Nachricht

Oct 12, 2023

Hochauflösende globale räumlich-zeitliche Bewertung des Potenzials von Solar-Photovoltaik auf Dächern für die Stromerzeugung aus erneuerbaren Energien

Band Nature Communications

Nature Communications Band 12, Artikelnummer: 5738 (2021) Diesen Artikel zitieren

26.000 Zugriffe

40 Zitate

597 Altmetrisch

Details zu den Metriken

Solar-Photovoltaik auf Dächern macht derzeit 40 % der weltweit installierten Solar-Photovoltaik-Kapazität und ein Viertel des gesamten Zubaus erneuerbarer Kapazitäten im Jahr 2018 aus. Über das globale Potenzial und die damit verbundenen Kosten sind jedoch nur begrenzte Informationen mit hoher räumlich-zeitlicher Auflösung verfügbar. Hier präsentieren wir eine hochauflösende globale Bewertung des Potenzials von Solar-Photovoltaik auf Dächern mithilfe von Big Data, maschinellem Lernen und Geodatenanalysen. Wir analysieren 130 Millionen km2 der globalen Landoberfläche, um 0,2 Millionen km2 Dachfläche abzugrenzen, was zusammen ein Stromerzeugungspotenzial von 27 PWh pro Jahr mit Kosten zwischen 40 und 280 $ MWh-1 darstellt. Davon können 10 PWh pro Jahr unter 100 $ MWh-1 realisiert werden. Das globale Potenzial verteilt sich überwiegend auf Asien (47 %), Nordamerika (20 %) und Europa (13 %). Die Kosten für die Erreichung des Potenzials sind in Indien (66 $ MWh−1) und China (68 $ MWh−1) am niedrigsten, wobei die USA (238 $ MWh−1) und das Vereinigte Königreich (251 $ MWh−1) zu den teuersten zählen Länder.

Von der Stromversorgung der Vanguard-Satelliten der National Aeronautics and Space Administration (NASA) im Jahr 1958 bis hin zur Beleuchtung von Häusern in Afrika südlich der Sahara hat die Solar-Photovoltaik-Technologie (PV) einen langen Weg zurückgelegt. Die Rooftop-Solar-Photovoltaik-Technologie (RTSPV) als Teilmenge des Photovoltaik-Stromerzeugungsportfolios kann als dezentrales System entweder von einzelnen Hausbesitzern oder von großen Industrie- und Gewerbekomplexen eingesetzt werden. Im letzten Jahrzehnt hat die Reduzierung der Bereitstellungskosten in Verbindung mit politisch gesteuerten Initiativen zu einer raschen Verbreitung von RTSPV weltweit geführt. Zwischen 2006 und 2018 ist die installierte Kapazität des RTSPV von 2,5 GW auf 213 GW gewachsen – eine weltweite Steigerung um das 85-fache1. Mit einer zusätzlichen Kapazitätsinstallation von 41 GW macht RTSPV derzeit 40 % der weltweiten kumulierten installierten Kapazität der Solar-PV und fast ein Viertel der gesamten erneuerbaren Kapazitätserweiterungen im Jahr 2018 aus und übersteigt damit die kombinierten neu installierten Kapazitäten von Kohle und Kernenergie . Gleichzeitig verzeichnete die RTSPV-Technologie einen starken Rückgang ihrer Einsatzkosten, die im Jahr 2019 zwischen 63 und 265 $ MWh−1 lagen – eine Reduzierung zwischen 42 und 79 % gegenüber den Werten von 20102.

Weltweit waren im Jahr 2018 fast 800 Millionen Menschen ohne Strom, die meisten davon leben in ländlichen Gebieten3. Hier kommt der dezentralen Dach-PV bei der Förderung des Ethos des Sustainable Development Goal (SDG) 7 eine große Bedeutung zu. Die schnelle Installationszeit und die niedrigen Kosten von RTSPV können dazu beitragen, das Problem des Energiezugangs zu entschärfen, indem sie Bürger oder Gemeinden zu Prosumenten machen. Der Prosumer kann Strom entsprechend seinem Bedarf erzeugen und verbrauchen, ohne ausschließlich auf eine zentrale Netzinfrastruktur angewiesen zu sein. Als am schnellsten einsetzbare Energieerzeugungstechnologie mit der höchsten jährlichen Wachstumsrate4 wird die Solar-PV-Technologie bis 2050 voraussichtlich 25–49 % des weltweiten Strombedarfs decken und zwischen 2018 und 2050 Arbeitsplätze für bis zu 15 Millionen Menschen bieten5. Davon wird der RTSPV-Einsatz bis 2050 bis zu 40 % der gesamten aus Solar-PV gewonnenen Stromerzeugung ausmachen.

Der verstärkte Einsatz von RTSPV kann dazu beitragen, fossile Brennstoffe aus dem aktuellen Energieerzeugungsmix zu verdrängen, wie die erfolgreiche Implementierung von Photovoltaik auf Dächern in Deutschland zeigt. Da die Nachfrage nach Strom als Energiequelle in Zukunft steigt, werden RSTPV-basierte Erzeugungsquellen einen großen Teil des künftigen erneuerbaren Erzeugungsportfolios ausmachen. Diese Verschiebung im aktuellen Erzeugungsmix in Verbindung mit der künftigen Erweiterung der CO2-armen Erzeugungskapazität kann zur Reduzierung der energiebedingten Treibhausgasemissionen beitragen und auch dazu beitragen, das SDG13-Ziel der Bekämpfung des Klimawandels voranzutreiben, mit positiven Nebeneffekten für SDG3. Die RTSPV-Technologie kann somit zu verbraucherorientierten Durchbrüchen bei der Bekämpfung des Klimawandels, der Verringerung der lokalen Luftverschmutzung, der Beschleunigung der Entwicklung und der Bereitstellung eines erschwinglichen Energiezugangs in Gebieten ohne Elektrifizierung führen.

Um die Rolle, die ein RTSPV-System in Zukunft spielen kann, besser zu verstehen, ist eine weltweit harmonisierte, geokartierte Bewertung seines technischen Potenzials und der mit der Erreichung des technischen Potenzials verbundenen Kosten relevant, insbesondere wenn solche Bewertungen auf globaler Ebene fehlen. RTSPV-Systeme werden im Gegensatz zu Solar-PV-Systemen im Versorgungsmaßstab als dezentrales System eingesetzt, was die Komplexität ihrer Bewertung erhöht, da die kleinste Einsatzeinheit zu einem Dach und nicht zu einem großen Grundstück auf einer grünen oder Brachfläche wird. Neben der Komplexität, die mit der genauen Bestimmung der Dachfläche verbunden ist, ist auch die Bewertung saisonaler Schwankungen ihres Potenzials wichtig, um die Versorgungsdynamik variabler Technologien für erneuerbare Energien (VRE) wie RTSPV zu verstehen. Dies unterstreicht die Notwendigkeit einer hochauflösenden raumzeitlichen Bewertung, die die geografische Variabilität der bebauten Umwelt sowie die Auswirkungen saisonaler Veränderungen der Sonneneinstrahlung genau darstellt.

Die aktuelle Forschung konzentriert sich hauptsächlich auf die Bewertung von Solar-PV-Ressourcen im Versorgungsmaßstab auf globaler Ebene. Eine ähnliche Bewertung wurde für dezentrales RTSPV auf einer über die regionale/nationale Ebene hinausgehenden Ebene nicht durchgeführt6,7,8,9. Infolgedessen haben Energiesystemmodelle und Forschungsarbeiten, die in die Klimaschutzpolitik einfließen, die Rolle der Photovoltaik bei der Erreichung der Klimaschutzziele nicht vollständig berücksichtigt10. Die Bewertung des RTSPV-Potenzials erfordert einen zugrunde liegenden Datensatz mit Gebäudegrundrissen, eine Kartierung der Sonneneinstrahlung und technologiespezifische Informationen wie Panelgröße, Umwandlungseffizienz und Systemverluste. Die aktuelle Literatur liefert ausreichende globale Informationen zu den beiden letztgenannten Kategorien, wobei die größten Ungenauigkeiten11 auf die Abgrenzung und Berechnung von Gebäudegrundrissen zurückzuführen sind, die große Datenmengen und kostspielige Informationsverarbeitungshardware erfordern, um Gebäude aus Satellitenbildern zu extrahieren12.

Derzeit werden zwei Hauptansätze verwendet, um die bebaute Fläche zu bestimmen, oder genauer gesagt die Ausdehnung und Fläche, die von Gebäudedächern eingenommen wird, Ergänzungstabelle 7. Der erste Ansatz geht das Problem von unten nach oben an13,14,15,16, 17,18,19,20,21,22,23 Perspektive und ist der derzeit am häufigsten verwendete Ansatz zur maßstabsgetreuen Berechnung der Dachfläche. Solche Ansätze stellen die Beziehung zwischen Gebäudegrundrissdaten (Kataster, Crowdsourcing, Satellitenableitung) und sozioökonomischen Kennzahlen (Bruttoinlandsprodukt (BIP), Bevölkerung) für eine kleine Stichprobe her und schätzen dann das Ausmaß der Gebäudegrundrisse über einen Zeitraum hinweg größeren Maßstab. In der Studie von Jacobson et al.24 haben die Autoren die Bottom-up-Methodik verwendet, um verfügbare Dachflächen für 179 Länder zu berechnen, indem sie Beziehungen zwischen Bevölkerung, BIP und Grundfläche pro Kopf auf der Grundlage von Beispieldaten aus den USA und mehreren europäischen Ländern erstellt haben Länder. Für eine ganze Reihe globaler Länder haben Gernaat et al.25 die Beziehung zwischen Bevölkerungsdichte, Haushaltsausgaben und Dachfläche verwendet, um die verfügbare Dachfläche pro Land zu berechnen. Sie haben ihre Beziehungsgleichungen anhand der Daten der Weltbank kalibriert und einen R2 = 0,66 ermittelt. Diese Methoden lassen sich schnell implementieren und sind bei der Vorhersage von Gebäudeflächen in den Nachbarschaftsregionen relativ genau. Bei einer Hochskalierung der Analyse auf Länder-/Regionalebene treten jedoch Ungenauigkeiten auf. Diese Verringerung der Genauigkeit26 kann auf die Ungenauigkeiten bei der groben Geokartierung sozioökonomischer Daten27 und die Heterogenität bebauter Landschaften zurückgeführt werden.

Der zweite Ansatz geht das Problem aus einer „Top-Down“28,29,30,31,32,33,34,35,36,37,38,39 Perspektive an und nutzt Luftbilder, um die bebaute Fläche zusammen mit der Bebauung zu bestimmen darin enthaltene Fußabdrücke. Zu den „Top-Down“-Methoden gehören Erdbeobachtung, drohnengestütztes Light Detection and Ranging (LiDAR) und Klassifizierungsalgorithmen für maschinelles Lernen (ML) zur Erkennung von Gebäuden. Auf landesweiter Ebene haben Gagnon et al.7 LiDAR-Datensätze für 128 US-amerikanische Stichprobenstädte verwendet, um die verfügbaren Dachflächen für die kontinentalen USA zu berechnen und dabei statistische Schlussfolgerungen zu verwenden, um über ihren Stichprobenstandort hinaus zu extrapolieren. Sie haben statistische Maße generiert, um die Ausrichtung, Neigung und Verfügbarkeit von Dächern auf der Grundlage hochauflösender LiDAR-Bilder zu verallgemeinern. Das Sammeln, Verarbeiten und Analysieren von Luftbildern ist eine kostspielige und rechenintensive Aufgabe, die eine Infrastruktur im Rechenzentrumsmaßstab erfordert. Diese Mängel haben dazu geführt, dass der Umfang von Studien mit Top-down-Methoden eingeschränkt ist, da nur wenige kommerzielle40,41,42 Unternehmen in der Lage waren, landesweite Gebäudegrundrisse bereitzustellen, und eine Analyse auf globaler Ebene steht bislang noch aus umgesetzt werden. Eine Lösung zur Minderung des Verarbeitungs- und Datenengpasses besteht darin, vordefinierte Landbedeckungsklassifizierungen43,44,45,46,47,48,49 zu verwenden, um künstlich bebaute globale Landflächen abzugrenzen und dann die bebaute Fläche auf die tatsächliche Gebäudegrundfläche zu verkleinern49 unter Verwendung vereinfachender Annahmen. Dieser hybride Ansatz wurde in einer Studie von Bodis et al.6 verwendet, in der sie eine Beziehung zwischen Katasterdaten der Niederlande, der CORINE-Landbedeckung und der europäischen Siedlungskarte hergestellt haben, um auf die Dachfläche in den anderen 27 EU-Ländern zu schließen.

