Developing a Thailand solar irradiance map using Himawari-8 satellite imageries and deep learning models

要約

この論文では、タイの太陽放射量マップを 30 分ごとに表示するオンライン プラットフォームを紹介します。
https://www.cusolarforecast.com で入手できます。
タイ全土の全球水平放射照度 (GHI) を推定する方法は、ひまわり 8 号衛星画像から抽出された雲指数、局所的に調整された Linke 濁度を含む Ineichen 晴天モデル、および機械学習モデルに依存しています。
この手法では、晴天の日射量、雲指数、MERRA-2 データベースから再分析された GHI および温度データ、および日時を、LightGBM、LSTM、Informer、Transformer などの GHI 推定モデルの入力として取得します。
これらは、2022 年から 2023 年の 1 年半にわたる 53 の地上局からの 15 分間の地上 GHI データを評価することにより、商用サービス X からの推定値でベンチマークされます。
結果は、4 つのモデルが競争力のあるパフォーマンスを持ち、サービス X を上回っていることを示しています。最高のモデルは LightGBM で、MAE は 78.58 W/平方メートル、RMSE は 118.97 W/平方メートルです。
タイ向けに再分析された MERRA-2 データを入手することは、導入するには経済的に現実的ではありません。
これらの機能を削除すると、Informer モデルは MAE で 78.67 W/sqm という優れたパフォーマンスを発揮します。
得られたパフォーマンスは、気候帯とデータの時間粒度を考慮することにより、既存の文献と一致します。
この地図は頻繁に更新される 93,000 グリッドを超える GHI の推定値を示しているため、この論文では地図全体を表示するための計算フレームワークについても説明しています。
GHI 推定プロセスにおける深層学習モデルの実行時のパフォーマンスをテストします。

要約(オリジナル)

This paper presents an online platform that shows Thailand’s solar irradiance map every 30 minutes. It is available at https://www.cusolarforecast.com. The methodology for estimating global horizontal irradiance (GHI) across Thailand relies on cloud index extracted from Himawari-8 satellite imagery, Ineichen clear-sky model with locally-tuned Linke turbidity, and machine learning models. The methods take clear-sky irradiance, cloud index, re-analyzed GHI and temperature data from the MERRA-2 database, and date-time as inputs for GHI estimation models, including LightGBM, LSTM, Informer, and Transformer. These are benchmarked with the estimate from a commercial service X by evaluating 15-minute ground GHI data from 53 ground stations over 1.5 years from 2022-2023. The results show that the four models have competitive performances and outperform the service X. The best model is LightGBM, with an MAE of 78.58 W/sqm and RMSE of 118.97 W/sqm. Obtaining re-analyzed MERRA-2 data for Thailand is not economically feasible for deployment. When removing these features, the Informer model has a winning performance of 78.67 W/sqm in MAE. The obtained performance aligns with existing literature by taking the climate zone and time granularity of data into consideration. As the map shows an estimate of GHI over 93,000 grids with a frequent update, the paper also describes a computational framework for displaying the entire map. It tests the runtime performance of deep learning models in the GHI estimation process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google