AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION

A method for detecting rooftop photovoltaic systems in satellite and aerial imagery under degraded spatial resolution is proposed. Object detection is based on solving an image classification task using a large language model to reduce computational load and accelerate the identification process. Th...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2026
Hauptverfasser:	Shapovalova , S., Matіakh , S., Holovakin , M.
Format:	Artikel
Sprache:	Ukrainisch
Veröffentlicht:	Institute of Renewable Energy National Academy of Sciences of Ukraine 2026
Schlagworte:	aerial photograph satellite image solar panels object detection in images LLM GPT spatial resolution of aerial photographs energy infrastructure.
Online Zugang:	https://ve.org.ua/index.php/journal/article/view/604
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Vidnovluvana energetika
Завантажити файл:

Institution

Vidnovluvana energetika

_version_	1871104097211383808
author	Shapovalova , S. Matіakh , S. Holovakin , M.
author_facet	Shapovalova , S. Matіakh , S. Holovakin , M.
author_institution_txt_mv	[ { "author": "S. Shapovalova ", "institution": "National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, Ukraine" }, { "author": "S. Matіakh ", "institution": "Institute of Renewable Energy of the National Academy of Sciences of Ukraine, Kyiv, Ukraine" }, { "author": "M. Holovakin ", "institution": "National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, Ukraine" } ]
author_sort	Shapovalova , S.
baseUrl_str	https://ve.org.ua/index.php/journal/oai
collection	OJS
datestamp_date	2026-07-18T06:32:24Z
description	A method for detecting rooftop photovoltaic systems in satellite and aerial imagery under degraded spatial resolution is proposed. Object detection is based on solving an image classification task using a large language model to reduce computational load and accelerate the identification process. The proposed method is intended for rapid inventory of solar generation facilities to enhance the resilience of Ukraine’s energy infrastructure. Unlike semantic segmentation approaches, which require specialized model training and significant computational resources, the proposed method reformulates the task as binary classification of local image fragments using a large language model. This approach eliminates the need for additional training and reduces overall computational costs by replacing the resource-intensive semantic segmentation task with a binary classification problem applied to local image patches. Four prompt strategies for target object detection are developed and evaluated. An algorithm for simulating limited spatial resolution through controlled scaling and interpolation is introduced. Computational experiments were performed using the GPT-4o large language model to assess alternative strategies for formulating identification criteria for solar generation assets at different levels of spatial resolution. Degradation in the range of 1–2 m/pixel significantly affects detection accuracy. At high detail levels (0.1 – 0.3 m/pixel), the highest performance is achieved by the “binary classification based on image examples” strategy (F1-score = 0.9523). At lower resolutions (1–2 m/pixel), the more robust approaches are “classification based on step-by-step feature analysis” (F1-score = 0.6801) and “classification based on hypotheses” (F1-score = 0.6502). The results demonstrate that multimodal language models can support scalable automated inventory of distributed solar installations over large territories without task-specific training.
doi_str_mv	10.36296/1819-8058.2026.1(84).166-180
first_indexed	2026-03-31T01:00:08Z
format	Article
fulltext	166 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика УДК 004.8:004.932.2 https://doi.org/10.36296/1819-8058.2026.1(84).166-180 АВТОМАТИЗОВАНА ІДЕНТИФІКАЦІЯ ДАХОВИХ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ВЕЛИКИХ МУЛЬТИМОДАЛЬНИХ МОДЕЛЕЙ В УМОВАХ ОБМЕЖЕНОЇ ВІЗУАЛЬНОЇ ІНФОРМАЦІЇ Отримано 22 лют. 2026 р.; рекомендовано до публікації 23 бер. 2026 р. Доступно онлайн 31 бер. 2026 р. Шаповалова С. І.1, Матях С. В.2, Головакін М. А.3 Автор для кореспонденції: Матях Сергій, e-mail: krypto@ukr.net Анотація. Запропоновано метод визначення дахових об’єктів сонячної генерації на супутникових та аерофо- тознімках за умов деградації їх просторової роздільної здатності. Виявлення об’єкта базується на розв’язанні задачі класифікації на зображеннях великою мовною мо- деллю для зменшення обчислювального навантаження та пришвидшення процесу ідентифікації. Запропонова- ний метод призначено для оперативної інвентаризації об’єктів сонячної генерації з метою підвищення стійкості енергетичної інфраструктури України. На відміну від підходів семантичної сегментації, що потребують спеціалізованого навчання моделей і зна- чних обчислювальних ресурсів, запропонований підхід з бінарною класифікацією локальних фрагментів зображення LLM не потребує додаткового навчання та дає змогу зменшити сумарні обчислювальні ви- трати за рахунок переходу від ресурсоємної задачі семантичної сегментації до задачі бінарної класифі- кації локальних фрагментів зображення. Запропоновано чотири промпт-стратегії виявлення заданого об’єкта на зображеннях. Розроблено алгоритм моделювання обмеженої просторової роздільної здат- ності знімків, що базується на контрольованому масштабуванні та інтерполяції локальних фрагмен- тів зображення. Проведено обчислювальні експерименти на великій мовній моделі GPT-4o з порівняння стратегій формування критеріїв ідентифікації об’єктів сонячної генерації за різної просторової роз- дільної здатності. Встановлено закономірності впливу деградації просторової інформації в діапазоні 1–2 м/піксель на ефективність автоматизованої ідентифікації об’єктів. Підтверджено доцільність експериментального вибору логіки ідентифікації до умов просторової деградації зображення. Встано- влено, що за високої деталізації, 0.1–0.3 м/піксель, найвищу точність забезпечує стратегія «бінарна класифікація на прикладах зображень» (F1-score = 0.9523), тоді як у разі збільшення масштабу пікселя, 1–2 м/піксель, стійкішими виявляються «класифікація на основі покрокового аналізу ознак» (F1-score = 0.6801) та «класифікація на основі гіпотез» (F1-score = 0.6502). Запропонований метод застосування мультимодальних мовних моделей надає можливість масштабованої автоматизованої інвентариза- ції об’єктів розподіленої сонячної генерації на великих територіях. Ключові слова: аерофотознімок, супутниковий знімок, сонячні панелі, визначення об’єктів на зображен- нях, LLM, GPT, просторове розділення аерофотознімків, енергетична інфраструктура. Перелік використаних позначень та скорочень ДЗЗ – дистанційне зондування Землі СЕС – сонячна електростанція CEPA (Center for European Policy Analysis) – Центр ана- лізу європейської політики WMS (Web Map Service) – Вебсервіс карт OGC (Open Geospatial Consortium) – Відкритий геопрос- торовий консорціум CRS (Coordinate Reference System) – Система координат EPSG – код системи координат (у роботі використано EPSG:25832) GeoTIFF – геоприв’язаний растровий формат зображення GetMap – тип запиту сервісу WMS для отримання раст- рового фрагмента карти LLM (Large Language Model) – Велика мовна модель API (Application Programming Interface) – прикладний програмний інтерфейс Вступ Актуальність автоматизованої ідентифікації дахових об’єктів сонячної генерації суттєво зросла внаслідок ма- сштабних руйнувань енергетичної інфраструктури України, спричинених воєнними діями. У таких умовах оперативна інвентаризація об’єктів генерації на великих територіях є критично важливою для оцінювання поте- нціалу відновлюваних джерел енергії та планування 1 канд. техн. наук, доцент https://orcid.org/0000-0002-3431-5639 2 канд. техн. наук https://orcid.org/0000-0002-1707-3519 3 аспірант https://orcid.org/ 0009-0006-1456-8926 1, 3 Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ, Україна 2 Інститут відновлюваної енергетики НАН України, м. Київ, Україна 167 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика екстрених дій із забезпечення стійкості енергетичної ін- фраструктури. За даними аналітичного центру Center for European Policy Analysis (CEPA) [1], унаслідок ракетних та дронових атак у 2022–2024 роках Україна зазнала суттє- вих втрат електрогенерувальних потужностей. Зокрема, у 2024 році було втрачено близько 9 ГВт генерації, що відповідає приблизно одній третині довоєнного рівня споживання електроенергії, а частка теплової генерації скоротилась з 23.5 % до близько 5 %. У цих умовах осо- бливого значення набувають об’єкти децентралізованої відновлюваної генерації, зокрема дахові об’єкти соняч- ної генерації, які здатні підвищувати енергетичну стій- кість локальних споживачів та зменшувати наванта- ження на пошкоджену інфраструктуру. Проте відсутність актуальних реєстрів та оперативних інстру- ментів інвентаризації таких об’єктів істотно ускладнює їх урахування в енергетичному плануванні. Традиційні підходи до аналізу аерофотознімків [2–4], зокрема ме- тоди семантичної сегментації [5], характеризуються ви- сокими обчислювальними витратами та залежать від спеціалізованих вибірок, що обмежує їх застосування в умовах різної якості зйомки та обмеженої просторової роздільної здатності. Тому актуальним є створення ме- тодів швидкої ідентифікації дахових об’єктів сонячної генерації, здатних працювати в умовах обмеженої візу- альної інформації та масштабуватись на великі дослі- джувані площі без попереднього навчання. Задача автоматизованої ідентифікації дахових сонячних панелей на аерофотознімках у більшості сучасних дослі- джень розв’язується із застосуванням згорткових ней- ронних мереж [6]. Основний акцент у таких роботах ро- биться на підвищенні точності розпізнавання шляхом удосконалення архітектур моделей та використання ба- гаторівневих візуальних ознак. У дослідженні [7] розглядається задача автоматичного виявлення сонячних панелей на основі семантичної се- гментації аерофотознімків. Дослідники використовують згорткову глибинну нейронну мережу, навчену на спе- цалізованому наборі розмічених даних, та демонстру- ють високі показники точності ідентифікації сонячних панелей на зображенні високої якості. Досягнуті резуль- тати підтверджують ефективність використання згорт- кових глибинних нейронних мереж для цієї задачі, од- нак підхід потребує попереднього навчання моделі, значних обчислювальних ресурсів та високої якості зо- браження. Інший приклад представлено в роботі [8], де автори зо- середжуються на підвищенні точності сегментації соня- чних панелей. Для цього використовується ускладнена архітектура згорткової нейронної мережі з багатомасш- табним аналізом ознак і додатковими модулями прос- торової реконструкції. Цей підхід забезпечує покра- щення якості розпізнавання порівняно з базовими моделями, проте досягнення таких результатів супрово- джується збільшенням складності моделі та обчислюва- льних витрат. Сучасні дослідження з автоматизації розпізнавання со- нячних панелей переважно спрямовані на підвищення точності шляхом ускладнення архітектури згорткових нейронних мереж, використання додаткових рівнів об- робки ознак та спрямовані на обробку чітких знімків. Хоча такі підходи демонструють високі показники яко- сті, вони залишаються ресурсоємними та потребують спеціалізованого навчання моделей, що ускладнює їх застосування для оперативної обробки великих масивів аерофотознімків або роботи в умовах обмеженої прос- торової роздільної здатності. Проблема полягає в необхідності великої кількості об- числювальних ресурсів, насамперед часу, для точного визначення заданого об’єкта на великій множині знім- ків методами семантичної сегментації мережами глибо- кого навчання. Тому необхідно мати засіб швидкого не- ресурсоємного попереднього визначення підмножини знімків, на яких з великою ймовірністю зображений за- даний об’єкт. Запропонований у цій роботі підхід спрямовано на зме- ншення використання обчислювальних ресурсів за ра- хунок відмови від спеціалізованого навчання моделей і перенесення акценту з ускладнення архітектури на фор- малізацію критеріїв прийняття рішень при аналізі зобра- жень. Для автоматизованої класифікації об’єктів на ае- рофотознімках застосовуються великі мультимодальні моделі [9–12]. На відміну від класичних методів комп’ютерного зору [3, 4], де логіка класифікації закла- дена в параметрах навченої моделі, у разі використання великих мовних моделей результат аналізу значною мі- рою залежить від способу задання критеріїв інтерпрета- ції візуальної інформації. Швидкий та попередній аналіз без етапу спеціалізованого навчання на основі LLM мно- жини аерофотознімків дасть змогу створити обмежену множину зображень, які з високою ймовірністю містять сонячні панелі, і суттєво скоротити ресурси для їх пода- льшої семантичної сегментації. Метою роботи є створення методу визначення об’єктів сонячної генерації на супутникових та аерофотознімках за умов деградації їх просторової роздільної здатності. Для досягнення поставленої мети у роботі необхідно ви- конати такі завдання: 1. Формалізувати задачу ідентифікації об’єктів соняч- ної генерації на аерофотознімках для використання мультимодальної моделі (LLM). 2. Розробити промпт-стратегії для LLM. 3. Підготувати набір зображень для обчислювальних експериментів. 4. Розробити алгоритм моделювання умов обмеженої просторової роздільної здатності, для дослідження впливу деградації візуальної інформації на резуль- тати ідентифікації. 4. Провести порівняльний аналіз результатів обчис- лювальних експериментів з визначення сонячних 168 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика панелей за різними промпт-стратегіями та умовами роздільної здатності. Об’єктом дослідження є методи та засоби розв’язання задачі бінарної класифікації об’єктів на аерфотознімках. Предметом дослідження є застосування мультимода- льних мовних моделей для класифікації об’єктів на ло- кальних фрагментах зображень за різної просторової роздільної здатності. Методи дослідження: навчені великі мовні моделі, GPT-4o, страгерії промпт-орієнтованої ідентифікації на зображенні, моделювання різних рівнів деталізації ае- рофотознімку. 1. Задача визначення наявності сонячної панелі на ае- рофотознімку на основі LLM Задача визначення об’єктів сонячної генерації на аеро- фотознімку ставиться як задача бінарної класифікації на зображенні. Для коректного аналізу зображення, отримані в резуль- таті аерофотозйомки, мають бути попередньо підгото- вані. Тому визначення сонячних панелей відбувається за два етапи: 1. Просторова декомпозиція. Область інтересу на зображенні розбивається на мно- жину локальних фрагментів фіксованого розміру, що за- безпечує локалізацію аналізу та уніфікацію вхідних да- них для подальшої обробки. 2. Класифікація сонячної панелі або її відсутності на ло- кальних фрагментах аерофотознімка. Для кожного фрагмента зображення на основі LLM ви- конується перевірка наявності об’єктів сонячної генера- ції. Для безпосередньої класифікації перед представленням кожного зображення LLM пропонується промпт-контекст з описом характеристик об’єктів сонячної генерації та за- вданням. LLM надає оцінку наявності сонячної панелі за шкалою від 0 до 1. Вважається, що знімок містить сонячну панель, якщо оцінка в діапазоні від 0.6 до 1. Задача визначення об’єкта на знімках ускладнюється тим, що вхідні зображення можуть суттєво відрізнятися: 1. Просторовою роздільною здатністю – розміром те- риторії, що припадає на 1 піксель. 2. Якістю – наявністю втрат фрагментів зображення або нечітких сегментів. 3. Схожістю з іншими об’єктами, оскільки характерні ві- зуальні ознаки об’єктів сонячної генерації можуть бути частково / повністю втрачені або мати спільні риси з іншими об’єктами. За таких обставин безпосередня класифікація зобра- ження без явного опису ознак призводить до нестабі- льних результатів і зростання кількості хибних рішень. Під час опису візуальних ознак сонячних панелей необ- хідно враховувати, що зображення об’єктів сонячної генерації можуть мати спільні риси з такими об’єктами, як сільськогосподарські теплиці зі світлопрозорим пок- риттям, металеві або світловідбивні покрівлі, дахові ві- кна, інженерні надбудови й тіні від конструктивних еле- ментів. Наявність подібних об’єктів у межах щільної міської забудови істотно ускладнює автоматизовану ін- терпретацію знімків та підвищує ризик хибнопозитивної класифікації. Використання LLM дає змогу уникнути повного аналізу всього зображення, обмежуючи обчислення лише тими локальними фрагментами, для яких бінарна класифіка- ція моделі виявляє наявність об’єктів сонячної генерації з достатньою високою оцінкою. Завдяки цьому задачу з ресурсоємної семантичної сегментації, що потребує спеціалізованого навчання моделей, можна трансфор- мувати в задачу локальної бінарної класифікації, що сприяє зменшенню сумарних обчислювальних витрат алгоритмічного циклу та забезпечує масштабованість алгоритму при обробці супутникових знімків великих територій. 2. Промпт-стратегії для LLM Ефективність автоматизованої ідентифікації об’єктів со- нячної генерації безпосередньо залежить від способу формалізації критеріїв аналізу візуальної інформації. Для зозв’язання задачі було використано чотири під- ходи, які відрізняються логікою виявлення заданого об’єкта: 1. Класифікація на основі базової інтерпретації ознак. 2. Бінарна класифікація на прикладах зображень. 3. Класифікація на основі покрокового аналізу ознак. 4. Класифікація на основі гіпотез. Класифікація на основі базової інтерпретації ознак. При цьому підході для LLM визначалась роль експерта. Для виявлення сонячної панелі надавався опис її харак- терних ознак: темна прямокутна структура, регулярність форми, контраст з навколишнім фоном. Такий підхід фактично імітує інтуїтивну інтерпретацію зображення без деталізованої перевірки окремих хара- ктеристик. За високої просторової роздільної здатності цей спосіб забезпечує прийнятну точність. Однак у разі зниження деталізації сцени зростає кількість хибнопо- зитивних рішень, зокрема через подібність з темними покрівлями або тінями. Бінарна класифікація на прикладах зображень. При цьому підході для LLM визначалась роль «You are a specialized AI for detecting solar arrays in satellite imagery». LLM надавалось два приклади зображень со- нячних панелей, кожен з яких є типовим для класу ная- вності та відсутності. Промпт-текст містив визначення заключення щодо об’єкта для кожного прикладу у фор- маті спілкування з ШІ-експертом. У цьому підході використано уточнення критеріїв шля- хом використання репрезентативних прикладів об’єктів цільового класу та типових граничних випадків. Рішення 169 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика приймалося на основі оцінювання подібності аналізова- ного фрагмента до попередньо визначених зразків. На зображеннях високої якості цей підхід дає змогу сут- тєво підвищити точність класифікації, оскільки структу- рні елементи сонячних панелей добре зберігаються. Проте зі зниженням просторової роздільної здатності ефективність методу зменшується, оскільки дрібні текс- турні деталі, що визначають подібність до еталону, час- тково або повністю втрачаються. Класифікація на основі покрокового аналізу ознак. При цьому підході для LLM визначалась роль експерта-ана- літика. Визначення об’єкта відбувається за три етапи: 1. Виокремлення найбільш значущих характеристич- них ознак об’єкта: Luminance, Uniformity, Edges. 2. Дедуктивне виведення класу на основі комбінацій значень ознак. 