CN103942420B - 一种建筑物尺度的太阳直射辐射能快速估算方法 - Google Patents

Abstract

本发明公布了一种建筑物尺度的太阳能快速估算方法，该方法通过综合利用LiDAR与高分辨率遥感影像数据，针对城市建筑物和树木等目标进行三维数字表面建模；通过模拟分析大气对到达地面的太阳直射辐射衰减和城市目标对包括屋顶与墙面的建筑物表面实际所能获得的太阳直射辐射能的遮挡影响，获取城市建筑物的屋顶与墙面获得的太阳能的大小与动态变化的估算值。该方法适用于城市区域建筑物尺度的太阳能资源利用的具体应用，如能源资源的优化配置、太阳光伏设备的安装和绿色环保建筑设计等应用。

Description

一种建筑物尺度的太阳直射辐射能快速估算方法

技术领域

本发明涉及新能源及节能技术，具体涉及一种基于遥感和三维空间分析技术的建筑物尺度的太阳能估算方法，该方法可快速便捷地预测城市建筑物的屋顶与墙面获得的太阳辐射能的大小与动态变化，能够运用到城市太阳能的开发利用和绿色建筑设计等应用中。

背景技术

工业革命以来，世界能源消费剧增，煤炭、石油、天然气等化石能源资源消耗迅速，生态环境不断恶化，特别是温室气体排放导致日益严峻的全球气候变化，人类社会的可持续发展受到严重威胁。减少化石燃料的使用，发展可再生能源与新能源以保证能源稳定，已得到了许多国家和国际组织的认同与支持。我国正处于工业化、城镇化、信息化和农业现代化快速发展的时期，人口、资源、环境的压力日益凸显。

太阳能的广泛利用将提高一个国家的能源安全，促进可持续发展，减少环境污染，降低化石能源的价格。中国的太阳能光伏产业在“金太阳工程”、“太阳能屋顶计划”等国家财政支持计划及世界太阳能光伏市场的有力拉动下迅速发展。太阳辐射能通常是光和热的形式，可通过太阳能板转换为电能。目前，主要有三种主要的太阳能利用形式：被动式太阳能利用设计,太阳能水热利用以及光伏发电系统。有研究表明，加拿大安大略省(Ontario)30％的用电需求可被太阳能板所满足。

弄清太阳辐射时空分布情况及其利用方式对于认识城市能量的再分配具有非常重要的意义。建筑的能量平衡与外界太阳辐射、温度、湿度、风速等环境因子密切相关，而外部环境因子往往会变化。到达建筑物墙面的太阳辐射不仅会随季节、昼夜发生规律性变化，更会受云、大气影响而变动，还与建筑物彼此之间的空间关系有关。因此，太阳辐射会受建筑物空间格局的影响，进行再分配。

除了大气条件显著影响到达某区域地面的太阳辐射能大小，城市区域的建筑物和高大的树木也会遮挡太阳辐射，产生阴影，这些阴影将减少周围建筑物实际可获得的太阳辐射能，而且当光伏转换设备受到局部阴影的影响时，光伏阵列的PV特性曲线会呈现多峰特性，使光伏阵列的输出效率降低。因此，在城市环境下，相比于全球尺度、区域尺度的太阳能资源估算，具体评价建筑物可获得的太阳能更具有实际价值。太阳能资源潜力的预测结果可以辅助房屋所有者考虑自己房屋具体的地点、面积、朝向，权衡太阳能设备安装的可行性、必要 性，从而有效地推广太阳能设备的安装与使用。我国人均土地资源紧张、城市必须紧凑发展的情况下，将太阳能利用作为一个重要因素，尽早纳入城市规划和城市功能区设计过程，与其它问题一同整合研究，有助于城市规划设计与政策制定实施。

国内外建筑物尺度的太阳能研究多从二维平面角度估算屋顶的太阳辐射能，并没有估算建筑所有墙面可利用的太阳能；且往往忽略建筑物之间的相互遮挡产生的阴影对太阳能资源潜力的影响。现有基于二维栅格数据分析太阳辐射的模型只能得到屋顶的太阳辐射数据，无法得到墙面的结果。随着对地观测与地理信息系统(GIS)技术的飞速发展，运用遥感反演与三维分析方法进行建筑物尺度的太阳能分析成为可能。目前运用GIS在建筑光照方面的研究，主要是基于虚拟现实的建筑物日照阴影三维可视化，例如ESRI公司的ArcGIS、Google公司的SketchUp，尽管有着不错的建筑物阴影三维显示功能，但该功能没有与实际的太阳辐射结合以进一步分析，更无法提供建筑物各个墙面可利用的太阳辐射的相关数据。

