Nouvelles

Oct 12, 2023

Évaluation spatio-temporelle globale à haute résolution du potentiel de l'énergie solaire photovoltaïque sur les toits pour la production d'électricité renouvelable

Volume Communication Nature

Nature Communications volume 12, Numéro d'article : 5738 (2021) Citer cet article

26 000 accès

40 Citations

597 Altmétrique

Détails des métriques

L'énergie solaire photovoltaïque sur les toits représente actuellement 40 % de la capacité installée mondiale de l'énergie solaire photovoltaïque et un quart du total des ajouts de capacité renouvelable en 2018. Pourtant, seules des informations limitées sont disponibles sur son potentiel mondial et les coûts associés à une résolution spatio-temporelle élevée. Nous présentons ici une évaluation mondiale à haute résolution du potentiel solaire photovoltaïque sur les toits à l'aide de mégadonnées, d'apprentissage automatique et d'analyse géospatiale. Nous analysons 130 millions de km2 de surface terrestre mondiale pour délimiter 0,2 million de km2 de surface de toit, qui représentent ensemble 27 PWh an-1 de potentiel de production d'électricité pour des coûts compris entre 40 et 280 $ MWh-1. Sur ce total, 10 PWh an−1 peuvent être réalisés en dessous de 100 $ MWh−1. Le potentiel mondial est majoritairement réparti entre l'Asie (47%), l'Amérique du Nord (20%) et l'Europe (13%). Le coût pour atteindre le potentiel est le plus bas en Inde (66 $ MWh-1) et en Chine (68 $ MWh-1), les États-Unis (238 $ MWh-1) et le Royaume-Uni (251 $ MWh-1) représentant certains des pays les plus coûteux.

De l'alimentation des satellites Vanguard de la National Aeronautics and Space Administration (NASA) en 1958 à l'éclairage des maisons en Afrique subsaharienne, la technologie solaire photovoltaïque (PV) a parcouru un long chemin. La technologie solaire photovoltaïque sur les toits (RTSPV) en tant que sous-ensemble du portefeuille de production d'électricité solaire photovoltaïque peut être déployée en tant que système décentralisé soit par des propriétaires individuels, soit par de grands complexes industriels et commerciaux. Au cours de la dernière décennie, la réduction des coûts de déploiement associée à des initiatives axées sur les politiques a conduit à une adoption rapide du RTSPV à l'échelle mondiale. Entre 2006 et 2018, la capacité installée du RTSPV est passée de 2,5 GW à 213 GW, soit une multiplication par 85 à l'échelle mondiale1. Avec une installation de capacité supplémentaire de 41 GW, RTSPV représente actuellement 40 % de la capacité installée cumulée mondiale du solaire photovoltaïque et près d'un quart du total des ajouts de capacité renouvelable en 2018, dépassant les nouvelles capacités installées combinées du charbon et du nucléaire. Dans le même temps, la technologie RTSPV a démontré une forte baisse de ses coûts de déploiement qui se situaient entre 63 et 265 $ MWh−1 en 2019, soit une réduction de 42 à 79 % par rapport aux valeurs de 20102.

À l'échelle mondiale, près de 800 millions de personnes étaient sans électricité en 2018, la majorité d'entre elles vivant dans des zones rurales3. Ici, le rôle du PV décentralisé sur les toits dans la promotion de l'éthique de l'objectif de développement durable (ODD) 7 devient très important. Le temps d'installation rapide et le faible coût nivelé du RTSPV peuvent aider à atténuer le problème de l'accès à l'énergie en faisant des citoyens ou des communautés un prosommateur. Le prosommateur peut produire et consommer de l'électricité selon ses besoins sans dépendre exclusivement d'une infrastructure de réseau centralisée. En tant que technologie de production d'énergie déployable la plus rapide avec le taux de croissance le plus élevé d'une année sur l'autre4, la technologie solaire PV devrait fournir 25 à 49 % des besoins mondiaux en électricité d'ici 2050 tout en offrant des emplois à 15 millions de personnes entre 2018 et 20505. Sur ce montant, le déploiement du RTSPV contribuera jusqu'à 40 % de la production totale d'électricité solaire PV d'ici 2050.

Un déploiement accru du RTSPV peut soutenir le déplacement des combustibles fossiles hors du mix de production d'énergie actuel, comme on peut l'observer dans la mise en œuvre réussie du photovoltaïque sur les toits en Allemagne. À mesure que la demande d'électricité en tant que source d'énergie augmentera à l'avenir, les sources de production basées sur le RSTPV constitueront une grande partie du futur portefeuille de production basée sur les énergies renouvelables. Ce changement dans le mix de production actuel, associé à l'expansion future de la capacité de production à faible émission de carbone, peut contribuer à réduire les émissions de gaz à effet de serre d'origine énergétique et également à faire progresser l'objectif de l'ODD13 de lutte contre le changement climatique avec des co-bénéfices pour l'ODD3. La technologie RTSPV peut ainsi conduire à des percées axées sur les consommateurs dans la lutte contre le changement climatique, la réduction de la pollution atmosphérique locale, l'accélération du développement et la fourniture d'un accès abordable à l'énergie dans les zones dépourvues d'électrification.

Pour mieux comprendre le rôle qu'un système RTSPV peut remplir à l'avenir, une évaluation géo-cartographiée mondialement harmonisée de son potentiel technique et des coûts associés à l'atteinte du potentiel technique est pertinente, en particulier lorsque de telles évaluations au niveau mondial font défaut. Les systèmes RTSPV sont déployés en tant que système décentralisé contrairement aux systèmes solaires photovoltaïques à l'échelle des services publics, ce qui augmente la complexité de son évaluation car la plus petite unité de déploiement devient un toit par opposition à une grande parcelle d'un site vert ou d'une friche industrielle. Outre les complexités associées à la détermination précise de la surface du toit, l'évaluation des variations saisonnières de son potentiel est également importante pour comprendre la dynamique d'approvisionnement des technologies d'énergie renouvelable variable (ERV) comme le RTSPV. Cela met en évidence la nécessité d'une évaluation spatio-temporelle à haute résolution qui représente avec précision la variabilité géographique de l'environnement bâti ainsi que les impacts des changements saisonniers de l'insolation solaire.

La recherche actuelle se concentre principalement sur l'évaluation des ressources solaires photovoltaïques à l'échelle mondiale. Une évaluation similaire n'a pas été effectuée pour le RTSPV décentralisé à une échelle supérieure aux niveaux régional/national6,7,8,9. En conséquence, les modèles de systèmes énergétiques et les recherches qui éclairent la politique sur le changement climatique n'ont pas pleinement pris en compte le rôle du solaire photovoltaïque dans la réalisation des objectifs d'atténuation du changement climatique10. L'évaluation du potentiel RTSPV nécessite un ensemble de données sous-jacentes sur les empreintes des bâtiments, la cartographie de l'insolation solaire et des informations spécifiques à la technologie telles que la taille des panneaux, l'efficacité de conversion et les pertes du système. La littérature actuelle est adéquate pour fournir des informations globales sur les deux dernières catégories, les plus grandes inexactitudes11 étant attribuées à la démarcation et au calcul des empreintes de bâtiments qui nécessitent des données volumineuses et un matériel de traitement d'informations coûteux pour extraire les bâtiments de l'imagerie satellitaire12.

Deux approches principales sont actuellement utilisées pour déterminer la zone bâtie, ou plus précisément l'étendue et la zone occupées par les toits des bâtiments, tableau supplémentaire 7. La première approche aborde le problème d'un point de vue « ascendant »13,14,15,16,17,18,19,20,21,22,23 et est l'approche la plus courante actuellement mise en œuvre pour calculer la surface des toits à l'échelle. De telles approches établissent la relation entre les données sur l'empreinte du bâtiment (cadastrales, participatives, dérivées des satellites) et les mesures socio-économiques (produit intérieur brut (PIB), population) pour un petit échantillon, puis estiment l'étendue des empreintes du bâtiment à une plus grande échelle. Dans l'étude de Jacobson et al.24, les auteurs ont utilisé la méthodologie ascendante pour calculer les surfaces disponibles sur les toits de 179 pays en établissant des relations entre la population, le PIB et la surface au sol par habitant sur la base de données d'échantillon provenant des États-Unis et de plusieurs pays européens. Pour un ensemble complet de pays du monde, Gernaat et al.25 ont utilisé la relation entre la densité de population, les dépenses des ménages et la surface des toits pour calculer la surface disponible des toits par pays. Ils ont calibré leurs équations relationnelles sur les données de la Banque mondiale et ont réalisé un R2 = 0,66. Ces méthodes sont rapides à mettre en œuvre et sont relativement précises lors de la prévision des zones d'empreinte des bâtiments dans les régions voisines, mais des inexactitudes surviennent lorsque l'analyse est mise à l'échelle vers les niveaux nationaux/régionaux. Cette réduction de la précision26 peut être attribuée aux imprécisions de la cartographie géospatiale grossière des données socioéconomiques27 et à l'hétérogénéité des paysages bâtis.

La deuxième approche aborde le problème d'un point de vue « descendant »28,29,30,31,32,33,34,35,36,37,38,39, en utilisant l'imagerie aérienne pour déterminer la zone bâtie ainsi que les empreintes de construction qu'elle contient. Les méthodes « descendantes » comprennent l'observation de la Terre, la détection et la télémétrie par drone (LiDAR) et les algorithmes de classification d'apprentissage automatique (ML) pour détecter les bâtiments. À l'échelle nationale, Gagnon et al.7 ont utilisé des ensembles de données LiDAR pour 128 villes de l'échantillon des États-Unis afin de calculer les surfaces disponibles sur les toits pour la partie continentale des États-Unis en utilisant l'inférence statistique pour extrapoler au-delà de leur site d'échantillonnage. Ils ont généré des mesures statistiques pour généraliser l'orientation, la pente et la disponibilité des toits sur la base d'images LiDAR haute résolution. La collecte, le traitement et l'analyse des images aériennes est une tâche coûteuse et gourmande en calculs nécessitant une infrastructure à l'échelle du centre de données. Ces lacunes ont limité l'échelle des études utilisant des méthodes descendantes, où seules quelques entreprises commerciales40,41,42 ont été en mesure de fournir des empreintes de bâtiments à l'échelle nationale et, à ce jour, une analyse à l'échelle mondiale n'a pas encore été mise en œuvre. Une solution pour atténuer le goulot d'étranglement du traitement et des données consiste à utiliser une classification prédéfinie de la couverture terrestre43,44,45,46,47,48,49 pour délimiter les zones terrestres mondiales artificiellement construites, puis à réduire la zone bâtie à l'empreinte réelle du bâtiment49 en utilisant des hypothèses simplificatrices. Cette approche hybride a été utilisée dans une étude de Bodis et al.6, où ils ont établi une relation entre les données cadastrales des Pays-Bas, la couverture du sol CORINE et la carte de peuplement européenne pour déduire la superficie des toits dans les 27 autres pays de l'UE.

Les méthodes de pointe actuelles50,51,52,53,54,55 utilisent des algorithmes de détection d'objets basés sur ML pour cartographier les bâtiments individuels pour la région d'intérêt (ROI) au niveau de la ville/du pays. Cependant, aucune des méthodes de pointe n'a été appliquée à une évaluation globale du retour sur investissement en partie en raison de la quantité de traitement de données requise dans les méthodes basées sur ML et en partie en raison des limites de l'algorithme ML dans la détection d'objets similaires qui s'écartent des ensembles d'échantillons d'apprentissage.

