屋上太陽光発電の再生可能発電の可能性に関する高解像度の地球規模の時空間評価

ニュース

ホームページホームページ / ニュース / 屋上太陽光発電の再生可能発電の可能性に関する高解像度の地球規模の時空間評価

Jan 16, 2024

屋上太陽光発電の再生可能発電の可能性に関する高解像度の地球規模の時空間評価

Volume sulle comunicazioni sulla natura

Nature Communications volume 12、記事番号: 5738 (2021) この記事を引用

26,000 アクセス

40件の引用

597 オルトメトリック

メトリクスの詳細

屋上太陽光発電は現在、世界の太陽光発電設置容量の 40% を占め、2018 年の再生可能エネルギー追加総容量の 4 分の 1 を占めています。しかし、その世界的な可能性と関連コストについて、高い時空間解像度で入手できる情報は限られています。 ここでは、ビッグデータ、機械学習、地理空間分析を使用した、屋上太陽光発電の可能性に関する高解像度の世界的評価を紹介します。 私たちは、地球の陸地表面積 1 億 3,000 万 km2 を分析して、屋根面積 20 万 km2 を特定しました。これは、合わせて 40 ~ 280 ドル MWh-1 のコストで年間 27 PWh の発電可能量を表します。 このうち、10 PWh 年−1 は 100 $ MWh−1 未満で実現できます。 世界的な潜在力は主にアジア (47%)、北米 (20%)、ヨーロッパ (13%) に分散しています。 潜在力を実現するコストが最も低いのはインド (66 $MWh−1) と中国 (68 $MWh−1) で、米国 (238 $MWh−1) と英国 (251 $MWh−1) が最もコストがかかる国の一部です。国々。

1958 年のアメリカ航空宇宙局 (NASA) のヴァンガード衛星への電力供給から、サハラ以南アフリカの家庭の照明まで、太陽光発電 (PV) 技術は長い道のりを歩んできました。 太陽光発電ポートフォリオのサブセットとしての屋上太陽光発電 (RTSPV) テクノロジーは、個々の住宅所有者または大規模な工業および商業施設のいずれかによって分散システムとして導入できます。 過去 10 年間にわたり、導入コストの削減と政策主導の取り組みにより、RTSPV は世界中で急速に普及してきました。 2006 年から 2018 年の間に、RTSPV の設備容量は 2.5 GW から 213 GW に増加し、全世界で 85 倍に増加しました1。 41 GWの追加設備容量により、RTSPVは現在、太陽光発電の世界の累積設置容量の40%を占め、2018年の再生可能エネルギー追加総容量のほぼ4分の1を占めており、石炭と原子力の両方の新規設置容量を合わせたものを上回っています。 。 同時に、RTSPV テクノロジーは、2019 年の展開コストが 63 ~ 265 $MWh-1 の範囲で大幅に減少することを実証しました。これは、2010 年の値と比較して 42 ~ 79% の削減です2。

2018 年には世界中で約 8 億人が電気のない状態にあり、その大多数は地方に住んでいます3。 ここで、持続可能な開発目標 (SDG) 7 の精神を推進する上で、分散型屋上 PV の役割が非常に重要になります。 RTSPV の設置時間の短縮と均一化されたコストは、国民やコミュニティをプロシューマーにすることで、エネルギーアクセスの問題を軽減するのに役立ちます。 消費者は、集中化されたグリッド インフラストラクチャにのみ依存することなく、要件に応じて電力を生成および消費できます。 太陽光発電技術は、前年比成長率が最も高く、最速で導入可能なエネルギー生成技術4として、2018年から2050年までに最大1,500万人の雇用を提供しながら、2050年までに世界の電力需要の25〜49%を供給すると予測されています5。このうち、RTSPV の導入は、2050 年までに太陽光発電による総発電量の最大 40% に貢献すると予想されます。

ドイツでの屋上太陽光発電の導入の成功に見られるように、RTSPV の導入の増加は、現在のエネルギー生成構成から化石燃料を排除することを支援できます。 将来、エネルギー源としての電力需要が増加するにつれて、RSTPV ベースの発電源が将来の再生可能エネルギーベースの発電ポートフォリオの大部分を占めることになります。 現在の発電構成のこの変化と、将来の低炭素発電能力の拡大は、エネルギー由来の温室効果ガス排出量の削減に役立つだけでなく、気候変動と戦うというSDG13の目標とSDG3の共同便益の推進にも役立ちます。 したがって、RTSPV 技術は、気候変動への取り組み、地域の大気汚染の削減、開発の加速、および電化されていない地域への手頃な価格のエネルギーアクセスの提供において、消費者主導の画期的な進歩につながる可能性があります。

RTSPV システムが将来果たせる役割をより深く理解するには、その技術的可能性とその技術的可能性の達成に関連するコストについて、地球規模で調和のとれた地理的マップに基づいた評価が、特に世界レベルでのそのような評価が不足している場合に重要です。 RTSPV システムは、実用規模の太陽光発電システムとは対照的に、分散型システムとして導入されます。そのため、導入の最小単位が緑地またはブラウンフィールドの広大な敷地ではなく屋上になるため、評価の複雑さが増します。 屋上の面積を正確に決定することに伴う複雑さに加えて、RTSPV のような可変再生可能エネルギー (VRE) 技術の供給ダイナミクスを理解するためには、その可能性の季節変動の評価も重要です。 これは、日射量の季節変化の影響とともに建築環境の地理的変動を正確に表す高解像度の時空間評価の必要性を浮き彫りにしています。

現在の研究は主に、地球規模での実用規模の太陽光発電資源評価に焦点を当てています。 同様の評価は、地域/国家レベルを超える規模の分散型 RTSPV に対しては行われていません 6、7、8、9。 その結果、気候変動政策を知らせるエネルギーシステムモデルや研究では、気候変動緩和目標の達成における太陽光発電の役割が十分に考慮されていません10。 RTSPV の可能性を評価するには、建物の設置面積、日射量マッピング、パネル サイズ、変換効率、システム損失などのテクノロジー固有の情報の基礎となるデータセットが必要です。 現在の文献は、後者の 2 つのカテゴリに関する世界的な情報を提供するのに十分であり、最大の不正確さ 11 は、衛星画像から建物を抽出するために大量のデータと高価な情報処理ハードウェアを必要とする建物のフットプリントの境界設定と計算に起因するとされています 12。

現在、市街地面積、より具体的には建物の屋上が占める範囲と面積を決定するために 2 つの主要なアプローチが使用されています (補足表 7)。最初のアプローチは、「ボトムアップ」から問題に対処します 13,14,15,16。 17、18、19、20、21、22、23 パースペクティブであり、大規模な屋上の面積を計算するために現在実装されている最も一般的なアプローチです。 このようなアプローチでは、小規模なサンプルセットについて建物の設置面積データ (地籍、クラウドソース、衛星由来) と社会経済指標 (国内総生産 (GDP)、人口) との関係を確立し、次に、建物全体の設置面積の範囲を推定します。より広いスケール。 Jacobson et al.24 による研究では、著者らはボトムアップ手法を使用して、米国といくつかのヨーロッパ諸国からのサンプルデータに基づいて人口、GDP、一人当たりの床面積の関係を確立することにより、179 か国の利用可能な屋上面積を計算しました。国々。 Gernat et al.25 は、世界の国々全体について、人口密度、家計支出、屋根面積の関係を使用して、国ごとに利用可能な屋根面積を計算しました。 彼らは世界銀行のデータに基づいて関係式を校正し、R2 = 0.66 を実現しました。 これらの方法は実装が早く、近隣地域の建物設置面積を予測する場合は比較的正確ですが、分析を国/地域レベルにスケールアップすると不正確さが生じます。 この精度の低下26は、社会経済データ27の大まかな地理空間マッピングの不正確さと、市街地の景観の不均一性に起因すると考えられます。

2 番目のアプローチは、「トップダウン」28,29,30,31,32,33,34,35,36,37,38,39 の視点から問題に対処し、航空画像を利用して建物とともに市街地を決定します。その中に含まれていた足跡。 「トップダウン」手法には、地球観測、ドローン搭載の光検出測距 (LiDAR)、建物を検出するための機械学習 (ML) 分類アルゴリズムが含まれます。 全国規模で、Gagnon et al.7 は、米国 128 のサンプル都市の LiDAR データセットを使用して、サンプルサイトを超えて外挿する統計的推論を使用して、米国本土で利用可能な屋上面積を計算しました。 彼らは、高解像度の LiDAR 画像に基づいて、屋上の向き、傾斜、可用性を一般化するための統計的尺度を生成しました。 航空画像の収集、処理、分析は、データセンター規模のインフラストラクチャを必要とする、コストがかかり、計算量が多いタスクです。 これらの欠点により、トップダウン手法を使用した調査の規模には限界が生じており、国全体の建築面積を提供できるのは少数の商業ベンチャー企業40,41,42のみであり、現在に至るまで地球規模の分析はまだ行われていない。実装される。 処理とデータのボトルネックを軽減する 1 つの解決策は、事前に定義された土地被覆分類 43,44,45,46,47,48,49 を使用して、人工的に造成された世界の土地領域の境界を定め、その後、その造成区域を実際の建物の設置面積に縮小することです49単純化した仮定を使用します。 このハイブリッド アプローチは、Bodis らによる研究で使用されました 6。そこで彼らは、オランダの地籍データ、CORINE 土地被覆、および欧州居住地地図の間の関係を確立し、他の EU 27 か国の屋上面積を推定しました。

現在の最先端の方法 50、51、52、53、54、55 では、ML ベースの物体検出アルゴリズムを利用して、都市/国レベルで関心領域 (ROI) の個々の建物をマッピングします。 ただし、ML ベースの方法では必要なデータ処理量が部分的にあり、トレーニング サンプルから逸脱した類似のオブジェクトを検出する際の ML アルゴリズムの制限により、最先端の方法はどれもグローバル ROI 評価には適用されていません。セット。

