más bajo en India con 66 $ MWh−1 en comparación con China (68 $ MWh−1).

Para Europa, África, América del Sur y las naciones insulares, la mayoría del potencial total se puede realizar por debajo de 180 $ MWh−1. Dentro de Europa, España tiene el coste LCOE más bajo de 90 $ MWh−1, observándose una tendencia creciente en el coste al moverse hacia las latitudes más altas. Dentro de cada país de la región europea, también se observa una mayor variabilidad en el LCOE con algunas regiones observando costos más bajos que las regiones vecinas en la misma latitud. En la región africana, la mayor parte del potencial total se puede realizar entre 110 y 160 $ ​​MWh−1. Dentro de África, Nigeria, Gabón y Camerún tienen los costos más altos (alrededor de 150 $ MWh−1) para alcanzar sus respectivos potenciales.

América del Norte, el Reino Unido y Japón han mostrado el costo más alto para realizar el potencial. Esto se puede atribuir a los altos costos de CAPEX en los países, que se espera que se reduzcan en el futuro debido a las innovaciones tecnológicas y la reducción de los aranceles de importación. En América del Norte, Canadá y los estados del noreste de EE. UU. alrededor de los Grandes Lagos tienen los costos de LCOE más altos. El costo para alcanzar el potencial en estos países oscila entre 200 y 280 $ MWh−1. Reino Unido (251 $ MWh−1) tiene los costos específicos de país más altos para alcanzar su potencial.

Globalmente, el CAPEX requerido para acceder al potencial varía tanto con respecto al tamaño del PIB como con respecto a los valores LCOE (Fig. 8a). Para aprovechar todo el potencial en sus respectivos países, los países de bajos ingresos necesitarían invertir capital que es varias veces (hasta 3,5 veces) el valor del PIB de 2015, incluso con un LCOE relativamente bajo de entre 80 y 150 $ MWh−1 para cubrir altos costos iniciales. Para valores LCOE similares, los países de ingresos altos (Clasificación de ingresos del Banco Mundial) pueden alcanzar todo su potencial con una inversión de capital equivalente a una fracción (hasta la mitad) del valor de su PIB de 2015.

a Disparidad en el logro de todo el potencial, con países de bajos ingresos que requieren una inversión de capital mayor que su respectivo valor del PIB de 2015 para alcanzar todo el potencial. b Distribución de 32 regiones en relación a su factor de rendimiento relativo y PIB per cápita. La región roja se enfoca en los países que actualmente tienen un alto despliegue de energía fotovoltaica en la azotea. La región verde se enfoca en países donde el despliegue de la tecnología RTSPV tendrá los máximos beneficios.

Clasificamos a los países en grupos según su PIB per cápita (PIBPC) y su factor de rendimiento (Fig. 8b). En este estudio, definimos el factor de rendimiento como el potencial anual que se puede realizar a partir de 1 TW de capacidad instalada. Con base en esta categorización, descubrimos que las economías emergentes, incluidas India, Brasil y México, tienen factores de alto rendimiento (1.5–2) que favorecerían el despliegue de RTSPV en estos países. Si bien la diferencia de LCOE entre los dos países más poblados (India y China) es mínima, con mayor dotación solar y con alto factor de rendimiento, el despliegue de la tecnología RTSPV se vuelve más favorable en India frente a China. Sin embargo, la adopción de RTSPV sigue siendo muy baja en estos países debido a la falta de crédito y la incapacidad de pagar el alto costo inicial del sistema RTSPV. Esto destaca la necesidad de cooperación global, transferencia de tecnología e instrumentos financieros verdes para acelerar el despliegue de tecnología RTSPV baja en carbono en países de ingresos bajos y medianos.

El estudio muestra cómo se puede utilizar un marco basado en big data y un modelo ML junto con plataformas de computación en la nube para llevar a cabo una evaluación del potencial de recursos a escala planetaria. Analizamos 130 millones de km2 de superficie terrestre global utilizando aprendizajes de muestras globales que contienen 300 millones de edificios con 16 millones de km de carreteras. Usando Google Earth Engine y un modelo ML, demarcamos 1,2 millones de km2 del área construida que contiene 0,2 millones de km2 de área de azotea. Como parte de la evaluación, generamos (1) un conjunto de datos de área de techo global (2) un conjunto de datos de potencial RTSPV global con una resolución temporal mensual, (3) costos de alcanzar el potencial técnico. Los conjuntos de datos se utilizaron además para generar mapas globales de alta resolución del potencial y los costos. También hemos avanzado en el estado actual del arte al combinar los enfoques de arriba hacia abajo y de abajo hacia arriba a escala global para desarrollar un marco híbrido para la evaluación del potencial de recursos que también se puede utilizar para avanzar en la evaluación del potencial global de energía eólica y bioenergía. La evaluación muestra que existe un potencial RTSPV considerable de 27 PWh año−1 a nivel global que se puede alcanzar por costos entre 40 y 280 $ MWh−1. El potencial es más alto en Asia, seguida de América del Norte y Europa. Se requiere una inversión de capital de alrededor de 7 billones de dólares a precios actuales para lograr una generación de electricidad basada en RTSPV global de 10 PWh año−1 por debajo del LCOE de 100 $ MWh−1, cubriendo a 3720 millones de personas en todo el mundo.

A nivel regional de la UE-27, nuestra superficie estimada de tejados de 7596,4 km2 es similar a los 7935 km2 calculados en Bodis et al. estudio al incorporar un factor de escala en la azotea de 0,3. Para EE. UU., nuestra superficie estimada de tejados y el potencial anual de 8827 km2/1,9 PWh año−1 se comparan bien con las estimaciones de 8130 km2/1,4 PWh año−1 presentadas en Gagnon et al. estudio al incorporar un factor de escala en la azotea de 0,32. A nivel de ciudad, nuestro potencial de 1 TWh año-1 está alineado con el 1 TWh año-1 calculado en un estudio realizado por Hong et al.36 en el que utilizaron análisis avanzados de sombreado para capturar los efectos de la construcción de sombras inducidas en topografía urbana densa. En la Tabla complementaria 7 se documenta una comparación detallada a nivel mundial, regional, nacional y de ciudad de nuestros resultados con trabajos de investigación seleccionados. A partir de la comparación con otros estudios, podemos concluir que los resultados de nuestro marco demuestran una alta veracidad, ya que están dentro del margen. de error de valores presentes en la literatura. Además, la buena precisión de estimación de nuestro marco a alta resolución espacial se traduce en mayores precisiones a resoluciones más bajas agregadas.

