Deep Learning Multi-Horizon Irradiance Nowcasting: A Comparative Evaluation of Three Methods for Leveraging Sky Images

この論文は、全天空画像を用いた日射量予測において、生画像を直接 CNN で処理する方法や時系列化された工学的特徴量を入力とする方法と比較し、クラウドセグメンテーションや雲運動ベクトルなどのドメイン知識に基づいて設計された 2 次元特徴マップを集約して入力とする手法が、複雑な空間的順序を必要としない DL 構造でも 15 分先までの予測精度において優れていることを示しています。

要約

この論文は、**「空の写真を使って、太陽光発電がどれくらい電気を生むか、15 分先まで予測する」**という技術について研究したものです。

太陽光発電は天気に左右されやすく、急に雲がかかると発電量がガクッと下がってしまいます。これを防ぐために、未来の発電量を予測する「予報」が必要ですが、今回は**「空撮カメラ（ASI）」**という、空全体を写し取るカメラの写真をどう使うと最も精度が高くなるかを、3 つの異なる方法で比べました。

まるで**「料理のレシピ」**を比べるような話です。同じ材料（空の写真）を使って、3 人のシェフがそれぞれ異なるアプローチで「未来の発電量」という料理を作りました。

---

3 つの「シェフ（予測方法）」の対決

1. シェフ A：天才的な直感屋（生データそのまま）

• やり方: 空の写真をそのまま AI に見せます。「ここは雲、ここは青空」という説明はせず、AI 自身に「写真を見て、パターンを勝手に見つけさせてください」と言います。
• イメージ: 料理の材料を一切切らず、包丁も使わずに、そのまま鍋に放り込んで「味見しながら煮込んでね」と頼むようなもの。AI が自分で「あ、この赤い部分は雲だ」と学習します。
• 特徴: 手間がかからないけど、AI が賢くないと「何を見てるかわからない」状態になり、学習に時間がかかります。

2. シェフ B：完璧な下ごしらえ職人（特徴マップ）

• やり方: まず人間が写真を見て、「ここは雲の輪郭」「ここは風の向き」「ここは太陽の位置」「雲の底の高さ」といった情報を、写真の上に重ねて描き（特徴マップ）、それを AI に渡します。
• イメージ: 材料をすべて細かく刻み、味付けも済ませて、AI には「これを炒めてね」と渡すようなもの。AI は「炒める」ことだけに集中できます。
• 特徴: 人間が重要な情報を教えてくれるので AI は楽ですが、下ごしらえ（特徴抽出）に計算リソースを多く使います。

3. シェフ C：賢いまとめ屋（数値のリスト）

• やり方: シェフ B が作った「特徴マップ」を、さらに**「数値のリスト」**にまとめます。「雲の割合は 30%」「風の向きは東」「雲の底の高さは 2000 メートル」といったように、写真の形を捨てて、重要な数字だけを集めて AI に渡します。
• イメージ: 料理の材料をすべて計量して「小麦粉 200g、卵 2 個、砂糖 50g」というレシピカードだけを作り、AI に「この分量で焼いてね」と渡すようなもの。
• 特徴: 写真の「形」は捨てていますが、「重要な数字」だけを渡すため、AI は非常に素早く、かつ正確に料理（予測）ができます。

---

結果：どっちが勝った？

結論から言うと、**「シェフ C（数値のリスト）」が最も美味しかった（予測精度が最も高かった）**です。

• なぜ勝ったのか？
  • AI は「写真の形」を無理やり理解しようとするよりも、「雲がどれくらいあるか」「風がどう吹いているか」という**物理的な事実（数値）**を直接渡されたほうが、はるかに上手に予測できたからです。
  • 写真の形を AI に理解させるのは、実はとても難しい作業で、計算コストも高いのです。
  • シェフ C は、人間が「ここが重要だ」と選んだ情報を、AI が最も扱いやすい形（時系列データ）に変えて渡したため、最も効率的でした。

