സൗരോർജ പ്രവചനങ്ങൾക്കായുള്ള കമ്പ്യൂട്ടർ വിഷൻ
പിവി പാനലുകളുടെ മോർഫോളജി പരിഗണിക്കുന്ന ആഴത്തിലുള്ള പഠന പ്രവചന മോഡലുകൾ വികസിപ്പിക്കുന്നതിന് ശാസ്ത്രജ്ഞർ കൂടുതൽ പരിശ്രമവും വിഭവങ്ങളും നൽകേണ്ടതുണ്ടെന്ന് കേംബ്രിഡ്ജ് സർവകലാശാലയുടെ നേതൃത്വത്തിലുള്ള ഒരു കൂട്ടം അക്കാദമിക് വിദഗ്ധർ പുതിയ പ്രബന്ധത്തിൽ പറഞ്ഞു.
ആഴത്തിലുള്ള പഠനത്തോടൊപ്പം കമ്പ്യൂട്ടർ കാഴ്ചയെ അടിസ്ഥാനമാക്കി സൗരോർജ്ജ പ്രവചന രംഗത്ത് കൈവരിച്ച പുരോഗതികളുടെ സമഗ്രമായ അവലോകനം അവരുടെ പ്രവർത്തനത്തിൽ ഉൾപ്പെടുന്നു. ക്യാമറകളിൽ നിന്നും വീഡിയോകളിൽ നിന്നുമുള്ള ഡിജിറ്റൽ ഇമേജുകൾ ഉപയോഗിച്ച് ലോകത്തെ വ്യാഖ്യാനിക്കാനും മനസ്സിലാക്കാനും കമ്പ്യൂട്ടറുകളെ സഹായിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഒരു പ്രത്യേക ശാഖയാണ് കമ്പ്യൂട്ടർ വിഷൻ. ഈ സമീപനം ഉപയോഗിച്ച് ഉപയോഗിക്കുന്ന ആഴത്തിലുള്ള പഠന മോഡലുകൾക്കും ഉപകരണങ്ങൾക്കും വസ്തുക്കളെ തിരിച്ചറിയാനും തരംതിരിക്കാനും കഴിയും.
“സസ്യങ്ങൾ, കെട്ടിടങ്ങൾ അല്ലെങ്കിൽ ഭൂപ്രകൃതി വ്യതിയാനം എന്നിവ മൂലമുണ്ടാകുന്ന സോളാർ പാനൽ സ്പേഷ്യൽ കോൺഫിഗറേഷനും പ്രാദേശിക നിഴൽ ഇഫക്റ്റുകളും സമന്വയിപ്പിക്കുന്നത് സൗര പ്രവചനങ്ങളുടെ കൃത്യത മെച്ചപ്പെടുത്താൻ സാധ്യതയുണ്ട്,” ഗവേഷകർ വിശദീകരിച്ചു. റേഡിയേഷൻ അളവുകൾ, ആകാശ ചിത്രങ്ങളിൽ നിന്നുള്ള ഒബ്ജക്റ്റ് കണ്ടെത്തൽ അല്ലെങ്കിൽ ഉയർന്ന റെസല്യൂഷൻ റിമോട്ട് സെൻസിംഗ് നിരീക്ഷണങ്ങൾ, ലിഡാർ ഡാറ്റ, സിറ്റു 3 ഡി മാപ്പിംഗ് അളവുകൾ എന്നിവയിൽ നിന്ന് ഈ വിവരങ്ങൾ അനുമാനിക്കാം.
ലേഖനം ശുപാർശ ചെയ്യുന്ന ആഴത്തിലുള്ള പഠന സൗര പ്രവചന മാതൃകകൾ മെച്ചപ്പെടുത്തുന്നതിനുള്ള മറ്റൊരു മാർഗം ഭൗതികശാസ്ത്ര നിയമങ്ങളുടെ ആമുഖമാണ്. അന്തരീക്ഷത്തിൽ പൊങ്ങിക്കിടക്കുന്ന മേഘങ്ങൾ കണ്ടെത്തുന്ന പാതകളായ കാര്യക്ഷമമായ കാര്യങ്ങളുടെ പ്രവചനങ്ങൾക്ക് ഇത് സഹായിക്കും.
“കമ്പ്യൂട്ടർ കാഴ്ചയെ അടിസ്ഥാനമാക്കിയുള്ള മെഷീൻ ലേണിംഗ് രീതികൾ സാറ്റലൈറ്റ് ഇമേജുകളിലും ഗ്രൗണ്ട് അധിഷ്ഠിത സ്കൈ ഇമേജുകളിലും കാര്യക്ഷമമാക്കാൻ പ്രാപ്തമാണ്, പക്ഷേ ഒരു സബ്ഓപ്റ്റിമൽ രീതിയിൽ,” ഗവേഷകർ പറഞ്ഞു. “ഈ സാഹചര്യത്തിൽ, ഫിസിക്സ്-വിവരമുള്ള ആഴത്തിലുള്ള പഠന രീതിക്ക് ഫ്ലൂയിഡ് മെക്കാനിക്സ് ഫീൽഡ് ലൈനുകൾ മികച്ച രീതിയിൽ ദൃശ്യവൽക്കരിക്കാനുള്ള കഴിവുണ്ട്.”
