企业官网建设流程全解析

点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

Amusi 刚刚看到一个很有意义的 AI for Science 成果，阿里巴巴达摩院和北京大学合作的研究登上了《Nature》正刊（天花板级别的期刊）。他们做的事情非常硬核——用 AI 首次清点了全国所有光伏板和风机。

标题：《Advancing solar and wind penetration in China via energy complementarity》

Nature 论文链接：

https://www.nature.com/articles/s41586-026-10570-z

这个工作到底做了什么？

一句话概括：阿里达摩院和北大自研 AI，处理了海量开源卫星遥感数据，第一次“摸清”了中国风电和光伏的真实分布，创新提出了"风光互补"消纳策略，大幅降低对昂贵储能系统和灵活调节电源的依赖。

虽然分布的具体信息在 Nature 论文里没有公开，不过我们能看到整体上的结论，也是非常震撼。

7.56 TB 卫星影像数据、0.5 米分辨率卫星影像、超 3000 万张遥感图像切片、识别出 319,972 处光伏设施、识别出 91,609 台风机。最终生成了目前全国尺度下，最高精度的风光发电设施分布清单。由此测算出通过跨省协同调配，每年可额外消纳近 1000 亿度绿电。

图. 全国光伏和风机的空间分布，以及各省年发电量

为什么这件事技术上很难？

如果是做AI/CV/遥感方向的同学，应该会知道：这类任务真正的难点，不只是数据的大规模，还有全国尺度泛化的多样性。尤其是中国地形太复杂了，涵盖沙漠、雪地、山区、草地、湖泊、沿海等，而且风机、光伏板在不同区域的形态差异也非常大。

所以本质上，这不是一个普通的目标检测、分割任务，而是一个超大规模的遥感 AI 泛化问题。如何解决这些难题，就亟需非常强大的 AI 算法创新、数据处理和落地工程能力。

硬核技术方案

1. 构建全国风力发电机/光伏设施地理分布图

阿里达摩院和北大研究团队重点结合了人工样本标注、深度学习模型训练、全国范围图像推理和人工验证流程：

a) 人工样本标注：聘请了一支专业团队对太阳能电池板的多边形轮廓和风力涡轮机的边界框进行标注。为确保样本多样性，从覆盖全国的高分辨率卫星图像中随机选取了 27,174 张光伏（太阳能电池板）样本图像和 11,000 张风机（风力涡轮机）样本图像；然后将这些图像按 8:2 的比例随机分为训练集和测试集。标注完成后，邀请遥感专家进行质量评估，以确保最终验收。

b) 深度学习模型训练、测试和评估：针对风机、光伏自身的形状等特性，采用 HRNet 模型进行太阳能电池板分割；采用 VFNet 模型进行风力涡轮机检测，模型在训练集上进行训练，然后在测试集上进行测试和评估。

模型训练的关键：训练初版模型，然后多次【推理新数据的伪标签--校验--加入到之前的数据去训练新模型】循环，以构建更泛化更稳定的模型版本。

通过优化后处理校验策略，风机检测指标高达95% mAP，光伏分割指标高达85% mIoU。

c) 全国范围图像推理：将训练好的模型部署在云服务器上，在全国范围内进行图像推理，从而识别全国各地的太阳能光伏设施和陆上风力涡轮机。

d) 人工验证：人工验证了提取结果，包括删除错误检测结果，并识别遗漏区域，以便使用其他卫星数据重新进行推理。

由此，首次绘制出了全国高精度风光发电设施分布图，建立了全国真实风电、光伏设施清单。

图. 整体框架

2. 风能、光伏能源产能建模分析

利用气象再分析数据（ERA5 等）估算每一个光伏设施、每一台风机的逐小时发电序列，再把它们汇总到县、省等尺度做后续分析。

3. “风光互补”策略

阿里达摩院和北大研究团队研究发现：不同地区、不同时间下的风光发电可以互补，进而构建了四种由易到难的“风光互补”模型，分别模拟从省内整合、邻省互补、省际配对到全国协同的不同情景。其中使用Kendall’s τ（肯德尔秩相关系数）评估县、省及全国尺度的风光互补性，并优化跨区域配对策略。

有几项重要发现：

• 依据中国的全国风光布局来看，确实存在明显互补性（τ ）

• 互补效果会随着地理协调范围扩大而增强；

• 跨省协调能明显提高新能源消纳

比如全国跨省最优互补策略相较于省内整合策略，每年可额外消纳 998.8 亿千瓦时的风光电力，相当于全国平均负荷下 120 小时的用电量。

图. 不同互补策略下的相关性地图

总结

Amusi 作为资深的 AI 领域从业者，我会觉得：这类工作真正值得关注的点，不是单纯“又发了一篇国际顶刊”。而是：中国科技公司开始把 AI 能力，真正落到 Earth Science、Energy、Climate 这些长期造福社会的问题上。

阿里巴巴达摩院算法专家表示，“在AI模型的帮助下，我们为学术界和产业界构建起全新数据底座，有望推动系统性的风光发电规划研究，进一步助力能源系统转型升级、加快实现‘双碳’目标。”

北京大学地球和空间学院刘瑜教授表示，“这是我们第一次掌握大规模、高精度的全国风光设施清单，”，“从而能以‘上帝视角’数清每一度绿电，为电网优化、环境评估等一系列分析研究提供了坚实基础。”

阿里巴巴达摩院和北京大学研究团队依托于深厚的技术积累，成功让 AI 在地球科学问题上产生了实际价值，这也代表着 AI for Science，才刚刚开始。

Amusi 也期待更多企业、高校积极投身 AI for Science 的生态建设，从算法到数据、从基准到应用，形成合力，共同推动整个行业的突破。

整理不易，请点赞和在看