ここでは、ML モデルを使用して「トップダウン」と「ボトムアップ」の手法を統合するハイブリッド フレームワークを開発することで、現在の文献のギャップに直接対処し、屋上太陽光発電の技術的可能性の高解像度のグローバル評価を提供します。月ごとの時間分解能 (図 1)。 私たちは地球全体を 10 km2 の複数の評価単位に分割します。 各評価単位では、高解像度の人口データセット (空間解像度 100 m)、道路の長さ、市街地の境界を利用して、屋上の面積を推定します。 ML モデルに基づいて構築された推定アルゴリズムは、社会経済発展と市街地のさまざまな段階にある国をカバーする大規模な世界規模のサンプルセットから、人口、道路の長さ、市街地の境界と実際の屋上面積との関係を学習するように設計されています。地形。 このようにして、以前の研究で使用された「トップダウン」および「ボトムアップ」方法によって課せられた制限を克服するために、さまざまな景観構成における可変の人口密度を含む、異種の建築環境アーキタイプの包括的なセットを利用します。 技術的可能性の地理的マッピングに加えて、関連するエネルギー均等化コスト (LCOE) と地域の供給コスト曲線もマッピングし、195 か国以上をカバーし、1 億 3,000 万 km2 の土地面積にまたがり、田舎の戸建て住宅から住宅までさまざまな建物を含む世界的な ROI を実現します。中心的な居住地から、さまざまな地域に高層の超高層ビルが点在する世界都市まで。

この研究で開発されたフレームワークは、データの準備と、トップダウンとボトムアップの両方の経路へのさまざまな地理空間指標のマッピングから始まります。 さらに、機械学習モデルはトレーニングされ、BAFN、PPLNFN、および RLFN 値から BFEFN 値を推定するために使用されます。 次に、BFEFN 値を使用して、変換係数 (CF) を利用して技術的可能性 (SP) を計算します。 最後に、計算された潜在的なデータセットは、IRENA の再生可能発電コスト データを使用して平準化電力コスト (LCOE) 値をマッピングするために使用されます。 詳細なフレームワークについては、「結果」セクションと「方法」セクションで説明します。 モデルパラメータと地域マッピングは、補足表6、8〜10および補足図3a〜dに提供されています。

私たちの研究では、RTSPV の「技術的可能性」を、特定の屋上エリアから得られる最大発電量と定義しています。屋上エリアは 2015 年の建築範囲と一致しており、追加の建築ストックは含まれていません。その後作成されました。 この研究で提示された結果は、10% のパネル効率で 100% の屋上の可用性を考慮したものです。 さまざまなパネル効率と屋上の可用性による可能性の変化を説明するために、一連の屋上スケーリング係数とパネル効率の世界的および地域的な可能性を文書化しました(補足表4および5)。 私たちの研究の追加の境界条件と主な結果の解釈の制限は、「方法」セクションに記載されています。

私たちは、世界の陸地を、サイズ 10 km2 の合計 3,521,120 の一意の正方形を含むフィッシュネット グリッド (FN) に分割することから始めました。各 FN は一意の ID を持ち、一意の国に属します。 各 FN 内の建築面積 (BAFN) の集計は、コペルニクス土地モニタリング プログラムの全球土地被覆層 46 (LC) によって提供される建築面積のサブ分類 (解像度 100 m) を使用して行われました。 ネイティブ解像度 10 m の衛星画像から得られた LC レイヤーにより、より粗い解像度の土地被覆分類を利用する現在の最先端の方法に比べて、市街地の表現が大幅に改善されました。 事前に構築された土地被覆分類の使用は、ペタバイト規模の衛星画像を手動で分類することに関連する情報処理のオーバーヘッドの削減にも役立ちました。

BAFN レイヤーの集合体には、道路、緑地の境界、歩道、駐車場などとともに建物が含まれていることを強調することが重要です。これらの追加の建築物は現在の分析には関連せず、低地で重要な BAFN エリアを占有する可能性があります。密度の高い構築環境。 不浸透性の地形の不均質性や、地上に建設された他の構造物の同様のスペクトル特徴によって引き起こされる誤分類によって、方法論的な不確実性が生じることもありますが、地球規模の ROI では、これらの誤差はグラウンド トゥルースのごくわずかな割合を占めます。 これは、調和された屋上エリアを正確に表現するために、BAFN レイヤーをグローバルにダウンスケールする必要性を強調しています。

BAFN レイヤーをダウンスケールするために、実際の建物の設置面積 40,42 (BFFN)、道路の長さ 56 (RLFN)、および人口数 57 (PPLNFN) を含むグローバル FN のサブセットを生成することから始めました。 建物の設置面積 (Microsoft AI、Ecopia AI、および Open Street Map-OSM データセットから派生) を計算するために、個々の建物に重なる FN セルに基づいて個々の建物の設置面積を集計し、FN ごとに単一の建物設置面積の値を生成しました (図 2)。 。 合計で、建物面積の 37,115 km2、総土地面積の 1,140 万 km2 がサンプル FN によってカバーされ、屋外の小さな小屋から巨大工場に至るまで、3 億を超える個々の建物がカバーされました。 建築サンプルからは、社会経済的発展段階の幅広い範囲にわたる、さまざまな地域の多様な建築タイプのセットも提供されました。 これらのグローバルサンプルセット(図3a、補足表1)は、多くの場合都市/国レベルで狭いサンプリング戦略が行われている以前の文献に比べて顕著な改善です。 異種のグローバル建築サンプルを使用すると、類似した建築景観の小さなセットに過度に依存することで生じる一般化誤差に対する全体的な分析の耐性が高まります。

a この画像は、米国ニューヨーク上空の地域を描いています。 グリッド線は、各セル サイズが 10 km2 のフィッシュネット セル (FN) の地理的境界です。 各 FN 内の赤いエリアは構築エリア (BAFN) です。 b 画像の緑色のエリアは 2015 年の非建築物地形で、赤色のエリアは BAFN を 100 平方メートルのブロックとして表します。 各ブロックには、ブロック内の市街地のパーセントに基づいて 0 ~ 100% の値があります。 c 黒いポリゴンは、サンプル FN 内のビッグ データ ソースから派生した建物フットプリント (BFFN) です。 青い線はサンプル FN 内の道路 (RLFN) であり、白い領域は分析では使用されない空きスペースを表します。 d 画像は、各サンプル FN 内に存在するオブジェクトの 4 つの主要なカテゴリを表しています。 オレンジ色のエリアは BAFN ブロックで、赤いエリアは実際の建物を表し、黄色の線は道路を表し、白いエリアは調査では考慮されていないエリアです。 データ クレジット: Copernicus GLC Landcover、Microsoft Building Footprints、および Open Street Maps。

私たちの研究では、サンプル FN の世界的な分布が生成されました。 米国、カナダ、タンザニアには Microsoft AI ベースの建物ポリゴンが使用され、アフリカ諸国には Ecopia AI 由来の建物フットプリント エリアが使用されます。 合計 4000 のサンプル FN を表す OSM 由来の建物ポリゴンが、世界の残りの地域で使用されます。 b 分析に使用されたすべての世界の道路の地理的位置。 OSM か​​ら派生した世界の道路は、ほぼ世界をカバーしており、地図上の各ピクセルは参照国の国内の各道路特徴を表します。 データクレジット: 図 3b、© OpenStreetMap 寄稿者。

OSM は、高精度のオープンソースの世界の道路インフラストラクチャ データセット 58 を提供しており、これを道路長 (RLFN) のマッピングに使用しました。 私たちのサンプル データセットでは、建物の敷地面積のサンプルと道路の長さのサンプルの間で 0.95 のピアソン相関関係が示されました (図 4b)。 現実の世界では、道路の開発は多くの場合、人口規模の増加や建築物ストックの増加と関連していることがわかります。 道路の長さはこれまでの研究では使用されていなかったため、以前の方法よりもダウンスケーリングの精度が向上します。 サンプル FN のために合計 1,600 万 km を超える道路を処理しました (図 3b)。

BFFN (建物面積) との関係における BAFN (建築面積) (a)、RLFN (道路長) (b)、および PPLNFN (人口) (c) の分布。 分布のピアソン相関はそれぞれ 0.97、0.95、0.72 です。 トレーニングされたモデルを使用してサンプル データセットを予測すると、予測誤差の分布 (d) は釣鐘型になります。 各バーは、各エラー ビンにある FN の数です。 誤差の大部分は FN あたり -0.25 ~ +0.25 km2 の範囲にあり、ピーク誤差の上限は FN あたり ±5 km2 です。 機械学習モデルに基づいて構築されたダウンスケーリング モデルは、R2 = 0.98 で予測 (e) に​​おいて適切な精度を示しました。 各十字は各サンプル FN の予測値を表します。 サンプル FN の大部分には小さな市街地が含まれており、この研究で使用されている FN のサイズにより主要都市をカバーしているものはほとんどないため、値が低いほどポイントの密度が高くなります。

人口数の集計には、WorldPop の高解像度グリッド表示人口数を利用しました。 高解像度の人口データセットと高解像度の BAFN レイヤーを組み合わせることで、各サンプル FN の人口数を正確にマッピングできるようになりました。 国/地域規模でのこれまでの研究では、粗い解像度(解像度 1 km 以上)の人口カウントが使用されており、特定の FN での人口のカウントが過剰であるため、ダウンスケーリングで不正確になる可能性があります。

地理空間の建物や道路のデータセットなどのビッグデータの集約と処理には、非常に長い計算時間とハードウェアの多大なコストが必要です。 この課題を克服するために、Google Earth Engine (GEE) のクラウド コンピューティング プラットフォームを使用して惑星規模の分析を実行しました。そこでは、データセットが各 FN の地理的範囲に基づいて小さなラスター ファイルに分割され、最終的に単一の値を表すように集約されました (「方法」を参照) " セクション)。 GEE プラットフォームには建物や道路のポリゴンなどのベクター データの処理が欠けていることに注意してください。この処理には、ArcGIS PRO デスクトップ ソフトウェアによって有効になるマルチコア処理を利用しました。 ラスター データ (PPLNFN、BAFN) 用の GEE とベクター データ用の ArcGIS PRO を組み合わせることで、数分の 1 の時間とコストでデータセットを処理できるようになりました。 私たちの知る限り、これは地球規模の可能性を評価するために 2 つの根本的に異なるサービス プラットフォームを統合する初めての試みであり、他の惑星規模の資源評価にも役立つ可能性があります。 入力データセットとその検証レポートへのリンクは、補足表 2 に記載されています。