除了上述问题，在现有的类似研究中，城市目标(包括建筑物和树木)的三维数字建模是一大瓶颈，且现有技术无法满足城市整体规划及个人实用的需求。国内的研究主要是在区域尺度依靠气候模型和气象站点观测数据进行太阳辐射参数的估算，无法得到空间连续的太阳能数据。

发明内容

为了解决现有技术中仅能估算屋顶的太阳能且没有考虑建筑物遮挡因素的不足，本发明提供一种建筑物尺度的太阳直射辐射能的快速估算方法，通过综合利用激光雷达(Light Detection And Ranging,LiDAR)与高分辨率遥感影像数据，针对城市建筑物和树木等目标进行精确、较高自动化的三维数字表面建模；通过充分考虑太阳辐射的传输过程，准确表示出大气对到达地面的太阳直射辐射衰减和城市目标因遮挡对包括屋顶与墙面的建筑物表面实际所能获得的太阳直射辐射能的影响；通过高时间分辨率的气象卫星遥感反演与GIS三维分析等方法，建立城市建筑物尺度高时间、高空间分辨率的太阳直射辐射能估算模型与方法，从而获取城市建筑物的屋顶与墙面获得的太阳辐射能的大小与动态变化的估算值。该方法适用于城市区域建筑物尺度的太阳直射辐射能资源利用的具体应用，如能源资源的优化配置、太阳光伏设备的安装和绿色环保建筑设计等应用。

本发明的技术方案是：

一种建筑物尺度的太阳直射辐射能快速估算方法，该方法通过综合利用多平台多传感器 遥感数据，通过对建筑物和树木建立三维数字模型、高时间分辨率气象卫星遥感反演与GIS三维分析的方法，获得建筑物尺度的太阳直射辐射的估算值，从而预测建筑物的屋顶与墙面获得的太阳直射辐射能的大小与动态变化，包括如下步骤：

1)获取一区域的机载LiDAR数据和高空间分辨率遥感影像数据；

2)对机载LiDAR数据进行预处理，通过泊松表面重建法，构建植被冠层的几何模型，获得树木冠层三维数字模型；

本发明将泊松表面重建法运用到树冠模型的构建中，泊松表面重建法结合了全局拟合和局部拟合的优势，从而产生一个稀疏的良态系统，可较好的保留树木的形态信息，对树木细节变化描述较为理想。

3)通过机载LiDAR数据提取归一化数字表面模型(normalized Digital Surface Model,nDSM)，以表示建筑物的顶面起伏；通过机载LiDAR数据结合高空间分辨率遥感影像数据来获得建筑物的顶面关键点信息，再通过虚拟网格表示建筑物的墙面，从而生成建筑物三维数字表面模型；

4)获取高时间分辨率气象卫星数据，通过基于多平台多传感器遥感数据的地面逐时太阳法向直射辐照度(Direct normal irradiance,DNI)的反演方法，得到地表逐时太阳辐照度参数；

5)利用树木冠层三维模型和建筑物三维数字表面模型，以区域地表逐时太阳辐照度参数作为输入，通过光线投射法模拟分析建筑物和树木对太阳直射光线的遮挡和削弱，得到每个建筑物表面获得的逐时太阳辐射功率；

6)将建筑物表面获得的逐时太阳辐射功率在时间上和空间上进行累计，得到该建筑物墙面一日所能获得的太阳直射辐射能。

上述建筑物尺度的太阳直射辐射能快速估算方法中，进一步地：

步骤1)中的高空间分辨率遥感影像数据为分辨率在亚米级分辨率的遥感影像数据。

步骤2)中通过对机载LiDAR数据进行预处理之后，还需从机载LiDAR数据中分离出植被点云数据，并进行单棵树木数据分割，再通过泊松表面重建法获得树木冠层三维数字模型。

在本发明一实施例中，步骤3)通过结合无人机LiDAR(UAV-LiDAR)点云数据和QuickBird高分遥感影像数据来构建城市建筑物三维数字表面模型。包括：采用从QuickBird高分遥感影像中提取感兴趣建筑物的特征点；从LiDAR数据提取nDSM具体为：通过对非 地面点的LiDAR数据插值可以得到城市区域的数字表面模型(Digital surface model,DSM)，而对地面LiDAR数据插值可以生成数字高程模型(Digital elevation model,DEM)，进而通过DSM与DEM求差得到nDSM。

