W tej proponowanej metodologii wdrożono najnowsze technologie, takie jak MapReduce i IoT, w celu przewidywania potencjału słonecznego lokalizacji. Przeanalizowano studium wykonalności w celu zastosowania fotowoltaiki (PV) na dachu budynku. To badanie zostało przeprowadzone w celu zintegrowania technologii takie jak przetwarzanie w chmurze, big data, teledetekcja, GIS i programowanie do tworzenia miesięcznych i rocznych map zasobów słonecznych. Dane meteorologiczne z dwudziestu dziewięciu lat zostały przetworzone w równoległym środowisku obliczeniowym przy użyciu MapReduce do przewidywania potencjału energii słonecznej. Citrix XenCenter, goły metal hypervisor, został wykorzystany do stworzenia środowiska cloud computing. Dane GHI z kilku lokalizacji uzyskano metodami pochodzącymi z satelity, takimi jak baza danych Narodowego Laboratorium Energii Odnawialnej (NREL) oraz na poziomie lokalnym przy użyciu piranometru. Inne modele GHI pochodzące z satelitów, takie jak Copernicus Atmosphere Monitoring Service (CAMS) McClear, Simple Model of the Atmospheric Radiative Transfer of Sunshine (SMARTS), globalny atlas słoneczny i NASA Prediction of Worldwide Energy Resources (POWER), również zostały ocenione w tej pracy badawczej. GHI uzyskano z NREL, CAMS McClear, SMART i NASA POWER, a także przy użyciu piranometru z lokalnymi zmiennymi środowiskowymi. Proponowaną metodologię przedstawiono na rysunku
Dane z piranometru i dane NREL pochodzące z satelitów zostały wykorzystane w tych badaniach do oszacowania potencjału słonecznego. Modele pochodzące z satelitów, takie jak CAMS McClear, SMART i NASA POWER, zostały ocenione na podstawie lokalnych zmiennych środowiskowych przy użyciu danych z piranometru. Algorytm grupowania k-średnich został zastosowany do obrazów satelitarnych o wysokiej rozdzielczości z Google Earth Pro w celu wyodrębnienia śladów budynków w celu oszacowania potencjału słonecznego. India Census 2011 oraz dane socjoekonomiczne zostały wykorzystane do oszacowania zapotrzebowania na energię instytutu. Te zbiory danych najlepiej uznano za przetwarzane na platformie Big Data przy użyciu Hadoop, a potencjał słoneczny został oszacowany.