Ici, nous comblons directement la lacune dans la littérature actuelle en développant un cadre hybride qui intègre les méthodes "Top-down" et "Bottom-up" à l'aide d'un modèle ML pour fournir une évaluation globale à haute résolution du potentiel technique solaire photovoltaïque sur les toits à une résolution temporelle mensuelle (Fig. 1). Nous divisons l'ensemble de la masse terrestre mondiale en plusieurs unités d'évaluation de 10 km2. Dans chaque unité d'évaluation, nous utilisons un ensemble de données démographiques à haute résolution (à une résolution spatiale de 100 m), la longueur de la route et les limites de la zone bâtie pour estimer la surface du toit. L'algorithme d'estimation basé sur le modèle ML est conçu pour apprendre la relation entre la population, la longueur des routes et les limites des zones bâties, et la surface réelle des toits à partir d'un vaste ensemble d'échantillons mondiaux couvrant des pays à divers stades de développement socio-économique et de topographie bâtie. De cette façon, nous utilisons un ensemble complet d'archétypes d'environnements bâtis disparates impliquant des densités de population variables dans différentes configurations de paysage pour surmonter les limites imposées par les méthodes "descendante" et "ascendante" utilisées dans les études précédentes. Parallèlement à la géo-cartographie du potentiel technique, nous cartographions également le coût actualisé de l'énergie (LCOE) associé et les courbes de coût d'approvisionnement régional pour un retour sur investissement mondial couvrant plus de 195 pays, couvrant une superficie de 130 millions de km2, contenant des bâtiments allant des colonies nucléées rurales isolées à l'agglomération mondiale parsemée de gratte-ciel à plusieurs étages dans des zones géographiques variées.

Le cadre développé dans cette étude commence par la préparation des données et la cartographie de diverses mesures géospatiales aux voies descendantes et ascendantes. En outre, le modèle d'apprentissage automatique est entraîné et utilisé pour estimer les valeurs BFEFN à partir des valeurs BAFN, PPLNFN et RLFN. Ensuite, les valeurs BFEFN sont utilisées pour calculer le potentiel technique (SP) à l'aide des facteurs de conversion (CF). Enfin, l'ensemble de données de potentiel calculé est utilisé pour cartographier les valeurs du coût actualisé de l'électricité (LCOE) à l'aide des données de coût de production d'énergie renouvelable de l'IRENA. Le cadre détaillé est décrit dans les sections « Résultats » et « Méthodes ». Les paramètres du modèle et les cartographies régionales sont fournis dans les tableaux supplémentaires 6, 8 à 10 et les figures supplémentaires 3a à d.

Dans notre étude, nous définissons le "potentiel technique" de RTSPV comme la production d'électricité maximale qui peut être dérivée d'une surface de toit donnée, où la surface de toit est maintenue cohérente avec l'étendue bâtie de l'année 2015 et n'inclut pas le parc immobilier supplémentaire créé par la suite. Les résultats présentés dans cette étude ont considéré une disponibilité de 100 % sur le toit avec une efficacité de panneau de 10 %. Pour tenir compte de l'évolution du potentiel due aux différentes efficacités des panneaux et à la disponibilité des toits, nous avons documenté les potentiels mondiaux et régionaux pour un ensemble de facteurs d'échelle des toits et d'efficacités des panneaux (tableaux supplémentaires 4 et 5). Les conditions aux limites supplémentaires de notre étude et les limites dans l'interprétation des principaux résultats sont documentées dans la section "Méthodes".

Nous avons commencé par diviser la masse terrestre mondiale en une grille Fishnet (FN) contenant un total de 3 521 120 carrés uniques de 10 km2, où chaque FN a un identifiant unique et est attribué à un pays unique. L'agrégation de la zone bâtie (BAFN) au sein de chaque FN a été entreprise à l'aide des sous-classifications de la zone bâtie (résolution de 100 m) fournies par la couche de couverture terrestre mondiale46 (LC) du programme de surveillance des terres Copernicus. Étant dérivée d'une imagerie satellitaire native de résolution de 10 m, la couche LC nous a fourni une représentation considérablement améliorée de la zone bâtie par rapport aux méthodes de pointe actuelles qui utilisent une classification de la couverture terrestre à résolution plus grossière. L'utilisation de classifications prédéfinies de la couverture du sol a également contribué à réduire les frais généraux de traitement de l'information liés à la classification manuelle des pétaoctets d'images satellite.

Il est important de souligner que les agrégations de la couche BAFN contiennent des bâtiments ainsi que des routes, des limites d'espaces verts, des sentiers, des parkings, etc. Ces structures bâties supplémentaires ne sont pas pertinentes pour l'analyse actuelle et peuvent occuper des zones BAFN importantes dans un environnement bâti à faible densité. Des incertitudes méthodologiques peuvent également survenir en raison de l'hétérogénéité des paysages imperméables et en raison d'une mauvaise classification causée par les signatures spectrales similaires d'autres structures construites au sol, mais à un retour sur investissement global, ces erreurs forment un très petit pourcentage de la vérité terrain. Cela souligne la nécessité de réduire globalement la couche BAFN pour représenter avec précision une zone de toit harmonisée.

Pour réduire la couche BAFN, nous avons commencé par générer un sous-ensemble de FN global contenant les empreintes réelles des bâtiments40,42 (BFFN), la longueur de la route56 (RLFN) et le décompte de la population57 (PPLNFN). Pour calculer les empreintes de bâtiments (dérivées des ensembles de données Microsoft AI, Ecopia AI et Open Street Map-OSM), nous avons agrégé les empreintes de bâtiments individuelles en fonction des cellules FN chevauchant les bâtiments individuels pour générer une seule valeur de surface d'empreinte de bâtiment par FN (Fig. 2). Au total, 37 115 km2 d'emprise au sol des bâtiments et 11,4 millions de km2 de la superficie totale des terres étaient couverts par notre échantillon de FN, représentant plus de 300 millions de bâtiments individuels allant des petits hangars extérieurs aux méga-usines. Les échantillons de bâtiments nous ont également fourni un ensemble diversifié de types de bâtiments dans différentes zones géographiques couvrant un large éventail de stades de développement socio-économiques. Ces ensembles d'échantillons mondiaux (Fig. 3a, Tableau supplémentaire 1) constituent une nette amélioration par rapport à la littérature précédente, où une stratégie d'échantillonnage étroite, souvent au niveau de la ville/du pays, est entreprise. L'utilisation d'échantillons de bâtiments globaux hétérogènes permet à l'analyse globale d'être plus résistante à l'erreur de généralisation qui est introduite en raison d'une dépendance excessive à un petit ensemble de paysages bâtis similaires.

a L'image représente une zone au-dessus de New York, aux États-Unis. Les lignes de grille sont les limites géographiques des cellules Fishnet (FN), avec chaque taille de cellule de 10 km2. La zone rouge à l'intérieur de chaque FN est la zone bâtie (BAFN). b Les zones vertes sur l'image correspondent à la géographie non bâtie de l'année 2015, les zones rouges représentant le BAFN sous forme de blocs de 100 m2. Chaque bloc a une valeur de 0 à 100 % basée sur le pourcentage de zone bâtie dans un bloc. c Les polygones noirs sont les empreintes de bâtiments (BFFN) dérivées de sources de données volumineuses, à l'intérieur d'un échantillon FN. Les lignes bleues sont les routes (RLFN) à l'intérieur de l'échantillon FN, avec des zones blanches représentant des espaces vides qui ne sont pas utilisés dans notre analyse. d L'image représente les quatre principales catégories d'objets présents à l'intérieur de chaque échantillon FN. Les zones oranges sont les blocs BAFN, les zones rouges représentant les bâtiments réels, les lignes jaunes représentant les routes et les zones blanches les zones non prises en compte dans notre étude. Crédits de données : Copernicus GLC Landcover, Microsoft Building Footprints et Open Street Maps.

une distribution globale de l'échantillon FN a été générée dans notre étude. Les polygones de construction basés sur Microsoft AI sont utilisés pour les États-Unis, le Canada et la Tanzanie, tandis que les zones d'empreinte de construction dérivées d'Ecopia AI sont utilisées pour les pays africains. Des polygones de construction dérivés d'OSM représentant un total de 4000 échantillons de FN sont utilisés pour le reste du monde. b Emplacement géographique de toutes les routes mondiales utilisées dans notre analyse. Les routes mondiales dérivées d'OSM ont une couverture quasi mondiale, chaque pixel de la carte correspondant à chaque caractéristique routière à l'intérieur du pays de référence. Crédits de données : Fig. 3b, © Contributeurs d'OpenStreetMap.

OSM fournit un ensemble de données open source très précis sur l'infrastructure routière mondiale58, que nous avons utilisé pour cartographier la longueur des routes (RLFN). Notre ensemble de données d'échantillon a montré une corrélation de Pearson de 0,95 (Fig. 4b) entre l'échantillon d'empreinte de bâtiment et l'échantillon de longueur de route. On peut observer que dans le monde réel, le développement des routes est souvent associé à l'augmentation de la taille de la population et à l'augmentation du parc immobilier. La longueur de la route n'a été utilisée dans aucune étude antérieure et augmentera la précision de la réduction d'échelle par rapport aux méthodes précédentes. Au total, nous avons traité > 16 millions de km de routes pour notre échantillon de FN (Fig. 3b).

La distribution de BAFN (zone bâtie) (a), RLFN (longueur de route) (b) et PPLNFN (population) (c) par rapport à la BFFN (empreinte du bâtiment). Les distributions ont une corrélation de Pearson de 0,97, 0,95, 0,72, respectivement. La distribution des erreurs de prédiction (d) a une forme de cloche lors de l'utilisation du modèle formé pour prédire l'échantillon de données. Chaque barre est le nombre de FN qui se trouve dans chaque bac d'erreur. La majorité des erreurs se situent dans la plage de -0,25 à +0,25 km2 par FN, avec un plafonnement des erreurs maximales à ±5 km2 par FN. Le modèle de réduction d'échelle construit sur le modèle d'apprentissage automatique a montré une précision adéquate dans la prédiction (e) avec un R2 = 0,98. Chaque croix représente la valeur prédite de chaque échantillon FN. La densité de points est plus élevée pour les valeurs faibles, car la majorité des FN de l'échantillon contiendront des zones bâties plus petites, très peu couvrant les grandes villes en raison de la taille du FN utilisé dans cette étude.

Pour notre agrégation du décompte de la population, nous avons utilisé le décompte de la population quadrillé à haute résolution de WorldPop. L'ensemble de données de population à haute résolution couplé à une couche BAFN à haute résolution nous a permis de cartographier avec précision le dénombrement de la population pour chacun de nos échantillons FN. Des études antérieures à l'échelle nationale/régionale ont utilisé un comptage de population à résolution grossière (résolution ≥1 km), ce qui peut entraîner des inexactitudes dans la réduction d'échelle en raison d'un comptage excessif de la population dans une FN donnée.

