José Antonio Taveras Abreu y Steven Manuel Mateo Ramos – Ingeniería en Ciencias de la Computación, Pontificia Universidad Católica Madre y Maestra (PUCMM)

Introducción

El cambio climático representa uno de los mayores desafíos globales del siglo XXI, y la transición hacia fuentes de energía renovable se ha convertido en una necesidad urgente. Entre las distintas alternativas, la energía solar destaca como una de las más accesibles y sostenibles, especialmente en entornos urbanos donde la demanda energética es constante. Las ciudades concentran un enorme potencial para la generación fotovoltaica distribuida; sin embargo, aprovechar esta capacidad implica superar obstáculos técnicos importantes, como la identificación precisa de superficies aptas para la instalación de paneles solares [1].

A pesar de que en países desarrollados existen herramientas avanzadas como Google Project Sunroof, que estiman la viabilidad de instalar paneles solares a partir de imágenes satelitales y algoritmos de aprendizaje automático, su uso aún no se ha extendido a regiones en desarrollo como República Dominicana. Esto se debe, en parte, a la escasez de datos geoespaciales locales de alta calidad y a las características arquitectónicas particulares de estas ciudades, que dificultan la transferencia directa de soluciones extranjeras. La literatura sugiere que para lograr implementaciones efectivas en estos contextos, es crucial considerar variables ambientales, morfológicas y socioculturales que afectan la segmentación y clasificación de superficies en entornos urbanos densos [2], [3].

En sectores como Los Jardines Metropolitanos, El Embrujo II y Cerro Alto 2, en Santiago de los Caballeros, existe una importante cantidad de techos sin evaluar, lo que representa una oportunidad desaprovechada para la generación energética. Esta ausencia de información limita la capacidad de planificación energética urbana y dificulta la adopción de tecnologías limpias a nivel comunitario. Además, factores como las sombras proyectadas entre edificaciones, la diversidad de materiales de cubierta y la presencia de elementos como antenas, tinacos o equipos de ventilación dificultan los análisis manuales y reducen la disponibilidad real de superficie útil [3], [4].

En este escenario, las técnicas modernas de aprendizaje automático, en especial aquellas basadas en redes neuronales convolucionales (CNN), han demostrado ser herramientas prometedoras para abordar estos desafíos. Investigaciones recientes, como la de Cai et al., han comparado arquitecturas como U-Net, FCN y DeepLabv3+ para segmentar techos en imágenes aéreas, destacando el valor de técnicas como la convolución atrous y el enfoque encoder-decoder para mejorar la precisión [1]. Por su parte, Benchabana et al. han desarrollado un sistema que combina superpíxeles adaptativos y autoencoders variacionales, logrando una detección más eficiente de techos mediante la clasificación con CNNs [3]. Estas soluciones permiten pensar en la creación de herramientas locales capaces de procesar imágenes satelitales y ofrecer estimaciones precisas de áreas aprovechables para instalar paneles solares.

Además del reto técnico, este proyecto busca aportar desde una perspectiva social y ambiental, facilitando el acceso a tecnologías limpias en comunidades que hasta ahora han quedado excluidas de iniciativas de transición energética. El desarrollo de un sistema que automatice la detección de techos disponibles no solo impulsa el autoconsumo energético, sino que sienta las bases para una planificación más eficiente y sostenible en las ciudades.

Planteamiento del problema

A pesar del creciente interés por las energías renovables, muchas ciudades siguen sin contar con herramientas que permitan evaluar su verdadero potencial solar. Este problema se acentúa en entornos urbanos donde la alta densidad de edificaciones, las variaciones en la orientación de los techos y la proyección de sombras entre estructuras dificultan la estimación precisa de superficies aprovechables. En estos escenarios, la evaluación manual no resulta viable, debido al tiempo, el costo y la cantidad de personal requerido. Como resultado, muchas zonas urbanas con alto potencial para la generación fotovoltaica siguen siendo subutilizadas, y las autoridades carecen de información confiable para la planificación energética sostenible [1].

