太阳能具有清洁、环保、安全、可再生等特点。在当前常规能源日趋枯竭、环境日趋恶化的背景下，太阳能技术的开发及应用具有重大战略意义^[1-2]，如何更有效地评估和利用太阳能，成为社会关注的焦点。光伏设备可以将太阳能转化为电能，在建筑物屋顶安装光伏设备已经成为一种城市太阳能利用的主要方式。然而随着城市纵向发展不断加深，建筑物的屋顶面积将趋于饱和，而立面面积将不断增加。为了充分利用太阳能资源，有必要对建筑物立面进行精细的太阳能潜力估计。

建筑物表面的太阳能分布，受到地理位置、地形因素、建筑自身形态、大气条件等多种因素的影响。估计建筑物的太阳能潜力的方法，首先需要获取建筑物形态数据，然后进行可见性分析，再利用太阳辐射模型求解，估计出一定时间内，建筑物表面的太阳能辐照度。

近年来，已有环境、遥感、能源、建筑等多个相关领域学者对太阳能潜力估计进行了研究^[3-9]。总的来说，这些研究所使用的数据类型，主要包括影像、数字表面模型(DSM)、激光点云、建筑三维模型等。研究中所采用的可见性分析方法，则有基于投影的方法、基于天空视场因子(sky view factor)的方法、基于模拟射线的方法等。基于投影的方法适用于栅格数据(影像、DSM)的处理，基于SVF的方法和基于模拟射线的方法则更适用于三维场景。相关研究所采用的辐射模型主要是经验模型，不同经验模型对不同地域、不同气象条件的拟合程度各不相同，文献[10]对主要的太阳能估计模型及方法进行了总结和比较。

文献[4]利用休斯敦市的机载激光点云数据，提取建筑物区域，并生成城市的DSM，然后利用改进的Shortwave模型，计算晴空条件下休斯敦市不同时间尺度的日照时长、太阳辐照度。该方法首次将机载高分辨率LiDAR数据用于模拟城市太阳能的时空变化，是基于2.5维(DSM)的模拟估计。文献[5]提出一种方法，从车载激光点云中提取垂直墙面，并进行太阳能潜力估计，但只考虑了树木遮挡等数据缺失造成的阴影，而没有分析周围建筑的遮挡情况。文献[6]基于高分遥感数据和LiDAR点云数据，提出了顾及树木遮挡的建筑物太阳能潜力评价方法，文中采用的建筑物模型比较简单，忽略了立面的细节信息。文献[7]使用直线元素表达立面，将太阳能潜力估计扩展到建筑物立面上，也忽略了立面的细节信息。文献[8]利用三角网模型表示建筑物立面结构，并估计其太阳能潜力，该方法顾及了周围建筑物反射的太阳能的影响，但其立面模型仍比较简单。文献[9]利用隐藏点去除(hidden point removal)算法作可见性分析，引入了额外的误差，但其直接基于地面激光点云估计建筑物屋顶的太阳能潜力，为基于点云的太阳能潜力估计提供了新思路。

可以看出，基于影像和DSM的方法^[4]更适用于较大范围的研究，难以用于建筑物立面上的太阳能潜力估计；基于模型的方法^[6-8]采用的模型立面结构较为简单，估计的结果精度不高，需要考虑进一步利用精细建筑物模型如^[11]；基于地面或车载点云的方法^{[5, 9]}能够较好保持建筑物立面的真实细节，但对周围环境的考虑有限。

针对单一数据的局限性，文献[12]提出广义点云理论模型，指出对多源多平台空间数据，通过清洗、配准与集成，可建立以点云为基础，基准统一，且数据、结构、功能为一体的复合模型。因此，本文利用地面激光点云与无人机影像，提出一种基于多源点云的方法，用于建筑物立面的太阳能潜力估计，能够既保留建筑物立面细节信息，同时顾及周围建筑的遮挡，为相关的应用分析提供支持。

1 本文方法

本文选择以地面激光点云采集建筑物立面信息，以机载影像采集建筑物周围环境信息，基于广义点云模型，对两种数据进行处理融合，得到立面点云及周围建筑模型。然后利用基于射线法的可视性分析，采用简化的太阳辐射模型，对建筑物立面的太阳能潜力进行估计，并结合具体应用对试验结果进行分析。方法流程，如图 1所示。

