論文の概要: A Higher Purpose: Measuring Electricity Access Using High-Resolution
Daytime Satellite Imagery
- arxiv url: http://arxiv.org/abs/2210.03909v1
- Date: Sat, 8 Oct 2022 04:18:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 14:47:55.043286
- Title: A Higher Purpose: Measuring Electricity Access Using High-Resolution
Daytime Satellite Imagery
- Title（参考訳）: 高次目的:高解像度日時衛星画像を用いた電力アクセス計測
- Authors: Zeal Shah, Simone Fobi, Gabriel Cadamuro, Jay Taneja
- Abstract要約: 本研究では,大規模な電化進展の高分解能モニタリング技術を開発した。
我々は、高解像度50cmの衛星画像と畳み込みニューラルネットワーク(CNN)を組み合わせて、一連の分類と回帰モデルを訓練する。
構築場所、住宅タイプ(居住型/非居住型)、電化状況に関する独特な真実データセットを用いて、我々のモデルを評価する。
- 参考スコア（独自算出の注目度）: 0.04170934882758551
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Governments and international organizations the world over are investing
towards the goal of achieving universal energy access for improving
socio-economic development. However, in developing settings, monitoring
electrification efforts is typically inaccurate, infrequent, and expensive. In
this work, we develop and present techniques for high-resolution monitoring of
electrification progress at scale. Specifically, our 3 unique contributions
are: (i) identifying areas with(out) electricity access, (ii) quantifying the
extent of electrification in electrified areas (percentage/number of
electrified structures), and (iii) differentiating between customer types in
electrified regions (estimating the percentage/number of
residential/non-residential electrified structures). We combine high-resolution
50 cm daytime satellite images with Convolutional Neural Networks (CNNs) to
train a series of classification and regression models. We evaluate our models
using unique ground truth datasets on building locations, building types
(residential/non-residential), and building electrification status. Our
classification models show a 92% accuracy in identifying electrified regions,
85% accuracy in estimating percent of (low/high) electrified buildings within
the region, and 69% accuracy in differentiating between (low/high) percentage
of electrified residential buildings. Our regressions show $R^2$ scores of 78%
and 80% in estimating the number of electrified buildings and number of
residential electrified building in images respectively. We also demonstrate
the generalizability of our models in never-before-seen regions to assess their
potential for consistent and high-resolution measurements of electrification in
emerging economies, and conclude by highlighting opportunities for improvement.
- Abstract（参考訳）: 世界中の政府や国際機関は、社会経済の発展のために普遍的なエネルギーアクセスを達成するための投資を行っている。
しかし、開発環境では、電化の監視は不正確で、頻繁に行われ、高価である。
本研究では,大規模な電化進展の高分解能モニタリング技術を開発した。
特に、私たちの3つのユニークな貢献は
(i)電気アクセスのある地域を特定すること。
二 電化区域(電化施設の割合/数)における電化度の定量化及び
(iii)電化地域における顧客タイプの違い(住宅・非住宅電化構造物の割合/数を推定する。)
我々は、高解像度50cmの衛星画像と畳み込みニューラルネットワーク(CNN)を組み合わせて、一連の分類と回帰モデルを訓練する。
我々は,ビルの配置,ビルディングタイプ(リシデンシャル/非リシデンシャル),ビルの電化状況に関するユニークな基底真理データセットを用いてモデルを評価する。
区分けモデルでは,帯電地域の識別精度が92%,帯電した建物(低・高)が85%,帯電した建物(低/高)が69%,帯電した建物(低/高)が69%であった。
筆者らの回帰分析では, 電化建物数と住宅電化建物数の推定において, 78%, 80%のR^2$スコアが得られた。
また、先例のない地域でのモデルの適用可能性を示し、新興国における電化の一貫性と高分解能の測定の可能性を評価し、改善の機会を強調して結論付ける。
関連論文リスト
- Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。
エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。
本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
論文 参考訳（メタデータ） (2023-10-31T14:09:32Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳（メタデータ） (2022-08-12T17:13:25Z) - Estimating Building Energy Efficiency From Street View Imagery, Aerial
Imagery, and Land Surface Temperature Data [0.0]
本研究は,純粋にリモートセンシングされたデータを用いて建物のエネルギー効率を推定できる新しい手法を提案する。
効率的な建物と非効率な建物を区別するバイナリ設定において、我々のエンドツーエンドのディープラーニングモデルは62.06%のマクロ平均F1スコアを達成する。
論文 参考訳（メタデータ） (2022-06-05T21:04:20Z) - Predicting Levels of Household Electricity Consumption in Low-Access
Settings [0.05727060643816256]
我々は、実用紙幣のサンプルを用いて、昼間の電化衛星画像に対して畳み込みニューラルネットワーク(CNN)を訓練する。
ビルレベルでは, 競争力のある精度が達成できることを示し, 消費変動の課題に対処する。
結果は、ケニアの個々の構造レベルでの粒度の予測を通じて、すでにサイトの選択と配布レベルの計画に役立っている。
論文 参考訳（メタデータ） (2021-12-15T21:42:36Z) - Uncertainty, Edge, and Reverse-Attention Guided Generative Adversarial
Network for Automatic Building Detection in Remotely Sensed Images [1.8275108630751837]
本稿では,不確実性注意ユニットと改良モジュールをジェネレータに組み込んだ生成逆ネットワークベースセグメンテーションフレームワークを提案する。
改良モジュールはエッジとリバースアテンションユニットで構成されており、予測された建物マップを洗練するために設計されている。
2021年12月4日現在、DeepGlobeの公共のリーダーボードで第2位にランクインしている。
論文 参考訳（メタデータ） (2021-12-10T04:45:24Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳（メタデータ） (2021-03-07T11:28:54Z) - Fusion of CNNs and statistical indicators to improve image
classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。
この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。
我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文 参考訳（メタデータ） (2020-12-20T23:24:31Z) - Bayesian model of electrical heating disaggregation [68.8204255655161]
スマートメーターの採用は、ヨーロッパのスマートエネルギーへの移行における大きなマイルストーンである。
フランスの住宅セクターは電力消費の35%$approx$35%、電気暖房による世帯の40%$approx$40%(INSEE)である。
Linkyの展開するスマートメーターの数は2021年に3500万に達する見込みだ。
論文 参考訳（メタデータ） (2020-11-11T10:05:15Z) - WattScale: A Data-driven Approach for Energy Efficiency Analytics of
Buildings at Scale [2.771897351607068]
建物は現代社会の総エネルギーの40%以上を消費している。
エネルギー効率の低い建物を識別するためのデータ駆動型アプローチである textttWattScale を提案する。
論文 参考訳（メタデータ） (2020-07-02T20:45:33Z)
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。