DeepOWT v4.25.1: 深層学習に基づく洋上風力インフラのための高密度Sentinel-1時系列データ

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a ready-to-use dataset and benchmarks for developing AI models to monitor renewable energy infrastructure.

🏢実務担当者:Useful for asset managers and energy companies to track offshore wind farm construction and operational status without ground surveys.

🏛政策担当者:Enables independent, transparent monitoring of national offshore wind deployment targets.

DeepOWT（深層学習による全球洋上風力タービン導出）は、洋上風力エネルギーインフラの位置とその時間的動態に関する、独立した公開アクセス可能な全球規模のデータセットである。 位置情報は、ESAの衛星搭載Sentinel-1合成開口レーダー（SAR）アーカイブに深層学習ベースの物体検出を適用して導出される。関連文献: Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series を参照。 密な時系列は、検出された各インフラ位置において利用可能な各Sentinel-1シーンを検査することにより導出される。各取得およびインフラ位置について一次元スワスプロファイルが生成され、水平軸（レンジ方向）に沿った最大SAR後方散乱値を示し、これにより方向性のあるSARシグネチャを捕捉する。 バージョンv4.25.1では、データセットは3つのテーマ別グループ（spatial/、temporal/、training/）に再編成され、密な時系列には、深層学習によるイベント予測、ベースラインと深層学習の結果を融合したアンサンブルイベント予測、下流解析に推奨されるクラスラベル、および設置段階の開始と終了を示す設置イベントフラグが追加された。さらに、自己教師あり事前学習および教師あり学習用の機械学習対応データセットが公開されている。 関連出版物: 出版物 データセットバージョン 追加機能 DeepOWT: a global offshore wind turbine data set derived with deep learning from Sentinel-1 data v1.21.2 2016年第3四半期～2021年第2四半期の全球OWT位置 2021年第2四半期の北海盆地および東シナ海の手動ラベル付きテスト位置 Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series v3.25.1 2016年第1四半期～2025年第1四半期の全球OWT位置 2025年第1四半期の北海盆地、東シナ海、およびベトナム南東部の手動ラベル付きテスト位置 各位置の全S-1取得の1D SARプロファイル時系列 + 自動導出セマンティックラベル + 手動ラベル付きベンチマークセット Benchmarking Deep Learning Models for Dense Event Classification of Offshore Wind Infrastructure in Sentinel-1 Time Series (2026年6月30日投稿) v4.25.1 spatial/、temporal/、training/グループへの再編成された配布 深層学習イベント予測（BiLSTMモデル、およびBiLSTM + ベースライン（v3.25.1）アンサンブル）で拡張された密な1D SARプロファイル時系列、下流解析に推奨されるクラスラベル、およびユニット単位の設置開始/終了イベントフラグ 自己教師あり事前学習および教師あり学習用の機械学習対応トレーニングデータセット（単時相サンプルおよび単方向/双方向シーケンスウィンドウ） 密なイベント分類は、時間経過に伴うインフラ位置の7つのセマンティック状態を区別する: water、vessel、platform、turbine foundation、mooring / active construction、およびdeployed turbine。手動ラベル付きベンチマークでは、曖昧な取得に対して追加でunclearを使用する。 