Nuestra evaluación tiene implicaciones importantes para abordar los desafíos gemelos del desarrollo sostenible y el cambio climático con beneficios colaterales en el avance de los ODS 3 y ODS 7. Primero, el análisis del potencial espacial de RTSPV presentado en este estudio muestra que el 55 % del potencial global de RTSPV es distribuidas en áreas de baja densidad. Esto destaca un aspecto importante de la transición solar, donde la mayoría de sus beneficios en el suministro de electricidad rentable y de despliegue rápido se pueden realizar en áreas rurales. Por lo tanto, RTSPV puede ayudar a mitigar la pobreza energética que se experimenta en las áreas menos desarrolladas y escasamente pobladas en un país donde la integración extensiva de la red puede ser costosa o donde puede existir competencia por la tierra. Casi el 20% del potencial global se encuentra en las áreas de alta densidad donde el despliegue de RTSPV puede ayudar a desplazar la electricidad derivada de combustibles fósiles con una generación de electricidad menos contaminante, reduciendo así la contaminación del aire local60. En segundo lugar, desde una perspectiva de igualdad energética y la agenda de los ODS de “no dejar a nadie atrás”, las zonas más desfavorecidas con respecto al acceso a la electricidad son actualmente los países de bajos ingresos3 que requieren el despliegue rápido y rentable de generación de electricidad limpia. infraestructura. Nuestra evaluación muestra que los países de bajos ingresos pueden necesitar importantes inversiones de capital como costos iniciales elevados de instalación de RTSPV del orden de magnitud de 2 a 3 veces su valor del PIB de 2015 para alcanzar sus potenciales específicos del país. A los costos actuales, es posible que los gobiernos deban proporcionar subsidios y buscar inversiones externas para mejorar las perspectivas de implementación de RTSPV en estas áreas. Esto destaca el papel vital que las economías desarrolladas pueden desempeñar para permitir el despliegue de RTSPV en estos países por medio de flujos financieros para obtener los beneficios colaterales del cambio climático. Con la maduración de la tecnología y el surgimiento de una economía de escala, los costos disminuirán aún más para permitir una revolución solar en estas áreas y ayudar en su futuro energético bajo en carbono.

En tercer lugar, los países que actualmente están cosechando sus dividendos demográficos, como India y China, están mejor preparados para un despliegue rápido de RTSPV. Mostramos que estos países tienen un alto potencial con una baja variabilidad potencial estacional junto con un bajo costo de implementación. Como estos países tienen la mayor proporción de población a nivel mundial con grandes existencias de edificios, pueden ser los primeros en descarbonizar su infraestructura de generación de electricidad mediante el despliegue sustancial de una cartera de generación de electricidad descentralizada, ayudando aún más en la mitigación del cambio climático. Junto con la mitigación climática, la implementación de RSTPV en estos países puede ganar mucho del alto porcentaje de mano de obra en la población en forma de mantenimiento operativo y de fabricación rentable. En cuarto lugar, la evaluación de alta resolución puede ayudar a los gobiernos locales a identificar ubicaciones adecuadas para el rápido despliegue de la infraestructura de generación de energía. De esta manera, la formulación ascendente de la política energética puede conducir al diseño inclusivo de políticas nacionales para brindar justicia energética a los ciudadanos. En quinto lugar, las empresas y las instituciones financieras como el Banco Mundial y el Fondo Monetario Internacional pueden analizar en profundidad las oportunidades y los riesgos de inversión en la implementación de infraestructuras RSTPV que conduzcan a la creación de empleo local y al desarrollo sostenible de las industrias manufactureras. Sexto, la información contenida en la evaluación junto con las curvas de costos de suministro es un paso adelante medible y llena un vacío de información importante que está presente en los modelos de evaluación integrados actuales donde los potenciales de energía solar fotovoltaica a menudo se representan como potenciales agregados para instalaciones de servicios públicos y en techos. Nuestra evaluación proporciona hallazgos perspicaces y conjuntos de datos potenciales técnicos que sin duda ayudarán a modelar con precisión los futuros escenarios neutrales en carbono para informar las políticas energéticas nacionales61,62,63,64,65,66. Sin duda, esto ayudará a explorar posibilidades futuras sostenibles e inclusivas con bajas emisiones de carbono.

Nuestro estudio muestra una variabilidad pronunciada de los potenciales estacionales en las latitudes más altas para los países que cubren las regiones de Europa, América del Norte y Australia. Estas regiones tienen un alto consumo de electricidad per cápita junto con la capacidad financiera para introducir VRE significativos en la combinación de generación de electricidad. Para mitigar la variabilidad de los potenciales a lo largo del año, cobran importancia las redes inteligentes que optimizan la cartera de generación y la introducción de mecanismos impulsados ​​por los reguladores que equilibren el mercado de generación. Además, se necesita la introducción de nuevos mecanismos de mercado67 para integrar efectivamente a los prosumidores y operadores de servicios públicos en mercados competitivos de generación de electricidad. Con la caída de los precios de las tecnologías de almacenamiento de electricidad y la gestión inteligente de las redes interconectadas, la tecnología RSTPV desempeñará un papel fundamental en estos mercados al desempeñar funciones de generación, almacenamiento y equilibrio del sistema.

En conclusión, nuestra evaluación muestra que el potencial de generación de electricidad actual de RTSPV supera la demanda de electricidad global agregada anual actual (2018)68. Nuestra evaluación también muestra que se requiere un mínimo del 50 % del área total de azoteas a nivel mundial para satisfacer la demanda de electricidad agregada mundial anual. Debido a los ciclos diurnos de la insolación solar y para equilibrar la variabilidad estacional y diaria de la generación RTSPV, el papel de las soluciones de almacenamiento para complementar la generación de electricidad RTSPV es fundamental para aprovechar al máximo el potencial de esta tecnología y satisfacer la demanda máxima diaria. Por lo tanto, el potencial práctico realizable de RTSPV dependerá de la trayectoria de costos futuros de las tecnologías de almacenamiento, el gasto de capital relacionado con la tecnología y la configuración general del sistema energético.

Incluso con sus limitaciones y deficiencias, la evaluación actual sigue siendo el estado del arte y proporciona a los investigadores conjuntos de datos de análisis global. Los métodos y conjuntos de datos subyacentes han sido revisados ​​por pares y son de la más alta calidad disponible actualmente y representan un avance de generación sobre los conjuntos de datos utilizados en los métodos de vanguardia actuales. El conjunto de datos actual se puede mejorar mediante el uso de un conjunto de datos de cobertura terrestre de resolución de 10 m de próxima generación y con un aumento en la resolución espacial de la población y los datos solares a escala global. Mejores plataformas de procesamiento de datos pueden permitir que se realice más trabajo con una resolución de 1 km, proporcionando un aumento de 100 veces en la representación espacial de los potenciales. Además, las entradas en forma de variación regional realista en la disponibilidad de la azotea ayudarán a reducir la incertidumbre en los potenciales y el costo y deberían ser el siguiente paso lógico de investigación en la mejora del modelo.

