[論文レビュー] Comparative Analysis of Methods for Cloud Segmentation in Infrared Images

Guillermo Terrén-Serrano, Manel Martínez‐Ramón|arXiv (Cornell University)|Dec 13, 2020

Solar Radiation and Photovoltaics被引用数 7

ひとこと要約

本研究では、短時間の全球日射量予測の精度向上を目的として、赤外線（IR）画像におけるリアルタイム雲分離のための判別モデルと生成モデルを比較した。前処理により定常アーチファクトを除去し、マークフ・ランダムフィールド（MRFs）と原形式で定式化された判別モデルを用いることで、MRFsが最高の性能を示した一方、判別モデルは計算コストが低く、高い精度を達成した。

ABSTRACT

The increasing penetration of Photovoltaic (PV) systems in the power network makes the grid vulnerable to the projection of cloud shadows over PV systems. Real-time segmentation of clouds in infrared (IR) images is important to reduce the impact of noise in the short-term forecast of Global Solar Irradiance (GSI). This investigation presents a comparison between discriminate and generative models for cloud segmentation. Markov Random Fields (MRF), which add information from neighboring pixels to the prior, are included among the analyzed generative models. This investigation includes an evaluation of the performance of supervised and unsupervised learning methods in cloud segmentation. The discriminate models are solved in the primal formulation to make them feasible in real-time applications. The performances are compared using the j-statistic. Preprocessing of IR images to remove stationary artifacts increases the overall performances in all of the analyzed methods. The inclusion of features from neighboring pixels in the feature vectors leads to an improvement in the performances in some of the cases. The MRFs achieve the best performance in both unsupervised and supervised generative models. The discriminate models solved in the primal yield a dramatically lower computing time along with high performance in the segmentation. The performances of the generative models are comparable to those of the discriminate models when proper preprocessing is applied to the IR images.

研究の動機と目的

• 太陽光発電（PV）システムに及ぼされる雲の影の影響を、PVのグリッド連系の増加に伴い是正する挑戦に応える。
• 赤外線（IR）画像におけるリアルタイム雲分離を可能にすることで、短時間の全球日射量（GSI）予測を向上させる。
• IRデータを用いた雲分離における教師ありおよび教師なし学習手法の性能を評価する。
• 前処理および空間的文脈（隣接ピクセル）が分離精度に与える影響を評価する。
• リアルタイム展開において高い精度を実現するための最適なモデルクラス（判別モデルまたは生成モデル）を同定する。

提案手法

• 隣接ピクセルからの空間的文脈を組み込むことで、分離の事前知識を向上させる生成モデルとして、マークフ・ランダムフィールド（MRFs）を適用する。
• リアルタイム応用における計算可能性を保証するため、判別モデルの原形式を用いる。
• IR画像からの定常アーチファクトを除去する前処理技術を実装し、特徴量の品質を向上させる。
• 隣接ピクセルからの特徴量を特徴ベクトルに統合することで、モデルの性能を向上させる。
• 分離精度の比較に適した指標としてj統計量を用いて、モデルの性能を評価する。
• 同一条件下で、生成モデル（MRFベース）および判別モデルの教師ありおよび教師なしバージョンを比較する。

実験結果

リサーチクエスチョン

• RQ1 MRFsのような生成モデルは、赤外線画像における雲分離精度において、判別モデルと比べてどのように異なるか？
• RQ2 定常アーチファクトを除去する前処理は、異なるモデルタイプにおいて分離性能にどのような影響を与えるか？
• RQ3 隣接ピクセルからの空間的文脈を組み込むことで、分離結果はどの程度向上するか？
• RQ4 原形式で解く判別モデルは、リアルタイム用途に適した低計算時間と高い精度を両立できるか？
• RQ5 教師なし生成モデル（例：MRFs）の性能は、教師ありモデルと比べてどのように異なるか？

主な発見

• マークフ・ランダムフィールド（MRFs）は、教師ありおよび教師なしの両設定において、全評価モデルの中で最高の性能を達成した。
• 原形式で解かれた判別モデルは、著しく低い計算時間を実現しながらも、高い分離精度を維持した。
• 定常アーチファクトを除去する前処理は、すべてのモデルタイプおよび設定において一貫して性能を向上させた。
• 隣接ピクセルからの特徴量を統合することで、特に生成モデルにおいて性能が向上した。
• 適切な前処理が施された場合、生成モデル（特にMRFs）の性能は判別モデルと同等の水準にまで向上した。
• j統計量は、MRFsが他のモデルを上回ることを確認し、分離精度において最優秀の手法であると立証した。