意外な発見と教訓

1. 「雲の量」が最も重要
   どの方法でも、「雲が空の何％を覆っているか（雲量）」という情報が、予測精度を左右する一番の鍵でした。
2. 「雲の高さ」や「風の向き」は今回は不要だった
   シェフ B が一生懸命計算して作った「雲の底の高さ」や「風のベクトル」は、今回の実験ではあまり役立ちませんでした。これらを計算する手間を省けば、もっとシンプルに済むかもしれません。
3. 特殊な天候には注意
   薄い雲が空全体を覆っているような「曇り空」の日だけは、シェフ A（生データ）の方が少しだけ有利でした。AI が写真の微妙な明るさの変化を直接感じ取れるからです。

まとめ：この研究が意味すること

この研究は、**「AI に空の写真を見せるなら、まずは人間が『ここが重要だ』と選んだ数値を渡すのが一番効率的」**と教えてくれました。

複雑な画像処理を AI 任せにするよりも、「物理的な知識（雲の動きや太陽の位置など）」を事前に整理して AI に教えることで、より安く、速く、正確な太陽光発電の予報ができるようになるのです。

これは、太陽光発電をより安定して使えるようにし、私たちのエネルギー事情を良くするための、とても実用的な一歩と言えます。

技術概要

論文要約：全天空カメラ画像を活用した深層学習による日射量ナウキャスティングの比較評価

1. 背景と課題 (Problem)

太陽光発電（PV）の導入拡大に伴い、発電量の予測と変動管理が重要視されています。特に、数分〜30 分先の「ナウキャスティング（短期予報）」は、グリッド制御や電力取引に不可欠です。
従来の手法では、地上設置型の全天空カメラ（ASI: All-Sky Imager）画像と深層学習（DL）を組み合わせるアプローチが主流ですが、以下の課題があります。

• データ駆動型への依存: 多くの研究が純粋なデータ駆動型（CNN など）に依存しており、物理的な情報（雲の動き、太陽位置など）をモデルに明示的に組み込むことが少ない。
• モデルの複雑さ: 生画像を直接処理する複雑な空間 - 時系列モデル（CNN-LSTM など）が多用されるが、どの画像特徴量が有効か、あるいは物理的に加工された特徴量（Feature Engineering）の方が有効かという体系的な比較が不足している。
• 予測精度の限界: 大気の混沌とした性質により、実用的なレベルで安定した予測を行うことが依然として困難である。

2. 手法 (Methodology)

本研究では、ノルウェーの Kjeller（高緯度地域）で収集された 29 日間の高頻度データ（10 秒間隔）を用い、ASI 画像を LSTM ベースの DL モデルに組み込む3 つの異なる手法を比較評価しました。

• データセット:

  • 2 台の ASI（ASI-1, ASI-2）による 1920x1920 ピクセルの RGB 画像（10 秒間隔）。
  • 日射計（Pyranometer）による全球水平日射量（GHI）データ。
  • 雲の立体視による雲底高度（CBH）推定のため、2 台のカメラ配置（距離 1.12 km）を使用。

• 比較対象となる 3 つの手法:

  1. Method A (End-to-End CNN-LSTM):
     • 生 RGB 画像（ダウンサンプル済み 100x100）を CNN で直接特徴抽出し、時系列データとして LSTM に投入。
     • 物理的な特徴量加工は行わず、モデル自体が画像から特徴を学習する。
  2. Method B (CNN on Engineered Feature Maps):
     • 画像から事前に物理的に加工された 2D 特徴マップ（雲のセグメンテーション、雲運動ベクトル CMV、太陽位置、雲底高度 CBH など）を作成。
     • これらのマップを CNN で処理し、時系列データとして LSTM に投入。
     • 空間情報と物理情報の両方を利用。
  3. Method C (Aggregated Time-Series of Features):
     • Method B で作成した 2D 特徴マップを、時系列の数値データ（ベクトル）に集約（集計）する。
     • 例：雲の割合（CS）、雲運動ベクトルの平均、雲底高度の中央値など。
     • 空間解像度は失われるが、物理的に意味のある時系列データを LSTM に直接入力。