本发明中，鉴于单独用LiDAR数据构建城市模型的困难，因此考虑结合LiDAR和高分辨率遥感影像进行建模，以实现多源信息的综合利用。然而，由于LiDAR数据和高分辨率的遥感数据成像机理不同，导致二者的控制点探测、特征提取、数据组织结构等方面存在差异，因此高精度配准是多源数据利用首要解决的问题，该方法具体包括如下过程：

首先，利用LiDAR数据和高分辨率影像中的空间特征信息和强度互信息，建立配准变换模型，将二者统一到相同的坐标系中。用到的空间特征包括拐点、线、面，本发明选择建立在随机事件统计理论的基础上的互信息方法来进行配准，互信息用来度量两个随机变量的统计依赖性或者一个变量包含另一个变量的信息量，在形式上可理解为在确定了其中的一个变量后另一个变量的熵值保留。根据互信息，可以来判定相关性：

$MI(X,Y)=H\left(X\right)-H\left(X\right|Y)=\underset{x\∈X,y\∈Y}{\Σ}p(x,y)\log \frac{p(x,y)}{p\left(x\right)p\left(y\right)}$

式中，MI(X，Y)指两个离散型随机变量X，Y的互信息，H(X)为描述随机变量X不确定性的熵值，H(X，Y)为X和Y的联合熵，H(X|Y)为条件熵，p(x)为随机变量x发生的概率，p(x,y)为随机变量x,y的联合概率。

式中，当MI(X，Y)>>0时，X和Y高度相关；

当MI(X,Y)＝0时，X和Y相互独立；

当MI(X,Y)＜＜0时，X和Y互补相关。

接着，运用基于分割的滤波方法对点云进行滤波，区分地面和非地面点，该方法具有更好的鲁棒性。

然后，基于点云的空间几何特征和遥感影像的光谱与纹理特征，用随机森林分类方法，对点云和高空间分辨率遥感影像进行计算机分类。随机森林算法在运算量没有显著增加的前提下可以提高分类精度，很好地预测多特征变量的作用，是一种较新的机器学习模型。随机森林分类的过程就是对于每个随机产生的决策树分类器，输入特征向量，森林中每棵树对样本进行分类，根据每棵树的权重得到最后的分类结果。本方法中，提取高分辨率遥感影像的三类特征包括：1)直接光谱特征(全局、局部)；2)植被指数(比值植被指数、差值植被指数、土壤调节指数)；3)纹理特征(变异系数、信息熵、同质性)。提取LiDAR的两类特征包括：1)直接特征(高程、强度)；2)邻域空间特征(高程差、高程标准差、强度差、强度标准差、信息熵、平面性)。由于城市区域广泛存在的异物同谱现象，建筑物屋顶与路面往 往因光谱相似性高而难以区分，因此，结合LiDAR数据和高空间分辨率遥感影像的分类方法可以提高分类识别精度，更好地识别建筑屋顶与街道路面。

当前依靠LiDAR数据直接提取建筑物顶面的信息尚存在困难，难以获得对建筑物几何轮廓的精确描述。因此，本方法融合高空间分辨率的遥感数据与来自LiDAR的归一化数字表面模型，就可进行计算机自动分类，较准确地提取建筑物屋顶信息。具体的方法是先将城市区域利用NDVI分为植被覆盖区与非植被覆盖区，对于非植被覆盖区再利用纹理特征、光谱特征与高程信息，建立基于随机森林的分类方法。由于加入了纹理信息和城市目标的高程信息，可以较好的区分光谱相似性较高的建筑物屋顶与城市道路路面，提高建筑物顶、不透水层、水体以及土壤等城市覆盖类型的分类精度，作为城市建筑物三维数字建模的基础。

步骤4)中高时间分辨率的气象卫星数据为我国自主发射的、可免费获取的FY-2D和FY-3A卫星上搭载的传感器数据。

本发明基于多平台多传感器遥感数据的DNI反演方法，将现有的晴天模型扩展到可适用于阴天的全天候反演模型，将MDOIS与FY-3A的气溶胶数据进行融合，使得原来不能反演的区域(如高亮度的沙漠、城市区域等)变得可以反演，从而保证了地面太阳辐照度反演的空间连续性与数据的可用性。

