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

• KidSat: satellite imagery to map childhood poverty dataset and benchmark [2.8270446809775174]
  衛星特徴表現のベンチマークを行うために,衛星画像のペア化と子どもの貧困度に関する高品質な調査データを提案する。 このデータセットは、1997-2022年の東アフリカと南アフリカの19カ国から、それぞれ10km$times$10kmの33,608枚の画像で構成されています。
  論文  参考訳（メタデータ） (2024-07-08T14:26:30Z)
• Solar Power Prediction Using Satellite Data in Different Parts of Nepal [0.0]
  この研究はネパールの5つの異なる地域に焦点を当て、CERES Syn1degとMERRA-2から得られた約10年間のデータセットを利用している。 その結果、R-squared(R2)スコアは、列車と試験の両方のデータセットのユニティに近く、太陽の照度を予測する精度が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-06-08T04:23:21Z)
• Solar Radiation Prediction in the UTEQ based on Machine Learning Models [0.0]
  データは、ケヴェド工科大学中央キャンパス(UTEQ)のピラノメーターから得られた。 評価指標としてMean Squared Error(MSE)、Root Mean Squared Error(RMSE)、Mean Absolute Error(MAE)、決定係数(R2$)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)
• Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep Learning: A Case Study of Nigeria [0.6827423171182154]
  私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。 本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。 We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
  論文  参考訳（メタデータ） (2023-12-18T01:23:22Z)
• WeatherBench 2: A benchmark for the next generation of data-driven global weather models [42.26095146173719]
  WeatherBench 2は、Raspらによって提案されたグローバルな中距離(1～14日)の天気予報ベンチマークのアップデートである。 WeatherBench 2は、オープンソースの評価フレームワーク、公開トレーニング、ベースラインデータ、最新のメトリクスと最先端モデルを備えた継続的に更新されたWebサイトで構成されている。
  論文  参考訳（メタデータ） (2023-08-29T18:32:08Z)
• 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)

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。