TWI717796B - 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 - Google Patents
以人工智慧估測地理位置日照量之系統、方法及儲存媒體 Download PDFInfo
- Publication number
- TWI717796B TWI717796B TW108127653A TW108127653A TWI717796B TW I717796 B TWI717796 B TW I717796B TW 108127653 A TW108127653 A TW 108127653A TW 108127653 A TW108127653 A TW 108127653A TW I717796 B TWI717796 B TW I717796B
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- trained
- metadata
- insolation
- estimation
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一種以人工智慧估測地理位置日照量之方法,其包括:(a)接收關於日照量估測之請求資料;(b)依據請求資料聯關的地理位置值及至少一時間值從衛星圖像資料庫中搜尋並進行資料擷取處理,以輸出對應於地理位置值之區域及至少一時間值的至少一衛星圖像集合;(c)依據地理位置值及至少一時間值得出至少一中繼資料;(d)將該至少一衛星圖像集合及對應的該至少一中繼資料應用於已訓練的日照量估測引擎;(e)基於該至少一衛星圖像集合及對應的該至少一中繼資料透過已訓練的日照量估測引擎而輸出至少一對應的估測日照值;以及(f)基於至少一對應的估測日照值輸出回覆資料。
Description
本發明係關於利用人工智慧技術進行估測的系統及方法,更特別的是關於以人工智慧估測地理位置日照量之系統、方法及儲存媒體。
太陽輻照度的研究和測量有幾個重要的應用,包括預測太陽能發電廠的能源發電,建築物的供暖和製冷負荷,以及氣候模擬和天氣預報。舉例而言,太陽能電廠評估建站時,需要該站點歷史日射量,來評估太陽能電廠發電效能等因素,並進而評估是否能夠符合成本。若該站點之前並未安裝日照計,則需要從其他維度去推估出日照值。習知的預估日照值方式大多使用「天氣研究及推測」(Weather Research and Forecasting,WRF)模型,利用物理流體力學模型來做日照值預測推估。WRF為一數值天氣預估系統,其涉及利用電腦模擬及預估大氣的軟體系統。
然而,習知利用WRF來進行太陽日照量推估技術由於以下原因,致使此技術缺乏應用上的靈活性及可擴充性。習知進行日照值預測的方式,係基於與真實世界仍有差異的物理學理論方程式的WRF系統,且需進一步進行間接推估,即利用WRF系統中物理學理論方程式的數學模型來推估之風速、壓力、溫度、濕度等值,再進一步推估出日照量。此外,WRF系統需要進行三維空間與時間上的氣流流動等流體力學方面的模擬,運算相當費時。由於利用WRF系統來進行日照值之間接推估,其精度跟準確率都不高,也存在推估效率上的問題,不
便於線上進行推估。如此,利用WRF系統來進行太陽日照量推估技術在應用上缺乏靈活性及可擴充性,例如不便於實際大量估測之網路服務應用,或據以衍生出其他技術領域之應用。
本發明之一目的在於提出一種以人工智慧估測地理位置日照量之技術,藉由至少一運算裝置,對欲求出日照量的地理位置所對應的衛星圖像及與日照量相關的中繼資料(如日照角度)透過已訓練的日照量估測引擎來產生估測之日照量。藉此,此技術在應用上具備靈活性及可擴充性,例如能夠有助於實際大量估測之網路服務應用,也有助於依據估測之日照量而衍生出其他技術領域之應用。
依據至少上述目的,本案提出一種以人工智慧估測地理位置日照量之系統,其包括:至少一運算裝置;以及至少一電腦可讀取儲存媒體,耦接於該至少一運算裝置且儲存多個指令,當該等指令被至少一運算裝置執行時使得該至少一運算裝置實現多個運作。該等運作包含以下運作。(a)接收關於日照量估測之一請求資料。(b)依據該請求資料聯關的一地理位置值及至少一時間值從衛星圖像資料庫中搜尋並進行資料擷取處理,以輸出對應於該地理位置值之一區域及該至少一時間值的至少一衛星圖像集合,其中該至少一衛星圖像集合包含對應的至少一可見光衛星圖像或至少一紅外線衛星圖像。(c)依據該地理位置值及該至少一時間值得出對應於該地理位置值之該區域及該至少一時間值的至少一中繼資料。(d)將該至少一衛星圖像集合及對應的該至少一中繼資料應用於一已訓練的日照量估測引擎。(e)基於該至少一衛星圖像集合及對應的該至少一
中繼資料透過該已訓練的日照量估測引擎而輸出至少一對應的估測日照值。(f)基於該至少一對應的估測日照值輸出回覆資料。
於本發明之一實施例中,該運作(d)包括:就該至少一時間值之一時間點:將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一已訓練的反卷積網路;以及將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量估測引擎中之一運算層,其中該運算層位於該已訓練的反卷積網路之一輸出的下游。
於本發明之一實施例中,該已訓練的反卷積網路及該運算層位於該已訓練的日照量估測引擎之一已訓練的日照值估測神經網路之一輸入的上游。
於本發明之一實施例中,該運作(e)包括:就該至少一時間值之一時間點:基於該至少一中繼資料中對應至該時間點的該中繼資料透過該已訓練的反卷積網路而輸出對應之一注意圖(attention map);基於該至少一衛星圖像集合中與該時間點對應的該衛星圖像集合及對應之該注意圖透過該運算層而產生該運算層之一輸出;基於該運算層之該輸出透過該已訓練的日照值估測神經網路而產生對應的一輸出向量;以及基於該至少一時間值所對應的該已訓練的日照值估測神經網路的輸出向量透過該已訓練的日照量估測引擎之至少一神經網路層而輸出該至少一對應的估測日照值,其中該至少一神經網路層位於該已訓練的日照值估測神經網路之該輸出的下游。
於本發明之一實施例中,該至少一神經網路層為長短期記憶層。
於本發明之一實施例中,該運作(d)包括:就該至少一時間值之一時間點:將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於
該已訓練的日照量估測引擎中之一已訓練的日照值估測神經網路;以及將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一附加層,其中該附加層位於該已訓練的日照值估測神經網路之一輸出的下游。
於本發明之一實施例中,將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之運作包括:基於該中繼資料產生對應之一中繼資料向量;以及將該中繼資料向量與該已訓練的日照值估測神經網路之該輸出依序連接(concatenation)。
於本發明之一實施例中,該附加層位於該已訓練的日照量估測引擎中之一長短期記憶模型的上游。
於本發明之一實施例中,該附加層位於該已訓練的日照量估測引擎中之一長短期記憶模型之一輸出的下游。
於本發明之一實施例中,將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之運作包括:基於該中繼資料產生對應之一中繼資料向量;以及基於該中繼資料向量與該已訓練的日照值估測神經網路之該輸出進行一內積運算。
於本發明之一實施例中,將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之運作包括:基於該中繼資料產生對應之一中繼資料向量;以及基於該中繼資料向量與該已訓練的日照值估測神經網路之該輸出進行一外積運算。
於本發明之一些實施例中,運作(c)中所述之該至少一中繼資料包含對應於該地理位置值及該至少一時間值的日射角度。
依據至少上述目的,本案提出一種以人工智慧估測地理位置日照量之方法,其包括:藉由至少一運算裝置:(a)接收關於日照量估測之一請求資料;(b)依據該請求資料聯關的一地理位置值及至少一時間值從衛星圖像資料庫中搜尋並進行資料擷取處理,以輸出對應於該地理位置值之一區域及該至少一時間值的至少一衛星圖像集合,其中該至少一衛星圖像集合包含對應的至少一可見光衛星圖像或至少一紅外線衛星圖像;(c)依據該地理位置值及該至少一時間值得出對應於該地理位置值之該區域及該至少一時間值的至少一中繼資料;(d)將該至少一衛星圖像集合及對應的該至少一中繼資料應用於一已訓練的日照量估測引擎;(e)基於該至少一衛星圖像集合及對應的該至少一中繼資料透過該已訓練的日照量估測引擎而輸出至少一對應的估測日照值;以及(f)基於該至少一對應的估測日照值輸出回覆資料。
於本發明之一實施例中,該步驟(d)包括:就該至少一時間值之一時間點:將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量估測引擎中之一已訓練的日照值估測神經網路;以及將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一附加層,其中該附加層位於該已訓練的日照值估測神經網路之一輸出的下游。
於本發明之一實施例中,該步驟(d)包括:就該至少一時間值該至少一時間值之一時間點:將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一已訓練的反卷積網路;以及將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量
估測引擎中之一運算層,其中該運算層位於該已訓練的反卷積網路之一輸出的下游。
於本發明之一實施例中,該已訓練的反卷積網路及該運算層位於該已訓練的日照量估測引擎之一已訓練的日照值估測神經網路之一輸入的上游。
於本發明之一實施例中,該步驟(e)包括:就該至少一時間值之一時間點:基於該至少一中繼資料中對應至該時間點的該中繼資料透過該已訓練的反卷積網路而輸出對應之一注意圖(attention map);基於該至少一衛星圖像集合中與該時間點對應的該衛星圖像集合及對應之該注意圖透過該運算層而產生該運算層之一輸出;基於該運算層之該輸出透過該已訓練的日照值估測神經網路而產生對應的一輸出向量;以及基於該至少一時間值所對應的該已訓練的日照值估測神經網路的輸出向量透過該已訓練的日照量估測引擎之至少一神經網路層而輸出該至少一對應的估測日照值,其中該至少一神經網路層位於該已訓練的日照值估測神經網路之該輸出的下游。
於本發明之一實施例中,該至少一神經網路層為長短期記憶層。
於本發明之一實施例中,步驟(c)中所述之該至少一中繼資料包含對應於該地理位置值及該至少一時間值的日射角度。
