Le solaire en toiture progresse vite et joue un rôle réel dans la décarbonation du système électrique — il rend aussi les territoires plus résilients et rapproche les gens de leur propre consommation d'électricité. Mais le photovoltaïque en toiture est une classe d'actifs à part, et difficile à suivre : en France, les installations en toiture représentent plus de 99 % de l'ensemble des systèmes PV raccordés au réseau. DeepPVMapper vise à combler ce manque, en combinant données géospatiales, télédétection et science participative au sein d'un registre aussi complet et précis que possible. Les pages Données et Logiciels présentent ce que produit le projet et comment l'utiliser ; cette page explique pourquoi il existe et d'où il vient.
Le PV en toiture est un angle mort. Le PV distribué, catégorie dominée par les toitures, représente une part importante et en forte croissance de la puissance solaire installée dans le monde, et pourtant personne ne sait précisément combien il y en a. Les petites installations et l'autoconsommation sont difficiles à suivre, même dans les marchés matures, et les chiffres officiels peuvent être très éloignés de la réalité. Le PV en toiture mérite un suivi à part entière, et pas une simple ligne dans un inventaire solaire plus large.
La carte doit être libre. La valeur d'un tel registre vient de ceux qui l'utilisent et le combinent à leurs propres outils. L'enfermer derrière un accès payant ne ferait qu'ajouter des barrières ; tout — des données d'entraînement au registre final — est donc publié en open data, interopérable avec OpenStreetMap et reproductible de bout en bout. Il ne s'agit pas d'imposer un énième standard, mais de fournir une base interopérable que chacun peut adapter à ses formats. Le seul but est de détecter les installations PV visibles sur des images accessibles à tous et d'en décrire les caractéristiques techniques — jamais de savoir à qui elles appartiennent.
Le modèle propose, les humains vérifient. L'apprentissage automatique fait le gros du travail, mais il se trompe, et ce qui freine l'adoption est moins la précision d'un détecteur que l'absence de moyen de la mesurer. Plutôt que de prétendre représenter une vérité terrain définitive, DeepPVMapper combine télédétection et vérification participative (PV Check, MapRoulette) pour fournir la meilleure information disponible et l'améliorer en continu. Les détections vérifiées sont signalées comme telles dans chaque version et alimentent les données d'entraînement des futurs modèles.
Un écosystème, au-delà de la France. DeepPVMapper est une initiative parmi d'autres, comme EarthPV et TraceTheSun. Il se concentre sur la France et cherche à « industrialiser » la carte ; l'espoir à long terme est que cette expérience profite à d'autres pays, dont les détections pourraient être hébergées aux côtés des détections françaises. L'accès est ouvert par téléchargement direct, API et serveur MCP, à une seule condition : aucun usage nuisible ni arnaque (voir la politique d'usage acceptable).
Lire le manifeste complet (en anglais) : Rooftop Solar Needs an Open Registry →
DeepPVMapper est né d'une thèse CIFRE — un contrat de recherche industrielle français qui associe un établissement académique et une entreprise — menée entre Mines Paris (Université PSL) et RTE France, le gestionnaire du réseau français de transport d'électricité. La thèse, « Enhancing the Reliability of Deep Learning Models to Improve the Observability of French Rooftop Photovoltaic Installations » (en anglais), a été soutenue en 2024 à l'Université Paris sciences et lettres (notice theses.fr, résumé).
Le point de départ était opérationnel. En 2020, des résultats préliminaires — publiés ensuite dans le rapport conjoint RTE-AIE de 2021 sur la faisabilité technique d'un système électrique à forte proportion d'énergies renouvelables en France à l'horizon 2050 (RTE & AIE, 2021) — montraient que le risque d'aléas induits par le PV en toiture pourrait augmenter fortement d'ici 2050, en raison du manque d'observabilité de ces petites installations réparties. La première étape a consisté à constituer des données d'entraînement et à adapter au contexte français une approche de détection existante — en s'appuyant sur DeepSolar (Yu et al., 2018) et 3D-PV-Locator (Mayer et al., 2022) — ce qui a donné l'algorithme de détection DeepPVMapper et le jeu de données d'entraînement BDAPPV.
La thèse a aussi étudié de combien les performances de l'algorithme se dégradent hors de ses conditions d'entraînement, ce qui a conduit à une nouvelle méthode d'attribution de caractéristiques, WAM (ICML 2025), et à des études complémentaires sur la détection de PV par télédétection (Environmental Data Science, 2025). Elle a également montré que de meilleures prévisions et un moindre risque d'aléas viennent d'une réduction de l'incertitude sur la puissance installée elle-même : en France, la puissance agrégée est assez bien suivie à l'échelle nationale, mais des déséquilibres importants subsistent localement. Y parvenir a demandé une nouvelle méthodologie bayésienne — voir l'audit des registres (en anglais).
À la fin de la thèse, 38 départements français avaient été cartographiés (environ 175 000 km²). À mesure que le reste de la France était cartographié, d'autres équipes ont publié leurs propres détections, notamment FRPV (Thebault et al., 2025). Elles ont été consolidées avec celles de DeepPVMapper dans OpenPVMapper, qui ambitionne de devenir un registre de référence des installations PV en toiture en France. Il est mis à jour au fil de la disponibilité de nouvelles images et s'améliore grâce à la science participative — une suggestion, l'envie d'aider ? Contactez-nous.
@phdthesis{kasmi2024enhancing,
title={Enhancing the Reliability of Deep Learning Models to Improve the Observability of French Rooftop Photovoltaic Installations},
author={Kasmi, Gabriel},
year={2024},
school={Universit{\'e} Paris sciences et lettres}
}