Exemplo de análise de imagem de satélite (com base nos dados do Copernicus Sentinel de 2017) sobreposta no Google Satellite (© 2018 TerraMetrics) Crédito:Cader et al.
Pesquisadores do Reiner Lemoine Institut em Berlim usaram com eficácia técnicas de sensoriamento remoto para detectar uma amostra de aldeias zambianas que estão sem eletricidade. Seu estudo, publicado recentemente na Springer's Proceedings in Energy Série de livros, destaca o potencial das estratégias de aprendizado de máquina para melhorar o planejamento da eletrificação em partes menos desenvolvidas do mundo.
Apesar das melhorias ocorridas nos últimos anos, muitas regiões da África Subsaariana ainda têm acesso limitado a fontes de energia, incluindo eletricidade. De acordo com o relatório do World Energy Outlook 2017 do Institute of Economic Affairs (IEA), dois terços dos 17 milhões de pessoas que vivem na Zâmbia não têm eletricidade.
Para resolver este problema, é necessário primeiro obter informações precisas e detalhadas sobre o estado atual da eletrificação no país, identificar a localização e distribuição das famílias que não têm acesso à eletricidade. Esses dados importantes podem ser usados para avaliar a viabilidade de diferentes opções de eletrificação, como sistemas autônomos, mini-redes, ou extensões de grade.
"Criar uma melhor compreensão das regiões com fornecimento limitado ou nenhum disponível de eletricidade para desenvolver as respectivas opções de fornecimento de energia requer os dados geoespaciais de onde as pessoas vivem, "Catherina Cader, um dos pesquisadores que realizou o estudo, disse TechXplore. "Muitas vezes, especialmente em países menos desenvolvidos, tais dados ou informações detalhadas desagregadas espacialmente não estão disponíveis, ou apenas na estatística resumida do país, sem informações específicas do local. "
Visão geral das enfermarias classificadas [sobreposto no Open Street Maps contribuidores do © OpenStreetMap sob a Open Data Commons Open Database License (ODbL)] Crédito:Cader et al.
Em um estudo publicado recentemente, Cader e seus colegas investigaram o uso de imagens de satélite disponíveis abertamente e ferramentas de aprendizado de máquina para preencher essa lacuna de conhecimento, em última análise, melhorando o planejamento de acesso à energia. Os pesquisadores usaram técnicas de sensoriamento remoto, que envolvem a aplicação de algoritmos de aprendizado de máquina treinados para classificar imagens multiespectrais do Sentinel 2 de resolução média.
"Usamos dados de satélite para derivar estruturas de assentamento e áreas povoadas para delinear os limites da aldeia, "Cader explicou." Para conseguir isso, A classificação da cobertura do solo é realizada por meio de algoritmos para detectar automaticamente áreas habitadas com base em locais de treinamento previamente desenvolvidos. "
Os algoritmos usados pelos pesquisadores foram capazes de classificar 14 enfermarias sem eletricidade, com uma área total de aproximadamente 10, 000 km 2 . Esses resultados são muito promissores, destacando o potencial do sensoriamento remoto para melhorar a distribuição de energia na Zâmbia, bem como em outros países da África Subsaariana.
Distrito de Vyamba, um exemplo de análise de detecção de aldeia de alta precisão (com base nos dados do Copernicus Sentinel de 2017), sobreposto no Google Satellite (© 2018 TerraMetrics) Crédito:Cader et al.
"Conjuntos de dados de satélite abertos e software de código aberto nos permitiram realizar classificações bem-sucedidas para identificar a localização das aldeias, "Cader disse." Esta informação pode ser usada posteriormente para o planejamento de acesso à energia. "
No futuro, suas descobertas podem informar o trabalho dos órgãos oficiais que operam na região, como a Autoridade de Eletrificação Rural (REA), bem como de empreendedores privados que planejam realizar obras de eletrificação. As informações coletadas usando técnicas de sensoriamento remoto também podem ser usadas em combinação com outros dados de código aberto para fornecer melhores estimativas populacionais para as aldeias detectadas.
Ala Malalo, superestimativa de áreas construídas em ambiente de pântano (com base nos dados do Copernicus Sentinel de 2017) Crédito:Cader et al.
"Com base em nossa pesquisa anterior, agora estamos trabalhando na combinação de dados de sensoriamento remoto com dados de pesquisa específicos do local necessários para o planejamento de acesso à energia, como aparelhos elétricos, despesas domésticas, ou uso produtivo, "Cader disse." Isso poderia ajudar a identificar correlações e permitir uma extrapolação espacial das descobertas para locais que estão fora da amostra da pesquisa. "
© 2018 Tech Xplore