Der aktuelle Stand der Technik50,51,52,53,54,55 Methoden nutzen ML-basierte Objekterkennungsalgorithmen, um einzelne Gebäude für Region of Interest (ROI) auf Stadt-/Landesebene abzubilden. Allerdings wurde keine der hochmodernen Methoden auf eine globale ROI-Bewertung angewendet, teilweise aufgrund des Umfangs der Datenverarbeitung, der bei ML-basierten Methoden erforderlich ist, und teilweise aufgrund der Einschränkungen des ML-Algorithmus bei der Erkennung ähnlicher Objekte, die von der Trainingsstichprobe abweichen Sätze.

Hier schließen wir direkt die Lücke in der aktuellen Literatur, indem wir ein Hybrid-Framework entwickeln, das „Top-down“- und „Bottom-up“-Methoden unter Verwendung eines ML-Modells integriert, um eine hochauflösende globale Bewertung des technischen Potenzials von Solar-PV auf Dächern zu ermöglichen monatliche zeitliche Auflösung (Abb. 1). Wir teilen die gesamte globale Landmasse in mehrere 10 km2 große Bewertungseinheiten auf. In jeder Bewertungseinheit verwenden wir einen hochauflösenden Bevölkerungsdatensatz (mit einer räumlichen Auflösung von 100 m), die Straßenlänge und die Grenzen bebauter Gebiete, um die Dachfläche abzuschätzen. Der auf dem ML-Modell basierende Schätzalgorithmus ist darauf ausgelegt, die Beziehung zwischen Bevölkerung, Straßenlänge und bebauten Flächengrenzen sowie der tatsächlichen Dachfläche aus einem großen globalen Stichprobensatz zu lernen, der Länder in verschiedenen Stadien der sozioökonomischen Entwicklung und Bebauung abdeckt Topographie. Auf diese Weise nutzen wir einen umfassenden Satz unterschiedlicher Archetypen gebauter Umgebungen mit unterschiedlichen Bevölkerungsdichten in unterschiedlichen Landschaftskonfigurationen, um die Einschränkungen zu überwinden, die durch die in früheren Studien verwendeten „Top-down“- und „Bottom-up“-Methoden auferlegt wurden. Neben der Geokartierung des technischen Potenzials kartieren wir auch die zugehörigen Stromgestehungskosten (LCOE) und die regionalen Versorgungskostenkurven für einen globalen ROI, der mehr als 195 Länder abdeckt, sich über eine Landfläche von 130 Millionen km2 erstreckt und Gebäude von freistehenden ländlichen Gebäuden umfasst Von Kernsiedlungen bis hin zu globalen Ballungsräumen mit mehrstöckigen Wolkenkratzern in verschiedenen Regionen.

Das in dieser Studie entwickelte Framework beginnt mit der Datenaufbereitung und der Zuordnung verschiedener Geodaten zu Top-Down- und Bottom-Up-Pfaden. Darüber hinaus wird das maschinelle Lernmodell trainiert und verwendet, um BFEFN-Werte aus BAFN-, PPLNFN- und RLFN-Werten zu schätzen. Anschließend wird aus den BFEFN-Werten mit Hilfe der Umrechnungsfaktoren (CF) das technische Potenzial (SP) berechnet. Schließlich wird der berechnete Potenzialdatensatz verwendet, um die Levelised Cost of Electricity (LCOE)-Werte mithilfe der IRENA-Daten zu den Stromgestehungskosten erneuerbarer Energien abzubilden. Der detaillierte Rahmen wird in den Abschnitten „Ergebnisse“ und „Methoden“ beschrieben. Modellparameter und regionale Zuordnungen finden Sie in den Ergänzungstabellen 6, 8–10 und der Ergänzungsabbildung 3a – d.

In unserer Studie definieren wir das „technische Potenzial“ von RTSPV als die maximale Stromerzeugung, die aus einer bestimmten Dachfläche abgeleitet werden kann, wobei die Dachfläche mit der bebauten Fläche des Jahres 2015 übereinstimmt und keinen zusätzlichen Gebäudebestand umfasst danach erstellt. Die in dieser Studie vorgestellten Ergebnisse gehen von einer 100-prozentigen Dachverfügbarkeit bei einem Panel-Wirkungsgrad von 10 % aus. Um die Änderung des Potenzials aufgrund unterschiedlicher Modulwirkungsgrade und Dachverfügbarkeit zu berücksichtigen, haben wir globale und regionale Potenziale für eine Reihe von Dachskalierungsfaktoren und Modulwirkungsgraden dokumentiert (Ergänzungstabellen 4 und 5). Weitere Randbedingungen unserer Studie und die Einschränkungen bei der Interpretation der Hauptergebnisse sind im Abschnitt „Methoden“ dokumentiert.

Wir haben damit begonnen, die globale Landmasse in ein Fischnetzgitter (FN) zu unterteilen, das insgesamt 3.521.120 einzigartige Quadrate mit einer Größe von 10 km2 enthält, wobei jedes FN eine eindeutige ID hat und einem eindeutigen Land zugeordnet ist. Die Aggregation der bebauten Fläche (BAFN) innerhalb jedes FN erfolgte mithilfe von Unterklassifizierungen der bebauten Fläche (Auflösung 100 m), die vom globalen Landbedeckungslayer46 (LC) des Copernicus-Landüberwachungsprogramms bereitgestellt wurden. Die LC-Schicht wurde aus nativen Satellitenbildern mit einer Auflösung von 10 m abgeleitet und lieferte uns eine deutlich verbesserte Darstellung der bebauten Fläche im Vergleich zu den aktuellen Methoden, die eine Landbedeckungsklassifizierung mit gröberer Auflösung verwenden. Die Verwendung vorgefertigter Landbedeckungsklassifizierungen trug auch dazu bei, den Informationsverarbeitungsaufwand zu reduzieren, der mit der manuellen Klassifizierung von Petabytes an Satellitenbildern verbunden ist.

Es ist wichtig hervorzuheben, dass die BAFN-Schichtaggregationen neben Straßen, Grünflächengrenzen, Fußwegen, Parkplätzen usw. auch Gebäude enthalten. Diese zusätzlichen bebauten Strukturen sind für die aktuelle Analyse nicht relevant und können in geringer Entfernung erhebliche BAFN-Flächen belegen. Dichte bebaute Umgebung. Methodische Unsicherheiten können auch aufgrund der Heterogenität versiegelter Landschaften und aufgrund von Fehlklassifizierungen aufgrund ähnlicher spektraler Signaturen anderer gebauter Strukturen auf dem Boden entstehen. Bei einem globalen ROI machen diese Fehler jedoch nur einen sehr geringen Prozentsatz der Bodenwahrheit aus. Dies unterstreicht die Notwendigkeit, die BAFN-Schicht global zu verkleinern, um eine harmonisierte Dachfläche genau darzustellen.

Um die BAFN-Schicht zu verkleinern, haben wir zunächst eine Teilmenge der globalen FN generiert, die die tatsächlichen Gebäudegrundrisse40,42 (BFFN), die Straßenlänge56 (RLFN) und die Bevölkerungszahl57 (PPLNFN) enthält. Zur Berechnung der Gebäudegrundrisse (abgeleitet aus Microsoft AI-, Ecopia AI- und Open Street Map-OSM-Datensätzen) haben wir einzelne Gebäudegrundrisse basierend auf FN-Zellen, die die einzelnen Gebäude überlappen, aggregiert, um einen einzelnen Gebäudegrundrissflächenwert pro FN zu generieren (Abb. 2). . Insgesamt wurden 37.115 km2 Gebäudegrundfläche und 11,4 Millionen km2 der gesamten Landfläche von unseren Stichproben-FNs abgedeckt, was mehr als 300 Millionen einzelne Gebäude ausmacht, die von kleinen Außenschuppen bis hin zu Megafabriken reichen. Die Gebäudeproben lieferten uns auch eine Vielzahl von Gebäudetypen in verschiedenen Regionen, die ein breites Spektrum sozioökonomischer Entwicklungsstadien abdecken. Diese globalen Stichprobensätze (Abb. 3a, Ergänzungstabelle 1) stellen eine deutliche Verbesserung gegenüber der vorherigen Literatur dar, in der häufig eine enge Stichprobenstrategie auf Stadt-/Länderebene angewendet wird. Durch die Verwendung heterogener globaler Gebäudestichproben ist die Gesamtanalyse resistenter gegen Generalisierungsfehler, die durch die übermäßige Abhängigkeit von einer kleinen Menge ähnlicher bebauter Landschaften entstehen.

a Das Bild zeigt ein Gebiet über New York, USA. Die Gitterlinien sind die geografischen Grenzen von Fischnetzzellen (FN), wobei jede Zelle eine Größe von 10 km2 hat. Der rote Bereich innerhalb jeder FN ist die bebaute Fläche (BAFN). b Die grünen Bereiche im Bild stellen die unbebaute Geographie im Jahr 2015 dar, während die roten Bereiche BAFN als 100 m2 große Blöcke darstellen. Jeder Block hat einen Wert von 0–100 %, basierend auf dem Prozentsatz der bebauten Fläche in einem Block. c Die schwarzen Polygone sind die Gebäudegrundrisse (BFFN), die aus großen Datenquellen innerhalb eines Beispiel-FN abgeleitet wurden. Die blauen Linien sind die Straßen (RLFN) innerhalb des Beispiel-FN, während weiße Bereiche leere Flächen darstellen, die in unserer Analyse nicht verwendet werden. d Das Bild stellt die vier Hauptkategorien von Objekten dar, die in jedem Beispiel-FN vorhanden sind. Die orangefarbenen Bereiche sind die BAFN-Blöcke, wobei rote Bereiche die tatsächlichen Gebäude darstellen, gelbe Linien Straßen darstellen und weiße Bereiche die Bereiche sind, die in unserer Studie nicht berücksichtigt wurden. Datennachweis: Copernicus GLC Landcover, Microsoft Building Footprints und Open Street Maps.

In unserer Studie wurde eine globale Verteilung der Stichproben-FN generiert. Microsoft AI-basierte Gebäudepolygone werden für die USA, Kanada und Tansania verwendet, Ecopia AI-abgeleitete Gebäudegrundrissflächen werden für die afrikanischen Länder verwendet. Für den Rest der Welt werden von OSM abgeleitete Gebäudepolygone verwendet, die insgesamt 4000 Beispiel-FNs repräsentieren. b Geografische Lage aller in unserer Analyse verwendeten globalen Straßen. Von OSM abgeleitete globale Straßen weisen eine nahezu globale Abdeckung auf, wobei jedes Pixel auf der Karte für jedes Straßenmerkmal innerhalb des Referenzlandes gilt. Datennachweis: Abb. 3b, © OpenStreetMap-Mitwirkende.

OSM stellt einen hochpräzisen Open-Source-Datensatz zur globalen Straßeninfrastruktur58 bereit, den wir für die Kartierung der Straßenlänge (RLFN) verwendet haben. Unser Beispieldatensatz zeigte eine Pearson-Korrelation von 0,95 (Abb. 4b) zwischen der Stichprobe des Gebäudegrundrisses und der Stichprobe der Straßenlänge. Es lässt sich beobachten, dass der Straßenausbau in der Praxis häufig mit einer steigenden Bevölkerungszahl und einem zunehmenden Gebäudebestand einhergeht. Die Straßenlänge wurde in keiner früheren Studie verwendet und wird die Genauigkeit der Herunterskalierung im Vergleich zu früheren Methoden erhöhen. Insgesamt haben wir mehr als 16 Millionen km Straßen für unsere Beispiel-FNs verarbeitet (Abb. 3b).

Die Verteilung von BAFN (bebaute Fläche) (a), RLFN (Straßenlänge) (b) und PPLNFN (Bevölkerung) (c) im Verhältnis zum BFFN (Gebäudegrundriss). Die Verteilungen haben eine Pearson-Korrelation von 0,97, 0,95 bzw. 0,72. Die Fehlerverteilung in der Vorhersage (d) hat eine Glockenform, wenn das trainierte Modell zur Vorhersage des Beispieldatensatzes verwendet wird. Jeder Balken gibt die Anzahl der FN an, die sich in jedem Fehlerbereich befinden. Die meisten Fehler liegen im Bereich von −0,25 bis +0,25 km2 pro FN, wobei die maximale Fehlergrenze bei ±5 km2 pro FN liegt. Das auf dem Modell des maschinellen Lernens basierende Downscaling-Modell hat eine ausreichende Genauigkeit bei der Vorhersage (e) mit einem R2 = 0,98 gezeigt. Jedes Kreuz stellt den vorhergesagten Wert jeder Stichproben-FN dar. Die Punktdichte ist bei niedrigen Werten höher, da der Großteil der Stichproben-FN kleinere bebaute Gebiete enthält und aufgrund der Größe der in dieser Studie verwendeten FN nur sehr wenige Großstädte abdecken.

Für unsere Aggregation der Bevölkerungszahl haben wir die hochauflösende gerasterte Bevölkerungszahl von WorldPop genutzt. Der hochauflösende Bevölkerungsdatensatz in Verbindung mit einer hochauflösenden BAFN-Schicht ermöglichte es uns, die Bevölkerungszahl für jedes unserer Stichproben-FN genau abzubilden. Frühere Studien auf Länder-/Regionalebene verwendeten Bevölkerungszahlen mit grober Auflösung (Auflösung von ≥ 1 km), was zu Ungenauigkeiten bei der Herunterskalierung aufgrund einer Überzählung der Bevölkerung in einem bestimmten FN führen kann.