依據至少上述目的,本案提出一種儲存媒體,其儲存有運算裝置可讀取之指令,其中該指令被至少一運算裝置執行時使得該至少一運算裝置實現前述以人工智慧估測地理位置日照量之方法的多個實施例中至少一者。
藉此,上述提出一種以人工智慧估測地理位置日照量之系統、方法或儲存媒體之實施例,藉由至少一運算裝置,對欲求出日照量的地理位置所
對應的衛星圖像及與日照量相關的中繼資料(如日照角度)透過已訓練的日照量估測引擎來產生估測之日照量。欲求出日照量的地理位置係可跨越地區,且可估測目前、過去或未來時間的日照量。
1:終端裝置
5:通訊網路
10:以人工智慧估測地理位置日照量之系統
11:使用者介面
12:資料輸入欄位
13:結果輸出欄位
14:地點
15:資訊介面
21:衛星圖像
22:衛星圖像集合
31:中繼資料
100:多個運作
110:前置處理
111:衛星圖像的處理
112:中繼資料的處理
120:估測處理
130:後置處理
140:衛星圖像資料庫
200:已訓練的日照量估測引擎
300:日照量估測引擎
301:空間相關模型
301_1~301_N:空間相關子模型
305:時間相關模型
305_1~305_N:長短期記憶單元
310:中繼資料之注意圖模組
311:初始輸入層
312:向量層
313~317:反卷積層
320:運算層
330:日照值估測神經網路
330A:神經網路
331~347:卷積層
348:輸出層
401_1:空間相關子模型
410:日照值估測神經網路
415:輸出
420:向量層
430:序連層
500:日照量估測引擎
501:日照量估測引擎子模型
510:日照值估測神經網路
520:長短期記憶單元
530:向量層
540:運算層
600:日照量估測引擎
610:日照值估測神經網路
615:向量
620:向量層
630、640、650:運算層
701_1~701_N:日照量估測引擎子模型
710:日照值估測神經網路
715:輸出
720:向量層
730:運算層
735:三維張量
740:子神經網路
IN_1~IN_N:輸入資料
OV_1~OV_N:輸出向量
OPD:輸出資料
AP_1:注意圖
MA_1、MA_N:中繼資料
SM_G1、SM_GN:衛星圖像集合
IV_1、IV_2:獨熱向量
b、c、d:方框
P:像素
SA:區域
S10~S40、S45、S50、S60:步驟
S110~S160:步驟
S151、S153、S155、S157:步驟
CG、C1、C2:曲線
〔圖1〕係為依據本發明一實施例之以人工智慧估測地理位置日照量之系統的應用情景的示意圖。
〔圖2〕係為圖1之系統中所實現的多個運作的例子的示意圖。
〔圖3A〕係為利用一衛星圖像資料庫以輸出對應於地理位置值之一區域的衛星圖像之一實施例的示意圖。
〔圖3B〕係為利用一衛星圖像資料庫以輸出對應於地理位置值之一區域的衛星圖像之一實施例的示意圖。
〔圖4〕係為對應於地理位置值之中繼資料例如日射角度之一實施例的示意圖。
〔圖5〕係為基於資料組來訓練日照量估測引擎之一實施例的示意流程圖。
〔圖6〕係為日照量估測引擎之一實施例的示意圖。
〔圖7〕係為圖6之日照量估測引擎中空間相關模型之一實施例的示意圖。
〔圖8〕係為圖7之空間相關模型中之中繼資料之注意圖模組之一實施例的示意圖。
〔圖9〕係為基於日射角度透過圖8之中繼資料之注意圖模組而輸出對應之注意圖之一些示例的示意圖。
〔圖10〕係為可用以實現圖7之空間相關模型中日照值估測神經網路之神經網路之一實施例的示意圖。
〔圖11〕係為利用日照量估測引擎之一實施例計算某位置的估測日照值與真實日照值之比較的示意圖。
〔圖12〕係為日照量估測引擎之另一實施例的示意圖。
〔圖13〕係為日照量估測引擎之又一實施例的示意圖。
〔圖14〕係為日照量估測引擎之再一實施例的示意圖。
〔圖15〕係為日照量估測引擎之另一實施例的示意圖。
〔圖16〕係為依據本發明一實施例之以人工智慧估測地理位置日照量之方法的示意流程圖。
〔圖17〕係為圖16中步驟S150之一實施例的示意流程圖。
為充分瞭解本發明之目的、特徵及功效,茲藉由下述具體之實施例,並配合所附之圖式,對本發明做一詳細說明,說明如後:以下提出以人工智慧估測地理位置日照量之系統、方法或儲存媒體之實施例。此等實施例說明藉由至少一運算裝置,對欲求出日照量的地理位置所對應的衛星圖像及與日照量相關的中繼資料(如日照角度)透過已訓練的日照量估測引擎來產生估測之日照量。此外,欲求出日照量的地理位置係可跨越地區,且可估測目前、過去或未來時間的日照量。藉此,此技術在應用上具備靈活性及可擴充性,例如能夠有助於實際大量估測之網路服務應用,也有助於依據估測之日照量而衍生出其他技術領域之應用。
上述已訓練的日照量估測引擎可以基於非線性迴歸模型來實現,例如基於深度學習模型的類神經網路。在一些實現方式中,利用衛星圖像及中繼資料(如日射角度)作為訓練資料(training data),並以實體日照計提供的日照值作為基底資料(ground truth data),以監督式學習方式來訓練日照量估測引擎,其中將衛星圖像及中繼資料應用於日照量估測引擎的方式以至於日照量估測引擎的架構等可以有多種實現方式,其將依據圖6至圖15以多種實施例說明於後。經過訓練過程得出的已訓練的日照量估測引擎可用以推估任何地理位置於某一時間點或時間區段的日照值。以下首先提出以人工智慧估測地理位置日照量之系統的實施例,以說明此系統應用已訓練的日照量估測引擎之各種實現方式。
請參考圖1,其為依據本發明一實施例之以人工智慧估測地理位置日照量之系統的應用情景的示意圖。如圖1所示,以人工智慧估測地理位置日照量之系統10利用至少一個運算裝置如伺服器來實現,且可以被配置於連接通訊網路5的運算環境中,並用於接收關於日照量估測之請求資料而輸出關於日照值的回覆資料。請求資料可以來自使用者端的終端裝置1、該系統本身或其他任何運算裝置,以人工智慧估測地理位置日照量之系統10在接收到請求資料後執行多個運作而輸出至少一對應的估測日照值,並基於至少一對應的估測日照值輸出回覆資料,如發送回覆資料至終端裝置1、輸出至資料庫或記憶體中儲存或其他合適的輸出方式。在一些實現方式中,系統10可以利用網路服務、腳本引擎、網路應用程式或網路應用程式介面(API)之伺服器等各種技術中之一種或多種方式而實現,以提供應用服務以供使用者端之瀏覽器、應用程式等使用。
上述請求資料係關於日照量估測之要求訊息,其可以用各種方式呈現。舉例而言,請求資料可以包含欲求日照值之地理位置資訊。地理位置資訊
例如是地理位置的經緯度的資料,或以其他地理位置表示方式的資料,如相對位置、地名、代號或其他方式的地理位置資訊,譬如台北市之南方20公里處、台東知本、日本岡山縣東南部岡山平原,或在地圖上細分多個區域並以代號或以使用者介面上顯示之地圖的平面座標來表示。系統10在接收到請求資料後,可以依據此地理位置資料相應地確定此次日照值估測所關聯的地理位置值,地理位置值為系統10內部所利用的地理位置資訊,例如是經緯度的數值或其代碼等。此外,請求資料也可以進一步包含欲求日照值之地理位置資訊所對應的時間點或時間區段。系統10也可以實現為自動地或按照條件地將請求資料關聯到至少一時間值,以便後續運作,其中至少一時間值可以為一時間點或包含多個時間點之時間區段。例如,請求資料僅包含地理位置值而沒有時間值,系統10可以實現為進一步自動關聯至今天的某一時間點(如12:00)或某一時間區段(6:00-18:00)。例如,請求資料包含地理位置值及時間值T1,系統10可以實現為按照已知條件判斷時間值T1是否有對應的衛星圖像;若無對應的衛星圖像,則系統10進一步自動關聯至最接近時間值T1但有對應的衛星圖像的時間值T2。然而本發明的實現並不受上述例子限制。
回覆資料為系統10依據關於日照量估測之請求資料而求得對應之日照值後所輸出的作為回覆請求資料的資料,其可以用各種方式呈現。
就使用者的角度而言,使用者端的終端裝置1可用以用各種方式來實現請求資料的輸入並發送至系統10。舉例而言,可以在終端裝置1上實現應用程式、瀏覽器或其他程式,以提供使用者介面11。如圖1所示,使用者可以在使用者介面11上的資料輸入欄位12中輸入地理位置資訊,或可選地,進一步輸入時間或時間區段,從而產生請求資料。終端裝置1上的應用程式、瀏覽器或其他
程式則可將請求資料發送至系統10,並於收到回覆資料後,將日照值相關資訊呈現在相關結果輸出欄位13上。另外,亦可實現於使用者介面11上顯示地圖,如圖1所示的台灣地圖,讓使用者點選其中一地點14以代表地理位置資訊的輸入並據以輸出請求資料。當終端裝置1收到回覆資料後,將日照值相關資訊呈現在相關資訊介面15上。又可以在終端裝置1上實現命令列的方式以提供使用者輸入請求資料。在一實施例中,系統10可實現為提供網路API服務的伺服器,於終端裝置1上實現透過於應用程式或腳本程式中呼叫網路API來將請求資料發送至系統10並由此得到回覆資料。然而本發明的實現並不受上述例子限制。
如上所述,系統10執行多個運作而輸出至少一對應的估測日照值,並基於至少一對應的估測日照值輸出回覆資料至終端裝置1。如圖1所示,系統10所實現的多個運作100包括前置處理110、估測處理120及後置處理130。系統10可以例如利用一或多個運算裝置來實現多個運作100,譬如以分散式於至少一台伺服器上的一個或多個處理器上執行。請參考圖2,其為圖1之系統中所實現的多個運作的例子的示意圖。以下分別舉例說明。
如圖1所示,前置處理110包含衛星圖像的處理111及中繼資料的處理112。例如,前置處理110之衛星圖像的處理111包含:依據請求資料聯關的一地理位置值及至少一時間值從衛星圖像資料庫140中搜尋並進行資料擷取處理,以輸出對應於該地理位置值之一區域及該至少一時間值的至少一衛星圖像集合。請求資料所聯關的地理位置值,例如對應地以經緯度(φ,λ)表示,或以使用者於使用者介面11顯示之衛星圖像上所選取的位置的像素座標來表示。此外,如圖2所示,多個衛星圖像集合22對應至該地理位置值以及時間區段中多個個別時間點,例如2019/7/1之9:10、9:20、9:30、9:40、9:50、10:00,故共計有6個衛星
圖像集合22。在此例中,各個衛星圖像集合22可以包含對應的至少一可見光衛星圖像或至少一紅外線衛星圖像,或包含對應的至少一可見光衛星圖像及至少一紅外線衛星圖像,其中可見光衛星圖像可以為紅、綠、藍光或其他可見光之衛星圖像中至少一者。舉例而言,系統10可以實現為向內部的衛星圖像資料庫進行衛星圖像之搜尋,或可以向外部具有衛星圖像資料庫的網路服務提出請求而搜尋衛星圖像,又或者當內部的衛星圖像資料庫不具備所欲求的衛星圖像時,系統10向外部衛星圖像資料庫請求搜尋衛星圖像。故本發明的實現並不受上述例子限制。
