CausalSolar：利用住宅太阳能采用因果表征增强基于图像的屋顶光伏板检测

《Sustainable Cities and Society》：CausalSolar: Leveraging causal representations of residential solar adoption to enhance image-based detection of rooftop solar panels

　　

准确绘制住宅屋顶光伏板分布图对于理解分布式能源转型至关重要。传统基于图像的模型常将光伏板与天窗或暖通空调（HVAC）单元等视觉相似物体混淆，仅依赖视觉线索。反之，现有研究虽识别出入 demographic（人口统计）、建筑类型与政策为太阳能采用的关键驱动因素，但这些因素多用于过去趋势的事后解释而非先验预测。为弥合此差距，研究人员提出 CausalSolar 框架，将高分辨率视觉学习与因果推理模块（Causal Reasoning Module, CRM）集成，以增强住宅屋顶太阳能检测与推理。该框架将人口（People, PE）、场所（Place, PL）、邻里效应（Neighborhood Effects, NE）与区域效应（Regional Effects, RE）领域的采用机制操作化为目标检测的主动约束。借助条件互信息（Conditional Mutual Information, CMI），框架过滤虚假视觉关联，并基于外观与上下文真实性评估屋顶候选。应用于北卡罗来纳州五县 428 个人口普查区（6419 km2），CausalSolar 取得 92.91% 的 F1 分数，较最优纯图像基线提升 7% 至 27%。除检测外，框架刻画了沿城乡梯度变化的因果因子相对贡献：人口因子（PE）在密集城市核心与近郊居主导，而结构、空间与政策线索（PL、NE、RE）在中低密度农村邻里驱动检测。通过将社会行为证据嵌入计算机视觉，CausalSolar 为大规模可再生能源制图与可持续城市规划提供了准确且可解释的工具。

研究背景方面，快速城市化与气候变化催生了对创新城市能源策略的迫切需求，促进住宅屋顶太阳能采用有助于电气化与脱碳。然而传统实地调查与行政记录成本高、时空碎片化和滞后；甚高分辨率（Very-High-Resolution, VHR）遥感影像提供了可扩展替代方案，但图像级分类、像素级分割与目标级检测三类方法中，目标级检测在效率与定位精度间取得平衡，却面临城市环境异质性高、光伏板稀疏且与天窗/HVAC 视觉混淆、纯视觉检测器隐含“所有屋顶等概率安装”的错误假设等瓶颈。既有太阳能采用研究识别的 PE、PL、NE、RE 多尺度驱动因素仅作事后解释，未被转化为先验预测约束。为此，研究人员开展 CausalSolar 研究，将采用机制作为先验上下文嵌入检测器，在北美夏洛特都会区五县（Mecklenburg、Union、Cabarrus、Rowan、Stanly，6419.2 km2，428 个人口普查区）的 VHR 航拍影像（0.15 m）与 ACS 人口普查、OSM 建筑足迹上验证，得出 F1 92.91%、较基线高 7%–27%，且因果域贡献沿城乡梯度迁移的结论，为大规模可再生能制图与公平激励设计提供可解释工具，论文发表于《Sustainable Cities and Society》。

关键技术方法上，研究人员构建双模块框架：候选提议模块（Candidate Proposal Module, CPM）以 OSM 建筑足迹生成屋顶空间先验 A(x,y)，用带形变卷积与 ResNet-101 主干的 Cascade R-CNN 高召回提议候选，并以自适应门控与自适应交并比（Intersection over Union, IoU）阈值调节提议密度；因果推理模块（CRM）针对每候选构建 PE（86 项普查变量经三层 MLP 嵌入）、PL（15 m×15 m 影像块经 ResNet-34 嵌入）、NE（500 m 缓冲邻域采用溢出得分线性嵌入）、RE（县级独热编码线性投影）四域有向图，用基于神经互信息估计器（Neural Mutual-Information Estimator, MINE）的 CMI 正则将各域潜表示解耦为因果/非因果分量，再经两阶消息传递聚合为结构化因果特征，由分类头输出概率、反馈头输出校正图 ΔA 回灌 CPM，联合优化损失 L_total=L_cls+λ_CMIL_CMI+λ_fbL_fb。样本为 78 块 2048×2048 瓦片人工标注 382 块光伏板，按城乡 PBU 分层，70/15/15 切分，三随机种子复现。

研究结果部分，4.1 节整体性能中，CausalSolar 对比 YOLO-v11、PV-DETR、BFPV、PVI 基线，OA 96.72%、IoU 88.31%、Precision 91.87%、Recall 94.56%、F1 92.91%，标准差最小；定性上抑制了将天窗、HVAC、球场误检为面板的错误，证明 CRM 上下文后验压低“视觉像但上下文不可能”的候选。4.1.2 跨五县评估显示各县 OA 中位>95%、IoU>88%，城乡子集均稳健，最终制图 2023 年 6987 处住宅屋顶光伏（Mecklenburg 5002 处最多）。4.2.1 节 CMI 消融实验表明移除 CMI 后 Precision 平均降 39.1%、Recall 降 29.8%、F1 降 51.6%，证实解耦虚假关联是核心增益来源。4.2.2 节单域消融与图 9–10 显示：PE 在 Mecklenburg 密集城区贡献最大；PL 与 NE 在中等密度 Cabarrus、Rowan 辅助候选恢复；RE 在政策信号强的县域补偿 PE 不足；仅用 PE 时 30% 农村 tract 性能下滑。CRM 将 CPM 对真阳性 0.15–0.40 概率拉至 0.91–1.00，将假阳性（天窗/工业构件）压低。

讨论部分指出，既往采用研究因子仅作事后解释，CausalSolar 将其转为检测前约束，使社会技术理论直接运算化；因果先验须随地调整——城区靠人口、农村靠场所/政策。局限为 PE 用 2019–2023 五年 ACS 估算，对短期波动不敏感。结论翻译：本研究提出 CausalSolar 框架，将住宅太阳能采用的多尺度因果机制（PE、PL、NE、RE）作为先验主动约束而非被动事后解释，桥接社会技术理论与计算机视觉；因果先验效能与地理上下文绑定，从城市核心的人口驱动迁移至低密度区的政策与结构驱动；该框架超越精度提升，为城市规划者提供可解释工具以识别社会环境障碍、防止假阳性膨胀容量估计，为基于证据的能源规划、激励设计与公平性评估奠基，未来融入更高时间粒度数据可扩展至全球复杂城市环境的可持续与碳中和路径。