論文の概要: Predicting the Solar Potential of Rooftops using Image Segmentation and Structured Data

• arxiv url: http://arxiv.org/abs/2106.15268v1
• Date: Fri, 28 May 2021 15:49:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-04 19:34:20.309213
• Title: Predicting the Solar Potential of Rooftops using Image Segmentation and Structured Data
• Title（参考訳）: 画像分割と構造化データを用いた屋上太陽電位予測
• Authors: Daniel de Barros Soares (1), Fran\c{c}ois Andrieux (1), Bastien Hell (1), Julien Lenhardt (1 and 2), Jordi Badosa (3), Sylvain Gavoille (1), St\'ephane Gaiffas (1, 4 and 5), Emmanuel Bacry (1 and 6), ((1) namR, Paris, France, (2) ENSTA Paris, France, (3) LMD, Ecole polytechnique, IP Paris, Palaiseau, France, (4) LPSM, Universit\'e de Paris, France, (5) DMA, Ecole normale sup\'erieure, Paris, France, (6) CEREMADE, Universit\'e Paris Dauphine, Paris, France)
• Abstract要約: 屋上太陽光発電システムで発電できる電力量を推定することは、時間を要するプロセスである。 屋上における太陽のポテンシャルを,その位置と建築的特性に基づいて推定する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the amount of electricity that can be produced by rooftop photovoltaic systems is a time-consuming process that requires on-site measurements, a difficult task to achieve on a large scale. In this paper, we present an approach to estimate the solar potential of rooftops based on their location and architectural characteristics, as well as the amount of solar radiation they receive annually. Our technique uses computer vision to achieve semantic segmentation of roof sections and roof objects on the one hand, and a machine learning model based on structured building features to predict roof pitch on the other hand. We then compute the azimuth and maximum number of solar panels that can be installed on a rooftop with geometric approaches. Finally, we compute precise shading masks and combine them with solar irradiation data that enables us to estimate the yearly solar potential of a rooftop.
• Abstract（参考訳）: 屋上太陽光発電システムで発電できる電力量を推定することは、現場での計測を必要とする時間のかかるプロセスであり、大規模に達成するのは難しい。 本稿では, 屋根上の太陽ポテンシャルをその位置と建築的特性, 年々受ける太陽放射量に基づいて推定する方法を提案する。 提案手法では,屋根断面と屋根物体のセマンティックセグメンテーションをコンピュータビジョンを用いて実現し,その一方で屋根ピッチ予測のための構造的建築特徴に基づく機械学習モデルを構築する。 次に、幾何学的なアプローチで屋上に設置できるアジマスと最大数のソーラーパネルを計算する。 最後に, 正確な遮蔽マスクを計算し, 太陽光照射データと組み合わせることで, 屋根上面の年間太陽ポテンシャルを推定する。

関連論文リスト

• Satellite Sunroof: High-res Digital Surface Models and Roof Segmentation for Global Solar Mapping [1.9488614430966358]
  GoogleのSolar APIは、航空画像から太陽ポテンシャルを推定する。 本稿では,衛星画像を用いたAPIのリーチ拡大を提案する。 我々のモデルは、衛星と空中のデータセットに基づいて訓練され、25cmのDSMと屋根のセグメントを生成します。
  論文  参考訳（メタデータ） (2024-08-26T16:34:13Z)
• A Foundation Model for the Earth System [82.73624748093333]
  我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。 オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• Estimating Residential Solar Potential Using Aerial Data [0.4811810722979911]
  プロジェクトは高品質の航空データを用いて住宅のソーラーポテンシャルを推定する。 プロジェクトのカバレッジは、高解像度のデジタルサーフェスマップ(DSM)データの欠如によって制限される。 本稿では,このギャップを埋める深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-06-23T15:37:21Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• TensoIR: Tensorial Inverse Rendering [51.57268311847087]
  テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
  論文  参考訳（メタデータ） (2023-04-24T21:39:13Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Data-driven soiling detection in PV modules [58.6906336996604]
  太陽光発電モジュールの土質比を推定する問題について検討した。 私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。 実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-01-30T14:35:47Z)
• Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
  特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。 本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。 その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
  論文  参考訳（メタデータ） (2023-01-21T19:16:03Z)
• HyperionSolarNet: Solar Panel Detection from Aerial Images [0.7157957528875099]
  深層学習法を用いて,空中画像を用いたソーラーパネル位置とその表面積の自動検出を行う。 我々の研究は、ソーラーパネルの検出に効率的でスケーラブルな方法を提供し、分類に0.96の精度とセグメンテーション性能に0.82のIoUスコアを達成している。
  論文  参考訳（メタデータ） (2022-01-06T15:43:13Z)
• Prediction of Solar Radiation Using Artificial Neural Network [0.0]
  本稿では,太陽放射の時間的活動を予測するアルゴリズムを提案する。 データセットは、空気の温度、時間、湿度、風速、気圧、風向き、太陽放射データで構成されている。 教師付き学習データを通じてパターンを解釈できるシステムを構築するために、2つのモデルを作成する。
  論文  参考訳（メタデータ） (2021-04-01T20:41:27Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。