論文の概要: Solar PV Installation Potential Assessment on Building Facades Based on Vision and Language Foundation Models

• arxiv url: http://arxiv.org/abs/2510.00797v1
• Date: Wed, 01 Oct 2025 11:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.538432
• Title: Solar PV Installation Potential Assessment on Building Facades Based on Vision and Language Foundation Models
• Title（参考訳）: 視覚モデルと言語基礎モデルに基づく建築ファサードのソーラーPV導入可能性評価
• Authors: Ruyu Liu, Dongxu Zhuang, Jianhua Zhang, Arega Getaneh Abate, Per Sieverts Nielsen, Ben Wang, Xiufeng Liu,
• Abstract要約: 本研究では,SF-SPA(Semantic Facade Solar-PV Assessment)を提案する。 このアプローチは、コンプタービジョンと人工知能技術を組み合わせて、視点歪み補正、ファサード要素の意味的理解、PVレイアウト最適化のための空間推論の3つの主要な課題に対処する。
• 参考スコア（独自算出の注目度）: 11.037550898765502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building facades represent a significant untapped resource for solar energy generation in dense urban environments, yet assessing their photovoltaic (PV) potential remains challenging due to complex geometries and semantic com ponents. This study introduces SF-SPA (Semantic Facade Solar-PV Assessment), an automated framework that transforms street-view photographs into quantitative PV deployment assessments. The approach combines com puter vision and artificial intelligence techniques to address three key challenges: perspective distortion correction, semantic understanding of facade elements, and spatial reasoning for PV layout optimization. Our four-stage pipeline processes images through geometric rectification, zero-shot semantic segmentation, Large Language Model (LLM) guided spatial reasoning, and energy simulation. Validation across 80 buildings in four countries demonstrates ro bust performance with mean area estimation errors of 6.2% ± 2.8% compared to expert annotations. The auto mated assessment requires approximately 100 seconds per building, a substantial gain in efficiency over manual methods. Simulated energy yield predictions confirm the method's reliability and applicability for regional poten tial studies, urban energy planning, and building-integrated photovoltaic (BIPV) deployment. Code is available at: https:github.com/CodeAXu/Solar-PV-Installation
• Abstract（参考訳）: ファサードの構築は、密集した都市環境における太陽エネルギー生成のための重要な未解決資源であるが、複雑なジオメトリーとセマンティック・コンポンタントにより、その太陽光発電(PV)の可能性を評価することは依然として困難である。 本研究では,SF-SPA(Semantic Facade Solar-PV Assessment)を提案する。 このアプローチは、コンプタービジョンと人工知能技術を組み合わせて、視点歪み補正、ファサード要素の意味的理解、PVレイアウト最適化のための空間推論の3つの主要な課題に対処する。 我々の4段階パイプラインは、幾何補正、ゼロショットセマンティックセグメンテーション、大言語モデル(LLM)誘導空間推論、エネルギーシミュレーションを通じて画像を処理する。 4か国80棟にわたる検証では、専門家のアノテーションと比較すると、平均面積推定誤差が6.2%、#177、.8%であった。 オート・マット・アセスメントには1棟あたり約100秒が必要で、手作業よりも効率が大幅に向上する。 シミュレーションされたエネルギー収率予測は、地域ポテンティル研究、都市エネルギー計画、ビル統合太陽光発電(BIPV)の展開に対する手法の信頼性と適用性を確認する。 https:github.com/CodeAXu/Solar-PV-Installation

関連論文リスト

• Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
  深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。 我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
  論文  参考訳（メタデータ） (2025-09-21T14:22:35Z)
• A Hybrid Ensemble Learning Framework for Image-Based Solar Panel Classification [2.80608717912532]
  本稿では,デュアルアンサンブルニューラルネットワーク (DENN) を用いて, 太陽電池パネルを画像ベースで分類する手法を提案する。 DENNモデルは、現在のアンサンブル法と比較して評価され、その優れた性能を様々な評価指標で示す。
  論文  参考訳（メタデータ） (2025-07-02T15:07:43Z)
• Global Estimation of Building-Integrated Facade and Rooftop Photovoltaic Potential by Integrating 3D Building Footprint and Spatio-Temporal Datasets [24.770137545969312]
  本研究は, ビル・インテグレート型太陽光発電(BIPV)ポテンシャルを時間的・空間的に推定することの課題に取り組む。 各種気象データソースと3Dビルディングフットプリントモデルを統合し,BIPVポテンシャルを評価するための総合的手法を提案する。 我々は, BIPV電位測定における3次元建築形態, 都市景観形態, 地理的位置決めの重要性を強調した。
  論文  参考訳（メタデータ） (2024-12-02T09:04:16Z)
• A Generative AI Technique for Synthesizing a Digital Twin for U.S. Residential Solar Adoption and Generation [0.6144680854063939]
  本稿では,米国全土の屋上ソーラー導入のための,きめ細かな,住宅規模の現実的なデータセットを作成するための新しい手法について論じる。 データ駆動方式は、(i)PV導入者を識別するための統合機械学習モデル、(ii)説明可能なAI技術を用いてデータを増強する方法、(iii)家庭レベルの太陽エネルギー出力を生成する方法からなる。 生成された合成データセットは実世界のデータを使用して検証され、下流タスクをモデリングするためのデジタルツインとして機能する。
  論文  参考訳（メタデータ） (2024-10-10T16:41:43Z)
• 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)
• 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)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• 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)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• SolarGAN: Synthetic Annual Solar Irradiance Time Series on Urban Building Facades via Deep Generative Networks [0.0]
  ビル・インテグレート・ソーラー(BIPV)は、ビルのエンベロープで利用可能な太陽エネルギーを利用して都市エネルギーシステムを脱炭する有望な技術である。 既存の物理に基づくシミュレーションプログラムは、時間解決結果を生成するために、かなりのモデリングと計算時間を必要とする。 本稿では,建築ファサード上での年間日射量時系列の高忠実なアンサンブルを効率的に生成する,Deep Generative Networks (DGN) に基づくデータ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-06-01T20:17:11Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。