Esta limitación no es exclusiva de República Dominicana, pero sí es especialmente grave en ciudades intermedias como Santiago de los Caballeros, donde se concentran tanto una alta demanda energética como una creciente urbanización. En sectores residenciales como Los Jardines Metropolitanos, El Embrujo II y Cerro Alto 2, abundan los techos planos con buena exposición solar que aún no han sido evaluados desde un enfoque sistemático. La falta de datos geoespaciales, combinada con el escaso desarrollo de plataformas adaptadas al contexto local, impide implementar soluciones automatizadas que sí han mostrado resultados positivos en países con mayores recursos tecnológicos [3].

En respuesta a esta brecha, la literatura científica ha demostrado avances significativos en el uso de imágenes satelitales y aprendizaje automático para resolver este tipo de problemáticas. Por ejemplo, el trabajo de Cai et al. propone una comparación entre redes neuronales como U-Net, FCN y DeepLabv3+, enfocándose en mejorar la segmentación semántica de techos mediante el uso de técnicas como la convolución atrous y arquitecturas encoder-decoder [2]. Esta investigación valida la importancia de utilizar modelos entrenados específicamente para entornos urbanos, donde la complejidad visual impone retos adicionales.

De forma complementaria, Benchabana et al. presentan un enfoque basado en superpíxeles adaptativos y autoencoders variacionales (VAE) para extraer características visuales relevantes en imágenes de alta resolución. Su metodología mejora la eficiencia de la detección de techos al utilizar clasificadores como redes neuronales convolucionales (CNN), demostrando que es posible reducir errores en entornos densamente edificados [3]. Ambos estudios resaltan la necesidad de contar con imágenes satelitales bien etiquetadas y de alta resolución, así como con modelos robustos capaces de generalizar en condiciones diversas.

El desarrollo de este proyecto ha logrado implementar un sistema de detección automatizada de superficies disponibles en techos para la instalación de paneles solares, utilizando imágenes satelitales y modelos de aprendizaje profundo, con el objetivo de contribuir a la planificación energética sostenible en distintos sectores urbanos de Santiago de los Caballeros. Para ello, se creó un conjunto de datos etiquetado a partir de imágenes reales, que fue posteriormente preprocesado para garantizar la calidad y consistencia necesarias para el entrenamiento de un modelo de segmentación basado en redes neuronales convolucionales. Este modelo permitió identificar y delimitar con precisión las superficies útiles en techos residenciales. Asimismo, se diseñó una interfaz gráfica interactiva que facilita la selección de zonas geográficas específicas dentro de las establecidas, mostrando visualmente los resultados de segmentación y apoyando la toma de decisiones en torno al aprovechamiento del potencial solar urbano. La solución desarrollada no solo cumple con criterios de precisión y eficiencia, sino que también está diseñada para ser escalable, accesible y adaptable a distintos contextos urbanos con características similares.

Metodología

La solución desarrollada en este proyecto parte de una necesidad clara: automatizar la identificación de superficies disponibles en techos urbanos para la instalación de paneles solares. Para lograrlo, se diseñó un flujo de trabajo que integra adquisición y procesamiento de datos satelitales, segmentación semántica mediante redes neuronales convolucionales (CNN), y una visualización interactiva de resultados. Este enfoque, aunque inspirado en soluciones existentes en el ámbito internacional, fue cuidadosamente adaptado a las características morfológicas, arquitectónicas y visuales de sectores urbanos dominicanos, particularmente de la ciudad de Santiago de los Caballeros [2], [3].

Uno de los aspectos fundamentales fue la construcción del dataset. A diferencia de estudios que se basan en bases de datos públicas ampliamente etiquetadas, como Inria o SpaceNet [5], este proyecto utilizó imágenes satelitales locales adquiridas específicamente para representar con fidelidad el entorno urbano objetivo. A partir de estas imágenes, se seleccionaron áreas de interés y se dividieron en bloques más pequeños, adecuados para la segmentación supervisada. Este proceso incluyó una fase manual de etiquetado en herramientas especializadas como CVAT y Roboflow [6], [7], lo cual permitió generar máscaras binarias diferenciando zonas útiles de zonas no utilizables en los techos.

