OpenPVMapper · DeepPVMapper

1.Motivation

La dernière version de DeepPVMapper constituait un bon point de départ, mais elle ne reflétait pas toute l'information disponible sur le PV en toiture en France. D'abord, l'instantané unique ne comportait aucune information temporelle, pourtant disponible de façon latente puisque plusieurs couvertures avaient été réalisées. Ensuite, DeepPVMapper est limité au PV en toiture inférieur à 36 kWc, ce qui ne recouvre pas tout le PV en toiture, notamment des installations comme les ombrières de parking ou les grands systèmes industriels, de plus en plus déployés.

D'un autre côté, d'autres sources fournissaient de l'information sur le PV en toiture. La première source additionnelle est la couverture du French Rooftop Photovoltaic dataset (FRPV, Thébault et al., 2025), qui calcule une probabilité de présence d'une installation PV en toiture sur l'ensemble des bâtiments français. Enfin, une autre source est constituée des annotations présentes dans OpenStreetMap (OSM). Les données participatives d'OSM offrent une qualité élevée par enregistrement — les installations sont vérifiées par des contributeurs humains — mais leur couverture est par nature inégale.

La question qui sous-tend la construction d'OpenPVMapper est la suivante : comment agréger ces sources en un seul jeu de données, en intégrant le plus d'information possible sur les installations PV en toiture en France ?

2.Trois sources indépendantes

OpenPVMapper recoupe deux efforts de cartographie indépendants à grande échelle et en intègre un troisième, plus petit mais très fiable :

Pipeline de détection

DeepPVMapper

La couche de base : un pipeline de deep learning en deux étapes déployé sur les 96 départements métropolitains à partir de l'imagerie aérienne nationale. OpenPVMapper intègre toutes les 209 cartographies départementales, soit un total de 803 953 détections. Chaque détection porte un attribut first_seen, correspondant à la date de l'imagerie, ainsi que ses caractéristiques techniques. Limité aux installations ≤ 36 kWc et, pris seul, de précision la plus faible des trois sources (∼45 %) — c'est la corroboration qui le rend fiable à grande échelle.

Probabilité par bâtiment

FRPV

Un jeu de détections indépendant (Thébault et al., 2025) couvrant 95 départements sur 96 (705 120 bâtiments candidats), qui fournit une probabilité de PV par bâtiment plutôt qu'une détection prête à l'emploi. Un seuil de promotion de 0,5 — calibré sur ∼1 200 parcelles étiquetées manuellement par une analyse du compromis précision/rappel — décide quelles parcelles sont promues comme nouvelles installations candidates.

Cartographié par la communauté

OpenStreetMap

66 293 installations cartographiées et étiquetées manuellement par des contributeurs, concentrées principalement dans le sud-ouest. D'ampleur modeste — ce n'est jamais la source principale dans aucune région — mais, comme cette géométrie est vérifiée par des humains (∼98 % de précision à elle seule), elle est traitée comme la source disponible la plus fiable chaque fois qu'elle recoupe une détection existante.

Part des installations attribuables à chaque source ou combinaison de sources, globalement et par classe de puissance — DeepPVMapper et FRPV représentent ensemble ∼95 % de la base, avec un recouvrement important ; OpenStreetMap apporte une part réduite mais d'une fiabilité disproportionnée, concentrée sur les installations plus grandes.

3.Fusion et enrichissement des données

Combiner des sources hétérogènes en une base cohérente se fait en trois étapes. D'abord, la déduplication : les installations sont rapprochées entre sources par recouvrement géométrique et proximité des centroïdes ; 8 659 paires de doublons ont ainsi été identifiées et fusionnées. Ensuite, la primauté de la géométrie : lorsque deux sources décrivent la même installation réelle, un seul polygone est conservé comme référence, selon une hiérarchie fixe.

Correction manuelle > OpenStreetMap > DeepPVMapper > détections tierces
(FRPV n'apporte qu'un signal de probabilité — il n'est jamais utilisé comme source de géométrie)

Enfin, l'enrichissement : combiner les sources apporte une information qu'aucune ne porte seule. Les millésimes successifs d'imagerie de DeepPVMapper sont rapprochés pour donner à chaque installation une période first_seen / last_seen, et chaque installation enregistre les sources qui la corroborent — un indicateur direct de confiance, enregistrement par enregistrement. Le résultat est un schéma unique et uniforme quelle que soit la source ayant identifié une installation, documenté en détail avec la publication Zenodo.