具体地，本发明中，基于多平台多传感器遥感数据的DNI反演方法包括如下过程：

4.1)在晴天模型中，加入一个云的影响系数τ_Cloud

在晴朗天气下太阳直射辐射在到达地表时，会受到以下因素的影响与削弱。它们分别是：大气的瑞利散射效应、常见气体(氧气、二氧化碳)的吸收、臭氧的吸收(单独列出，因为在紫外波长附近吸收效应强烈)、水汽的散射和吸收、气溶胶分子的散射和吸收，等。因此，其给出的晴天模型公式中，就分别有这五项影响系数。考虑到阴天以及多云情况，需要再加入一个云的影响系数τ_Cloud。

计算太阳直射辐照度(Direct Normal Irradiance,DNI)的公式如下：

DNI＝0.9751*I₀*τ_R*τ_Gas*τ_Ozon*τ_WV*τ_Ae*τ_Cloud (1)

式中，I₀代表太阳常数，τ_R为瑞利散射系数，τ_Gas为气体(主要为氧气和二氧化碳)影响系数，τ_Ozon为臭氧影响系数，τ_WV为水汽影响系数、τ_Ae为气溶胶影响系数、τ_Cloud为云影响系数。现有模型由于没有考虑云的影响仅限于晴天条件下使用，没有云修正系数τ_Cloud。为了适应阴天以及云天的DNI估算，本发明在模型中加入了云影响系数进行修正。该修正系数可从FY-3A云总量产品计算而来，表征阴天云层对太阳辐射的衰减。式(1)中各影响系数分别为：

1)τ_R为瑞利散射系数：

${\mathrm{\τ}}_R=\exp \[-0.0903{\mathrm{am}}^{0.84}(1.0+{\mathrm{am}}_p-{\mathrm{am}}_p^{1.01})\]---\left(2\right)$

式(2)中，am为大气质量，由下式计算得到：

$am=\frac{1}{{\mathrm{cos\Θ}}_Z+0.15{(93.885-{\mathrm{\Θ}}_Z)}^{-1.253}}---\left(3\right)$

式(3)中的Θ_Z为太阳高度角。

而式(2)中的am_p为经过高程校正的大气质量，由下式计算：

${\mathrm{am}}_p=am*\frac{p}{1013.25}$

$\frac{p}{p_0}=\exp (-0.0001184z)$

上式中，p为地面气压；p₀为标准气压；z为地面高程，单位为m。

2)τ_Gas为气体影响系数，，由下式计算得到：

${\mathrm{\τ}}_{Gas}=\exp (-0.0127{\mathrm{am}}_p^{0.26})---\left(4\right)$

3)τ_Ozone为臭氧影响系数，由下式计算得到：

τ_Ozone＝1-α_Ozone

α_Ozon＝0.1611χ(1.0+139.48χ)^-0.3035-0.002715χ(1.0+0.044χ+0.0003χ²)^-1 (5)

式(5)中的χ＝u*am。u为臭氧总量，单位为cm。

4)τ_WV为水汽影响系数，由下式计算得到：

τ_WV＝1-α_WV

α_WV＝2.4959γ[(1.0+79.034γ)^0.6828+6.385γ]^-1 (6)

式(6)中的γ＝w*am。w为大气可降水量，单位为cm。

5)τ_Ae为气溶胶影响系数，由下式计算得到：

${\mathrm{\τ}}_{Ae}=\exp \[-k_a^{0.873}(1.0+k_a-k_a^{0.7088}){\mathrm{am}}_p^{0.9108}\]---\left(7\right)$

$k_a=0.2758k_{{\mathrm{a\λ}}_{|\mathrm{\λ}=0.38\mathrm{\μ}m}}+0.35k_{{\mathrm{a\λ}}_{|\mathrm{\λ}=0.5\mathrm{\μ}m}}---\left(8\right)$

式(8)中的k_{a λ}为波长为λ(分别为0.38μm和0.5μm)时的气溶胶光学厚度。但是，风云3-A星提供的气溶胶光学厚度数据波长分别为470nm、550nm和650nm(即0.47μm、0.55μm和0.65μm)，因此需要进行如下转换：

${\mathrm{AOT}}_{500}={\mathrm{AOT}}_{550}*{\left(\frac{550}{500}\right)}^{\mathrm{\α}}---\left(9\right)$

${\mathrm{AOT}}_{380}={\mathrm{AOT}}_{550}*{\left(\frac{550}{380}\right)}^{\mathrm{\α}}---\left(10\right)$