3. Перетворення вердикту на оцінку від 0 до 1. Таким чином, на першому етапі оцінювалася відносна яскравість об’єкта та його геометрична форма. На дру- гому етапі перевірялась наявність просторового групу- вання елементів. Такий підхід дає змогу зменшити залежність від дрібних текстурних ознак і перейти до оцінювання більш загаль- них характеристик, що зберігаються навіть за помірного зниження просторової роздільної здатності. Практичні результати показали підвищення стабільності класифі- кації для зображень середньої якості. Класифікація на основі гіпотез. При цьому підході для LLM визначалась роль експерта-дослідника: «You are a Lead Scientist in Remote Sensing». На відміну від покро- кового аналізу ознак, процес класифікації організовано як паралельну перевірку кількох альтернативних гіпотез щодо природи об’єкта на даху. За цим підходом визна- чення відбувається в чотири етапи: 1. Формування та оцінювання гіпотези A (світлий відби- вний об’єкт / теплиця). Аналізуються ознаки високої яскравості (High Luminance), наявність відблисків та внутрішньої структури. 2. Формування та оцінювання гіпотези B (ізольований малий об’єкт / мансардне вікно). Перевіряється ізо- льованість об’єкта та його відносно малий розмір по- рівняно з площею даху. 3. Формування та оцінювання гіпотези C (сонячні па- нелі). Аналізуються ознаки нижчої яскравості відно- сно покрівлі (Low Luminance), а також наявність про- сторового групування модулів (Clustering) або регу- лярної структури. 4. Синтез результатів. Порівнюються відносні оцінки гі- потез. Клас «сонячні панелі» підтверджується лише за умови, що гіпотеза C є більш обґрунтованою, ніж A та B. У разі переваги гіпотез A або B рішення прий- мається на користь відсутності сонячних панелей. Такий підхід продемонстрував найвищу стійкість до зниження просторової роздільної здатності, ос- кільки базується не на одній окремій ознаці, а на зіс- тавленні альтернативних пояснень. Водночас у випа- дках темних однорідних покрівель можливе зрос- тання хибнопозитивних результатів через переоці- нювання гіпотези С. Запропоновані промпт-тексти для виявлення сонячних панелей на аерофотознімках за кожною описаною стра- тегією представлено в [13]. 3. Підготовка набору даних Набір зображень створено на основі цифрових аерофо- тознімків високої просторової роздільної здатності, отриманих з відкритого картографічного сервісу держа- вного рівня Web Map Service (WMS) [14] через API. Для завантаження зображень використовувався запит типу GetMap у проєкції EPSG:25832 [15], що забезпечує коре- ктну метричну прив’язку та узгодженість розмірів обла- сті зображення. Для кожної територіальної зони визначався обмежува- льний прямокутник фіксованого розміру в метрах та від- повідне йому аерофото у растровому форматі з зада- ними параметрами ширини та висоти зображення, що відповідають цільовій просторовій роздільній здатності 0.1 м/піксель. Завантажені зображення додатково пе- ретворювалися у формат GeoTIFF із записом просторо- вої прив’язки (CRS і геотрансформації), що забезпечує відтворюваність експериментів та можливість подаль- шої просторової обробки. Для проведення експериментального дослідження сфо- рмовано тестову вибірку, що містить 1000 локальних фрагментів зображень, з яких 390 відповідають наявно- сті об’єктів сонячної генерації та 610 – їх відсутності. Роз- поділ класів є незбалансованим, що враховано під час інтерпретації метрик точності. У реальних задачах дис- танційного зондування Землі просторові характерис- тики зображень суттєво залежать від типу системи, що робить знімки, параметрів сенсора, висоти зйомки, ат- мосферних умов та етапів подальшої обробки зобра- ження пристроєм. Різні супутникові й аерознімальні платформи формують зображення з неоднаковою про- сторовою роздільною здатністю, що призводить до ва- ріативності рівня деталізації сцени, чіткості контурів об’єктів та ступеня просторового згладжування. 4. Моделювання умов обмеженої просторової роз- дільної здатності зображення У реальних умовах вхідні дані не завжди містять чітко окреслені межі об’єктів, а дрібні структурні елементи можуть частково або повністю втрачатися. За таких умов алгоритми аналізу зображень повинні бути стійкими до змін просторової роздільної здатності та здатними ко- ректно працювати з даними різної якості. У зв’язку з цим виникає необхідність формування репре- зентативного набору вхідних даних, який відтворює ти- пові обмеження реальних систем спостереження. За- дача моделювання обмеженої просторової роздільної здатності полягає в штучному відтворенні деградації 170 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика просторових характеристик високодеталізованого аеро- фотознімка з метою імітації даних, отриманих із різних знімальних платформ. Такий підхід дає змогу дослідити вплив зниження просторової роздільної здатності на ре- зультати подальшої класифікації об’єктів та забезпечує коректну валідацію методів аналізу зображень в умо- вах, наближених до реальних. Моделювання умов обмеженої просторової роздільної здатності виконується у вигляді формального алгори- тму, що складається з двох послідовних етапів: 1. Просторова декомпозиція аерофотознімка на лока- льні фрагменти. 2. Контрольоване зниження просторової роздільної здатності кожного фрагмента. Вихідний аерофотознімок розглядається як багатокана- льне растрове зображення. Для забезпечення локаль- ного аналізу та уніфікації вхідних даних зображення по- діляється на локальні фрагменти однакового розміру, сформовані у вигляді сітки. Розбиття виконується в та- кий спосіб, щоб забезпечити повне просторове пок- риття області інтересу, включно з граничними ділян- ками зображення. Таким чином, зображення розбивається на фрагменти розміром 512 х 512 пікселів. Базова просторова роздільна здатність вихідних аеро- фотознімків становить 0 0.10r = м/піксель. Для моделювання умов зйомки використовується скін- ченна множина значень просторових роздільних здат- ностей  0.10,0.20,0.30,0.40,0.50,0.70,1.00,1.30,1.50,2.00= м/піксель. Для кожного значення r визначається коефіцієнт відповідності пікселя 0 r r s r = , (1) де r – референтна просторова роздільна здатність фра- гмента знімка (м/піксель), 0r – значення цільової просторової роздільної здатності (м/піксель). Дискретне багатоканальне зображення має вигляд 𝐼: {0,… ,𝐻 − 1} × {0,… ,𝑊 − 1} × {1, … , 𝐶} → ℝ, (2) де H – висота зображення (кількість рядків), W – ширина зображення (кількість стовпців), C – кількість спектральних каналів,  0,..., 1x W − – горизонтальна координата пікселя,  0,..., 1y H − – вертикальна координата пікселя,  1,...,c C – індекс спектрального каналу. Зменшене зображення масштабу r визначається опе- ратором ( ) ( )r sI D I= , (3) де sD – оператор усереднення з коефіцієнтом масш- табу s , що перетворює зображення розміру H W C  на зображення розміру ' 'H W C  . Розміри зменшеного зображення визначаються як ' H H s   =     , ' W W s   =     , (4, 5) де H – висота зображення в пікселях W – ширина зображення в пікселях s – коефіцієнт масштабу. Для забезпечення єдиного формату вхідних даних вико- нується зворотне масштабування: ( ) ( ) ( ) r r sI u I= , (6) де su – оператор білінійної інтерполяції, що масштабує зображення розміру ' 'H W C  до фіксованого роз- міру H W C  . Під час аналізу аерофотознімків міських територій осо- блива увага приділялася граничним випадкам, тобто об’єктам, морфологічні характеристики яких частково збігаються з ознаками елементів сонячної генерації. Для визначення потенційно схожих об’єктів з ознаками реальних сонячних панелей було проведено порівняль- ний аналіз геометричних і текстурних характеристик об’єктів зображень міських територій. Оцінювалися ре- гулярність структури, просторові пропорції, однорід- ність інтенсивності в межах об’єкта та контраст з навко- лишнім фоном. Додатково досліджувалося видозмі- нення таких об’єктів при контрольованому зменшенні просторової роздільної здатності, що дало змогу прос- тежити, як деградація деталізації зображення впливає на збереження характерної структури. 5. Обчислювальні експерименти Обчислювальні експерименти полягали в розв’язанні задачі класифікації моделлю GPT-4o [16] за усіма зобра- женнями створеного датасету з 1000 аерофотознімків. За кожним зображенням модель робила чотири висно- вки відповідно до стратегій, представлених у розділі 1. Висновки оцінювались за precision, recall та F1-score. Результати обчислювальних експериментів представ- лено у таблиці. 171 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика Таблиця. Результати класифікації сонячних панелей на зображеннях Просторова роздільна здатність, м/піксель Стратегія ідентифікації Точність Повнота F1-міра 0.1 Класифікація на основі покрокового аналізу ознак 0.8365 0.959 0.8936 0.1 Бінарна класифікація на прикладах зображень 0.957 0.9477 0.9523 0.1 Класифікація на основі гіпотез 0.6225 0.9431 0.75 0.1 Класифікація на основі базової інтерпретації ознак 0.7906 0.9573 0.866 0.5 Класифікація на основі покрокового аналізу ознак 0.69 0.828 0.7527 0.5 Бінарна класифікація на прикладах зображень 0.9404 0.7029 0.8045 0.5 Класифікація на основі гіпотез 0.5603 0.9566 0.7067 0.5 Класифікація на основі базової інтерпретації ознак 0.6494 0.8511 0.7367 1 Класифікація на основі покрокового аналізу ознак 0.5529 0.6575 0.6007 1 Бінарна класифікація на прикладах зображень 0.5853 0.4029 0.4773 1 Класифікація на основі гіпотез 0.5106 0.9153 0.6555 1 Класифікація на основі базової інтерпретації ознак 0.5205 0.8654 0.65 2 Класифікація на основі покрокового аналізу ознак 0.552 0.8857 0.6801 2 Бінарна класифікація на прикладах зображень 0.6653 0.2972 0.4109 2 Класифікація на основі гіпотез 0.6991 0.6077 0.6502 2 Класифікація на основі базової інтерпретації ознак 0.4573 0.5769 0.5102 Порівняльний аналіз результатів з різними промпт-стра- тегіями підтверджує суттєву залежність точності від про- сторової роздільної здатності аерофотознімків. На рисунку, представлено залежності F1-міри від прос- торово роздільної здатності зображення, отримані за всіма промпт-стратегіями. За високої деталізації най- вищі значення F1-міри отримано за стратегією «бінарна класифікація на прикладах зображень», однак при 1 – 2 м/піксель спостерігається різке зниження цієї характе- ристики. Стратегії «класифікація на основі