ファイルメタデータ ファイル 時間 ジオメトリ 空間範囲 時間解像度 spatial/DeepOWT_pnt_locations.parquet（導出位置、15,606ユニット） 2025年第1四半期 ポイント 全球 四半期ごと spatial/location_validation_2025Q1.parquet（グラウンドトゥルース位置、9,770ポリゴン） 2025年第1四半期 ポリゴン 北海盆地、東シナ海、ベトナム南東部 - temporal/deepowt_time_series.parquet（解析対応時系列、導出ベースライン＆深層学習ラベル、ベンチマークラベル、および設置イベントフラグ） 2016年第1四半期～2025年第1四半期 -（unit_idを介してDeepOWTポイントへのインデックス） - 利用可能な各S1取得ごと（約1～12日） training/training_monotemporal.parquet、training/training_windows_unidirectional.parquet、training/training_windows_bidirectional.parquet（教師ありトレーニングサンプル） 2016年第1四半期～2025年第1四半期 -（unit_id / sequence_idを介してtemporal/deepowt_time_series.parquetへのインデックス） - - training/ssl_monotemporal.parquet、training/ssl_windows_unidirectional.parquet、training/ssl_windows_bidirectional.parquet（自己教師あり事前学習サンプル） 2016年第1四半期～2025年第1四半期 -（unit_id / sequence_idを介してtemporal/deepowt_time_series.parquetへのインデックス） - - temporal/deepowt_time_series.parquetの列説明 列 型 説明 unit_id string インフラ位置識別子。spatial/DeepOWT_pnt_locations.parquetに結合する。 acquisition_date string Sentinel-1シーンの取得タイムスタンプ（ISO 8601）。 orbit_direction string Sentinel-1の軌道方向（ascending / descending）。 swath_profile_horizontal_max array of double 水平軸に沿った最大SAR後方散乱の一次元スワスプロファイル。 sequence_id integer ユニットの時系列内における取得のゼロベースの位置。 baseline_label string ルールベースのベースライン分類器によるイベントラベル。 bilstm_label string BiLSTM深層学習モデルによって予測されたイベントラベル。 ensemble_label string 設置解析に使用される最終的なアンサンブルイベントラベル。 ensemble_source string この行のアンサンブルラベルを提供したモデル（baselineまたはbilstm）。 gold_label string 手動ラベル付きグラウンドトゥルースイベントラベル。テストラベルとトレインラベルの両方を含む。 is_test boolean 手動ラベル付きベンチマークテストセットに属する取得に対してTrue。gold_labelからホールドアウトテスト（ベンチマーク）サブセットを作成するために使用する。 is_depl_start boolean ユニットの設置段階の開始を示す単一イベントに対してTrue。 is_depl_end boolean ユニットの設置段階の終了（最初に確認された設置済みタービン）を示す単一イベントに対してTrue。 トレーニングデータセットの列説明 ファイルグループ 列 説明 *_monotemporal.parquet unit_id、sequence_id 単一の1Dスワスプロファイル。(unit_id, sequence_id)を介してtemporal/deepowt_time_series.parquetに参照される。 *_windows_unidirectional.parquet、*_windows_bidirectional.parquet unit_id、start_id、end_id、change_sequence_id、from_label、to_label、is_synth_regression change_sequence_id（from_labelからto_labelへ）でラベル変更を伴うstart_id..end_idに及ぶシーケンスウィンドウ。単方向ウィンドウは変更時点付近で終了し、双方向ウィンドウはその周囲に拡張される。is_synth_regressionは、合成的に生成された回帰サンプルを示す。 training/*ファイルは、教師ありトレーニングに使用されるラベル付きサンプルを提供し、training/ssl_*ファイルは、自己教師あり事前学習に使用される（人間のアノテーションに関してラベルフリーの）サンプルを提供する。両方とも密な時系列temporal/deepowt_time_series.parquetにインデックスする。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