例如,前置處理110之中繼資料的處理112為依據該地理位置值及該至少一時間值得出對應於該地理位置值之該區域及該至少一時間值的中繼資料。如圖2示意,請求資料聯關的地理位置值及一時間值所對應的中繼資料31。中繼資料31例如包含關於太陽位置的日射角度。請參考圖4,其為對應於地理位置值之中繼資料例如日射角度之一實施例的示意圖。日射角度為立體角度可利用方位角(azimuth)及仰角(elevation)來表示。例如,該至少一時間值為時間區段,其中有多個別時間點,如前述2019/7/1之9:10、9:20、9:30、9:40、9:50、10:00,則可以據以個別地求得對應的6個中繼資料31,在如6個日射角度。
例如,估測處理120包含:將該至少一衛星圖像集合及對應的該至少一中繼資料應用於一已訓練的日照量估測引擎200;以及基於該至少一衛星圖像集合及對應的該至少一中繼資料透過該已訓練的日照量估測引擎200而輸出至少一對應的估測日照值。關於已訓練的日照量估測引擎200,將舉實施例說明於後。
例如,後置處理130包含基於該至少一對應的估測日照值輸出回覆資料。舉例而言,回覆資料可以包含基於日照值之數值、文字、圖表、影像、檔案或網頁中之至少一種資料,諸如日照值數值、含有日照值的語句、日照值的統計圖表或數據、或表示日照值的影像或數值的檔案或是含有日照值相關資料的網頁。然而本發明的實現並不受上述例子限制。
以下就衛星圖像的處理111進一步舉例說明。請參考圖3A及3B,其為利用一衛星圖像資料庫以輸出對應於地理位置值之一區域的衛星圖像之一實施例的示意圖。舉例而言,在前置處理110中,依據請求資料聯關的地理位置值及至少一時間值中一時間點(如2019/7/1之9:10)從衛星圖像資料庫140中搜尋出如圖3A所示的涵蓋地球範圍較大之衛星圖像(如圖2中21),並進行資料擷取處理以得到對應於該地理位置值之涵蓋地球範圍較小之區域(如圖3B之區域SA)的衛星圖像(如圖2中22),例如圖3B所示,以經緯度(φ,λ)為中心點之邊長對應至某公里數之正方形之區域SA之衛星圖像。各個衛星圖像集合22的各圖像亦可相似地產生。
在一實施例中,系統10所接收到的請求資料所關聯的地理位置值是以經緯度(φ,λ)表示(其中φ為緯度,λ為經度),由此,衛星圖像的處理111例如包含將地理位置值轉換為衛星圖像中的位置(如圖3B之像素P之座標),以及以此衛星圖像中的位置(如圖3B之像素P)為中心,對時間區段(如2019/7/1之9:10、9:20、9:30、9:40、9:50、10:00)內個別時間點對應的所有衛星圖像(如圖2中21)進行截取出(如切割或利用複製像素方式)正方形(如25x25像素)的衛星圖像,從而輸出多筆圖片資料,如圖2中多個衛星圖像集合22。例如,衛星圖像資料庫140中原始的衛星圖像21為日本向日葵8號衛星所提供之全球比例的衛星雲圖,為了要取得前述
之多個衛星圖像集合22,需要將地理位置值,如經緯度(φ,λ),轉換為衛星圖像所代表的投射面中的位置,如圖3B之像素P的卡氏坐標(x,y)。在此假設衛星位於投射面的中心點其對應的經緯度座標為(φ1,λ0),以下透過圓形投影的幾何關係來求得上述所欲的將地理位置值的經緯度(φ,λ)轉換為像素P的卡氏坐標(x,y)的方式。地球上存在一個點可被選擇為特殊的參考點,因為從該點到任何其他點的映射距離和方位角都是正確的,該點(φ1,λ0)將投影到圓形投影的中心,φ1表示緯度,λ0表示經度。沿給定方位角的所有點沿著從中心的直線投射,並且從垂直方向對向(subtend)的線所作的角度θ是方位角(azimuth angle),而從中心點到另一個投影點的距離以ρ代表,由此可定義出座標(θ,ρ)。透過上述之幾何關係,由(θ,ρ)所代表的平面上的點將被投影到卡氏坐標。
x=ρ sin θ,y=-ρ cos θ (公式1)地球上的點的坐標(θ,ρ)與其緯度和經度坐標(φ,λ)之間的關係可如下所示而求得。球體上兩點(φ1,λ0)和(φ,λ)之間的大圓距離ρ由下式得出:cos ρ=sin φ 1 sin φ+cos φ 1 cos φ cos(λ-λ0) (公式2)。從第一點到第二點的方位角由下式得出:
由於向日葵8號衛星位於投射面的中心點,故對應的經緯度座標為(φ1,λ0)=(0,140.7)。藉由將中心點經緯度座標(φ1,λ0)及欲求日照值之地理位置的經緯度座標(φ,λ)代入公式2及3,然後可以解出坐標(θ,ρ),並透過公式1而求得欲求日照值之地理位置所對應的投景平面中的位置(x,y)。在考慮到向日葵8號衛星所提供之全球比例的衛星雲圖為11000*11000像素的圖像以及電腦技術中平面座標表示方
式,將公式1作適當調整後可以得出欲求日照值之地理位置所對應的原始的衛星圖像中的像素位置為:x=ρ*cos(θ)*5500,y=ρ*sin(θ)*5500 (公式4)。由此,當(x,y)確定後,可採用任何電腦圖像方面的技術而進行截圖,例如複製關於(x,y)的區域的像素(如25x25像素)成為新的資料結構或檔案,從而得到前述之多個衛星圖像集合22。此外,例如,在系統10實現時,可以令區域SA為正方形、長方形或其他任意形狀,也可以令區域SA涵蓋地球之範圍不同大小,或地理位置值可以作為區域SA的中心點、端點或其他相關參考點,諸如此類,皆可依需要而調整。此外,在進行上述之座標轉換時,可以利用各種對應的數值方式或數學處理之軟體函式來加以處理。由此,本發明的實現並不受上述例子限制。
在另一實施例中,系統10所接收到的請求資料所關聯的地理位置值是以使用者於使用者介面11顯示之衛星圖像上所選取的位置的像素座標來表示,由此,衛星圖像的處理111例如包含將地理位置值轉換為衛星圖像中的位置(如圖3B之像素P之座標),以及以此衛星圖像中的位置(如圖3B之像素P)為中心,對時間區段(如2019/7/1之9:10、9:20、9:30、9:40、9:50、10:00)內個別時間點對應的所有衛星圖像(如圖2中21)進行截取出(如切割或利用複製像素方式)正方形(如25x25像素)的衛星圖像,從而輸出多筆圖片資料,如圖2中多個衛星圖像集合22。在此實施例中,由於請求資料所關聯的地理位置值與衛星圖像資料庫140中原始的衛星圖像之間具有平面座標上的對應關係,故此上述轉換座標的處理可以不必使用前述公式2-4而使衛星圖像的處理111的實現較為簡化。
以下就中繼資料的處理112進一步舉例說明。例如,中繼資料31例如包含關於太陽位置的日射角度。舉例而言,中繼資料的處理112為了在給定
的時間點及給定的地理位置找出太陽的位置,可以實現以下步驟:計算太陽在黃道坐標系中的位置,將太陽在黃道坐標系中的位置轉換為赤道坐標系,並將太陽在赤道坐標系的位置轉換為水平坐標系,以適用於觀察者的當地時間和地點。由此,中繼資料的處理112可以利用各種關於太陽位置入射角換算的演算法來完成。例如,可以利用美國國家海洋暨大氣總署(NOAA)的太陽入射角換算公式來完成,將地理位置值、時間值輸入至該公式可以得出該地理位置值、該時間值所對應的太陽入射角,如以方位角及仰角來表示。譬如,輸入地理位置為:緯度22.25度及經度114.17度,時間為:2019/7/11的16:50,則輸出對應的日射角度:方位角283.56度及仰角29.83度。
此外,在上述關於衛星圖像的處理111之一實施例中,請求資料所關聯的地理位置值是以使用者於使用者介面11顯示之衛星圖像上所選取的位置的像素座標來表示,當要實現中繼資料的處理112時,可以利用前述公式2-4,將對應至地理位置之像素P的卡氏坐標(x,y)轉換為經緯度(φ,λ),從而有助於利用前述太陽入射角換算公式來得到對應的日射角度。此外,在進行上述之座標轉換時,可以利用各種對應的數值方式或數學處理之軟體函式來加以處理,也可以藉由向系統10以外的提供太陽位置計算的網路服務網站提出請求而取得,如美國國家海洋暨大氣總署(NOAA)的太陽計算器(solar calculator)的網路服務,或利用任何與計算太陽位置相關的程式庫或模組來實現中繼資料的處理112。由此可知,本發明的實現並不受上述例子限制。
在一些實施例中,前置處理110、估測處理120及後置處理130可以實現為系統10所利用的多個程式模組或函式,系統10可以配置為因應請求資料的內容而以合適的次序、選擇性地或重覆地執行前置處理110、估測處理120及
後置處理130中至少一者,並對此等處理的結果加以儲存或處理,從而基於估測之日照值而輸出回覆資料。藉此,系統10可以產生多種應用舉例說明如下。例如,系統10可以產生歷史日照報告或數據,以作為太陽能電廠建站評估之用。例如,對於已設置日照計之太陽能電廠亦可利用系統10來得出估測的日照值,從而進行輔助性的日照值監測或異常偵測。在另一例子中,系統10的回覆資料也可以作為日照對環境或農業上影響之評估應用。例如,可配置系統10為針對輸入之包含任意地理位置(如經緯度或其他)與時間區間(如2019/8/1的7:00~18:00、2018年1至12月、2010~2019)之請求資料,系統10輸出每十分鐘、每小時、每天、每月、或每年的歷史統計日照值。例如,系統10可以產生即時日照值,以作為太陽能電廠健康狀況評估之用。例如,可配置系統10為針對輸入之包含任意地理位置(如經緯度或其他表示方式)之請求資料,系統10輸出當下即時日照值。又如系統10可以產生未來日照值,以估算太陽能發電量並可據以調整電網之用。例如,可配置系統10為針對輸入之包含任意地理位置(如經緯度或其他)之請求資料,系統10輸出未來一個小時的日照預估值。例如,系統10利用目前已知的9:00、9:10、9:20、9:30、9:40、9:50的衛星圖像及對應的中繼資料來推估10:00的日照值。又例如,系統10利用目前已知的9:00的衛星圖像及對應的中繼資料來推估10:00的日照值。請注意的是,系統10的實現並不受上述例子限制。
由於系統10利用已訓練的日照量估測引擎來進行日照值的估測,並非利用物理理論模型推估之風速、壓力、溫度、濕度等值而間接推估出日照量,也不必進行三維空間與時間上的氣流流動等流體力學方面的模擬,故在估測的效率上,系統10較習知的利用WRF來進行太陽日照量推估技術來得更有效率。故在一些實現方式中,系統10可以透過網路服務、腳本引擎、網路應用程式或網
路應用程式介面(API)之伺服器等各種技術中之一種或多種方式而實現,以便於實現關於本機或遠端之可允許多用戶的基於日照值估測之不同應用服務。由此可知,此系統10在應用上具備靈活性及可擴充性,例如能夠有助於實際大量估測之網路服務應用,也有助於依據估測之日照量而衍生出其他技術領域之應用。
上述已訓練的日照量估測引擎包含利用非線性迴歸模型,例如深度學習模型。在一些實現方式中,利用衛星圖像及中繼資料(如日射角度)作為訓練資料(training data),並以已知實體日照計提供的日照值作為基底資料(ground truth data),以監督式學習方式來訓練日照量估測引擎。將衛星圖像及中繼資料應用於日照量估測引擎的方式或日照量估測引擎的架構等可以有多種實現方式,其將依據圖5至圖15以實施例說明於後。經過訓練過程得出的已訓練的日照量估測引擎可用以推估任何地理位置於某一時間點或時間區段的日照值。
