論文の概要: Satellite Sunroof: High-res Digital Surface Models and Roof Segmentation for Global Solar Mapping

• arxiv url: http://arxiv.org/abs/2408.14400v2
• Date: Thu, 29 Aug 2024 05:37:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 18:15:34.376037
• Title: Satellite Sunroof: High-res Digital Surface Models and Roof Segmentation for Global Solar Mapping
• Title（参考訳）: 衛星サンルーフ:高解像度デジタル表面モデルとグローバルソーラーマッピングのための屋根セグメンテーション
• Authors: Vishal Batchu, Alex Wilson, Betty Peng, Carl Elkin, Umangi Jain, Christopher Van Arsdale, Ross Goroshin, Varun Gulshan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.9488614430966358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The transition to renewable energy, particularly solar, is key to mitigating climate change. Google's Solar API aids this transition by estimating solar potential from aerial imagery, but its impact is constrained by geographical coverage. This paper proposes expanding the API's reach using satellite imagery, enabling global solar potential assessment. We tackle challenges involved in building a Digital Surface Model (DSM) and roof instance segmentation from lower resolution and single oblique views using deep learning models. Our models, trained on aligned satellite and aerial datasets, produce 25cm DSMs and roof segments. With ~1m DSM MAE on buildings, ~5deg roof pitch error and ~56% IOU on roof segmentation, they significantly enhance the Solar API's potential to promote solar adoption.
• Abstract（参考訳）: 再生可能エネルギー、特に太陽エネルギーへの移行は、気候変動を緩和する鍵となる。 GoogleのSolar APIは、太陽ポテンシャルを空中画像から推定することで、この移行を支援するが、その影響は地理的カバレッジによって制限されている。 本稿では,衛星画像を用いてAPIの範囲を拡大し,地球規模の太陽ポテンシャル評価を可能にすることを提案する。 我々は,DSM(Digital Surface Model)と屋根のインスタンスセグメンテーションを低解像度から,深層学習モデルを用いた単一斜めビューから構築する際の課題に取り組む。 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。 建物に約1mのDSM MAE、屋根のピッチ誤差に約5deg、屋根のセグメンテーションに約56%のIOUがあるため、ソーラーAPIのソーラー採用を促進する可能性は大きく向上した。

関連論文リスト

• Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning [38.321248253111776]
  我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。 データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
  論文  参考訳（メタデータ） (2024-03-04T23:12:17Z)
• SolarFormer: Multi-scale Transformer for Solar PV Profiling [7.686020113962378]
  SolarFormerは、ソーラーパネルを空中画像から切り離し、その位置と大きさに関する洞察を提供するように設計されている。 本モデルでは,低レベル機能を活用し,太陽PV設置の局所化を強化するインスタンスクエリ機構を組み込んだ。 我々の実験は、我々のモデルが最先端のモデルと一致しているか、あるいは超えていることを一貫して示している。
  論文  参考訳（メタデータ） (2023-10-30T22:22:01Z)
• 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)
• 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)
• Enabling Country-Scale Land Cover Mapping with Meter-Resolution Satellite Imagery [42.70832378336697]
  高解像度衛星画像は、土地被覆分類のための豊富な詳細な空間情報を提供することができる。 大規模に詳細なカテゴリのランドカバーマッピングに高解像度画像を適用した研究はほとんどない。 本稿では,50億画素以上の高解像度Gaofen-2(4m)衛星画像を含む大規模ランドカバー・データセットであるFive-Billion-Pixelsを提案する。
  論文  参考訳（メタデータ） (2022-09-01T21:00:23Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• 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)
• 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)
• Deep Learning Guided Building Reconstruction from Satellite Imagery-derived Point Clouds [39.36437891978871]
  衛星画像から生成された点雲からモデル再構成を構築するための信頼性が高く効果的な手法を提案する。 具体的には、複雑で騒々しい場面で建築屋根の形状を区別するために、ディープラーニングのアプローチが採用されている。 大規模都市モデル生成の一般ニーズに対処する最初の取り組みとして、開発はオープンソースソフトウェアとして展開されている。
  論文  参考訳（メタデータ） (2020-05-19T05:38:06Z)

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。