伊朗伊斯法罕大学的研究人员宣布，他们已成功提高了数字高程模型（DEM）在创建高分辨率年度太阳能潜力图时的精度。这一突破对于精确评估太阳能资源、优化太阳能电池板布局具有重要意义。

DEM是裸露陆地表面的3D图形，不包含树木、建筑物等障碍物，广泛用于生成太阳能地图。然而，传统DEM如SRTM、ALOS、ASTER和Copernicus等，虽然具有广泛的空间覆盖范围且成本较低，但其分辨率相对较低，限制了太阳能潜力图的准确性，特别是在城市地区和高速公路周边。

为克服这一限制，研究小组利用深度学习网络，特别是增强深度超分辨率（EDSR）网络，来提高DEM的分辨率。EDSR是一种卷积神经网络，广泛应用于计算机视觉任务，能够显著提高图像的空间分辨率。

通过与U-Net网络进行比较，科学家们发现EDSR模型在提高太阳能潜力图精度方面表现最为准确和稳定。他们利用该模型将Copernicus DEM得出的太阳能潜力图的分辨率从30米提高到6米，显著提升了地图的详细程度和太阳能估算的准确性。

研究团队强调，在城市地区和主要高速公路沿线，EDSR模型不仅提高了地图的分辨率，还显著提高了太阳能估算的准确性。此外，他们还评估了改进后的6米分辨率地图在识别适合安装太阳能电池板的建筑物方面的有效性。

这一研究成果为太阳能资源的精确评估和太阳能电池板的优化布局提供了有力支持。有关建模的详细信息，请参阅在Helyion上发表的论文“使用深度学习提高从全球DSM得出的屋顶太阳能电池板放置太阳能潜力图的分辨率”。

伊朗伊斯法罕大学的研究团队表示，他们将继续探索深度学习在太阳能地图制作中的应用，以进一步提高精度和效率，为全球太阳能资源的开发和利用贡献力量。