两式中的α参数的建议值为1.3。

6)τ_Cloud为云影响系数，由下式计算得到：

τ_Cloud＝1-CI (11)

式(11)中，CI(cloud index)为由气象卫星数据反演得到的云总量数据，无量纲。

4.2)将多平台多传感器遥感数据进行融合，使得本发明可反演高亮度的区域；

本方法不只使用一种传感器的数据产品，而是把MODIS与FY-3A的气溶胶数据进行融合，作为反演模型的输入，数据融合目的是提高气溶胶产品的空间连续性，使得原来不能反演的区域，如高亮度的沙漠、城市区域等，通过本发明的修正模型可以反演，从而保证了地面太阳辐照度反演的空间连续性与数据的可用性。

上述大气状况参数难以通过某一种平台一种传感器来精确获取，需要借助多卫星平台多传感器数据进行协同反演，才能较为准确地估算上述大气参数，从而得到地面太阳辐射能的更好估算。在DNI反演中，气溶胶是空间时间变异都很大，是各大气因子中最为敏感的影响因子。然而，地球表面的一些地方，如城市、沙漠、戈壁、冰雪覆盖区等存在反射率较高的现象，这会导致采用暗像元法得到的风云3A卫星(FY-3A)日气溶胶数据产品在许多区域没有结果；而美国NASA发射的TERRA和AQUA卫星平台上搭载的MODIS传感器获取的数据，采用了基于蓝光通道地表反射率相对较暗这一事实提出的气溶胶光学厚度的深蓝反演算法可更好地反演干旱地区和城市区域的气溶胶数据。因此，本发明提出通过引入MODIS气溶胶产品，融合FY-3A气溶胶产品，即采用一种基于多平台多传感器的策略，来更好地对地球表面高反射区域的太阳直射辐射进行逐时的估算，获得高时间分辨率的地面太阳直射辐射参数。

表1为本发明一实施例中获取的数据产品参数一览。具体来说，FY-3A的气溶胶产品空间分辨率高，但不能保证同一像元的时间连续性；因此，采用MODIS全球气溶胶每日产品和其每8天的合成产品作为相应补充。在FY-3A产品出现缺失时，使用MODIS的气溶胶产品进行替代：首选使用空间分辨率同样为1km的日产品，将其空间分辨率重采样降至5km；如果MODIS日产品不能覆盖FY-3A的缺失，再使用8日产品，这样就可以保证得到地表相对较为连续分布的太阳直射辐射数据。

表1本发明一实施例中获取的数据产品参数一览

步骤6)中的建筑物和树木对太阳直射辐射的削减作用主要考虑了阴影的遮挡影响，本发明采用光线投射法来确定建筑物及树木的阴影，模拟分析城市环境下建筑物和树木对太阳直射光线的遮挡和削弱。光线投射法首先需要根据该区域所在的地理位置和时刻，通过计算获得一日内随时刻变化的真实太阳时角和光线向量。

具体地，采用光线投射法来确定建筑物及树木的阴影，即沿着光线方向将物体投射到承影面上。该方法的数学思想是射线与平面相交问题，在数学上并不考虑物体的相对空间位置，但对于判断城市环境的阴影而言，有可能该建筑物或树木的部分或全部被更高的物体遮挡，被遮挡部分就不会产生阴影，因此，须要“裁剪”掉被遮挡部分。在将物体投射到平面前，须要依次检查当前建筑物体或树木是否已经处于其他建筑物或树木物体的阴影之中，若是，则须要对当前物体(建筑物或树木)的顶点更新。由于本发明的关注点是被遮挡物体的遮挡部分的面积的计算，因此只需要计算阴影多边形的并集的面积即可。对于树冠而言，它是一个布满空隙的半透明实体，因此须要引入孔隙度的概念来计算遮挡区的面积。通常可从概率、物理、几何三个不同的角度定义孔隙度，本发明则采用几何孔隙度，设树冠的投影面积为S，而其中光斑的面积为S’，则S’/S称为几何孔隙度。因此，当建筑物表面同时被建筑物及树木遮挡时，如何计算重叠阴影区的面积便成为一个难点。

在集合中，求n个集合并集的大小可以利用基本的组合数学方法——容斥原理。要计算几个集合并集的大小，可先计算所有单个集合的大小，然后减去所有两个集合相交的部分，再加上所有三个集合相交的部分，依此类推，一直计算到所有集合相交的部分。受维恩图的启发，本发明提出了改进的容斥原理，引入孔隙度的概念以计算遮挡面积，其计算公式如下式所示。