請參考圖5,其為基於資料組來訓練日照量估測引擎之方法之實施例的示意流程圖。為方便描述起見,圖5之流程圖的運作可以執行於一運算系統,此運算系統可以包括一個或多個運算裝置,運算裝置如電腦具有一個或多個可執行實現圖5之方法的組件,例如處理器(例如,CPU或GPU)及記憶體等。此外,在圖5中所示的步驟雖然以特定順序呈現,然而本發明之實現並不受此例限制,例如在一些實施例中,可以將圖5之步驟合適地重新排序、省略或添加一個或多個運作。
如步驟S10所示,運算系統準備訓練資料。例如,訓練資料包含針對已知地理位置之區域及時間值的衛星圖像以及該地理位置及該時間值所對應的中繼資料(如日射角度),其中相對應地,利用已知實體日照計提供的日照值作為基底資料(ground truth data),而實體日照計的地理位置為已知地理位置,且
實體日照計提供的日照值的時間點為對應的時間值。該運算系統可以就已知地理位置之區域及時間值利用來自衛星圖像資料庫的衛星圖像加以處理後得到訓練資料中的衛星圖像,並且就已知地理位置之區域及時間值得出對應的中繼資料(如日射角度)。舉例而言,可以利用與前述前置處理110之衛星圖像的處理111及中繼資料的處理112相似的方式來實現步驟S10以準備訓練資料。如將前置處理110中提及的請求資料聯關的地理位置值及時間值改為已知實體日照計提供的日照值所對應的地理位置值及時間值,並針對實體日照計對應的地理位置值及時間值依據衛星圖像的處理111及中繼資料的處理112來得到步驟S10所需的訓練資料。
如步驟S20所示,運算系統將訓練資料的衛星圖像和對應的中繼資料應用於欲訓練的日照量估測引擎。在步驟S20的一些實施例中,運算系統可以將該等中繼資料中對應至某一時間點的中繼資料應用於一種日照量估測引擎中之一初始輸入層(如屬於日照量估測引擎之一反卷積網路),以及將該多個衛星圖像集合中與該時間點對應的一個衛星圖像集合應用於該日照量估測引擎中之一運算層,其中該運算層位於該初始輸入層之一輸出的下游。在步驟S20的另一些實施例中,運算系統可以將該多個衛星圖像集合中與某一時間點對應的一個衛星圖像集合應用於另一種日照量估測引擎中之一初始輸入層(如屬於日照值估測神經網路),以及將該等中繼資料中對應至該時間點的一中繼資料應用於該日照量估測引擎中之一附加層,其中該附加層位於該初始輸入層(即屬於日照值估測神經網路)之一輸出的下游。總之,步驟S20之將訓練資料的衛星圖像和對應的中繼資料應用於欲訓練的日照量估測引擎的實現隨著日照量估測引擎所採用的架構不同而可以有多種實現方式,將依據圖6至圖15以實施例說明於後。
如步驟S30所示,運算系統基於訓練資料及對應的基底資料在該日照量估測引擎上執行反向傳播(backpropagation)。
如步驟S40所示,運算系統確定是否存在額外的訓練資料。若運算系統確定存在額外的訓練資料,則運算系統就步驟S10已準備好的另一個訓練資料從步驟S20繼續執行圖5之方法,或者繼續執行步驟S10以準備另一個訓練資料。在一些實施方式中,步驟S30可以包括確定是否存在尚未用於訓練該日照量估測引擎的任何剩餘的訓練資料。在一些實施方式中,步驟S30也可以附加地或替代地包括一或多個關於訓練日照量估測引擎的判斷準則,例如:確定是否已經利用某一門檻數量的訓練資料,或是否已經滿足其他判斷準則。
若運算系統確定不存在額外的訓練資料及/或已經滿足相關的判斷準測,則運算系統可以執行步驟S45,或步驟S50。
如步驟S45所示,該日照量估測引擎的訓練可以結束。藉此,由圖5之方法訓練的日照量估測引擎,可以用作如圖1或2所述之已訓練的日照量估測引擎200以回應請求資料而提供估測之日照值。
如步驟S50所示,運算系統可以附加地或替代地提供已訓練的日照量估測引擎以基於已訓練的日照量估測引擎而產生額外的訓練資料。例如,可以利用已訓練的日照量估測引擎就來執行日照值之估測,並以此估測之日照值為新的基底資料,其對應的衛星圖像及中繼資料作為額外的訓練資料。
如步驟S60所示,運算系統可以基於步驟S50提供的額外的訓練資料來更新已訓練的日照量估測引擎。例如,運算系統可以基於額外的訓練資料重覆執行步驟S10至S30來更新已訓練的日照量估測引擎。
如在步驟S50和S60之間延伸的箭頭所指示的,可以在步驟S50處再次提供更新的日照量估測引擎以產生更多的額外的訓練資料,並且在步驟S60處利用那些訓練資料以進一步更新日照量估測引擎。
此外,在圖5之訓練日照量估測引擎之方法的一些實現方式中,可以採用評估度量(evaluation metrics),例如基於相對均方根誤差(rRMSE)來評估訓練的日照量估測引擎,其可量化誤差的傳播並使各季節和日照值觀測站的比較更合理。此外,為了量化日照量估測引擎的估測日照值與基底資料的偏差,也可以使用平均絕對誤差(MAE)作為評估度量或其他合適的評估度量。
在步驟S10之一實施例中,訓練資料利用日本向日葵8號(Himawari-8)衛星所提供之全球比例的衛星雲圖,基底資料則利用台灣中央氣象局於全台的多個觀測站提供的日照計資料,例如經緯度、時間、日照值、日射角度,其中可利用觀測站每小時提供的全天空日射量(irradiation)作為日照值,其以MJ/m2為單位;例如取台北、台中、高雄地區的觀測站,如位於圖3A中方框b所示意的地區。在另一實施例中,訓練資料利用日本向日葵8號(Himawari-8)衛星所提供之全球比例的衛星雲圖,基底資料則利用基線表面輻射網路(baseline surface radiation network,BSRN)中多個觀測站的日照值,其中可利用觀測站每分鐘提供的照射度(irradiance)作為日照值,其以W/m2為單位;例如取日本福岡站(經緯度:北緯33.5822度,東經130.3764度)及瓜加林(Kwajalein)站(經緯度:北緯8.7200度,東經167.7310度),如分別位於圖3A中方框c、d所示意的地區。
請參考圖6至圖15,其為日照量估測引擎的架構之多種實現方式的實施例。此等日照量估測引擎可利用基於圖5的方法來訓練。已訓練的日照量估測引擎可以用於基於圖1的實現方式來實現以人工智慧估測地理位置日照量
之系統10,或基於如下之圖16的以人工智慧估測地理位置日照量之方法。舉例而言,日照量估測引擎可以包括一種或多種基於深度學習的模型,諸如深度神經網路(deep convolutional neural network,DNN)、循環神經網路(recurrent neural network RNN)、卷積神經網路(convolutional neural network,CNN)、殘差神經網路(residual neural network,ResNet)、反卷積神經網路(deconvolutional neural network)、長短期記憶模型(long short-term memory,LSTM)或其他神經網路等之中至少一種模型,或兩者或以上的組合。舉例而言,卷積神經網路包括輸入層、一個或多個卷積層以及輸出層,其中亦可選地包括其他層。在模型的訓練階段,訓練卷積神經網路以學習用於表示特徵的層次結構。卷積層利用過濾器進行卷積,並可選地透過池化層(pooling layer)進行降取樣(downsampling)。通常,池化層透過一個或多個降取樣功能(例如,最大值、最小值和/或正規化取樣)在較小區域中聚合值。長短期記憶模型包含重覆之長短期記憶單元(LSTM cell),各長短期記憶單元可以包含多個互動層,如被稱為遺忘閘(forget gate)、輸入閘(input gate)、輸出閘(output gate)。
請參考圖6,其為日照量估測引擎之一實施例的示意圖。如圖6所示,日照量估測引擎300包括空間相關模型301以及時間相關模型305。空間相關模型301係基於卷積神經網路(CNN),如利用殘差神經網路(ResNet)或相似模型,且包含多個對應至不同時間值的空間相關子模型301_1至301_N(例如,其中N≧2)。時間相關模型305為長短期記憶模型且包含多個依序排列的長短期記憶單元305_1至305_N。在圖6中,在訓練階段,輸入資料IN_1至IN_N為訓練資料並對應至在時間序列上N個相關聯的時間點,係被應用於個別的空間相關子模型301_1至301_N。空間相關子模型301_1至301_N回應於對應的輸入資料IN_1至IN_N而
個別地產生輸出向量OV_1至OV_N。輸出向量OV_1至OV_N分別被應用於個別的長短期記憶單元305_1至305_N。如圖6所示,日照量估測引擎300最後透過時間相關模型305之長短期記憶單元305_N產生輸出資料OPD,作為估測之日照值。
在訓練階段,日照量估測引擎300中空間相關模型301所需應用的空間相關子模型的數目以及時間相關模型305所需應用的長短期記憶單元的數目係取決於訓練資料及基底資料之間的關聯關係。舉例而言,取多個固定之實體日照計如氣象局觀測站於固定時間量測的日照值作為基底資料,譬如該些日照值對應的量測時間值例如是整點時間如9:00、10:00、11:00之類。另一方面,衛星圖像資料庫的衛星圖像係每小時固定產生數次,如9:10、9:20、9:30、9:40、9:50、10:00之類。由此,可以將於各個量測時間而得到的日照值與該量測時間值鄰近之多個時間點之對應於量測的地理位置之某一區域的衛星圖像做關聯,並依據此關聯關係透過圖5之方法中步驟S10來得出的訓練資料。例如,將某處之實體日照計於整點(如10:00)所得的日照值關聯到6個以10分鐘為間隔的多個衛星圖像集合(如對應至時間為9:10、9:20、9:30、9:40、9:50、10:00的6個衛星圖像集合),各個衛星圖像集合包含該實體日照計所處地點為中心之25x25公里之區域的多張衛星圖像,如第一顏色之衛星圖像、第二顏色之衛星圖像、第三顏色之衛星圖像及至少一紅外線之衛星圖像,其中若衛星圖像中1個像素代表1公里見方的範圍的話,各個衛星圖像集合包含25x25像素之4通道的圖像。在此例中,圖6的空間相關模型301所需應用的空間相關子模型的數目為以及時間相關模型305所需應用的長短期記憶單元的數目皆為N(N=6)。應注意的是,上述例子僅為說明方便而已,本發明的實現並不受上述例子限制。在實現上述模型之訓練時,可就實際情況如訓練資料及基底資料、運算系統、運算效率或其他因素來加以決定N
的數目,譬如N亦可取1、2、3、4、5、7、8、9、10或其他數目。在N=1的情況下,例如將某處之實體日照計於每一固定時間(如整點或每半小時或其他)所得的日照值關聯到對應時間的一個衛星圖像集合,其中受訓練的模型亦可因應N=1而簡化、調整或作其他變化。上述關於N取值之說明亦可適用於日照量估測引擎的其他實施例如以下依據圖7至圖15的相關實施例的日照量估測引擎。
