[論文レビュー] Detection of Clouds in Multiple Wind Velocity Fields using Ground-based Infrared Sky Images

Guillermo Terrén-Serrano, Manel Martínez‐Ramón|arXiv (Cornell University)|May 7, 2021

Solar Radiation and Photovoltaics被引用数 4

ひとこと要約

本稿では、混合モデルと逐次的隠れマルコフモデル（HMM）を用いて温度および運動ベクトル分布をモデル化することで、地上型赤外線スカイイメージに複数の雲層を検出する教師なし学習手法を提案する。本手法は、ガウス・ミックスチャネル・モデル（GMM）の事後確率に基づく重み付きルーカス・カナーデ法を用いて風速場を推定し、HMMがベイズ的指標を上回り、従来手法よりも高い検出精度を達成する。

ABSTRACT

Horizontal atmospheric wind shear causes wind velocity fields to have different directions and speeds. In images of clouds acquired using ground-based sky imagers, clouds may be moving in different wind layers. To increase the performance of an intra-hour global solar irradiance forecasting algorithm, it is important to detect multiple layers of clouds. The information provided by a solar forecasting algorithm is necessary to optimize and schedule the solar generation resources and storage devices in a smart grid. This investigation studies the performance of unsupervised learning techniques when detecting the number of cloud layers in infrared sky images. The images are acquired using an innovative infrared sky imager mounted on a solar tracker. Different mixture models are used to infer the distribution of the cloud features. The optimal decision criterion to find the number of clusters in the mixture models is analyzed and compared between different Bayesian metrics and a sequential hidden Markov model. The motion vectors are computed using a weighted implementation of the Lucas-Kanade algorithm. The correlations between the cloud velocity vectors and temperatures are analyzed to find the method that leads to the most accurate results. We have found that the sequential hidden Markov model outperformed the detection accuracy of the Bayesian metrics.

研究の動機と目的

• 地上型赤外線スカイイメージに複数の雲層を検出することで、1時間以内の全地球日射量（GSI）予測を改善すること。
• 太陽放射の変動に影響を与える、異なる大気の雲層における風速場の変動という課題に対処すること。
• 手動ラベル付けを回避し、リアルタイムでの雲層検出を可能にする教師なし学習フレームワークの開発。
• ベイズ的モデル選択指標と逐次的HMMの性能を比較し、最適な雲層数を特定する。
• 温度および運動ベクトル特徴を個別に用いて雲の動的挙動をモデル化することで、太陽放射予測の精度を向上させること。

提案手法

• 太陽追尾装置に取り付けられた地上型赤外線スカイイメージャーを用いて、空の連続的な熱画像を取得する。
• ピクセル温度のガウス・ミックスチャネル・モデル（GMM）の事後確率から得られる重みを用いて、重み付きルーカス・カナーデ法による運動ベクトルを計算する。
• 混合モデル（GMM、BGaMM）を用いて、温度および速度ベクトルを含む雲特徴の背後にある分布を推定する。
• ベイズ的モデル選択指標（例：最小ICL）と逐次的隠れマルコフモデル（HMM）を用いて、最適な雲層数を特定する。
• 温度および速度ベクトル特徴の同時分布に基づき、MAP基準を用いて最も可能性の高いシナリオ（1層または2層の雲）を選択する。
• 時間的HMMを用いて、画像系列にわたる雲層状態の変化をモデル化し、検出のロバスト性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 教師なし学習技術を用いて、温度および運動ベクトル特徴のみを用いて、赤外線スカイイメージに複数の雲層を効果的に検出できるか？
• RQ2 逐次的隠れマルコフモデルの性能は、ベイズ的モデル選択指標と比較して、雲層数の特定においてどのように異なるか？
• RQ3 混合モデルからの事後確率が、運動ベクトル推定および雲層検出精度をどの程度向上させるか？
• RQ4 教師なし学習データがなければ、異なる風速場で移動する雲層を同定できるか？
• RQ5 温度および速度ベクトル分布の統合は、単一特徴アプローチと比較して、雲層検出をどの程度向上させるか？

主な発見

• 逐次的隠れマルコフモデルは、すべてのベイズ的指標を上回り、正しい雲層数を特定する検出精度が優れていた。
• ベイズ的指標の中で最高の検出精度は81.11％であり、最小ICL基準を用いたGMMによる温度特徴の解析で達成された。
• BGaMMモデルは正則化を施しても過剰適合を示し、雲層検出には実用的でないと判断された。
• GMMからの事後確率により、各雲層の運動ベクトルを正確に独立して推定でき、予測のための特徴抽出が向上した。
• 本手法は、温度および速度ベクトル分布を活用することで、複数の風速場を持つ雲の動的挙動を効果的にモデル化した。
• アルゴリズムの教師なし性質により、ラベル付きデータの必要がなく、リアルタイムの太陽放射予測システムへの自動的かつスケーラブルな展開が可能になった。