покрокового аналізу ознак» та «класифікація на основі гіпотез» хара- ктеризуються помірнішою деградацією показників, що свідчить про їх більшу стійкість до втрати просторової ін- формації. Рисунок. Залежність F1-міри від просторової роздільної здатності 172 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика Отримані результати засвідчують наявність різних ре- жимів ефективності стратегій залежно від масштабу пік- селя. За високої просторової роздільної здатності найе- фективнішим є підхід, орієнтований на подібність до еталонних прикладів, тоді як зі зниженням деталізації стійкішими виявляються стратегії, засновані на структу- рованому та ієрархічному аналізі ознак. Результати вка- зують на різну ефективність стратегій залежно від рівня просторової деталізації. Підходи, що спираються на ло- кальні текстурні ознаки, є оптимальними при високій роздільній здатності, тоді як зі зростанням масштабу пі- кселя перевагу отримують методи, орієнтовані на інтег- ральні геометричні та фотометричні характеристики об’єкта. Це підтверджує необхідність адаптації логіки ідентифікації до умов просторової деградації зобра- ження. Висновки 1. Формалізовано задачу автоматизованої ідентифіка- ції об’єктів сонячної генерації на аерофотознімках як задачу бінарної класифікації локальних фрагментів з використанням великої мультимодальної моделі без зміни її параметрів. Запропоновано двоетапний алгоритм, а саме просторову декомпозицію зобра- ження та перевірку гіпотези щодо наявності об’єкта на рівні окремого фрагмента. Це дало змогу транс- формувати ресурсоємну задачу семантичної сегмен- тації у задачу локальної класифікації з нижчими об- числювальними витратами. 2. Запропоновано чотири промпт-стратегії виявлення заданого об’єкта на супутникових та аерофотознім- ках, що дає змогу експериментально визначити оп- тимальну за точністю стратегію для прикладної за- дачі залежно від просторово роздільної здатності. 3. Розроблено алгоритм моделювання обмеженої про- сторової роздільної здатності знімків, що базується на контрольованому масштабуванні та інтерполяції локальних фрагментів зображення. Встановлено за- кономірності впливу деградації просторової інфор- мації в діапазоні 1–2 м/піксель на ефективність авто- матизованої ідентифікації. Показано, що зі зменшенням деталізації зображення знижується ін- формативність локальних текстурних ознак та зміню- ється режим ефективності стратегій класифікації. 4. Проведено обчислювальні експерименти з порів- няння стратегій формування критеріїв ідентифікації об’єктів сонячної генерації за різної просторової роз- дільної здатності. Встановлено, що за високої деталі- зації, 0.1–0. м/піксель, найвищу точність забезпечує стратегія «бінарна класифікація на прикладах зобра- жень» (F1-score = 0.9523), тоді як при збільшенні ма- сштабу пікселя, 1–2 м/піксель, стійкішими виявля- ються «класифікація на основі покрокового аналізу ознак» (F1-score = 0.6801) та «класифікація на основі гіпотез» (F1-score = 0.6502). Підтверджено необхід- ність адаптації логіки ідентифікації до умов просто- рової деградації зображення. Отримані результати доводять можливість застосу- вання мультимодальних мовних моделей для масшта- бованої автоматизованої інвентаризації об’єктів розпо- діленої сонячної генерації без спеціалізованого навчання моделей, що знижує обчислювальні витрати за рахунок відсутності етапу спеціалізованого навчання та підвищує практичну придатність методу для обробки великих територій. ПОСИЛАННЯ 1. Сenter for European Policy Analysis. A rebirth in flame: Ukraine’s beleaguered energy system. 2024. URL: https://cepa.org/article/a-rebirth-in-flame-ukraines- beleaguered-energy-system. 2. Bondarenko D., Matіakh S., Surzhyk, Т., Sheiko І. Aspects of the further development of photoenergy according to the materials of the scientific and practical conference «Renewable energy and energy efficiency in the 21st century» 2023. Vidnovluvana Energetika. 2023. No. 4(75). Pp. 39–44. https://doi: 10.36296/1819-8058.2023.4(75).39-44 3. Bondarenko D., Matiakh S., Surzhyk Т., Sheiko I., Kravchenko М. DEVELOPMENT TRENDS OF SOLAR POWER ENGINEERING BASED ON THE MATERIALS OF THE SCIENTIFIC AND PRACTICAL CONFERENCE «RENEWABLE ENERGY AND ENERGY EFFICIENCY IN THE 21. Vidnovluvana Energetika. 2024. № 3(78). Pp. 76– 83. https://doi.org/10.36296/1819- 8058.2024.3(78).76-83 4. Bondarenko D., Matiakh S., Surzhyk Т., Sheiko I. ACTUAL PATHWAYS FOR SOLAR ENERGY DEVELOPMENT BASED ON THE MATERIALS OF THE SCIENTIFIC AND PRACTICAL CONFERENCE «RENEWABLE ENERGY AND ENERGY EFFICIENCY IN THE 21ST CENTURY» 2025. Vidnovluvana Energetika. 2025. № 3(82). Pp. 82–88. https://doi.org/10.36296/1819- 8058.2025.3(82).82-88 5. Matiakh S., Ausheva N., Kardashov O., Bondarenko D. . DETERMINATION OF THE PHOTOVOLTAIC POTENTIAL OF TERRITORIAL COMMUNITIES OF UKRAINE USING GEOINFORMATION SYSTEMS. Vidnovluvana Energetika.2025. № 4(83). Pp. 165–188. https://doi.org/10.36296/1819-8058.2025.4(83).165-188 6. Уряд спростив процедури встановлення сонячних електростанцій на будівлях [Електронний ресурс]. Режим доступу: https://www.kmu.gov.ua/news/uriad-sprostyv- protsedury-vstanovlennia-soniachnykh-elektrostantsii- na-budivliakh 7. Ma L., Liu Y., Zhang X. Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing. 2019. Vol. 152. Pp. 166–177. DOI: https://doi.org/10.1016/j.isprsjprs.2019.04.015. https://cepa.org/article/a-rebirth-in-flame-ukraines-beleaguered-energy-system https://cepa.org/article/a-rebirth-in-flame-ukraines-beleaguered-energy-system https://www.scopus.com/authid/detail.uri?authorId=57090256200 https://www.scopus.com/authid/detail.uri?authorId=58866652900 https://www.scopus.com/authid/detail.uri?authorId=57971234900 https://www.scopus.com/authid/detail.uri?authorId=58961288700 https://doi.org/10.36296/1819-8058.2023.4(75).39-44 https://doi.org/10.36296/1819-8058.2025.3(82).82-88 https://doi.org/10.36296/1819-8058.2025.3(82).82-88 https://doi.org/10.36296/1819-8058.2025.4(83).165-188 https://doi.org/10.1016/j.isprsjprs.2019.04.015 173 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика 8. Richards J. Remote Sensing Digital Image Analysis. Berlin: Springer, 2013. 494 p. DOI: https://doi.org/10.1007/978-3-642-30062-2. 9. Schowengerdt R. Remote Sensing: Models and Methods for Image Processing. Burlington: Academic Press, 2007. 560 p. 10. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2015. Vol. 37. No. 11. DOI: https://doi.org/10.48550/arXiv.1411.4038. 11. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. Proceedings of CVPR. 2016. DOI: https://doi.org/10.1109/CVPR.2016.90. 12. Alshammari R., Khan S., Alqahtani A. Automated Rooftop Solar Panel Detection Through Convolutional Neural Networks. International Journal of Remote Sensing. 2024. DOI: https://doi.org/10.1080/07038992.2024.2363236. 13. Li X., Zhang Y., Wang H. Enhancing Rooftop Photovoltaic Segmentation Using Spatial Feature Reconstruction and Multi-scale Feature Aggregation. Energies. 2025. DOI: https://doi.org/10.3390/en18010119. 14. Radford A., Kim J. W., Hallacy C. Learning Transferable Visual Models From Natural Language Supervision. Proceedings of ICML. 2021. DOI: https://doi.org/10.48550/arXiv.2103.00020. 15. Vaswani A., Shazeer N., Parmar N. Attention Is All You Need. Advances in Neural Information Processing Systems. 2017. DOI: https://doi.org/10.48550/arXiv.1706.03762. 16. Dosovitskiy A. Beyer L., Weissenborn D. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. ICLR. 2021. DOI: https://doi.org/10.48550/arXiv.2010.11929. 17. Ouyang L. et al. Training language models to follow instructions with human feedback. NeurIPS. 2022. DOI: https://doi.org/10.48550/arXiv.2203.02155. 18. Shapovalova S., Holovakin M. Prompt Strategies for Multimodal LLM-Based Rooftop Solar Panel Detection, Zenodo. 2026 DOI: https://doi.org/10.5281/zenodo.18670195. 19. Land Nordrhein-Westfalen, Geobasis NRW. Digital Orthophotos via WMS Service (WMS NW DOP). Düsseldorf, 2024. URL: https://www.wms.nrw.de/geobasis/wms_nw_dop. 20. EPSG Geodetic Parameter Dataset. EPSG:25832 – ETRS89 / UTM zone 32N. URL: https://epsg.org/. 21. OpenAI. GPT-4o System Card. 2024. DOI: https://doi.org/10.48550/arXiv.2410.21276. https://doi.org/10.1007/978-3-642-30062-2 https://doi.org/10.48550/arXiv.1411.4038 https://doi.org/10.1109/CVPR.2016.90 https://doi.org/10.1080/07038992.2024.2363236 https://doi.org/10.3390/en18010119 https://doi.org/10.48550/arXiv.2103.00020 https://doi.org/10.48550/arXiv.1706.03762 https://doi.org/10.48550/arXiv.2010.11929 https://doi.org/10.48550/arXiv.2203.02155 https://doi.org/10.5281/zenodo.18670195 https://www.wms.nrw.de/geobasis/wms_nw_dop https://epsg.org/ 174 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика УДК 004.8:004.932.2 https://doi.org/10.36296/1819-8058.2026.1(84).166-180 AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION Received Feb. 22, 2026; accepted Mar. 23, 2026 Available online Mar. 31, 2026 Shapovalova S.1, Matіakh S.2, Holovakin M.3 Author for correspondence: Tkach Dmytro, e-mail: DmitriyT@krok.edu.ua Abstract. A method for detecting rooftop photovoltaic sys- tems in satellite and aerial imagery under degraded spatial resolution is proposed. Object detection is based on solving an image classification task using a large language model to reduce computational load and accelerate the identifi- cation process. The proposed method is intended for rapid inventory of solar generation facilities to enhance the resil- ience of Ukraine’s energy infrastructure. Unlike semantic segmentation approaches, which require specialized model training and significant computational resources, the proposed method reformulates the task as binary classification of local image fragments using a large language model. This approach eliminates the need for addi- tional training and reduces overall computational costs by replacing the resource-intensive semantic segmenta- tion task with a binary