Generamos un total de 3 521 120 redes de pesca usando la aplicación de escritorio ArcGIS PRO para toda la masa terrestre global excepto el continente de la Antártida. La cuadrícula FN es la unidad más baja de agregación de datos en nuestro método. Las FN en la frontera de dos países tienen un identificador Fishnet común pero una atribución de país única con FN dividida en la frontera. A continuación, los polígonos de red se cargaron en la plataforma del motor de Google Earth69 (GEE) para calcular el área construida (BAFN), la población (PPLNFN) y los factores de conversión (CFFN) derivados de satélites para cada celda de red.

Utilizamos la capa de cobertura terrestre global (LC) de Copernicus Global Land Service v2.0 para calcular los valores BAFN dentro de cada FN. Esta capa de clasificación de cobertura terrestre fue elegida por su solidez y cobertura casi global y está respaldada por pruebas y validaciones exhaustivas. El LC tiene muchas categorías de clasificaciones, entre las cuales el área edificada es una de las clasificaciones. La clasificación construida se deriva a su vez de la capa World Settlement Footprint 2015 de la Agencia Espacial Europea que se deriva de las imágenes ópticas y de radar de una misión centinela de resolución de 10 m. Para calcular el área construida total en cada celda de Fishnet, el archivo ráster LC primero se cortó en tamaños más pequeños según los límites geográficos de cada red. El conjunto de datos de LC cortado individualmente se agregó luego usando lo siguiente:

donde BAFN es el área construida en cada celda de red, PXV es el valor de píxel (0–100) que representa el porcentaje del área construida en cada píxel, PXA es el área ocupada por cada píxel.

Para mapear la cantidad de personas que viven en cada celda de red, utilizamos un archivo ráster de población global con una resolución de 100 m proporcionado por el proyecto WorldPop. El ráster de población desglosa los recuentos de población registrados de las Naciones Unidas en una unidad administrativa a una resolución más fina utilizando una metodología basada en ML. El archivo ráster de población se dividió en entidades más pequeñas según los límites geográficos de cada celda de red. Luego, se usa un archivo de enmascaramiento que contiene áreas cubiertas por la capa LC dentro de cada celda de red para enmascarar la población fuera de los límites del área BAFN en cada red. El conjunto de datos de población pequeña individual se agregó para cada celda de red utilizando lo siguiente:

donde, PPLNFN es el recuento total de personas que viven en cada red y PX(NM)V es el valor de píxel de cada píxel que no está enmascarado por la capa LC superpuesta. El archivo ráster de población se enmascaró para eliminar cualquier dato de conteo de población que no sea parte del píxel LC. El píxel ráster de población enmascarado se puede atribuir a artefactos inducidos debido al algoritmo de reducción de escala en el conjunto de datos original o áreas adicionales construidas que eran externas a la capa LC. Para mantener la homogeneidad en el análisis, la capa LC se tomó como base para todos los análisis, y se asumió que cualquier área no cubierta por (BAFN) no estaba presente en el terreno, incluso si realmente existe como realidad del terreno.

Los factores CF se calcularon utilizando los conjuntos de datos ráster SolarGIS del Banco Mundial. El conjunto de datos se proporciona como un conjunto de datos ráster de resolución de 1 km y cada píxel proporciona la generación diaria de kWh para cada kWp (pico) de capacidad instalada dentro de ese píxel con una resolución mensual. El conjunto de datos se ha generado utilizando una simulación y validación exhaustivas de la radiación solar, las pérdidas de conversión de energía, los efectos de la atmósfera y el envejecimiento del panel utilizando 20 años de datos documentados. Para cada celda de red, los factores CF se agregaron usando lo siguiente:

donde, CFM,FN es el factor CF de cada mes para cada FN, n es el número de píxeles CF en la FN y PXV es el valor de píxel de cada píxel en el límite geográfico de la FN. Los tres conjuntos de datos (PPLNFN, CFFN, BAFN) y las geometrías FN se procesaron primero en la aplicación de escritorio ArcGIS Pro para armonizar los sistemas de referencia de coordenadas y luego se cargaron en la plataforma GEE para su procesamiento. En GEE, dividimos los conjuntos de datos en función de las geometrías FN individuales y agregamos los tres conjuntos de datos en función de las reglas destacadas anteriormente. La arquitectura de computación en la nube de GEE puede procesar una gran cantidad de conjuntos de datos en un marco de tiempo relativamente más corto y genera un conjunto de datos tabulados para su posterior procesamiento.

Para generar huellas de edificios reales, recopilamos formas de polígonos de edificios como capas vectoriales de grandes fuentes de datos. Para las muestras de huellas de edificios, utilizamos huellas de edificios generadas por IA por los equipos de Microsoft AI y Ecopia AI. Estos dos conjuntos de datos cubren todo EE. UU., Canadá y 39 países africanos. Las muestras de Microsoft AI y Ecopia AI (>300 millones de edificios individuales) se dividieron en función de la capa FN para cada celda FN que se superpone a los países de muestra, y se enmascararon aún más para eliminar las huellas de edificios fuera de la capa BAFN. Las huellas de edificios no enmascaradas se agregaron en función de lo siguiente:

donde BFFN es la huella de edificio agregada para cada FN de muestra y BP(NM)V es el área poligonal de huella de edificio individual no enmascarada dentro de la FN que se superpone a la capa BAFN. El enmascaramiento eliminó los edificios construidos después del año de referencia 2015. Aunque la capa BAFN cubre la extensión total del área construida a nivel mundial, aún puede pasar por alto algunas áreas construidas debido a artefactos en las imágenes satelitales. Sin embargo, esto es insignificante y, a efectos de nuestro estudio, se considera como la capa de referencia sobre la que basar nuestro análisis. Las huellas de edificios superpuestas se disolvieron en un solo polígono antes de dividirse y los polígonos intersectados por un límite FN se dividieron en la línea de intersección. Para el resto del mundo, las huellas de edificios derivadas de OSM (consultadas en abril de 2020) se analizaron y agregaron en función de la ecuación. (4). Se seleccionaron un total de 4000 muestras FN globales del conjunto de datos de construcción de OSM. La estrategia de muestreo para generar las 4000 muestras de OSM fue extraer edificios limitados por FN que tenían una relación BFFN/BAFN de entre 0,15 y 0,11. Estas proporciones corresponden al percentil 75 y al percentil 50 de los datos procesados ​​de los conjuntos de datos de Microsoft AI y Ecopia AI. En total, pudimos recolectar con éxito muestras de casi todos los países del mundo que cubren diferentes etapas de desarrollo socioeconómico, difusión cultural y ubicaciones geográficas.