Die Aggregation und Verarbeitung großer Datenmengen wie raumbezogener Gebäude- und Straßendatensätze erfordert eine sehr hohe Rechenzeit und erhebliche Hardwarekosten. Um diese Herausforderung zu meistern, haben wir die Cloud-Computing-Plattform von Google Earth Engine (GEE) verwendet, um eine Analyse im Planetenmaßstab durchzuführen. Dabei wurden die Datensätze basierend auf der geografischen Ausdehnung jedes FN in kleinere Rasterdateien aufgeteilt und schließlich zu einem einzigen Wert aggregiert (siehe „Methoden“) " Abschnitt). Es ist zu beachten, dass es der GEE-Plattform an der Verarbeitung von Vektordaten wie Gebäude- und Straßenpolygonen mangelt, für die wir die durch die Desktop-Software ArcGIS PRO ermöglichte Multi-Core-Verarbeitung genutzt haben. Diese Kombination aus GEE für Rasterdaten (PPLNFN, BAFN) und ArcGIS PRO für Vektordaten ermöglichte es uns, unsere Datensätze zu einem Bruchteil der Zeit und Kosten zu verarbeiten. Unseres Wissens nach ist dies der erste Versuch, zwei grundlegend unterschiedliche Serviceplattformen zur Bewertung globaler Potenziale zusammenzuführen, was für andere Ressourcenbewertungen auf globaler Ebene nützlich sein könnte. Links zu den Eingabedatensätzen und ihren Validierungsberichten sind in der Ergänzungstabelle 2 dokumentiert.

Als Nächstes verknüpften wir die aggregierten BAFN- und PPLNFN-Datensätze aus Top-Down-Methoden und verarbeiteten BFFN- und RLFN-Datensätze aus den Bottom-Up-Methoden mithilfe eines ML-Modells, das BAFN-, PPLNFN- und RLFN-Datensätze als unabhängige Variablen und BFFN als abhängige Variablen verwendet. Das ML-Modell trainiert anhand der Beziehung zwischen den unabhängigen und abhängigen Variablen für unsere Stichproben-FNs und schätzt die aggregierte Gebäudedachfläche für den Rest der Nicht-Stichproben-FNs, wodurch die BAFN-Schicht effektiv auf eine geschätzte Fläche verkleinert wird, die von Gebäudedächern eingenommen wird (BFEFN). . Für Datenlücken in der PPLNFN- und RLFN-Schicht verwendeten wir eine iterative Imputationsmethode, um fehlende Werte im Datensatz mithilfe mehrerer Regressionsläufe zu interpolieren.

In unseren Tests lieferte das auf dem XGboost-Algorithmus basierende ML-Modell eine bessere Genauigkeit (R2-Wert) und eine bessere Gesamtfehlerreduzierung (erheblich geringerer mittlerer absoluter Fehler) bei der Vorhersage von Beispieldaten im Vergleich zur multivariaten Regression (Ergänzungstabelle 3). Um die Überanpassung des ML-Modells zu reduzieren, wurde eine 10-fache Kreuzvalidierungsstrategie zur Optimierung der Hyperparameter verwendet, um das beste Modell zu generieren (siehe Abschnitt „Methoden“). Das ML-Modell schnitt gut ab (Abb. 4d, e) mit einem Fehler von ±4 km2 bei der Vorhersage der gesamten Gebäudegrundfläche pro 100 km2 FN, wobei die meisten Fehler zwischen ±0,25 km2 lagen. Außerdem wurde für eine Gesamtfläche von 37.000 km2 absoluter Gebäudegrundfläche in unseren Stichproben ein absoluter Fehler von insgesamt 4 km2 aufgezeichnet. Auf regionaler Ebene wurde für den asiatischen Raum eine leichte Linksschiefe/systematische Unterschätzung der Dachfläche beobachtet (ergänzende Abbildung 1). Am Ende des Downscaling-Schritts wird ein Datensatz mit 3.521.120 FN-Zellen generiert, wobei jede Zelle die aggregierte Gebäudedachfläche (BFEFN) enthält.

Die Umrechnung von Dachfläche in Solarpotenzial erfolgte unter Verwendung des Umrechnungsfaktors59 (CFFN) der Weltbank für Standorte zwischen 60°N und 45°S und deckte über 99% der Weltbevölkerung ab. Die CFFN-Schicht wird als gerasterter Rasterdatensatz bereitgestellt, der die erzeugten kWh pro installierter kWp-Leistung pro Tag darstellt. Den Standorten außerhalb der Breitengrade wurde ein konstanter CF-Wert von 3,5 kWh/kWp/Tag (Spitze) zugeordnet. Anschließend wurden die CFFN-Werte für jeden der zwölf Monate verwendet, um das monatliche Solarpotenzial pro FN (SPFN,M) zu generieren. Darüber hinaus haben wir monatliche technische Potenziale zu jährlichen technischen Potenzialen für jedes Land zusammengefasst, um eine globale RTSPV-Potenzialkarte zu erstellen, wie in Abb. 5 dargestellt. Um die mit dem technischen Potenzial verbundenen Kosten darzustellen, haben wir die LCOE-Metrik verwendet (siehe „Methoden“) " Abschnitt). Die Investitionsausgaben (CAPEX) liegen für insgesamt 17 Länder zwischen 840 und 3874 $ kW−1 der installierten Kapazität, während der Rest der Welt Durchschnittswerte für den jeweiligen Kontinent erhält. Die Betriebs- und Wartungskosten (OPEX) und Die Diskontsätze (DR) basierten darauf, ob es sich bei dem Land um ein OECD- oder Nicht-OECD-Land handelt. Für jedes FN wurden die LCOE-Kosten auf der Grundlage von CAPEX, OPEX, SP und DR mit einer Projektlaufzeit von 25 Jahren berechnet. Unsere Technologiekostendaten basieren auf IRENA2-Solar-PV-Kosten für Privathaushalte für 2019.

a Die geografische Verteilung des globalen technischen RTSPV-Potenzials, das in unserer Studie generiert wurde. Die wichtigsten Weltregionen sind im Bild hervorgehoben und es werden Daten zur gesamten geschätzten Dachfläche (RA), der installierten Kapazität (IC) und der potenziellen Erzeugung (POT) für jede Region bereitgestellt. Die globale Landmasse ist farblich in 11 potenzielle RTSPV-Bins unterteilt. Die saisonalen Schwankungen des aggregierten globalen Potenzials werden unten rechts hervorgehoben. b Die geografische Verteilung der in unserer Studie generierten LCOE-Werte auf der ganzen Welt, wobei die wichtigsten Länder in jeder Weltregion hervorgehoben werden. Für jedes hervorgehobene Land gibt es einen entsprechenden aggregierten LCOE-Wert für das gesamte Land. Die LCOE-Werte sind farblich in 14 Kostenklassen unterteilt. Kartengrenzdaten aus der Database of Global Administrative Areas (GADM: https://gadm.org).

Unsere Einschätzung zeigt ein globales technisches Gesamtpotenzial von 27 PWh pro Jahr, wobei Asien (13 PWh pro Jahr), Nordamerika (5,5 PWh pro Jahr) und Europa (3,6 PWh pro Jahr) den Großteil des Potenzials ausmachen gefolgt von Afrika (2,9 PWh pro Jahr) und Südamerika (1,7 PWh pro Jahr). Die Hotspots für das Potenzial konzentrieren sich weltweit in und um die dicht besiedelten Kernsiedlungen (Abb. 5a). Nahezu 20 % (5 PWh pro Jahr) des globalen Potenzials befinden sich in Gebieten mit hoher Bevölkerungsdichte (>1500 Einwohner/km2), wobei 55 % (15 PWh pro Jahr) des Potenzials auf Gebiete mit geringer Bevölkerungsdichte verteilt sind -dichte Gebiete (<500 Menschen/km2). Unter den Ländern haben China (4,3 PWh pro Jahr), die USA (4,2 PWh pro Jahr) und Indien (1,7 PWh pro Jahr) das höchste jährliche Potenzial (Tabelle 1). Aufgrund der Aggregationsmethodik des CF-Faktors ist beim jährlichen globalen Potenzial eine Abweichung von ±1 % zu beobachten (ergänzende Abbildung 2).

Obwohl die afrikanische Region über eine gute Sonneneinstrahlung verfügt, wird das RTSPV-Potenzial aufgrund des geringen Gebäudebestands als das drittniedrigste eingeschätzt. Unter den afrikanischen Regionen konzentriert sich das größte Potenzial auf die westafrikanische Region, gefolgt von der nordafrikanischen Region. Die kombinierten west- und nordafrikanischen Regionen haben mehr Potenzial als Indien, was die Bedeutung unterstreicht, die kostengünstiges RSTPV in zukünftigen Energiesystemen spielen kann. Zukünftiges Bevölkerungswachstum und ein entsprechender Anstieg des Gebäudebestands könnten das gesamte RTSPV-Potenzial für Afrika erhöhen. Sowohl nordamerikanische als auch europäische Regionen verfügen über ähnlich bewertete Dachflächen (~30.000 km2), doch Nordamerika verfügt aufgrund der höheren Sonneneinstrahlung während des Jahres, insbesondere in den Wintermonaten, über ein fast 1,5-mal größeres Potenzial als Europa.

Neben der räumlichen Variabilität aufgrund der Gebäudeverteilung am Boden wird auch eine saisonale Variabilität des RTSPV-Potenzials aufgrund der Variation der intrajährlichen Sonneneinstrahlung beobachtet. Die saisonale Variabilität des monatlichen globalen Potenzials liegt zwischen 1,84 und 2,61 PWh, wobei Dezember und Januar die Monate mit dem geringsten globalen Potenzial darstellen (Abb. 5a). Weltweit wird die höchste saisonale Variabilität der Potenziale oberhalb des 45. nördlichen Breitengrads beobachtet, der Europa, Russland, die USA und Kanada umfasst. Innerhalb der Regionen wird die höchste intrajährliche Variabilität der Potenziale (Abb. 6) in der westeuropäischen Region (EUW) mit monatlichen Potenzialen zwischen 94 und 255 TWh beobachtet. Es besteht eine Variabilität von ±40 % um das durchschnittliche monatliche Potenzial von 183 TWh in EUW, wobei das höchste monatliche Potenzial im Sommer und die niedrigsten monatlichen Potenziale im Winter beobachtet werden. Die geringste regionale intrajährliche Potenzialvariabilität wird in der westafrikanischen Region (AFW) mit monatlichen Potenzialen zwischen 97 und 119 PWh beobachtet. Es besteht eine Schwankung von ±1 % um das durchschnittliche monatliche Potenzial von 109 TWh in der AFW-Region, wobei das maximale monatliche Potenzial im Dezember und Januar beobachtet wird.

Die Heatmap stellt die monatliche Variabilität regionaler Potenziale dar. Die Werte in Klammern stellen das höchste monatliche Potenzial für die Region dar. Die farbcodierte Heatmap stellt % des maximalen monatlichen Potenzials der Region dar. Europa (EUW, EUE) weist eine hohe intrajährliche Variabilität des Potenzials auf, wobei das maximale Potenzial in den Sommermonaten ausgeschöpft wird. Auf der Südhalbkugel wird das maximale Potenzial in den Wintermonaten ausgeschöpft. Afrika West (AFW) weist die geringste Variabilität des monatlichen Potenzials auf.

Um die Kosten für die Erreichung der Potenziale zu analysieren, haben wir Angebotskostenkurven für sieben Weltregionen und auch auf aggregierter globaler Ebene erstellt (Abb. 7a). Nahezu 10 PWh pro Jahr (40 %) des globalen Potenzials können unter 100 $ MWh pro Jahr erreicht werden, wobei der Großteil des Potenzials unter 200 $ MWh pro Jahr realisiert wird (Abb. 7b). Auf globaler Ebene können mit einer Investition in Höhe von 10 % des globalen BIP-Werts von 2015 fast 40 % des Potenzials und mit einer Investition in Höhe von 30 % des globalen BIP-Werts von 2015 fast 100 % des globalen Potenzials erreicht werden realisiert werden (Abb. 7c). Wir haben festgestellt, dass sich das realisierbare Potenzial mit jeder weiteren Verdoppelung der Kapitalinvestitionen in RTSPV verdoppelt, bis das investierte Kapital 20 % des globalen BIP-Werts im Jahr 2015 entspricht. Eine Erhöhung der Investitionen von 20 auf 30 % des globalen BIP-Werts im Jahr 2015 erhöht das realisierbare Potenzial nur um 27 %, was die Bereiche angibt, in denen die Kosten für die Implementierung von RSTV sehr hoch sind. Diese Gebiete werden durch große Lager-/Industriekomplexe in Alaska und Kanada repräsentiert, wo die jährliche Sonneneinstrahlung gering ist und die Investitionsinvestitionen hoch sind, um die gesamten großen Dächer mit Solarpaneelen zu bedecken.