次に、BAFN、PPLNFN、RLFN データセットを独立変数とし、BFFN を従属変数とする ML モデルを使用して、トップダウン手法から集約された BAFN、PPLNFN データセットをリンクし、ボトムアップ手法から処理された BFFN、RLFN データセットをリンクしました。 ML モデルは、サンプル FN の独立変数と従属変数の間の関係からトレーニングし、残りの非サンプル FN の集合的な建物の屋上面積を推定し、BAFN レイヤーを建物の屋上が占める推定面積 (BFEFN) に効果的にダウンスケールします。 。 PPLNFN、RLFN レイヤーのデータ ギャップについては、反復代入法を使用して、多重回帰実行を使用してデータセット内の欠損値を補間しました。

私たちのテストでは、XGboost アルゴリズムに基づいて構築された ML モデルは、多変量回帰と比較して、サンプル データの予測においてより高い精度 (R2 値) とより優れた全体的な誤差削減 (平均絶対誤差がかなり低い) を実現しました (補足表 3)。 ML モデルの過剰適合を軽減するために、10 分割交差検証戦略を使用してハイパーパラメーターを調整し、最適なモデルを生成しました (「方法」セクションを参照)。 ML モデルは、100 km2 FN あたりの建物の総設置面積の予測において±4 km2 の誤差で良好に機能し(図 4d、e)、誤差の大部分は±0.25 km2 の間にありました。 また、サンプル全体で合計 37,000 km2 の絶対的な建物の設置面積について、合計 4 km2 の絶対誤差が記録されました。 地域レベルでは、アジア地域でわずかな左の歪み/屋上面積の体系的な過小評価が観察されました(補足図1)。 ダウンスケーリング ステップの最後に、3,521,120 個の FN セルを含むデータセットが生成され、各セルには集約された建物の屋上エリア (BFEFN) が含まれます。

屋上エリアから太陽光発電ポテンシャルへの変換は、世界人口の 99% 以上をカバーする北緯 60 度から南緯 45 度の範囲の場所に対して、世界銀行の変換係数 59 (CFFN) を使用して行われました。 CFFN レイヤーは、1 日あたりの各 kWp の設備容量によって生成される kWh を表す格子状のラスター データセットとして提供されます。 緯度外の場所には、3.5 kWh/kWp/日 (ピーク) の一定の CF 値が割り当てられました。 次に、12 か月それぞれの CFFN 値を使用して、FN ごとの月次太陽光発電ポテンシャル (SPFN,M) を生成しました。 さらに、図 5 に示すように、世界的な RTSPV ポテンシャル マップを作成するために、各国の月ごとの技術ポテンシャルを年ごとの技術ポテンシャルに集計しました。技術ポテンシャルに関連するコストを表すために、LCOE 指標を使用しました(「方法」を参照) " セクション)。 資本支出 (CAPEX) の値は、合計 17 か国の設備容量で 840 ~ 3874 ドル kW-1 の範囲にあり、世界の残りの国々にはその大陸の平均が割り当てられています。 運用および保守コスト (OPEX) と割引率 (DR) は、その国が OECD か非 OECD かに基づいていました。 各 FN について、LCOE コストは、プロジェクト存続期間 25 年の CAPEX、OPEX、SP、DR に基づいて計算されました。 当社の技術コストデータは、2019 年の IRENA2 住宅用太陽光発電コストに基づいています。

a 私たちの研究で生成された世界的な RTSPV 技術的可能性の地理的分布。 画像では世界の主要地域が強調表示されており、各地域の総推定屋根面積 (RA)、設置容量 (IC)、潜在発電量 (POT) のデータが提供されています。 全地球陸地は 11 の RTSPV 潜在的ビンに色分けされています。 集計された世界の潜在力の季節変動は右下に強調表示されています。 b 私たちの研究で生成された世界中の LCOE 値の地理的分布。世界の各地域で主要国が強調表示されています。 強調表示されている各国には、国全体の対応する集計 LCOE 値があります。 LCOE 値は 14 のコスト ビンに色分けされます。 Database of Global Administrative Area (GADM: https://gadm.org) からの境界データをマップします。

私たちの評価では、世界全体で年間 27 PWh の技術的潜在力があり、そのうちアジア (13 PWh 年間)、北米 (5.5 PWh 年間)、ヨーロッパ (3.6 PWh 年間) が潜在力の大部分を占めています。次いでアフリカ(2.9 PWh 年−1)、南米(1.7 PWh 年−1)となった。 潜在的なホットスポットは、世界的に人口が密集した有核居住区とその周辺に集中しています(図5a)。 世界の潜在力のほぼ 20% (5 PWh 年−1) は人口密度の高い地域 (>1500 人/km2) に位置し、潜在力の 55% (15 PWh 年−1) は低地に分散しています。 - 密集地域 (<500 人/km2)。 国の中でも、中国 (1 年あたり 4.3 PWh)、米国 (1 年あたり 4.2 PWh)、インド (1 年あたり 1.7 PWh) が年間潜在力が最も高いです (表 1)。 CF係数の集計方法論により、年間の世界の潜在力には±1%の偏差が観察される可能性があります(補足図2)。

アフリカ地域は日射量に恵まれていますが、建築ストックが少ないため、RTSPV の可能性は 3 番目に低いと評価されています。 アフリカ地域の中で、最大の潜在力は西アフリカ地域に集中しており、次いで北アフリカ地域である。 西アフリカと北アフリカを合わせた地域にはインドよりも大きな潜在力があり、低コストのRSTPVが将来のエネルギーシステムで果たせる重要性が強調されています。 将来の人口増加とそれに伴う建築ストックの増加により、アフリカ全体の RTSPV の可能性が高まる可能性があります。 北米と欧州の両地域は同様に評価された屋根面積(約 30,000 km2)を持っていますが、北米は年間、特に冬季の日射量が多いため、欧州のほぼ 1.5 倍の可能性があります。

地上の建物の分布による空間変動に加えて、年間日射量の変動により RTSPV ポテンシャルの季節変動も観察されます。 月ごとの世界の潜在力の季節変動は 1.84 ~ 2.61 PWh であり、12 月と 1 月が世界の潜在力が最も低い月を表します (図 5a)。 世界的に見て、ポテンシャルの季節変動が最も大きくなるのは、ヨーロッパ、ロシア、米国、カナダをカバーする北緯 45 度以上の地域です。 地域内では、ポテンシャルの年間変動が最も大きいのは西ヨーロッパ地域(EUW)で観察され(図6)、月間ポテンシャルは94~255 TWhです。 EUW の月平均電位 183 TWh の周囲には ±40% の変動があり、最高の月電位は夏に観測され、最低の月電位は冬に観察されます。 地域的な年間内電位変動が最も低いのは西アフリカ地域(AFW)で、月間電位は 97 ~ 119 PWh です。 AFW 地域では月間平均潜在力 109 TWh 付近に±1%の変動があり、最大月間潜在力は 12 月と 1 月に観察されます。

ヒートマップは、地域の潜在力の月ごとの変動を表します。 括弧内の値は、その地域の月間最大の可能性を表します。 色分けされたヒートマップは、地域の月間最大潜在力の % を表します。 ヨーロッパ (EUW、EUE) では、ポテンシャルの年間変動が大きく、最大のポテンシャルは夏に実現されています。 南半球では、冬の間に最大限の可能性が発揮されます。 アフリカ西部 (AFW) は、月間潜在力の変動が最も低いことが示されています。

可能性を実現するためのコストを分析するために、世界の 7 つの地域および集計された世界レベルでの供給コスト曲線を作成しました (図 7a)。 世界の潜在力のほぼ 10 PWh yr−1 (40%) は 100 $MWh yr−1 未満で達成でき、潜在力の大部分は 200 $MWh−1 未満で実現されます (図 7b)。 世界レベルでは、2015 年の世界 GDP 値の 10% に相当する投資で潜在力の 40% 近くを達成でき、2015 年の GDP 値の 30% に相当する投資で世界の潜在力のほぼ 100% を達成できます。実現されます (図 7c)。 投資資本が 2015 年の世界 GDP 値の 20% に相当するまで、RTSPV への資本投資が 2 倍になるたびに実現可能性が 2 倍になることがわかりました。投資が 2015 年世界 GDP 値の 20% から 30% に増加すると、実現可能性が増加します。わずか 27% は、RSTV の導入コストが非常に高い領域を示しています。 これらの地域は、アラスカとカナダの大規模な倉庫/工業団地に代表されます。これらの地域では、年間日射量が低く、大規模な屋上全体を太陽光パネルで覆うための設備投資が高額です。

地域の供給コスト曲線 (a) は、特定の LCOE ビン サイズに対する累積的な技術的可能性を示しています。 バーの高さの絶対的な増加は、特定の LCOE ビンで実現できる追加の可能性の変化を表します。 連続するビンのバーの高さがほぼ一定であることは、コストの増加によって実現される非常に小さな追加の可能性を表しています。 単一のバーの場合、バーの高さは、特定の LCOE バンド内で実現できる累積的な可能性を表します。 b 10 $/MWh サイズの LCOE ビン全体にわたるポテンシャルの分布。 潜在的な採掘はアジアで最も安価で、アフリカ、ヨーロッパがそれに続きます。 c 2015 年の世界 GDP の割合として特定の総潜在力を達成するために必要な CAPEX 投資。2015 年の世界 GDP 値の 15% に相当する投資で、世界の潜在力のほぼ 50% を達成できます。

地球規模のレベルでは、LCOE の空間変動も観察されます (図 5b)。 北半球では、緯度が増加するにつれて、LCOE 値は 40 $ MWh−1 から 280 $ MWh−1 まで徐々に増加します。 ここで、中国北東部は例外であり、緯度が高くなるにつれて LCOE 値が減少することが示されています。 アジアの場合、潜在力の大部分は 40 ~ 100 ドル MWh-1 で実現でき、RTSPV は化石燃料技術との競争力が高まります。 国固有の潜在力を実現するためのコストは、中国 (68 ドル MWh-1) と比較してインドの 66 ドル MWh-1 が最も低くなります。