${S_{shade}}^{\′}=\underset{i=1}{\overset{n}{\Σ}}\[(1-P_i)\·S_i\]-\underset{i,j:i\≠j}{\Σ}\[\left(\right(1-P_i\left)\right(1-P_j\left)\right)\·S_i\∩S_j\]+...\±\[\left(\right(1-P_1\left)\right(1-P_2)...(1-P_n\left)\right)\·S_1\∩...\∩S_n\]$

上式中：s_shade’代表i个多边形遮挡面积的计算结果，S_i代表第i个阴影多边形的面积，P_i代表产生第i个阴影多边形所对应物体的孔隙率。如该物体是建筑物，则孔隙率为0，如该物体为树冠，其孔隙率的取值范围是(0，1)，树冠孔隙度的计算可以运用下式：

P_i＝e^{-k · LAI}

式中，k是消减系数，由叶子倾角、太阳高度角和树叶空间分布等决定。LAI是叶面积指数，被定义为地表单位面积柱体内所有叶子单面面积之总和。LAI与季节、树种等因素密切相关，可以通过设备量测或遥感反演获得。

随着时间的变化，受遮挡情况的影响，建筑物表面某点所能接收到的太阳辐射能的大小也会发生变化，导致某面墙上的辐射能分布不同。为了显示太阳辐射能在屋顶和墙面上的空间分布情况，本发明运用了不规则三角网方法对墙面和屋顶网格化来显示所接收到的太阳辐射能的时空分布。

本发明的有益效果是：

本发明提供一种建筑物尺度的太阳直射辐射能快速估算方法，通过综合利用激光雷达(Light Detection And Ranging,LiDAR)与高分辨率遥感影像数据，针对城市建筑物和树木等目标进行精确、较高自动化的三维数字表面建模；通过充分考虑太阳辐射的传输过程，准确表示出大气对到达地面的太阳辐射衰减和城市目标因遮挡对包括屋顶与墙面的建筑物表面实际所能获得的太阳直射辐射能的影响；通过高时间分辨率的气象卫星遥感反演与GIS三维分析等方法，建立城市建筑物尺度高时间、高空间分辨率的太阳直射辐射估算模型与方法，从而获取城市建筑物的屋顶与墙面获得的太阳直射辐射能的大小与动态变化的估算值。该方法可为光伏设备安装、绿色建筑设计以及建筑能耗平衡等提供技术方案，适用于城市区域建筑物尺度的太阳直射辐射能资源利用的具体应用，如能源资源的优化配置、太阳光伏设备的安装和绿色环保建筑设计等应用。本发明的有益效果为：

第一，可基于无人机LiDAR系统快速获取城市区域的点云数据，结合高分辨率遥感影像数据，快速实现城市建筑与树木的三维建模，以满足建筑物尺度的太阳直射辐射能估算的需求，解决城市大范围快速建筑物与树木冠层的精细建模难题。

第二，考虑建筑物的同时充分考虑高大树木冠层对投射到建筑物表面太阳辐射的遮挡效应及其季节变化，如持叶与落叶不同状态，利用孔隙度测量方法和树种先验知识，更准确地估算建筑物受周边目标遮挡对太阳直射产生的削弱，具有很好的实用性。

第三，与现有技术比较，本发明还充分考虑应用高时间分辨率的气象卫星数据，不仅考虑气溶胶及气体分子对太阳辐射的衰减，还考虑云层对太阳辐射的衰减，通过加入云层影响 系数将太阳辐照度反演的晴空模型扩展为全天候模型，准确估算区域地面太阳辐照度参数，由此提供从大气顶层到建筑物尺度的完整太阳直射辐射能估算的技术方案。

附图说明

图1为本发明实施例中建筑物尺度的太阳直射辐射能估算流程图。

图2～4为基于机载LiDAR点云数据和QuickBird高分遥感影像数据进行城市建筑物和树木冠层快速建模的结果示意图，其中，图2为机载LiDAR点云数据；图3为从机载LiDAR点云数据提取的建筑物三维模型与树木冠层三维模型；图4为某时刻建筑物与树木阴影遮挡关系模拟结果；

图2～4中：1—建筑物；2—树木冠层；3—建筑阴影；4—树木阴影。

图5～7为实施例中一区域在2010年7月4日与2011年1月16日的逐时太阳直射辐射估算结果；其中：图5为利用FY-2D和FY-3A数据反演的2010年7月4日与2011年1月16日的逐时太阳直射辐照度变化；图6为2010年7月4日夏季的太阳直射辐射能分布；图7为2011年1月16日冬季的太阳直射辐射能分布。

