論文の概要: Global Renewables Watch: A Temporal Dataset of Solar and Wind Energy Derived from Satellite Imagery

• arxiv url: http://arxiv.org/abs/2503.14860v1
• Date: Wed, 19 Mar 2025 03:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:24:40.109135
• Title: Global Renewables Watch: A Temporal Dataset of Solar and Wind Energy Derived from Satellite Imagery
• Title（参考訳）: 地球の再生可能エネルギー:衛星画像から得られた太陽エネルギーと風力エネルギーの一時的なデータセット
• Authors: Caleb Robinson, Anthony Ortiz, Allen Kim, Rahul Dodhia, Andrew Zolli, Shivaprakash K Nagaraju, James Oakleaf, Joe Kiesecker, Juan M. Lavista Ferres,
• Abstract要約: このデータセットは、衛星画像から再生可能エネルギー設備を特定するために、ディープラーニングに基づくセグメンテーションモデルをトレーニングすることで作成します。 検出された各特徴について,建設日と前回の土地利用タイプを推定する。 我々の最後の空間データセットは、375,197個の個別の風力タービンと86,410個のソーラーPVの設置を含む。
• 参考スコア（独自算出の注目度）: 5.017541409832597
• License:
• Abstract: We present a comprehensive global temporal dataset of commercial solar photovoltaic (PV) farms and onshore wind turbines, derived from high-resolution satellite imagery analyzed quarterly from the fourth quarter of 2017 to the second quarter of 2024. We create this dataset by training deep learning-based segmentation models to identify these renewable energy installations from satellite imagery, then deploy them on over 13 trillion pixels covering the world. For each detected feature, we estimate the construction date and the preceding land use type. This dataset offers crucial insights into progress toward sustainable development goals and serves as a valuable resource for policymakers, researchers, and stakeholders aiming to assess and promote effective strategies for renewable energy deployment. Our final spatial dataset includes 375,197 individual wind turbines and 86,410 solar PV installations. We aggregate our predictions to the country level -- estimating total power capacity based on construction date, solar PV area, and number of windmills -- and find an $r^2$ value of $0.96$ and $0.93$ for solar PV and onshore wind respectively compared to IRENA's most recent 2023 country-level capacity estimates.
• Abstract（参考訳）: 我々は,2017年第4四半期から2024年第2四半期にかけての高解像度衛星画像から得られた,商用太陽光発電(PV)ファームとオンショア風力タービンの総合的グローバル時空間データセットについて述べる。 このデータセットは、ディープラーニングに基づくセグメンテーションモデルをトレーニングして、衛星画像から再生可能エネルギーの設置を識別し、世界をカバーする13兆ピクセル以上に展開することで作成します。 検出された各特徴について,建設日と前回の土地利用タイプを推定する。 このデータセットは、持続可能な開発目標に向けての進歩に関する重要な洞察を提供し、再生可能エネルギーの展開のための効果的な戦略を評価し、推進することを目的とした政策立案者、研究者、ステークホルダーにとって貴重なリソースとなっている。 我々の最後の空間データセットは、375,197個の個別の風力タービンと86,410個のソーラーPVの設置を含む。 建設日、ソーラーPV面積、風車数に基づいて総電力容量を推定し、太陽PVとオンショア風それぞれ$0.96$と$0.93$の値を求める。

関連論文リスト

• SolarSAM: Building-scale Photovoltaic Potential Assessment Based on Segment Anything Model (SAM) and Remote Sensing for Emerging City [0.0]
  本研究では,リモートセンシング画像とディープラーニング技術を活用した新しいBIPV評価手法であるSolarSAMを紹介する。 プロセス中、SolarSAMはテキストプロンプトによるセマンティックセマンティックセマンティクスを使用して、さまざまなビルの屋上をセマンティクスした。 次に、このセグメント化されたデータと局所的な気候情報を用いて、Rooftop PV、Facade-Integrated PV、PVウインドウシステム向けに別々のPVモデルを開発した。 毎年のBIPV発電の可能性は市の電力消費量を2.5倍上回った。
  論文  参考訳（メタデータ） (2024-06-29T03:29:27Z)
• GloSoFarID: Global multispectral dataset for Solar Farm IDentification in satellite imagery [1.2021565114959365]
  本研究は、ソーラーパネルファームのマルチスペクトル衛星画像の包括的グローバルデータセットを初めて開発する。 これは、世界中のソーラーパネルファームの展開と分布を正確にマッピングし分析できる、堅牢な機械学習モデルのトレーニング基盤を形成することを目的としている。
  論文  参考訳（メタデータ） (2024-04-08T04:10:50Z)
• Tree-based Forecasting of Day-ahead Solar Power Generation from Granular Meteorological Features [1.8638865257327277]
  このような予測を生成するには、最先端のツリーベース機械学習手法を用いる。 ベルギーのデータと1時間の解像度で日毎のPV発電を予測しています。
  論文  参考訳（メタデータ） (2023-11-30T08:47:37Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• 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)
• Data-driven soiling detection in PV modules [58.6906336996604]
  太陽光発電モジュールの土質比を推定する問題について検討した。 私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。 実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-01-30T14:35:47Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Location-aware green energy availability forecasting for multiple time frames in smart buildings: The case of Estonia [0.5156484100374058]
  本研究の目的は、異なる機械学習モデルを用いて、天気と派生した特徴に基づいてPVシステムの出力パワーを予測することである。 目的は、データを調べて出力パワーを正確に予測する最適なモデルを得ることである。
  論文  参考訳（メタデータ） (2022-10-04T14:02:43Z)
• An Artificial Intelligence Dataset for Solar Energy Locations in India [6.454602468926006]
  インドは2030年までに300ギガワットの太陽エネルギーを投入するという野心的な目標を掲げている。 土地利用プランナーは、PVインフラの最新の正確な地理空間情報にアクセスする必要がある。 インド全土の実用規模のソーラープロジェクトを地図化するための空間的明示的な機械学習モデルを構築した。
  論文  参考訳（メタデータ） (2022-01-31T23:53:19Z)
• 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)
• Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
  ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。 このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。 衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
  論文  参考訳（メタデータ） (2020-04-11T19:49:09Z)

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。