La métrica de la longitud de la carretera se derivó completamente de los conjuntos de datos de OSM. Para procesar el conjunto de datos RL, se utilizó el archivo de conjunto de datos planetarios de OSM (consultado en abril de 2020). El archivo planetario tiene carreteras representadas en forma de líneas atribuidas por los diferentes tipos, por ejemplo, residencial, autopista, sendero, etc. La entidad de línea se dividió en función de cada FN global, se enmascaró con la capa BAFN y se agregó en función de lo siguiente:

donde RLFN es la longitud de carretera agregada para cada FN global y L(NM)V es la longitud individual de todas las carreteras dentro de cada capa BAFN superpuesta de FN. Se observó durante la agregación del conjunto de datos RLFN, que los extremos de las carreteras en el conjunto de datos OSM se superponen en algunas ubicaciones, estas superposiciones se disolvieron en entidades de una sola línea antes de la agregación. Además, algunas carreteras se extienden más allá de la capa BAFN dentro de cada FN. Estos caminos se recortaron en el límite BAFN para mantener una extensión homogénea para la región de interés para todos los conjuntos de datos utilizados en el análisis. En total, tuvimos éxito en el procesamiento de la infraestructura vial para casi todos los países del mundo.

La carga, la división y el procesamiento de la geometría para las huellas de los edificios y las líneas de la carretera se realizaron utilizando el soporte multinúcleo de ArcGIS PRO. La agregación de los conjuntos de datos y el mapeo del conjunto de datos agregados con los límites de FN se realizó mediante scripts de Python personalizados creados en el módulo de cómputo paralelo DASK70. Debido al gran tamaño de los datos que se procesan, descubrimos que las arquitecturas multinúcleo y los marcos de computación paralelos desarrollados en los últimos años pueden ser de gran utilidad para diseñar y ejecutar análisis a escala planetaria con requisitos mínimos de costo y tiempo.

Hemos utilizado computación en la nube en la forma de la plataforma Google Earth Engine. En general, la paralelización del procesamiento de datos se realizó de cuatro maneras, primero al desagregar conjuntos de datos ráster globales y mapear los valores agregados a nuestros FN globales. Hicimos esta tarea para 12 rásteres solares mensuales, 1 ráster de cobertura terrestre y, finalmente, para el ráster de población global. Aquí, ejecutamos todo el álgebra ráster y los códigos de mapeo en Google Earth Engine, donde el procesamiento de datos de back-end se dividió en flujos paralelos múltiples y se ejecutó en la infraestructura de la nube de Google. Esto condujo a la aceleración del procesamiento de datos, ya que el álgebra ráster es muy paralelo en su ejecución, donde cada celda ráster se puede trabajar de forma independiente. En segundo lugar, al desagregar conjuntos de datos vectoriales globales y mapear los valores agregados a nuestros FN globales. Al momento de escribir este artículo, Google Earth Engine era menos eficiente en la realización de análisis de vectores. La razón de esto es que en lugar de una superficie ráster de píxeles que se puede calcular de forma paralela, los conjuntos de datos vectoriales necesitan algoritmos especializados. Aquí, utilizamos la arquitectura de procesamiento paralelo multinúcleo de ARCGIS Pro, donde los conjuntos de datos vectoriales en forma de huellas de edificios y caminos pueden procesarse de manera efectiva dividiendo el mapa en diferentes regiones y procesando cada región en un solo núcleo. Esta tarea se realiza en el backend usando apache spark. En tercer lugar, al realizar la agregación y manipulación de datos dentro del entorno de Python de escritorio. Grandes componentes del procesamiento de datos, que van desde el cálculo de techos hasta los cálculos de LCOE, se realizaron utilizando el marco DASK. En este marco, los marcos de datos se pueden dividir en pequeños fragmentos y procesar en paralelo. Esto nos proporcionó una reducción significativa en los tiempos de procesamiento. Cuarto, al entrenar el modelo ML. Se escribieron scripts personalizados en python para realizar la optimización de hiperparámetros y la validación cruzada de 10 veces de manera paralela. Cada uno de los 10 pliegues de la validación cruzada se asignó al núcleo independiente de nuestra máquina de 12 núcleos, lo que condujo a una convergencia más rápida de los hiperparámetros a una solución óptima.

El modelo ML fue entrenado en PPLNFN, RLFN, BAFN como variables independientes y BFFN como variable dependiente para cada muestra FN. El primer paso en la preparación del modelo fue imputar los datos faltantes en las variables independientes. Las imputaciones son necesarias ya que a algunas FN les faltan datos de población o de longitud de camino debido a la escala global del análisis. Esta discrepancia es esperada y está presente debido a que las carreteras de OSM no están mapeadas para todas las carreteras del planeta y también debido a la metodología de reducción de escala utilizada para generar el ráster de población original de WorldPop.

La imputación de datos se manejó mediante un script de python personalizado que utilizaba la función de imputación iterativa del módulo Scikit-Learn71. Además, generamos el modelo de reducción de escala utilizando el marco XGBoost72. Al elegir entre el marco basado en redes neuronales o los marcos de aumento de gradiente, usamos este último, ya que el marco XGBoost ha demostrado un rendimiento superior, al tiempo que utiliza un tiempo de cálculo considerablemente menor para alcanzar un estado de modelo óptimo. Además, al ejecutarse en una arquitectura solo de CPU, el marco XGBoost puede generar resultados repetibles en cada ejecución posterior, lo que es difícil de lograr en un marco basado en GPU como Neural Networks debido a la incertidumbre inherente inducida por la arquitectura de cómputo paralela masiva de una GPU. .

El modelo básico de XGBoost se personalizó para nuestra tarea hiperajustando los parámetros del modelo mediante una validación cruzada de 5 veces. Cada pliegue de la validación cruzada generó una métrica de pérdida de error cuadrático medio (MSE) al final de su ejecución. La media de los cinco MSE se eligió como la métrica para reducir durante el proceso de hiperajuste (los parámetros finales del modelo están presentes en la Tabla complementaria 1). Luego, el modelo entrenado se usó para estimar los valores de la huella del edificio para cada celda FN global usando valores PPLNFN, RLFN, BAFN. El resultado final de la reducción de escala (BFEFN) se almacenó como un archivo ráster de resolución global de 10 km donde cada píxel representa la huella de construcción agregada estimada para cada FN.