DeepOWT (deep learning derived global offshore wind turbines) is an independent and openly accessible data set of offshore wind energy infrastructure locations and their temporal dynamics on a global scale. Locations are derived by applying deep learning based object detection on ESA's spaceborne Sentinel-1 synthetic aperture radar (SAR) archive, see Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series Dense time series are derived by inspecting each available Sentinel-1 scene at every detected infrastructure location. One-dimensional swath profiles are generated for each acquisition and infrastructure location, showing the maximum SAR backscatter value along the horizontal axis (range direction), thereby capturing directed SAR signatures. With version v4.25.1 the data set is reorganised into three thematic groups ( spatial/ , temporal/ , training/ ) and the dense time series is enriched with deep learning derived event predictions, ensenmble event predictions fusing baseline and deep learning results recommended class labels for downstream analysis and deployment event flags indicating start and end of a deployment phase. In addition, machine-learning-ready data sets for self-supervised pre-training and supervised training are published. Related publications: Publication Data set version Added feature DeepOWT: a global offshore wind turbine data set derived with deep learning from Sentinel-1 data v1.21.2 Global OWT locations 2016Q3 - 2021Q2 hand labeld test locations North Sea Basin, and East China Sea for 2021Q2 Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series v3.25.1 Global OWT locations 2016Q1 - 2025Q1 hand labeld test locations North Sea Basin, East China Sea, and South East Vietnam for 2025Q1 1D SAR profile time series of all S-1 acquisition for each location + automatically derived semantic labels + hand labeled benchmark set Benchmarking Deep Learning Models for Dense Event Classification of Offshore Wind Infrastructure in Sentinel-1 Time Series (submitted 30.06.2026) v4.25.1 reorganised distribution into spatial/ , temporal/ , and training/ groups dense 1D SAR profile time series enriched with deep learning event predictions (BiLSTM model, and BiLSTM + baseline (v3.25.1) ensemble) recommended class labels for downstream analysis , and per-unit deployment start/end event flags machine-learning-ready training data sets for self-supervised pre-training and supervised training (monotemporal samples and uni-/bidirectional sequence windows) The dense event classification distinguishes seven semantic states of an infrastructure location over time: water , vessel , platform , turbine foundation , mooring / active construction , and deployed turbine ; the hand-labelled benchmark additionally uses unclear for ambiguous acquisitions. File metadata File(s) Time Geometry Spatial extent Temporal resolution spatial/DeepOWT_pnt_locations.parquet (Derived Locations, 15,606 units) 2025Q1 points Global quarterly spatial/location_validation_2025Q1.parquet (Ground Truth Location, 9,770 polygons) 2025Q1 polygons North Sea Basin, East China Sea, Southeast Vietnam - temporal/deepowt_time_series.parquet (Analysis Ready Time Series, Derived Baseline & Deep Learning Labels, Benchmark Labels, and Deployment Event Flags) 2016Q1-2025Q1 - (index into DeepOWT points via unit_id) - for each available S1-acquisition (~1-12 days) training/training_monotemporal.parquet, training/training_windows_unidirectional.parquet, training/training_windows_bidirectional.parquet (Supervised Training Samples) 2016Q1-2025Q1 - (index into temporal/deepowt_time_series.parquet via unit_id / sequence_id) - - training/ssl_monotemporal.parquet, training/ssl_windows_unidirectional.parquet, training/ssl_windows_bidirectional.parquet (Self-Supervised Pre-training Samples) 2016Q1-2025Q1 - (index into temporal/deepowt_time_series.parquet via unit_id / sequence_id) - - Column description of temporal/deepowt_time_series.parquet Column Type Description unit_id string Infrastructure location identifier; joins to spatial/DeepOWT_pnt_locations.parquet. acquisition_date string Acquisition timestamp of the Sentinel-1 scene (ISO 8601). orbit_direction string Sentinel-1 orbit direction (ascending / descending). swath_profile_horizontal_max array of double One-dimensional swath profile of maximum SAR backscatter along the horizontal axis. sequence_id integer Zero-based position of the acquisition within the unit's chronological time series. baseline_label string Event label from the rule-based baseline classifier. bilstm_label string Event label predicted by the BiLSTM deep learning model. ensemble_label string Final ensemble event label used for the deployment analysis. ensemble_source string Which model provided the ensemble label for this row (baseline or bilstm). gold_label string Hand-labelled ground-truth event label. Contains both test and train labels. is_test boolean True for acquisitions belonging to the hand-labelled benchmark test set. Use to create hold out test (benchmark) subset from gold_label is_depl_start boolean True on the single event marking the start of the unit's deployment phase. is_depl_end boolean True on the single event marking the end of the unit's deployment phase (first confirmed deployed turbine). Column description of the training data sets File group Columns Description *_monotemporal.parquet unit_id, sequence_id Single 1D swath profiles, referenced into temporal/deepowt_time_series.parquet via (unit_id, sequence_id). *_windows_unidirectional.parquet, *_windows_bidirectional.parquet unit_id, start_id, end_id, change_sequence_id, from_label, to_label, is_synth_regression Sequence windows spanning start_id..end_id with a label change at change_sequence_id (from_label to to_label). Unidirectional windows end ~at the change; bidirectional windows extend around it. is_synth_regression flags synthetically generated regression samples. The training/* files provide the labelled samples used for supervised training; the training/ssl_* files provide the (label-free with respect to human annotation) samples used for self-supervised pre-training. Both index into the dense time series temporal/deepowt_time_series.parquet.  

• Zenodo https://zenodo.org/records/21103038first seen 2026-07-02 04:14:58 · last seen 2026-07-04 04:21:33