1.1 多源点云数据融合

机载数据与地面数据之间数据类型不同，且存在视角差异，重叠区域少，特征对应不明显，为数据融合带来挑战。本文在已有工作的基础上^[13-16]，结合摄影测量的密集点云生成方法，实现两种数据的融合。该方法首先将机载影像转换成密集点云，然后分别对机载点云和地面点云提取建筑物，再以建筑物轮廓作为公共特征，将两种点云进行融合。

一方面，对于机载影像，根据文献[17]通过密集匹配得到点云，即首先运用SIFT算法进行特征提取，通过特征点匹配关系，利用基于运动的结构恢复算法SfM对匹配结果进行光束法平差，最终采用多视密集匹配方法PMVS，得到密集点云。

机载影像生成的密集匹配点云，利用文献[13]中提出的方法，首先根据建筑物在点云中的几何特征建立Gibbs能量模型，然后利用模拟退火算法优化求解，最后利用精细处理移除错误提取的点，合并相邻目标，实现建筑物目标的提取。然后，利用Sketchup软件^[18]，将提取的建筑物生成建筑物模型，以便于后续计算^[19]。

另一方面，地面激光点云场景复杂，包含多类地物目标，本文首先采用文献[14]所提出的方法完成地面激光点云的自动配准。该方法首先通过切片法提取场景中的垂直线(墙面边缘)及杆状物(树)，将其与地面的交点作为语义特征点；然后利用特征点组成特征三角形，通过特征三角形的匹配实现粗匹配，用ICP算法完成精匹配^[20]；再利用穷举的两两配准结果建立最小生成树，从而确定多站激光点云的配准。

配准后的地面激光点云，利用文献[15]中提出的方法，首先计算扫描点的局部几何特征(法向量、主方向、维数特征)，基于“维数特征”对点云进行粗分类，并设置相应的生长准则对不同类别的扫描数据分别分割，最后综合建筑物立面的语义知识对建筑物立面区域进行精确提取。立面点云同时用于后续的太阳能估计。

最后，本文采用文献[16]所提出的方法，从已获取的建筑物轮廓中寻找潜在的匹配对，并使用拉普拉斯矩阵描述其对应关系，求解出粗配准转换矩阵，实现两种数据的融合。结果如图 2所示。

1.2 太阳能潜力估计

建筑物的太阳能潜力估计，主要包括日照时长与太阳辐照度估计两方面。其中，日照时长用于描述在一个时期内，建筑物表面受太阳光照射时间的长短，太阳辐照度则用于反映建筑物表面接收到的太阳能的多少。日照时长估计是太阳辐射量估计的前提。

1.2.1 基于射线法的日照时长估计

如图 3(a)所示，某一时刻的太阳光线由一束平行射线表示，P₁、P₂、P₃为立面上不同位置的3点，其中P₁与P₂在不同立面的相似位置，P₂与P₃在同一立面的不同位置。在T₁时刻，P₁受太阳光照射，而P₂受周围建筑遮挡；在T₂时刻，太阳高度角升高后，P₂也受太阳光照射，而P₃因为相对位置更低而仍被遮挡。

某一点在给定时刻是否受太阳光照射，由太阳位置、该点位置及其周围环境3个因素共同决定。指定时刻的太阳位置由方向角及太阳高度角描述，可以通过美国国家可再生能源实验室(National Renewable Energy Laboratory, NREL)开发的SOLPOS系统准确得到^[21]；立面各点位置坐标已存储于点云数据中；建筑物周围环境通过前文所述的模型表达。因此，利用广义点云数据，本文实现一种基于射线法的日照时长估计。

如图 3(b)，首先计算该时刻的太阳位置参数。然后，构建一条射线R，从立面点P出发，指向太阳。同时，周围的建筑物可视为一系列三角面。遮挡问题可转化为检查射线是否与三角面相交，即判断线面的交点是否既在射线上又在三角面内。图中，P点在R₁时刻被遮挡，而在R₂时刻受阳光照射。用函数vis(p, t)来描述检查结果

则每个点在一天内的日照时长可以表示为

式中，日出时间、日落时间由SOLPOS给出。

1.2.2 地表太阳辐射简化模型

文献[10]对用于倾斜面的太阳辐射模型进行了详细的总结，该文所提模型适用于一般的倾斜面，但所需的输入参数较多。本文针对立面场景，对文献[19]的模型做简化，以便于计算和应用。