ヨーロッパ、アフリカ、南米、島嶼国では、総潜在力の大部分が 180 $MWh−1 未満で実現可能です。 ヨーロッパ内ではスペインの LCOE コストが 90 $MWh−1 と最も低く、緯度が高くなるほどコストの上昇傾向が見られます。 欧州地域の各国内でも、LCOE にさらなるばらつきが見られ、一部の地域では同じ緯度の近隣地域よりもコストが安いことが観察されています。 アフリカ地域では、総潜在力の大部分は 110 ~ 160 $ MWh-1 の間で実現可能です。 アフリカの中でも、ナイジェリア、ガボン、カメルーンは、それぞれの可能性を実現するために最も高いコスト(約 150 $MWh−1)を要します。

北米、英国、日本では、可能性を実現するためのコストが最も高くなっています。 これは各国の設備投資コストが高いことが原因と考えられますが、技術革新や輸入関税の引き下げにより将来的には減少すると予想されます。 北米では、カナダ、五大湖周辺の米国北東部の州が LCOE コストが最も高くなります。 これらの国で潜在力を実現するためのコストは、200 ~ 280 $MWh−1 の範囲にあります。 英国 (251 $MWh−1) は、その可能性を実現するための国固有のコストが最も高くなります。

世界的に見て、潜在力を活用するために必要な設備投資は、GDP の規模と LCOE 値の両方に関して異なります (図 8a)。 それぞれの国の可能性を完全に実現するには、低所得国は、たとえ 80 ~ 150 ドル MWh−1 という比較的低い LCOE であっても、2015 年の GDP 値の数倍 (最大 3.5 倍) の資本を投資する必要があるでしょう。高額な初期費用。 同等の LCOE 値の場合、高所得国 (世界銀行の所得分類) は、2015 年の GDP 値の一部 (最大半分) に相当する資本投資で潜在力を完全に達成できます。

a 潜在能力を最大限に発揮するための格差。低所得国は潜在能力を最大限に発揮するために、それぞれの 2015 年の GDP 値を超える資本投資を必要とします。 b 相対収量係数と 1 人当たり GDP に関連した 32 地域の分布。 赤い領域は、現在屋上太陽光発電を大量に展開している国に焦点を当てています。 グリーン リージョンは、RTSPV テクノロジーの導入により最大限のメリットが得られる国に焦点を当てています。

私たちは、一人当たり GDP (GDPC) と利回り係数に基づいて国をグループに分類しました (図 8b)。 この調査では、収量係数を、1 TW の設備容量から実現できる年間潜在力として定義しました。 この分類に基づいて、インド、ブラジル、メキシコを含む新興経済国は、これらの国での RTSPV の導入に有利な高い利回り係数 (1.5 ~ 2) を持っていることがわかりました。 最も人口の多い 2 か国 (インドと中国) の LCOE の差は最小限ですが、太陽光発電の資源が大きく、収量係数が高いため、RTSPV 技術の展開は中国と比較してインドの方が有利です。 しかし、これらの国では、信用不足と RTSPV システムの高額な前払い費用を支払うことができないため、RTSPV の普及率は依然として非常に低いです。 これは、低所得国および中所得国における低炭素 RTSPV 技術の導入を加速するための世界的な協力、技術移転、およびグリーン金融商品の必要性を浮き彫りにしています。

この研究では、ビッグ データと ML モデルに基づくフレームワークをクラウド コンピューティング プラットフォームと組み合わせて、地球規模の資源の潜在的評価を行うためにどのように使用できるかを示しています。 私たちは、3 億の建物と 1,600 万 km の道路を含む地球規模のサンプルからの学習を利用して、地球の陸地表面積 1 億 3,000 万 km2 を分析しました。 Google Earth エンジンと ML モデルを使用して、20 万 km2 の屋上エリアを含む 120 万 km2 の市街地の境界を定めました。 評価の一環として、(1) 世界規模の屋上エリア データセット、(2) 毎月の時間分解能での世界規模の RTSPV 可能性データセット、(3) 技術的可能性を達成するためのコストを生成しました。 データセットはさらに、可能性とコストを示す高解像度の世界地図を生成するために使用されました。 また、私たちはトップダウンとボトムアップのアプローチを地球規模で組み合わせて現在の最先端技術を進歩させ、地球規模の風力とバイオエネルギーの潜在力の評価を進める際にも使用できる、資源潜在力評価のためのハイブリッドフレームワークを開発しました。 この評価は、年間 27 PWh というかなりの RTSPV の可能性が世界レベルで存在し、40 ~ 280 $MWh-1 のコストで達成できることを示しています。 その可能性が最も高いのはアジアで、次に北米、欧州が続きます。 世界中で 37 億 2,000 万人をカバーし、LCOE 100 ドル MWh-1 を下回る年間 10 PWh の世界規模の RTSPV ベースの発電量を達成するには、現在の価格で約 7 兆ドルの資本投資が必要です。

EU-27 地域レベルでは、推定屋上面積 7596.4 km2 は、Bodis らの論文で計算された 7935 km2 に似ています。 屋上スケーリング係数 0.3 を組み込んだ場合の研究。 米国については、我々の推定屋上面積と 8,827 km2/1.9 PWh yr-1 という年間潜在力は、Gagnon et al. が提示した 8,130 km2/1.4 PWh yr-1 の推定値とよく匹敵します。 屋上スケーリング係数 0.32 を組み込んだ場合の研究。 都市レベルベースでは、年間 1 TWh の潜在力は、Hong らによる研究で計算された 1 TWh 年間と一致しています。36、彼らは高度な陰影起伏分析を使用して、都市の建物に誘発される影の影響を捉えています。密集した都市の地形。 私たちの結果と選択された研究成果との世界/地域/国および都市レベルの詳細な比較は、補足表7に記載されています。他の研究との比較から、私たちのフレームワークからの結果はマージン内にあるため、高い真実性を示していると結論付けることができます。文献に存在する値の誤り。 さらに、高空間解像度でのフレームワークの優れた推定精度は、集約された低解像度でのより高い精度に反映されます。

私たちの評価は、持続可能な開発と気候変動という双子の課題に対処する上で、SDG 3 と SDG 7 を推進する際の共同便益をもたらす重要な意味を持っています。 まず、この研究で提示された空間的な RTSPV 潜在力の分析は、世界の RTSPV 潜在力の 55% が、密度の低い地域に広がります。 これは、費用対効果が高く、迅速に導入可能な電力を供給するという利点の大部分が地方でも実現できるという、太陽光発電への移行の重要な側面を浮き彫りにしています。 したがって、RTSPV は、大規模な送電網の統合に費用がかかる可能性がある、または土地をめぐる競争が存在する可能性がある国の開発が遅れて人口が少ない地域で経験しているエネルギー貧困の緩和に役立ちます。 世界の潜在力のほぼ 20% が高密度地域にあり、RTSPV の導入により、化石燃料由来の電力を汚染の少ない発電に置き換えることができ、それによって地域の大気汚染が軽減されます60。 第二に、エネルギーの平等とSDGの「誰一人取り残さない」という課題の観点から見ると、現在、電力へのアクセスに関して最も不利な地域は低所得国3であり、クリーンな発電を迅速かつ費用対効果の高い導入する必要がある。インフラストラクチャー。 私たちの評価では、低所得国がその国特有の潜在力を実現するには、2015 年の GDP 値の 2 ~ 3 倍に相当する高額な RTSPV 導入コストとして多額の設備投資が必要になる可能性があることが示されています。 現在のコストでは、これらの分野での RTSPV の導入の見通しを高めるために、政府は補助金を提供し、外部投資を求める必要があるかもしれません。 これは、先進国経済が気候変動の共同便益を実現するための資金の流れを通じてこれらの国でのRTSPVの展開を可能にする上で果たす重要な役割を浮き彫りにしている。 技術の成熟と規模の経済の出現により、これらの地域での太陽革命を可能にし、低炭素エネルギーの未来を助けるためにコストはさらに下がるでしょう。

第三に、インドや中国のような人口動態の恩恵を現在享受している国々は、RTSPV の迅速な展開により適しています。 私たちは、これらの国々が季節変動が少なく、導入コストが低いという高い潜在力を持っていることを示しました。 これらの国は、世界最大の人口シェアを有し、大規模な建築物ストックを保有しているため、分散型発電ポートフォリオを実質的に展開することで発電インフラの脱炭素化の先駆者となり、気候変動の緩和にさらに貢献することができます。 これらの国での RSTPV の導入は、気候緩和に加えて、人口に占める労働力の割合が高いことから、コスト効率の高い製造と運用保守の形で多くの利益を得ることができます。 第 4 に、高解像度の評価は、地方自治体がエネルギー生成インフラを迅速に展開するのに適した場所を特定するのに役立ちます。 このようにして、ボトムアップでエネルギー政策を策定することで、国民にエネルギーの正義を提供するための全国的な政策の包括的な設計につながる可能性があります。 第 5 に、世界銀行や国際通貨基金などの企業や金融機関は、地元の雇用創出と製造業の持続可能な発展につながる RSTPV インフラストラクチャの導入における投資機会とリスクを詳細に分析できます。 第 6 に、供給コスト曲線とともに評価に含まれる情報は、測定可能な前進であり、太陽光発電の可能性が公共施設と屋上設置の合計可能性として表されることが多い現在の統合評価モデルに存在する重大な情報ギャップを埋めます。 私たちの評価は、国のエネルギー政策に情報を提供するために将来のカーボンニュートラルシナリオを正確にモデル化するのに確実に役立つ洞察力に富んだ調査結果と技術的な潜在的なデータセットを提供します61、62、63、64、65、66。 これは間違いなく、持続可能で包括的な低炭素の将来の可能性を探るのに役立ちます。

