Spatial mapping of short-term solar radiation prediction incorporating geostationary satellite images coupled with deep convolutional LSTM networks for South Korea
Notice bibliographique
Résumé
Abstract A practical approach to continuously monitor and provide real-time solar energy prediction can help support reliable renewable energy supply and relevant energy security systems. In this study on the Korean Peninsula, contemporaneous solar radiation images obtained from the Communication, Ocean and Meteorological Satellite (COMS) Meteorological Imager (MI) system, were used to design a convolutional neural network and a long short-term memory network predictive model, ConvLSTM. This model was applied to predict one-hour ahead solar radiation and spatially map solar energy potential. The newly designed ConvLSTM model enabled reliable prediction of solar radiation, incorporating spatial changes in atmospheric conditions and capturing the temporal sequence-to-sequence variations that are likely to influence solar driven power supply and its overall stability. Results showed that the proposed ConvLSTM model successfully captured cloud-induced variations in ground level solar radiation when compared with reference images from a physical model. A comparison with ground pyranometer measurements indicated that the short-term prediction of global solar radiation by the proposed ConvLSTM had the highest accuracy [root mean square error (RMSE) = 83.458 W · m−2, mean bias error (MBE) = 4.466 W · m−2, coefficient of determination (R2) = 0.874] when compared with results of conventional artificial neural network (ANN) [RMSE = 94.085 W · m−2, MBE = −6.039 W · m−2, R2 = 0.821] and random forest (RF) [RMSE = 95.262 W · m−2, MBE = −11.576 W · m−2, R2 = 0.839] models. In addition, ConvLSTM better captured the temporal variations in predicted solar radiation, mainly due to cloud attenuation effects when compared with two selected ground stations. The study showed that contemporaneous satellite images over short-term or near real-time intervals can successfully support solar energy exploration in areas without continuous environmental monitoring systems, where satellite footprints are available to model and monitor solar energy management systems supporting real-life power grid systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».