Regionale Versorgungskostenkurven (a), die das kumulative technische Potenzial für eine bestimmte LCOE-Behältergröße zeigen. Der absolute Anstieg der Balkenhöhe stellt die Änderung des zusätzlichen Potenzials dar, das in einem bestimmten LCOE-Bereich realisiert werden kann. Nahezu konstante Balkenhöhen für aufeinanderfolgende Behälter sind repräsentativ für ein sehr kleines zusätzliches Potenzial, das bei steigenden Kosten realisiert wird. Für einen einzelnen Balken stellt die Höhe des Balkens das kumulative Potenzial dar, das innerhalb eines bestimmten LCOE-Bandes realisiert werden kann. b Verteilung der Potenziale auf LCOE-Klassen mit einer Größe von 10 $/MWh. Die potenzielle Gewinnung ist in Asien am günstigsten, gefolgt von Afrika und Europa. c CAPEX-Investitionen, die erforderlich sind, um ein bestimmtes Gesamtpotenzial als Prozentsatz des globalen BIP im Jahr 2015 zu erreichen. Nahezu 50 % des globalen Potenzials können mit Investitionen erreicht werden, die 15 % des globalen BIP-Werts von 2015 entsprechen.

Auf globaler Ebene ist auch eine räumliche Variabilität der Stromgestehungskosten zu beobachten (Abb. 5b). Auf der Nordhalbkugel steigen die Stromgestehungskosten mit zunehmender Breite allmählich von 40 $ MWh−1 auf 280 $ MWh−1 an. Eine Ausnahme bildet hier Nordostchina, wo mit zunehmenden Breitengraden ein Rückgang der Stromgestehungskosten zu verzeichnen ist. Für Asien kann ein Großteil des Potenzials zwischen 40 und 100 $ MWh−1 realisiert werden, wodurch das RTSPV mit Technologien für fossile Brennstoffe konkurrenzfähig wird. Die Kosten zur Erreichung des länderspezifischen Potenzials sind in Indien mit 66 $ MWh−1 am niedrigsten im Vergleich zu China (68 $ MWh−1).

Für Europa, Afrika, Südamerika und die Inselstaaten kann ein Großteil des Gesamtpotenzials unter 180 $ MWh−1 realisiert werden. Innerhalb Europas weist Spanien mit 90 $ MWh−1 die niedrigsten Stromgestehungskosten auf, wobei bei der Entwicklung in die höheren Breiten ein steigender Kostentrend zu beobachten ist. Innerhalb jedes Landes der europäischen Region ist auch eine weitere Variabilität der Stromgestehungskosten zu beobachten, wobei einige Regionen günstigere Kosten verzeichnen als benachbarte Regionen auf dem gleichen Breitengrad. Im afrikanischen Raum kann der Großteil des Gesamtpotenzials zwischen 110 und 160 $ ​​MWh−1 realisiert werden. Innerhalb Afrikas haben Nigeria, Gabun und Kamerun die höchsten Kosten (rund 150 $ MWh−1), um ihr jeweiliges Potenzial auszuschöpfen.

In Nordamerika, Großbritannien und Japan waren die Kosten für die Realisierung des Potenzials am höchsten. Dies ist auf die hohen CAPEX-Kosten in den Ländern zurückzuführen, die aufgrund technologischer Innovationen und der Senkung der Einfuhrzölle in Zukunft voraussichtlich sinken werden. In Nordamerika weisen Kanada und die nordöstlichen Bundesstaaten der USA rund um die Großen Seen die höchsten Stromgestehungskosten auf. Die Kosten zur Ausschöpfung des Potenzials liegen in diesen Ländern zwischen 200 und 280 $ MWh−1. Großbritannien (251 $ MWh−1) hat die höchsten länderspezifischen Kosten, um sein Potenzial auszuschöpfen.

Weltweit variieren die für die Erschließung des Potenzials erforderlichen CAPEX sowohl in Bezug auf die Größe des BIP als auch in Bezug auf die LCOE-Werte (Abb. 8a). Um das volle Potenzial in ihren jeweiligen Ländern auszuschöpfen, müssten Länder mit niedrigem Einkommen selbst bei relativ niedrigen Stromgestehungskosten von 80 bis 150 $ MWh−1 Kapital investieren, das ein Vielfaches (bis zum 3,5-fachen) ihres BIP-Werts von 2015 beträgt hohe Vorlaufkosten. Bei ähnlichen LCOE-Werten können Länder mit hohem Einkommen (Einkommensklassifizierung der Weltbank) ihr volles Potenzial mit einer Kapitalinvestition erreichen, die einem Bruchteil (bis zur Hälfte) ihres BIP-Werts von 2015 entspricht.

eine Ungleichheit bei der Ausschöpfung des vollen Potenzials, wobei Länder mit niedrigem Einkommen Kapitalinvestitionen benötigen, die über ihrem jeweiligen BIP-Wert von 2015 liegen, um das volle Potenzial auszuschöpfen. b Verteilung von 32 Regionen in Bezug auf ihren relativen Ertragsfaktor und das BIP pro Kopf. Der rote Bereich konzentriert sich auf Länder, die derzeit einen hohen PV-Ausbau auf Dächern verzeichnen. Die grüne Region konzentriert sich auf Länder, in denen die Einführung der RTSPV-Technologie den größten Nutzen bringen wird.

Wir haben Länder anhand ihres Pro-Kopf-BIP (GDPC) und ihres Ertragsfaktors in Gruppen eingeteilt (Abb. 8b). In dieser Studie haben wir den Ertragsfaktor als das jährliche Potenzial definiert, das aus 1 TW installierter Leistung realisiert werden kann. Basierend auf dieser Kategorisierung haben wir herausgefunden, dass aufstrebende Volkswirtschaften wie Indien, Brasilien und Mexiko hohe Renditefaktoren (1,5–2) aufweisen, die den Einsatz von RTSPV in diesen Ländern begünstigen würden. Auch wenn der Unterschied zwischen den Stromgestehungskosten (LCOE) zwischen den beiden bevölkerungsreichsten Ländern (Indien und China) minimal ist, ist die Einführung der RTSPV-Technologie aufgrund der größeren Solarenergieausstattung und des hohen Ertragsfaktors in Indien im Vergleich zu China günstiger. Allerdings ist die Akzeptanz von RTSPV in diesen Ländern immer noch sehr gering, da es an Krediten mangelt und die hohen Vorabkosten des RTSPV-Systems nicht bezahlt werden können. Dies unterstreicht die Notwendigkeit einer globalen Zusammenarbeit, eines Technologietransfers und grüner Finanzinstrumente, um den Einsatz der kohlenstoffarmen RTSPV-Technologie in Ländern mit niedrigem und mittlerem Einkommen zu beschleunigen.

Die Studie zeigt, wie ein auf Big Data und einem ML-Modell basierendes Framework in Verbindung mit Cloud-Computing-Plattformen verwendet werden kann, um eine Ressourcenpotenzialbewertung auf globaler Ebene durchzuführen. Wir haben 130 Millionen km2 der globalen Landoberfläche analysiert, indem wir Erkenntnisse aus globalen Stichproben mit 300 Millionen Gebäuden und 16 Millionen km Straßen genutzt haben. Mithilfe der Google Earth Engine und eines ML-Modells haben wir 1,2 Millionen km2 der bebauten Fläche abgegrenzt, darunter 0,2 Millionen km2 Dachfläche. Im Rahmen der Bewertung haben wir (1) einen globalen Datensatz für Dachflächen, (2) einen globalen RTSPV-Potenzialdatensatz mit monatlicher zeitlicher Auflösung und (3) Kosten für die Erreichung des technischen Potenzials erstellt. Die Datensätze wurden weiter genutzt, um hochauflösende globale Karten der Potenziale und Kosten zu erstellen. Darüber hinaus haben wir den aktuellen Stand der Technik weiterentwickelt, indem wir die Top-Down- und Bottom-Up-Ansätze auf globaler Ebene kombiniert haben, um einen hybriden Rahmen für die Ressourcenpotenzialbewertung zu entwickeln, der auch zur Weiterentwicklung der Bewertung globaler Wind- und Bioenergiepotenziale eingesetzt werden kann. Die Bewertung zeigt, dass auf globaler Ebene ein beträchtliches RTSPV-Potenzial von 27 PWh pro Jahr besteht, das bei Kosten zwischen 40 und 280 $ MWh-1 erreicht werden kann. Das Potenzial ist in Asien am höchsten, gefolgt von Nordamerika und Europa. Bei aktuellen Preisen ist eine Kapitalinvestition von rund 7 Billionen Dollar erforderlich, um eine globale RTSPV-basierte Stromerzeugung von 10 PWh pro Jahr unter den Stromgestehungskosten von 100 $ MWh-1 zu erreichen und 3,72 Milliarden Menschen weltweit zu versorgen.

Auf regionaler Ebene der EU-27 entspricht unsere geschätzte Dachfläche von 7596,4 km2 den im Bericht von Bodis et al. berechneten 7935 km2. Studie unter Einbeziehung eines Dachskalierungsfaktors von 0,3. Für die USA lassen sich unsere geschätzte Dachfläche und unser jährliches Potenzial von 8827 km2/1,9 PWh pro Jahr gut mit den Schätzungen von 8130 km2/1,4 PWh pro Jahr vergleichen, die in der Studie von Gagnon et al. vorgelegt wurden. Studie unter Einbeziehung eines Dachskalierungsfaktors von 0,32. Auf städtischer Ebene stimmt unser Potenzial von 1 TWh pro Jahr mit dem Wert von 1 TWh pro Jahr überein, der in einer Studie von Hong et al.36 berechnet wurde, in der sie mithilfe einer erweiterten Hillshading-Analyse die Auswirkungen von durch Gebäude verursachten Schatten erfasst haben eine dichte städtische Topographie. Ein detaillierter Vergleich unserer Ergebnisse auf globaler/regionaler/Länder- und Stadtebene mit ausgewählten Forschungsarbeiten ist in der Ergänzungstabelle 7 dokumentiert. Aus dem Vergleich mit anderen Studien können wir schließen, dass die Ergebnisse unseres Rahmenwerks eine hohe Glaubwürdigkeit aufweisen, da sie innerhalb der Marge liegen Fehler der in der Literatur vorhandenen Werte. Darüber hinaus führt die gute Schätzgenauigkeit unseres Frameworks bei hoher räumlicher Auflösung zu höheren Genauigkeiten bei aggregierten niedrigeren Auflösungen.

Unsere Einschätzung hat wichtige Implikationen für die Bewältigung der beiden Herausforderungen der nachhaltigen Entwicklung und des Klimawandels mit zusätzlichen Vorteilen bei der Förderung von SDG 3 und SDG 7. Erstens zeigt die in dieser Studie vorgestellte Analyse des räumlichen RTSPV-Potenzials, dass 55 % des globalen RSTPV-Potenzials vorhanden sind über Gebiete mit geringer Bevölkerungsdichte verteilt. Dies unterstreicht einen wichtigen Aspekt der Solarwende, bei der die meisten Vorteile bei der Bereitstellung kostengünstiger und schnell einsetzbarer Elektrizität in ländlichen Gebieten realisiert werden können. RTSPV kann somit dazu beitragen, die Energiearmut zu lindern, die in den weniger entwickelten und dünn besiedelten Gebieten eines Landes herrscht, in dem eine umfassende Netzintegration kostspielig sein kann oder in dem möglicherweise Konkurrenz um Land besteht. Fast 20 % des globalen Potenzials liegen in Gebieten mit hoher Bevölkerungsdichte, in denen der Einsatz von RTSPV dazu beitragen kann, Strom aus fossilen Brennstoffen durch eine weniger umweltschädliche Stromerzeugung zu ersetzen und so die lokale Luftverschmutzung zu verringern60. Zweitens sind aus der Perspektive der Energiegleichheit und der „Niemanden zurücklassen“-Agenda der SDG die einkommensschwachen Länder3, die den schnellen und kostengünstigen Einsatz einer sauberen Stromerzeugung benötigen, die am stärksten benachteiligten Gebiete im Hinblick auf den Zugang zu Elektrizität Infrastruktur. Unsere Einschätzung zeigt, dass Länder mit niedrigem Einkommen möglicherweise erhebliche Kapitalinvestitionen benötigen, da hohe Vorlaufkosten für die RTSPV-Installation in der Größenordnung des Zwei- bis Dreifachen ihres BIP-Werts von 2015 anfallen, um ihr länderspezifisches Potenzial auszuschöpfen. Angesichts der aktuellen Kosten müssen Regierungen möglicherweise Subventionen bereitstellen und externe Investitionen anstreben, um die Aussichten für den Einsatz von RTSPV in diesen Gebieten zu verbessern. Dies unterstreicht die entscheidende Rolle, die die entwickelten Volkswirtschaften dabei spielen können, den Einsatz von RTSPV in diesen Ländern durch Finanzströme zu ermöglichen, um die positiven Auswirkungen des Klimawandels zu realisieren. Mit der Weiterentwicklung der Technologie und dem Aufkommen von Skaleneffekten werden die Kosten weiter sinken, um eine solare Revolution in diesen Gebieten zu ermöglichen und zu ihrer kohlenstoffarmen Energiezukunft beizutragen.