Vue d'ensemble du pipeline de construction d'OpenPVMapper : sources de données, uniformisation, validation et archives de sortie — Le pipeline de construction en trois étapes : déduplication et rapprochement entre sources, primauté de la géométrie, et enrichissement par des attributs de validation terrain.

Le pipeline est conçu pour évoluer. D'autres sources pourraient s'intégrer à ce cadre pour améliorer la qualité et la couverture des données.

4.Validation

Une campagne d'annotation manuelle indépendante quantifie la précision de la base. 1 862 installations — stratifiées à la fois par combinaison de sources et par classe de puissance, et annotées en aveugle sur des images haute résolution — ont servi à estimer directement la précision, repondérée par le poids réel de chaque strate dans la population.

La précision globale de la base est d'environ 74 à 75 %. La corroboration est le principal moteur de ce chiffre : la précision n'est que de 71,5 % pour les installations confirmées par une seule source, et monte à 96,9 % avec deux sources indépendantes et à 98,2 % avec les trois — presque tout le gain se produit entre une et deux sources. C'est important, car la précision propre à chaque source varie beaucoup (DeepPVMapper ∼45 %, FRPV ∼78 %, OpenStreetMap ∼98 %) : combiner des sources indépendantes, avec des biais différents, est ce qui hisse la plus faible des trois à un résultat fiable, davantage que la précision propre de chaque source.

Le rappel est validé indirectement, en comparant la puissance raccordée de la base au registre public de raccordement d'Enedis. Globalement, environ 67 % de la puissance inférieure à 250 kWc est couverte dans le jeu de données, dont, dans le détail, 40 % de la puissance entre 100 et 250 kWc, et 97 % de la puissance inférieure à 36 kWc.

5.Résultats

Densité des installations PV recensées dans OpenPVMapper, par cellule hexagonale, sur la France métropolitaine — Densité du PV en toiture recensé dans OpenPVMapper : nombre d'installations par cellule hexagonale (surface moyenne ≈ 8 km²), sur une échelle de couleurs logarithmique.

OpenPVMapper offre la meilleure couverture dans le segment de puissance le moins documenté par les données publiques : les installations inférieures à 36 kWc, comblant ainsi un véritable manque des statistiques officielles sur le PV.

La fusion de trois sources différentes a accru la couverture des données et fourni une description harmonisée des systèmes. DeepPVMapper compte environ 800 k systèmes (avec estimation de l'inclinaison, de l'azimut et de la puissance installée), FRPV 700 k détections ponctuelles et OSM environ 66 k polygones. OpenPVMapper compte 1,1 M de détections, avec leurs caractéristiques techniques, leur année de première détection et leur redondance de sources.

La redondance de couverture a aussi eu un second effet : une nette amélioration de la qualité des données, puisqu'une détection corroborée par 2 sources ou plus présente une précision de 97 %, proche de celle des étiquettes OpenStreetMap (98 %) et bien supérieure à celle des détections prises individuellement (environ 75 %).

Parmi les améliorations à venir : améliorer la couverture du segment 100-250 kWc et intégrer au jeu de données la validation participative pour en améliorer la qualité globale. Envie de contribuer ? Consultez la page Contribuer !

1 135 850 Installations

15,0 GWc Puissance installée estimée

97 % Couverture de la puissance < 36 kWc

6.Accès et citation

OpenPVMapper est publié sous licence ouverte (CC-BY 4.0) et accessible sur Zenodo et HuggingFace.

Explorer la carte → Voir le poster SOTM 2026 (en anglais) →

@article{kasmi2026openpvmapper,
  title={OpenPVMapper: A Multi-source, Nationwide Database of Rooftop Photovoltaic Systems in France},
  author={Kasmi, Gabriel},
  journal={arXiv preprint arXiv:2607.25153},
  year={2026}
}