为了让美国消费者与厂商更加了解太阳能板装设状况与分布，斯坦福大学通过机器学习与卫星图像，研发出“DeepSolar”软件与开放平台，可成功识别出美国超过147 万个太阳能设备，希望能让人们更了解当地太阳能的部局情形与背后原因。
美国太阳能安装行业可说是蒸蒸日上，行业营收从10 年前的4,200 万美元，到2017 年已大幅攀升至2.1 亿美元，但太阳能在美国的设备分布如何？有哪些是热门装设地点？收入与日照度有什么门槛吗？虽然已知太阳能行业发展强势，但目前装设状况与分布都没有足够的数据，这也让科学家、太阳能开发商与相关政策难以进行更多的跨领域研究。
若是可以知道太阳能装设状况、装设动机或是热门地点，这将有助于厂商提出更吸引人的企画，公用业务电力公司也能更容易平衡电网与拉设馈线，对于城市规划也大有裨益。
因此为了解决人们心中的疑惑，斯坦福大学善加利用卫星地图与卷积神经网络（CNN）技术，训练计算机识别37 万张含有30×30 米地图的卫星图像，让计算机分析其中是否含有太阳能板。该算法可将卫星图像分解成小图片，深度神经网络则会再进一步处理与分类这些区块，之后就会开始分辨哪些含有太阳能板，进而形成热点图（heat map）。
斯坦福电机工程博士生Jiafan Yu 表示，团队其实并没有提示计算机得特别关注哪些特征，这些都是计算机通过机器学习自学而来，之后才慢慢知道与太阳能关联性较高的颜色、花纹和尺寸，而DeepSolar 识别表现不俗，住宅太阳能搜索的精准度已达到93.1%，召回度（recall，注）为88.5%，非住宅太阳能精准度与召回度则分别是93.7%与90.5%。
研究团队已将DeepSolar 实际识别10 亿张卫星图像，该软件也在一个月内于住宅、办公室房顶与大型电厂统计出147 万个太阳能设备，这数据已远远超过当前估计的102 万，目前研究则将数据与美国人口普查和其他数据相结合，扩大分析人们购买太阳能的背后原因与相关研究。
团队研究发现，住宅太阳能部局在每平方英里居住1,000 人时达到最高，且家庭总年收入若超过15 万美元装设机率会再增加，且由于太阳能入手成本仍高，中低收入户即使居住在阳光丰沛地区，仍然不会选择太阳光电；研究也指出，若将太阳能板部局数据与地理相结合，可以间接知道在该地装设太阳能所需的最低日照量。
斯坦福大学土木与环境工程副教授Arun Majumdar 表示，虽然团队已发现全新的太阳能研究分析方向，但这只是能给给其他研究员、公用电力、太阳能开发商与政策决策者的冰山一角。指出未来将陆续公布其他数据与着手研究国外地区，这样一来所有人就能找到属于自己或是自家企业、城市的太阳能部局模式与典范。
目前团队已在DeepSolar 网站公布所有相关数据，研究也发布在《Joule》。
注：召回度又称灵敏度，指实际为正向答案的样本，判断正确的比例。