Drittens sind Länder wie Indien und China, die derzeit ihre demografischen Dividenden ernten, besser für eine schnelle Einführung von RTSPV geeignet. Wir haben gezeigt, dass diese Länder über ein hohes Potenzial mit geringer saisonaler Potenzialschwankung und geringen Einsatzkosten verfügen. Da diese Länder weltweit über den größten Bevölkerungsanteil und große Gebäudebestände verfügen, können sie Vorreiter bei der Dekarbonisierung ihrer Stromerzeugungsinfrastruktur sein, indem sie im Wesentlichen ein dezentrales Stromerzeugungsportfolio aufbauen und so zur Eindämmung des Klimawandels beitragen. Neben der Eindämmung des Klimawandels kann der RSTPV-Einsatz in diesen Ländern durch den hohen Anteil an Arbeitskräften in der Bevölkerung in Form einer kostengünstigen Herstellung und betrieblichen Wartung erheblich profitieren. Viertens kann die hochauflösende Bewertung den lokalen Regierungen dabei helfen, geeignete Standorte für den schnellen Aufbau der Energieerzeugungsinfrastruktur zu identifizieren. Auf diese Weise kann die Bottom-up-Formulierung der Energiepolitik zu einer integrativen Gestaltung landesweiter Politiken führen, um den Bürgern Energiegerechtigkeit zu bieten. Fünftens können Unternehmen und Finanzinstitutionen wie die Weltbank und der Internationale Währungsfonds die Investitionsmöglichkeiten und -risiken bei der Implementierung von RSTPV-Infrastrukturen, die zur Schaffung lokaler Arbeitsplätze und zur nachhaltigen Entwicklung der Fertigungsindustrie führen, eingehend analysieren. Sechstens stellen die in der Bewertung enthaltenen Informationen zusammen mit den Angebotskostenkurven einen messbaren Fortschritt dar und schließen eine erhebliche Informationslücke, die in aktuellen integrierten Bewertungsmodellen besteht, in denen Solar-PV-Potenziale häufig als aggregierte Potenziale für Versorgungs- und Dachanlagen dargestellt werden. Unsere Bewertung liefert aufschlussreiche Erkenntnisse und technische Potenzialdatensätze, die sicherlich dabei helfen werden, die zukünftigen CO2-neutralen Szenarien genau zu modellieren und so die nationale Energiepolitik zu informieren61,62,63,64,65,66. Dies wird zweifellos dazu beitragen, nachhaltige und integrative Zukunftsmöglichkeiten mit geringem CO2-Ausstoß zu erkunden.

Unsere Studie zeigt eine ausgeprägte Variabilität der saisonalen Potenziale in den höheren Breiten für Länder, die Europa, Nordamerika und Australien abdecken. Diese Regionen haben einen hohen Stromverbrauch pro Kopf und sind finanziell in der Lage, erhebliche VRE in den Stromerzeugungsmix einzuführen. Um die Schwankungen der Potenziale im Laufe des Jahres abzumildern, werden intelligente Netze, die das Erzeugungsportfolio optimieren, und die Einführung regulierungsgesteuerter Mechanismen, die den Erzeugungsmarkt ausgleichen, wichtig. Darüber hinaus ist die Einführung neuer Marktmechanismen67 erforderlich, um Prosumer und Versorgungsbetreiber effektiv in wettbewerbsorientierte Stromerzeugungsmärkte zu integrieren. Angesichts sinkender Preise für Stromspeichertechnologien und einer intelligenten Verwaltung verbundener Netze wird die RSTPV-Technologie in diesen Märkten eine entscheidende Rolle spielen, indem sie die Rolle der Erzeugung, Speicherung und des Systemausgleichs übernimmt.

Zusammenfassend zeigt unsere Bewertung, dass das aktuelle Stromerzeugungspotenzial von RTSPV den aktuellen (2018) jährlichen aggregierten globalen Strombedarf übersteigt68. Unsere Einschätzung zeigt auch, dass mindestens 50 % der gesamten globalen Dachfläche erforderlich sind, um den jährlichen weltweiten Gesamtstrombedarf zu decken. Aufgrund der Tageszyklen der Sonneneinstrahlung und zum Ausgleich der saisonalen und täglichen Schwankungen der RTSPV-Stromerzeugung ist die Rolle von Speicherlösungen zur Ergänzung der RTSPV-Stromerzeugung von entscheidender Bedeutung, um das maximale Potenzial dieser Technologie auszuschöpfen und den täglichen Spitzenbedarf zu decken. Daher wird das praktisch realisierbare Potenzial von RTSPV von der zukünftigen Kostenentwicklung der Speichertechnologien, den mit der Technologie verbundenen Investitionsausgaben und der Gesamtkonfiguration des Energiesystems abhängen.

Trotz ihrer Einschränkungen und Unzulänglichkeiten entspricht die aktuelle Bewertung immer noch dem neuesten Stand der Technik und stellt Forschern globale Analysedatensätze zur Verfügung. Die zugrunde liegenden Methoden und Datensätze wurden einem Peer-Review unterzogen und sind von höchster derzeit verfügbarer Qualität. Sie stellen einen Generationsfortschritt gegenüber den Datensätzen dar, die in den aktuellen Methoden des Standes der Technik verwendet werden. Der aktuelle Datensatz kann durch die Verwendung eines Landbedeckungsdatensatzes der nächsten Generation mit einer Auflösung von 10 m und durch eine Erhöhung der räumlichen Auflösung der Bevölkerungs- und Sonnendaten auf globaler Ebene verbessert werden. Bessere Datenverarbeitungsplattformen können es ermöglichen, weitere Arbeiten mit einer Auflösung von 1 km durchzuführen und so die räumliche Darstellung der Potenziale um das Hundertfache zu steigern. Darüber hinaus werden Eingaben in Form einer realistischen regionalen Variation der Dachverfügbarkeit dazu beitragen, die Unsicherheit in Bezug auf Potenziale und Kosten einzugrenzen, und sollten der nächste logische Forschungsschritt bei der Modellverbesserung sein.

Mit der ArcGIS PRO-Desktopanwendung haben wir insgesamt 3.521.120 Fischnetze für die gesamte globale Landmasse mit Ausnahme des Kontinents Antarktis generiert. Das FN-Gitter ist die unterste Einheit der Datenaggregation in unserer Methode. Die FNs an der Grenze zweier Länder haben eine gemeinsame Netzkennung, aber eine eindeutige Länderzuordnung, wobei die FNs an der Grenze geteilt werden. Als nächstes wurden die Netzpolygone auf die Google Earth-Engine-Plattform69 (GEE) hochgeladen, um die satellitengestützte bebaute Fläche (BAFN), die Bevölkerung (PPLNFN) und die Umrechnungsfaktoren (CFFN) für jede Netzzelle zu berechnen.

Wir haben die globale Landbedeckungsschicht (LC) von Copernicus Global Land Service v2.0 verwendet, um die BAFN-Werte innerhalb jedes FN zu berechnen. Diese Landbedeckungsklassifizierungsschicht wurde aufgrund ihrer Robustheit und nahezu globalen Abdeckung ausgewählt und wird durch umfassende Tests und Validierungen gestützt. Die LC verfügt über viele Klassifikationskategorien, darunter auch die bebaute Fläche. Die aufgebaute Klassifizierung wird wiederum aus der Schicht „World Settlement Footprint 2015“ der Europäischen Weltraumorganisation abgeleitet, die aus den Radar- und optischen Bildern einer Sentinel-Mission mit 10 m Auflösung abgeleitet ist. Um die gesamte bebaute Fläche in jeder Netzzelle zu berechnen, wurde die LC-Rasterdatei zunächst auf der Grundlage der geografischen Grenzen jedes Netzes in kleinere Größen zerschnitten. Der individuell geschnittene LC-Datensatz wurde dann wie folgt aggregiert:

Dabei ist BAFN die bebaute Fläche in jeder Netzzelle, PXV der Pixelwert (0–100), der den Prozentsatz der bebauten Fläche in jedem Pixel darstellt, und PXA die von jedem Pixel eingenommene Fläche.

Um die Anzahl der in jeder Netzzelle lebenden Menschen abzubilden, verwendeten wir eine vom WorldPop-Projekt bereitgestellte globale Bevölkerungsrasterdatei mit einer Auflösung von 100 m. Das Bevölkerungsraster disaggregiert die erfassten Bevölkerungszahlen der Vereinten Nationen in einer Verwaltungseinheit mithilfe einer ML-basierten Methodik zu einer feineren Auflösung. Die Bevölkerungsrasterdatei wurde basierend auf den geografischen Grenzen jeder Netzzelle in kleinere Einheiten aufgeteilt. Anschließend wird eine Maskierungsdatei mit den von der LC-Schicht abgedeckten Bereichen innerhalb jeder Netzzelle verwendet, um die Population außerhalb der Grenzen des BAFN-Bereichs in jedem Netz zu maskieren. Der einzelne Datensatz einer kleinen Population wurde für jede Netzzelle wie folgt aggregiert:

Dabei ist PPLNFN die Gesamtzahl der in jedem Fischnetz lebenden Menschen und PX(NM)V der Pixelwert jedes Pixels, der nicht durch die Overlay-LC-Schicht maskiert wird. Die Bevölkerungsrasterdatei wurde maskiert, um alle Bevölkerungszahldaten zu entfernen, die nicht Teil des LC-Pixels sind. Die maskierten Populationsrasterpixel können auf Artefakte zurückgeführt werden, die durch den Herunterskalierungsalgorithmus im Originaldatensatz verursacht wurden, oder auf zusätzliche bebaute Bereiche, die außerhalb der LC-Schicht lagen. Um die Homogenität in der Analyse zu gewährleisten, wurde die LC-Schicht als Grundlage für alle Analysen genommen und es wurde davon ausgegangen, dass jeder Bereich, der nicht durch (BAFN) abgedeckt ist, am Boden nicht vorhanden ist, selbst wenn er tatsächlich als Bodenwahrheit existiert.

Die CF-Faktoren wurden mithilfe der SolarGIS-Rasterdatensätze der Weltbank berechnet. Der Datensatz wird als Rasterdatensatz mit einer Auflösung von 1 km bereitgestellt, wobei jedes Pixel eine tägliche kWh-Erzeugung für jede installierte kWp-Leistung (Spitze) innerhalb dieses Pixels mit einer monatlichen Auflösung liefert. Der Datensatz wurde mithilfe einer umfassenden Simulation und Validierung der Sonneneinstrahlung, der Stromumwandlungsverluste, der Auswirkungen der Atmosphäre und der Panelalterung unter Verwendung dokumentierter Daten aus 20 Jahren erstellt. Für jede Netzzelle wurden die CF-Faktoren wie folgt aggregiert:

Dabei ist CFM,FN der CF-Faktor für jeden Monat für jedes FN, n die Anzahl der CF-Pixel im FN und PXV der Pixelwert jedes Pixels in der geografischen FN-Grenze. Alle drei Datensätze (PPLNFN, CFFN, BAFN) und FN-Geometrien wurden zunächst in der ArcGIS Pro-Desktopanwendung verarbeitet, um Koordinatenreferenzsysteme zu harmonisieren, und dann zur Verarbeitung auf die GEE-Plattform hochgeladen. Auf GEE haben wir die Datensätze basierend auf einzelnen FN-Geometrien aufgeteilt und die drei Datensätze basierend auf den oben hervorgehobenen Regeln aggregiert. Die Cloud-Computing-Architektur von GEE kann eine große Anzahl von Datensätzen in relativ kurzer Zeit verarbeiten und gibt einen tabellarischen Datensatz zur weiteren Verarbeitung aus.