Previamente al entrenamiento del modelo, se aplicó un proceso riguroso de preprocesamiento de las imágenes. Esto incluyó ajustes de tamaño, normalización, aumentos artificiales (data augmentation) y corrección de contraste para mejorar la representación visual de las áreas objetivo. Estas técnicas permiten que el modelo generalice mejor ante variaciones de iluminación, resolución o inclinación, replicando prácticas exitosas reportadas en la literatura sobre segmentación urbana [8], [9].

Para la tarea de segmentación, se optó por una arquitectura de red neuronal convolucional, específicamente basada en U-Net, por su comprobada eficacia en tareas de segmentación de imágenes con datos limitados [2], [10]. U-Net permite capturar tanto características globales como detalles finos de las imágenes, gracias a su estructura encoder-decoder con conexiones de salto. Esta arquitectura ha sido empleada con éxito en aplicaciones biomédicas, agrícolas y recientemente también en análisis urbano, debido a su capacidad para conservar la resolución espacial de los elementos segmentados.

Durante el entrenamiento, se utilizaron funciones de pérdida basadas en el coeficiente de Dice y binary cross-entropy, las cuales optimizan la precisión de la segmentación píxel a píxel. El modelo fue evaluado mediante métricas estándar como Intersection over Union (IoU), precisión, sensibilidad y F1-score. Estas métricas, frecuentemente utilizadas en estudios como los de Cai et al. y Hao et al., permiten medir el rendimiento del modelo de forma rigurosa y replicable [2], [8].

Uno de los elementos distintivos del proyecto fue el enfoque local del entrenamiento. A diferencia de soluciones como las propuestas por Google Sunroof, que operan con modelos generalistas y a gran escala, aquí se entrenó el modelo con datos específicos de la ciudad de Santiago, lo que permite una mejor adaptación al entorno construido, los estilos arquitectónicos y las condiciones atmosféricas locales. Esta aproximación responde a lo planteado por Benchabana et al., quienes enfatizan la necesidad de modelos entrenados con datos locales para mejorar la precisión en entornos complejos [3].

Una vez entrenado el modelo, se implementó una interfaz gráfica accesible y ligera que permite al usuario cargar imágenes, visualizar las segmentaciones resultantes y explorar zonas específicas. Esta herramienta está orientada tanto a usuarios técnicos como a tomadores de decisiones municipales o interesados en evaluar el potencial solar de propiedades específicas. La interfaz ofrece no solo una visualización clara del resultado, sino que también permite generar reportes visuales que podrían integrarse fácilmente en sistemas de planificación urbana.

El sistema realizado está preparado para recibir nuevas imágenes satelitales, lo que permite escalar la solución a otros sectores urbanos sin necesidad de retrabajar toda la arquitectura del modelo. Además, su diseño modular permite reemplazar fácilmente el backbone de la red por arquitecturas más modernas, como DeepLabv3+ o UNet++ [2], [11], si se desea mejorar aún más la precisión en el futuro. Esta capacidad de adaptación y mejora progresiva es fundamental para su sostenibilidad técnica.

Por último, la solución desarrollada representa una alternativa viable, escalable y eficiente para evaluar el potencial fotovoltaico en ciudades donde este tipo de análisis no está sistematizado. Al integrar datos reales del entorno, técnicas modernas de aprendizaje profundo y herramientas visuales intuitivas, el proyecto propone un modelo replicable que puede ser adoptado por gobiernos locales, instituciones energéticas o incluso empresas privadas interesadas en impulsar la transición energética urbana.

Resultados

Al aplicar la solución propuesta sobre el conjunto de imágenes satelitales de los sectores seleccionados en Santiago de los Caballeros, se evaluó el desempeño de distintos enfoques de visión por computadora para identificar superficies de techo disponibles para la instalación de paneles solares. La validación se realizó con un conjunto de prueba independiente del utilizado en entrenamiento, y se midió mediante métricas estándar en segmentación y detección: precision, recall, F1-score, mean Average Precision (mAP@50 y mAP@50-95 cuando aplica) e Intersection over Union (IoU) para los modelos con salida de máscaras. El uso de estas métricas es consistente con la práctica reportada en estudios de segmentación de techos y detección de estructuras urbanas en imágenes remotas de alta resolución [2], [3], [8], [9].

