Pipeline · DeepPVMapper

1.Vue d'ensemble du pipeline

DeepPVMapper est un pipeline de deep learning, inspiré de 3D-PV-Locator (Mayer et al., 2022), qui détecte les installations photovoltaïques en toiture sur des images aériennes et les caractérise. Il procède en deux étapes : l'extraction des polygones, puis l'extraction des caractéristiques.

Schéma du pipeline DeepPVMapper — Vue d'ensemble du pipeline DeepPVMapper, des tuiles aériennes à un registre PV caractérisé

1.1Extraction des polygones

Les tuiles aériennes sont d'abord découpées en vignettes, qui passent par un modèle de classification (Inception v3) repérant celles susceptibles de contenir une installation PV. Les vignettes classées positives sont ensuite transmises à un modèle de segmentation (DeepLab v3), qui extrait les contours précis de chaque système détecté. Cette conception en deux temps (classer, puis segmenter) rend le pipeline exécutable à l'échelle nationale, puisque l'étape coûteuse de segmentation ne s'applique qu'à la petite fraction de vignettes jugées positives par le classifieur.

1.2Extraction des caractéristiques

Les polygones extraits sont traités avec pypvroof, un paquet développé pour ce projet et publié sur PyPI, qui estime la surface, l'inclinaison, l'orientation (azimut) et la puissance installée de chaque système. Les détections sont ensuite croisées avec la BD TOPO®, la base de données nationale des bâtiments de l'IGN, lors d'une étape de nettoyage et de filtrage qui (i) ne conserve que les détections situées sur des toitures et (ii) fusionne les détections multiples appartenant à un même toit en un seul système. Le résultat est un registre PV propre et géolocalisé, avec une entrée par installation physique et ses caractéristiques estimées.

2.Entraînement

2.1Données d'entraînement

Les modèles sont entraînés sur BDAPPV, un jeu de données d'images aériennes d'installations PV en toiture en France et en Belgique, avec masques de segmentation et métadonnées d'installation. Les images proviennent de deux fournisseurs d'imagerie aérienne — Google et IGN — pour un total de 45 733 images, ce qui rend le jeu de données adapté aussi bien aux benchmarks de segmentation/classification qu'à l'évaluation des changements de distribution entre sources d'imagerie. Toutes les images sont des PNG de 400×400 px, avec des masques de segmentation binaires PNG à la même résolution ; le jeu Google est un sur-ensemble du jeu IGN, c'est-à-dire que chaque installation IGN a aussi une image Google correspondante. Pour DeepPVMapper, comme le déploiement s'appuie sur la BD ORTHO® de l'IGN, les modèles sont entraînés spécifiquement sur le sous-ensemble IGN (17 325 images, dont 7 685 exemples positifs).

**Composition du jeu de données BDAPPV.** Kasmi et al., *Scientific Data*, 2023.
Fournisseur	Images	Positifs (masques)	Négatifs	Remarque
Google	28 408	13 303	15 105	399 images exclues (pas d'entrée de métadonnées)
IGN	17 325	7 685	9 640	–

Exemples d'images et de masques du jeu de données BDAPPV — Exemples d'images (images IGN) du jeu de données BDAPPV.

2.2Résultats de l'entraînement

Le tableau ci-dessous, reproduit de Kasmi et al. (2022), compare la précision de classification et de segmentation de nos modèles à celle de travaux comparables de la littérature. La résolution au sol (GSD) indique le niveau de détail de l'imagerie — plus la GSD est faible, plus l'image est détaillée. Les panneaux PV ne sont généralement pas détectables sur des images dont la GSD dépasse 30 cm/pixel.

