Geographic Information System (GIS) for renewable energy development

The accelerated transition toward renewable energy systems requires spatially explicit, transparent, and robust methodologies for identifying suitable photovoltaic (PV) deployment areas. While technical solar potential is abundant, actual implementation is constrained by environmental regulations, land-use policies, infrastructural factors, and socio-spatial trade-offs. This dissertation develops an integrated Geographic Information Systems (GIS)-based framework that combines Multi-Criteria Decision-Making (MCDM), spatial robustness analysis, machine learning (ML), and Explainable Artificial Intelligence (XAI) to advance photovoltaic site suitability assessment across multiple spatial scales. The research focuses primarily on large-scale ground-mounted PV deployment in Lombardy, Italy, while also incorporating rooftop PV assessment to provide a complementary distributed generation perspective. The methodological core of the thesis is a region-specific implementation of the Analytic Hierarchy Process (AHP) for PV site selection. A structured hierarchy of environmental, technical, infrastructural, and regulatory criteria was developed, weighted through pairwise comparison with consistency validation, and spatially implemented within a raster-based GIS environment. Beyond conventional MCDM applications, the study introduces two methodological innovations. First, multicollinearity diagnostics among spatial criteria were systematically assessed to identify interdependencies that may bias suitability outcomes. Second, a spatially explicit sensitivity analysis was performed to evaluate the robustness of suitability patterns under weight perturbations. The resulting stability maps distinguish high-confidence zones from areas highly sensitive to weighting assumptions, thus strengthening decision transparency and reliability. To validate and interrogate the expert-driven suitability model, supervised machine learning algorithms were trained using a spatially stratified train-test split approach to avoid spatial leakage. High predictive performance demonstrated that AHP-derived suitability classes are statistically learnable. SHapley Additive exPlanations (SHAP) were then employed to quantify global and local feature contributions, reveal nonlinear interactions, and interpret spatial decision boundaries. The results confirmed dominant drivers of suitability while identifying areas of model sensitivity. Building upon this interpretability layer, the thesis further proposes an explainability-guided unsupervised learning framework in which SHAP-derived feature importance is used to reweight the clustering feature space. This approach enhances cluster separability, spatial compactness, and structural coherence, demonstrating that XAI can move beyond post-hoc explanation toward constructive spatial refinement. Complementing the large-scale PV analysis, rooftop solar potential assessment in urban environments quantifies distributed generation capacity, highlighting the multi-scale nature of solar planning. Together, centralized and distributed perspectives provide a more comprehensive understanding of regional photovoltaic deployment strategies. Overall, this dissertation advances renewable energy spatial planning by integrating GIS-based MCDM, robustness diagnostics, spatial machine learning, and explainable AI within a unified GeoAI framework. The proposed methodology enhances transparency, methodological rigor, and planning reliability, contributing to the development of interpretable and resilient spatial decision-support systems for sustainable energy transitions.

La transizione accelerata verso i sistemi di energia rinnovabile richiede metodologie spazialmente esplicite, trasparenti e robuste per l'identificazione di aree idonee all'installazione di impianti fotovoltaici (FV). Sebbene il potenziale solare tecnico sia abbondante, l'effettiva implementazione è limitata da normative ambientali, politiche di utilizzo del suolo, fattori infrastrutturali e compromessi socio-spaziali. Questa tesi sviluppa un framework integrato basato su Sistemi Informativi Geografici (GIS) che combina il Multicriteria Decision Making (MCDM), l'analisi di robustezza spaziale, l'apprendimento automatico (ML) e l'Intelligenza Artificiale Spiegabile (XAI) per migliorare la valutazione dell'idoneità dei siti fotovoltaici su diverse scale spaziali. La ricerca si concentra principalmente sull'installazione di impianti fotovoltaici a terra su larga scala in Lombardia, Italia, includendo anche la valutazione degli impianti fotovoltaici sui tetti per fornire una prospettiva complementare sulla generazione distribuita. Il nucleo metodologico della tesi è un'implementazione specifica per la regione del Processo di Gerarchia Analitica (AHP) per la selezione dei siti fotovoltaici. È stata sviluppata una gerarchia strutturata di criteri ambientali, tecnici, infrastrutturali e normativi, ponderata tramite confronto a coppie con validazione di coerenza e implementata spazialmente all'interno di un ambiente GIS raster. Oltre alle applicazioni convenzionali di MCDM (Multi-Criteria Decision Making), lo studio introduce due innovazioni metodologiche. In primo luogo, sono state valutate sistematicamente le diagnosi di multicollinearità tra i criteri spaziali per identificare le interdipendenze che potrebbero distorcere i risultati di idoneità. In secondo luogo, è stata eseguita un'analisi di sensibilità spazialmente esplicita per valutare la robustezza dei modelli di idoneità in presenza di perturbazioni dei pesi. Le mappe di stabilità risultanti distinguono le zone ad alta confidenza dalle aree altamente sensibili alle ipotesi di ponderazione, rafforzando così la trasparenza e l'affidabilità del processo decisionale. Per convalidare e analizzare il modello di idoneità basato sul giudizio degli esperti, sono stati addestrati algoritmi di apprendimento automatico supervisionato utilizzando un approccio di suddivisione in set di addestramento e test stratificato spazialmente per evitare la dispersione spaziale. Le elevate prestazioni predittive hanno dimostrato che le classi di idoneità derivate dall'AHP (Analytic Hierarchy Process) sono statisticamente apprendibili. È stato quindi utilizzato il metodo SHAP (Shapley Additive Explanations) per quantificare i contributi delle caratteristiche globali e locali, rivelare le interazioni non lineari e interpretare i confini decisionali spaziali. I risultati hanno confermato i fattori determinanti dell'idoneità, identificando al contempo le aree di sensibilità del modello. Partendo da questo livello di interpretabilità, la tesi propone inoltre un framework di apprendimento non supervisionato guidato dall'interpretabilità, in cui l'importanza delle caratteristiche derivata da SHAP viene utilizzata per riponderare lo spazio delle caratteristiche di clustering. Questo approccio migliora la separabilità dei cluster, la compattezza spaziale e la coerenza strutturale, dimostrando che l'XAI può andare oltre la spiegazione a posteriori verso un affinamento spaziale costruttivo. A complemento dell'analisi fotovoltaica su larga scala, la valutazione del potenziale solare sui tetti in ambienti urbani quantifica la capacità di generazione distribuita, evidenziando la natura multiscala della pianificazione solare. Insieme, le prospettive centralizzate e distribuite forniscono una comprensione più completa delle strategie regionali di implementazione del fotovoltaico. Nel complesso, questa tesi fa progredire la pianificazione spaziale delle energie rinnovabili integrando MCDM basato su GIS, diagnostica di robustezza, apprendimento automatico spaziale e intelligenza artificiale interpretabile all'interno di un framework GeoAI unificato. La metodologia proposta migliora la trasparenza, il rigore metodologico e l'affidabilità della pianificazione, contribuendo allo sviluppo di sistemi di supporto alle decisioni spaziali interpretabili e resilienti per le transizioni energetiche sostenibili.