Se entrenaron y evaluaron tres enfoques: YOLOv8, YOLOv11 y Mask R-CNN. En términos generales, los modelos basados en YOLO ofrecieron capacidades rápidas de detección de instancias, mientras que Mask R-CNN entregó segmentaciones más detalladas, algo crítico cuando el objetivo es estimar área útil más que solo localizar techos. Esta diferencia metodológica ya había sido señalada en la literatura, donde arquitecturas orientadas a segmentación densa suelen superar a detectores basados en bounding boxes cuando se requieren estimaciones espaciales finas [2], [3].

Modelo	Precision	Recall	mAP50	mAP50-95	F1	IoU
YOLOv8	0.71	0.684	0.709	0.446	0.69	N/A
YOLOv11	0.675	0.694	0.732	0.475	0.68	N/A
Mask R-CNN	0.845	0.702	N/A	N/A	0.766	0.61

Durante la validación cualitativa se observaron patrones de error relevantes para la aplicación práctica. En imágenes donde los techos contienen elementos sobresalientes —conductos de ventilación, unidades de aire acondicionado, tanques o instalaciones previas— el modelo Mask R-CNN ocasionalmente incluye estos objetos dentro del área útil, generando sobreestimaciones. Este tipo de confusión ha sido documentado en trabajos de detección de equipos HVAC sobre imágenes aéreas, donde la variabilidad de forma y escala dificulta la discriminación automática [4]. Adicionalmente, en zonas con alta concentración de techos metálicos (por ejemplo, zinc), el modelo clasificó como disponibles superficies que habían sido catalogadas como no válidas en la etapa de etiquetado; la influencia del material del techo sobre la idoneidad fotovoltaica ha sido discutida en investigaciones sobre desempeño térmico y compatibilidad estructural, lo que resalta la importancia de incorporar atributos de materialidad en futuras versiones del sistema [12], [13].

Para valorar la utilidad del sistema en escenarios reales, se analizaron imágenes de los tres sectores de estudio: Los Jardines Metropolitanos, El Embrujo II y Cerro Alto 2. En los casos con techos amplios y relativamente despejados, la segmentación fue consistente, y las máscaras generadas coincidieron estrechamente con las áreas marcadas en la verdad de terreno. En escenas más complejas —tejidos urbanos densos, sombra lateral, techos irregulares— la calidad bajó, pero se mantuvo dentro de parámetros utilizables para análisis preliminar de potencial solar. Este comportamiento es coherente con trabajos que muestran degradación gradual del desempeño cuando se trabaja con imágenes off-nadir o con mayor oclusión estructural en entornos urbanos heterogéneos [8], [5].

En conjunto, los resultados validan la elección de Mask R-CNN como modelo principal para la etapa de segmentación en la herramienta desarrollada: su mayor precisión, mejor delimitación espacial y desempeño robusto frente a variabilidad urbana lo convierten en la mejor base para estimar superficie disponible de techo. Aun así, los hallazgos sobre errores en techos con obstáculos y materiales críticos abren vías claras de mejora: integrar un módulo secundario de detección de objetos (HVAC/obstáculos), cruzar la segmentación con un clasificador de material de techo, o aplicar refinamiento geométrico guiado por modelos de elevación cuando haya datos disponibles. Estas líneas de desarrollo están alineadas con la evolución observada en la literatura, donde la tendencia es combinar segmentación profunda con atributos contextuales para mejorar la toma de decisiones energéticas urbanas [2], [3], [13], [12].

Interfaz de la aplicación

Las siguientes imágenes muestran la interfaz de la aplicación en funcionamiento.

Conclusión

Este proyecto logró demostrar que es posible automatizar la detección de superficies de techos disponibles para la instalación de paneles solares mediante el uso de imágenes satelitales y modelos de aprendizaje profundo. La construcción de un conjunto de datos etiquetado, el entrenamiento y comparación de modelos, así como el desarrollo de una interfaz gráfica funcional, evidencian la viabilidad técnica de esta solución para apoyar el análisis inicial en proyectos fotovoltaicos urbanos.