L'agrégation et le traitement de données volumineuses telles que les ensembles de données géospatiales sur les bâtiments et les routes nécessitent un temps de calcul très élevé et un coût matériel important. Pour surmonter ce défi, nous avons utilisé la plate-forme de cloud computing de Google Earth Engine (GEE) pour effectuer une analyse à l'échelle planétaire, où les ensembles de données ont été divisés en fichiers raster plus petits en fonction de l'étendue géographique de chaque FN et finalement agrégés pour représenter une valeur unique (voir la section "Méthodes"). Il convient de noter que la plate-forme GEE manque de traitement de données vectorielles telles que les polygones de construction et de route, pour lesquels nous avons utilisé le traitement multicœur activé par le logiciel de bureau ArcGIS PRO. Cette combinaison de GEE pour les données raster (PPLNFN, BAFN) et ArcGIS PRO pour les données vectorielles nous a permis de traiter nos jeux de données en une fraction du temps et du coût. À notre connaissance, il s'agit de la première tentative de fusion de deux plates-formes de services fondamentalement différentes pour évaluer les potentiels mondiaux, ce qui pourrait être utile pour d'autres évaluations des ressources à l'échelle planétaire. Les liens vers les ensembles de données d'entrée et leurs rapports de validation sont documentés dans le tableau supplémentaire 2.

Ensuite, nous avons lié les ensembles de données BAFN, PPLNFN agrégés des méthodes descendantes et les ensembles de données BFFN, RLFN traités des méthodes ascendantes à l'aide d'un modèle ML qui prend les ensembles de données BAFN, PPLNFN, RLFN comme variables indépendantes et BFFN comme variables dépendantes. Le modèle ML s'entraîne à partir de la relation entre les variables indépendantes et dépendantes pour notre échantillon de FN et estime la surface agrégée du toit du bâtiment pour le reste des FN non échantillonnés, réduisant ainsi la couche BAFN à une surface estimée occupée par les toits du bâtiment (BFEFN). Pour les lacunes de données dans la couche PPLNFN, RLFN, nous avons utilisé une méthode d'imputation itérative pour interpoler les valeurs manquantes dans l'ensemble de données à l'aide de plusieurs analyses de régression.

Dans nos tests, le modèle ML basé sur l'algorithme XGboost a fourni une meilleure précision (valeur R2) et une meilleure réduction globale des erreurs (erreur absolue moyenne considérablement plus faible) dans la prédiction des données d'échantillon par rapport à la régression multivariée (tableau supplémentaire 3). Pour réduire le surajustement du modèle ML, une stratégie de validation croisée de 10 fois a été utilisée pour régler les hyper-paramètres afin de générer le meilleur modèle (voir la section "Méthodes"). Le modèle ML a bien fonctionné (Fig. 4d, e) avec une erreur de ± 4 km2 dans la prédiction de l'empreinte totale du bâtiment par 100 km2 FN, la majorité des erreurs se situant entre ± 0,25 km2. De plus, pour un total de 37 000 km2 de surface d'empreinte absolue du bâtiment dans nos échantillons, un total de 4 km2 d'erreur absolue a été enregistré. Au niveau régional, une légère asymétrie à gauche/sous-estimation systématique de la surface du toit a été observée pour la région asiatique (Fig. 1 supplémentaire). À la fin de l'étape de réduction d'échelle, un ensemble de données contenant 3 521 120 cellules FN est généré, chaque cellule contenant la surface agrégée du toit du bâtiment (BFEFN).

La conversion de la surface des toits en potentiel solaire a été entreprise en utilisant le facteur de conversion de la Banque mondiale59 (CFFN) pour les emplacements entre 60°N et 45°S, couvrant plus de 99 % de la population mondiale. La couche CFFN est fournie sous la forme d'un ensemble de données matricielles quadrillées représentant les kWh produits par chaque kWc de capacité installée par jour. Les emplacements en dehors des latitudes ont reçu une valeur FC constante de 3,5 kWh/kWc/jour (pointe). Ensuite, les valeurs CFFN pour chacun des douze mois ont été utilisées pour générer le potentiel solaire mensuel par FN (SPFN, M). De plus, nous avons agrégé les potentiels techniques mensuels aux potentiels techniques annuels pour chacun des pays afin de générer une carte potentielle RTSPV mondiale, comme le montre la Fig. 5. Pour représenter les coûts associés au potentiel technique, nous avons utilisé la métrique LCOE (voir la section "Méthodes"). Les valeurs des dépenses en capital (CAPEX) varient entre 840 et 3874 $ kW−1 de capacité installée pour 17 pays au total, le reste du monde se voyant attribuer des moyennes pour le continent dans lequel ils se trouvent. Les coûts d'exploitation et de maintenance (OPEX) et les taux d'actualisation (DR) étaient basés sur le fait que le pays soit membre ou non de l'OCDE. Pour chaque FN, les coûts LCOE ont été calculés sur la base des CAPEX, OPEX, SP et DR avec une durée de vie du projet de 25 ans. Nos données sur les coûts de la technologie sont basées sur les coûts de l'énergie solaire photovoltaïque résidentielle IRENA2 pour 2019.

a La répartition géographique du potentiel technique RTSPV mondial généré dans notre étude. Les principales régions du monde sont mises en évidence dans l'image et des données sont fournies pour la surface totale estimée du toit (RA), la capacité installée (IC) et la production potentielle (POT) pour chaque région. La masse continentale mondiale est codée par couleur en 11 bacs potentiels RTSPV. La variation saisonnière du potentiel mondial agrégé est mise en évidence en bas à droite. b La répartition géographique des valeurs LCOE générées dans notre étude à travers le monde avec les principaux pays mis en évidence dans chaque région du monde. Chaque pays mis en surbrillance a une valeur LCOE agrégée correspondante pour l'ensemble du pays. Les valeurs LCOE sont codées par couleur dans 14 groupes de coûts. Données sur les limites cartographiques de la base de données des zones administratives mondiales (GADM : https://gadm.org).

Notre évaluation montre un potentiel technique mondial total de 27 PWh an−1, dont l'Asie (13 PWh an−1), l'Amérique du Nord (5,5 PWh an−1) et l'Europe (3,6 PWh an−1) représentent la majorité du potentiel, suivies par l'Afrique (2,9 PWh an−1) et l'Amérique du Sud (1,7 PWh an−1). Les points chauds du potentiel sont concentrés dans et autour des établissements nucléés densément peuplés à l'échelle mondiale (Fig. 5a). Près de 20 % (5 PWh an−1) du potentiel global se situent dans les zones à forte densité de population (>1500 hab./km2), 55 % (15 PWh an−1) du potentiel étant dispersés dans les zones à faible densité (<500 hab./km2). Parmi les pays, la Chine (4,3 PWh an−1), les États-Unis (4,2 PWh an−1) et l'Inde (1,7 PWh an−1) ont le potentiel annuel le plus élevé (tableau 1). Un écart de ± 1% peut être observé dans le potentiel global annuel en raison de la méthodologie d'agrégation du facteur CF (Fig. 2 supplémentaire).

Bien que la région africaine ait une bonne dotation en ensoleillement, le potentiel RTSPV est évalué comme étant le troisième plus bas en raison du faible parc immobilier. Parmi la région africaine, le plus grand potentiel est concentré dans la région de l'Afrique de l'Ouest suivie de la région de l'Afrique du Nord. Les régions combinées de l'Afrique de l'Ouest et du Nord ont plus de potentiel que l'Inde, ce qui souligne l'importance que le RSTPV à faible coût peut jouer dans les futurs systèmes énergétiques. La croissance démographique future et une augmentation correspondante du parc immobilier pourraient accroître le potentiel RTSPV global pour l'Afrique. Les régions nord-américaines et européennes ont des superficies de toit évaluées similaires (~ 30 000 km2), mais l'Amérique du Nord a près de 1,5 fois le potentiel de l'Europe en raison d'une insolation solaire plus élevée au cours de l'année, en particulier pendant les mois d'hiver.

Parallèlement à la variabilité spatiale due aux distributions des bâtiments au sol, une variabilité saisonnière du potentiel RTSPV est également observée en raison de la variation de l'insolation solaire intra-annuelle. La variabilité saisonnière du potentiel global mensuel est comprise entre 1,84 et 2,61 PWh, décembre et janvier représentant les mois au potentiel global le plus faible (Fig. 5a). Globalement, la variabilité saisonnière la plus élevée des potentiels est observée au-dessus de la latitude 45° nord couvrant l'Europe, la Russie, les États-Unis et le Canada. Au sein des régions, la plus forte variabilité intra-annuelle des potentiels (Fig. 6) est observée dans la région Europe de l'Ouest (EUW) avec des potentiels mensuels compris entre 94 et 255 TWh. Il existe une variabilité de ± 40 % autour du potentiel mensuel moyen de 183 TWh en EUW, le potentiel mensuel le plus élevé étant observé en été et les potentiels mensuels les plus bas en hiver. La plus faible variabilité régionale intra annuelle des potentiels est observée dans la région Afrique de l'Ouest (AFW) avec des potentiels mensuels compris entre 97 et 119 PWh. Il existe une variabilité de ±1% autour du potentiel mensuel moyen de 109 TWh dans la région AFW, avec un potentiel mensuel maximum observé en décembre et janvier.

La carte thermique représente la variabilité mensuelle des potentiels régionaux. Les valeurs entre parenthèses représentent le potentiel mensuel le plus élevé pour la région. La carte thermique à code couleur représente le % du potentiel mensuel maximal de la région. L'Europe (EUW, EUE) a montré une forte variabilité intra-annuelle du potentiel, le potentiel maximum étant réalisé pendant les mois d'été. Dans l'hémisphère sud, le potentiel maximal est réalisé pendant les mois d'hiver. L'Afrique de l'Ouest (AFW) a montré la plus faible variabilité du potentiel mensuel.

Pour analyser le coût d'atteinte des potentiels, nous avons généré des courbes de coût d'offre pour sept régions du monde et également à un niveau mondial agrégé (Fig. 7a). Près de 10 PWh an−1 (40 %) du potentiel global peuvent être réalisés en dessous de 100 $ MWh an−1, la majorité du potentiel étant réalisé en dessous de 200 $ MWh−1 (Fig. 7b). Au niveau mondial, près de 40 % du potentiel peut être réalisé avec un investissement équivalent à 10 % de la valeur du PIB mondial de 2015, et avec un investissement équivalent à 30 % de la valeur du PIB de 2015, près de 100 % du potentiel mondial peut être réalisé (Fig. 7c). Nous avons constaté que le potentiel réalisable double avec chaque doublement ultérieur de l'investissement en capital dans RTSPV jusqu'à ce que le capital investi équivaut à 20 % de la valeur du PIB mondial en 2015. Une augmentation de l'investissement de 20 à 30 % de la valeur du PIB mondial en 2015 augmente le potentiel réalisable de seulement 27 % indiquant les domaines où le coût de mise en œuvre de RSTV est très élevé. Ces zones sont représentées par de grands complexes d'entrepôts/industriels en Alaska et au Canada, où l'insolation solaire annuelle est faible et l'investissement CAPEX est élevé pour couvrir l'ensemble des grands toits avec des panneaux solaires.

