Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Mathematical Optimization of Design Parameters of Photovoltaic Module Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Deep Learning for Wave Height Classification in Satellite Images for Offshore Wind Access

verfasst von : Ryan J. Spick, James A. Walker

Erschienen in: Data Analytics for Renewable Energy Integration. Technologies, Systems and Society

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Measuring wave heights has traditionally been associated with physical buoy tools that aim to measure and average multiple wave heights over a period of time. With our method, we demonstrate a process of utilizing large-scale satellite images to classify a wave height with a continuous regressive output using a corresponding input for close shore sea. We generated and trained a convolutional neural network model that achieved an average loss of 0.17 m (Fig. 8). Providing an inexpensive and scalable approach for uses in multiple sectors, with practical applications for offshore wind farms.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Renewable Energy Integration: Bayesian Networks for Probabilistic State Estimation
Nächstes Kapitel Machine Learning as Surrogate to Building Performance Simulation: A Building Design Optimization Application
Literatur
1.
2.
3.
4.
Jean, N., Burke, M., Xie, M., Davis, W.M., Lobell, D.B., Ermon, S.: Combining satellite imagery and machine learning to predict poverty. Science 353(6301), 790–794 (2016)CrossRef
5.
Jiang, X., Mojon, D.: Adaptive local thresholding by verification-based multithreshold probing with application to vessel detection in retinal images. IEEE Trans. Pattern Anal. Mach. Intell. 25(1), 131–137 (2003)CrossRef
6.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: ImageNet classification with deep convolutional neural networks. In: Advances in neural information processing systems. pp. 1097–1105 (2012)
7.
LeCun, Y., Bengio, Y., Hinton, G.: Deep learning. Nature 521(7553), 436 (2015)CrossRef
8.
Lin, C.H., Tsai, P.H., Lai, K.H., Chen, J.Y.: Cloud removal from multitemporal satellite images using information cloning. IEEE Trans. Geosci. Remote Sens. 51(1), 232–241 (2013)CrossRef
9.
10.
Simonyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:​1409.​1556 (2014)
11.
12.
Taylor, P.K., Kent, E.C., Yelland, M.J., Moat, B.I.: The accuracy of marine surface winds from ships and buoys. In: CLIMAR 99, WMO Workshop on Advances in Marine Climatology, pp. 59–68 (1999)
13.
Yosinski, J., Clune, J., Bengio, Y., Lipson, H.: How transferable are features in deep neural networks? In: Advances in Neural Information Processing Systems, pp. 3320–3328 (2014)
Metadaten
Titel
Deep Learning for Wave Height Classification in Satellite Images for Offshore Wind Access
verfasst von
Ryan J. Spick
James A. Walker
Copyright-Jahr
2018
Buch
Data Analytics for Renewable Energy Integration. Technologies, Systems and Society

Print ISBN: 978-3-030-04302-5

Electronic ISBN: 978-3-030-04303-2

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-030-04303-2_6