Aug, 2024

卫星天窗：高分辨率数字表面模型及屋顶分割用于全球太阳能映射

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 航拍图像用于屋顶分割：面向建筑自动化地图绘制的大规模数据集

    该论文的版本因用户在提交时没有权利同意许可证而被移除。

    Jul, 2018

  • 利用深度学习结合多地区数据进行基于天空图像的太阳能预测：是在本地、全球或通过迁移学习进行模型训练？

    本文利用三个异构数据集探索了太阳能预测模型的三种不同训练策略，并比较了局部模型和全局模型的性能，结果表明预训练模型在少量训练数据下可以优于其他两种策略。

    Nov, 2022

  • 用于极短期太阳能预测、云分析和建模的开源地基天空图像数据集：综述

    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

  • 利用航空数据估算住宅太阳能潜力

    使用深度学习方法增强低分辨率数据以提高Project Sunroof对住宅建筑太阳能电池板潜能评估准确性和覆盖范围。

    Jun, 2023

  • SolarFormer: 面向太阳能光伏数据特征加工的多尺度Transformer

    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

  • SUNDIAL：通过直接、环境和复杂照明分解进行的三维卫星理解

    通过使用神经辐射场，我们提出了一种名为SUNDIAL的方法，可以从卫星图像中实现全方位的三维重建，通过建模场景几何、照明组件和太阳方向，进而改善场景几何、解离场景颜色和照明，并确定来自直接光、环境光和复杂光源的照明成分，从而提高卫星场景建模的性能。

    Dec, 2023

  • 太阳能面板分割：自监督学习在不完美数据集上的应用

    采用自我监督学习（Self-Supervised Learning）的方法可以显著提高模型的泛化能力，在各种条件下减少对手动标注数据的依赖，为稳健且适应性强的太阳能板分割解决方案铺平了道路。

    Feb, 2024

  • 太阳能发电场在卫星图像中的全球多光谱数据集（GloSoFarID）

    开发了首个全球多光谱卫星图像太阳能电池板农场的综合数据集，用于训练强大的机器学习模型，准确地绘制和分析全球太阳能电池板农场的扩展和分布，为可持续能源未来的明智决策提供重要指导。

    Apr, 2024

  • 基于提示的模型在多分辨率和光照条件下的分割研究

    本研究针对传统卷积神经网络在不同光照和空间分辨率条件下对太阳能电池板进行分割的不足，探讨了无提示的传统卷积网络与零-shot的Segment Anything Model (SAM)及其更新版SAM 2的性能表现。研究发现，在光照不足时，SAM 2在用户框提示下优于CNN，而在高分辨率图像中，Eff-UNet展示出更加优越的自动分割能力，尤其适用于高分辨率数据的处理。

    Aug, 2024

  • 卫星太阳能天窗：全球太阳能映射的高分辨率数字表面模型与屋顶分割

    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