È stato pubblicato sulla rivista Remote Sensing l’articolo dal titolo “Leveraging Semantic Segmentation for Photovoltaic Plants Mapping in Optimized Energy Planning”. Lo studio vede come autori Giulia Ronchetti e Martina Aiello del Dipartimento Sviluppo Sostenibile e Fonti Energetiche e Alberto Maldarella del Dipartimento Tecnologie di Trasmissione e Distribuzione.

Nell’articolo viene presentata e testata una metodologia per il riconoscimento automatico degli impianti fotovoltaici a terra in Italia, utilizzando un algoritmo di segmentazione semantica e immagini satellitari della costellazione Sentinel-2. L’obiettivo di questa metodologia è identificare con precisione sia le posizioni che le dimensioni degli impianti, stimarne la potenza e garantire aggiornamenti automatici e regolari delle mappe, fornendo quindi dei dati che possano essere di supporto alle strategie di pianificazione energetica.

A questo scopo, è stato sviluppato un modello di segmentazione semantica, basato su un’architettura U-Net, e addestrato su un set di dati Sentinel-2 RGB relativi all’anno 2019. Il modello ha raggiunto valori di accuratezza molto elevati durante la fase di addestramento. Quindi, è stato testato su due casi distinti, che coinvolgono anni più recenti e differenti aree di interesse. La metodologia si basa su un approccio multitemporale, per cui il modello di segmentazione semantica è applicato su un set di immagini raccolte durante tutto l’anno. Gli output del modello vengono quindi aggregati in una mappa finale che rappresenta la probabilità di rilevamento degli impianti fotovoltaici.

La metodologia proposta si è rivelata efficace quando applicata in contesti geografici simili a quelli dell’addestramento, ma richiede ancora alcuni raffinamenti per garantirne una maggiore applicabilità in vari scenari territoriali. Gli sviluppi futuri di questa ricerca saranno infatti dedicati a migliorare la generalizzabilità del modello e a proporre un tool automatico per il riconoscimento di impianti fotovoltaici.