論文の概要: Developing a Thailand solar irradiance map using Himawari-8 satellite imageries and deep learning models
- arxiv url: http://arxiv.org/abs/2409.16320v1
- Date: Sat, 21 Sep 2024 03:45:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 09:03:58.415036
- Title: Developing a Thailand solar irradiance map using Himawari-8 satellite imageries and deep learning models
- Title(参考訳): ヒマワリ8衛星画像と深層学習モデルを用いたタイの太陽放射マップの開発
- Authors: Suwichaya Suwanwimolkul, Natanon Tongamrak, Nuttamon Thungka, Naebboon Hoonchareon, Jitkomut Songsiri,
- Abstract要約: 本稿では,タイの太陽放射マップを30分毎に表示するオンラインプラットフォームを提案する。
これらの方法は、MERRA-2データベースから、クリアスキー光、クラウドインデックス、再解析されたGHI、および温度データを取得する。
最も優れたモデルはLightGBMで、MAEは78.58W/sqm、RMSEは118.97W/sqmである。
- 参考スコア(独自算出の注目度): 2.6464009706023925
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents an online platform that shows Thailand's solar irradiance map every 30 minutes. It is available at https://www.cusolarforecast.com. The methodology for estimating global horizontal irradiance (GHI) across Thailand relies on cloud index extracted from Himawari-8 satellite imagery, Ineichen clear-sky model with locally-tuned Linke turbidity, and machine learning models. The methods take clear-sky irradiance, cloud index, re-analyzed GHI and temperature data from the MERRA-2 database, and date-time as inputs for GHI estimation models, including LightGBM, LSTM, Informer, and Transformer. These are benchmarked with the estimate from the SolCast service by evaluation of 15-minute ground GHI data from 53 ground stations over 1.5 years during 2022-2023. The results show that the four models have competitive performances and outperform the SolCast service. The best model is LightGBM, with an MAE of 78.58 W/sqm and RMSE of 118.97 W/sqm. Obtaining re-analyzed MERRA-2 data for Thailand is not economically feasible for deployment. When removing these features, the Informer model has a winning performance of 78.67 W/sqm in MAE. The obtained performance aligns with existing literature by taking the climate zone and time granularity of data into consideration. As the map shows an estimate of GHI over 93,000 grids with a frequent update, the paper also describes a computational framework for displaying the entire map. It tests the runtime performance of deep learning models in the GHI estimation process.
- Abstract(参考訳): 本稿では,タイの太陽放射マップを30分毎に表示するオンラインプラットフォームを提案する。
https://www.cusolarforecast.comで公開されている。
タイ全土におけるグローバル水平照度(GHI)推定手法は,ヒマワリ8衛星画像から抽出した雲指数,局所的に調整されたリンケ濁度を持つイニエチェンクリアスキーモデル,機械学習モデルに依存している。
本手法は,光GBM,LSTM,Informer,TransformerなどのGHI推定モデルの入力として,クリアスキー光,クラウドインデックス,再解析されたGHI,MERRA-2データベースからの温度データ,および日時を用いる。
これらは、2022-2023年の1.5年間で53の地上局から15分間のGHIデータを評価することで、SolCastサービスからの推定値とベンチマークされる。
その結果、4つのモデルが競争力があり、SolCastサービスを上回る性能を示した。
最も優れたモデルはLightGBMで、MAEは78.58W/sqm、RMSEは118.97W/sqmである。
タイ向けに再分析されたMERRA-2データを取得することは、経済的に配備に有効ではない。
これらの特徴を除去する際、InformerモデルはMAEで78.67W/sqmの勝利率を持つ。
得られた性能は、気候帯とデータの時間粒度を考慮して既存の文献と整合する。
更新頻度の高い93,000グリッド以上のGHIの推定値を示すため,本論文では,地図全体を表示するための計算フレームワークについても述べる。
GHI推定プロセスにおいて、ディープラーニングモデルのランタイムパフォーマンスをテストする。
関連論文リスト
- Solar Power Prediction Using Satellite Data in Different Parts of Nepal [0.0]
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。
論文 参考訳(メタデータ) (2024-06-08T04:23:21Z) - 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) - QIENet: Quantitative irradiance estimation network using recurrent
neural network based on satellite remote sensing data [5.395141117217303]
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。
論文 参考訳(メタデータ) (2023-12-01T02:30:08Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳(メタデータ) (2023-08-23T11:03:28Z) - GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。
このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
論文 参考訳(メタデータ) (2023-06-06T16:16:05Z) - WEDGE: A multi-weather autonomous driving dataset built from generative
vision-language models [51.61662672912017]
本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。
WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。
53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
論文 参考訳(メタデータ) (2023-05-12T14:42:47Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳(メタデータ) (2022-07-15T18:21:36Z) - 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) - Monitoring Spatial Sustainable Development: semi-automated analysis of
Satellite and Aerial Images for Energy Transition and Sustainability
Indicators [0.0]
DeepSolarisプロジェクトは「加盟国の地質統計と地理空間情報」というESSの行動の下で実行された。
プロジェクト期間中、リモートセンシングデータ中のソーラーパネルを検出するために、いくつかのディープラーニングアルゴリズムが評価された。
このプロジェクトの目的は、欧州連合の様々な加盟国で機能するディープラーニングモデルを開発できるかどうかを評価することである。
論文 参考訳(メタデータ) (2020-09-12T07:09:59Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。