നിലവിലെ ആഴത്തിലുള്ള പഠന മോഡലുകളുടെ പരിമിതമായ സാമാന്യവൽക്കരണ കഴിവുകൾ അവയുടെ വ്യാപകമായ നടപ്പാക്കലിന് ശക്തമായ പരിമിതിയാണെന്നും പ്രബന്ധം സൂചിപ്പിക്കുന്നു. എന്നിരുന്നാലും, ലോകമെമ്പാടുമുള്ള നിരവധി ഓപ്പൺ സോഴ്സ് ഡാറ്റാ സെറ്റുകളിൽ മോഡലുകൾ നിർമ്മിക്കുന്നതിലൂടെ ഇത് പരിഹരിക്കാൻ കഴിയുമെന്ന് അക്കാദമിക് വിദഗ്ധർ പറഞ്ഞു.
വ്യത്യസ്ത മോഡലുകൾ താരതമ്യം ചെയ്യാൻ സഹായിക്കുന്നതിനാൽ ഒരു സ്റ്റാൻഡേർഡ് ബെഞ്ച്മാർക്ക് ഡാറ്റ സെറ്റ് ഉപയോഗിക്കാൻ ഗവേഷണ സംഘം ഭാവി ജോലിയെ പ്രോത്സാഹിപ്പിക്കുന്നു.
“ഒരൊറ്റ ഡാറ്റാസെറ്റിനെ അടിസ്ഥാനമാക്കി ചില തരം സൗര പ്രവചന മോഡലുകൾ ബെഞ്ച്മാർക്ക് ചെയ്യുന്ന പഠനങ്ങളുണ്ടെങ്കിലും, നിലവിൽ വിവിധ തരം സൗര പ്രവചന മോഡലുകൾ താരതമ്യം ചെയ്യുന്ന വളരെ പരിമിതമായ പഠനങ്ങളുണ്ട്, അതായത് ആഴത്തിലുള്ള പഠന അധിഷ്ഠിത മോഡലുകൾ, മെഷീൻ ലേണിംഗ് അധിഷ്ഠിത മോഡലുകൾ, ടൈം സീരീസ് മോഡലുകൾ, സ്റ്റാൻഡേർഡ് ഡാറ്റാസെറ്റുകളിൽ ഫിസിക്സ് നിർണ്ണയാത്മക മോഡലുകൾ,” അവർ പറഞ്ഞു.
അടുത്തിടെ അഡ്വാൻസസ് ഇൻ അപ്ലൈഡ് എനർജിയിൽ പ്രസിദ്ധീകരിച്ച “സൗര പ്രവചനത്തിലെ മുന്നേറ്റങ്ങൾ: ആഴത്തിലുള്ള പഠനത്തോടുകൂടിയ കമ്പ്യൂട്ടർ വിഷൻ” എന്ന പുസ്തകത്തിലാണ് ഗവേഷകർ അവരുടെ കണ്ടെത്തലുകൾ അവതരിപ്പിച്ചത്. യൂറോപ്യൻ ബഹിരാകാശ ഏജൻസി, കാലിഫോർണിയ സർവകലാശാല സാന്താ ബാർബറ, സ്റ്റാൻഫോർഡ് യൂണിവേഴ്സിറ്റി, ഐഡഹോ നാഷണൽ ലബോറട്ടറി, ഓപ്പൺ ക്ലൈമറ്റ് ഫിക്സ്, യുഎസ് നാഷണൽ റിന്യൂവബിൾ എനർജി ലബോറട്ടറി (എൻആർഇഎൽ), റെസോ ഡി ട്രാൻസ്പോർട്ട് ഡി എലക്ട്രിസിറ്റി, വേൾഡ് എനർജി ആൻഡ് മെറ്റീരിയോളജി കൗൺസിൽ, യൂണിവേഴ്സിറ്റി കോളേജ് ഡബ്ലിൻ എന്നിവിടങ്ങളിൽ നിന്നുള്ള ശാസ്ത്രജ്ഞരാണ് സംഘത്തിലുള്ളത്.
വാണിജ്യ പ്രവചന ഡെവലപ്പർമാരും ഗ്രിഡ് ഓപ്പറേറ്റർമാരും തമ്മിൽ മികച്ച ഏകോപനം ആവശ്യപ്പെട്ടുകൊണ്ടാണ് ഗവേഷണ സംഘം അവസാനിപ്പിച്ചത്.
“എന്നിരുന്നാലും, ഒരു വശത്ത് ഉപയോക്താവിന്റെ (അതായത്, ഗ്രിഡ് ഓപ്പറേറ്റർമാർ) ആവശ്യങ്ങളും പ്രക്രിയകളും മനസിലാക്കുന്നതിനും മറുവശത്ത് ഉപയോക്താക്കളുമായി ഉൽപ്പന്നങ്ങൾ വികസിപ്പിക്കുന്നതിനും പരിശ്രമിക്കുന്നതിലൂടെ ഇത് മറികടക്കാൻ കഴിയുന്ന ഒരു പ്രധാന തടസ്സമാണ്,” അവർ പറഞ്ഞു. കൂടാതെ, സമീപകാല കമ്പ്യൂട്ടർ വിഷൻ അധിഷ്ഠിത പ്രവചന മോഡലുകൾ മനസിലാക്കുന്നതിനും ഉപയോഗിക്കുന്നതിനും ആവശ്യമായ അറിവ് നേടുന്നതിന് ഗ്രിഡ് ഓപ്പറേറ്റർമാർക്ക് സമർപ്പിത പരിശീലനത്തിലൂടെ അവരുടെ കഴിവുകൾ അപ്ഗ്രേഡ് ചെയ്യേണ്ടതുണ്ട്.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