Los resultados obtenidos con Mask R-CNN resaltan la importancia de emplear arquitecturas de segmentación avanzadas cuando la prioridad es una delimitación precisa del área útil, algo fundamental para estimaciones reales de superficie. Aun así, el sistema presentó desafíos como la confusión con objetos presentes en techos y la clasificación errónea de ciertos materiales como el zinc. Estos hallazgos señalan la necesidad de continuar optimizando el modelo con un conjunto de datos más amplio y diverso, incorporando ejemplos representativos de distintos materiales, sombras y condiciones visuales, además de variables complementarias como inclinación, orientación y cálculo del potencial fotovoltaico.

Este trabajo sienta las bases para una herramienta capaz de aportar valor a instituciones energéticas, urbanistas y especialistas en sostenibilidad. Con mejoras adicionales, podría escalarse a nuevos sectores de República Dominicana y a ciudades con características similares, ampliando su alcance y utilidad. Como próximos pasos se sugiere fortalecer el dataset, integrar detección de obstáculos y establecer alianzas con actores del sector energético, para así convertir esta propuesta en un recurso clave dentro de la transición hacia energías renovables.

Referencias

1. A. Gautam and N. Mehta, “A Review on Remote Sensing Technique: Concept and Principles,” Int. J. Res. Emerg. Sci. Technol., vol. 2, no. 5, pp. 1–6, 2015. [Online]. Available: https://www.researchgate.net/publication/354143409
2. Y. Cai et al., “A Comparative Study of Deep Learning Approaches to Rooftop Detection in Aerial Images,” Can. J. Remote Sens., vol. 47, no. 3, pp. 413–431, May 2021, doi: 10.1080/07038992.2021.1915756.
3. A. Benchabana, M.-K. Kholladi, R. Bensaci, and B. Khaldi, “Building Detection in High-Resolution Remote Sensing Images by Enhancing Superpixel Segmentation and Classification Using Deep Learning Approaches,” Buildings, vol. 13, no. 7, p. 1649, Jun. 2023, doi: 10.3390/buildings13071649.
4. N. Chen, “Rooftop HVAC equipment detection from aerial imagery”.
5. Z. Awwad, A. Alharbi, A. H. Habib, and O. L. De Weck, “Site Assessment and Layout Optimization for Rooftop Solar Energy Generation in Worldview-3 Imagery,” Remote Sens., vol. 15, no. 5, p. 1356, Feb. 2023, doi: 10.3390/rs15051356.
6. “Leading Image & Video Data Annotation Platform | CVAT.” Accessed: Feb. 17, 2025. [Online]. Available: https://www.cvat.ai/
7. “Roboflow: Computer vision tools for developers and enterprises.” Accessed: May 06, 2025. [Online]. Available: https://roboflow.com/
8. H. Hao et al., “Improving Building Segmentation for Off-Nadir Satellite Imagery,” Sep. 2021, arXiv. doi: 10.48550/arXiv.2109.03961.
9. K. O’Shea and R. Nash, “An Introduction to Convolutional Neural Networks,” Dec. 2015, arXiv. doi: 10.48550/arXiv.1511.08458.
10. O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” May 2015, arXiv. doi: 10.48550/arXiv.1505.04597.
11. K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” Dec. 2015, arXiv. doi: 10.48550/arXiv.1512.03385.
12. N. Aigbedion, F. Njoka, and M. Munji, “The Impact of Roof Material Profile and Pigmentation on the Performance of Photovoltaic Modules,” Solar, vol. 3, no. 4, pp. 618–637, Nov. 2023, doi: 10.3390/solar3040033.
13. J. Park, S. Park, and J. Kang, “Detecting and classifying rooftops with a CNN-based remote-sensing method for urban area cool roof application,” Energy Reports, vol. 11, pp. 2516–2525, Jun. 2024, doi: 10.1016/j.egyr.2024.02.001.