Courbes de coût d'approvisionnement régional (a), montrant le potentiel technique cumulé pour une taille de bac LCOE donnée. L'augmentation absolue de la hauteur de la barre représente le changement du potentiel ajouté qui peut être réalisé dans un bac LCOE donné. Des hauteurs de barre presque constantes pour des bacs consécutifs sont représentatives d'un très petit potentiel supplémentaire réalisé à un coût croissant. Pour une seule barre, la hauteur de la barre représente le potentiel cumulatif qui peut être réalisé dans une bande LCOE spécifique. b Répartition des potentiels sur les tranches LCOE de 10 $/MWh. L'extraction potentielle est la moins chère en Asie, suivie par l'Afrique et l'Europe. c Investissement CAPEX requis pour atteindre un potentiel total spécifique en pourcentage du PIB mondial en 2015. Près de 50 % du potentiel mondial peut être atteint avec un investissement équivalent à 15 % de la valeur du PIB mondial en 2015.

Au niveau global, une variabilité spatiale du LCOE est également observée (Fig. 5b). Dans l'hémisphère nord, les valeurs LCOE augmentent progressivement de 40 $ MWh−1 à 280 $ MWh−1 avec l'augmentation de la latitude. Ici, le nord-est de la Chine est une exception qui a montré une diminution des valeurs LCOE avec l'augmentation des latitudes. Pour l'Asie, une majorité du potentiel peut être réalisé entre 40 et 100 $ MWh−1 rendant le RTSPV compétitif par rapport aux technologies fossiles. Le coût d'atteinte du potentiel spécifique au pays est le plus faible en Inde à 66 $ MWh−1 par rapport à la Chine (68 $ MWh−1).

Pour l'Europe, l'Afrique, l'Amérique du Sud et les nations insulaires, la majorité du potentiel total peut être réalisée en dessous de 180 $ MWh−1. En Europe, l'Espagne a le coût LCOE le plus bas de 90 $ MWh−1, avec une tendance à la hausse des coûts observée lorsque l'on se déplace vers les latitudes plus élevées. Au sein de chaque pays de la région européenne, une plus grande variabilité du LCOE est également observée, certaines régions observant des coûts moins élevés que les régions voisines à la même latitude. Dans la région africaine, la majorité du potentiel total peut être réalisé entre 110 et 160 $ ​​MWh−1. En Afrique, le Nigeria, le Gabon et le Cameroun ont les coûts les plus élevés (environ 150 $ MWh−1) pour réaliser leurs potentiels respectifs.

L'Amérique du Nord, le Royaume-Uni et le Japon ont affiché les coûts les plus élevés pour réaliser le potentiel. Cela peut être attribué aux coûts CAPEX élevés dans les pays, qui devraient diminuer à l'avenir en raison des innovations technologiques et de la réduction des tarifs d'importation. En Amérique du Nord, le Canada et les États du nord-est des États-Unis autour des Grands Lacs ont les coûts LCOE les plus élevés. Le coût pour réaliser le potentiel dans ces pays varie de 200 à 280 $ MWh−1. Le Royaume-Uni (251 $ MWh−1) a les coûts spécifiques au pays les plus élevés pour réaliser son potentiel.

Globalement, les CAPEX nécessaires pour accéder au potentiel varient à la fois par rapport à la taille du PIB et par rapport aux valeurs de LCOE (Fig. 8a). Pour réaliser tout le potentiel de leurs pays respectifs, les pays à faible revenu auraient besoin d'investir des capitaux qui représentent plusieurs fois (jusqu'à 3,5 fois) la valeur de leur PIB en 2015, même à un LCOE relativement faible, compris entre 80 et 150 $ MWh−1, pour couvrir les coûts initiaux élevés. Pour des valeurs LCOE similaires, les pays à revenu élevé (classification des revenus de la Banque mondiale) peuvent réaliser leur plein potentiel avec un investissement en capital équivalant à une fraction (jusqu'à la moitié) de la valeur de leur PIB de 2015.

a Disparité dans la réalisation du plein potentiel, les pays à faible revenu ayant besoin d'investissements en capital supérieurs à leur PIB respectif de 2015 pour atteindre le plein potentiel. b Répartition des 32 régions en fonction de leur facteur de rendement relatif et du PIB par habitant. La région rouge se concentre sur les pays qui ont actuellement un déploiement PV élevé sur les toits. La région verte se concentre sur les pays où le déploiement de la technologie RTSPV aura un maximum d'avantages.

Nous avons classé les pays en groupes en fonction de leur PIB par habitant (PIBD) et de leur facteur de rendement (Fig. 8b). Dans cette étude, nous avons défini le facteur de rendement comme le potentiel annuel pouvant être réalisé à partir de 1 TW de capacité installée. Sur la base de cette catégorisation, nous avons découvert que les économies émergentes, notamment l'Inde, le Brésil et le Mexique, ont des facteurs de rendement élevé (1,5 à 2) qui favoriseraient le déploiement du RTSPV dans ces pays. Même si la différence de LCOE entre les deux pays les plus peuplés (Inde et Chine) est minime, avec une plus grande dotation solaire et un facteur de rendement élevé, le déploiement de la technologie RTSPV devient plus favorable en Inde qu'en Chine. Cependant, l'adoption du RTSPV est encore très faible dans ces pays en raison du manque de crédit et de l'incapacité de payer le coût initial élevé du système RTSPV. Cela souligne la nécessité d'une coopération mondiale, d'un transfert de technologie et d'instruments financiers verts pour accélérer le déploiement de la technologie RTSPV à faible émission de carbone dans les pays à faible revenu et à revenu intermédiaire.

L'étude montre comment un cadre basé sur les mégadonnées et un modèle ML en conjonction avec des plates-formes de cloud computing peut être utilisé pour entreprendre une évaluation du potentiel des ressources à l'échelle planétaire. Nous avons analysé 130 millions de km2 de surface terrestre mondiale en utilisant les enseignements tirés d'échantillons mondiaux contenant 300 millions de bâtiments avec 16 millions de km de routes. À l'aide de Google Earth Engine et d'un modèle ML, nous avons délimité 1,2 million de km2 de la zone bâtie contenant 0,2 million de km2 de surface sur les toits. Dans le cadre de l'évaluation, nous avons généré (1) un jeu de données mondial sur la surface des toits (2) un jeu de données mondial sur le potentiel RTSPV à une résolution temporelle mensuelle, (3) les coûts d'atteinte du potentiel technique. Les ensembles de données ont ensuite été utilisés pour générer des cartes mondiales à haute résolution du potentiel et des coûts. Nous avons également fait progresser l'état actuel des connaissances en combinant les approches descendantes et ascendantes à l'échelle mondiale pour développer un cadre hybride pour l'évaluation du potentiel des ressources qui peut également être utilisé pour faire progresser l'évaluation des potentiels éoliens et bioénergétiques mondiaux. L'évaluation montre qu'il existe au niveau mondial un potentiel RTSPV important de 27 PWh an−1 qui peut être atteint pour des coûts compris entre 40 et 280 $ MWh−1. Le potentiel est le plus élevé en Asie, suivi de l'Amérique du Nord et de l'Europe. Un investissement en capital d'environ 7 000 milliards de dollars est nécessaire aux prix actuels pour atteindre une production d'électricité mondiale basée sur le RTSPV de 10 PWh an−1 en dessous du LCOE de 100 $ MWh−1, couvrant 3,72 milliards de personnes dans le monde.

Au niveau régional de l'UE-27, notre surface de toit estimée à 7596,4 km2 est similaire aux 7935 km2 calculés dans Bodis et al. étude en incorporant un facteur d'échelle de toit de 0,3. Pour les États-Unis, notre superficie estimée sur les toits et notre potentiel annuel de 8827 km2/1,9 PWh an−1 se comparent bien aux estimations de 8130 km2/1,4 PWh an−1 présentées dans Gagnon et al. étude en incorporant un facteur d'échelle de toit de 0,32. Au niveau de la ville, notre potentiel de 1 TWh an-1 est aligné sur le 1 TWh an-1 calculé dans une étude de Hong et al.36 où ils ont utilisé une analyse avancée de l'ombrage pour capturer les effets des ombres induites par les bâtiments dans une topographie urbaine dense. Une comparaison détaillée au niveau mondial/régional/pays et ville de nos résultats avec des travaux de recherche sélectionnés est documentée dans le tableau supplémentaire 7. De la comparaison avec d'autres études, nous pouvons conclure que les résultats de notre cadre démontrent une véracité élevée car ils se situent dans la marge d'erreur des valeurs présentes dans la littérature. De plus, la bonne précision d'estimation de notre cadre à haute résolution spatiale alimente des précisions plus élevées à des résolutions inférieures agrégées.

Notre évaluation a des implications importantes pour relever le double défi du développement durable et du changement climatique avec des co-bénéfices pour faire avancer les ODD 3 et ODD 7. Premièrement, l'analyse du potentiel RSTPV spatial présentée dans cette étude montre que 55 % du potentiel RSTPV mondial est réparti dans des zones à faible densité. Cela met en évidence un aspect important de la transition solaire, où la majorité de ses avantages en fournissant une électricité rentable et rapidement déployable peuvent être réalisés dans les zones rurales. RTSPV peut ainsi contribuer à atténuer la pauvreté énergétique que connaissent les zones moins développées et peu peuplées d'un pays où une intégration poussée du réseau peut être coûteuse ou où la concurrence pour les terres peut exister. Près de 20 % du potentiel mondial se situe dans les zones à haute densité où le déploiement du RTSPV peut aider à remplacer l'électricité dérivée de combustibles fossiles par une production d'électricité moins polluante, réduisant ainsi la pollution de l'air local60. Deuxièmement, du point de vue de l'égalité énergétique et de l'agenda "ne laisser personne de côté" des ODD, les zones les plus défavorisées en matière d'accès à l'électricité sont actuellement les pays à faible revenu3 qui nécessitent le déploiement rapide et rentable d'infrastructures de production d'électricité propre. Notre évaluation montre que les pays à faible revenu peuvent avoir besoin d'investissements en capital importants, car les coûts d'installation RTSPV initiaux élevés sont de l'ordre de 2 à 3 fois leur valeur du PIB de 2015 pour atteindre leur potentiel spécifique à chaque pays. Aux coûts actuels, les gouvernements pourraient avoir besoin de fournir des subventions et de rechercher des investissements externes pour améliorer les perspectives de déploiement du RTSPV dans ces zones. Cela met en évidence le rôle vital que les économies développées peuvent jouer pour permettre le déploiement du RTSPV dans ces pays par le biais de flux financiers afin de réaliser les co-bénéfices du changement climatique. Avec la maturation de la technologie et l'émergence d'une économie d'échelle, les coûts vont encore baisser pour permettre une révolution solaire dans ces zones et contribuer à leur avenir énergétique à faible émission de carbone.