Para calcular el potencial RTSPV de BFEFN, hicimos algunos supuestos generales para mantener la uniformidad en nuestros cálculos. Asumimos que la huella del edificio estimada es representativa del área de techo disponible en cada FN, es decir, el 100 % del techo estimado está disponible para la instalación de paneles solares. Para instalar 1 kWp de energía solar fotovoltaica montada en el techo, se requieren 10 m2 de área en el techo, lo cual está en línea con la tecnología de película delgada actualmente en uso. La energía solar fotovoltaica montada en el techo se instala en el ángulo óptimo para cada latitud y está orientada al sol y sin sombra para generar la máxima producción de electricidad. Los techos de los edificios tienen un diseño plano, lo que lleva a la utilización de todo el techo para la instalación de paneles solares.

Con base en los supuestos, es decir, 10 m2 de área para un panel con una eficiencia del 10 %, el potencial solar técnico se calcula para todas las FN globales durante 12 meses usando lo siguiente:

donde SP es el potencial solar técnico, BFEFN es el área de techo estimada en m2, CF es el factor de conversión, M es el mes y FN es la celda de red única, y DaysM es el número de días en el mes respectivo. Los factores de conversión solar del Banco Mundial están disponibles para regiones entre 60°N y 45°S. Para regiones más allá de 60°N y 45°S, asumimos un factor de conversión constante de 3,5 kWh/kWp/día. Esto ha llevado a una ligera sobreevaluación del potencial de países como Suecia y Noruega. Sin embargo, como la densidad del área edificada se reduce significativamente más allá de los 60°N y 45°S, el error global total debido a esta suposición sigue siendo pequeño. Los cálculos para generar el potencial solar se procesan mediante scripts de Python personalizados que usan el módulo DASK para manejar operaciones aritméticas masivas. Además, el conjunto de datos ráster de potencial solar procesado se almacena como un archivo de geopaquete para visualizaciones y cálculos económicos.

LCOE proporciona un método fácil y sólido para comparar la viabilidad económica de un proyecto dentro de una FN específica. Se asumió que el costo de capital de la instalación (CAPEX) será escalonado al primer año de puesta en marcha y los paneles instalados tendrán una vida útil de 25 años. El mapeo geográfico para CAPEX, gastos operativos (OPEX) y tasa de descuento (DR) se obtuvo del informe de costos de energía renovable de IRENA de 2019. El LCOE para cada FN se calcula utilizando lo siguiente:

donde, CAPEXFN (2019 $/kW) es el gasto de capital en la instalación del sistema RTSPV para la FN dada, OPEXFN,t (2019 $/kW) es el gasto de operación y mantenimiento para la FN dada y para el año específico (t) , t es el número del año, DR es la tasa de descuento, M es el número del mes y SPM,FN (kWh/mes) es la generación potencial para el mes y FN dados. Hemos utilizado datos de CAPEX para 17 países diferentes y asignamos el valor de CAPEX promedio al resto de los países en función del continente en el que se encuentran. OPEX y DR tienen valores basados ​​en clasificaciones de países de la OCDE y no OCDE. La agregación por país de LCOE, SP de cada FN a partir de sus respectivos valores intrapaís de alta resolución se ha realizado utilizando la siguiente regla

Cabe señalar que no consideramos el costo de la expansión adicional de la red o la infraestructura de almacenamiento para alcanzar el potencial técnico total de la energía solar fotovoltaica en la azotea. Además, el costo del desmantelamiento y el valor de la chatarra de la instalación no se consideraron al final de la vida útil de 25 años de los proyectos. Al calcular el SP y el LCOE, se asumió que no existe una instalación solar fotovoltaica en la azotea a nivel mundial, y todas las capacidades adicionales comenzarán su puesta en marcha a partir del año 2019.

Nuestra evaluación se basa en la precisión de la capa global de cobertura del suelo, que con su resolución de 100 m puede, en algunos lugares, sobrestimar la extensión del área construida. Además, la cobertura del suelo clasifica las carreteras, los estacionamientos, los límites de las áreas verdes, las canchas de tenis y las áreas arqueológicamente significativas como áreas edificadas con una clasificación errónea que varía entre las diferentes regiones. Nuestra suposición de que los techos son planos, sin sombras y orientados al sol con un techo completo disponible para la instalación se suma a las limitaciones metodológicas. Además, los grandes datos relacionados con las huellas de los edificios y las carreteras globales tienen limitaciones metodológicas inherentes, como la representación simplificada de una azotea compleja con un polígono cuadrado, carreteras superpuestas, etc.

Para los cálculos del potencial técnico, asumimos que el 100 % del techo estimado está disponible para instalar paneles solares, es decir, la orientación y la pendiente del edificio no se tienen en cuenta para los resultados basados ​​en el supuesto de disponibilidad del 100 % del techo en nuestro análisis principal. Estas suposiciones pueden generar limitaciones en la interpretación real de los resultados principales, ya que una fracción del techo puede estar disponible para la instalación de paneles solares. Para dar cuenta de esto, hemos documentado el cambio regional en el potencial como un análisis de incertidumbre para una combinación de factores de escala de la azotea y eficiencias del panel. En la literatura actual, la reducción del área total del techo al área del techo disponible generalmente se realiza a través de un factor de escala del techo que es un indicador de la pérdida del área del techo debido a la orientación, la pendiente y las superestructuras del techo como chimeneas, etc. Aunque existen algunos estudios. a nivel de país donde se documenta el factor de escala de la azotea, a escala global no existe un conjunto de datos autorizado que pueda demarcar los factores de escala de la azotea a nivel de país. Se requiere más trabajo para documentar los factores de escala de la azotea específicos del país que están fuera del alcance del objetivo de investigación de este estudio.

Nuestras suposiciones de costos cubren 17 países diferentes en todos los continentes con valores promedio para el resto de los países. Estos supuestos pueden asignar valores de LCOE aumentados o disminuidos a una determinada región como África y América del Sur. Otra limitación de los supuestos de costos es la incapacidad de la métrica LCOE para capturar la variación del LCOE dentro del país en un alto grado debido a la falta de datos de costos de alta resolución. Además, la variabilidad de los costos debido al despliegue adicional de la red, los mecanismos tarifarios y el cambio global en los precios debido a las prácticas de proteccionismo comercial están más allá del alcance de la evaluación actual. Finalmente, calculamos todas las métricas de costo y potencial asumiendo que no existe capacidad instalada para el ROI, donde en el horizonte de tiempo actual sí existe algo de capacidad instalada.