classification problem applied to local image patches. Four prompt strategies for target object detection are developed and evaluated. An algorithm for simulating limited spatial resolution through con- trolled scaling and interpolation is introduced. Computational experiments were performed using the GPT-4o large language model to assess alternative strategies for formulating identification criteria for solar generation assets at different levels of spatial resolution. Degradation in the range of 1–2 m/pixel significantly affects detection accuracy. At high detail levels (0.1 – 0.3 m/pixel), the highest performance is achieved by the “binary classification based on image examples” strategy (F1-score = 0.9523). At lower resolutions (1–2 m/pixel), the more robust ap- proaches are “classification based on step-by-step feature analysis” (F1-score = 0.6801) and “classification based on hypotheses” (F1-score = 0.6502). The results demonstrate that multimodal language models can support scal- able automated inventory of distributed solar installations over large territories without task-specific training. Keywords: aerial photograph, satellite image, solar panels, object detection in images, LLM, GPT, spatial resolu- tion of aerial photographs, energy infrastructure. List of Symbols and Abbreviations RS – Remote – Sensing SPP – Solar Power Plant CEPA – Center for European Policy Analysis WMS – Web Map Service OGC – Open Geospatial Consortium CRS – Coordinate Reference System EPSG – Coordinate reference system code (EPSG:25832 used in this study) GeoTIFF – Georeferenced raster image format GetMap – WMS request type for retrieving a raster map fragment LLM – Large Language Model API – Application Programming Interface Introduction Automated identification of rooftop solar installations has become increasingly important in the context of large-scale destruction of Ukraine’s energy infrastructure resulting from military actions. Under such conditions, rapid assess- ment of distributed generation assets over extensive terri- tories is essential for evaluating renewable energy poten- tial and planning emergency measures aimed at strengthening energy system resilience. According to CEPA [1], missile and drone attacks between 2022 and 2024 led to substantial losses in electricity generation capacity. In 2024, approximately 9 GW of capacity was lost, corresponding to nearly one-third of the pre-war electricity consumption level, while the share of thermal generation declined from 23.5% to about 5%. In this context, decen- tralized renewable installations – particularly rooftop pho- tovoltaic systems – play an increasingly significant role, as they enhance local energy resilience and reduce pressure on damaged infrastructure. The implementation of rooftop solar power plants in Ukraine is rapidly developing as a means of energy inde- pendence. Their use is economically beneficial in the long term, allowing communities to reduce electricity costs and increase independence from the central power grid. 1 Cand. of Sciences (Tech.), Associate Professor https://orcid.org/0000-0002-3431-5639 2 Cand. of Sciences (Tech.) https://orcid.org/0000-0002-1707-3519 3 Postgraduate Student https://orcid.org/0009-0006-1456-8926 1, 3 National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, Ukraine 2 Institute of Renewable Energy of the National Academy of Sciences of Ukraine, Kyiv, Ukraine, 175 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика Scientific research on the implementation of rooftop solar power plants in Ukraine focuses on assessing the technical potential, optimizing structures, reducing energy losses, determining the efficiency of placing solar power plants on the roofs of residential and industrial facilities, assessing their impact on the stability of distribution networks and the possibility of reducing the load on the networks [2-5]. Since the implementation of rooftop solar power plants in Ukrainian communities is a priority for increasing energy resilience, especially during blackouts, the government simplified the procedure for their installation on the roofs and facades of buildings, eliminating the need for many permits, which requires an operational inventory of solar generation facilities in order to increase the resilience of Ukraine's energy infrastructure [6] However, the absence of up-to-date inventories and oper- ational monitoring tools complicates their integration into energy planning processes. Traditional approaches to aerial image analysis [7-9], including semantic segmentation methods [10], are computationally intensive and rely on specialized annotated datasets, limiting their applicability under variable imaging quality and reduced spatial resolu- tion. Consequently, the development of scalable methods for rapid identification of rooftop photovoltaic systems that can operate under degraded visual conditions without prior model training remains an important research challenge. Most contemporary studies perform rooftop solar panel detection in aerial imagery using convolutional neural net- works (CNNs) [11]. These approaches primarily aim to im- prove detection accuracy by refining network architectures and incorporating multi-scale visual features. In [12], the authors propose a semantic segmentation framework based on a deep convolutional neural network trained on a specialized annotated dataset. The study re- ports high accuracy in detecting solar panels in high-resolu- tion imagery. While the results demonstrate the effective- ness of CNN-based approaches for this task, the method requires prior model training, substantial computational re- sources, and high-quality input data. In [13], the authors propose an enhanced convolutional neu- ral network architecture incorporating multi-scale feature analysis and spatial reconstruction modules to improve solar panel segmentation accuracy. While this approach achieves superior performance compared to baseline models, the im- provement comes at the cost of increased architectural com- plexity and higher computational demand. More broadly, contemporary research on automated solar panel detection focuses primarily on maximizing accuracy through increasingly sophisticated CNN architectures and additional feature processing mechanisms, often assuming high-quality imagery. Although such methods report strong performance, they remain computationally intensive and require specialized training datasets, limiting their suitabil- ity for rapid large-scale analysis or for operation under re- duced spatial resolution conditions. Semantic segmentation methods based on deep learning require substantial computational resources and pro- cessing time for accurate object detection across large im- age datasets. This creates the need for a computationally efficient preliminary screening approach capable of identi- fying image subsets that are highly likely to contain the tar- get object. This study proposes an efficient alternative that eliminates task-specific model training and shifts the emphasis from increasing architectural complexity to formalizing decision criteria for visual interpretation. The method leverages LLMs [14-17] for automated object classification in aerial imagery. Unlike conventional computer vision approaches, where classification logic is embedded in trained model parame- ters, LLM-based analysis relies on explicit prompt-driven specification of visual criteria. This enables rapid prelimi- nary screening of large aerial image datasets without addi- tional training, facilitating efficient selection of candidate image subsets with a high likelihood of containing solar panels. As a result, the overall computational burden of subsequent semantic segmentation is substantially re- duced. The aim of this study is to develop a method for detecting solar generation facilities in satellite and aerial imagery un- der conditions of degraded spatial resolution. To achieve the stated aim, the study must address the fol- lowing tasks: 1. Formalize the task of identifying solar generation facili- ties in aerial imagery for the use LLM. 2. Develop prompt strategies for the LLM. 3. Prepare a set of images for computational experiments. 4. Develop an algorithm for simulating conditions of lim- ited spatial resolution to study the impact of visual in- formation degradation on identification results. 5. Conduct a comparative analysis of the results of compu- tational experiments on solar panel detection under dif- ferent prompt strategies and resolution conditions. The object of the study is methods and tools for solving the problem of binary classification of objects in aerial imagery. The subject of the study is the application of multimodal language models for object classification in local image fragments at different spatial resolutions. Research methods: trained large language models, GPT-4o, prompt-oriented image identification strategies, modeling of different levels of aerial image detail. 1. The task of detecting the presence of a solar panel in an aerial image based on an LLM The task of detecting solar arrays in an aerial image is for- mulated as a binary image classification problem. 176 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика For proper image analysis, aerial imagery must be prepro- cessed. Therefore, solar panel detection is carried out in two stages: 1. Spatial decomposition. The region of interest in the image is divided into a set of local fragments of fixed size, ensuring localization of the analysis and unification of input data for further processing. 