論文の概要: SolarCrossFormer: Improving day-ahead Solar Irradiance Forecasting by Integrating Satellite Imagery and Ground Sensors

• arxiv url: http://arxiv.org/abs/2509.15827v1
• Date: Fri, 19 Sep 2025 09:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.119696
• Title: SolarCrossFormer: Improving day-ahead Solar Irradiance Forecasting by Integrating Satellite Imagery and Ground Sensors
• Title（参考訳）: SolarCrossFormer:衛星画像と地上センサの統合による日照予測の改善
• Authors: Baptiste Schubnel, Jelena Simeunović, Corentin Tissier, Pierre-Jean Alet, Rafael E. Carrillo,
• Abstract要約: SolarCrossFormerは、日頭照射予測のための新しいディープラーニングモデルである。 地上の気象観測所のネットワークから衛星画像と時系列を合成する。 スイスのあらゆる場所で、最大24時間前の地平線を15分間の解像度で予測する。
• 参考スコア（独自算出の注目度）: 0.8808021343665318
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate day-ahead forecasts of solar irradiance are required for the large-scale integration of solar photovoltaic (PV) systems into the power grid. However, current forecasting solutions lack the temporal and spatial resolution required by system operators. In this paper, we introduce SolarCrossFormer, a novel deep learning model for day-ahead irradiance forecasting, that combines satellite images and time series from a ground-based network of meteorological stations. SolarCrossFormer uses novel graph neural networks to exploit the inter- and intra-modal correlations of the input data and improve the accuracy and resolution of the forecasts. It generates probabilistic forecasts for any location in Switzerland with a 15-minute resolution for horizons up to 24 hours ahead. One of the key advantages of SolarCrossFormer its robustness in real life operations. It can incorporate new time-series data without retraining the model and, additionally, it can produce forecasts for locations without input data by using only their coordinates. Experimental results over a dataset of one year and 127 locations across Switzerland show that SolarCrossFormer yield a normalized mean absolute error of 6.1 % over the forecasting horizon. The results are competitive with those achieved by a commercial numerical weather prediction service.
• Abstract（参考訳）: 太陽光発電システム(PV)の電力グリッドへの大規模な統合には、太陽の正確な日射量の予測が必要である。 しかし、現在の予測解には系演算子に必要な時間分解能や空間分解能が欠けている。 本稿では,気象観測所の地上ネットワークから衛星画像と時系列を合成した,日頭照射予測のための新しいディープラーニングモデルであるSolarCrossFormerを紹介する。 SolarCrossFormerは、新しいグラフニューラルネットワークを使用して、入力データのモーダル間およびイントラモーダル間の相関を利用して、予測の精度と解決を改善する。 スイスのあらゆる場所で、最大24時間前の地平線を15分間の解像度で予測する。 SolarCrossFormerの重要な利点の1つは、実際の運用における堅牢性である。 モデルを再トレーニングすることなく、新しい時系列データを組み込むことができ、また、座標のみを使用することで、入力データなしでロケーションの予測を生成することができる。 スイス全土で1年と127カ所のデータセットによる実験の結果、SolarCrossFormerは予測地平線上で6.1%の正規化された平均絶対誤差をもたらすことが示された。 結果は、商業的な数値天気予報サービスによって達成されたものと競合する。

関連論文リスト

• Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies [5.291394959125948]
  SolarCAST は将来のグローバル水平放射率(GHI)を予測する因果的に情報を得たモデルであり、X サイトと近辺の局 S の歴史的な GHI のみを用いて目標地点で予測する。 様々な地理的条件で時系列やマルチモーダルのベースラインを上回ります。 最上位の予測装置であるSolcastよりも25.9%のエラー削減を実現している。
  論文  参考訳（メタデータ） (2025-09-18T22:57:07Z)
• SolarSeer: Ultrafast and accurate 24-hour solar irradiance forecasts outperforming numerical weather prediction across the USA [18.52761376569946]
  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。
  論文  参考訳（メタデータ） (2025-08-05T15:57:22Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• Local-Global Methods for Generalised Solar Irradiance Forecasting [1.4452289368758378]
  我々は、新しい場所で太陽の光を正確に予測できるモデルを作成することができることを示した。 これは、新たに設置されたソーラーファームと国内施設の両方の計画と最適化を促進する可能性がある。
  論文  参考訳（メタデータ） (2023-03-10T16:13:35Z)
• 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)
• 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)
• 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)

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。