請參考圖7,其為圖6之日照量估測引擎中空間相關模型之一實施例的示意圖。如圖7所示,空間相關子模型301_1包括中繼資料之注意圖模組310、運算層320及日照值估測神經網路330。如圖7所示,輸入資料IN_1中之中繼資料MA_1(如對應於地理位置值之日射角度,含方位角及仰角)係應用於中繼資料之注意圖模組310。輸入資料IN_1中之一個衛星圖像集合SM_G1係應用於運算層320。如圖7所示,運算層320位於中繼資料之注意圖模組310之輸出的下游,且位於日照值估測神經網路330之輸入的上游。中繼資料之注意圖模組310基於中繼資料MA_1而輸出對應之注意圖(attention map)AP_1。運算層320基於衛星圖像集合SM_G1及對應之注意圖AP_1而產生運算層320之輸出。舉例而言,運算層320例如用以進行乘法運算,其中注意圖AP_1具有與衛星圖像集合SM_G1中的圖像相同的大小,注意圖AP_1與衛星圖像集合SM_G1之一圖像中對應的像素進行乘法運算(如元素積(element-wise product))從而產生運算層320之輸出,運算層320之輸出亦為對應的運算後的衛星圖像集合。日照值估測神經網路330基於運算層320之輸出而產生對應的輸出向量OV_1。對於圖6中其他空間相關子模型,亦可如此類推地實現。
請再參考圖6及圖7,日照量估測引擎300之時間相關模型305基於個別時間點所對應的輸出向量OV_1至OV_N而輸出作為對應的估測日照值的輸出資料OPD。時間相關模型305位於日照值估測神經網路330之輸出的下游。
於一實施例中,日照量估測引擎300之時間相關模型305亦可改為其他用於求得對應的估測日照值的至少一神經網路層。
在一些實施例中,圖7之空間相關模型301_1之中繼資料之注意圖模組310用以將太陽位置(其屬領域知識)轉換為可用於表徵衛星圖像上較多陽光照射區域的注意圖。請參考圖8,其為圖7空間相關模型之中繼資料之注意圖模組310之一實施例的示意圖。如圖8所示,中繼資料之注意圖模組310例如包含用以基於中繼資料輸出注意圖之反卷積網路,其包括初始輸入層311、向量層312、反卷積層313至317。
初始輸入層311用於輸入中繼資料之向量。在一例子中,中繼資料(如圖7中以MA_1表示)中代表太陽位置之日射角度的方位角及仰角的數值,在經過數字捨入為整數及獨熱編碼(one-hot encoding)後分別轉換為兩個長度分別為360和180的獨熱向量(one-hot vector)(在圖8中分別以IV_1及IV_2代表)而輸入至初始輸入層311,以表徵中繼資料之太陽位置。向量層312用以將輸入的向量轉換為另一向量。在一例子中,為了便於後序處理,向量層312可實現為用於將上一層輸出的向量轉換為資料量較小的向量;譬如將前述例子之輸入層311之長度為540(即360+180)之向量轉換為長度為256的向量。
如圖8所示,向量層312之後是反卷積層313至317。在一些例子中,反卷積層313至317分別增加多個特徵圖(feature map)的尺寸以反映出太陽位置,同時透過執行卷積操作來保持特徵圖中所示的圖案。在圖8中,中繼資料之注意
圖模組310利用反卷積網路可以將特徵圖的大小逐步調整增大至所需要的特徵圖的大小以產生注意圖(如圖7中以AP_1所示意的注意圖),例如,注意圖AP_1與圖7所示之輸入資料IN_1中之一個衛星圖像集合SM_G1中各個衛星圖像大小相同,從而便於透過運算層320之元素對元素之乘法而產生日照值估測神經網路330所需的輸入圖像。舉例而言,反卷積層313將反映太陽位置之日射角度的長度為256的向量經反卷積而產生維度為2x2x64的特徵圖,反卷積層314產生維度為5x5x32的特徵圖,反卷積層315產生維度為7x7x16的特徵圖,反卷積層316產生維度為15x15x8的特徵圖,反卷積層317產生維度為25x25x4的特徵圖,即注意圖AP_1。為簡潔起見,在圖8中所示的維度為25x25x4的注意圖AP_1可以代表有4張大小為25x25的特徵圖,其對應至已知的地理位置值及已知的時間值。此外,在每個反卷積層313至317中使用的濾波器的權重矩陣可以是透過訓練而獲得的矩陣,從而可以反映出衛星圖像上較多或最多陽光照射區域。在實現時,當可視中繼資料的大小或其他需求而設計中繼資料之注意圖模組310之反卷積網路中反卷積之數目或輸出的大小,故本發明之實現不受上述例子限制。
為了有助於理解,以下表1列出在一個日照值觀測站於某日從上午到下午的日射角度之仰角及方位角;另請參考圖9,其為基於日射角度透過圖8之中繼資料之注意圖模組之一實施例並依據表1的日射角度而輸出對應之注意圖之一些示例的示意圖。舉例而言,表1所示,日照值觀測站為台灣中央氣象局台中站於2015年7月9日的8:00、10:00、12:00、14:00及16:00的日射角度。圖9中從左至右之5張圖分別為將對應於表1中8:00、10:00、12:00、14:00及16:00時的注意圖透過可視化而得之結果。如圖9所示,注意圖中的加權區域(weighted area)隨著太陽從早晨到下午而轉移,並在基於中繼資料解碼而得出的注意圖中反映出
從東到西的太陽入射角。舉例而言,取一個衛星圖像集合之通道數為4(如3個不同之可見光衛星圖像如R、G、B三色,1種紅外線衛星圖像),因此在圖9中顯示了三個可見通道的平均值。如圖9所示,注意圖上的注意區域(或稱加權區域)隨時間移動,以反映出相似於太陽蹤跡的變化。
在一些實施例中,圖7之空間相關模型301_1之日照值估測神經網路330包含基於卷積神經網路(CNN)、殘差神經網路(ResNet)、與其相似的或其他神經網路或相似神經網路。請參考圖10,其可用以實現圖7之空間相關模型301_1之日照值估測神經網路330之神經網路之一實施例的示意圖。
圖10所示的神經網路330A可用以實現圖7之日照值估測神經網路330。神經網路330A可用於針對地理位置提取出衛星圖像中雲的空間資訊。在訓練階段,該地理位置可以指實體日值計所在位置(或日照值觀測站)或訓練資料中所指的地理位置。在估測階段,該地理位置是指欲進行日照值之估測之任意地理位置,此地理位置上不必存在實體日值計。請注意的是,若針對一個衛星圖像集合中不同通道(如不同可見光或紅外光之通道),需要個別利用如圖10之神經網路330A個別處理不同通道,為了簡潔說明,圖10顯示用以處理一個衛星圖像集合某一通道的類神經網路的實施例。
如圖10所示,神經網路330A包括卷積層331至347及輸出層348。卷積層331接收來自上游輸出,例如圖7中運算層320的輸出,譬如可以為25x25像
素乘以多個通道的圖像(例如,可以從第一顏色通道、第二顏色通道、第三顏色通道、紅外線通道之4個通道)。在一些例子中,卷積層331~335分別為具有8個過濾器的3×3卷積層。卷積層335之後為卷積層336~338。在一些例子中,卷積層336~338分別為具有16個過濾器的3×3卷積層。卷積層338之後為卷積層339。在一些例子中,卷積層339為具有16個過濾器且輸出特徵圖大小減半的3×3卷積層。卷積層339之後為卷積層340~342。在一些例子中,卷積層340~342分別為具有32個過濾器的3×3卷積層。卷積層342之後為卷積層343。在一些例子中,卷積層343為具有32個過濾器且輸出特徵圖大小減半的3×3卷積層。卷積層343之後為卷積層344~346。在一些例子中,卷積層344~346分別為具有64個過濾器的3×3卷積層。卷積層346之後為卷積層347。在一些例子中,卷積層347為具有64個過濾器且輸出特徵圖大小減半的3×3卷積層。卷積層347之後為輸出層348。在一些例子中,輸出層348可以包含平均池化層、全連接層或其他種類的運算層中之至少一種或組合。在訓練階段,可以從零開始訓練日照值估測神經網路330。
請注意的是,圖10中神經網路330A所接收的圖像可以使用其他尺寸,例如不同的像素尺寸或更多或更少的通道。此外,在一些例子中,針對一個衛星圖像集合中不同通道(如不同可見光或紅外光之通道),在個別利用如圖10之神經網路330A個別處理不同通道之後,可以利用附加的輸出層用以將對應至各個通道的輸出結果作統合的處理以得出日照值估測神經網路330的輸出向量OV_1。
在訓練前述圖6之日照量估測引擎300的一些實現方式中,可以利用訓練時期(epoch)、學習速率、權重衰減、丟失(dropout)概率及/或其他參數的各種值。
上述圖6提出日照量估測引擎300的架構的實施例由於利用衛星圖像與中繼資料的融合(fusion),能夠提升估測日照值的準確度。請參考圖11,其為利用日照量估測引擎之實施例計算某位置的估測日照值與真實日照值之比較的示意圖。在一例子中,基於圖6至圖10的實施例以實現之日照量估測引擎進行訓練,並以此已訓練的日照量估測引擎就某日照值觀測站地理位置從1月至12月作出的估測日照值,如圖11中曲線C1所示。日照值觀測站地理位置的真實日照值,則如圖11中曲線CG所示。另外,另一沒有利用中繼資料融合之神經網路模型,利用與本例中相同訓練資料中之衛星圖像及基底資料來進行訓練,其作出的估測日照值,如圖11中曲線C2所示。如圖11所示,可以觀察到對應於沒有中繼資料融合之神經網路模型之曲線C2的日照值幾乎沒有反映出季節變化,並保持在數值較低的範圍。反之,對應於本例中採用中繼資料融合之日照量估測引擎之曲線C1的日照值較為接近基底資料並遵循著與基底資料於不同季節變化的規律。
以下提出日照量估測引擎的架構的另一些實施例。這些實施例涉及在日照量估測引擎的架構中各種不同位置以實現中繼資料融合。
請參考圖12,其為日照量估測引擎之另一實施例的示意圖。在本實施例中採用如圖6之日照量估測引擎300的架構,而該架構中空間相關模型301之空間相關子模型301_1至301_N(例如,其中N≧2)的各個子模型,則利用如圖12所示空間相關子模型401_1來實現。相較於圖7之空間相關子模型301_1,在圖12所示空間相關子模型401_1中,中繼資料融合的位置在日照值估測神經網路之輸出的下游。如圖12所示,空間相關子模型401_1包括日照值估測神經網路410。在一些例子中,日照值估測神經網路410可以利用前述日照值估測神經網路310的例子中至少一種或多種之組合來實現。空間相關子模型401_1更包括向量層
420及序連層430。向量層420基於中繼資料MA_1產生對應之中繼資料向量,例如利用圖8中輸入層311或向量層312來實現。序連層430將輸入層420產生的中繼資料向量與日照值估測神經網路410之輸出415依序連接(concatenation)。序連層430輸出可作為空間相關子模型401_1的輸出向量OV_1。在圖12中,向量層420及序連層430亦可稱為附加層。如圖12所示,附加層位於日照值估測神經網路410之輸出415的下游,且附加層位於本實施例中採用之日照量估測引擎的架構中之對應的長短期記憶單元的上游。