2. Classification of the presence or absence of a solar panel in local aerial image fragments. For each image fragment, the presence of solar generation facilities is evaluated using an LLM. For classification, each fragment is provided to the LLM to- gether with a prompt describing the visual characteristics of solar panels and the detection task. The model outputs a confidence score in the range [0,1]. A fragment is classi- fied as containing a solar panel if the score exceeds 0.6. Object detection in aerial imagery is complicated by the variability of input data, which may differ significantly in: 1. Spatial resolution – the size of the ground area repre- sented by a single pixel. 2. Image quality – the presence of missing fragments or blurred regions. 3. Visual similarity to other objects, as characteristic fea- tures of solar panels may be partially or completely lost, or may resemble other rooftop structures. Under such conditions, direct image classification without explicit feature specification may lead to unstable predic- tions and increased misclassification rates. When defining the visual characteristics of solar panels, it is important to consider that rooftop PV systems may share similarities with agricultural greenhouses with translucent coverings, metal or reflective roofs, skylights, rooftop me- chanical structures, and structural shadows. The use of an LLM enables selective analysis of local image fragments rather than full-scene processing. Computation is restricted to fragments for which the binary classifier in- dicates a sufficiently high likelihood of containing solar pan- els. This approach transforms the problem from resource- intensive semantic segmentation requiring task-specific training into localized binary classification, thereby reduc- ing overall computational cost and improving scalability for large-area satellite imagery processing. 2. Prompt Strategies for the LLM The effectiveness of automated solar panel detection de- pends on how the criteria for visual interpretation are spec- ified within the prompt. Four identification strategies were evaluated, differing in the decision logic used for object recognition: 1. Classification based on basic feature interpretation. 2. Binary classification based on image examples. 3. Classification based on step-by-step feature analysis. 4. Classification based on hypotheses. Classification based on basic feature interpretation. In this strategy, LLM was instructed to act as an expert. A textual description of typical solar panel characteristics was pro- vided, including a dark rectangular structure, regular geom- etry, and contrast with the surrounding background. This approach approximates intuitive visual interpretation without detailed verification of individual features. At high spatial resolution, it provides acceptable accuracy. How- ever, as spatial detail decreases, the false-positive rate in- creases, particularly due to similarity with dark roofs or shadows. Binary classification based on image examples. In this strategy, the LLM was prompted with the role: “You are a specialized AI for detecting solar arrays in satellite im- agery.” Two example images were provided, representing typical cases of the presence and absence of solar panels. The prompt included explanations of the classification de- cision for each example. Here, the identification criteria are implicitly defined through representative target-class examples and border- line cases. The classification decision is based on similarity between the analyzed fragment and the reference samples. For high-quality imagery, this method significantly im- proves accuracy because structural panel elements remain distinguishable. However, performance degrades as spatial resolution decreases, since fine textural details essential for similarity comparison become partially or completely lost. Classification based on step-by-step feature analysis. In this strategy, the LLM was instructed to act as an analytical expert. Object identification is performed in three stages: 1. Identification of key visual features: luminance, uni- formity, and edge structure. 2. Deductive inference of class membership based on fea- ture combinations. 3. Conversion of the final decision into a confidence score in the range [0,1]. At the first stage, relative brightness and geometric struc- ture are evaluated. At the second stage, spatial grouping of elements is analyzed. This approach reduces reliance on fine textural details and shifts evaluation toward more general features that remain stable under moderate spatial resolution degradation. Ex- perimental results showed improved stability for medium- quality imagery. Classification based on hypotheses. In this strategy, the LLM was prompted to act as an expert researcher (“You are a Lead Scientist in Remote Sensing.”). The classification pro- cess is organized as parallel evaluation of alternative hy- potheses regarding the rooftop object: 1. Formulation and evaluation of Hypothesis A (bright re- flective object / greenhouse). High luminance, glare, and internal structure are analyzed. 177 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика 2. Formulation and evaluation of Hypothesis B (isolated small object / skylight). Object isolation and relative size compared to the roof are evaluated. 3. Formulation and evaluation of Hypothesis C (solar pan- els). Lower relative luminance and spatial clustering of modules or regular structure are analyzed. 4. Synthesis of results. The hypotheses are compared, and the class “solar panels” is assigned only if Hypothesis C is more strongly supported than A and B. This strategy demonstrated the highest robustness to de- creasing spatial resolution, as it relies on comparison of al- ternative explanations rather than a single feature. How- ever, in cases of dark uniform roofs, false positives may increase due to overestimation of Hypothesis C. The full prompt formulations for each strategy are provided in [18]. 3. Dataset Preparation The image dataset was constructed using high spatial reso- lution digital aerial imagery obtained from a national open Web Map Service (WMS) [19] via API access. Images were retrieved using the GetMap request in the EPSG:25832 pro- jection [20], ensuring correct metric referencing and con- sistent image area dimensions. For each selected territorial zone, a bounding rectangle of fixed size (in meters) was defined. The corresponding raster image was downloaded with specified width and height pa- rameters to achieve a target spatial resolution of 0.1 m/pixel. The images were subsequently converted to Geo- TIFF format with embedded spatial referencing (CRS and geotransformation), ensuring reproducibility of the experi- ments and enabling further spatial processing. The experimental dataset consists of 1000 local image frag- ments, including 390 fragments containing solar panels and 610 without solar panels. The class distribution is imbal- anced and was considered during the interpretation of per- formance metrics. In real-world remote sensing applications, image character- istics depend on the imaging platform, sensor parameters, flight altitude, atmospheric conditions, and post-processing procedures. Different satellite and aerial systems produce imagery with varying spatial resolution, resulting in differ- ences in scene detail, object boundary clarity, and spatial smoothing. 4. Modeling Conditions of Limited Spatial Image Resolution In real-world conditions, input imagery does not always contain clearly defined object boundaries, and fine struc- tural elements may be partially or completely lost. There- fore, image analysis algorithms must be robust to variations in spatial resolution and capable of operating reliably with data of varying quality. To address this issue, a representative dataset was con- structed to reproduce typical limitations of real observation systems. Modeling limited spatial resolution involves artificially degrading high-detail aerial imagery to simulate data obtained from different imaging platforms. This ap- proach enables analysis of the impact of spatial resolution reduction on object classification performance and sup- ports validation of the proposed method under conditions close to real-world scenarios. Modeling limited spatial resolution is implemented as a two-stage algorithm: 1. Spatial decomposition of the aerial image into local fragments. 2. Controlled reduction of the spatial resolution of each fragment. The original aerial image is treated as a multichannel raster image. To enable localized analysis and standardized input formatting, the image is divided into equal-sized fragments arranged in a grid. The partitioning ensures complete spa- tial coverage of the region of interest, including boundary areas. Each fragment has a size of 512 × 512 pixels. The baseline spatial resolution of the original imagery is 0 0.10r = m/pixel. To simulate imaging conditions, a finite set of spatial reso- lution values  0.10,0.20,0.30,0.40,0.50,0.70,1.00,1.30,1.50,2.00= m/pixel is used. For each value 𝑟 ∈ ℜ a pixel correspondence coefficient is determined: 0 r r s r = (1) where r – the reference spatial resolution of the image fragment (m/pixel), 0r – the value of the target spatial resolution (m/pixel). The discrete multichannel image has the form 𝐼: {0, … ,𝐻 − 1} × {0,… ,𝑊 − 1} × {1,… , 𝐶} → ℝ (2) де H – image height (number of rows), W – image width (number of columns), C – number of spectral channels,  0,..., 1x W − – horizontal pixel coordinate,  0,..., 1y H − – vertical pixel coordinate,  1,...,c C – spectral channel index. The downscaled image with scale r is defined by the oper- ator ( ) ( )r sI D I= (3) where sD – is an averaging operator with scale factor s , which transforms an image of size H W C  into an im- age of size ' 'H W C  . The dimensions of the downscaled image are determined as 178 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика ' H H s   =     , ' W W s   =     , (4, 5) where H – image height in pixels, W – image width in pixels, s – scale factor. To ensure a unified input data format, inverse scaling is per- formed: ( ) ( ) ( ) r r sI u I= , (6) where su – is a bilinear interpolation operator that re- scales an image of size ' 'H W C  to the fixed size H W C  . During the analysis of urban aerial imagery, particular at- tention was given to edge cases, i.e., objects whose morphological characteristics partially resemble those of solar panels. To identify visually similar objects, a comparative analysis of geometric and textural features in urban images was per- formed. Structural regularity, spatial proportions, intensity uniformity within the object, and contrast with the sur- rounding background were evaluated. In addition, the be- havior of such objects under controlled spatial resolution degradation was examined to assess how loss of image de- tail affects preservation of their characteristic structure. 