• モデル構成:

  • 共通して 2 層の LSTM と、最終出力用の Dense 層を使用。
  • 学習損失関数：平均絶対誤差（MAE）。
  • 評価指標：RMSE（二乗平均平方根誤差）、スキルスコア（SS）。

3. 主要な貢献 (Key Contributions)

1. 3 手法の体系的比較: ASI 画像を LSTM ベースのナウキャスティングモデルに導入する 3 つの異なるアプローチを比較し、データの前処理（特徴量エンジニアリング）の重要性を実証。
2. 高緯度地域での評価: 緯度約 60 度の地域での評価を行い、ナウキャスティング技術の北への適用可能性を拡大。
3. 双カメラによる物理特徴量の活用: ピクセル単位の雲セグメンテーション、CMV、太陽位置、および立体視による CBH を入力として利用する実装を示した。
4. 代替アプローチの有効性: 複雑な空間的 DL アーキテクチャ（生画像入力）ではなく、物理的に加工された時系列特徴量の集約（Method C）が優れた性能を発揮することを示唆。

4. 結果 (Results)

7 日間のテストデータ（多様な気象条件を含む）を用いた評価結果は以下の通りです。

• 全体性能:
  • Method C（集約特徴量）が最も優れた性能を示しました。
  • 平均 RMSE: Method C (87.0 W/m²) < Method A (87.8 W/m²) < Method B (90.3 W/m²)。
  • スキルスコア（SS）も同様に Method C が最高（1 分超の予測で平均 5.7% の改善）。
• 気象条件による違い:
  • 安定した気象（低変動）: 全体的に RMSE は低く、スマートな永続モデル（Persistence）の性能が向上するため、モデル間の差は小さくなります。
  • 不安定な気象（高変動）: 大気が不安定で日射量が急変する日には、すべての DL モデルが永続モデルを大きく上回ります。特に、厚い層状雲（Altostratus）の条件下では、物理的な雲の厚さ（COT）情報が欠如しているため、生画像から直接学習する Method A が有利になる傾向が見られました。
• 特徴量重要度（Feature Importance）:
  • Method C における特徴量重要度の分析により、**雲のセグメンテーション（CS）**が最も重要な特徴量であることが判明しました。
  • 逆に、雲底高度（CBH）や雲運動ベクトル（CMV）のシャッフルによる影響は小さく、計算コストを削減するためにこれらの特徴量を省略できる可能性があります。
  • 予測時間（Horizon）が長くなるほど、ASI 由来の特徴量の重要性が増すことが確認されました。

5. 意義と結論 (Significance & Conclusion)

• 計算効率と性能の両立: 物理的に意味のある特徴量を時系列データとして集約するMethod Cが、生画像を直接処理する複雑な CNN-LSTM（Method A）や、加工マップを CNN に通す Method B よりも優れた性能と計算効率（パラメータ数、学習時間、推論時間の削減）を実現しました。
• 物理情報の重要性: 深層学習モデルに物理的な知識（雲の有無、太陽位置など）を明示的に組み込むことが、予測精度の向上に寄与することを示しました。
• 今後の展望:
  • 雲のセグメンテーションアルゴリズムの改善や、HDR 画像の活用など、画像品質の向上がさらなる精度向上の鍵となります。
  • 雲の光学厚（COT）など、現在推定が難しい物理量の特徴量抽出技術の開発が今後の課題です。
  • 本研究は、ASI 画像を DL モデルに組み込む際、必ずしも複雑な空間処理アーキテクチャが必要ではなく、適切な特徴量エンジニアリングが有効であることを実証しました。

この研究は、太陽光発電の予測システムにおいて、データ駆動型アプローチと物理モデルの利点を融合させる新たな指針を提供するものです。