論文の概要: An Empirical Study on Learning Rooftop Solar Potential from Satellite Imagery Directly Without Explicit Geometry

• arxiv url: http://arxiv.org/abs/2610.41111v1
• Date: Fri, 30 Oct 2026 01:09:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.57345
• Title: An Empirical Study on Learning Rooftop Solar Potential from Satellite Imagery Directly Without Explicit Geometry
• Title（参考訳）: 露光測度を伴わない衛星画像からの屋根上太陽電位の学習に関する実証的研究
• Abstract要約: Direct Rooftop Solar Prediction (DRSP) は、衛星画像と局部日光情報をアプリケーションレベルの太陽光出力に直接マッピングするエンドツーエンドの定式化である。 DRSPは入力として明示的な幾何学的表現も必要とせず、屋根の向き、傾斜、高さ、DSMなどの幾何学的量も中間出力として予測する。 DRSPの実現可能性を示し、地理的トレーニング分布、モデル深度、画像解像度、地域日光条件、熱マップ回帰目標の影響を体系的に特徴づける。
• 参考スコア（独自算出の注目度）: 0.14504054468850666
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Rooftop solar potential estimation often relies on LiDAR, digital surface models (DSMs), or pipelines that explicitly reconstruct roof geometry before estimating solar potential. We propose Direct Rooftop Solar Prediction (DRSP), an end-to-end formulation that maps satellite imagery and coarse regional sunlight information directly to application-level solar outputs. DRSP neither requires explicit geometric representations as input nor predicts roof orientation, slope, height, DSMs, or other geometric quantities as intermediate outputs, and therefore requires no geometric intermediate supervision. To enable large-scale study of this formulation, we develop a programmatic data-curation pipeline that converts per-panel information from the Google Solar API into usable-rooftop masks and spatial solar-energy targets, yielding two geographically distinct datasets containing approximately 60K rooftops from the U.S. Midwest and 87K from Texas. We demonstrate the feasibility of DRSP and systematically characterize the effects of geographic training distribution, model depth, image resolution, regional sunlight conditioning, and heatmap regression objectives. Overall, our results suggest that useful rooftop-scale solar information can be learned directly from 2D imagery without explicit geometric intermediate representations, offering a simpler path toward large-scale solar assessment. Our code and dataset are available at https://github.com/joshualee124/direct_rooftop_solar_prediction.
• Abstract（参考訳）: 屋根上の太陽ポテンシャル推定は、LiDAR、デジタル表面モデル(DSM)、または太陽ポテンシャルを推定する前に屋根形状を明示的に再構築するパイプラインに依存することが多い。 衛星画像と地域日射情報をアプリケーションレベルの太陽光出力に直接マッピングするエンドツーエンドの定式化であるDirect Rooftop Solar Prediction (DRSP)を提案する。 DRSPは入力として明示的な幾何学的表現も必要とせず、屋根の向き、傾斜、高さ、DSMなどの幾何学的量も中間出力として予測するので、幾何学的中間管理は必要としない。 この定式化を大規模に研究するために,Google Solar APIのパネルごとの情報を使用可能なルーフトップマスクと空間太陽エネルギーターゲットに変換するプログラムデータキュレーションパイプラインを開発し,米国中西部から約60万基の屋上とテキサス州から87万基の異なる2つの地理的に異なるデータセットを生成する。 DRSPの実現可能性を示し、地理的トレーニング分布、モデル深度、画像解像度、地域日光条件、熱マップ回帰目標の影響を体系的に特徴づける。 以上の結果から,屋根上規模の有用な太陽情報は,幾何的中間表現を伴わない2次元画像から直接的に学習することが可能であることが示唆された。 私たちのコードとデータセットはhttps://github.com/joshualee124/direct_rooftop_solar_predictionで公開されています。

関連論文リスト

• AI and Open-data Driven Scalable Solar Power Profiling [48.72868465736126]
  本稿では、オープンデータからソーラーパネルを検出し、都市レベルのソーラーパワープロファイルを生成するための、オープンでスケーラブルなフレームワークを提案する。 ファンデーションビジョンAIモデルを利用して、オープンソースの衛星画像からソーラーパネルを検出する。 このフレームワークは、プロプライエタリなイメージ、手動ラベリング、クローズドソースモデルへの依存を減らし、ソーラープランニングと分析のための透明でスケーラブルなアプローチを提供する。
  論文  参考訳（メタデータ） (2026-05-04T15:37:52Z)
• 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)
• Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
  本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。 これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。 EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-05-23T12:18:08Z)
• Satellite Sunroof: High-res Digital Surface Models and Roof Segmentation for Global Solar Mapping [1.9488614430966358]
  GoogleのSolar APIは、航空画像から太陽ポテンシャルを推定する。 本稿では,衛星画像を用いたAPIのリーチ拡大を提案する。 我々のモデルは、衛星と空中のデータセットに基づいて訓練され、25cmのDSMと屋根のセグメントを生成します。
  論文  参考訳（メタデータ） (2024-08-26T16:34:13Z)
• 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)
• Open-Source Ground-based Sky Image Datasets for Very Short-term Solar Forecasting, Cloud Analysis and Modeling: A Comprehensive Survey [0.0]
  ディープラーニングは、太陽光発電の不確実性を減らすための有望なアプローチであると認識されている。 最大の課題の1つは、巨大で多彩なスカイイメージのサンプルがないことである。 本研究では,短期日射予測のためのオープンソース地上画像データセットの総合的な調査を行う。
  論文  参考訳（メタデータ） (2022-11-27T03:35:58Z)
• Predicting the Solar Potential of Rooftops using Image Segmentation and Structured Data [0.0]
  屋上太陽光発電システムで発電できる電力量を推定することは、時間を要するプロセスである。 屋上における太陽のポテンシャルを,その位置と建築的特性に基づいて推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-05-28T15:49:13Z)

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。