5. Computational Experiments Computational experiments were conducted using the GPT-4o model [21] on the full dataset of 1000 aerial image fragments. For each image, the model generated predic- tions according to the four strategies described in Section 1. Performance was evaluated using precision, recall, and F1-score metrics. The results are presented in Table. Table. Results of Solar Panel Classification in Images Spatial resolution, m/pixel Identification strategy Precision Recall F1-score 0.1 Classification based on step-by-step feature analysis 0.8365 0.959 0.8936 0.1 Binary classification based on image examples 0.957 0.9477 0.9523 0.1 Classification based on hypotheses 0.6225 0.9431 0.75 0.1 Classification based on basic feature interpretation 0.7906 0.9573 0.866 0.5 Classification based on step-by-step feature analysis 0.69 0.828 0.7527 0.5 Binary classification based on image examples 0.9404 0.7029 0.8045 0.5 Classification based on hypotheses 0.5603 0.9566 0.7067 0.5 Classification based on basic feature interpretation 0.6494 0.8511 0.7367 1 Classification based on step-by-step feature analysis 0.5529 0.6575 0.6007 1 Binary classification based on image examples 0.5853 0.4029 0.4773 1 Classification based on hypotheses 0.5106 0.9153 0.6555 1 Classification based on basic feature interpretation 0.5205 0.8654 0.65 2 Classification based on step-by-step feature analysis 0.552 0.8857 0.6801 2 Binary classification based on image examples 0.6653 0.2972 0.4109 2 Classification based on hypotheses 0.6991 0.6077 0.6502 2 Classification based on basic feature interpretation 0.4573 0.5769 0.5102 Comparative analysis of different prompt strategies demonstrates a strong dependence of detection accuracy on spatial resolution. Figure illustrates the variation of F1-score with spatial res- olution for all evaluated strategies. At high levels of detail, the highest F1-score is obtained with the “binary classifica- tion based on image examples” strategy. However, at 1 – 2 m/pixel, a sharp performance decline is observed. In contrast, the “classification based on step-by-step fea- ture analysis” and “classification based on hypotheses” strategies show a more gradual performance decrease, in- dicating greater robustness to spatial information loss. The results indicate that the effectiveness of the evaluated strategies depends on pixel scale. At high spatial resolution, approaches based on similarity to reference examples achieve the best performance. However, as image detail decreases, strategies relying on structured and hierarchical feature analysis demonstrate greater robustness. Methods focused on local textural features are optimal for high-resolution imagery, whereas with increasing pixel size, 179 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика approaches based on broader geometric and photometric characteristics become more reliable. These findings highlight the importance of adapting the identification strategy to spatial resolution degradation. Figure. Dependence of F1-score on Spatial Resolution Conclusion 1. The automated identification of solar panels in aerial imagery was formulated as a binary classification prob- lem applied to local image fragments using a large mul- timodal model without parameter modification. A two- stage algorithm was developed, consisting of spatial de- composition and fragment-level hypothesis testing. This approach replaces resource-intensive semantic seg- mentation with localized classification, resulting in re- duced computational cost. 2. Four prompt strategies for target object detection in satellite and aerial imagery were developed and exper- imentally evaluated to determine the most accurate ap- proach under different spatial resolution conditions. 3. An algorithm for modeling limited spatial resolution based on controlled scaling and interpolation of local image fragments was developed. The impact of spatial information degradation in the range of 1 – 2 m/pixel on detection performance was analyzed. The results show that as image detail decreases, the discriminative power of local textural features declines, and the rela- tive effectiveness of classification strategies changes. 4. Computational experiments compared the proposed identification strategies under different spatial resolu- tion conditions. At high detail levels (0.1 – 0.3 m/pixel), the “binary classification based on image examples” strategy achieved the highest accuracy (F1-score = 0.9523). However, at lower resolutions (1 – 2 m/pixel), the more robust approaches were “classification based on step-by-step feature analysis” (F1-score = 0.6801) and “classification based on hypotheses” (F1-score = 0.6502). These results highlight the importance of adapting the identification strategy to spatial resolution degradation. The results demonstrate that multimodal language models can be effectively applied for a scalable automated inven- tory of distributed solar installations without task-specific model training. By eliminating the training stage, the pro- posed approach reduces overall computational cost and improves practical applicability for large-area image pro- cessing. REFERENCES 1. Сenter for European Policy Analysis. A rebirth in flame: Ukraine’s beleaguered energy system. 2024. URL: https://cepa.org/article/a-rebirth-in-flame-ukraines- beleaguered-energy-system 2. Bondarenko D., Matіakh S., Surzhyk, Т., Sheiko І. As- pects of the further development of photoenergy ac- cording to the materials of the scientific and practical conference “Renewable energy and energy efficiency in the 21st century” 2023. Vidnovluvana Energetika, 2023. No. 4(75), pp. 39–44. https://doi: 10.36296/1819-8058.2023.4(75).39-44 3. Bondarenko D., Matiakh S., Surzhyk Т., Sheiko I., Kravchenko М. Development Trends of Solar Power Engineering Based on the Materials of the Scientific and Practical Conference “Renewable Energy and En- ergy Efficiency in the 21st Century”. Vidnovluvana En- ergetika, 2024, No. 3(78), pp. 76-83. https://doi.org/10.36296/1819-8058.2024.3(78).76-83 4. Bondarenko D., Matiakh S., Surzhyk Т., Sheiko I. Actual Pathways for Solar Energy Development Based on the Materials of the Scientific and Practical Conference “Renewable Energy and Energy Efficiency in the 21st Century” 2025. Vidnovluvana Energetika, 2025, No.3 (82), pp.82-88. https://doi.org/10.36296/1819- 8058.2025.3(82).82-88 https://cepa.org/article/a-rebirth-in-flame-ukraines-beleaguered-energy-system https://cepa.org/article/a-rebirth-in-flame-ukraines-beleaguered-energy-system https://www.scopus.com/authid/detail.uri?authorId=57090256200 https://www.scopus.com/authid/detail.uri?authorId=58866652900 https://www.scopus.com/authid/detail.uri?authorId=57971234900 https://www.scopus.com/authid/detail.uri?authorId=58961288700 https://doi.org/10.36296/1819-8058.2023.4(75).39-44 https://doi.org/10.36296/1819-8058.2025.3(82).82-88 https://doi.org/10.36296/1819-8058.2025.3(82).82-88 180 Відновлювана енергетика. № 1/2026 \| Сонячна енергетика 5. Matiakh S., Ausheva N., Kardashov O., Bondarenko D. (2025). Determination of the Photovoltaic Potential of Territorial Communities of Ukraine Using Geoinfor- mation Systems. Vidnovluvana Energetika, № 4(83), 165-188. https://doi.org/10.36296/1819- 8058.2025.4(83).165-188 6. Government simplifies procedures for installing solar power plants on buildings [Electronic resource]. – Available at: https://www.kmu.gov.ua/news/uriad- sprostyv-protsedury-vstanovlennia-soniachnykh-el- ektrostantsii-na-budivliakh 7. Ma L., Liu Y., Zhang X. Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing. 2019. Vol. 152. Pp. 166–177. DOI: https://doi.org/10.1016/j.is- prsjprs.2019.04.015 8. Richards J. Remote Sensing Digital Image Analysis. Ber- lin: Springer, 2013. 494 p. DOI: https://doi.org/10.1007/978-3-642-30062-2 9. Schowengerdt R. Remote Sensing: Models and Meth- ods for Image Processing. Burlington: Academic Press, 2007. 560 p 10. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation. IEEE Transac- tions on Pattern Analysis and Machine Intelligence. 2015. Vol. 37. No. 11. DOI: https://doi.org/10.48550/arXiv.1411.4038 11. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. Proceedings of CVPR. 2016. DOI: https://doi.org/10.1109/CVPR.2016.90 12. Alshammari R., Khan S., Alqahtani A. Automated Rooftop Solar Panel Detection through Convolutional Neural Net- works. International Journal of Remote Sensing. 2024. DOI: https://doi.org/10.1080/07038992.2024.2363236 13. Li X., Zhang Y., Wang H. Enhancing Rooftop Photovol- taic Segmentation Using Spatial Feature Reconstruc- tion and Multi-scale Feature Aggregation. Energies. 2025. DOI: https://doi.org/10.3390/en18010119 14. Radford A., Kim J. W., Hallacy C. Learning Transferable Visual Models from Natural Language Supervision. Pro- ceedings of ICML. 2021. DOI: https://doi.org/10.48550/arXiv.2103.00020 15. Vaswani A., Shazeer N., Parmar N. Attention Is All You Need. Advances in Neural Information Processing Sys- tems. 2017. DOI: https://doi.org/10.48550/arXiv.1706.03762 16. Dosovitskiy A. Beyer L., Weissenborn D. An Image is Worth 16x16 Words: Transformers for Image Recogni- tion at Scale. ICLR. 2021. DOI: https://doi.org/10.48550/arXiv.2010.11929 17. Ouyang L. et al. Training language models to follow in- structions with human feedback. NeurIPS. 