論文の概要: Estimating Residential Solar Potential Using Aerial Data

• arxiv url: http://arxiv.org/abs/2306.13564v1
• Date: Fri, 23 Jun 2023 15:37:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-26 12:17:52.723868
• Title: Estimating Residential Solar Potential Using Aerial Data
• Title（参考訳）: 航空データを用いた住宅用太陽電位の推定
• Authors: Ross Goroshin, Alex Wilson, Andrew Lamb, Betty Peng, Brandon Ewonus, Cornelius Ratsch, Jordan Raisher, Marisa Leung, Max Burq, Thomas Colthurst, William Rucklidge, Carl Elkin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.4811810722979911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Project Sunroof estimates the solar potential of residential buildings using high quality aerial data. That is, it estimates the potential solar energy (and associated financial savings) that can be captured by buildings if solar panels were to be installed on their roofs. Unfortunately its coverage is limited by the lack of high resolution digital surface map (DSM) data. We present a deep learning approach that bridges this gap by enhancing widely available low-resolution data, thereby dramatically increasing the coverage of Sunroof. We also present some ongoing efforts to potentially improve accuracy even further by replacing certain algorithmic components of the Sunroof processing pipeline with deep learning.
• Abstract（参考訳）: project sunroofは高品質の航空データを用いて住宅の太陽ポテンシャルを推定している。 つまり、ソーラーパネルを屋根に設置すれば、建物によって取得できる太陽エネルギー(およびそれに伴う財政的節約)の可能性を見積もっている。 残念ながら、そ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)データがないために制限されている。 我々は,広範に利用可能な低解像度データを拡張し,sunroofのカバー範囲を劇的に増加させることで,このギャップを埋めるディープラーニングアプローチを提案する。 また、Sunroof処理パイプラインのアルゴリズムコンポーネントを深層学習に置き換えることで、精度をさらに向上する取り組みも進行中である。

関連論文リスト

• Solar potential analysis over Indian cities using high-resolution satellite imagery and DEM [0.0]
  本研究では,高解像度衛星画像 (0.5 cm) とデジタル高度モデル (1 m) の入力と地上局の放射データを用いて,屋上太陽ポテンシャルを推定する新しい手法を実装した。 その結果, 季節変動や環境影響, ソーラーパネル構造などの技術的理由により, 最大50%の電力損失が生じることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T10:50:39Z)
• 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)
• 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)
• 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)
• 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)
• Open-Source Ground-based Sky Image Datasets for Very Short-term Solar Forecasting, Cloud Analysis and Modeling: A Comprehensive Survey [0.0]
  ディープラーニングは、太陽光発電の不確実性を減らすための有望なアプローチであると認識されている。 最大の課題の1つは、巨大で多彩なスカイイメージのサンプルがないことである。 本研究では,短期日射予測のためのオープンソース地上画像データセットの総合的な調査を行う。
  論文  参考訳（メタデータ） (2022-11-27T03:35:58Z)
• A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data using Self-Supervised Learning [4.844946519309793]
  我々は、自己教師付き学習を用いた多スペクトル衛星データから、太陽流の一般的なモデルを構築した。 我々のモデルは、衛星観測に基づいて、位置の将来の太陽放射を推定する。 提案手法は,25の太陽観測地点にまたがる異なる範囲で評価し,地平線を予測できる。
  論文  参考訳（メタデータ） (2021-12-28T03:13:44Z)
• Predicting the Solar Potential of Rooftops using Image Segmentation and Structured Data [0.0]
  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。
  論文  参考訳（メタデータ） (2021-05-28T15:49:13Z)
• LEAD: LiDAR Extender for Autonomous Driving [48.233424487002445]
  MEMS LiDARは、その低コスト、より堅牢、および大量生産基準を満たすため、耐え難い傾向で出現します。 それは小さい視野(FoV)に苦しめられ、人口のステップを遅らせます。 我々は、MEMS LiDARをFoVと範囲を結合して拡張するLEAD(LiDAR Extender for Automation)を提案する。
  論文  参考訳（メタデータ） (2021-02-16T07:35:34Z)

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。