Troisièmement, les pays qui récoltent actuellement leurs dividendes démographiques comme l'Inde et la Chine sont mieux adaptés pour un déploiement rapide du RTSPV. Nous avons montré que ces pays ont un potentiel élevé avec une faible variabilité potentielle saisonnière ainsi qu'un faible coût de déploiement. Comme ces pays ont la plus grande part de population au monde avec de grands parcs immobiliers, ils peuvent être les premiers à décarboner leur infrastructure de production d'électricité en déployant substantiellement un portefeuille de production d'électricité décentralisé, contribuant ainsi à l'atténuation du changement climatique. Parallèlement à l'atténuation du changement climatique, le déploiement du RSTPV dans ces pays peut tirer parti du pourcentage élevé de main-d'œuvre dans la population sous la forme d'une fabrication et d'une maintenance opérationnelle rentables. Quatrièmement, l'évaluation à haute résolution peut aider les gouvernements locaux à identifier les emplacements appropriés pour le déploiement rapide des infrastructures de production d'énergie. De cette façon, la formulation ascendante de la politique énergétique peut conduire à la conception inclusive de politiques nationales pour fournir une justice énergétique aux citoyens. Cinquièmement, les entreprises et les institutions financières comme la Banque mondiale et le Fonds monétaire international peuvent analyser en profondeur les opportunités et les risques d'investissement dans la mise en œuvre des infrastructures RSTPV conduisant à la création d'emplois locaux et au développement durable des industries manufacturières. Sixièmement, les informations contenues dans l'évaluation ainsi que les courbes de coût d'approvisionnement constituent un pas en avant mesurable et comblent un important manque d'informations présent dans les modèles d'évaluation intégrés actuels où les potentiels solaires photovoltaïques sont souvent représentés sous forme de potentiels agrégés pour les installations de services publics et sur les toits. Notre évaluation fournit des résultats perspicaces et des ensembles de données techniques potentielles qui aideront certainement à modéliser avec précision les futurs scénarios neutres en carbone pour éclairer les politiques énergétiques nationales61,62,63,64,65,66. Cela aidera sans aucun doute à explorer des possibilités futures durables et inclusives à faible émission de carbone.

Notre étude montre une variabilité prononcée des potentiels saisonniers dans les latitudes plus élevées pour les pays couvrant l'Europe, l'Amérique du Nord et les régions australiennes. Ces régions ont une forte consommation d'électricité par habitant ainsi que la capacité financière d'introduire des ERV significatifs dans le mix de production électrique. Pour atténuer la variabilité des potentiels au cours de l'année, les réseaux intelligents qui optimisent le portefeuille de production et l'introduction de mécanismes pilotés par les régulateurs qui équilibrent le marché de la production deviennent importants. En outre, l'introduction de nouveaux mécanismes de marché67 est nécessaire pour intégrer efficacement les prosommateurs et les opérateurs de services publics dans les marchés concurrentiels de la production d'électricité. Avec la baisse des prix des technologies de stockage d'électricité et la gestion intelligente des réseaux interconnectés, la technologie RSTPV jouera un rôle essentiel sur ces marchés en assumant les rôles de production, de stockage et d'équilibrage du système.

En conclusion, notre évaluation montre que le potentiel actuel de production d'électricité de RTSPV dépasse la demande mondiale d'électricité annuelle agrégée actuelle (2018)68. Notre évaluation montre également qu'un minimum de 50 % de la surface totale des toits mondiaux est nécessaire pour répondre à la demande globale annuelle d'électricité. En raison des cycles diurnes de l'insolation solaire et pour équilibrer la variabilité saisonnière et quotidienne de la production RTSPV, le rôle des solutions de stockage pour compléter la production d'électricité RTSPV est essentiel pour réaliser le potentiel maximal de cette technologie et pour répondre à la demande quotidienne de pointe. Par conséquent, le potentiel de réalisation pratique du RTSPV dépendra de la trajectoire future des coûts des technologies de stockage, des dépenses d'investissement liées à la technologie et de la configuration globale du système énergétique.

Même avec ses limites et ses lacunes, l'évaluation actuelle reste à la pointe de la technologie et fournit aux chercheurs des ensembles de données d'analyse globale. Les méthodes et ensembles de données sous-jacents ont été évalués par des pairs et sont de la plus haute qualité actuellement disponible et représentent une avancée de génération par rapport aux ensembles de données utilisés dans les méthodes de pointe actuelles. L'ensemble de données actuel peut être amélioré en utilisant un ensemble de données de couverture terrestre de résolution de 10 m de nouvelle génération et avec une augmentation de la résolution spatiale de la population et des données solaires à l'échelle mondiale. De meilleures plates-formes de traitement de données peuvent permettre d'effectuer d'autres travaux à une résolution de 1 km, offrant une multiplication par 100 de la représentation spatiale des potentiels. En outre, des entrées sous la forme de variations régionales réalistes de la disponibilité des toits aideront à réduire l'incertitude des potentiels et des coûts et devraient constituer la prochaine étape de recherche logique dans l'amélioration du modèle.

Nous avons généré un total de 3 521 120 filets de pêche à l'aide de l'application de bureau ArcGIS PRO pour toute la masse terrestre mondiale, à l'exception du continent de l'Antarctique. La grille FN est l'unité la plus basse d'agrégation de données dans notre méthode. Les FN à la frontière de deux pays ont un identifiant Fishnet commun mais une attribution de pays unique, le FN étant divisé à la frontière. Ensuite, les polygones de filet de pêche ont été téléchargés sur la plate-forme du moteur Google Earth69 (GEE) pour calculer la zone construite dérivée des satellites (BAFN), la population (PPLNFN) et les facteurs de conversion (CFFN) pour chaque cellule de filet de pêche.

Nous avons utilisé la couche de couverture terrestre globale (LC) de Copernicus Global Land Service v2.0 pour calculer les valeurs BAFN au sein de chaque FN. Cette couche de classification de la couverture terrestre a été choisie pour sa robustesse et sa couverture quasi mondiale et elle est soutenue par des tests et une validation exhaustifs. La LC a de nombreuses catégories de classifications, parmi lesquelles la zone bâtie est l'une des classifications. La classification construite est à son tour dérivée de la couche World Settlement Footprint 2015 de l'Agence spatiale européenne qui est dérivée du radar et de l'imagerie optique d'une mission sentinelle à résolution de 10 m. Pour calculer la zone bâtie totale dans chaque cellule Fishnet, le fichier raster LC a d'abord été découpé en tailles plus petites en fonction des limites géographiques de chaque fishnet. L'ensemble de données LC coupé individuellement a ensuite été agrégé à l'aide des éléments suivants :

où BAFN est la zone bâtie dans chaque cellule de filet de pêche, PXV est la valeur de pixel (0–100) représentant le pourcentage de la zone bâtie dans chaque pixel, PXA est la zone occupée par chaque pixel.

Pour cartographier le nombre de personnes vivant dans chaque cellule fishnet, nous avons utilisé un fichier raster de la population mondiale à une résolution de 100 m fourni par le projet WorldPop. Le raster de population désagrège les chiffres de population des Nations Unies enregistrés dans une unité administrative à une résolution plus fine en utilisant une méthodologie basée sur le ML. Le fichier raster de la population a été divisé en entités plus petites en fonction des limites géographiques de chaque cellule fishnet. Ensuite, un fichier de masquage contenant les zones couvertes par la couche LC dans chaque cellule de filet de pêche est utilisé pour masquer la population en dehors des limites de la zone BAFN dans chaque filet de pêche. L'ensemble de données individuel sur la petite population a été agrégé pour chaque cellule fishnet en utilisant les éléments suivants :

où, PPLNFN est le nombre total de personnes vivant dans chaque fishnet, et PX(NM)V est la valeur de pixel de chaque pixel qui n'est pas masqué par la couche LC superposée. Le fichier raster de population a été masqué pour supprimer toutes les données de comptage de population qui ne font pas partie du pixel LC. Le pixel raster de population masqué peut être attribué à des artefacts induits en raison de l'algorithme de réduction d'échelle dans l'ensemble de données d'origine ou de zones bâties supplémentaires qui étaient externes à la couche LC. Pour maintenir l'homogénéité de l'analyse, la couche LC a été prise comme base pour toutes les analyses, et toute zone non couverte par (BAFN) a été supposée ne pas être présente sur le terrain, même si elle existe réellement en tant que vérité terrain.

Les facteurs CF ont été calculés à l'aide des ensembles de données raster SolarGIS de la Banque mondiale. L'ensemble de données est fourni sous la forme d'un ensemble de données raster à résolution de 1 km, chaque pixel fournissant une production quotidienne de kWh pour chaque kWc (crête) de capacité installée au sein de ce pixel à une résolution mensuelle. L'ensemble de données a été généré à l'aide d'une simulation et d'une validation approfondies de l'insolation solaire, des pertes de conversion de puissance, des effets de l'atmosphère et du vieillissement des panneaux à l'aide de 20 ans de données documentées. Pour chaque cellule fishnet, les facteurs CF ont été agrégés en utilisant les éléments suivants :

où, CFM,FN est le facteur CF pour chaque mois pour chaque FN, n est le nombre de pixels CF dans le FN et PXV est la valeur de pixel de chaque pixel dans la limite géographique FN. Les trois jeux de données (PPLNFN, CFFN, BAFN) et les géométries FN ont d'abord été traités sur l'application de bureau ArcGIS Pro pour harmoniser les systèmes de référence de coordonnées, puis téléchargés sur la plateforme GEE pour traitement. Sur GEE, nous avons divisé les ensembles de données en fonction des géométries FN individuelles et agrégé les trois ensembles de données en fonction des règles mises en évidence ci-dessus. L'architecture de cloud computing de GEE peut traiter un grand nombre d'ensembles de données dans un laps de temps relativement court et génère un ensemble de données tabulées pour un traitement ultérieur.

Pour générer des empreintes de construction de vérité terrain, nous avons collecté des formes de polygones de construction sous forme de couches vectorielles à partir de sources de données volumineuses. Pour les échantillons d'empreintes de bâtiments, nous avons utilisé des empreintes de bâtiments générées par l'IA par les équipes Microsoft AI et Ecopia AI. Ces deux ensembles de données couvrent l'ensemble des États-Unis, du Canada et de 39 pays africains. Les échantillons de Microsoft AI et Ecopia AI (> 300 millions de bâtiments individuels) ont été divisés en fonction de la couche FN pour chaque cellule FN chevauchant les pays de l'échantillon, masqués davantage pour supprimer les empreintes de construction en dehors de la couche BAFN. Les empreintes de bâtiments non masquées ont été agrégées sur la base des éléments suivants :

où BFFN est l'empreinte de bâtiment agrégée pour chaque échantillon FN et BP(NM)V est la zone de polygone d'empreinte de bâtiment individuelle non masquée dans le FN qui chevauche la couche BAFN. Le masquage a supprimé les bâtiments construits après l'année de référence 2015. Bien que la couche BAFN couvre l'ensemble de l'étendue de la zone bâtie à l'échelle mondiale, elle peut encore manquer certaines zones bâties en raison d'artefacts dans l'imagerie satellitaire. Cependant, celle-ci est négligeable et, pour les besoins de notre étude, considérée comme la couche de référence sur laquelle fonder notre analyse. Les empreintes de bâtiments qui se chevauchaient ont été dissoutes en un seul polygone avant d'être divisées et les polygones intersectés par une limite FN ont été divisés à la ligne d'intersection. Pour le reste du monde, les empreintes de bâtiments dérivées d'OSM (consultées en avril 2020) ont été analysées et agrégées sur la base de l'équation. (4). Un total de 4000 échantillons FN globaux ont été sélectionnés à partir de l'ensemble de données de construction OSM. La stratégie d'échantillonnage pour générer les 4000 échantillons OSM consistait à extraire les bâtiments liés par des FN qui avaient un rapport BFFN/BAFN compris entre 0,15 et 0,11. Ces ratios correspondent au 75e centile et au 50e centile des données traitées à partir des ensembles de données Microsoft AI et Ecopia AI. Au total, nous avons pu collecter avec succès des échantillons de presque tous les pays du monde couvrant différents stades de développement socio-économique, de diffusion culturelle et de lieux géographiques.