具体实施方式

下面结合附图和具体实施例，进一步详细描述本发明，但不以任何方式限制本发明的范围。

以我国某城市小区部分建筑物的太阳直射辐射能估算的实例来说明本发明的实施方式与步骤，对建筑物的太阳直射辐射能估算的步骤如图1所示。

第一步，首先通过微小型无人机平台可搭载REIGLE VUX-1无人机专用机载LiDAR系统，获取城市区域的机载LiDAR数据；通过商用公司获取分辨率在亚米级的高空间分辨率遥感数据，本实例获取的为QuickBird(快鸟)高分遥感影像。然后，对高分辨率遥感影像和机载LiDAR点云数据进行配准、分类等预处理，分离建筑物及树冠层点云，对树冠点云进行分割处理，以获得单棵树木的点云，通过泊松表面重建法，构建植被冠层的几何模型，获得树木冠层三维模型；通过遥感影像分类从QuickBird高分遥感影像上提取建筑物顶部和底部轮廓，再结合从LiDAR数据提取的规一化的数字表面模型(nDSM)，构建建筑物的三维表面模型。其中，泊松表面重建法是一种对LiDAR三维点云进行表面重建的有效方法，其运行速度快，结合了全局拟合和局部拟合的优势，构网精度较高。该方法用了一个Delaunay三角剖 分来解决分段线性函数问题。首先，输入有向的三维点集，基于这些三维点集进行Delaunay三角剖分，并通过移除严重变形的点来优化三角网。然后，基于优化后的三角网，估计模型的指示函数，通过拉普拉斯矩阵迭代法求解泊松方程。最后，提取等值面，即模型内部为1，外部为0，以生成一个不规则三角网表面。三现在研究中常用到的维凸包算法，由于使用的都是某物体最外侧的点，所以生成的冠层凸包是接近树冠形状的最大外包曲面，从而能有可能丢失树冠的一些丢失细节变化，而泊松重建的结果则可较好的保留树木的形态信息，对树木细节变化描述较为理想。本实施例中，估算区域由19栋建筑物组成，多数建筑物高度差别不大，约为20m。共对15棵树木构建了三维模型，而低矮的乔木、灌木因对太阳辐射影响不大而未加考虑。图2～4为基于机载LiDAR点云数据和QuickBird高分遥感影像数据进行城市建筑物和树木冠层快速建模的结果示意图，其中，图2为机载LiDAR点云数据；图3为从机载LiDAR点云数据提取的建筑物三维模型与树木冠层三维模型；图4为某时刻建筑物与树木阴影遮挡关系模拟结果。

第二步，获取高时间分辨率的气象卫星数据(如我国自主发射可免费获取的FY-2D和FY-3A)，通过地面逐时太阳辐照度反演得到区域地表逐时太阳辐照度参数，该参数作为下一步计算城市环境衰减的输入。本发明的创新之处在于将现有传统的晴天模型扩展到也可适用于阴天，成为全天候反演模型，利用MDOIS与FY-3A的气溶胶数据进行融合，使得原来不能反演的区域，如高亮度的沙漠、城市区域等，变得可以反演，从而保证了地面太阳辐照度反演的空间连续性与数据的可用性。该步骤的工作完成了大气状况对太阳辐射的衰减作用的模拟，即通过此步骤得到逐时的地表太阳直射辐照度参数，作为第三步的输入。

第三步，基于研究区域所在的地理位置以及时刻，计算一日内随时刻变化真实的太阳时角，包括太阳高度角与方位角，和光线向量；利用第二步建立的建筑物三维数字模型与树木冠层三维模型，通过光线投射法模拟分析城市环境下建筑物和树木对太阳直射光线的遮挡和削弱，得到每个建筑物表面所能获得的逐时太阳直射辐射能，将其在时间上和面积上累计就得到该建筑墙面一日所能获得的太阳直射辐射能，即不考虑转换耗损情况下的最大太阳直射辐射能。