私たちの研究は、ヨーロッパ、北アメリカ、オーストラリア地域をカバーする国々の高緯度地域における季節ポテンシャルの顕著な変動を示しています。 これらの地域は、1 人当たりの電力消費量が高く、発電構成に大幅な VRE を導入する財政能力があります。 年間の潜在力の変動を軽減するには、発電ポートフォリオを最適化するスマートグリッドと、発電市場のバランスをとる規制主導のメカニズムの導入が重要になります。 さらに、競争の激しい発電市場に消費者と電力事業者を効果的に統合するには、新しい市場メカニズムの導入67が必要である。 蓄電技術の価格低下と相互接続された送電網のスマートな管理により、RSTPV 技術は発電、蓄電、システムバランスの役割を引き受けることで、これらの市場で重要な役割を果たすことになります。

結論として、私たちの評価は、RTSPV の現在の発電可能性が現在(2018 年)の世界の年間総電力需要を超えていることを示しています68。 私たちの評価では、世界の年間総電力需要を満たすためには、世界の総屋上面積の少なくとも 50% が必要であることも示しています。 日射量の日周サイクルと、RTSPV 発電の季節変動と日変動のバランスをとるため、RTSPV 発電を補う貯蔵ソリューションの役割は、この技術の可能性を最大限に発揮し、毎日のピーク需要を満たす上で重要です。 したがって、RTSPV の実際的な実現可能性は、ストレージ技術の将来のコスト軌道、その技術に関連する資本支出、およびエネルギー システムの全体的な構成によって決まります。

限界や欠点はあるものの、現在の評価は依然として最先端であり、研究者に世界規模の分析データセットを提供します。 基礎となるメソッドとデータセットはピアレビューされており、現在入手可能な最高品質であり、現在の最先端のメソッドで使用されているデータセットよりも世代の進歩を表しています。 現在のデータセットは、次世代の 10 m 解像度の土地被覆データセットを使用し、地球規模での人口と太陽データの空間解像度を向上させることで改善できます。 より優れたデータ処理プラットフォームにより、1 km の解像度でさらなる作業を実行できるようになり、ポテンシャルの空間表現が 100 倍増加します。 さらに、屋上の利用可能性における現実的な地域変動の形での入力は、可能性とコストの不確実性を絞り込むのに役立ち、モデル改善における次の論理的な研究ステップとなるはずです。

ArcGIS PRO デスクトップ アプリケーションを使用して、南極大陸を除く地球上のすべての陸地に対して合計 3,521,120 のフィッシュネットを生成しました。 FN グリッドは、私たちの方法におけるデータ集約の最小単位です。 2 つの国の境界にある FN は共通のフィッシュネット ID を持ちますが、FN が境界で分割される固有の国属性を持ちます。 次に、網目ポリゴンを Google Earth エンジン プラットフォーム 69 (GEE) にアップロードして、各網目セルの衛星由来の建築面積 (BAFN)、人口 (PPLNFN)、および変換係数 (CFFN) を計算しました。

Copernicus Global Land Service v2.0 の全球土地被覆 (LC) レイヤーを利用して、各 FN 内の BAFN 値を計算しました。 この土地被覆分類レイヤーは、その堅牢性とほぼ地球規模の範囲をカバーするために選択され、徹底的なテストと検証によって裏付けられています。 LC には多くの分類カテゴリーがあり、その中に市街地区域も分類の 1 つです。 構築された分類は、10 メートルの解像度のセンチネル ミッションのレーダーと光学画像から派生した欧州宇宙機関の World Settlement Footprint 2015 レイヤーから派生します。 各フィッシュネット セルの総市街地面積を計算するために、最初に LC ラスター ファイルが各フィッシュネットの地理的境界に基づいて小さなサイズに切り分けられました。 個別にカットされた LC データセットは、以下を使用して集約されました。

ここで、BAFN は各フィッシュネット セルの構築面積、PXV は各ピクセルの構築面積のパーセントを表すピクセル値 (0 ~ 100)、PXA は各ピクセルが占める面積です。

各漁網セルに住んでいる人の数をマッピングするために、WorldPop プロジェクトによって提供された 100 m 解像度の世界人口ラスター ファイルを利用しました。 人口ラスターは、ML ベースの方法論を使用して、記録された国連人口数を行政単位でより詳細な解像度に細分化します。 人口ラスター ファイルは、各フィッシュネット セルの地理的境界に基づいて、より小さなエンティティに分割されました。 次に、各フィッシュネット セル内の LC レイヤーでカバーされるエリアを含むマスキング ファイルを使用して、各フィッシュネットの BAFN エリアの境界の外側にある母集団をマスクします。 個々の小規模母集団データセットは、以下を使用して各魚網セルごとに集計されました。

ここで、PPLNFN は各漁網に住む人の総数、PX(NM)V はオーバーレイ LC レイヤーによってマスクされていない各ピクセルのピクセル値です。 人口ラスター ファイルは、LC ピクセルの一部ではない人口カウント データを削除するためにマスクされました。 マスクされた人口ラスター ピクセルは、元のデータセットのダウンスケーリング アルゴリズム、または LC レイヤーの外部にある余分な構築エリアによって引き起こされたアーティファクトに起因する可能性があります。 解析の均一性を維持するために、LC 層がすべての解析のベースとして使用され、(BAFN) でカバーされていない領域は、実際にグラウンド トゥルースとして存在する場合でも、地上には存在しないと想定されました。

CF 係数は、世界銀行の SolarGIS ラスター データセットを使用して計算されました。 このデータセットは、解像度 1 km のラスター データセットとして提供され、各ピクセルは月次解像度でそのピクセル内の各 kWp (ピーク) 設置容量ごとに毎日の kWh 発電量を提供します。 このデータセットは、20 年間の文書化されたデータを使用して、日射量、電力変換損失、大気の影響、パネルの経年劣化に関する広範なシミュレーションと検証を使用して生成されました。 各フィッシュネット セルについて、以下を使用して CF 因子が集計されました。

ここで、CFM,FN は各 FN の各月の CF 係数、n は FN 内の CF ピクセル数、PXV は FN 地理的境界内の各ピクセルのピクセル値です。 3 つのデータセット (PPLNFN、CFFN、BAFN) と FN ジオメトリはすべて、最初に ArcGIS Pro デスクトップ アプリケーションで処理されて座標参照系を調和させた後、処理のために GEE プラットフォームにアップロードされました。 GEE では、個々の FN ジオメトリに基づいてデータセットを分割し、上で強調したルールに基づいて 3 つのデータセットを集約しました。 GEE のクラウド コンピューティング アーキテクチャは、比較的短い時間枠で多数のデータセットを処理でき、さらなる処理のために表形式のデータセットを出力します。

グラウンド トゥルースの建物フットプリントを生成するために、ビッグ データ ソースから建物のポリゴン形状をベクター レイヤーとして収集しました。 建物のフットプリントのサンプルには、Microsoft AI チームと Ecopia AI チームが AI で生成した建物のフットプリントを使用しました。 これら 2 つのデータセットは、米国全土、カナダ、アフリカ 39 か国をカバーしています。 Microsoft AI と Ecopia AI からのサンプル (3 億を超える個別の建物) は、サンプル国と重複する各 FN セルの FN レイヤーに基づいて分割され、さらにマスクされて BAFN レイヤーの外側の建物のフットプリントが削除されました。 マスクされていない建物のフットプリントは、以下に基づいて集計されました。

ここで、BFFN は各サンプル FN の集約された建物のフットプリントであり、BP(NM)V は BAFN レイヤーと重なっている FN 内のマスクされていない個別の建物のフットプリント ポリゴン エリアです。 マスキングにより、2015 年以降に建設された建物が除去されました。 BAFN レイヤーは世界中の市街地の全範囲をカバーしていますが、衛星画像のアーティファクトにより一部の市街地が見落とされる可能性があります。 ただし、これは無視できるものであり、調査の目的では、分析の基礎となる参照レイヤーと見なされます。 重複する建物のフットプリントは分割前に単一のポリゴンに溶解され、FN 境界と交差するポリゴンは交線で分割されました。 世界のその他の地域については、OSM 由来の建物のフットプリント (2020 年 4 月にアクセス) が分析され、式 1 に基づいて集計されました。 (4)。 合計 4000 のグローバル FN サンプルが OSM 建物データセットから選択されました。 4000 個の OSM サンプルを生成するためのサンプリング戦略は、BFFN/BAFN 比が 0.15 ~ 0.11 である FN によって結合された建物を抽出することでした。 これらの比率は、Microsoft AI および Ecopia AI データセットから処理されたデータの 75 パーセンタイルと 50 パーセンタイルに対応します。 合計すると、社会経済的発展、文化の広がり、地理的位置のさまざまな段階をカバーするほぼすべての世界各国からサンプルを収集することに成功しました。

道路の長さの指標はすべて OSM データセットから導出されています。 RL データセットを処理するために、OSM の惑星データセット ファイル (2020 年 4 月にアクセス) が使用されました。 惑星ファイルには、住宅、高速道路、歩道などのさまざまなタイプに属性が付けられた線の形式で表現された道路が含まれています。線フィーチャは各グローバル FN に基づいて分割され、BAFN レイヤーを使用してマスクされ、以下に基づいて集約されました。

ここで、RLFN は各グローバル FN の集約された道路の長さであり、L(NM)V は BAFN レイヤーと重なる各 FN 内のすべての道路の個別の長さです。 RLFN データセットの集約中に、OSM データセット内の道路の端点がいくつかの場所で重複していることが観察され、これらの重複は集約前に単一のライン フィーチャに解消されました。 また、一部の道路は各 FN 内の BAFN レイヤーを超えて伸びています。 これらの道路は、解析に使用されたすべてのデータセットの対象領域の均一な範囲を維持するために、BAFN 境界でクリップされました。 合計すると、世界のほぼすべての国の道路インフラの処理に成功しました。

建物のフットプリントと道路線の読み込み、分割、ジオメトリ処理は、ArcGIS PRO のマルチコア サポートを使用して実行されました。 データセットの集約と、集約されたデータセットの FN 境界へのマッピングは、DASK70 並列計算モジュール上に構築されたカスタム Python スクリプトを使用して実行されました。 処理されるデータのサイズが膨大であるため、近年開発されたマルチコア アーキテクチャと並列コンピューティング フレームワークは、最小限のコストと時間の要件で惑星規模の分析を設計および実行するのに非常に役立つことがわかりました。