2022. DOI: https://doi.org/10.48550/arXiv.2203.02155 18. Shapovalova S., Holovakin M. Prompt Strategies for Multimodal LLM-Based Rooftop Solar Panel Detection, Zenodo. 2026 DOI: https://doi.org/10.5281/ze- nodo.18670195 19. Land Nordrhein-Westfalen, Geobasis NRW. Digital Or- thophotos via WMS Service (WMS NW DOP). Düssel- dorf, 2024. URL: https://www.wms.nrw.de/geo- basis/wms_nw_dop 20. EPSG Geodetic Parameter Dataset. EPSG:25832 – ETRS89 / UTM zone 32N. URL: https://epsg.org/ 21. OpenAI. GPT-4o System Card. 2024. DOI: https://doi.org/10.48550/arXiv.2410.21276. https://doi.org/10.36296/1819-8058.2025.4(83).165-188 https://doi.org/10.36296/1819-8058.2025.4(83).165-188 https://doi.org/10.1016/j.isprsjprs.2019.04.015 https://doi.org/10.1016/j.isprsjprs.2019.04.015 https://doi.org/10.1007/978-3-642-30062-2 https://doi.org/10.48550/arXiv.1411.4038 https://doi.org/10.1109/CVPR.2016.90 https://doi.org/10.1080/07038992.2024.2363236 https://doi.org/10.3390/en18010119 https://doi.org/10.48550/arXiv.2103.00020 https://doi.org/10.48550/arXiv.1706.03762 https://doi.org/10.48550/arXiv.2010.11929 https://doi.org/10.48550/arXiv.2203.02155 https://doi.org/10.5281/zenodo.18670195 https://doi.org/10.5281/zenodo.18670195 https://www.wms.nrw.de/geobasis/wms_nw_dop https://www.wms.nrw.de/geobasis/wms_nw_dop https://epsg.org/ https://doi.org/10.48550/arXiv.2410.21276
id	veorgua-article-604
institution	Vidnovluvana energetika
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2026-07-19T01:18:40Z
publishDate	2026
publisher	Institute of Renewable Energy National Academy of Sciences of Ukraine
record_format	ojs
resource_txt_mv	veorgua/7f/e5de7de4107bac07bea563d3ca6ff77f.pdf
spelling	veorgua-article-6042026-07-18T06:32:24Z AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION АВТОМАТИЗОВАНА ІДЕНТИФІКАЦІЯ ДАХОВИХ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ВЕЛИКИХ МУЛЬТИМОДАЛЬНИХ МОДЕЛЕЙ В УМОВАХ ОБМЕЖЕНОЇ ВІЗУАЛЬНОЇ ІНФОРМАЦІЇ Shapovalova , S. Matіakh , S. Holovakin , M. aerial photograph, satellite image, solar panels, object detection in images, LLM, GPT, spatial resolution of aerial photographs, energy infrastructure. аерофотознімок, супутниковий знімок, сонячні панелі, визначення об’єктів на зображеннях, LLM, GPT, просторове розділення аерофотознімків, енергетична інфраструктура. A method for detecting rooftop photovoltaic systems in satellite and aerial imagery under degraded spatial resolution is proposed. Object detection is based on solving an image classification task using a large language model to reduce computational load and accelerate the identification process. The proposed method is intended for rapid inventory of solar generation facilities to enhance the resilience of Ukraine’s energy infrastructure. Unlike semantic segmentation approaches, which require specialized model training and significant computational resources, the proposed method reformulates the task as binary classification of local image fragments using a large language model. This approach eliminates the need for additional training and reduces overall computational costs by replacing the resource-intensive semantic segmentation task with a binary classification problem applied to local image patches. Four prompt strategies for target object detection are developed and evaluated. An algorithm for simulating limited spatial resolution through controlled scaling and interpolation is introduced. Computational experiments were performed using the GPT-4o large language model to assess alternative strategies for formulating identification criteria for solar generation assets at different levels of spatial resolution. Degradation in the range of 1–2 m/pixel significantly affects detection accuracy. At high detail levels (0.1 – 0.3 m/pixel), the highest performance is achieved by the “binary classification based on image examples” strategy (F1-score = 0.9523). At lower resolutions (1–2 m/pixel), the more robust approaches are “classification based on step-by-step feature analysis” (F1-score = 0.6801) and “classification based on hypotheses” (F1-score = 0.6502). The results demonstrate that multimodal language models can support scalable automated inventory of distributed solar installations over large territories without task-specific training. Запропоновано метод визначення дахових об’єктів сонячної генерації на супутникових та аерофотознімках за умов деградації їх просторової роздільної здатності. Виявлення об’єкта базується на розв’язанні задачі класифікації на зображеннях великою мовною моделлю для зменшення обчислювального навантаження та пришвидшення процесу ідентифікації. Запропонований метод призначено для оперативної інвентаризації об’єктів сонячної генерації з метою підвищення стійкості енергетичної інфраструктури України. На відміну від підходів семантичної сегментації, що потребують спеціалізованого навчання моделей і значних обчислювальних ресурсів, запропонований підхід з бінарною класифікацією локальних фрагментів зображення LLM не потребує додаткового навчання та дає змогу зменшити сумарні обчислювальні витрати за рахунок переходу від ресурсоємної задачі семантичної сегментації до задачі бінарної класифікації локальних фрагментів зображення. Запропоновано чотири промпт-стратегії виявлення заданого об’єкта на зображеннях. Розроблено алгоритм моделювання обмеженої просторової роздільної здатності знімків, що базується на контрольованому масштабуванні та інтерполяції локальних фрагментів зображення. Проведено обчислювальні експерименти на великій мовній моделі GPT-4o з порівняння стратегій формування критеріїв ідентифікації об’єктів сонячної генерації за різної просторової роздільної здатності. Встановлено закономірності впливу деградації просторової інформації в діапазоні 1–2 м/піксель на ефективність автоматизованої ідентифікації об’єктів. Підтверджено доцільність експериментального вибору логіки ідентифікації до умов просторової деградації зображення. Встановлено, що за високої деталізації, 0.1–0.3 м/піксель, найвищу точність забезпечує стратегія «бінарна класифікація на прикладах зображень» (F1-score = 0.9523), тоді як у разі збільшення масштабу пікселя, 1–2 м/піксель, стійкішими виявляються «класифікація на основі покрокового аналізу ознак» (F1-score = 0.6801) та «класифікація на основі гіпотез» (F1-score = 0.6502). Запропонований метод застосування мультимодальних мовних моделей надає можливість масштабованої автоматизованої інвентаризації об’єктів розподіленої сонячної генерації на великих територіях. Institute of Renewable Energy National Academy of Sciences of Ukraine 2026-03-28 Article Article application/pdf https://ve.org.ua/index.php/journal/article/view/604 10.36296/1819-8058.2026.1(84).166-180 Vidnovluvana energetika ; No. 1(84) (2026): Scientific and applied Journal renewable energy ; 166-180 Возобновляемая энергетика; ##issue.no## 1(84) (2026): Scientific and applied Journal renewable energy ; 166-180 Відновлювана енергетика; № 1(84) (2026): Науково-прикладний журнал Відновлювана енергетика; 166-180 2664-8172 1819-8058 10.36296/1819-8058.2026.1(84) uk https://ve.org.ua/index.php/journal/article/view/604/515 Copyright (c) 2026 S. Shapovalova , S. Matіakh , M. Holovakin https://creativecommons.org/licenses/by-nc-nd/4.0
spellingShingle	aerial photograph satellite image solar panels object detection in images LLM GPT spatial resolution of aerial photographs energy infrastructure. Shapovalova , S. Matіakh , S. Holovakin , M. AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION
title	AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION
title_alt	АВТОМАТИЗОВАНА ІДЕНТИФІКАЦІЯ ДАХОВИХ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ВЕЛИКИХ МУЛЬТИМОДАЛЬНИХ МОДЕЛЕЙ В УМОВАХ ОБМЕЖЕНОЇ ВІЗУАЛЬНОЇ ІНФОРМАЦІЇ
title_full	AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION
title_fullStr	AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION
title_full_unstemmed	AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION
title_short	AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION
title_sort	automated identification of rooftop solar power plants using large multimodal models under limited visual information
topic	aerial photograph satellite image solar panels object detection in images LLM GPT spatial resolution of aerial photographs energy infrastructure.
topic_facet	aerial photograph satellite image solar panels object detection in images LLM GPT spatial resolution of aerial photographs energy infrastructure. аерофотознімок супутниковий знімок сонячні панелі визначення об’єктів на зображеннях LLM GPT просторове розділення аерофотознімків енергетична інфраструктура.
url	https://ve.org.ua/index.php/journal/article/view/604
work_keys_str_mv	AT shapovalovas automatedidentificationofrooftopsolarpowerplantsusinglargemultimodalmodelsunderlimitedvisualinformation AT matíakhs automatedidentificationofrooftopsolarpowerplantsusinglargemultimodalmodelsunderlimitedvisualinformation AT holovakinm automatedidentificationofrooftopsolarpowerplantsusinglargemultimodalmodelsunderlimitedvisualinformation AT shapovalovas avtomatizovanaídentifíkacíâdahovihsonâčnihelektrostancíjnaosnovívelikihmulʹtimodalʹnihmodelejvumovahobmeženoívízualʹnoíínformacíí AT matíakhs avtomatizovanaídentifíkacíâdahovihsonâčnihelektrostancíjnaosnovívelikihmulʹtimodalʹnihmodelejvumovahobmeženoívízualʹnoíínformacíí AT holovakinm avtomatizovanaídentifíkacíâdahovihsonâčnihelektrostancíjnaosnovívelikihmulʹtimodalʹnihmodelejvumovahobmeženoívízualʹnoíínformacíí

AUTOMATED IDENTIFICATION OF ROOFTOP SOLAR POWER PLANTS USING LARGE MULTIMODAL MODELS UNDER LIMITED VISUAL INFORMATION

Institution

Ähnliche Einträge