Readar en Solar Monkey gaan internationaal met Spaanse hoogtekaart

Een primeur: Readar heeft voor het eerst hun unieke machine learning methode voor dense matching op Spaanse luchtfoto’s toegepast. Speciaal voor Solar Monkey genereerde Readar een hoogtekaart van de regio Madrid (ca 10.000km2). Solar Monkey is in Nederland marktleider met hun oplossing voor installateurs om zonnepaneleninstallaties te ontwerpen. Binnenkort betreedt Solar Monkey ook de Spaanse markt. Readar en Solar Monkey hebben in Nederland al een langlopende samenwerking. En nu gaan zij dus samen internationaal.

Hoogtekaart Madrid als basis voor opbrengstberekening

Met hun zonnepanelensoftware stelt Solar Monkey installateurs in staat om snel en nauwkeurig installaties te ontwerpen. Hiervoor maken zij onder andere gedetailleerde opbrengstberekeningen. Om deze berekeningen te maken, gebruikt Solar Monkey hoogtekaarten. Op basis hiervan berekenen zij hoeveel zonlicht op een zonnepaneel valt. Zo maakt Solar Monkey met hoge betrouwbaarheid een schatting van hoeveel elke zonnepaneel opbrengt. In Nederland stellen de waterschappen deze hoogtekaarten (AHN) als open data beschikbaar. Deze data wordt met lasersystemen (LiDAR) vanuit vliegtuigen ingewonnen.

Om in Spanje een vergelijkbaar product aan te kunnen bieden heeft Solar Monkey ook daar een hoogtekaart nodig. Helaas is LiDAR-data in Spanje niet op grote schaal beschikbaar. Solar Monkey benaderde Readar daarom voor alternatieven. Readar kan met behulp van luchtfoto’s hoogtekaarten genereren. Hierbij maken wij gebruik van stereoreconstructie. Doordat elk punt op de grond zichtbaar is in minstens twee foto’s kunnen we de hoogte bepalen door insnijding. Als we deze hoogtereconstructie voor vrijwel alle pixels in de foto uitvoeren wordt dit proces “dense matching” genoemd.

Dense matching op basis van Deep Learning

Readar maakt voor dense matching gebruik van een Convolutional Neuraal Netwerk (CNN; Deep Learning). Dit heeft een groot voordeel ten opzichte van traditionele dense matching technieken. Er zijn namelijk minder luchtfoto’s nodig om tot een goede hoogtekaart te komen. Traditionele technieken worden bij voorkeur toegepast op foto’s waar elk punt in 4 tot 5 foto’s zichtbaar is (80% voorwaartse overlap). Deze luchtfoto’s worden doorgaans speciaal voor dit doel ingewonnen. Bij matching met behulp van een CNN hoeven we elk punt op de grond in slechts twee foto’s te zien (60% voorwaartse overlap). Hierdoor kunnen we deze techniek toepassen op reeds beschikbare luchtfoto’s.

Meer weten over dense matching?

Readar kan met haar dense matching methode in heel Europa actuele hoogtekaarten genereren. Interesse? Neem contact op via contact@readar.com.