La mayoría de las limitaciones se pueden atribuir a los datos subyacentes utilizados en nuestra evaluación, que se pueden mejorar con el avance posterior en la metodología de los proveedores de datos. Se pueden realizar más investigaciones para reducir las limitaciones metodológicas que actualmente se ven obstaculizadas por la disponibilidad de datos y la falta de datos globales homogéneos.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente a pedido razonable. La hoja de ruta global se basa en OpenStreetMap (OSM), que se puede descargar gratuitamente. El archivo de planeta utilizado en este estudio se descargó el 1 de abril de 2020. El mapa de cobertura terrestre se basa en Copernicus Global Land Service: Land Cover 100 m: colección 3: época 2015: Globe (https://doi.org/10.5281/zenodo .2583745). Otras fuentes de datos que son de uso gratuito se proporcionan en el texto principal y en la sección "Métodos".

El pseudocódigo para realizar este análisis se puede encontrar en el material complementario (Nota complementaria 1) y debe leerse junto con la sección "Métodos". El modelo básico de XGBoost está disponible en https://xgboost.readthedocs.io. La secuencia de comandos de python para el trazado y la agregación de datos está disponible del autor correspondiente a pedido razonable.

AIE. Renovables 2019: Análisis y previsiones a 2024. Agencia Internacional de Energía https://www.iea.org/reports/renewables-2019 (2019).

Agencia Internacional de Energías Renovables, AD Renewable Power Generation Costs in 2019. https://www.irena.org/publications/2020/Jun/Renewable-Power-Costs-in-2019 (2020).

IEA, Agencia Internacional de Energías Renovables, División de Estadísticas de las Naciones Unidas, Banco Mundial y Organización Mundial de la Salud. Seguimiento del ODS 7: Informe de progreso energético 2019. Banco Mundial (2019).

AIE. Global Energy Review 2020. Global Energy Review 2020. https://doi.org/10.1787/a60abbf2-en (OCDE, 2020).

IRENA. Futuro de la energía solar fotovoltaica: implementación, inversión, tecnología, integración de la red y aspectos socioeconómicos (A Global Energy Transformation: artículo) (2019).

Bódis, K., Kougias, I., Jäger-Waldau, A., Taylor, N. & Szabó, S. Una evaluación geoespacial de alta resolución del potencial solar fotovoltaico en la azotea en la Unión Europea. Renovar. Sostener. Energía Rev. https://doi.org/10.1016/j.rser.2019.109309 (2019).

Gagnon, P., Margolis, R., Melius, J., Philips, C. y Elmore, R. Potencial técnico de la energía solar fotovoltaica en los techos de los Estados Unidos: una evaluación detallada. Informe técnico de NREL https://www.nrel.gov/docs/fy16osti/65298.pdf (2016).

Mainzer, K. et al. Una determinación de alta resolución del potencial técnico para sistemas fotovoltaicos montados en techos residenciales en Alemania. Sol. Energía https://doi.org/10.1016/j.solener.2014.04.015 (2014).

Walch, A., Castello, R., Mohajeri, N. & Scartezzini, JL Big data mining para la estimación del potencial fotovoltaico de techo por hora y su incertidumbre. aplicación Energía https://doi.org/10.1016/j.apenergy.2019.114404 (2020).

Creutzig, F. et al. El potencial subestimado de la energía solar para mitigar el cambio climático. Nat. Energía https://doi.org/10.1038/nenergy.2017.140 (2017).

Freitas, S., Catita, C., Redweik, P. & Brito, MC Modelización del potencial solar en el entorno urbano: revisión del estado del arte. Renovar. Sostener. Rev. Energética https://doi.org/10.1016/j.rser.2014.08.060 (2015).

Betak, J. et al. Potencial de energía fotovoltaica global por país (inglés). Programa de Asistencia para la Gestión del Sector Energético (ESMAP). (Grupo del Banco Mundial, Washington, DC).

Korfiati, A. et al. Estimación del potencial global de energía solar y coste fotovoltaico con el uso de datos abiertos. En t. J. Sostener. Plan Energético. Administrar 9, 17–29 (2016).

Google Académico

Naroll, R. Superficie construida y población de asentamientos. Soy. antigüedad https://doi.org/10.2307/277689 (1962).

AIE. Perspectivas de tecnología energética 2016: Hacia sistemas de energía urbanos sostenibles. En t. Agencia de la Energía (2016).

Hoogwijk, MM Sobre el Potencial Global y Regional de las Fuentes de Energía Renovable. Asamblea (2004).

Izquierdo, S., Rodrigues, M. & Fueyo, N. Un método para estimar la distribución geográfica de la superficie de cubierta disponible para evaluaciones de potencial de energía fotovoltaica a gran escala. Sol. Energía 82, 929–939 (2008).

Artículo ANUNCIOS Google Académico

Ordóñez, J., Jadraque, E., Alegre, J. & Martínez, G. Análisis de la capacidad de energía solar fotovoltaica de las cubiertas residenciales en Andalucía (España). Renovar. Sostener. Energía Rev. https://doi.org/10.1016/j.rser.2010.01.001 (2010).

Defaix, PR, van Sark, W., Worrell, E. & de Visser, E. Potencial técnico de la energía fotovoltaica en edificios en la UE-27. Sol. Energía 86, 2644–2653 (2012).

Artículo ANUNCIOS Google Académico

Assouline, D., Mohajeri, N. y Scartezzini, J.-L. Cuantificación del potencial de energía solar fotovoltaica en la azotea: un enfoque de aprendizaje automático. Sol. Energía 141, 278–296 (2017).

Artículo ANUNCIOS Google Académico

Wegertseder, P., Lund, P., Mikkola, J. & García Alvarado, R. Combinación de métodos de integración de sistemas de energía y mapeo de recursos solares para una valoración realista del potencial de energía solar urbana. Sol. Energía 135, 325–336 (2016).

Artículo ANUNCIOS Google Académico

Lehmann, H. & Peter, S. Evaluación del potencial de techos y fachadas para uso solar en Europa. Instituto Sustain. Solucion innovador https://doi.org/10.1017/CBO9781107415324.004 (2003).

Lee, M., Hong, T., Jeong, K. & Kim, J. Un enfoque de abajo hacia arriba para estimar el potencial económico del sistema solar fotovoltaico en la azotea considerando la diversidad espacial y temporal. aplicación Energía 232, 640–656 (2018).

Artículo Google Académico

Jacobson, MZ et al. Hojas de ruta de energía 100% limpia y renovable para todos los sectores de viento, agua y luz solar para 139 países del mundo. Joule https://doi.org/10.1016/j.joule.2017.07.005 (2017).

Gernaat, DEHJ, de Boer, HS, Dammeier, LC & van Vuuren, DP El papel de la energía fotovoltaica en los tejados residenciales en los escenarios energéticos y climáticos a largo plazo. aplicación Energía https://doi.org/10.1016/j.apenergy.2020.115705 (2020).