Um Ground-Truth-Gebäudegrundrisse zu generieren, haben wir Gebäudepolygonformen als Vektorebenen aus großen Datenquellen gesammelt. Für Gebäudegrundrissproben verwendeten wir KI-generierte Gebäudegrundrisse von Microsoft AI- und Ecopia AI-Teams. Diese beiden Datensätze decken die gesamten USA, Kanada und 39 afrikanische Länder ab. Die Stichproben von Microsoft AI und Ecopia AI (>300 Millionen einzelne Gebäude) wurden basierend auf der FN-Schicht für jede FN-Zelle, die die Stichprobenländer überlappt, aufgeteilt und weiter maskiert, um Gebäudegrundrisse außerhalb der BAFN-Schicht zu entfernen. Die nicht maskierten Gebäudegrundrisse wurden auf der Grundlage von Folgendem aggregiert:

Dabei ist BFFN der aggregierte Gebäudegrundriss für jedes Stichproben-FN und BP(NM)V der unmaskierte Polygonbereich des einzelnen Gebäudegrundrisses innerhalb des FN, der die BAFN-Schicht überlappt. Durch die Maskierung wurden Gebäude entfernt, die nach dem Referenzjahr 2015 errichtet wurden. Obwohl die BAFN-Schicht die gesamte Ausdehnung des bebauten Gebiets weltweit abdeckt, kann sie aufgrund von Artefakten in Satellitenbildern dennoch einige bebaute Gebiete übersehen. Dies ist jedoch vernachlässigbar und wird für den Zweck unserer Studie als Referenzebene für unsere Analyse betrachtet. Überlappende Gebäudegrundrisse wurden vor der Teilung in ein einzelnes Polygon aufgelöst und Polygone, die von einer FN-Grenze geschnitten wurden, wurden an der Schnittlinie aufgeteilt. Für den Rest der Welt wurden die von OSM abgeleiteten Gebäudegrundrisse (abgerufen im April 2020) auf der Grundlage von Gl. analysiert und aggregiert. (4). Aus dem OSM-Gebäudedatensatz wurden insgesamt 4000 globale FN-Proben ausgewählt. Die Stichprobenstrategie zur Generierung der 4000 OSM-Proben bestand darin, Gebäude zu extrahieren, die an FNs gebunden sind und ein BFFN/BAFN-Verhältnis zwischen 0,15 und 0,11 aufweisen. Diese Verhältnisse entsprechen dem 75. Perzentil und dem 50. Perzentil der Daten, die aus Microsoft AI- und Ecopia AI-Datensätzen verarbeitet wurden. Insgesamt konnten wir erfolgreich Proben aus fast allen Ländern der Welt sammeln, die verschiedene Stadien der sozioökonomischen Entwicklung, der kulturellen Verbreitung und der geografischen Lage abdeckten.

Die Straßenlängenmetrik wurde vollständig aus den OSM-Datensätzen abgeleitet. Zur Verarbeitung des RL-Datensatzes wurde die Planetendatensatzdatei von OSM (abgerufen im April 2020) verwendet. Die Planetendatei enthält Straßen, die in Form von Linien dargestellt werden, die den verschiedenen Typen zugeordnet sind, z. B. Wohngebiet, Autobahn, Fußweg usw. Das Linienmerkmal wurde basierend auf jedem globalen FN aufgeteilt, mit der BAFN-Ebene maskiert und basierend auf Folgendem aggregiert:

Dabei ist RLFN die aggregierte Straßenlänge für jedes globale FN und L(NM)V die individuelle Länge aller Straßen innerhalb jeder FN-überlappenden BAFN-Schicht. Während der Aggregation des RLFN-Datensatzes wurde beobachtet, dass sich Straßenendpunkte im OSM-Datensatz an einigen Stellen überlappten. Diese Überlappungen wurden vor der Aggregation in einzelne Linienmerkmale aufgelöst. Außerdem erstrecken sich einige Straßen innerhalb jedes FN über die BAFN-Schicht hinaus. Diese Straßen wurden an der BAFN-Grenze abgeschnitten, um für alle in der Analyse verwendeten Datensätze eine homogene Ausdehnung der interessierenden Region aufrechtzuerhalten. Insgesamt ist es uns gelungen, die Straßeninfrastruktur für nahezu alle Länder der Welt abzuwickeln.

Das Laden, Teilen und die Geometrieverarbeitung für die Gebäudegrundrisse und die Straßenlinien wurden mithilfe der Multicore-Unterstützung von ArcGIS PRO durchgeführt. Die Aggregation der Datensätze und die Zuordnung des aggregierten Datensatzes zu FN-Grenzen erfolgte mithilfe benutzerdefinierter Python-Skripte, die auf dem parallelen Rechenmodul DASK70 basierten. Aufgrund der schieren Größe der verarbeiteten Daten haben wir herausgefunden, dass in den letzten Jahren entwickelte Multicore-Architekturen und Parallel-Computing-Frameworks bei der Gestaltung und Durchführung von Analysen auf globaler Ebene mit minimalem Kosten- und Zeitaufwand von großem Nutzen sein können.

Wir haben Cloud-Computing in Form der Google Earth Engine-Plattform genutzt. Im Allgemeinen wurde die Parallelisierung der Datenverarbeitung auf vier Arten durchgeführt, zunächst durch die Disaggregation globaler Rasterdatensätze und die Zuordnung der aggregierten Werte zu unseren globalen FNs. Wir haben diese Aufgabe für 12 monatliche Sonnen-Raster, 1 Landbedeckungs-Raster und schließlich für das globale Bevölkerungs-Raster durchgeführt. Hier haben wir alle Rasteralgebra- und Mapping-Codes auf Google Earth Engine ausgeführt, wobei die Backend-Datenverarbeitung in mehrere parallele Streams aufgeteilt und auf der Google Cloud-Infrastruktur ausgeführt wurde. Dies führte zu einer Beschleunigung der Datenverarbeitung, da die Rasteralgebra in ihrer Ausführung hochgradig parallel ist und jede Rasterzelle unabhängig bearbeitet werden kann. Zweitens, wenn globale Vektordatensätze disaggregiert und die aggregierten Werte unseren globalen FNs zugeordnet werden. Zum Zeitpunkt der Erstellung dieses Artikels war Google Earth Engine bei der Durchführung von Vektoranalysen weniger effizient. Der Grund dafür ist, dass Vektordatensätze anstelle einer parallel berechenbaren Pixelrasterfläche spezielle Algorithmen benötigen. Hier haben wir die Multi-Core-Parallelverarbeitungsarchitektur von ARCGIS Pro genutzt, bei der Vektordatensätze in Form von Gebäudegrundrissen und Straßen effektiv verarbeitet werden können, indem die Karte in verschiedene Regionen aufgeteilt und jede Region auf einem einzigen Kern verarbeitet wird. Diese Aufgabe wird im Backend mit Apache Spark ausgeführt. Drittens, wenn Daten in einer Desktop-Python-Umgebung aggregiert und bearbeitet werden. Große Teile der Datenverarbeitung, von der Berechnung von Dächern bis hin zu Stromgestehungskostenberechnungen, wurden mit dem DASK-Framework durchgeführt. In diesem Rahmen können Datenrahmen in kleine Blöcke zerlegt und parallel verarbeitet werden. Dadurch konnten wir die Bearbeitungszeiten deutlich verkürzen. Viertens beim Training des ML-Modells. Auf Python wurden benutzerdefinierte Skripte geschrieben, um parallel eine Hyperparameteroptimierung und eine 10-fache Kreuzvalidierung durchzuführen. Jedes der 10-fachen der Kreuzvalidierung wurde dem unabhängigen Kern unserer 12-Kern-Maschine zugewiesen, was zu einer schnelleren Konvergenz der Hyperparameter zu einer optimalen Lösung führte.

Das ML-Modell wurde auf PPLNFN, RLFN, BAFN als unabhängige Variablen und BFFN als abhängige Variable für jede Stichproben-FN trainiert. Der erste Schritt bei der Modellvorbereitung bestand darin, die fehlenden Daten in den unabhängigen Variablen zu imputieren. Die Imputationen sind notwendig, da für einige FNs aufgrund des globalen Maßstabs der Analyse entweder Bevölkerungs- oder Straßenlängendaten fehlen. Diese Diskrepanz wird erwartet und ist darauf zurückzuführen, dass OSM-Straßen nicht für jede Straße auf dem Planeten kartiert werden, und auch aufgrund der Downscaling-Methode, die WorldPop bei der Erstellung des ursprünglichen Bevölkerungsrasters verwendet hat.

Die Datenimputation wurde mithilfe eines benutzerdefinierten Python-Skripts unter Verwendung der iterativen Impute-Funktion des Scikit-Learn71-Moduls durchgeführt. Darüber hinaus haben wir das Downscaling-Modell mit dem XGBoost72-Framework generiert. Bei der Wahl zwischen einem auf neuronalen Netzwerken basierenden Framework oder einem Gradient-Boosting-Framework haben wir Letzteres verwendet, da das XGBoost-Framework eine überlegene Leistung gezeigt hat und gleichzeitig deutlich weniger Rechenzeit benötigt, um einen optimalen Modellzustand zu erreichen. Da das XGBoost-Framework auf einer reinen CPU-Architektur ausgeführt wird, kann es bei jedem weiteren Durchlauf wiederholbare Ergebnisse generieren, was auf einem GPU-basierten Framework wie Neural Networks aufgrund der inhärenten Unsicherheit, die durch die massive parallele Rechenarchitektur einer GPU verursacht wird, schwierig zu erreichen ist .

Das Basis-XGBoost-Modell wurde für unsere Aufgabe angepasst, indem die Parameter des Modells mithilfe einer fünffachen Kreuzvalidierung hyperoptimiert wurden. Jede Falte der Kreuzvalidierung erzeugte am Ende ihres Laufs eine Verlustmetrik des mittleren quadratischen Fehlers (MSE). Der Mittelwert aller fünf MSE wurde als zu reduzierende Metrik während des Hypertuning-Prozesses gewählt (endgültige Modellparameter sind in der Ergänzungstabelle 1 enthalten). Das trainierte Modell wurde dann verwendet, um die Gebäudegrundrisswerte für jede globale FN-Zelle unter Verwendung der PPLNFN-, RLFN- und BAFN-Werte zu schätzen. Die endgültige Ausgabe der Herunterskalierung (BFEFN) wurde als globale Rasterdatei mit einer Auflösung von 10 km gespeichert, wobei jedes Pixel den geschätzten aggregierten Gebäudegrundriss für jedes FN darstellt.

Um das RTSPV-Potenzial aus BFEFN zu berechnen, haben wir einige verallgemeinernde Annahmen getroffen, um die Einheitlichkeit unserer Berechnungen zu gewährleisten. Wir gingen davon aus, dass die geschätzte Gebäudegrundfläche repräsentativ für die verfügbare Dachfläche in jedem FN ist, d. h. 100 % der geschätzten Dachfläche stehen für die Installation von Solarmodulen zur Verfügung. Um 1 kWp Solar-PV auf dem Dach zu installieren, sind 10 m2 Dachfläche erforderlich, was der derzeit verwendeten Dünnschichttechnologie entspricht. Die auf dem Dach montierte Solar-PV wird im optimalen Winkel für jeden Breitengrad installiert und ist der Sonne zugewandt und schattenfrei, um maximale Stromleistung zu erzeugen. Die Gebäudedächer sind flach gestaltet, sodass die gesamte Dachfläche für die Installation von Sonnenkollektoren genutzt werden kann.

Basierend auf den Annahmen, d. h. 10 m2 Fläche für ein 10 % effizientes Panel, wird das technische Solarpotenzial für alle globalen FNs für 12 Monate wie folgt berechnet:

Dabei ist SP das technische Solarpotenzial, BFEFN die geschätzte Dachfläche in m2, CF der Umrechnungsfaktor, M der Monat und FN die eindeutige Netzzelle sowie DaysM die Anzahl der Tage im jeweiligen Monat. Die solaren Umrechnungsfaktoren der Weltbank sind für Regionen zwischen 60°N und 45°S verfügbar. Für Regionen jenseits von 60°N und 45°S haben wir einen konstanten Umrechnungsfaktor von 3,5 kWh/kWp/Tag angenommen. Dies hat zu einer leichten Überbewertung des Potenzials für Länder wie Schweden und Norwegen geführt. Da jedoch die Dichte der bebauten Fläche jenseits von 60°N und 45°S erheblich abnimmt, bleibt der globale Gesamtfehler aufgrund dieser Annahme gering. Die Berechnungen zur Erzeugung des Solarpotenzials werden mithilfe benutzerdefinierter Python-Skripte unter Verwendung des DASK-Moduls verarbeitet, um umfangreiche arithmetische Operationen durchzuführen. Darüber hinaus wird der verarbeitete Rasterdatensatz des Solarpotenzials als Geopaketdatei für Visualisierungen und wirtschaftliche Berechnungen gespeichert.

