DeepPVMapper : télédétection à l’échelle nationale des installations photovoltaïques sur toiture

Gabriel Kasmi^1,2, Laurent Dubus^2,3, Yves-Marie Saint-Drenan¹, Philippe Blanc¹

¹Centre O.I.E, Mines Paris, Université PSL, ²RTE France, ³World Meteorology and Energy Council

06/11/2025

​

Contexte et motivation

JNPV 2025 - Strasbourg

2

06/11/2025

1,16 million de petits systèmes PV sur toiture (<36 kWc) raccordés au réseau de Enedis en France au T3 2025, en croissance de 20% sur un an.

​

En France, le PV sur toiture croit à un rythme de près de 22% par an en moyenne depuis 2020.

Evolution du nombre de raccordements de systèmes de moins de 36 kW au réseau Enedis.�Source : Open data d’Enedis

Contexte et motivation

• Cette forte croissance a des impacts sur le système électrique.

​

• RTE/AIE (2021), RTE (2021) : le fort déploiement du PV résidentiel, est associé à une une hausse des incertitudes de prévision de la demande nette.

JNPV 2025 - Strasbourg

3

06/11/2025

Evolution du niveau de marges requises (GW) en fonction des scénarii de mix énergétique. �Source : RTE, Futurs Energétiques 2050.

Contexte et motivation

• Cette hausse des incertitudes est liée à la faible observabilité du PV sur toiture:

​

• La production des installations sur toiture n’est pas mesurée par RTE.

​

• La reconstruction des courbes de charge se fait à partir d’estimations dont la précision dépend principalement de la bonne connaissance de la puissance installée du parc [Huxley et al, 2022, Kasmi et al, 2025].

​

• Il est donc nécessaire de caractériser les incertitudes sur le recensement du parc PV sur toiture.

JNPV 2025 - Strasbourg

4

06/11/2025

Cartographie du parc PV résidentiel

• La télédétection à partir d’images aériennes est une manière indépendante de cartographier le parc PV sur toiture.
• Appliquée dans de nombreux pays (Etats-Unis, Allemagne, Pays-Bas, Italie et Suède).

​

​

JNPV 2025 - Strasbourg

5

06/11/2025

• Repose sur l’utilisation d’algorithmes de deep learning pour la détection et l’indentification des systèmes sur toiture,
• Elle nécessite de disposer d’images hautes résolution (au moins 50cm/px) d’une région ou d’un territoire.

Cartographie du parc PV résidentiel

• DeepPVMapper: fondé sur la littérature existante (Mayer et al, 2020) et entrainé sur des installations couvrant la France (BDAPPV, Kasmi et al, 2023).

​

• Permet la localisation et la caractérisation (surface, puissance installée, inclinaison et orientation) des systèmes PV.

JNPV 2025 - Strasbourg

6

06/11/2025

Validation de la cartographie

• Estimation pour chaque département de la précision et du rappel de l’algorithme :

JNPV 2025 - Strasbourg

7

06/11/2025

Comparaisons avec les données officielles

• Sources : base interne de RTE et registre national d’installations (RNI),

​

• Comparaisons à l’année N pour tenir comptes des différentes dates de prises de vue (étalées sur 2018-2024),

​

• Raisonnement probabiliste pour identifier les divergences.

JNPV 2025 - Strasbourg

8

06/11/2025

Comparaisons avec les données officielles

​

​

​

​

​

JNPV 2025 - Strasbourg

9

06/11/2025

Forte divergence, avec une tendance claire à la sous-estimation dans le RNI.

Correction des biais (I)

• Remarque : attention lors de l’utilisation du RNI pour la validation. Au niveau communal, une absence de recensement ne signifie pas une absence de systèmes. Les évaluations fondées sur le RNI (Kasmi et al, 2022, Thebault et al, 2025) peuvent être biaisées.

JNPV 2025 - Strasbourg

10

06/11/2025

Correction des biais (II)

• La correction de biais élimine les sous-estimations liées aux contraintes de confidentialité du RNI et permet d’atténuer les MWc « excédentaires » de 52%, liés a priori au décalage entre la prise de vue et le moment de publication des donnés officielles.

JNPV 2025 - Strasbourg

11

06/11/2025

Une sous-déclaration du parc installé ?

• La comparaison systématique avec les données officielles redressées suggère une sous-déclaration inexpliquée comprise entre de 230 à 437 MWc (soit entre 8,5 et 16% de la puissance installée de référence totale).

​

• Localement, cela représenterait entre 13 et 48% de la puissance installée répertoriée dans les départements.

JNPV 2025 - Strasbourg

12

06/11/2025

Une sous-déclaration du parc installé ?

• La sous-déclaration est-elle permanente ou transitoire ? Est-ce une singularité française ?

​

• Quid d’effets locaux sur la qualité des données PV (ELD, cas particuliers soulignés par la comparaison nationale) ?

​

• Les données sur le PV obtenues par télédétection complètent et soulignent les lacunes des données existantes.

​

JNPV 2025 - Strasbourg

13

06/11/2025

Visualisation de la cartographie

JNPV 2025 - Strasbourg

14

06/11/2025

• La cartographie agrégée par commune, avec les distributions des caractéristiques techniques est accessible en ligne.

• Les données sont en accès ouvert.

Merci !

Page web du projet (code source, données d’entrainement et cartographie interactive)

​

https://gabrielkasmi.github.io/deeppvmapper

​

​

​

​

​

Illustration d’arrière plan : ChatGPT

Références

• RTE, AIE. (2021). Conditions et prérequis en matière de faisabilité technique pour un système électrique avec une forte proportion d’énergies renouvelables à l’horizon 2050. Rapp. tech. Paris.
• RTE (2021) Futurs Energétiques 2050. Rapp. tech. Paris
• Huxley, O. T., Taylor, J., Everard, A., Briggs, J., Tilley, K., Harwood, J., & Buckley, A. (2022). The uncertainties involved in measuring national solar photovoltaic electricity generation. Renewable and Sustainable Energy Reviews, 156, 112000.
• Kasmi, G., Touron, A., Dubus, L., Saint-Drenan, Y. M., & Blanc, P. Balancing Robustness and Accuracy in Rooftop Pv Estimation: Benchmarking the French TSO's Approach and Physics-Based Models. Available at SSRN 5385856.
• Mayer, K., Rausch, B., Arlt, M. L., Gust, G., Wang, Z., Neumann, D., & Rajagopal, R. (2022). 3D-PV-Locator: Large-scale detection of rooftop-mounted photovoltaic systems in 3D. Applied Energy, 310, 118469.
• Kasmi, G., Saint-Drenan, Y. M., Trebosc, D., Jolivet, R., Leloux, J., Sarr, B., & Dubus, L. (2023). A crowdsourced dataset of aerial images with annotated solar photovoltaic arrays and installation metadata. Scientific Data, 10(1), 59.
• Kasmi, G., Dubus, L., Blanc, P., & Saint-Drenan, Y. M. (2022). Towards unsupervised assessment with open-source data of the accuracy of deep learning-based distributed PV mapping. arXiv preprint arXiv:2207.07466.
• Thebault, M., Nerot, B., Govehovitch, B., & Ménézo, C. (2025). A comprehensive building-wise rooftop photovoltaic system detection in heterogeneous urban and rural areas: application to French territories. Applied Energy, 388, 125630.

JNPV 2025 - Strasbourg

16

Validation de la cartographie

• Redressement de la puissance installée agrégée par département:

JNPV 2025 - Strasbourg

17

06/11/2025

Exemples de faux positifs

JNPV 2025 - Strasbourg

18

06/11/2025