[论文解读] SkyCam: A Dataset of Sky Images and their Irradiance values
SkyCam 是一个大规模、高频的天空图像与对应辐照度测量数据集，于2018年在瑞士三个地形多样的地点连续采集了一整年。该数据集支持基于相机的高动态范围（HDR）图像输入与精确的辐射计读数，使深度学习模型能够实现本地太阳辐照度的精准短期预测，助力光伏系统的高精度短期预报。
Recent advances in Computer Vision and Deep Learning have enabled astonishing results in a variety of fields and applications. Motivated by this success, the SkyCam Dataset aims to enable image-based Deep Learning solutions for short-term, precise prediction of solar radiation on a local level. For the span of a year, three different cameras in three topographically different locations in Switzerland are acquiring images of the sky every 10 seconds. Thirteen high resolution images with different exposure times are captured and used to create an additional HDR image. The images are paired with highly precise irradiance values gathered from a high-accuracy pyranometer.
研究动机与目标
- 开发一种低成本、基于相机的解决方案，实现实时本地太阳辐照度精准短期预测。
- 通过提升能量产出预测精度，支持独立运行的光伏系统优化。
- 使深度学习模型能够利用天空影像实现太阳辐射的高精度预测。
- 提供多样化、高频次的数据集，捕捉太阳辐照度在季节与地形上的变化。
- 通过改进辐照度预测，减少混合光伏-柴油系统对化石燃料发电机的依赖。
提出的方法
- 三台工业级CMOS相机在瑞士三个地点，每10秒间隔拍摄13张不同曝光时间的天空图像。
- 通过13组曝光图像后期处理生成高动态范围（HDR）图像，以增强动态范围并保留云层与天空细节。
- 采用高精度Hukseflux SR30辐射计测量各站点的全球水平辐照度（GHI），单位为W/m²，视场角为180°。
- 数据自2018年全年从日出到日落连续采集，覆盖多样的气象与地形条件。
- 所有图像与辐照度数据以PNG和XML格式存储，各站点时间戳实现同步。
- 数据集包含每台相机约157万组时间戳，总数据量约为16TB。
实验结果
研究问题
- RQ1基于多曝光天空图像训练的深度学习模型能否实现实时、高精度的本地太阳辐照度预测？
- RQ2地形差异（如汝拉山、瑞士高原、前阿尔卑斯地区）在多大程度上影响天空外观与辐照度值之间的相关性？
- RQ3与单曝光图像相比，多曝光图像的HDR处理在多大程度上可提升辐照度预测的准确性？
- RQ4低成本相机系统能否实现与传统仅依赖辐射计方法相当的辐照度预测精度？
- RQ5瞬态遮挡物（如鸟类、碎屑）对基于图像的辐照度预测模型性能产生何种影响？
主要发现
- SkyCam数据集包含每台相机157万组时间戳，每组时间戳包含13张图像与1张HDR图像，每10秒采集一次，持续一整年。
- 辐照度值通过校准的Hukseflux SR30辐射计高精度测量，为模型训练提供了准确的地面真实数据。
- 数据集捕捉到各站点间显著的辐照度差异，同一天内不同地点的辐照度差异可达数百W/m²，主要受局部天气条件影响。
- 每组时间戳的HDR图像由13组曝光图像生成，分辨率为600×600像素，显著提升了动态范围，有利于云层与天空特征的提取。
- 尽管存在临时数据缺失与遮挡（如鸟类），数据集仍保留原始与处理后的数据，支持用户自主清洗数据并开展鲁棒的模型训练。
- 该数据集公开获取于 https://github.com/vglsd/SkyCam，支持太阳能辐照度预测领域的可复现研究。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。