LCOE bietet eine einfache und robuste Methode zum Vergleich der wirtschaftlichen Rentabilität eines Projekts innerhalb eines bestimmten FN. Es wurde davon ausgegangen, dass die Kapitalkosten der Installation (CAPEX) auf das erste Jahr der Inbetriebnahme gestaffelt werden und die installierten Module eine Lebensdauer von 25 Jahren haben. Die Geokartierung für CAPEX, Betriebsausgaben (OPEX) und Diskontsatz (DR) stammt aus dem IRENA-Kostenbericht 2019 für erneuerbare Energien. Die Stromgestehungskosten für jedes FN werden wie folgt berechnet:

Dabei ist CAPEXFN (2019 $/kW) der Investitionsaufwand für die Installation des RTSPV-Systems für den gegebenen FN, OPEXFN,t (2019 $/kW) ist der Betriebs- und Wartungsaufwand für den gegebenen FN und für das spezifische Jahr (t). , t ist die Jahreszahl, DR ist der Diskontsatz, M ist die Monatszahl und SPM,FN (kWh/Monat) ist die potenzielle Erzeugung für den gegebenen Monat und FN. Wir haben CAPEX-Daten für 17 verschiedene Länder verwendet und den durchschnittlichen CAPEX-Wert den übrigen Ländern basierend auf dem Kontinent zugeordnet, auf dem sie sich befinden. OPEX- und DR-Werte basieren auf OECD- und Nicht-OECD-Länderklassifizierungen. Die länderweise Aggregation der LCOE und SP von jedem FN aus ihren jeweiligen hochauflösenden länderinternen Werten wurde unter Verwendung der folgenden Regel durchgeführt

Es ist zu beachten, dass wir die Kosten für einen zusätzlichen Netzausbau oder eine zusätzliche Speicherinfrastruktur zur Ausschöpfung des vollen technischen Solar-PV-Potenzials auf dem Dach nicht berücksichtigt haben. Außerdem wurden die Kosten für die Stilllegung und der Schrottwert der Anlage am Ende der 25-jährigen Laufzeit der Projekte nicht berücksichtigt. Bei der Berechnung der SP und LCOE wurde davon ausgegangen, dass weltweit keine Solar-PV-Anlage auf dem Dach existiert und alle zusätzlichen Kapazitäten ab dem Jahr 2019 in Betrieb genommen werden.

Unsere Einschätzung basiert auf der Genauigkeit des globalen Landbedeckungslayers, der mit seiner 100-m-Auflösung an manchen Standorten die Ausdehnung bebauter Gebiete überschätzen kann. Darüber hinaus klassifiziert die Landbedeckung Straßen, Parkplätze, Grenzen von Grünflächen, Tennisplätzen und archäologisch bedeutsamen Gebieten als bebaute Gebiete, wobei die Fehlklassifizierung je nach Region unterschiedlich ist. Unsere Annahme, dass die Dächer flach, schattenfrei und der Sonne zugewandt sind und ein vollständiges Dach für die Installation zur Verfügung steht, trägt zu den methodischen Einschränkungen bei. Darüber hinaus weisen die großen Datenmengen im Zusammenhang mit Gebäudegrundrissen und globalen Straßen inhärente methodische Einschränkungen auf, z. B. die vereinfachte Darstellung eines komplexen Daches mit einem quadratischen Polygon, überlappenden Straßen usw.

Für die Berechnung des technischen Potenzials gingen wir davon aus, dass 100 % der geschätzten Dachfläche für die Installation von Solarpaneelen zur Verfügung stehen, d. Diese Annahmen können zu Einschränkungen bei der realen Interpretation der Hauptergebnisse führen, da möglicherweise ein Bruchteil der Dachfläche für die Installation von Solarmodulen zur Verfügung steht. Um dies zu berücksichtigen, haben wir regionale Potenzialänderungen als Unsicherheitsanalyse für eine Kombination aus Skalierungsfaktoren auf Dächern und Modulwirkungsgraden dokumentiert. In der aktuellen Literatur erfolgt die Reduzierung der gesamten Dachfläche auf die verfügbare Dachfläche im Allgemeinen über einen Dachskalierungsfaktor, der den Verlust der Dachfläche aufgrund von Ausrichtung, Neigung und Dachaufbauten wie Schornsteinen usw. angibt. Es liegen jedoch einige Studien vor Auf Länderebene, wo der Skalierungsfaktor für Dächer dokumentiert ist, gibt es auf globaler Ebene keinen maßgeblichen Datensatz, der länderspezifische Skalierungsfaktoren für Dächer abgrenzen kann. Weitere Arbeiten sind erforderlich, um die länderspezifischen Dachskalierungsfaktoren zu dokumentieren, die außerhalb des Forschungsziels dieser Studie liegen.

Unsere Kostenannahmen decken 17 verschiedene Länder auf allen Kontinenten ab, mit Durchschnittswerten für die übrigen Länder. Diese Annahmen können einer bestimmten Region wie Afrika und Südamerika erhöhte oder verringerte LCOE-Werte zuordnen. Eine weitere Einschränkung der Kostenannahmen besteht darin, dass die LCOE-Metrik aufgrund des Fehlens hochauflösender Kostendaten nicht in der Lage ist, die Unterschiede der LCOE innerhalb eines Landes in hohem Maße zu erfassen. Auch Kostenschwankungen aufgrund des zusätzlichen Netzausbaus, Tarifmechanismen und globale Preisänderungen aufgrund von Handelsprotektionismuspraktiken liegen außerhalb des Rahmens der aktuellen Bewertung. Abschließend haben wir alle Kosten- und Potenzialkennzahlen unter der Annahme berechnet, dass für den ROI keine installierte Kapazität vorhanden ist, obwohl im gegenwärtigen Zeithorizont eine gewisse installierte Kapazität vorhanden ist.

Ein Großteil der Einschränkungen lässt sich auf die in unserer Bewertung verwendeten zugrunde liegenden Daten zurückführen, die durch spätere Weiterentwicklung der Methodik der Datenanbieter verbessert werden können. Weitere Untersuchungen können durchgeführt werden, um die methodischen Einschränkungen zu verringern, die derzeit durch die Datenverfügbarkeit und den Mangel an homogenen globalen Daten verursacht werden.

Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich. Die globale Straßenkarte basiert auf OpenStreetMap (OSM), das kostenlos heruntergeladen werden kann. Die in dieser Studie verwendete Planetendatei wurde am 1. April 2020 heruntergeladen. Die Landbedeckungskarte basiert auf Copernicus Global Land Service: Land Cover 100 m: Sammlung 3: Epoche 2015: Globe (https://doi.org/10.5281/zenodo .2583745). Weitere kostenfrei nutzbare Datenquellen finden Sie im Haupttext und im Abschnitt „Methoden“.

Pseudocode zur Durchführung dieser Analyse finden Sie im Zusatzmaterial (Ergänzende Anmerkung 1) und sollten in Verbindung mit dem Abschnitt „Methoden“ gelesen werden. Das Basis-XGBoost-Modell ist unter https://xgboost.readthedocs.io verfügbar. Das Python-Skript zum Plotten und zur Datenaggregation ist auf begründete Anfrage beim entsprechenden Autor erhältlich.

IEA. Erneuerbare Energien 2019: Analyse und Prognosen bis 2024. Internationale Energieagentur https://www.iea.org/reports/renewables-2019 (2019).

Internationale Agentur für erneuerbare Energien, AD Renewable Power Generation Costs in 2019. https://www.irena.org/publications/2020/Jun/Renewable-Power-Costs-in-2019 (2020).

IEA, Internationale Agentur für Erneuerbare Energien, Statistikabteilung der Vereinten Nationen, Weltbank und Weltgesundheitsorganisation. Verfolgung von SDG 7: Der Energiefortschrittsbericht 2019. Die Weltbank (2019).

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

IRENA. Zukunft der Solar-Photovoltaik: Einsatz, Investitionen, Technologie, Netzintegration und sozioökonomische Aspekte (Eine globale Energietransformation: Papier) (2019).

Bódis, K., Kougias, I., Jäger-Waldau, A., Taylor, N. & Szabó, S. Eine hochauflösende Geodatenbewertung des Solar-Photovoltaik-Potenzials auf Dächern in der Europäischen Union. Erneuern. Aufrechterhalten. Energy Rev. https://doi.org/10.1016/j.rser.2019.109309 (2019).

Gagnon, P., Margolis, R., Melius, J., Philips, C. & Elmore, R. Technisches Potenzial von Solar-Photovoltaik auf Dächern in den Vereinigten Staaten: Eine detaillierte Bewertung. Technischer NREL-Bericht https://www.nrel.gov/docs/fy16osti/65298.pdf (2016).

Mainzer, K. et al. Eine hochauflösende Ermittlung des technischen Potenzials für Photovoltaikanlagen auf Hausdächern in Deutschland. Sol. Energie https://doi.org/10.1016/j.solener.2014.04.015 (2014).

Walch, A., Castello, R., Mohajeri, N. & Scartezzini, JL Big Data Mining zur Schätzung des stündlichen Photovoltaikpotenzials auf Dächern und seiner Unsicherheit. Appl. Energie https://doi.org/10.1016/j.apenergy.2019.114404 (2020).

Creutzig, F. et al. Das unterschätzte Potenzial der Solarenergie zur Eindämmung des Klimawandels. Nat. Energie https://doi.org/10.1038/nenergy.2017.140 (2017).

Freitas, S., Catita, C., Redweik, P. & Brito, MC Modellierung des Solarpotenzials in der städtischen Umgebung: Übersicht über den neuesten Stand der Technik. Erneuern. Aufrechterhalten. Energy Rev. https://doi.org/10.1016/j.rser.2014.08.060 (2015).

Betak, J. et al. Globales Photovoltaik-Strompotenzial nach Ländern (Englisch). Programm zur Unterstützung des Energiesektormanagements (ESMAP). (Weltbankgruppe, Washington, D.C.).

Korfiati, A. et al. Schätzung des globalen Solarenergiepotenzials und der Photovoltaikkosten unter Verwendung offener Daten. Int. J. Sustain. Energieplan. Geschäftsführer 9, 17–29 (2016).

Google Scholar

Naroll, R. Grundfläche und Siedlungsbevölkerung. Bin. Antik. https://doi.org/10.2307/277689 (1962).

IEA. Energietechnologische Perspektiven 2016: Auf dem Weg zu nachhaltigen städtischen Energiesystemen. Int. Energieagentur (2016).

Hoogwijk, MM zum globalen und regionalen Potenzial erneuerbarer Energiequellen. Versammlung (2004).

Izquierdo, S., Rodrigues, M. & Fueyo, N. Eine Methode zur Schätzung der geografischen Verteilung der verfügbaren Dachfläche für groß angelegte Photovoltaik-Energiepotenzialbewertungen. Sol. Energie 82, 929–939 (2008).

Artikel ADS Google Scholar

Ordóñez, J., Jadraque, E., Alegre, J. & Martínez, G. Analyse der Photovoltaik-Solarenergiekapazität von Wohndächern in Andalusien (Spanien). Erneuern. Aufrechterhalten. Energy Rev. https://doi.org/10.1016/j.rser.2010.01.001 (2010).

Defaix, PR, van Sark, W., Worrell, E. & de Visser, E. Technisches Potenzial für Photovoltaik auf Gebäuden in der EU-27. Sol. Energie 86, 2644–2653 (2012).

Artikel ADS Google Scholar

Assouline, D., Mohajeri, N. & Scartezzini, J.-L. Quantifizierung des Photovoltaik-Solarenergiepotenzials auf Dächern: ein Ansatz des maschinellen Lernens. Sol. Energie 141, 278–296 (2017).

Artikel ADS Google Scholar

Wegertseder, P., Lund, P., Mikkola, J. & García Alvarado, R. Kombination von Methoden zur Kartierung solarer Ressourcen und Energiesystemintegration für eine realistische Bewertung des städtischen Solarenergiepotenzials. Sol. Energie 135, 325–336 (2016).

Artikel ADS Google Scholar

Lehmann, H. & Peter, S. Bewertung der Dach- und Fassadenpotenziale für die Solarnutzung in Europa. Sustain einleiten. Lösung. Innov. https://doi.org/10.1017/CBO9781107415324.004 (2003).

Lee, M., Hong, T., Jeong, K. & Kim, J. Ein Bottom-up-Ansatz zur Abschätzung des wirtschaftlichen Potenzials der Solar-Photovoltaikanlage auf dem Dach unter Berücksichtigung der räumlichen und zeitlichen Vielfalt. Appl. Energie 232, 640–656 (2018).

Artikel Google Scholar

Jacobson, MZ et al. Sektorübergreifende Energie-Roadmaps für 100 % saubere und erneuerbare Wind-, Wasser- und Sonnenlichtenergie für 139 Länder der Welt. Joule https://doi.org/10.1016/j.joule.2017.07.005 (2017).

Gernaat, DEHJ, de Boer, HS, Dammeier, LC & van Vuuren, DP Die Rolle der Photovoltaik auf Wohndächern in langfristigen Energie- und Klimaszenarien. Appl. Energie https://doi.org/10.1016/j.apenergy.2020.115705 (2020).

Castellanos, S., Sunter, DA & Kammen, DM Solar-Photovoltaik-Potenzial auf Dächern in Städten: Wie skalierbar sind Bewertungsansätze? Umgebung. Res. Lette. https://doi.org/10.1088/1748-9326/aa7857 (2017).

Lloyd, CT, Sorichetta, A. & Tatem, AJ Datendeskriptor: Hochauflösende globale Rasterdaten zur Verwendung in Bevölkerungsstudien. Wissenschaft. Daten https://doi.org/10.1038/sdata.2017.1 (2017).