La mesure de la longueur de la route a été entièrement dérivée des ensembles de données OSM. Pour traiter l'ensemble de données RL, le fichier d'ensemble de données planétaires d'OSM (consulté en avril 2020) a été utilisé. Le fichier planétaire contient des routes représentées sous la forme de lignes attribuées par les différents types, par exemple, résidentiel, autoroute, sentier, etc. L'entité linéaire a été divisée en fonction de chaque FN global, masquée à l'aide de la couche BAFN et agrégée en fonction des éléments suivants :

où RLFN est la longueur de route agrégée pour chaque FN global et L(NM)V est la longueur individuelle de toutes les routes au sein de chaque couche BAFN chevauchant FN. Lors de l'agrégation de l'ensemble de données RLFN, il a été observé que les extrémités des routes dans l'ensemble de données OSM se chevauchent à certains endroits, ces chevauchements ont été dissous en entités linéaires uniques avant l'agrégation. De plus, certaines routes s'étendent au-delà de la couche BAFN au sein de chaque FN. Ces routes ont été coupées à la limite BAFN afin de maintenir une étendue homogène pour la région d'intérêt pour tous les ensembles de données utilisés dans l'analyse. Au total, nous avons réussi à traiter l'infrastructure routière de presque tous les pays du monde.

Le chargement, le fractionnement et le traitement de la géométrie pour les empreintes de bâtiments et les lignes de route ont été effectués à l'aide de la prise en charge multicœur d'ArcGIS PRO. L'agrégation des ensembles de données et la cartographie de l'ensemble de données agrégé avec les limites FN ont été effectuées à l'aide de scripts python personnalisés construits sur le module de calcul parallèle DASK70. En raison de la taille même des données traitées, nous avons constaté que les architectures multicœurs et les cadres de calcul parallèle développés ces dernières années peuvent être d'une grande utilité dans la conception et l'exécution d'analyses à l'échelle planétaire avec des exigences de coût et de temps minimales.

Nous avons utilisé le cloud computing sous la forme de la plate-forme Google Earth Engine. En général, la parallélisation du traitement des données a été effectuée de quatre manières, d'abord lors de la désagrégation des jeux de données raster mondiaux et de la mise en correspondance des valeurs agrégées avec nos FN mondiaux. Nous avons effectué cette tâche pour 12 rasters solaires mensuels, 1 raster Landcover et enfin pour le raster de la population mondiale. Ici, nous avons exécuté tous les codes d'algèbre raster et de cartographie sur Google Earth Engine, où le traitement des données backend a été divisé en plusieurs flux parallèles et exécuté sur l'infrastructure Google Cloud. Cela a conduit à l'accélération du traitement des données car l'algèbre raster est hautement parallèle dans son exécution où chaque cellule raster peut être travaillée indépendamment. Deuxièmement, lors de la désagrégation des ensembles de données vectorielles mondiales et de la cartographie des valeurs agrégées à nos FN mondiaux. Au moment de la rédaction de cet article, Google Earth Engine était moins efficace pour effectuer une analyse vectorielle. La raison en est qu'au lieu d'une surface raster de pixels qui peut être calculée de manière parallèle, les ensembles de données vectorielles nécessitent des algorithmes spécialisés. Ici, nous avons utilisé l'architecture de traitement parallèle multicœur d'ARCGIS Pro où les ensembles de données vectorielles sous la forme d'empreintes de construction et de routes peuvent être traités efficacement en divisant la carte en différentes régions et en traitant chaque région sur un seul cœur. Cette tâche est effectuée dans le backend à l'aide d'Apache Spark. Troisièmement, lors de l'agrégation et de la manipulation de données dans l'environnement de bureau python. De grandes composantes du traitement des données allant du calcul des toits aux calculs LCOE ont été effectuées à l'aide du cadre DASK. Dans ce cadre, les trames de données peuvent être décomposées en petits morceaux et traitées en parallèle. Cela nous a permis de réduire considérablement les délais de traitement. Quatrièmement, lors de la formation du modèle ML. Des scripts personnalisés ont été écrits sur python pour effectuer une optimisation des hyperparamètres et une validation croisée 10 fois en parallèle. Chacun des 10 plis de la validation croisée a été attribué au cœur indépendant de notre machine à 12 cœurs, ce qui a conduit à une convergence plus rapide des hyperparamètres vers une solution optimale.

Le modèle ML a été formé sur PPLNFN, RLFN, BAFN comme variables indépendantes et BFFN comme variable dépendante pour chaque échantillon FN. La première étape de la préparation du modèle consistait à imputer les données manquantes dans les variables indépendantes. Les imputations sont nécessaires car certaines PN ont des données manquantes sur la population ou sur la longueur des routes en raison de l'échelle mondiale de l'analyse. Cet écart est attendu et est présent en raison du fait que les routes OSM ne sont pas cartographiées pour toutes les routes de la planète et également en raison de la méthodologie de réduction d'échelle utilisée pour générer le raster de population d'origine par WorldPop.

L'imputation des données a été gérée à l'aide d'un script python personnalisé utilisant la fonction d'imputation itérative du module Scikit-Learn71. De plus, nous avons généré le modèle de réduction d'échelle à l'aide du framework XGBoost72. Lors du choix entre le framework basé sur le réseau de neurones ou les frameworks d'amplification de gradient, nous avons utilisé ce dernier car le framework XGBoost a montré des performances supérieures, tout en utilisant considérablement moins de temps de calcul pour atteindre un état de modèle optimal. De plus, étant exécuté sur une architecture CPU uniquement, le framework XGBoost peut générer des résultats reproductibles à chaque exécution suivante, ce qui est difficile à réaliser sur un framework basé sur GPU comme Neural Networks en raison de l'incertitude inhérente induite par l'architecture de calcul parallèle massive d'un GPU.

Le modèle XGBoost de base a été personnalisé pour notre tâche en ajustant les paramètres du modèle à l'aide d'une validation croisée 5 fois. Chaque pli de la validation croisée a généré une métrique de perte d'erreur quadratique moyenne (MSE) à la fin de son exécution. La moyenne des cinq MSE a été choisie comme métrique à réduire pendant le processus d'hyper-réglage (les paramètres finaux du modèle sont présents dans le tableau supplémentaire 1). Le modèle entraîné a ensuite été utilisé pour estimer les valeurs d'empreinte du bâtiment pour chaque cellule FN globale à l'aide des valeurs PPLNFN, RLFN, BAFN. La sortie finale de la réduction d'échelle (BFEFN) a été stockée sous la forme d'un fichier raster global de résolution de 10 km où chaque pixel représente l'empreinte agrégée estimée du bâtiment pour chaque FN.

Pour calculer le potentiel RTSPV à partir de BFEFN, nous avons fait des hypothèses généralisantes pour maintenir l'uniformité dans nos calculs. Nous avons supposé que l'empreinte estimée du bâtiment est représentative de la surface de toit disponible dans chaque FN, c'est-à-dire que 100 % du toit estimé est disponible pour l'installation de panneaux solaires. Pour installer 1 kWc de panneaux solaires photovoltaïques montés sur le toit, 10 m2 de surface de toit sont nécessaires, ce qui correspond à la technologie à couche mince actuellement utilisée. Le PV solaire monté sur le toit est installé à l'angle optimal pour chaque latitude et est orienté vers le soleil et sans ombre pour générer une production d'électricité maximale. Les toits du bâtiment sont de conception plate, ce qui conduit à l'utilisation de l'ensemble du toit pour l'installation de panneaux solaires.

Sur la base des hypothèses, c'est-à-dire une surface de 10 m2 pour un panneau efficace à 10 %, le potentiel solaire technique est calculé pour tous les FN mondiaux pendant 12 mois en utilisant les éléments suivants :

où SP est le potentiel solaire technique, BFEFN est la surface de toit estimée en m2, CF est le facteur de conversion, M est le mois et FN est la cellule fishnet unique, et DaysM est le nombre de jours dans le mois respectif. Les facteurs de conversion solaire de la Banque mondiale sont disponibles pour les régions entre 60°N et 45°S. Pour les régions au-delà de 60°N et 45°S, nous avons supposé un facteur de conversion constant de 3,5 kWh/kWc/jour. Cela a conduit à une légère surévaluation du potentiel pour des pays comme la Suède, la Norvège. Cependant, comme la densité de la zone bâtie diminue considérablement au-delà des 60°N et 45°S, l'erreur globale totale due à cette hypothèse reste faible. Les calculs pour générer le potentiel solaire sont traités à l'aide de scripts python personnalisés utilisant le module DASK pour gérer des opérations arithmétiques massives. En outre, l'ensemble de données raster de potentiel solaire traité est stocké sous forme de fichier de géopackage pour les visualisations et les calculs économiques.

LCOE fournit une méthode simple et robuste pour comparer la viabilité économique d'un projet au sein d'un FN spécifique. Il a été supposé que le coût en capital de l'installation (CAPEX) sera échelonné sur la première année de mise en service et que les panneaux installés auront une durée de vie de 25 ans. La géocartographie des CAPEX, des dépenses d'exploitation (OPEX) et du taux d'actualisation (DR) provient du rapport 2019 sur le coût des énergies renouvelables de l'IRENA. Le LCOE pour chaque FN est calculé à l'aide des éléments suivants :

où, CAPEXFN (2019 $/kW) est la dépense en capital pour l'installation du système RTSPV pour le FN donné, OPEXFN,t (2019 $/kW) est les dépenses d'exploitation et de maintenance pour le FN donné et pour l'année spécifique (t), t est le numéro de l'année, DR est le taux d'actualisation, M est le numéro du mois et SPM,FN (kWh/mois) est la production potentielle pour le mois et le FN donnés. Nous avons utilisé les données CAPEX pour 17 pays différents et attribué la valeur CAPEX moyenne au reste des pays en fonction du continent dans lequel ils se trouvent. OPEX et DR ont des valeurs basées sur les classifications des pays OCDE et non-OCDE. L'agrégation par pays du LCOE, du SP de chaque FN à partir de leurs valeurs intra-pays respectives à haute résolution a été effectuée en utilisant la règle suivante

Il convient de noter que nous n'avons pas pris en compte le coût d'une extension supplémentaire du réseau ou d'une infrastructure de stockage pour atteindre le plein potentiel technique de l'énergie solaire photovoltaïque sur les toits. De plus, le coût du démantèlement et la valeur de la ferraille de l'installation n'ont pas été pris en compte à la fin de la durée de vie de 25 ans des projets. Lors du calcul du SP et du LCOE, il a été supposé qu'aucune installation solaire photovoltaïque sur le toit n'existe dans le monde, et toutes les capacités supplémentaires commenceront leur mise en service à partir de l'année 2019.

Notre évaluation est basée sur la précision de la couche de couverture terrestre globale qui, avec sa résolution de 100 m, peut, à certains endroits, surestimer l'étendue des zones bâties. En outre, la couverture terrestre classe les routes, les parkings, les limites des espaces verts, les courts de tennis et les zones archéologiquement importantes comme des zones bâties avec une classification erronée variant entre les différentes régions. Notre hypothèse selon laquelle les toits sont plats, sans ombre et orientés vers le soleil avec un toit complet disponible pour l'installation ajoute aux limites méthodologiques. Ensuite, les mégadonnées liées aux empreintes de bâtiments et aux routes globales ont des limites méthodologiques inhérentes comme la représentation simplifiée d'un toit complexe avec un polygone carré, des routes qui se chevauchent, etc.