Google Earth Engine プラットフォームの形でクラウド コンピューティングを使用しました。 一般に、データ処理の並列化は 4 つの方法で実行されました。1 つはグローバル ラスター データセットを分解し、集約された値をグローバル FN にマッピングするときです。 このタスクを 12 個の月ごとの太陽ラスター、1 個の土地被覆ラスター、そして最後に地球人口ラスターに対して実行しました。 ここでは、すべてのラスター代数とマッピング コードを Google Earth Engine で実行し、バックエンド データ処理が複数の並列ストリームに分割され、Google Cloud インフラストラクチャで実行されました。 これにより、ラスター代数の実行が高度に並列化され、各ラスター セルを独立して処理できるため、データ処理の高速化につながりました。 2 つ目は、グローバル ベクトル データセットを分解し、集約された値をグローバル FN にマッピングするときです。 この記事の執筆時点では、Google Earth Engine はベクトル解析を行う効率が低くなっています。 その理由は、並行して計算できるピクセル ラスター サーフェスの代わりに、ベクトル データセットには特殊なアルゴリズムが必要であるためです。 ここでは、ARCGIS Pro のマルチコア並列処理アーキテクチャを利用しました。このアーキテクチャでは、マップをさまざまな領域に分割し、各領域を単一のコアで処理することで、建物のフットプリントや道路の形式のベクター データセットを効果的に処理できます。 このタスクは、Apache Spark を使用してバックエンドで実行されます。 第三に、デスクトップ Python 環境内でデータの集計と操作を行う場合です。 ルーフトップの計算から LCOE 計算に至るまでのデータ処理の大きなコンポーネントは、DASK フレームワークを使用して実行されました。 このフレームワークでは、データ フレームを小さなチャンクに分割し、並列処理できます。 これにより、処理時間が大幅に短縮されました。 4 番目に、ML モデルをトレーニングするとき。 カスタム スクリプトは Python で作成され、ハイパーパラメーターの最適化と 10 分割相互検証を並行して実行しました。 10 分割の相互検証のそれぞれが 12 コア マシンの独立したコアに割り当てられ、これによりハイパーパラメーターがより迅速に最適なソリューションに収束するようになりました。

ML モデルは、各サンプル FN の独立変数として PPLNFN、RLFN、BAFN、従属変数として BFFN でトレーニングされました。 モデル準備の最初のステップは、独立変数の欠損データを代入することでした。 一部の FN では、分析が世界規模であるため、人口または道路の長さのデータが欠落しているため、代入が必要です。 この不一致は予想されており、OSM 道路が地球上のすべての道路にマッピングされているわけではないこと、および WorldPop による元の人口ラスターの生成に使用されたダウンスケーリング手法により、この不一致が存在します。

データ代入は、Scikit-Learn71 モジュールの反復代入関数を利用したカスタム Python スクリプトを使用して処理されました。 さらに、XGBoost72 フレームワークを使用してダウンスケーリング モデルを生成しました。 ニューラル ネットワーク ベースのフレームワークと勾配ブースティング フレームワークのどちらを選択するかについては、XGBoost フレームワークが優れたパフォーマンスを示し、最適なモデル状態に到達するために使用する計算時間が大幅に短縮されたため、後者を使用しました。 また、XGBoost フレームワークは、CPU のみのアーキテクチャで実行されるため、後続の実行ごとに再現可能な結果を​​生成できますが、GPU の大規模な並列計算アーキテクチャによって引き起こされる固有の不確実性により、ニューラル ネットワークのような GPU ベースのフレームワークではこれを達成するのが困難です。 。

基本の XGBoost モデルは、5 分割相互検証を使用してモデルのパラメーターをハイパーチューニングすることで、タスク用にカスタマイズされました。 相互検証の各フォールドでは、実行の終了時に平均二乗誤差 (MSE) 損失メトリックが生成されました。 5 つすべての MSE の平均が、ハイパーチューニング プロセス中に削減するメトリックとして選択されました (最終モデル パラメーターは補足表 1 に示されています)。 次に、トレーニングされたモデルを使用して、PPLNFN、RLFN、BAFN 値を使用して各グローバル FN セルの建物フットプリント値を推定しました。 ダウンスケーリングの最終出力 (BFEFN) は、グローバル 10 km 解像度のラスター ファイルとして保存され、各ピクセルは各 FN の推定集約された建物設置面積を表します。

BFEFN から RTSPV ポテンシャルを計算するために、計算の均一性を維持するためにいくつかの一般化した仮定を立てました。 推定された建物の設置面積は、各 FN で利用可能な屋上の面積を表している、つまり、推定された屋上の 100% がソーラー パネルの設置に利用可能であると仮定しました。 1 kWp の屋根設置型太陽光発電を設置するには、10 平方メートルの屋上面積が必要ですが、これは現在使用されている薄膜技術と一致しています。 屋根に設置された太陽光発電は、各緯度に最適な角度で設置され、太陽に面し日陰がないため、最大の電力出力が得られます。 建物の屋上はフラットな設計となっており、屋上全体をソーラーパネルの設置に利用できます。

10% 効率のパネルには 10 m2 の面積という仮定に基づいて、技術的な太陽光発電の可能性は、以下を使用して 12 か月間の全世界の FN に対して計算されます。

ここで、SP は技術的な太陽光発電の可能性、BFEFN は推定屋根面積 (m2)、CF は換算係数、M は月、FN は固有の網目セル、DaysM はそれぞれの月の日数です。 世界銀行の太陽光換算係数は、北緯 60 度から南緯 45 度までの地域で利用できます。 北緯 60 度および南緯 45 度を超える地域については、一定の換算係数 3.5 kWh/kWp/日を仮定しました。 このため、スウェーデンやノルウェーのような国の可能性がやや過大評価されるようになりました。 ただし、市街地の密度は北緯 60 度および南緯 45 度を超えると大幅に減少するため、この仮定による全体的な誤差の合計は小さいままです。 太陽エネルギー生成の計算は、DASK モジュールを使用して大規模な算術演算を処理するカスタム Python スクリプトを使用して処理されます。 さらに、処理された太陽潜在ラスター データセットは、視覚化と経済計算のためにジオパッケージ ファイルとして保存されます。

LCOE は、特定の FN 内のプロジェクトの経済的実行可能性を比較するための簡単かつ堅牢な方法を提供します。 設置の資本コスト (CAPEX) は試運転の初年度にずらされ、設置されたパネルの耐用年数は 25 年であると想定されました。 CAPEX、営業支出 (OPEX)、および割引率 (DR) の地理マッピングは、IRENA の 2019 年再生可能エネルギー コスト レポートから得られました。各 FN の LCOE は、以下を使用して計算されます。

ここで、CAPEXFN (2019 ドル/kW) は、特定の FN の RTSPV システムを設置する際の資本支出です。OPEXFN,t (2019 ドル/kW) は、特定の FN および特定の年 (t) の運用および保守の支出です。 、t は年番号、DR は割引率、M は月番号、SPM,FN (kWh/月) は指定された月と FN の潜在的な発電量です。 当社は 17 か国の CAPEX データを使用し、その大陸に基づいて平均 CAPEX 値を残りの国に割り当てました。OPEX と DR の値は OECD と非 OECD 国の分類に基づいています。 各 FN の LCOE、SP の国ごとの集計は、それぞれの高解像度国内値から次のルールを使用して行われます。

屋上太陽光発電の技術的な可能性を最大限に引き出すための追加の送電網拡張や蓄電インフラのコストは考慮していないことに注意してください。 また、プロジェクトの 25 年の耐用年数が終了した時点での設備の廃止コストとスクラップ金属の価値は考慮されていませんでした。 SP と LCOE を計算する際、世界的に屋上太陽光発電設備は存在せず、すべての追加容量は 2019 年から試運転を開始すると仮定しました。

私たちの評価は全球の土地被覆層の精度に基づいており、解像度 100 m では、場所によっては市街地の範囲を過大評価する可能性があります。 さらに、土地被覆では、道路、駐車場、緑地の境界、テニスコート、考古学的に重要な地域が市街地として分類されていますが、誤分類は地域によって異なります。 屋上は平らで、影がなく、太陽に面しており、屋上全体が設置可能であるという私たちの仮定は、方法論上の制限をさらに増大させます。 次に、建物のフットプリントや世界の道路に関連するビッグ データには、複雑な屋上を正方形のポリゴンで簡略化して表現したり、道路が重なったりするなど、固有の方法論的な制限があります。

技術的な可能性の計算では、屋根の推定面積の 100% がソーラー パネルの設置に利用可能であると仮定しました。つまり、建物の向きと傾斜は、主要な分析における屋上の 100% の利用可能性の仮定に基づく結果には考慮されていません。 屋根の一部がソーラーパネルの設置に利用できる可能性があるため、これらの仮定は主な結果の現実世界の解釈に制限をもたらす可能性があります。 これを説明するために、屋上スケーリング係数とパネル効率の組み合わせの不確実性分析として、潜在力の地域的な変化を文書化しました。 現在の文献では、屋上の総面積を利用可能な屋上の面積に縮小することは、一般に、方向、傾斜、煙突などの屋根の上部構造による屋上の面積の損失の代用となる屋上のスケーリング係数によって行われます。ただし、いくつかの研究が存在します。屋上スケーリング係数が文書化されている国レベルでは、地球規模では、国ごとの屋上スケーリング係数を定義できる信頼できるデータセットは存在しません。 この研究の研究目的の範囲外である国固有の屋上スケーリング係数を文書化するには、さらなる作業が必要です。

当社のコストの仮定は、大陸全体の 17 か国をカバーしており、残りの国の平均値も含まれています。 これらの仮定により、アフリカや南米などの特定の地域に LCOE 値の増加または減少が割り当てられる可能性があります。 コスト仮定のもう 1 つの制限は、高解像度のコスト データが不足しているために、LCOE 指標が LCOE の国内変動を高度に捕捉できないことです。 また、追加の送電網の導入、料金制度、保護貿易主義の慣行による世界的な価格の変化によるコストの変動は、現在の評価の範囲を超えている。 最後に、ROI に対して設置容量が存在しないと仮定して、すべてのコストと潜在的な指標を計算しました。ただし、現在の期間では、ある程度の設置容量は存在します。