Verma, V., Kumar, R. & Hsu, S. 3D-Gebäudeerkennung und -modellierung aus LIDAR-Luftdaten. Im Jahr 2006 IEEE Computer Society-Konferenz über Computer Vision und Mustererkennung (CVPR'06). Bd. 2, 2213–2220, https://www.computer.org/csdl/proceedingsarticle/cvpr/2006/259722213/12OmNCm7Bws (2006).

Rottensteiner, F. & Briese, C. Eine neue Methode zur Gebäudeextraktion in städtischen Gebieten aus hochauflösenden LIDAR-Daten. Im International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences. (Natural Resources Canada, 2002).

Redweik, P., Catita, C. & Brito, M. Solarenergiepotenzial auf Dächern und Fassaden in einer Stadtlandschaft. Sol. Energie 97, 332–341 (2013).

Artikel ADS Google Scholar

Zha, Y., Gao, J. & Ni, S. Verwendung eines normalisierten Differenzbildungsindex bei der automatischen Kartierung städtischer Gebiete aus TM-Bildern. Int. J. Remote Sens. 24, 583–594 (2003).

Artikel ADS Google Scholar

Buffat, R., Grassi, S. & Raubal, M. Eine skalierbare Methode zur Schätzung des Solareinstrahlungspotenzials auf Dächern über große Regionen. Appl. Energie 216, 389–401 (2018).

Artikel Google Scholar

Ferro, A., Brunner, D. & Bruzzone, L. Automatische Erkennung und Rekonstruktion von Gebäuderadar-Footprints aus einzelnen VHR-SAR-Bildern. IEEE Trans. Geosci. Fernerkundung. https://doi.org/10.1109/TGRS.2012.2205156 (2013).

Jochem, A., Höfle, B., Rutzinger, M. & Pfeifer, N. Automatische Dachebenenerkennung und -analyse in luftgestützten Lidar-Punktwolken zur Bewertung des Solarpotenzials. Sensoren 9, 5241–5262 (2009).

Artikel ADS Google Scholar

Lukač, N., Seme, S., Žlaus, D., Štumberger, G. & Žalik, B. Bewertung des Photovoltaikpotenzials von Gebäudedächern basierend auf LiDAR-Daten (Light Detection And Ranging). Energie 66, 598–609 (2014).

Artikel Google Scholar

Hong, T., Lee, M., Koo, C., Jeong, K. & Kim, J. Entwicklung einer Methode zur Schätzung des Solar-Photovoltaik-(PV)-Potenzials auf Dächern durch Analyse der verfügbaren Dachfläche mithilfe der Hillshade-Analyse. Appl. Energie 194, 320–332 (2017).

Artikel Google Scholar

As-syakur, AR, Adnyana, IWS, Arthana, IW & Nuarsa, IW Enhanced Built-Up and Bareness Index (EBBI) zur Kartierung von bebautem und unbebautem Land in einem städtischen Gebiet. Remote Sens. 4, 2957–2970 (2012).

Artikel ADS Google Scholar

Wong, MS et al. Abschätzung des Solarenergiepotenzials Hongkongs mithilfe von GIS und Fernerkundungstechnologien. Erneuern. Energie 99, 325–335 (2016).

Artikel Google Scholar

Brito, MC, Gomes, N., Santos, T. & Tenedório, JA Photovoltaikpotenzial in einem Vorort von Lissabon mithilfe von LiDAR-Daten. Sol. Energie 86, 283–288 (2012).

Artikel ADS Google Scholar

Heris, MP, Foks, NL, Bagstad, KJ, Troy, A. & Ancona, ZH Ein gerasterter Gebäudegrundriss-Datensatz für die Vereinigten Staaten. Wissenschaft. Daten https://doi.org/10.1038/s41597-020-0542-3 (2020).

Tiecke, TG et al. Kartierung der Weltbevölkerung für jedes Gebäude. arXiv https://doi.org/10.1596/33700 (2017)

Leasure, D., Dooley, C., Bondarenko, M., Tatem, AW PeanutButter: Ein R-Paket zur Erstellung schneller, gerasterter Bevölkerungsschätzungen aus Gebäudegrundrissen, Version 0.2.1. https://doi.org/10.5258/SOTON/WP00678 (2020).

Esch, T. et al. Neue Wege bei der Kartierung menschlicher Siedlungen aus dem Weltraum beschreiten – The Global Urban Footprint. ISPRS J. Fotogramm. Fernerkundung. https://doi.org/10.1016/j.isprsjprs.2017.10.012 (2017).

Marconcini, M. et al. Der World Settlement Footprint 2015 beschreibt, wo Menschen leben. Sci. Daten https://doi.org/10.1038/s41597-020-00580-5 (2020).

Corbane, C. et al. Automatisierte globale Abgrenzung menschlicher Siedlungen aus 40 Jahren Landsat-Satellitendatenarchiven. Big Earth Data https://doi.org/10.1080/20964471.2019.1625528 (2019).

Buchhorn, M. et al. Copernicus Global Land Service: Land Cover 100m: Epoche 2015: Globe. Datensatz der globalen Komponente des Copernicus Land Monitoring Service. https://doi.org/10.5281/zenodo.3243509 (2019).

Ferri, S., Siragusa, A., Sabo, F., Pafi, M. & Halkia, M. Veröffentlichung der European Settlement Map 2017. Methodik und Ergebnis der Europäischen Siedlungskarte. https://doi.org/10.2760/780799 (2017).

Corbane, C. et al. Faltungs-Neuronale Netze für die Kartierung globaler menschlicher Siedlungen anhand von Sentinel-2-Satellitenbildern. arXiv 2006.03267 (2020).

Bódis, K., Kougias, I., Taylor, N. & Jäger-Waldau, A. Solare Photovoltaik-Stromerzeugung: eine Lebensader für die europäischen Kohleregionen im Wandel. Nachhaltigkeit https://doi.org/10.3390/su11133703 (2019).

Maloof, MA, Langley, P., Binford, TO, Nevatia, R. & Sage, S. Verbesserte Dacherkennung in Luftbildern durch maschinelles Lernen. Mach. Lernen. 53, 157–191 (2003).

Artikel Google Scholar

Guo, Z. et al. Identifizierung des Dorfbaus mithilfe von Google Earth-Bildern und überwachten maschinellen Lernmethoden. Fernerkundung. https://doi.org/10.3390/rs8040271 (2016).

Mohajeri, N. et al. Eine Dachformklassifizierung im Stadtmaßstab mithilfe von maschinellem Lernen für Solarenergieanwendungen. Erneuern. Energie 121, 81–93 (2018).

Artikel Google Scholar

Yang, HL, Lunga, D. & Yuan, J. Auf dem Weg zur Gebäudeerkennung im Ländermaßstab mit einem Faltungs-Neuronalen Netzwerk unter Verwendung von Luftbildern. Im Jahr 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. Gebäudeerkennung anhand von Satellitenbildern im globalen Maßstab. arXiv 1707.08952 (2017).

Assouline, D., Mohajeri, N. & Scartezzini, J.-L. Abschätzung des technischen Potenzials großflächiger Photovoltaik-Solaranlagen auf Dächern mithilfe von Random Forests. Appl. Energie 217, 189–211 (2018).

Artikel Google Scholar

OpenStreetMapContributors. OpenStreetMap. https://www.openstreetmap.org (2020).

Stevens, FR, Gaughan, AE, Linard, C. & Tatem, AJ Disaggregation von Volkszählungsdaten für die Bevölkerungskartierung unter Verwendung von Zufallswäldern mit Fernerkundungs- und Zusatzdaten. PLoS ONE https://doi.org/10.1371/journal.pone.0107042 (2015).

Barrington-Leigh, C. & Millard-Ball, A. Die benutzergenerierte Weltkarte ist zu mehr als 80 % vollständig. PLoS ONE https://doi.org/10.1371/journal.pone.0180698 (2017).

[Daten/Informationen/Karte] erhalten von 812 dem „Global Solar Atlas 2.0“, einer kostenlosen, webbasierten Anwendung, die von der Firma Solargis sro im Auftrag der Weltbankgruppe unter Nutzung von Solargis-Daten entwickelt und betrieben wird und von der finanziert wird Energie Sektor.

Millstein, D., Wiser, R., Bolinger, M. & Barbose, G. Die Klima- und Luftqualitätsvorteile von Wind- und Solarenergie in den Vereinigten Staaten. Nat. Energie 2, 17134 (2017).

Artikel ADS Google Scholar

Yalew, SG et al. Auswirkungen des Klimawandels auf Energiesysteme in globalen und regionalen Szenarien. Nat. Energie https://doi.org/10.1038/s41560-020-0664-z (2020).

Barbose, G. & Satchwell, AJ Vorteile und Kosten eines Versorgungseigentums-Geschäftsmodells für Solar-Photovoltaik auf Wohndächern. Nat. Energie https://doi.org/10.1038/s41560-020-0673-y (2020).

Sasse, J.-P. & Trutnevyte, E. Regionale Auswirkungen des Stromsystemübergangs in Mitteleuropa bis 2035. Nat. Komm. 11, 4972 (2020).

Artikel ADS CAS Google Scholar

Zhang, H. et al. Solar-Photovoltaik-Einsätze haben die ländliche Armut in China verringert. Nat. Komm. 11, 1969 (2020).

Artikel ADS CAS Google Scholar

Lu, T. et al. Indiens Potenzial für die Integration von Solar- und On- und Offshore-Windenergie in sein Energiesystem. Nat. Komm. 11, 4750 (2020).

Artikel ADS CAS Google Scholar

Sterl, S. et al. Intelligente Portfolios für erneuerbaren Strom im Westen. Afr. Nat. Aufrechterhalten. 3, 710–719 (2020).

Artikel Google Scholar

Parag, Y. & Sovacool, BK Strommarktdesign für das Prosumer-Zeitalter. Nat. Energie 1, 16032 (2016).

Artikel ADS Google Scholar

Internationale Energieagentur (IEA). Strominformationen: Übersicht 2019. Stat. IEA https://doi.org/10.1787/e0ebb7e9-en (OECD Publishing. Paris, 2019).

Gorelick, N. et al. Google Earth-Engine: Geodatenanalyse im planetarischen Maßstab für jedermann. Fernerkundung. Umwelt. https://doi.org/10.1016/j.rse.2017.06.031 (2017).

DASKDevelopmentTeam. Dask: Bibliothek für dynamische Aufgabenplanung. https://docs.dask.org/en/latest/cite.html (2016).

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res. 12, 2825–2830 (2011).

Chen, T. & Guestrin, C. XGBoost: Ein skalierbares Baum-Boosting-System. https://doi.org/10.1145/2939672.2939785 (2016).

Referenzen herunterladen

SJ, BOG und JG werden durch ein Forschungsstipendium der Science Foundation Ireland (SFI) und der National Natural Science Foundation of China (NSFC) im Rahmen des SFI-NSFC Partnership Program Grant Number 17/NSFC/5181 unterstützt. SM dankt dem H2020-Projekt der Europäischen Kommission „PARIS REINFORCE“ für die Unterstützung im Rahmen der Finanzhilfevereinbarung Nr. 820846.

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

Siddharth Joshi, Brian Gallagher und James Glynn

Umweltforschungsinstitut, University College Cork, Cork, Irland

Siddharth Joshi, Paul Holloway, Brian Gallagher und James Glynn

School of Engineering, University College Cork, Cork, Irland

Siddharth Joshi, Brian Gallagher und James Glynn

Grantham Institute – Klimawandel und Umwelt, Imperial College London, London, Vereinigtes Königreich

Shivika Mittal

Geographisches Institut, University College Cork, Cork, Irland

Paul Holloway

Globales Zentrum für Umwelt und Energie, Universität Ahmedabad, Ahmedabad, Indien

Priyadarshi Ramprasad Shukla

Zentrum für globale Energiepolitik, Columbia University, New York, USA

James Glynn

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SJ und JG konzipierten die Forschungsidee. SJ entwarf und entwickelte das Framework und Modell zusammen mit den Codes. SJ, SM und PH haben die GIS- und Datenanalyse-Frameworks entworfen. SJ erstellte die Abbildungen und verfasste das Manuskript. PRS und BOG lieferten wertvolle Erkenntnisse zu den Ergebnissen. Alle Autoren diskutierten die Ergebnisse und trugen zum Manuskript bei.

Korrespondenz mit Siddharth Joshi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Informationen zum Peer-Review Nature Communications dankt den anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Joshi, S., Mittal, S., Holloway, P. et al. Hochauflösende globale räumlich-zeitliche Bewertung des Potenzials von Solar-Photovoltaik auf Dächern für die Stromerzeugung aus erneuerbaren Energiequellen. Nat Commun 12, 5738 (2021). https://doi.org/10.1038/s41467-021-25720-2

Zitat herunterladen

Eingegangen: 18. Oktober 2020

Angenommen: 23. August 2021

Veröffentlicht: 05. Oktober 2021

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.