Pour les calculs de potentiel technique, nous avons supposé que 100 % du toit estimé est disponible pour l'installation de panneaux solaires, c'est-à-dire que l'orientation et la pente du bâtiment ne sont pas prises en compte dans les résultats basés sur l'hypothèse de disponibilité du toit à 100 % dans notre analyse principale. Ces hypothèses peuvent conduire à des limites dans l'interprétation réelle des principaux résultats, car une fraction du toit peut être disponible pour l'installation de panneaux solaires. Pour tenir compte de cela, nous avons documenté le changement régional du potentiel en tant qu'analyse d'incertitude pour une combinaison de facteurs d'échelle de toit et d'efficacité des panneaux. Dans la littérature actuelle, la réduction de la surface totale du toit à la surface disponible du toit se fait généralement par le biais d'un facteur d'échelle du toit qui est un indicateur de la perte de surface du toit en raison de l'orientation, de la pente et des superstructures du toit comme les cheminées, etc. Bien que certaines études existent au niveau national où le facteur d'échelle du toit est documenté, à l'échelle mondiale, il n'existe aucun ensemble de données faisant autorité qui puisse délimiter les facteurs d'échelle du toit au niveau national. Des travaux supplémentaires sont nécessaires pour documenter les facteurs d'échelle des toits spécifiques au pays qui sortent du cadre de l'objectif de recherche de cette étude.

Nos hypothèses de coûts couvrent 17 pays différents à travers les continents avec des valeurs moyennes pour le reste des pays. Ces hypothèses peuvent attribuer des valeurs LCOE accrues ou réduites à une certaine région comme l'Afrique et l'Amérique du Sud. Une autre limitation des hypothèses de coût est l'incapacité de la mesure du LCOE à saisir la variation intra-pays du LCOE à un degré élevé en raison du manque de données de coût à haute résolution. En outre, la variabilité des coûts due au déploiement supplémentaire du réseau, aux mécanismes tarifaires et à l'évolution mondiale des prix due aux pratiques de protectionnisme commercial dépasse le cadre de l'évaluation actuelle. Enfin, nous avons calculé tous les coûts et mesures potentielles en supposant qu'aucune capacité installée n'existe pour le retour sur investissement, alors que dans l'horizon temporel actuel, une certaine capacité installée existe.

La majorité des limitations peuvent être attribuées aux données sous-jacentes utilisées dans notre évaluation, qui peuvent être améliorées avec les progrès ultérieurs de la méthodologie des fournisseurs de données. Des recherches supplémentaires peuvent être entreprises pour réduire les limites méthodologiques qui sont actuellement amorcées par la disponibilité des données et le manque de données mondiales homogènes.

Les données à l'appui des conclusions de cette étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable. La feuille de route mondiale est basée sur OpenStreetMap (OSM), qui peut être téléchargée gratuitement. Le fichier planète utilisé dans cette étude est téléchargé le 1er avril 2020. La carte d'occupation du sol est basée sur Copernicus Global Land Service : Land Cover 100 m : collection 3 : epoch 2015 : Globe (https://doi.org/10.5281/zenodo.2583745). D'autres sources de données dont l'utilisation est libre sont fournies dans le corps du texte et dans la section "Méthodes".

Le pseudocode pour entreprendre cette analyse peut être trouvé dans le matériel supplémentaire (note complémentaire 1) et doit être lu conjointement avec la section "Méthodes". Le modèle XGBoost de base est disponible sur https://xgboost.readthedocs.io. Le script python pour le traçage et l'agrégation des données est disponible auprès de l'auteur correspondant sur demande raisonnable.

AIE. Énergies renouvelables 2019 : Analyse et prévisions jusqu'en 2024. Agence internationale de l'énergie https://www.iea.org/reports/renewables-2019 (2019).

Agence internationale pour les énergies renouvelables, AD Renewable Power Generation Costs in 2019. https://www.irena.org/publications/2020/Jun/Renewable-Power-Costs-in-2019 (2020).

AIE, Agence internationale pour les énergies renouvelables, Division des statistiques des Nations Unies, Banque mondiale et Organisation mondiale de la santé. Tracking SDG 7: The Energy Progress Report 2019. La Banque mondiale (2019).

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

IRENA. L'avenir de l'énergie solaire photovoltaïque : déploiement, investissement, technologie, intégration au réseau et aspects socio-économiques (Une transformation énergétique mondiale : article) (2019).

Bódis, K., Kougias, I., Jäger-Waldau, A., Taylor, N. & Szabó, S. Une évaluation géospatiale à haute résolution du potentiel solaire photovoltaïque sur les toits de l'Union européenne. Renouveler. Soutenir. Energy Rev. https://doi.org/10.1016/j.rser.2019.109309 (2019).

Gagnon, P., Margolis, R., Melius, J., Philips, C. & Elmore, R. Potentiel technique solaire photovoltaïque sur les toits aux États-Unis : une évaluation détaillée. Rapport technique NREL https://www.nrel.gov/docs/fy16osti/65298.pdf (2016).

Mainzer, K. et al. Une détermination à haute résolution du potentiel technique des systèmes photovoltaïques résidentiels montés sur le toit en Allemagne. Sol. Énergie https://doi.org/10.1016/j.solener.2014.04.015 (2014).

Walch, A., Castello, R., Mohajeri, N. & Scartezzini, JL Big data mining pour l'estimation du potentiel photovoltaïque horaire sur les toits et son incertitude. Appl. Énergie https://doi.org/10.1016/j.apenergy.2019.114404 (2020).

Creutzig, F. et al. Le potentiel sous-estimé de l'énergie solaire pour atténuer le changement climatique. Nat. Énergie https://doi.org/10.1038/nenergy.2017.140 (2017).

Freitas, S., Catita, C., Redweik, P. & Brito, MC Modélisation du potentiel solaire en milieu urbain : état de l'art. Renouveler. Soutenir. Energy Rev. https://doi.org/10.1016/j.rser.2014.08.060 (2015).

Betak, J. et al. Potentiel mondial d'énergie photovoltaïque par pays (anglais). Programme d'assistance à la gestion du secteur de l'énergie (ESMAP). (Groupe de la Banque mondiale, Washington, DC).

Korfiati, A. et al. Estimation du potentiel global d'énergie solaire et du coût photovoltaïque à l'aide de données ouvertes. Int. J. Soutenir. Régime énergétique. Géré. 9, 17–29 (2016).

Google Scholar

Naroll, R. Surface de plancher et population de peuplement. Suis. Antiq. https://doi.org/10.2307/277689 (1962).

AIE. Perspectives des technologies énergétiques 2016 : vers des systèmes énergétiques urbains durables. Int. Agence de l'énergie (2016).

Hoogwijk, MM Sur le potentiel mondial et régional des sources d'énergie renouvelables. Assemblée (2004).

Izquierdo, S., Rodrigues, M. & Fueyo, N. Une méthode d'estimation de la répartition géographique de la surface de toit disponible pour les évaluations du potentiel énergétique photovoltaïque à grande échelle. Sol. Énergie 82, 929–939 (2008).

Annonces d'article Google Scholar

Ordóñez, J., Jadraque, E., Alegre, J. & Martínez, G. Analyse de la capacité d'énergie solaire photovoltaïque des toits résidentiels en Andalousie (Espagne). Renouveler. Soutenir. Energy Rev. https://doi.org/10.1016/j.rser.2010.01.001 (2010).

Defaix, PR, van Sark, W., Worrell, E. & de Visser, E. Potentiel technique pour le photovoltaïque sur les bâtiments dans l'UE-27. Sol. Énergie 86, 2644–2653 (2012).

Annonces d'article Google Scholar

Assouline, D., Mohajeri, N. & Scartezzini, J.-L. Quantifier le potentiel d'énergie solaire photovoltaïque sur les toits : une approche d'apprentissage automatique. Sol. Énergie 141, 278–296 (2017).

Annonces d'article Google Scholar

Wegertseder, P., Lund, P., Mikkola, J. & García Alvarado, R. Combinaison de méthodes de cartographie des ressources solaires et d'intégration des systèmes énergétiques pour une évaluation réaliste du potentiel d'énergie solaire urbaine. Sol. Énergie 135, 325–336 (2016).

Annonces d'article Google Scholar

Lehmann, H. & Peter, S. Évaluation des potentiels de toit et de façade pour l'utilisation solaire en Europe. Institut Sustain. Solut. Innov. https://doi.org/10.1017/CBO9781107415324.004 (2003).

Lee, M., Hong, T., Jeong, K. & Kim, J. Une approche ascendante pour estimer le potentiel économique du système solaire photovoltaïque sur le toit en tenant compte de la diversité spatiale et temporelle. Appl. Énergie 232, 640–656 (2018).

Article Google Scholar

Jacobson, MZ et al. Feuilles de route de l'énergie éolienne, de l'eau et de la lumière du soleil 100 % propres et renouvelables pour 139 pays du monde. Joule https://doi.org/10.1016/j.joule.2017.07.005 (2017).

Gernaat, DEHJ, de Boer, HS, Dammeier, LC & van Vuuren, DP Le rôle du photovoltaïque sur les toits résidentiels dans les scénarios énergétiques et climatiques à long terme. Appl. Énergie https://doi.org/10.1016/j.apenergy.2020.115705 (2020).

Castellanos, S., Sunter, DA et Kammen, DM Potentiel solaire photovoltaïque sur les toits dans les villes : dans quelle mesure les approches d'évaluation sont-elles évolutives ? Environ. Rés. Lett. https://doi.org/10.1088/1748-9326/aa7857 (2017).

Lloyd, CT, Sorichetta, A. & Tatem, AJ Descripteur de données : Données maillées mondiales à haute résolution à utiliser dans les études de population. Sci. Données https://doi.org/10.1038/sdata.2017.1 (2017).

Verma, V., Kumar, R. & Hsu, S. Détection et modélisation de bâtiments 3D à partir de données aériennes LIDAR. En 2006, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06). Vol. 2, 2213-2220, https://www.computer.org/csdl/proceedingsarticle/cvpr/2006/259722213/12OmNCm7Bws (2006).

Rottensteiner, F. & Briese, C. Une nouvelle méthode d'extraction de bâtiments dans les zones urbaines à partir de données LIDAR haute résolution. Dans Archives internationales de photogrammétrie, télédétection et sciences de l'information spatiale. (Ressources naturelles Canada, 2002).

Redweik, P., Catita, C. & Brito, M. Potentiel d'énergie solaire sur les toits et les façades dans un paysage urbain. Sol. Énergie 97, 332–341 (2013).

Annonces d'article Google Scholar

Zha, Y., Gao, J. & Ni, S. Utilisation de l'indice construit de différence normalisée dans la cartographie automatique des zones urbaines à partir de l'imagerie TM. Int. J. Remote Sens. 24, 583–594 (2003).

Annonces d'article Google Scholar

Buffat, R., Grassi, S. & Raubal, M. Une méthode évolutive pour estimer le potentiel d'irradiation solaire des toits sur de grandes régions. Appl. Énergie 216, 389–401 (2018).