制限の大部分は、評価に使用された基礎となるデータに起因すると考えられますが、その後のデータプロバイダーの方法論の進歩により改善される可能性があります。 データの可用性と均一なグローバルデータの欠如によって現在引き起こされている方法論上の制限を軽減するために、さらなる研究を行うことができます。

この研究の結果を裏付けるデータは、合理的な要求に応じて責任著者から入手できます。 世界的なロードマップは、自由にダウンロードできる OpenStreetMap (OSM) に基づいています。 この研究で使用された惑星ファイルは、2020 年 4 月 1 日にダウンロードされました。土地被覆マップは、Copernicus Global Land Service: Land Cover 100 m: collection 3: epoch 2015: Globe (https://doi.org/10.5281/zenodo) に基づいています。 .2583745)。 自由に使用できるその他のデータ ソースは、本文および「方法」セクションで提供されています。

この分析を行うための疑似コードは補足資料 (補足ノート 1) に記載されており、「方法」セクションと併せて読む必要があります。 基本 XGBoost モデルは https://xgboost.readthedocs.io で入手できます。 プロットとデータ集約のための Python スクリプトは、合理的な要求に応じて対応する作成者から入手できます。

IEA。 再生可能エネルギー 2019: 2024 年までの分析と予測。国際エネルギー機関 https://www.iea.org/reports/renewables-2019 (2019)。

国際再生可能エネルギー機関、AD 2019 年の再生可能発電コスト。 https://www.irena.org/publications/2020/Jun/Renewable-Power-Costs-in-2019 (2020)。

IEA、国際再生可能エネルギー機関、国連統計局、世界銀行、世界保健機関。 SDG 7 の追跡: エネルギー進捗報告書 2019。世界銀行 (2019)。

IEA。 グローバル エネルギー レビュー 2020。グローバル エネルギー レビュー 2020。https://doi.org/10.1787/a60abbf2-en (OECD、2020)。

イレナ。 太陽光発電の将来: 展開、投資、技術、グリッド統合および社会経済的側面 (世界的なエネルギー変革: 論文) (2019)。

Bódis, K.、Kougias, I.、Jäger-Waldau, A.、Taylor, N. & Szabó, S. 欧州連合における屋上太陽光発電の可能性に関する高解像度地理空間評価。 更新します。 持続する。 エネルギー牧師 https://doi.org/10.1016/j.rser.2019.109309 (2019)。

Gagnon, P.、Margolis, R.、Melius, J.、Philips, C. & Elmore, R. 米国における屋上太陽光発電の技術的可能性: 詳細な評価。 NREL 技術レポート https://www.nrel.gov/docs/fy16osti/65298.pdf (2016)。

Mainzer, K. et al. ドイツにおける住宅屋根設置型太陽光発電システムの技術的可能性を高解像度で判定。 ソル。 エネルギー https://doi.org/10.1016/j.solener.2014.04.015 (2014)。

Walch, A.、Castello, R.、Mohajeri, N.、Scartezzini, JL 時間ごとの屋上太陽光発電の可能性とその不確実性を推定するためのビッグデータ マイニング。 応用エネルギー https://doi.org/10.1016/j.apenergy.2019.114404 (2020)。

Croutzig、F. et al. 気候変動を緩和する太陽エネルギーの可能性が過小評価されている。 ナット。 エネルギー https://doi.org/10.1038/nenergy.2017.140 (2017)。

Freitas, S.、Catita, C.、Redweik, P. & Brito, MC 都市環境における太陽光発電の可能性のモデリング: 最先端のレビュー。 更新します。 持続する。 エネルギー牧師 https://doi.org/10.1016/j.rser.2014.08.060 (2015)。

Betak、J.ら。 国別の世界の太陽光発電の可能性 (英語)。 エネルギー部門管理支援プログラム (ESMAP)。 (世界銀行グループ、ワシントン DC)。

コルフィアティ、A.ら。 オープンデータを使用した、世界の太陽エネルギーの潜在力と太陽光発電コストの推定。 内部。 J.サステイン。 エネルギー計画。 管理。 9、17–29 (2016)。

Google スカラー

Naroll, R. 床面積と居住人口。 午前。 アンティーク。 https://doi.org/10.2307/277689 (1962)。

IEA。 エネルギー技術の展望 2016: 持続可能な都市エネルギー システムに向けて。 内部。 エネルギー庁 (2016)。

Hoogwijk, MM 再生可能エネルギー源の世界的および地域的な可能性について。 アセンブリ (2004)。

Izquierdo, S.、Rodrigues, M.、Fueyo, N. 大規模な太陽光発電の潜在的エネルギー評価のために利用可能な屋根表面積の地理的分布を推定する方法。 ソル。 エネルギー 82、929–939 (2008)。

記事 ADS Google Scholar

Ordóñez, J.、Jadraque, E.、Alegre, J. & Martínez, G. アンダルシア (スペイン) の住宅屋上の太陽光発電容量の分析。 更新します。 持続する。 エネルギー牧師 https://doi.org/10.1016/j.rser.2010.01.001 (2010)。

Defaix, PR、van Sark, W.、Worrell, E. & de Visser, E. EU-27 における建物の太陽光発電の技術的可能性。 ソル。 エネルギー 86、2644–2653 (2012)。

記事 ADS Google Scholar

Assouline、D.、Mohajeri、N.、Scartezzini、J.-L. 屋上の太陽光発電の可能性を定量化する: 機械学習アプローチ。 ソル。 エネルギー 141、278–296 (2017)。

記事 ADS Google Scholar

Wegertseder, P.、Lund, P.、Mikkola, J. & García Alvarado, R. 都市太陽エネルギーの可能性を現実的に評価するための、太陽資源マッピングとエネルギー システム統合手法の組み合わせ。 ソル。 エネルギー 135、325–336 (2016)。

記事 ADS Google Scholar

Lehmann, H. & Peter, S. ヨーロッパにおける太陽光利用の屋根とファサードの可能性の評価。 インシチューサステイン。 解決。 イノヴ。 https://doi.org/10.1017/CBO9781107415324.004 (2003)。

Lee, M.、Hong, T.、Jeong, K. & Kim, J. 空間的および時間的多様性を考慮した屋上太陽光発電システムの経済的可能性を見積もるためのボトムアップ アプローチ。 応用エネルギー 232、640–656 (2018)。

記事 Google Scholar

ジェイコブソン、MZ et al. 世界 139 か国の 100% クリーンで再生可能な風力、水力、太陽光の全部門エネルギー ロードマップ。 ジュール https://doi.org/10.1016/j.joule.2017.07.005 (2017)。

Gernaat, DEHJ、de Boer, HS、Dammeier, LC、van Vuuren, DP 長期的なエネルギーと気候シナリオにおける住宅屋上太陽光発電の役割。 応用エネルギー https://doi.org/10.1016/j.apenergy.2020.115705 (2020)。

Castellanos, S.、Sunter, DA、Kammen, DM 都市における屋上太陽光発電の可能性: 評価アプローチはどの程度拡張可能ですか? 環境。 解像度レット。 https://doi.org/10.1088/1748-9326/aa7857 (2017)。

Lloyd, CT、Sorichetta, A.、Tatem, AJ データ記述子: 人口調査で使用するための高解像度のグローバル グリッド データ。 科学。 データ https://doi.org/10.1038/sdata.2017.1 (2017)。

Verma, V.、Kumar, R.、Hsu, S. 航空 LIDAR データからの 3D 建物検出とモデリング。 2006 年、コンピューター ビジョンとパターン認識に関する IEEE コンピューター協会会議 (CVPR'06)。 Vol. 2、2213–2220、https://www.computer.org/csdl/proceedingsarticle/cvpr/2006/259722213/12OmNCm7Bws (2006)。

Rottensteiner, F. & Briese, C. 高解像度 LIDAR データから都市部の建物を抽出する新しい方法。 写真測量リモートセンシングと空間情報科学の国際アーカイブ内。 (カナダ天然資源、2002)。

Redweik, P.、Catita, C. & Brito, M. 都市景観における屋根とファサードの太陽エネルギーの可能性。 ソル。 エネルギー 97、332–341 (2013)。

記事 ADS Google Scholar

Zha, Y.、Gao, J. & Ni, S. TM 画像から市街地を自動的にマッピングする際の正規化された差分蓄積インデックスの使用。 内部。 J. Remote Sens. 24、583–594 (2003)。

記事 ADS Google Scholar

Buffat, R.、Grassi, S.、Raubal, M. 広い地域にわたる屋上の日射量を推定するためのスケーラブルな方法。 応用エネルギー 216、389–401 (2018)。

記事 Google Scholar

Ferro, A.、Brunner, D. & Bruzzone, L. 単一の VHR SAR 画像からの建物レーダー フットプリントの自動検出と再構築。 IEEEトランス。 地理学。 リモートセンズ https://doi.org/10.1109/TGRS.2012.2205156 (2013)。

Jochem, A.、Höfle, B.、Rutzinger, M. & Pfeifer, N. 太陽光発電の可能性を評価するための、空中 LIDAR 点群の屋根面の自動検出と分析。 センサー 9、5241–5262 (2009)。

記事 ADS Google Scholar

Lukač, N.、Seme, S.、Žlaus, D.、Štumberger, G. & Žalik, B. LiDAR (Light Detection And Ranging) データに基づく建物の屋根の太陽光発電の可能性評価。 エネルギー 66、598–609 (2014)。

記事 Google Scholar

Hong, T.、Lee, M.、Koo, C.、Jeong, K. & Kim, J. 陰影起伏解析を使用して利用可能な屋上の面積を分析することにより、屋上の太陽光発電 (PV) の可能性を推定する方法の開発。 応用エネルギー 194、320–332 (2017)。

記事 Google Scholar

As-syakur、AR、Adnyana、IWS、Arthana、IW および Nuarsa、IW 都市部の建築物と裸地をマッピングするための強化された建築物および裸地指数 (EBBI)。 Remote Sens. 4、2957–2970 (2012)。

