Forskare vid Reiner Lemoine Institut i Berlin har effektivt använt fjärranalystekniker för att upptäcka ett urval av zambiska byar som är utan elektricitet. Deras studie, nyligen publicerad på Springer's Processer inom energi bokserie, lyfter fram potentialen hos strategier för maskininlärning för att förbättra elektrifieringsplaneringen i mindre utvecklade delar av världen.

Trots de förbättringar som skett under de senaste åren, många regioner i Afrika söder om Sahara har fortfarande begränsad tillgång till energikällor, inklusive el. Enligt Institute of Economic Affairs (IEA) World Energy Outlook 2017-rapport, två tredjedelar av de 17 miljoner människor som bor i Zambia saknar elektricitet.

För att lösa detta problem, det är först nödvändigt att få korrekt och detaljerad information om det aktuella läget för elektrifiering i landet, identifiera platsen och fördelningen av hushåll som inte har tillgång till el. Dessa viktiga data kan sedan användas för att bedöma genomförbarheten av olika elektrifieringsalternativ, såsom fristående system, mininät, eller rutnätsförlängningar.

"Att skapa en bättre förståelse för regioner med begränsad eller ingen tillgänglig elförsörjning för att utveckla respektive energiförsörjningsalternativ kräver geospatiala data om var människor bor, "Catherina Cader, en av forskarna som genomförde studien, berättade för TechXplore. "Väldigt ofta, särskilt i mindre utvecklade länder, sådan data eller detaljerad rumsligt uppdelad information är inte tillgänglig, eller bara i sammanfattad landsstatistik, utan platsspecifik information."

I en nyligen publicerad studie, Cader och hennes kollegor undersökte användningen av öppet tillgängliga satellitbilder och verktyg för maskininlärning för att fylla denna kunskapslucka, i slutändan förbättra energitillgångsplaneringen. Forskarna använde fjärranalystekniker, som involverar tillämpningen av maskininlärningsalgoritmer utbildade för att klassificera Sentinel 2 multispektrala bilder med medelupplösning.

"Vi använde satellitdata för att härleda bosättningsstrukturer och befolkade områden för att avgränsa bygränser, " förklarade Cader. "För att uppnå det, marktäckningsklassificering utförs med hjälp av algoritmer för att automatiskt upptäcka bebodda områden baserat på tidigare utvecklade träningsplatser."

Algoritmerna som forskarna använde kunde klassificera 14 avdelningar utan el, med en total yta på cirka 10, 000 km ² . Dessa resultat är mycket lovande, lyfta fram potentialen för fjärranalys för att förbättra distributionen av energi i Zambia, såväl som i andra länder i Afrika söder om Sahara.

"Öppna satellitdatauppsättningar och programvara med öppen källkod tillät oss att utföra framgångsrika klassificeringar för att identifiera byarnas läge, "Sader Cader. "Denna information kan användas ytterligare för planering av energitillgång."

I framtiden, deras resultat skulle kunna ge underlag för arbetet i officiella organ som är verksamma i regionen, såsom Rural Electrification Authority (REA), samt privata företagare som planerar att utföra elektrifieringsarbeten. Information som samlats in med hjälp av fjärranalystekniker kan också användas i kombination med annan öppen källkod för att ge bättre befolkningsuppskattningar för de upptäckta byarna.

"Med utgångspunkt i vår tidigare forskning arbetar vi nu med att kombinera fjärravkänd data med platsspecifika undersökningsdata som är nödvändiga för planering av energitillgång, såsom elektriska apparater, hushållens utgifter, eller produktiv användning, ", sa Cader. "Detta kan hjälpa till att identifiera korrelationer och möjliggöra en rumslig extrapolering av fynden till platser som ligger utanför undersökningsurvalet."

© 2018 Tech Xplore