Castellanos, S., Sunter, DA & Kammen, DM Potencial solar fotovoltaico en los tejados de las ciudades: ¿Cuán escalables son los enfoques de evaluación? Reinar. Res. Letón. https://doi.org/10.1088/1748-9326/aa7857 (2017).

Lloyd, CT, Sorichetta, A. & Tatem, AJ Descriptor de datos: Datos cuadriculados globales de alta resolución para uso en estudios de población. ciencia Datos https://doi.org/10.1038/sdata.2017.1 (2017).

Verma, V., Kumar, R. & Hsu, S. Detección y modelado de edificios en 3D a partir de datos LIDAR aéreos. En 2006, la Conferencia de la IEEE Computer Society sobre visión artificial y reconocimiento de patrones (CVPR'06). vol. 2, 2213–2220, https://www.computer.org/csdl/proceedingsarticle/cvpr/2006/259722213/12OmNCm7Bws (2006).

Rottensteiner, F. & Briese, C. Un nuevo método para la extracción de edificios en áreas urbanas a partir de datos LIDAR de alta resolución. En Archivos Internacionales de Fotogrametría, Teledetección y Ciencias de la Información Espacial. (Recursos Naturales de Canadá, 2002).

Redweik, P., Catita, C. & Brito, M. Potencial de la energía solar en cubiertas y fachadas en un paisaje urbano. Sol. Energía 97, 332–341 (2013).

Artículo ANUNCIOS Google Académico

Zha, Y., Gao, J. & Ni, S. Uso del índice de acumulación de diferencia normalizada en el mapeo automático de áreas urbanas a partir de imágenes TM. En t. J. Remote Sens. 24, 583–594 (2003).

Artículo ANUNCIOS Google Académico

Buffat, R., Grassi, S. & Raubal, M. Un método escalable para estimar el potencial de irradiación solar en techos en grandes regiones. aplicación Energía 216, 389–401 (2018).

Artículo Google Académico

Ferro, A., Brunner, D. & Bruzzone, L. Detección automática y reconstrucción de huellas de radar de edificios a partir de imágenes VHR SAR únicas. Trans. IEEE. Geosci. Sensor remoto https://doi.org/10.1109/TGRS.2012.2205156 (2013).

Jochem, A., Höfle, B., Rutzinger, M. & Pfeifer, N. Detección y análisis automáticos del plano del techo en nubes de puntos LIDAR aerotransportadas para la evaluación del potencial solar. Sensores 9, 5241–5262 (2009).

Artículo ANUNCIOS Google Académico

Lukač, N., Seme, S., Žlaus, D., Štumberger, G. & Žalik, B. Evaluación del potencial fotovoltaico de los techos de los edificios basada en datos LiDAR (Light Detection And Ranging). Energía 66, 598–609 (2014).

Artículo Google Académico

Hong, T., Lee, M., Koo, C., Jeong, K. & Kim, J. Desarrollo de un método para estimar el potencial solar fotovoltaico (PV) de la azotea mediante el análisis del área disponible de la azotea mediante el análisis de sombreado. aplicación Energía 194, 320–332 (2017).

Artículo Google Académico

As-syakur, AR, Adnyana, IWS, Arthana, IW & Nuarsa, IW Índice mejorado de construcción y desnudez (EBBI) para mapear terrenos construidos y desnudos en un área urbana. Sensores remotos 4, 2957–2970 (2012).

Artículo ANUNCIOS Google Académico

Wong, MS et al. Estimación del potencial de energía solar de Hong Kong utilizando GIS y tecnologías de teledetección. Renovar. Energía 99, 325–335 (2016).

Artículo Google Académico

Brito, MC, Gomes, N., Santos, T. & Tenedório, JA Potencial fotovoltaico en un suburbio de Lisboa utilizando datos LiDAR. Sol. Energía 86, 283–288 (2012).

Artículo ANUNCIOS Google Académico

Heris, MP, Foks, NL, Bagstad, KJ, Troy, A. y Ancona, ZH Un conjunto de datos de huella de edificio rasterizado para los Estados Unidos. ciencia Datos https://doi.org/10.1038/s41597-020-0542-3 (2020).

Tiecke, TG et al. Mapeo de la población mundial un edificio a la vez. arXiv https://doi.org/10.1596/33700 (2017)

Leasure, D., Dooley, C., Bondarenko, M., Tatem, AW PeanutButter: un paquete R para producir estimaciones de población cuadriculadas de respuesta rápida a partir de huellas de edificios, versión 0.2.1. https://doi.org/10.5258/SOTON/WP00678 (2020).

Esch, T. et al. Abriendo nuevos caminos en el mapeo de asentamientos humanos desde el espacio: la huella urbana global. ISPRS J. Photogramm. Sensor remoto https://doi.org/10.1016/j.isprsjprs.2017.10.012 (2017).

Marconcini, M. et al. Esbozando dónde viven los humanos, World Settlement Footprint 2015. Sci. Datos https://doi.org/10.1038/s41597-020-00580-5 (2020).

Corbane, C. et al. Delineación global automatizada de asentamientos humanos a partir de 40 años de archivos de datos satelitales Landsat. Big Earth Data https://doi.org/10.1080/20964471.2019.1625528 (2019).

Buchhorn, M. et al. Copernicus Global Land Service: Land Cover 100m: época 2015: Globe. Conjunto de datos del componente global del Copernicus Land Monitoring Service. https://doi.org/10.5281/zenodo.3243509 (2019).

Ferri, S., Siragusa, A., Sabo, F., Pafi, M. y Halkia, M. La versión de 2017 del mapa de asentamientos europeos. Metodología y resultados del Mapa Europeo de Asentamientos. https://doi.org/10.2760/780799 (2017).

Corbane, C. et al. Redes neuronales convolucionales para el mapeo de asentamientos humanos globales a partir de imágenes de satélite Sentinel-2. arXiv 2006.03267 (2020).

Bódis, K., Kougias, I., Taylor, N. & Jäger-Waldau, A. Generación de electricidad solar fotovoltaica: un salvavidas para las regiones carboníferas europeas en transición. Sostenibilidad https://doi.org/10.3390/su11133703 (2019).

Maloof, MA, Langley, P., Binford, TO, Nevatia, R. & Sage, S. Detección de techo mejorada en imágenes aéreas con aprendizaje automático. Mach. Aprender. 53, 157–191 (2003).

Artículo Google Académico

Guo, Z. et al. Identificación de la construcción de aldeas a través de imágenes de Google Earth y métodos de aprendizaje automático supervisados. Sensor remoto https://doi.org/10.3390/rs8040271 (2016).