記事 ADS Google Scholar

ウォン、MS 他。 GIS とリモート センシング技術を使用した香港の太陽エネルギーの潜在的可能性の推定。 更新します。 エネルギー 99、325–335 (2016)。

記事 Google Scholar

Brito, MC、Gomes, N.、Santos, T. & Tenedório, JA LiDAR データを使用したリスボン郊外の太陽光発電の可能性。 ソル。 エネルギー 86、283–288 (2012)。

記事 ADS Google Scholar

MP ヘリス、NL フォクス、KJ バグスタッド、A. トロイ、ZH アンコーナ 米国のラスタライズされた建物敷地面積データセット。 科学。 データ https://doi.org/10.1038/s41597-020-0542-3 (2020)。

Tiecke、TG et al. 世界の人口を一度に 1 つの建物ごとにマッピングします。 arXiv https://doi.org/10.1596/33700 (2017)

Leasure, D.、Dooley, C.、Bondarenko, M.、Tatem, AW ピーナッツバター: 建物のフットプリントから迅速に応答してグリッド化された人口推定値を生成する R パッケージ、バージョン 0.2.1。 https://doi.org/10.5258/SOTON/WP00678 (2020)。

Esch、T. et al. 人類の居住地を宇宙からマッピングする新境地を開拓 – グローバル アーバン フットプリント。 ISPRS J. フォトグラム。 Remote Sens. https://doi.org/10.1016/j.isprsjprs.2017.10.012 (2017)。

マルコンチーニ、M. et al. 人間が住んでいる場所の概要、世界居住の足跡 2015。Sci。 データ https://doi.org/10.1038/s41597-020-00580-5 (2020)。

Corbane, C. et al. 40 年にわたる Landsat 衛星データ アーカイブから人間の居住地を世界規模で自動描写します。 ビッグアースデータ https://doi.org/10.1080/20964471.2019.1625528 (2019)。

ブッフホーン、M. et al. コペルニクス グローバル ランド サービス: 土地被覆 100 メートル: エポック 2015: 地球儀。 コペルニクス土地監視サービスのグローバル コンポーネントのデータセット。 https://doi.org/10.5281/zenodo.3243509 (2019)。

Ferri, S.、Siragusa, A.、Sabo, F.、Pafi, M.、Halkia, M. ヨーロッパ入植地マップ 2017 リリース。 ヨーロッパ入植地マップの方法論と出力。 https://doi.org/10.2760/780799 (2017)。

Corbane, C. et al. センチネル 2 衛星画像からの地球規模の人間居住マッピングのための畳み込みニューラル ネットワーク。 arXiv 2006.03267 (2020)。

Bódis, K.、Kougias, I.、Taylor, N. & Jäger-Waldau, A. 太陽光発電: 移行期にあるヨーロッパの石炭地域のライフライン。 持続可能性 https://doi.org/10.3390/su11133703 (2019)。

MAloof, MA、Langley, P.、Binford, TO、Nevatia, R.、Sage, S. 機械学習による航空画像の屋上検出の改善。 マッハ。 学ぶ。 53、157–191 (2003)。

記事 Google Scholar

Guo、Z.ら。 Google Earth の画像と教師付き機械学習手法による村の建物の識別。 リモートセンズ https://doi.org/10.3390/rs8040271 (2016)。

モハジェリ、N. 他太陽エネルギー用途のための機械学習を使用した都市規模の屋根形状分類。 更新します。 エネルギー 121、81–93 (2018)。

記事 Google Scholar

Yang, HL、Lunga, D. & Yuan, J. 航空画像を使用した畳み込みニューラル ネットワークによる国規模の建物検出に向けて。 2017 年の IEEE 国際地球科学およびリモート センシング シンポジウム (IGARSS) 870–873、https://ieeexplore.ieee.org/document/8127091 (2017)。

Zhang, A.、Liu, X.、Gros, A.、Tiecke, T. 地球規模での衛星画像からの建物検出。 arXiv 1707.08952 (2017)。

Assouline、D.、Mohajeri、N.、Scartezzini、J.-L. ランダムフォレストを使用した大規模屋上太陽光発電の技術的可能性の推定。 応用エネルギー 217、189–211 (2018)。

記事 Google Scholar

OpenStreetMap の寄稿者。 ストリートマップを開きます。 https://www.openstreetmap.org (2020)。

Stevens, FR、Gaughan, AE、Linard, C.、Tatem, AJ リモートセンシングデータと補助データを含むランダムフォレストを使用して、人口マッピングのための国勢調査データを分解します。 PLoS ONE https://doi.org/10.1371/journal.pone.0107042 (2015)。

Barrington-Leigh, C. & Millard-Ball, A. ユーザーが作成した世界のロードマップは 80% 以上完成しています。 PLoS ONE https://doi.org/10.1371/journal.pone.0180698 (2017)。

[データ/情報/地図] 812 から取得した「Global Solar Atlas 2.0 は、無料の Web ベース アプリケーションであり、世界銀行グループに代わって Solargis sro 社によって開発および運営されており、Solargis データを利用し、資金提供を受けています。エネルギー部門。

Millstein, D.、Wiser, R.、Bolinger, M.、Barbose, G. 米国における風力発電と太陽光発電の気候と大気質への利点。 ナット。 エネルギー 2、17134 (2017)。

記事 ADS Google Scholar

Yalew, SG et al. 地球規模および地域シナリオにおけるエネルギー システムに対する気候変動の影響。 ナット。 エネルギー https://doi.org/10.1038/s41560-020-0664-z (2020)。

Barbose, G. & Satchwell, AJ 住宅の屋上太陽光発電の事業者所有ビジネス モデルの利点とコスト。 ナット。 エネルギー https://doi.org/10.1038/s41560-020-0673-y (2020)。

サッセ、J.-P. & Trutnevyte, E. 2035 年までの中央ヨーロッパにおける電力システム移行の地域的影響。 共通。 11、4972 (2020)。

記事 ADS CAS Google Scholar

Zhang、H.ら。 太陽光発電への介入により、中国の農村部の貧困が減少しました。 ナット。 共通。 1969 年 11 日 (2020 年)。

記事 ADS CAS Google Scholar

Lu、T.ら。 インドには、太陽光発電と陸上および洋上風力発電をエネルギー システムに統合する可能性があります。 ナット。 共通。 11、4750 (2020)。

記事 ADS CAS Google Scholar

スタール、S.ら。 西部のスマートな再生可能電力ポートフォリオ。 アフリカナット。 持続する。 3、710–719 (2020)。

記事 Google Scholar

パラグ、Y. & ソバクール、BK プロシューマー時代の電力市場設計。 ナット。 エネルギー 1、16032 (2016)。

記事 ADS Google Scholar

国際エネルギー機関 (IEA)。 電気情報: 概要 2019. Stat. IEA https://doi.org/10.1787/e0ebb7e9-en (OECD 出版、パリ、2019)。

ゴアリック、N. 他 Google Earth エンジン: 誰もが利用できる惑星規模の地理空間分析。 遠隔感覚環境。 https://doi.org/10.1016/j.rse.2017.06.031 (2017)。

DASK開発チーム。 Dask: 動的タスク スケジューリング用のライブラリ。 https://docs.dask.org/en/latest/cite.html (2016)。

ペドレゴサ、F.ら。 Scikit-learn: Python での機械学習。 J.マッハ。 学ぶ。 解像度 12、2825–2830 (2011)。

Chen, T. & Guestrin, C. XGBoost: スケーラブルなツリー ブースティング システム。 https://doi.org/10.1145/2939672.2939785 (2016)。

リファレンスをダウンロードする

SJ、BOG、および JG は、SFI-NSFC パートナーシップ プログラム助成金番号 17/NSFC/5181 に基づくアイルランド科学財団 (SFI) および中国国立自然科学財団 (NSFC) からの研究助成金によって支援されています。 SMは、2020年下半期の欧州委員会プロジェクト「PARIS REINFORCE」からの支援を認めます。 820846。

SFI MaREI エネルギー気候海洋センター、アイルランド、コーク

シッダース・ジョシ、ブライアン・ギャラガー、ジェームス・グリン

ユニバーシティ・カレッジ・コーク、コーク、アイルランド環境研究所

シッダース・ジョシ、ポール・ホロウェイ、ブライアン・ギャラガー、ジェームス・グリン

アイルランド、コーク、ユニバーシティ・カレッジ・コーク工学部

シッダース・ジョシ、ブライアン・ギャラガー、ジェームス・グリン

グランサム研究所 - 気候変動と環境、インペリアル・カレッジ・ロンドン、ロンドン、イギリス

シヴィカ・ミタル

ユニバーシティ・カレッジ・コーク、コーク、アイルランド地理学部

ポール・ホロウェイ

環境エネルギーグローバルセンター、アーメダバード大学、アーメダバード、インド

プリヤダルシ ランプラサド シュクラ

グローバルエネルギー政策センター、コロンビア大学、ニューヨーク、米国

ジェームズ・グリン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

SJ と JG は研究のアイデアを思いつきました。 SJ はコードとともにフレームワークとモデルを設計、開発しました。 SJ、SM、PH は、GIS とデータ分析フレームワークを設計しました。 SJ は図を作成し、原稿を作成しました。 PRS と BOG は、結果に関する貴重な洞察を提供しました。 著者全員が結果について議論し、原稿に貢献しました。

シッダース・ジョシへの対応。

著者らは競合する利害関係を宣言していません。

査読情報 Nature Communications は、この研究の査読に貢献してくれた匿名の査読者に感謝します。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Joshi、S.、Mittal、S.、Holloway、P. 他。 屋上太陽光発電の再生可能発電の可能性に関する高解像度の地球規模の時空間評価。 Nat Commun 12、5738 (2021)。 https://doi.org/10.1038/s41467-021-25720-2

引用をダウンロード

受信日: 2020 年 10 月 18 日

受理日: 2021 年 8 月 23 日

公開日: 2021 年 10 月 5 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

ネイチャーコミュニケーションズ (2023)

自然の持続可能性 (2023)

インドの自然 (2021)

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。