論文の概要: Surface solar radiation: AI satellite retrieval can outperform Heliosat and generalizes well to other climate zones

• arxiv url: http://arxiv.org/abs/2409.16316v1
• Date: Mon, 16 Sep 2024 08:15:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 09:03:58.421164
• Title: Surface solar radiation: AI satellite retrieval can outperform Heliosat and generalizes well to other climate zones
• Title（参考訳）: 太陽表面放射:AI衛星の探索はHeliosatを上回り、他の気候圏に適応する
• Authors: K. R. Schuurman, A. Meyer,
• Abstract要約: SSIの推定は、太陽資源の評価と太陽エネルギー予測に不可欠である。 ヘリオサットのような従来のSSI衛星の探索は物理放射移動モデルに依存している。 本稿では,SSI推定を瞬時に行うための,機械学習に基づく衛星検索について紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimates of surface solar irradiance (SSI) are essential for solar resource assessments and solar energy forecasts in grid integration and building control applications. SSI estimates for spatially extended regions can be retrieved from geostationary satellites such as Meteosat. Traditional SSI satellite retrievals like Heliosat rely on physical radiative transfer modelling. We introduce the first machine-learning-based satellite retrieval for instantaneous SSI and demonstrate its capability to provide accurate and generalizable SSI estimates across Europe. Our deep learning retrieval provides near real-time SSI estimates based on data-driven emulation of Heliosat and fine-tuning on pyranometer networks. By including SSI from ground stations, our SSI retrieval model can outperform Heliosat accuracy and generalize well to regions with other climates and surface albedos in cloudy conditions (clear-sky index < 0.8). We also show that the SSI retrieved from Heliosat exhibits large biases in mountain regions, and that training and fine-tuning our retrieval models on SSI data from ground stations strongly reduces these biases, outperforming Heliosat. Furthermore, we quantify the relative importance of the Meteosat channels and other predictor variables like solar zenith angle for the accuracy of our deep learning SSI retrieval model in different cloud conditions. We find that in cloudy conditions multiple near-infrared and infrared channels enhance the performance. Our results can facilitate the development of more accurate satellite retrieval models of surface solar irradiance.
• Abstract（参考訳）: 表面太陽放射の正確な推定は、グリッド統合および建築制御への応用における太陽資源評価と太陽エネルギー予測に不可欠である。 空間的拡張領域のSSI推定は、Meteosatのような静止衛星から得ることができる。 ヘリオサットのような従来のSSI衛星の探索は物理放射移動モデルに依存している。 本稿では, 瞬時SSIのための機械学習による衛星検索を初めて導入し, ヨーロッパ全体での高精度で一般化可能なSSI推定能力を示す。 我々のディープラーニング検索は、Heliosatのデータ駆動エミュレーションとピラノメーターネットワークの微調整に基づいて、ほぼリアルタイムでSSI推定を提供する。 地上局からのSSIを含めることで,我々のSSI検索モデルはヘリオサットの精度を上回り,他の気候のある地域や,雲質(クラースキー指数<0.8。 また,ヘリオサットから抽出したSSIは山間部において大きなバイアスを示し,地上局からのSSIデータの学習と微調整により,これらのバイアスを強く低減し,ヘリオサットを上回っていることを示す。 さらに,異なる雲条件下での深層学習SSI検索モデルの精度向上のために,メテオサット流路と太陽日射角などの予測変数の相対的重要性を定量化する。 雲の多い条件下では、近赤外チャネルと赤外チャネルが性能を高めている。 この結果により、より正確な表面太陽放射の衛星探索モデルの開発が容易となる。

関連論文リスト

• Data-driven Surface Solar Irradiance Estimation using Neural Operators at Global Scale [1.231476564107544]
  本稿では、数値気象予測(NWP)とデータ駆動機械学習気象モデルを用いた太陽放射予測の先駆的なアプローチを提案する。 我々のモデルは、長期SSI予測を提供することができる最初の適応的グローバルフレームワークである。 これらの予測の精度が向上したことは、太陽エネルギーを電力網に統合する上で大きな意味を持つ。
  論文  参考訳（メタデータ） (2024-11-13T18:21:56Z)
• Global 4D Ionospheric STEC Prediction based on DeepONet for GNSS Rays [14.934920001287962]
  我々は,DeepONet-STECと呼ばれる高精度STECモデルを提案する。これは非線形演算子を学習し,特定地上局 - 衛星線経路の4次元時空間統合パラメータを予測する。 実演として,電離層および嵐条件下でのグローバルおよびUS-CORS体制の観測データに基づくモデルの性能評価を行った。 DeepONet-STECモデルの結果から,時間分解能30sのPPP(Precise Point Positioning)による観測データを用いて,3日間の静かな期間における72時間予測を高精度に行うことができた。
  論文  参考訳（メタデータ） (2024-03-12T10:51:38Z)
• High-Cadence Thermospheric Density Estimation enabled by Machine Learning on Solar Imagery [0.14061979259370275]
  我々は、NASAのソーラー・ダイナミクス・オブザーバ(SDO)極紫外線(EUV)スペクトル画像をニューラル熱圏密度モデルに組み込む。 我々は、EUV画像により、時間分解能をはるかに高め、地上ベースのプロキシを置き換えることができることを示した。
  論文  参考訳（メタデータ） (2023-11-12T23:39:21Z)
• 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)
• Solar Wind Speed Estimate with Machine Learning Ensemble Models for LISA [0.0]
  本研究では,不均一な弱回帰器で構成されるアンサンブルモデルが,予測精度において弱い回帰器より優れていることを示す。 機械学習やその他の強力な予測アルゴリズムは、LISAや宇宙気象科学のような宇宙ミッションの診断の代用として動作するソフトウェアモデルに専用の機器を代用する可能性の窓を開ける。
  論文  参考訳（メタデータ） (2023-02-13T22:57:02Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• An Overview of Advances in Signal Processing Techniques for Classical and Quantum Wideband Synthetic Apertures [67.73886953504947]
  合成開口(SA)システムは、単一のセンサーのみの物理的次元から本質的に可能なよりも大きな角分解能を持つ大きな開口を生成する。 本稿では,このような空間的およびスペクトル的広帯域SAシステムにおける信号処理の動向について概観する。 特に,広帯域SAレーダ,チャネル音響,ソナー,ラジオメトリー,光学応用の理論的枠組みと実践的基盤について述べる。
  論文  参考訳（メタデータ） (2022-05-11T16:19:04Z)
• 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)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• Multi-Channel Auto-Calibration for the Atmospheric Imaging Assembly using Machine Learning [20.247229396526855]
  現在の技術キャリブレーション技術は周期的観測ロケットに依存している。 畳み込みニューラルネットワーク(CNN)に基づく代替キャリブレーション手法を提案する。 以上の結果から,cnnモデルでは観測ロケット実験の結果を合理的な精度で総合的に再現できることがわかった。
  論文  参考訳（メタデータ） (2020-12-27T22:43:37Z)

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。