請參考圖13,其為日照量估測引擎之又一實施例的示意圖。如圖13所示,日照量估測引擎500包括多個日照量估測引擎子模型501。日照量估測引擎子模型501的應用數目可以因應輸入資料(如IN_1至IN_N,例如,其中N≧2)而確定,可參照前述圖6中日照量估測引擎300及相關實施例中關於輸入資料IN_1至IN_N中數目N的決定方式,或其他方式。各個日照量估測引擎子模型501包括日照值估測神經網路510、長短期記憶單元520、向量層530及運算層540。在一些例子中,日照值估測神經網路510可以利用前述日照值估測神經網路310的例子中至少一種或多種之組合來實現。向量層530基於中繼資料(如MA_1或MA_N)產生對應之中繼資料向量,例如利用圖8中輸入層311或向量層312來實現。運算層540例如用以進行乘法運算,如內積運算或其他運算。各組輸入資料(如SM_G1及MA_1;SM_GN及MA_N)係個別地應用於對應的日照量估測引擎子模型501。日照量估測引擎子模型501依序連接,最後輸出估測日照值。在圖13中,向量層530及運算層540亦可稱為附加層。如圖13所示,附加層位於日照值估測神經網路510之輸出的下游,且附加層位於對應的長短期記憶單元520的下游。
請參考圖14,其為日照量估測引擎之再一實施例的示意圖。如圖14所示,日照量估測引擎600包括日照值估測神經網路610、向量層620、運算層630、640及650。在一些例子中,日照值估測神經網路610可以利用前述日照值估測神經網路310的例子中至少一種或多種之組合來實現。向量層620基於中繼資料(如MA_1或MA_N)產生對應之中繼資料向量,例如利用圖8中輸入層311或向量層312來實現。運算層630、640用以對來自上游的向量作調整大小,如運算層630將向量層620輸出的向量轉為大小為一數值(如128)的向量,運算層640將日照值估測神經網路610輸出的向量615轉為大小為同一數值(如128)的向量。運算層650用以進行內積運算(或其他運算),如基於中繼資料向量(如運算層630之輸出)與日照值估測神經網路610之輸出(如運算層640之輸出)進行一內積運算,從而得出日照量估測引擎600的輸出作為估測日照值,其中此內積運算可以為元素對元素的乘法(element-wise multiplication)。在圖14中,向量層620、運算層630及650亦可稱為附加層。如圖14所示,附加層位於日照值估測神經網路610之輸出的下游。
請參考圖15,其為日照量估測引擎之另一實施例的示意圖。如圖15所示,日照量估測引擎700包括多個日照量估測引擎子模型701_1至701_N(例如,其中N≧2)。各個日照量估測引擎子模型包含對應之日照值估測神經網路710、向量層720、運算層730及子神經網路740。在一些例子中,日照值估測神經網路710可以利用前述日照值估測神經網路310的例子中至少一種或多種之組合來實現。向量層720基於對應之輸入資料中的中繼資料產生對應之中繼資料向量,例如利用圖8中輸入層311或向量層312來實現。運算層730用以進行外積運算(或其他運算),如基於中繼資料向量(如向量層720之輸出或可進一步調整大小後
之輸出)與日照值估測神經網路710之輸出715(或可進一步調整大小後之輸出)進行一外積運算。如圖15所示,日照量估測引擎子模型701_1至701_N(例如,其中N≧2)分別輸出對應的N個二維張量,這些二維張量可形成具有N個通道的三維張量735。子神經網路740相較於日照量估測引擎700為一較小型神經網路,例如包含至少兩個卷積層及一個平均池化層,以將該三維張量轉換成一個大小為6的向量。子神經網路740更可包含全連接層(fully connected layer),從而得出日照量估測引擎700的輸出作為估測日照值。在圖15中,向量層720、運算層730亦可稱為附加層。如圖15所示,附加層位於日照值估測神經網路710之輸出的下游。
上述圖6至圖15提出日照量估測引擎的架構的多個實施例,本發明所屬技術領域中具有通常知識者可據以進行各種變化。例如,可以對上述日照量估測引擎之例子中的一個或多個進行調改或組合,諸如可以參考上述例子並利用更多的卷積層(或反卷積層)或減少某些卷積層(或反卷積層),或者參考上述例子並在其中一個或多個層之資料處理的大小或運算上作出改變,或其他諸如此類的調改或置換,皆可視為用於實現日照量估測引擎之實施例。故本發明之實現並不受上述例子限制。
上述依據圖6至圖15所示例的日照量估測引擎的實施例在經過訓練階段後,可以用作如圖1或2所述之已訓練的日照量估測引擎200以回應請求資料而提供估測之日照值,其中訓練階段可利用基於圖5之訓練方法,但不以此方法為限。此外,在實現上述模型之訓練時,可就實際情況如訓練資料及基底資料、運算系統、運算效率或其他因素來加以決定N的數目,譬如N亦可取1、2、3、4、5、6、7、8、9、10或其他數目。在N=1的情況下,例如將某處之實體日照計於每一固定時間所得的日照值關聯到對應時間的一個衛星圖像集合,其中受訓練的
模型亦可因應N=1而簡化、調整或作其他變化。上述關於N取值之說明亦可適用於日照量估測引擎的其他任何實施例。
以下進一步揭示以人工智慧估測地理位置日照量之方法之各種實施例,此方法可應用於基於圖1所示之系統10。請參考圖16,其為依據本發明一些實施例之以人工智慧估測地理位置日照量之方法的示意流程圖。此方法可應用於系統10,例如系統10可以利用至少一處理器(如CPU或GPU),或一個或多個運算裝置來執行此方法,以人工智慧估測地理位置日照量。藉此,執行圖16之方法可被視為實現了系統10所實現的多個運作100中之前置處理110、估測處理120及後置處理130。如圖16所示,此方法包括步驟S10至S60。
如步驟S110所示,接收關於日照量估測之一請求資料。
如步驟S120所示,依據該請求資料聯關的一地理位置值及至少一時間值從一衛星圖像資料庫中搜尋並進行資料擷取處理,以輸出對應於該地理位置值之一區域及該至少一時間值的至少一衛星圖像集合。舉例而言,若該至少一時間值為一時間點(如2019/8/1,10:00)時,該至少一衛星圖像集合可以為一個衛星圖像集合,該衛星圖像集合可以包含與該時間點對應的至少一可見光衛星圖像或至少一紅外線衛星圖像或其組合。又例如,若該至少一時間值為包含多個時間點(如2019/8/1,10:00、10:10、10:20)的時間區段時,該至少一衛星圖像集合可以為與該時間區段中個別時間點分別對應的多個衛星圖像集合(如分別與2019/8/1,10:00、10:10、10:20對應的3個衛星圖像集合)。
如步驟S130所示,依據該地理位置值及該至少一時間值得出對應於該地理位置值之該區域及該至少一時間值的至少一中繼資料。舉例而言,若該至少一時間值為一時間點時,該至少一中繼資料可以為對應於該時間點的中繼
資料。又例如,該至少一時間值為包含多個時間點的時間區段時,該至少一中繼資料可以為與該時間區段中該等個別時間點對應的多個中繼資料。
如步驟S140所示,將該至少一衛星圖像集合及對應的該至少一中繼資料應用於一已訓練的日照量估測引擎。
如步驟S150所示,基於該至少一衛星圖像集合及對應的該至少一中繼資料透過該已訓練的日照量估測引擎而輸出至少一對應的估測日照值。
如步驟S160所示,基於該至少一對應的估測日照值輸出回覆資料,如發送回覆資料至終端裝置、輸出至資料庫或記憶體中儲存或其他合適的輸出方式。
藉此,執行步驟S110及S120可被視為實現了系統10的前置處理110,執行步驟S130及S140可被視為實現了系統10的估測處理120,而執行步驟S150可被視為實現了系統10的後置處理130。
於一實施例中,步驟S140包括:就該至少一時間值之一時間點:將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一已訓練的反卷積網路;以及將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量估測引擎中之一運算層,其中該運算層位於該已訓練的反卷積網路之一輸出的下游。舉例而言,已訓練的反卷積網路可以利用基於圖7之中繼資料之注意圖模組310之架構而實現。例如,運算層可以為圖7之運算層320。
於一實施例中,該已訓練的反卷積網路及該運算層位於該已訓練的日照量估測引擎之一已訓練的日照值估測神經網路之一輸入的上游。例如,已
訓練的日照值估測神經網路可以利用基於圖7之日照值估測神經網路330之架構而實現。
請參考圖17,於一實施例中,步驟S150可以包括步驟S151~S157,並就該至少一時間值之一時間點而被執行。如步驟S151所示,基於該至少一中繼資料中對應至該時間點的該中繼資料透過該已訓練的反卷積網路而輸出對應之一注意圖(attention map)。如步驟S153所示,基於該至少一衛星圖像集合中與該時間點對應的該衛星圖像集合及對應之該注意圖透過該運算層而產生該運算層之一輸出。如步驟S155所示,基於該運算層之該輸出透過該已訓練的日照值估測神經網路而產生對應的一輸出向量。如步驟S157所示,基於該至少一時間值所對應的該已訓練的日照值估測神經網路的輸出向量透過該已訓練的日照量估測引擎之至少一神經網路層而輸出該至少一對應的估測日照值,其中該至少一神經網路層位於該已訓練的日照值估測神經網路之該輸出的下游。於一實施例中,該至少一神經網路層為長短期記憶層。舉例而言,步驟150之上述實施例,可利用基於圖6之日照量估測引擎300中空間相關模型301以及時間相關模型305及依據圖7之架構而實現。
於一實施例中,步驟S130包括中所述之該至少一中繼資料包含對應於該地理位置值及該至少一時間值的日射角度。例如,若該至少一時間值為包含多個時間點(如2019/8/1,10:00、10:10、10:20)的時間區段時,該至少一中繼資料可以包含與該時間區段中個別時間點分別對應的多個日射角度(如與2019/8/1,10:00、10:10、10:20對應的3個日射角度)。雖然在上述實施例中以日射角度作為中繼資料的示例,然而本發明的實現並不以上述例子為限。例如,在一些實施例中,中繼資料可以包含對應至某一時間點及地理位置的溫度、高度、PM2.5濃度
中之一種資料,或可以包含對應至某一時間點及地理位置的日射角度、溫度、高度、PM2.5濃度中之至少一種資料或任一種組合。
於一些實施例中,步驟S140包括:就該至少一時間值之一時間點:將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量估測引擎中之一已訓練的日照值估測神經網路;以及將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一附加層,其中該附加層位於該已訓練的日照值估測神經網路之一輸出的下游。舉例而言,已訓練的反卷積網路可以利用基於圖12至15中任一之日照值估測神經網路(如410、610或710)之架構而實現。例如,已訓練的日照量估測引擎中之附加層可以為圖12至15中任一實施例中所提出的附加層。