**Tableau 2 (Kasmi et al., 2022).** Précision de classification et de segmentation — les références complètes de chaque travail figurent dans la section Références ci-dessous.
Travail	Classification score F1	Segmentation IoU	GSD (cm/pixel)
Mayer et al.	0,87	0,74	10
Malof et al.	–	0,67	30
Zech & Ranalli	0,82	–	10
Parhar et al.	0,97	0,86	10
Notre travail	0,84	0,86	20

3.Déploiement

Le pipeline est ensuite déployé sur toute la France, département par département. Cartographier un département prend environ 6 à 10 heures, selon sa taille et le matériel disponible. Le principal goulot d'étranglement est le prétraitement des tuiles d'images en vignettes. Les détections départementales brutes sont ensuite post-traitées et fusionnées en un seul fichier.

10 départements avaient été cartographiés en 2022, et 38 en avril 2024. La première cartographie complète de la France a été achevée en 2024, à partir d'images acquises entre 2018 et 2023. Plusieurs départements ont depuis été cartographiés trois à quatre fois, ce qui crée un jeu de données dynamique permettant d'étudier les dynamiques de déploiement et les effets de voisinage.

La première version du jeu de données, en juillet 2026, a été produite sur les images IGN les plus récentes disponibles à l'époque, couvrant 2022 à 2025. L'IGN mettant à jour ses images au fil de l'eau, le jeu de données est conçu pour être régulièrement actualisé. Au total, tous les départements sauf 4 avaient été couverts au moins deux fois par DeepPVMapper, ce qui permet de calculer un attribut first_seen dans OpenPVMapper en fusionnant les détections de plusieurs millésimes d'imagerie.

La publication sur Zenodo comprend le fichier de couverture le plus récent, obtenu en fusionnant la cartographie la plus récente de chaque département. Elle comprend aussi toutes les détections départementales brutes, couvrant à la fois les millésimes d'imagerie récents et antérieurs.

La version actuelle du jeu de données (juillet 2026), qui ne comprend que les détections issues des images IGN les plus récentes, contient 589 623 installations, soit 2,9 GWc de puissance installée. L'imagerie couvre de 2022 à 2025.

590 k Systèmes PV détectés

2,9 GWc Puissance installée détectée

209 Cartographies département-année

Résultats de cartographie de DeepPVMapper — Vue d'ensemble de la cartographie des installations PV en toiture par DeepPVMapper. Plus la teinte est foncée, plus la puissance installée est élevée.

OpenPVMapper →

Références

Mayer, J., Rausch, B., Arlt, M.-L., Gust, G., Wang, Z., Neumann, D., & Rajagopal, R. (2022). 3D-PV-Locator: Large-scale detection of rooftop-mounted photovoltaic systems in 3D. Applied Energy, 310, 118469.

Malof, J. M., Li, B., Huang, B., Bradbury, K., & Stretslov, A. (2019). Mapping solar array location, size, and capacity using deep learning and overhead imagery. arXiv preprint arXiv:1902.10895.

Zech, M., & Ranalli, J. (2020). Predicting PV areas in aerial images with deep learning. In 2020 47th IEEE Photovoltaic Specialists Conference (PVSC) (pp. 0767–0774). IEEE.

Parhar, P., Sawasaki, R., Todeschini, A., Reed, C., Vahabi, H., Nusaputra, N., & Vergara, F. (2021). HyperionSolarNet: Solar panel detection from aerial images. In NeurIPS 2021 Workshop on Tackling Climate Change with Machine Learning.

Kasmi, G., Saint-Drenan, Y. M., Trebosc, D., Jolivet, R., Leloux, J., Sarr, B., & Dubus, L. (2023). A crowdsourced dataset of aerial images with annotated solar photovoltaic arrays and installation metadata. Scientific Data, 10, 59.

Trémenbert, Y., Kasmi, G., Dubus, L., Saint-Drenan, Y. M., & Blanc, P. (2023). PyPVRoof: a Python package for extracting the characteristics of rooftop PV installations using remote sensing data. arXiv preprint arXiv:2309.07143.

Kasmi, G., Dubus, L., Blanc, P., & Saint-Drenan, Y. M. (2022). Towards unsupervised assessment with open-source data of the accuracy of deep learning-based distributed PV mapping. arXiv preprint arXiv:2207.07466.