論文の概要: Solar Power Prediction Using Satellite Data in Different Parts of Nepal

• arxiv url: http://arxiv.org/abs/2406.11877v1
• Date: Sat, 8 Jun 2024 04:23:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-23 13:24:48.400649
• Title: Solar Power Prediction Using Satellite Data in Different Parts of Nepal
• Title（参考訳）: ネパールの異なる地域での衛星データによる太陽エネルギー予測
• Authors: Raj Krishna Nepal, Bibek Khanal, Vibek Ghimire, Kismat Neupane, Atul Pokharel, Kshitij Niraula, Baburam Tiwari, Nawaraj Bhattarai, Khem N. Poudyal, Nawaraj Karki, Mohan B Dangi, John Biden,
• Abstract要約: この研究はネパールの5つの異なる地域に焦点を当て、CERES Syn1degとMERRA-2から得られた約10年間のデータセットを利用している。 その結果、R-squared(R2)スコアは、列車と試験の両方のデータセットのユニティに近く、太陽の照度を予測する精度が高いことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Due to the unavailability of solar irradiance data for many potential sites of Nepal, the paper proposes predicting solar irradiance based on alternative meteorological parameters. The study focuses on five distinct regions in Nepal and utilizes a dataset spanning almost ten years, obtained from CERES SYN1deg and MERRA-2. Machine learning models such as Random Forest, XGBoost, K-Nearest Neighbors, and deep learning models like LSTM and ANN-MLP are employed and evaluated for their performance. The results indicate high accuracy in predicting solar irradiance, with R-squared(R2) scores close to unity for both train and test datasets. The impact of parameter integration on model performance is analyzed, revealing the significance of various parameters in enhancing predictive accuracy. Each model demonstrates strong performance across all parameters, consistently achieving MAE values below 6, RMSE values under 10, MBE within |2|, and nearly unity R2 values. Upon removal of various solar parameters such as "Solar_Irradiance_Clear_Sky", "UVA", etc. from the datasets, the model's performance is significantly affected. This exclusion leads to considerable increases in MAE, reaching up to 82, RMSE up to 135, and MBE up to |7|. Among the models, KNN displays the weakest performance, with an R2 of 0.7582546. Conversely, ANN exhibits the strongest performance, boasting an R2 value of 0.9245877. Hence, the study concludes that Artificial Neural Network (ANN) performs exceptionally well, showcasing its versatility even under sparse data parameter conditions.
• Abstract（参考訳）: ネパールの多くの潜在的な地域において、太陽放射データが利用できないため、代替気象パラメータに基づいた太陽放射の予測が提案されている。 この研究はネパールの5つの異なる地域に焦点を当て、CERES Syn1degとMERRA-2から得られた約10年間のデータセットを利用している。 Random Forest、XGBoost、K-Nearest Neighborsといった機械学習モデル、LSTMやANN-MLPといったディープラーニングモデルが採用され、そのパフォーマンスを評価する。 その結果、R-squared(R2)スコアは、列車と試験の両方のデータセットのユニティに近く、太陽の照度を予測する精度が高いことが示唆された。 パラメータ統合がモデル性能に与える影響を解析し、予測精度を高める上での様々なパラメータの重要性を明らかにする。 各モデルは全てのパラメータに対して強い性能を示し、連続してMAE値が6以下、RMSE値が10以下、MBEが|2|、R2値がほぼ一様である。 データセットから「Solar_Irradiance_Clear_Sky」「UVA」などの様々な太陽パラメータを除去すると、モデルの性能に大きな影響を及ぼす。 この排除により、MAEは82まで、RMSEは135まで、MBEは7|まで上昇する。 モデルの中で、KNNは最も弱い性能を示し、R2は0.7582546である。 逆に、ANNはR2の0.9245877を誇った最強のパフォーマンスを誇っている。 したがって、この研究は、ANN(Artificial Neural Network)が極めてよく機能し、スパースなデータパラメータ条件下であっても、その汎用性を示すと結論付けている。

関連論文リスト

• Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
  本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。 SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。 DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
  論文  参考訳（メタデータ） (2024-04-03T08:18:45Z)
• Solar Radiation Prediction in the UTEQ based on Machine Learning Models [0.0]
  データは、ケヴェド工科大学中央キャンパス(UTEQ)のピラノメーターから得られた。 評価指標としてMean Squared Error(MSE)、Root Mean Squared Error(RMSE)、Mean Absolute Error(MAE)、決定係数(R2$)を比較した。 この研究は、グラディエント・ブースティング・レグレッショナーが優れた性能を示し、Random Forest Regressorがそれに続いたことを明らかにした。
  論文  参考訳（メタデータ） (2023-12-29T15:54:45Z)
• A Hybrid Deep Learning-based Approach for Optimal Genotype by Environment Selection [8.084449311613517]
  我々は,13年間に159か所をカバーし,93,028のトレーニング記録からなるデータセットを用いて10,337回のテスト記録の収量予測を行った(2003-2015)。 このデータセットには、5,838の異なる遺伝子型と214日間の生育シーズンの日々の気象データが含まれており、包括的な分析を可能にしている。 我々は、CNNと完全接続ネットワークを組み合わせたCNN-DNNモデルと、気象変数にLSTM層を追加するCNN-LSTM-DNNモデルという、2つの新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2023-09-22T17:31:47Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• 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)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Comparing Test Sets with Item Response Theory [53.755064720563]
  我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。 また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
  論文  参考訳（メタデータ） (2021-06-01T22:33:53Z)
• Modelling of daily reference evapotranspiration using deep neural network in different climates [0.0]
  本研究では,毎日のEToを推定するための人工知能ニューラルネットワーク(ANN)とディープニューラルネットワーク(DNN)モデルの性能について検討する。 Aksaray における SeLU アクティベーション関数 (P-DNN-SeLU) を用いた DNN モデルでは, 最高の性能が得られた。
  論文  参考訳（メタデータ） (2020-06-02T16:39:47Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。