於前述步驟S140之一實施例中,將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之步驟可以包括:基於該中繼資料產生對應之一中繼資料向量;以及將該中繼資料向量與該已訓練的日照值估測神經網路之該輸出依序連接(concatenation)。舉例而言,可利用基於圖12之日照量估測引擎之架構而實現。
於本發明之一實施例中,該附加層位於該已訓練的日照量估測引擎中之一長短期記憶模型的上游。舉例而言,可利用基於圖6及12之日照量估測引擎之架構而實現。
於本發明之一實施例中,該附加層位於該已訓練的日照量估測引擎中之一長短期記憶模型之一輸出的下游。
於本發明之一實施例中,將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之步驟包括:基
於該中繼資料產生對應之一中繼資料向量;以及基於該中繼資料向量與該已訓練的日照值估測神經網路之該輸出進行一內積運算。舉例而言,可利用基於圖13或14之日照量估測引擎之架構而實現。
於本發明之一實施例中,將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之步驟包括:基於該中繼資料產生對應之一中繼資料向量;以及基於該中繼資料向量與該已訓練的日照值估測神經網路之該輸出進行一外積運算。舉例而言,可利用基於圖15之日照量估測引擎之架構而實現。
在一些實施例中,提出一種儲存媒體,其儲存有運算裝置可讀取之指令,其中該指令被至少一運算裝置(如前述系統10),執行時使得該至少一運算裝置實現前述以人工智慧估測地理位置日照量之方法的多個實施例中至少一者。此方法可以為包含依據圖15之方法的上述所有實施例中的一者或任意組合。舉例而言,程式碼例如是一個或多個程式或程式模組,如用於實現依據圖15的步驟S110至S160,且可以用任何適合的順序而被執行。當運算裝置(如前述系統10)執行此程式碼時,能導致運算裝置執行基於圖15之運作方法之實施例。這些儲存媒體之實施例比如但不受限於:光學式資訊儲存媒體,磁式資訊儲存媒體或記憶體,如記憶卡、靭體或ROM或RAM。舉例而言,運算裝置包括通訊單元、處理單元及儲存媒體,其中處理單元電性耦接至通訊單元及儲存媒體。處理單元用以透過通訊單元以無線或有線方式與通訊網路進行通訊,從而與其他運算裝置如終端裝置通訊。處理單元可包含一個或多個處理器,運算裝置亦可包括其他裝置如圖形處理器,以進行運算。在一些實施例中,運算裝置可以執行作業系統,並可進一步利用網路服務、腳本引擎、網路應用程式或網路應用程式介面(API)之
伺服器等各種技術中之一種或多種方式而實現,以提供應用服務以供使用者端之瀏覽器、應用程式等使用。
藉此,上述提出以人工智慧估測地理位置日照量之系統、方法或儲存媒體之多個實施例。此等實施例說明藉由至少一運算裝置,對欲求出日照量的地理位置所對應的衛星圖像及與日照量相關的中繼資料(如日照角度)透過已訓練的日照量估測引擎來產生估測之日照量。此外,欲求出日照量的地理位置係可跨越地區,且可估測目前、過去或未來時間的日照量。藉此,此技術在應用上具備靈活性及可擴充性,例如能夠有助於實際大量估測之網路服務應用,也有助於依據估測之日照量而衍生出其他技術領域之應用。
本發明在上文中已以較佳實施例揭露,然熟習本項技術者應理解的是,該實施例僅用於描繪本發明,而不應解讀為限制本發明之範圍。應注意的是,舉凡與該實施例等效之變化與置換,均應設為涵蓋於本發明之範疇內。因此,本發明之保護範圍當以申請專利範圍所界定者為準。
1:終端裝置
5:通訊網路
10:以人工智慧估測地理位置日照量之系統
11:使用者介面
12:資料輸入欄位
13:結果輸出欄位
14:地點
15:資訊介面
100:多個運作
110:前置處理
111:衛星圖像的處理
112:中繼資料的處理
120:估測處理
130:後置處理
140:衛星圖像資料庫
200:已訓練的日照量估測引擎
Claims (20)
- 一種以人工智慧估測地理位置日照量之系統,其包括:至少一運算裝置;以及至少一電腦可讀取儲存媒體,耦接於該至少一運算裝置且儲存多個指令,當該等指令被至少一運算裝置執行時使得該至少一運算裝置實現多個運作,該等運作包含:(a)接收關於日照量估測之一請求資料;(b)依據該請求資料聯關的一地理位置值及至少一時間值從衛星圖像資料庫中搜尋並進行資料擷取處理,以輸出對應於該地理位置值之一區域及該至少一時間值的至少一衛星圖像集合,其中該至少一衛星圖像集合包含對應的至少一可見光衛星圖像或至少一紅外線衛星圖像;(c)依據該地理位置值及該至少一時間值得出對應於該地理位置值之該區域及該至少一時間值的至少一中繼資料;(d)將該至少一衛星圖像集合及對應的該至少一中繼資料應用於一已訓練的日照量估測引擎,以將該至少一衛星圖像集合中之一者及對應的該至少一中繼資料中之一者分別應用於該已訓練的日照量估測引擎中不同的兩層,其中該兩層具有上游與下游的關係或者下游與上游的關係中之一者;(e)基於該至少一衛星圖像集合及對應的該至少一中繼資料透過該已訓練的日照量估測引擎而輸出至少一對應的估測日照值;以及(f)基於該至少一對應的估測日照值輸出回覆資料。
- 如請求項1所述之系統,其中該運作(d)包括:就該至少一時間值之一時間點: 將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一已訓練的反卷積網路;以及將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量估測引擎中之一運算層,其中該運算層位於該已訓練的反卷積網路之一輸出的下游。
- 如請求項2所述之系統,其中該已訓練的反卷積網路及該運算層位於該已訓練的日照量估測引擎之一已訓練的日照值估測神經網路之一輸入的上游。
- 如請求項3所述之系統,其中該運作(e)包括:就該至少一時間值之一時間點:基於該至少一中繼資料中對應至該時間點的該中繼資料透過該已訓練的反卷積網路而輸出對應之一注意圖(attention map);基於該至少一衛星圖像集合中與該時間點對應的該衛星圖像集合及對應之該注意圖透過該運算層而產生該運算層之一輸出;基於該運算層之該輸出透過該已訓練的日照值估測神經網路而產生對應的一輸出向量;以及基於該至少一時間值所對應的該已訓練的日照值估測神經網路的輸出向量透過該已訓練的日照量估測引擎之至少一神經網路層而輸出該至少一對應的估測日照值,其中該至少一神經網路層位於該已訓練的日照值估測神經網路之該輸出的下游。
- 如請求項4所述之系統,其中該至少一神經網路層為長短期記憶層。
- 如請求項1所述之系統,其中該運作(d)包括:就該至少一時間值之一時間點: 將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量估測引擎中之一已訓練的日照值估測神經網路;以及將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一附加層,其中該附加層位於該已訓練的日照值估測神經網路之一輸出的下游。
- 如請求項6所述之系統,其中將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之運作包括:基於該中繼資料產生對應之一中繼資料向量;以及將該中繼資料向量與該已訓練的日照值估測神經網路之該輸出依序連接(concatenation)。
- 如請求項7所述之系統,其中該附加層位於該已訓練的日照量估測引擎中之一長短期記憶模型的上游。
- 如請求項6所述之系統,其中該附加層位於該已訓練的日照量估測引擎中之一長短期記憶模型之一輸出的下游。
- 如請求項6所述之系統,其中將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之運作包括:基於該中繼資料產生對應之一中繼資料向量;以及基於該中繼資料向量與該已訓練的日照值估測神經網路之該輸出進行一內積運算。
- 如請求項6所述之系統,其中將該至少一中繼資料中對應至該時間點的該中繼資料應用於該已訓練的日照量估測引擎中之該附加層之運作包括: 基於該中繼資料產生對應之一中繼資料向量;以及基於該中繼資料向量與該已訓練的日照值估測神經網路之該輸出進行一外積運算。
- 如請求項1至11中任一項所述之系統,其中運作(c)中所述之該至少一中繼資料包含對應於該地理位置值及該至少一時間值的日射角度。
- 一種以人工智慧估測地理位置日照量之方法,該方法藉由至少一運算裝置來執行,該方法包括以下步驟:(a)接收關於日照量估測之一請求資料;(b)依據該請求資料聯關的一地理位置值及至少一時間值從衛星圖像資料庫中搜尋並進行資料擷取處理,以輸出對應於該地理位置值之一區域及該至少一時間值的至少一衛星圖像集合,其中該至少一衛星圖像集合包含對應的至少一可見光衛星圖像或至少一紅外線衛星圖像;(c)依據該地理位置值及該至少一時間值得出對應於該地理位置值之該區域及該至少一時間值的至少一中繼資料;(d)將該至少一衛星圖像集合及對應的該至少一中繼資料應用於一已訓練的日照量估測引擎,以將該至少一衛星圖像集合中之一者及對應的該至少一中繼資料中之一者分別應用於該已訓練的日照量估測引擎中不同的兩層,其中該兩層具有上游與下游的關係或者下游與上游的關係中之一者;(e)基於該至少一衛星圖像集合及對應的該至少一中繼資料透過該已訓練的日照量估測引擎而輸出至少一對應的估測日照值;以及(f)基於該至少一對應的估測日照值輸出回覆資料。
- 如請求項13所述之方法,其中該步驟(d)包括:就該至少一時間值之一時間點: 將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量估測引擎中之一已訓練的日照值估測神經網路;以及將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一附加層,其中該附加層位於該已訓練的日照值估測神經網路之一輸出的下游。
- 如請求項13所述之方法,其中該步驟(d)包括:就該至少一時間值中一時間點:將該至少一中繼資料中對應至該時間點的一中繼資料應用於該已訓練的日照量估測引擎中之一已訓練的反卷積網路;以及將該至少一衛星圖像集合中與該時間點對應的一衛星圖像集合應用於該已訓練的日照量估測引擎中之一運算層,其中該運算層位於該已訓練的反卷積網路之一輸出的下游。
- 如請求項15所述之方法,其中該已訓練的反卷積網路及該運算層位於該已訓練的日照量估測引擎之一已訓練的日照值估測神經網路之一輸入的上游。