本实施例对建筑物表面的逐时动态太阳直射辐射能进行了三维可视化与精度的实证分析。对南京市某小区通过本发明方法计算得到的太阳直射辐射能大小的结果，并与大气条件逐时对比，图5～7为该区域在2010年7月4日与2011年1月16日的逐时太阳直射辐射估算的效果示意图；其中：图5为利用FY-2D和FY-3A数据反演的2010年7月4日与2011年1月 16日的太阳直射辐照度；图6为2010年7月4日夏季的太阳直射辐射能分布图；图7为2011年1月16日冬季的太阳直射辐射能分布图。考虑到墙面的大小或形状的差异，采用不规则三角网来表达估算得到的逐时或日(月、年)累计而得到的某建筑物顶面或墙面接收到的太阳直射辐射能。

Claims (10)

1.一种建筑物尺度的太阳直射辐射能快速估算方法，其特征是，所述方法综合利用多平台多传感器遥感数据，通过对建筑物与树木建立三维数字模型和高时间分辨率气象卫星遥感反演与GIS三维分析，获得建筑物尺度的太阳直射辐射能的估算值，从而预测建筑物的屋顶与墙面获得的太阳直射辐射能的大小与动态变化，包括如下步骤：

1.1)获取一区域的机载LiDAR数据和高空间分辨率遥感影像数据；

1.2)对机载LiDAR数据进行预处理，通过泊松表面重建法，构建植被冠层的几何模型，获得树木冠层三维数字模型；

1.3)通过机载LiDAR数据提取归一化数字表面模型以表示建筑物的顶面起伏，通过机载LiDAR数据结合高空间分辨率遥感影像数据来获得建筑物的顶面关键点信息，再通过虚拟网格表示建筑物的墙面，从而生成建筑物三维数字表面模型；

1.4)获取高时间分辨率气象卫星数据，通过基于多平台多传感器遥感数据的地面逐时太阳法向直射辐照度的反演方法，得到地表逐时太阳辐照度参数；

1.5)利用树木冠层三维模型和建筑物三维数字表面模型，以区域地表逐时太阳辐照度参数作为输入，通过光线投射法模拟分析建筑物和树木对太阳直射光线的遮挡和削弱，得到每个建筑物表面获得的逐时太阳辐射功率；

1.6)将建筑物表面获得的逐时太阳辐射功率在时间上和空间上进行累计，得到该建筑物墙面一日所能获得的太阳直射辐射能。

2.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.1)所述高空间分辨率遥感影像数据为分辨率在亚米级分辨率的遥感影像数据。

3.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.2)中通过对机载LiDAR数据进行预处理之后，还需从机载LiDAR数据中分离出植被点云数据，并进行单棵树木数据分割，再通过泊松表面重建法获得树木冠层三维数字模型。

4.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.3)从机载LiDAR数据提取归一化数字表面模型具体为：通过对无人机LiDAR数据中的非地面点数据插值得到城市区域的数字表面模型，对无人机LiDAR数据中的地面数据插值生成数字高程模型，再通过数字表面模型与数字高程模型求差，从而获得归一化数字表面模型。

5.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.3)所述机载LiDAR数据结合高空间分辨率遥感影像数据来获得建筑物的顶面关键点信息是先通过互信息方法建立配准变换模型来进行配准，运用滤波方法对机载LiDAR数据进行滤波，再通过随机森林分类方法对机载LiDAR数据和高空间分辨率遥感影像进行计算机分类，由此识别建筑屋顶与街道路面，从而获得建筑物的顶面关键点信息。

6.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.3)所述机载LiDAR数据为无人机LiDAR点云数据，高空间分辨率遥感影像数据为QuickBird高分遥感影像数据。

7.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.4)所述高时间分辨率的气象卫星数据为我国的FY-2D和FY-3A卫星上搭载的传感器数据。

8.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.4)所述基于多平台多传感器遥感数据的地面逐时太阳法向直射辐照度的反演方法具体是通过对晴天模型进行修正，将晴天模型扩展为全天候反演模型，包括如下步骤：

8.1)在晴天模型中加入云的影响系数，对模型进行修正；

8.2)将MODIS与FY-3A的气溶胶数据进行融合作为所述模型的输入，使得可反演高亮度区域。

9.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.5)所述光线投射法具体为：先获得一日内随时刻变化的真实太阳时角和光线向量，再通过建筑物孔隙度和树冠孔隙度计算获得建筑物和树木对太阳直射光线的遮挡面积，由此模拟分析建筑物和树木对太阳直射光线的遮挡和削弱。

10.如权利要求1所述建筑物尺度的太阳直射辐射能快速估算方法，其特征是，步骤1.6)所述建筑物墙面一日所能获得的太阳直射辐射能的时空分布是通过不规则三角网方法对建筑物的墙面和屋顶进行网格化来表示的。