論文の概要: SolarSeer: Ultrafast and accurate 24-hour solar irradiance forecasts outperforming numerical weather prediction across the USA
- arxiv url: http://arxiv.org/abs/2508.03590v1
- Date: Tue, 05 Aug 2025 15:57:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:56.059362
- Title: SolarSeer: Ultrafast and accurate 24-hour solar irradiance forecasts outperforming numerical weather prediction across the USA
- Title（参考訳）: SolarSeer:超高速で正確な24時間太陽光放射予測は、米国全体で数値的な天気予報を上回る
- Authors: Mingliang Bai, Zuliang Fang, Shengyu Tao, Siqi Xiang, Jiang Bian, Yanfei Xiang, Pengcheng Zhao, Weixin Jin, Jonathan A. Weyn, Haiyu Dong, Bin Zhang, Hongyu Sun, Kit Thambiratnam, Qi Zhang, Hongbin Sun, Xuan Zhang, Qiuwei Wu,
- Abstract要約: SolarSeer (SolarSeer) は、米国大陸を横断する太陽照射予測のための、エンドツーエンドの大規模人工知能(AI)モデルである。
過去の衛星観測を直接将来の予測にマッピングし、データの同化とPDEの解決の計算オーバーヘッドをなくすように設計されている。
太陽放射の根平均2乗誤差を27.28%減らし、1,800局で15.35%減らす。
- 参考スコア（独自算出の注目度）: 15.471840803604723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate 24-hour solar irradiance forecasting is essential for the safe and economic operation of solar photovoltaic systems. Traditional numerical weather prediction (NWP) models represent the state-of-the-art in forecasting performance but rely on computationally costly data assimilation and solving complicated partial differential equations (PDEs) that simulate atmospheric physics. Here, we introduce SolarSeer, an end-to-end large artificial intelligence (AI) model for solar irradiance forecasting across the Contiguous United States (CONUS). SolarSeer is designed to directly map the historical satellite observations to future forecasts, eliminating the computational overhead of data assimilation and PDEs solving. This efficiency allows SolarSeer to operate over 1,500 times faster than traditional NWP, generating 24-hour cloud cover and solar irradiance forecasts for the CONUS at 5-kilometer resolution in under 3 seconds. Compared with the state-of-the-art NWP in the CONUS, i.e., High-Resolution Rapid Refresh (HRRR), SolarSeer significantly reduces the root mean squared error of solar irradiance forecasting by 27.28% in reanalysis data and 15.35% across 1,800 stations. SolarSeer also effectively captures solar irradiance fluctuations and significantly enhances the first-order irradiance difference forecasting accuracy. SolarSeer's ultrafast, accurate 24-hour solar irradiance forecasts provide strong support for the transition to sustainable, net-zero energy systems.
- Abstract（参考訳）: 太陽太陽光発電システムの安全・経済的運用には、正確な24時間太陽照度予測が不可欠である。
従来の数値天気予報(NWP)モデルは、予測性能の最先端を表現しているが、計算コストのかかるデータ同化と、大気物理学をシミュレートする複雑な偏微分方程式(PDE)の解決に依存している。
本稿では,大陸間を横断する日射量予測のための,エンドツーエンドの大規模人工知能(AI)モデルであるSolarSeerを紹介する。
SolarSeerは、過去の衛星観測を直接将来の予測にマッピングし、データの同化とPDEの解決の計算オーバーヘッドをなくすように設計されている。
この効率性により、SolarSeerは従来のNWPの1500倍以上の速度で運用でき、24時間の雲のカバーと太陽放射の予測を5Kの解像度で3秒以内で生成できる。
CONUSの最先端のNWP(High-Resolution Rapid Refresh, HRRR)と比較すると、SolarSeerは太陽照射の根平均2乗誤差を27.28%削減し、1,800局で15.35%削減する。
また、SolarSeerは、太陽の照度変動を効果的に捉え、一階の照度差予測精度を著しく向上させる。
SolarSeerの超高速で正確な24時間太陽光放射予測は、持続可能でネットゼロエネルギーシステムへの移行を強く支持する。
関連論文リスト
- Intra-day Solar and Power Forecast for Optimization of Intraday Market Participation [31.426172725953638]
太陽光照射の予測により、太陽光発電(PV)発電とグリッド統合の信頼性が向上する。
本研究は, 長短期記憶(LSTM)モデルとBi-LSTMモデルを用いて, 6時間の地平線と10分間の分解能で太陽光照射を予測する。
LSTM予測は平均して時間分解能モデルを作成し、平均絶対誤差、ルート平均二乗誤差、正規化ルート平均二乗誤差、平均絶対二乗誤差を用いて評価した。
論文 参考訳（メタデータ） (2025-01-16T14:12:03Z) - 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) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳（メタデータ） (2023-10-30T13:17:38Z) - 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) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - FourCastNet: Accelerating Global High-Resolution Weather Forecasting
using Adaptive Fourier Neural Operators [44.20526496271154]
現在の物理学に基づく数値天気予報(NWP)は、計算コストと厳密な解法限界による精度を制限している。
我々は,データ駆動の深層学習型地球エミュレータであるFourCastNetが,地球規模の気象を予測し,NWPより5桁高速な中距離予測を生成することを報告した。
論文 参考訳（メタデータ） (2022-08-08T06:06:31Z) - 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) - Prediction of Solar Radiation Using Artificial Neural Network [0.0]
本稿では,太陽放射の時間的活動を予測するアルゴリズムを提案する。
データセットは、空気の温度、時間、湿度、風速、気圧、風向き、太陽放射データで構成されている。
教師付き学習データを通じてパターンを解釈できるシステムを構築するために、2つのモデルを作成する。
論文 参考訳（メタデータ） (2021-04-01T20:41:27Z) - Improving solar wind forecasting using Data Assimilation [0.0]
計算効率の良い太陽風モデルを用いた変分DA方式と, STEREO-A, STEREO-B, ACEによるその場観測を用いた。
このスキームは太陽から遠く離れた太陽風の観測を可能にし、太陽風モデルの内部境界条件を更新し改善する。
sterEO-BコローテーションとDA予測の27日間のルート平均二乗誤差(RMSE)は,いずれも非DA予測よりも有意に低い。
論文 参考訳（メタデータ） (2020-12-11T14:05:12Z) - Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。
線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。
改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
論文 参考訳（メタデータ） (2020-10-25T17:56:03Z)
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。