- 如請求項16所述之方法,其中該步驟(e)包括:就該至少一時間值之一時間點:基於該至少一中繼資料中對應至該時間點的該中繼資料透過該已訓練的反卷積網路而輸出對應之一注意圖(attention map);基於該至少一衛星圖像集合中與該時間點對應的該衛星圖像集合及對應之該注意圖透過該運算層而產生該運算層之一輸出;基於該運算層之該輸出透過該已訓練的日照值估測神經網路而產生對應的一輸出向量;以及 基於該至少一時間值所對應的該已訓練的日照值估測神經網路的輸出向量透過該已訓練的日照量估測引擎之至少一神經網路層而輸出該至少一對應的估測日照值,其中該至少一神經網路層位於該已訓練的日照值估測神經網路之該輸出的下游。
- 如請求項17所述之方法,其中該至少一神經網路層為長短期記憶層。
- 如請求項13至18中任一項所述之方法,其中步驟(c)中所述之該至少一中繼資料包含對應於該地理位置值及該至少一時間值的日射角度。
- 一種儲存媒體,其儲存有運算裝置可讀取之指令,其中該指令被至少一運算裝置執行時使得該至少一運算裝置實現如請求項13至19中任一項所述之以人工智慧估測地理位置日照量之方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108127653A TWI717796B (zh) | 2019-08-02 | 2019-08-02 | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108127653A TWI717796B (zh) | 2019-08-02 | 2019-08-02 | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI717796B true TWI717796B (zh) | 2021-02-01 |
TW202107306A TW202107306A (zh) | 2021-02-16 |
Family
ID=75745258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108127653A TWI717796B (zh) | 2019-08-02 | 2019-08-02 | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI717796B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI759226B (zh) * | 2021-06-25 | 2022-03-21 | 友達光電股份有限公司 | 太陽能發電效能估測方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI833549B (zh) * | 2023-01-12 | 2024-02-21 | 春禾科技股份有限公司 | 日照值估測系統 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150198A1 (en) * | 2005-12-28 | 2007-06-28 | Solmetric Corporation | Solar access measurement device |
CN102105818A (zh) * | 2009-03-18 | 2011-06-22 | 株式会社博思科 | 日照量的评价方法和评价装置 |
CN107436193A (zh) * | 2017-09-13 | 2017-12-05 | 中南林业科技大学 | 一种基于遥感的林下光照强度估测方法 |
TW201837831A (zh) * | 2017-03-30 | 2018-10-16 | 春禾科技有限公司 | 參考日照量的太陽能發電預測系統 |
-
2019
- 2019-08-02 TW TW108127653A patent/TWI717796B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150198A1 (en) * | 2005-12-28 | 2007-06-28 | Solmetric Corporation | Solar access measurement device |
CN102105818A (zh) * | 2009-03-18 | 2011-06-22 | 株式会社博思科 | 日照量的评价方法和评价装置 |
TW201837831A (zh) * | 2017-03-30 | 2018-10-16 | 春禾科技有限公司 | 參考日照量的太陽能發電預測系統 |
CN107436193A (zh) * | 2017-09-13 | 2017-12-05 | 中南林业科技大学 | 一种基于遥感的林下光照强度估测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI759226B (zh) * | 2021-06-25 | 2022-03-21 | 友達光電股份有限公司 | 太陽能發電效能估測方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202107306A (zh) | 2021-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shadab et al. | Spatial forecasting of solar radiation using ARIMA model | |
Bihlo | A generative adversarial network approach to (ensemble) weather prediction | |
Pereira et al. | Development of an ANN based corrective algorithm of the operational ECMWF global horizontal irradiation forecasts | |
Yang et al. | Solar irradiance forecasting using spatial-temporal covariance structures and time-forward kriging | |
Khatib et al. | Modeling of daily solar energy on a horizontal surface for five main sites in Malaysia | |
CN110738252A (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
Ma et al. | Estimation of surface shortwave radiation from Himawari-8 satellite data based on a combination of radiative transfer and deep neural network | |
CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
US20190139059A1 (en) | Demand forecasting device, demand forecasting method and non-transitory computer readable medium | |
Alamgir et al. | Downscaling and projection of spatiotemporal changes in temperature of Bangladesh | |
Yokoi et al. | Application of cluster analysis to climate model performance metrics | |
CN114091764A (zh) | 气象预报要素订正方法、装置、计算机设备和存储介质 | |
TWI717796B (zh) | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 | |
Kheradmanda et al. | Clearness index predicting using an integrated artificial neural network (ANN) approach | |
Mechri et al. | Genetic particle filter application to land surface temperature downscaling | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
Miralles et al. | Downscaling of historical wind fields over Switzerland using generative adversarial networks | |
Doorga et al. | Forecasting mesoscale distribution of surface solar irradiation using a proposed hybrid approach combining satellite remote sensing and time series models | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
Zhang et al. | Downscaling hourly air temperature of WRF simulations over complex topography: A case study of Chongli District in Hebei Province, China | |
Zheng et al. | Weather image-based short-term dense wind speed forecast with a ConvLSTM-LSTM deep learning model | |
Zhang et al. | SolarGAN: Synthetic annual solar irradiance time series on urban building facades via Deep Generative Networks | |
Liu et al. | Statistical downscaling of temperature distributions in southwest China by using terrain-guided attention network |