太阳能发电场在卫星图像中的全球多光谱数据集(GloSoFarID)
该研究提出了一种利用高分辨率卫星图像自动检测太阳能光伏板的计算机算法,可以高效缩短获取光伏板位置、大小等详细信息的时间,并且具有较高的像素表现力和目标检测能力,但对光伏板的精确测量还有进一步提高空间分辨率的潜力。
Jul, 2016
本文提供了一种使用标准LDA、QDA以及基于贝叶斯方法的分类方法,通过美国地质勘探局卫星搜集的包括五种农作物在内的7000个像素光谱数据,进行作物分类识别和生长期预测,其中使用基于贝叶斯的方法可以获得更好的结果,而神经网络的表现则与LDA和 QDA 类似。
Jul, 2022
该研究对短期(预测时间少于30分钟)太阳能预测的数据集进行了综合调查,并开发了基于八个维度的多标准排名系统,以评估调查的数据集。同时,介绍了与阳光能预测相关的其他研究领域和使用这些数据集的不同应用。
Nov, 2022
本文提出了一种新的方法,通过从天空图像中提取特征并使用基于学习的技术来估计短期太阳辐照度,实现了对可再生能源的预测,该方法在计算复杂性方面比现有的算法具有更高的竞争力。
Oct, 2023
全球气候变化加剧,将转向可持续能源的必要性日益突出。本文介绍了一种用于航拍图像中太阳能电池板分割的SolarFormer,并通过多尺度Transformer编码器和自注意力Transformer解码器解决了诸多复杂性,改进了太阳能电池板定位。通过在不同GSD的多个数据集上进行广泛实验,我们严谨地评估了SolarFormer模型,结果表明其在全球可持续能源倡议中提供了改进的太阳能电池板分割性能。
Oct, 2023
本研究解决了高光谱成像(HSI)领域缺乏全面且具有全球代表性的高光谱数据集的问题。我们提出了SpectralEarth,一个大型多时相数据集,旨在通过自监督学习算法预训练高光谱基础模型,显著提高了不同任务和传感器中的模型通用性和计算效率。该数据集、模型和源代码将公开发布,推动高光谱成像的进一步研究与应用。
Aug, 2024
本研究解决了全球森林碳储量测量在可扩展性和时间分辨率上的挑战,采用多传感器、多光谱影像和深度学习模型统一预测地上生物量密度、冠层高度和覆盖度,并提供不确定性估计。研究成果展示了模型在全球测试数据集上的显著性能提升,特别是在2023年的全球应用验证了其有效性,并预示着未来碳核算和环境监测的广泛潜力。
Aug, 2024
该研究针对谷歌太阳能API在地理覆盖上的限制,提出利用卫星影像扩展其评估全球太阳能潜力的能力。通过深度学习模型构建数字表面模型和屋顶实例分割,本文实现了25厘米的DSM和显著的屋顶分割精度,提升了太阳能应用的潜力。
Aug, 2024
本研究解决了谷歌太阳能API在地理覆盖方面的局限性,提出利用卫星图像扩展其应用以评估全球太阳能潜力。通过深度学习模型,我们从低分辨率和单斜视图中构建数字表面模型(DSM)及屋顶实例分割,显著提高了API在推动太阳能采用方面的效果。
Aug, 2024