論文の概要: QIENet: Quantitative irradiance estimation network using recurrent
neural network based on satellite remote sensing data
- arxiv url: http://arxiv.org/abs/2312.00299v1
- Date: Fri, 1 Dec 2023 02:30:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 15:49:46.637016
- Title: QIENet: Quantitative irradiance estimation network using recurrent
neural network based on satellite remote sensing data
- Title(参考訳): QIENet:衛星リモートセンシングデータに基づくリカレントニューラルネットワークを用いた定量的照度推定ネットワーク
- Authors: Longfeng Nie, Yuntian Chen, Dongxiao Zhang, Xinyue Liu, Wentian Yuan
- Abstract要約: 衛星ヒマワリ8のリモートセンシングデータの時間的・空間的特性をRNNと畳み込み操作により抽出し,融合させる。
衛星スペクトルチャンネルB07〜B11〜B15は、QIENetのモデル入力として推奨される。
QIENetは、様々なクラウドが時間ごとのGHI推定に与える影響を捉えることができる。
- 参考スコア(独自算出の注目度): 5.395141117217303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Global horizontal irradiance (GHI) plays a vital role in estimating solar
energy resources, which are used to generate sustainable green energy. In order
to estimate GHI with high spatial resolution, a quantitative irradiance
estimation network, named QIENet, is proposed. Specifically, the temporal and
spatial characteristics of remote sensing data of the satellite Himawari-8 are
extracted and fused by recurrent neural network (RNN) and convolution
operation, respectively. Not only remote sensing data, but also GHI-related
time information (hour, day, and month) and geographical information (altitude,
longitude, and latitude), are used as the inputs of QIENet. The satellite
spectral channels B07 and B11 - B15 and time are recommended as model inputs
for QIENet according to the spatial distributions of annual solar energy.
Meanwhile, QIENet is able to capture the impact of various clouds on hourly GHI
estimates. More importantly, QIENet does not overestimate ground observations
and can also reduce RMSE by 27.51%/18.00%, increase R2 by 20.17%/9.42%, and
increase r by 8.69%/3.54% compared with ERA5/NSRDB. Furthermore, QIENet is
capable of providing a high-fidelity hourly GHI database with spatial
resolution 0.02{\deg} * 0.02{\deg}(approximately 2km * 2km) for many applied
energy fields.
- Abstract(参考訳): 地球水平照度(GHI)は、持続可能なグリーンエネルギーの生成に使用される太陽エネルギー資源の推定において重要な役割を果たす。
空間分解能の高いGHIを推定するために,QIENetと呼ばれる定量的照度推定ネットワークを提案する。
具体的には、リカレントニューラルネットワーク(rnn)と畳み込み動作により、衛星ひまわり8のリモートセンシングデータの時間的及び空間的特性を抽出・融合する。
QIENetの入力には、リモートセンシングデータだけでなく、GHI関連の時間情報(時間、日、月)や地理的情報(緯度、経度、緯度)も使用される。
衛星スペクトルチャネルB07,B11〜B15は、年間太陽エネルギーの空間分布に応じてQIENetのモデル入力として推奨される。
一方、QIENetは、時間ごとのGHI推定に対する様々な雲の影響を捉えている。
さらに重要なことは、QIENetは地上での観測を過大評価せず、RMSEを27.51%/18.00%、R2を20.17%/9.42%、rを8.69%/3.54%削減できる。
さらに、QIENetは、多くの応用エネルギー分野に対して、空間解像度 0.02{\deg} * 0.02{\deg}(a approximately 2km * 2km) の高忠実時間GHIデータベースを提供することができる。
関連論文リスト
- Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳(メタデータ) (2024-07-12T18:00:02Z) - Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。
本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
論文 参考訳(メタデータ) (2024-02-05T05:01:28Z) - Prediction of solar wind speed by applying convolutional neural network
to potential field source surface (PFSS) magnetograms [2.124527370393348]
このモデルは、平均相関係数0.52、根平均二乗誤差80.8km/sの連続試験データセットの予測を提供する。
このモデルはまた、太陽風の高速な流れを予測できる可能性があり、これは一般的な脅威スコア0.39で定量化することができる。
論文 参考訳(メタデータ) (2023-04-03T06:54:22Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - Machine learning model to predict solar radiation, based on the
integration of meteorological data and data obtained from satellite images [0.0]
地理的位置での太陽放射の挙動を知ることは、太陽からのエネルギーの使用に不可欠である。
GOES-13衛星から得られた画像を使用して、データセットに統合可能な変数を抽出した。
太陽放射予測における5つの機械学習アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2022-04-08T22:17:19Z) - 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) - Simultaneous Multivariate Forecast of Space Weather Indices using Deep
Neural Network Ensembles [3.3935755618642367]
太陽放射束と地磁気指数は、太陽活動とその影響の重要な指標である。
本稿では,時系列データの分布を学習するための,長期記憶ニューラルネットワークに基づくモデルを提案する。
太陽画像データと時系列データを含む場合、根平均二乗誤差を30~40%改善する。
論文 参考訳(メタデータ) (2021-12-16T17:42:49Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳(メタデータ) (2021-06-23T18:00:05Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳(メタデータ) (2021-06-02T07:36:27Z) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳(メタデータ) (2020-11-19T09:53:27Z) - Real-time Tropical Cyclone Intensity Estimation by Handling Temporally
Heterogeneous Satellite Data [33.528810128372704]
本稿では,GAN(Generative Adversarial Network)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しいフレームワークを提案する。
実験結果から,ハイブリッドGAN-CNNフレームワークは最先端モデルに匹敵する精度を実現することが示された。
論文 参考訳(メタデータ) (2020-10-28T13:40:07Z)
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。