Article Google Scholar

Ferro, A., Brunner, D. & Bruzzone, L. Détection et reconstruction automatiques des empreintes radar des bâtiments à partir d'images SAR VHR uniques. IEEE Trans. Géosci. Télédétection. https://doi.org/10.1109/TGRS.2012.2205156 (2013).

Jochem, A., Höfle, B., Rutzinger, M. & Pfeifer, N. Détection et analyse automatiques du plan de toit dans les nuages ​​de points lidar aéroportés pour l'évaluation du potentiel solaire. Capteurs 9, 5241–5262 (2009).

Annonces d'article Google Scholar

Lukač, N., Seme, S., Žlaus, D., Štumberger, G. & Žalik, B. Évaluation du potentiel photovoltaïque des toits des bâtiments basée sur les données LiDAR (Light Detection And Ranging). Énergie 66, 598–609 (2014).

Article Google Scholar

Hong, T., Lee, M., Koo, C., Jeong, K. & Kim, J. Développement d'une méthode d'estimation du potentiel solaire photovoltaïque (PV) du toit en analysant la surface disponible sur le toit à l'aide de l'analyse Hillshade. Appl. Énergie 194, 320–332 (2017).

Article Google Scholar

As-syakur, AR, Adnyana, IWS, Arthana, IW & Nuarsa, IW Enhanced Built-Up and Bareness Index (EBBI) pour la cartographie des terrains bâtis et nus dans une zone urbaine. Remote Sens. 4, 2957–2970 (2012).

Annonces d'article Google Scholar

Wong, MS et al. Estimation du potentiel d'énergie solaire de Hong Kong à l'aide des technologies SIG et de télédétection. Renouveler. Énergie 99, 325–335 (2016).

Article Google Scholar

Brito, MC, Gomes, N., Santos, T. & Tenedório, JA Potentiel photovoltaïque dans une banlieue de Lisbonne à l'aide de données LiDAR. Sol. Énergie 86, 283–288 (2012).

Annonces d'article Google Scholar

Heris, MP, Foks, NL, Bagstad, KJ, Troy, A. & Ancona, ZH Un ensemble de données tramées sur l'empreinte des bâtiments pour les États-Unis. Sci. Données https://doi.org/10.1038/s41597-020-0542-3 (2020).

Tiecke, TG et al. Cartographier la population mondiale un bâtiment à la fois. arXiv https://doi.org/10.1596/33700 (2017)

Leasure, D., Dooley, C., Bondarenko, M., Tatem, AW PeanutButter : Un package R pour produire des estimations de population maillées à réponse rapide à partir des empreintes de bâtiments, version 0.2.1. https://doi.org/10.5258/SOTON/WP00678 (2020).

Esch, T. et al. Innover dans la cartographie des établissements humains depuis l'espace - L'empreinte urbaine mondiale. ISPRS J. Photogramme. Télédétection. https://doi.org/10.1016/j.isprsjprs.2017.10.012 (2017).

Marconcini, M. et al. Décrivant où vivent les humains, le World Settlement Footprint 2015. Sci. Données https://doi.org/10.1038/s41597-020-00580-5 (2020).

Corbane, C. et al. Délimitation mondiale automatisée des établissements humains à partir de 40 ans d'archives de données satellite Landsat. Big Earth Data https://doi.org/10.1080/20964471.2019.1625528 (2019).

Buchhorn, M. et al. Copernicus Global Land Service : Couverture terrestre 100 m : époque 2015 : Globe. Ensemble de données de la composante globale du service Copernicus Land Monitoring. https://doi.org/10.5281/zenodo.3243509 (2019).

Ferri, S., Siragusa, A., Sabo, F., Pafi, M. & Halkia, M. The European Settlement Map 2017 Release. Méthodologie et résultats de la European Settlement Map. https://doi.org/10.2760/780799 (2017).

Corbane, C. et al. Réseaux de neurones convolutifs pour la cartographie mondiale des établissements humains à partir de l'imagerie satellitaire sentinelle-2. arXiv 2006.03267 (2020).

Bódis, K., Kougias, I., Taylor, N. & Jäger-Waldau, A. Production d'électricité solaire photovoltaïque : une bouée de sauvetage pour les régions charbonnières européennes en transition. Durabilité https://doi.org/10.3390/su11133703 (2019).

Maloof, MA, Langley, P., Binford, TO, Nevatia, R. & Sage, S. Amélioration de la détection des toits dans les images aériennes grâce à l'apprentissage automatique. Mach. Apprendre. 53, 157-191 (2003).

Article Google Scholar

Guo, Z. et al. Identification du bâtiment du village via des images Google Earth et des méthodes d'apprentissage automatique supervisé. Télédétection. https://doi.org/10.3390/rs8040271 (2016).

Mohajeri, N. et al. Une classification de forme de toit à l'échelle de la ville utilisant l'apprentissage automatique pour les applications d'énergie solaire. Renouveler. Énergie 121, 81–93 (2018).

Article Google Scholar

Yang, HL, Lunga, D. & Yuan, J. Vers la détection de bâtiments à l'échelle nationale avec un réseau de neurones convolutionnels utilisant des images aériennes. En 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 870–873, https://ieeexplore.ieee.org/document/8127091 (2017).

Zhang, A., Liu, X., Gros, A. & Tiecke, T. Détection de bâtiments à partir d'images satellites à l'échelle mondiale. arXiv 1707.08952 (2017).

Assouline, D., Mohajeri, N. & Scartezzini, J.-L. Estimation du potentiel technique solaire photovoltaïque à grande échelle sur les toits à l'aide de forêts aléatoires. Appl. Énergie 217, 189–211 (2018).

Article Google Scholar

Contributeurs d'OpenStreetMap. OpenStreetMap. https://www.openstreetmap.org (2020).

Stevens, FR, Gaughan, AE, Linard, C. & Tatem, AJ Désagrégation des données de recensement pour la cartographie de la population à l'aide de forêts aléatoires avec des données de télédétection et auxiliaires. PLoS ONE https://doi.org/10.1371/journal.pone.0107042 (2015).

Barrington-Leigh, C. & Millard-Ball, A. La feuille de route mondiale générée par les utilisateurs est complète à plus de 80 %. PLoS ONE https://doi.org/10.1371/journal.pone.0180698 (2017).

[Données/informations/carte] obtenu à partir de 812 le "Global Solar Atlas 2.0, une application Web gratuite est développée et exploitée par la société Solargis sro au nom du Groupe de la Banque mondiale, en utilisant les données Solargis, avec un financement fourni par le secteur de l'énergie.

Millstein, D., Wiser, R., Bolinger, M. & Barbose, G. Les avantages de l'énergie éolienne et solaire pour le climat et la qualité de l'air aux États-Unis. Nat. Énergie 2, 17134 (2017).

Annonces d'article Google Scholar

Yalew, SG et al. Impacts du changement climatique sur les systèmes énergétiques dans des scénarios mondiaux et régionaux. Nat. Énergie https://doi.org/10.1038/s41560-020-0664-z (2020).

Barbose, G. & Satchwell, AJ Avantages et coûts d'un modèle commercial de propriété de services publics pour le photovoltaïque solaire résidentiel sur les toits. Nat. Énergie https://doi.org/10.1038/s41560-020-0673-y (2020).

Sasse, J.-P. & Trutnevyte, E. Impacts régionaux de la transition du système électrique en Europe centrale jusqu'en 2035. Nat. Commun. 11, 4972 (2020).

Article ADS CAS Google Scholar

Zhang, H. et al. Les interventions solaires photovoltaïques ont réduit la pauvreté rurale en Chine. Nat. Commun. 11, 1969 (2020).

Article ADS CAS Google Scholar

Lu, T. et al. Le potentiel de l'Inde à intégrer l'énergie solaire et éolienne terrestre et offshore dans son système énergétique. Nat. Commun. 11, 4750 (2020).

Article ADS CAS Google Scholar

Sterl, S. et al. Portefeuilles intelligents d'électricité renouvelable dans l'Ouest. Afr. Nat. Soutenir. 3, 710–719 (2020).

Article Google Scholar

Parag, Y. & Sovacool, BK Conception du marché de l'électricité pour l'ère des prosommateurs. Nat. Énergie 1, 16032 (2016).

Annonces d'article Google Scholar

Agence internationale de l'énergie (AIE). Informations sur l'électricité : aperçu 2019. Stat. AIE https://doi.org/10.1787/e0ebb7e9-en (Éditions OCDE. Paris, 2019).

Gorelick, N. et al. Moteur Google Earth : analyse géospatiale à l'échelle planétaire pour tous. Télédétection Environ. https://doi.org/10.1016/j.rse.2017.06.031 (2017).

Équipe de développement DASK. Dask : bibliothèque de planification dynamique des tâches. https://docs.dask.org/en/latest/cite.html (2016).

Pedregosa, F. et al. Scikit-learn : apprentissage automatique en Python. J.Mach. Apprendre. Rés. 12, 2825–2830 (2011).

Chen, T. & Guestrin, C. XGBoost : un système de boost d'arbre évolutif. https://doi.org/10.1145/2939672.2939785 (2016).

Télécharger les références

SJ, BOG et JG sont soutenus par une subvention de recherche de la Science Foundation Ireland (SFI) et de la National Natural Science Foundation of China (NSFC) dans le cadre du programme de partenariat SFI-NSFC Grant Number 17/NSFC/5181. SM reconnaît le soutien du projet H2020 de la Commission européenne 'PARIS REINFORCE' dans le cadre de la convention de subvention n°. 820846.

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

Siddharth Joshi, Brian Gallagher et James Glynn

Institut de recherche environnementale, University College Cork, Cork, Irlande

Siddharth Joshi, Paul Holloway, Brian Gallagher et James Glynn

École d'ingénierie, University College Cork, Cork, Irlande

Siddharth Joshi, Brian Gallagher et James Glynn

Grantham Institute–Climate Change and the Environment, Imperial College London, Londres, Royaume-Uni

Shivika Mittal

Département de géographie, University College Cork, Cork, Irlande

Paul Holloway

Centre mondial pour l'environnement et l'énergie, Université d'Ahmedabad, Ahmedabad, Inde

Priyadarshi Ramprasad Shukla

Centre sur la politique énergétique mondiale, Columbia University, New York, États-Unis

James Glyn

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

SJ et JG ont conçu l'idée de recherche. SJ a conçu et développé le cadre et le modèle ainsi que les codes. SJ, SM et PH ont conçu les cadres SIG et d'analyse des données. SJ a créé les figures et rédigé le manuscrit. PRS et BOG ont fourni des informations précieuses sur les résultats. Tous les auteurs ont discuté des résultats et contribué au manuscrit.

Correspondance à Siddharth Joshi.

Les auteurs ne déclarent aucun intérêt concurrent.

Informations sur l'examen par les pairs Nature Communications remercie le ou les examinateurs anonymes pour leur contribution à l'examen par les pairs de ce travail.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International License, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, tant que vous donnez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Joshi, S., Mittal, S., Holloway, P. et al. Évaluation spatio-temporelle globale à haute résolution du potentiel de l'énergie solaire photovoltaïque sur les toits pour la production d'électricité renouvelable. Nat Commun 12, 5738 (2021). https://doi.org/10.1038/s41467-021-25720-2

Télécharger la citation

Reçu : 18 octobre 2020

Accepté : 23 août 2021

Publié: 05 octobre 2021

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.