Mohajeri, N. et al. Una clasificación de forma de techo a escala de ciudad utilizando aprendizaje automático para aplicaciones de energía solar. Renovar. Energía 121, 81–93 (2018).

Artículo Google Académico

Yang, HL, Lunga, D. & Yuan, J. Hacia la detección de edificios a escala de país con redes neuronales convolucionales usando imágenes aéreas. En 2017 Simposio internacional de geociencia y teledetección del IEEE (IGARSS) 870–873, https://ieeexplore.ieee.org/document/8127091 (2017).

Zhang, A., Liu, X., Gros, A. & Tiecke, T. Detección de edificios a partir de imágenes satelitales a escala global. arXiv 1707.08952 (2017).

Assouline, D., Mohajeri, N. y Scartezzini, J.-L. Estimación del potencial técnico solar fotovoltaico sobre tejados a gran escala mediante Random Forests. aplicación Energía 217, 189–211 (2018).

Artículo Google Académico

Colaboradores de OpenStreetMap. OpenStreetMap. https://www.openstreetmap.org (2020).

Stevens, FR, Gaughan, AE, Linard, C. & Tatem, AJ Desagregación de datos censales para el mapeo de población utilizando bosques aleatorios con datos auxiliares y de detección remota. PLoS ONE https://doi.org/10.1371/journal.pone.0107042 (2015).

Barrington-Leigh, C. & Millard-Ball, A. La hoja de ruta mundial generada por los usuarios está completa en más del 80 %. PLoS ONE https://doi.org/10.1371/journal.pone.0180698 (2017).

[Datos/información/mapa] obtenido de 812 el "Global Solar Atlas 2.0, una aplicación gratuita basada en la web desarrollada y operada por la empresa Solargis sro en nombre del Grupo del Banco Mundial, utilizando datos de Solargis, con financiación proporcionada por el Sector energético.

Millstein, D., Wiser, R., Bolinger, M. & Barbose, G. Los beneficios climáticos y de calidad del aire de la energía eólica y solar en los Estados Unidos. Nat. Energía 2, 17134 (2017).

Artículo ANUNCIOS Google Académico

Yalew, SG et al. Impactos del cambio climático en los sistemas energéticos en escenarios globales y regionales. Nat. Energía https://doi.org/10.1038/s41560-020-0664-z (2020).

Barbose, G. & Satchwell, AJ Beneficios y costos de un modelo de negocio de propiedad de servicios públicos para energía solar fotovoltaica residencial en techos. Nat. Energía https://doi.org/10.1038/s41560-020-0673-y (2020).

Sasse, J.-P. & Trutnevyte, E. Impactos regionales de la transición del sistema eléctrico en Europa Central hasta 2035. Nat. común 11, 4972 (2020).

Artículo ADS CAS Google Académico

Zhang, H. et al. Las intervenciones solares fotovoltaicas han reducido la pobreza rural en China. Nat. común 11 de noviembre de 1969 (2020).

Artículo ADS CAS Google Académico

Lu, T. et al. El potencial de la India para integrar energía solar y eólica en tierra y mar adentro en su sistema energético. Nat. común 11, 4750 (2020).

Artículo ADS CAS Google Académico

Sterl, S. et al. Portafolios inteligentes de electricidad renovable en Occidente. Afr. Nat. Sostener. 3, 710–719 (2020).

Artículo Google Académico

Parag, Y. & Sovacool, BK Diseño del mercado eléctrico para la era del prosumidor. Nat. Energía 1, 16032 (2016).

Artículo ANUNCIOS Google Académico

Agencia Internacional de Energía (AIE). Información de electricidad: resumen 2019. Stat. IEA https://doi.org/10.1787/e0ebb7e9-en (OECD Publishing. París, 2019).

Gorelick, N. et al. Motor de Google Earth: análisis geoespacial a escala planetaria para todos. Sensores Remotos Entorno. https://doi.org/10.1016/j.rse.2017.06.031 (2017).

Equipo de desarrollo DASK. Dask: biblioteca para la programación dinámica de tareas. https://docs.dask.org/en/latest/cite.html (2016).

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

Chen, T. y Guestrin, C. XGBoost: un sistema escalable de refuerzo de árboles. https://doi.org/10.1145/2939672.2939785 (2016).

Descargar referencias

SJ, BOG y JG cuentan con el apoyo de una subvención de investigación de Science Foundation Ireland (SFI) y la Fundación Nacional de Ciencias Naturales de China (NSFC) en el marco del programa de asociación SFI-NSFC Número de subvención 17/NSFC/5181. SM reconoce el apoyo del Proyecto de la Comisión Europea H2020 'PARIS REINFORCE' bajo el Acuerdo de subvención no. 820846.

SFI MaREI Centre for Energy Climate and Marine, Cork, Irlanda

Siddharth Joshi, Brian Gallagher y James Glynn

Instituto de Investigación Ambiental, University College Cork, Cork, Irlanda

Siddharth Joshi, Paul Holloway, Brian Gallagher y James Glynn

Escuela de Ingeniería, University College Cork, Cork, Irlanda

Siddharth Joshi, Brian Gallagher y James Glynn

Instituto Grantham–Cambio Climático y Medio Ambiente, Imperial College London, Londres, Reino Unido

Shivika Mittal

Departamento de Geografía, University College Cork, Cork, Irlanda

Pablo Holloway

Centro Global para el Medio Ambiente y la Energía, Universidad de Ahmedabad, Ahmedabad, India

Priyadarshi Ramprasad Shukla

Centro de Política Energética Global, Universidad de Columbia, Nueva York, EE. UU.

james glynn

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

SJ y JG concibieron la idea de la investigación. SJ diseñó y desarrolló el marco y el modelo junto con los códigos. SJ, SM y PH diseñaron los marcos de análisis de datos y GIS. SJ creó las figuras y redactó el manuscrito. PRS y BOG proporcionaron información valiosa sobre los resultados. Todos los autores discutieron los resultados y contribuyeron al manuscrito.

Correspondencia a Siddharth Joshi.

Los autores declaran no tener conflictos de intereses.

Información de revisión por pares Nature Communications agradece a los revisores anónimos por su contribución a la revisión por pares de este trabajo.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Joshi, S., Mittal, S., Holloway, P. et al. Evaluación espaciotemporal global de alta resolución del potencial solar fotovoltaico en la azotea para la generación de electricidad renovable. Nat Comun 12, 5738 (2021). https://doi.org/10.1038/s41467-021-25720-2

Descargar cita

Recibido: 18 Octubre 2020

Aceptado: 23 de agosto de 2021

Publicado: 05 octubre 2021

DOI: https://doi.org/10.1038/s41467-021-25720-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.