太阳总辐射通量G_Th由直接辐射B_Th、散射辐射D_Th、反射辐射R_Th3部分组成

直接辐射是太阳辐射的最主要部分，受环境遮挡的点接收不到直接辐射，因此将上文得到的vis(p, t)用于直接辐射的计算。散射与反射辐射量相对较小，本文采用各项同性模型简化其计算。给定θ为建筑物表面与太阳光线夹角，S为斜面坡度角，ρ为地表反射率，α为表面倾斜角，式(3)可写为

式中，G_h=B_h+D_h，地表反射率可取0.2，对于立面结构，S为90°，故上式改写为

式中，B_h、D_h可由文献[22]导出。简化后的太阳辐射模型，所需的输入信息只有太阳位置、时间、立面法向量，更适用于本文的计算场景。

2 试验与应用分析 2.1 试验数据

为验证方法的有效性，本文选取不同形状、不同朝向的两栋建筑进行试验。建筑物A为一栋U型宿舍楼，建筑物B为一栋L型商业楼。地面点云是通过RIEGL-VZ400扫描仪获取的，各立面主要参数见表 1。机载影像使用搭载在UAV上的索尼RX1相机，在300 m飞行高度下采集。

2.2 多源点云融合

图 4为建筑物A的数据，其中图 4(a)为机载影像；图 4(b)为高程赋色的密集点云；图 4(c)为Sketchup生成的周围建筑物模型，红色部分为建筑物A，可以看出，其遮挡主要来自东面及南面的相邻建筑物；图 4(d)为地面激光点云；图 4(e)为多站配准效果，每种颜色表示一站点云；图 4(f)为提取的建筑物A的立面点云，包括A₁、A₂、A₃、A₄、A₅等立面；图 4(g)为点云与模型嵌套的结果。

图 5为建筑物B的数据，其中图 5(a)为周围建筑物模型，其遮挡主要来自东面的相邻建筑；图 5(b)为提取的建筑物B的立面点云，包括B₁、B₂等立面；图 5(c)为点云与模型嵌套的结果。

2.3 立面太阳能潜力估计

2.3.1 立面日照时长

图 6是在晴空条件下，各个立面的年日照时长分布及四季日照时长分布，时间选取为2001年，图 6中每点颜色表示其日照时长的多少，以灰色的建筑物模型作为背景。为便于比较，4个季度的色带均进行了统一，以0为最小值，以单季最大日照时长(夏季，1259 h)为最大值。

从结果中可以看出，两栋建筑物的立面，最大日照时长都在夏季，最小日照时长在冬季，与预期相符。春秋两季的日照时长分布则比较接近，因为太阳位置在这两个季节中比较相似。另一方面，由周围建筑物及自身形态导致的遮挡，在秋冬两季的影响更为明显(立面A₁、A₂、B₂等)，这是因为在这两个季节中，太阳高度角更小。此外，建筑物B朝南向的弯弧处立面比相邻的东南向和西南向的立面日照时长更大，表明朝南向的立面有最长的日照时间。

计算结果表明，基于射线法的日照时长估计，能够较准确的模拟太阳日照的真实情况，可以用于太阳能潜力的估计。

2.3.2 立面太阳辐照度

图 7是晴空条件下，各立面的年太阳辐照度分布及四季辐照度分布，时间为2001年，其中每点颜色表示其太阳辐照度的多少，仍以灰色的建筑物模型作为背景，建筑物B中非立面点以强度显示。类似地，4个季度的色带也进行了统一。

结果表明，太阳辐照度的分布与日照时长分布呈现不同的规律。太阳辐照度的大小，受到入射角大小的影响：在春夏两季，太阳高度角比较大，对于立面的入射角也就更大，导致其辐照度反而更小；相反在秋冬两季，太阳高度角较低，照射到立面的光线更接近垂直，立面获得的太阳辐照度也更大。因此在春夏两季，尽管朝南向的立面(A₁、A₄)比朝东向立面(A₂、A₃等)有更长的日照时间，但是太阳辐照度却相对更少；建筑物B中，朝东南向的立面与西南朝向的立面也有类情况。但全年范围来看，仍是朝南向立面所接收的太阳辐照度更高。

2.4 窗户太阳能潜力的估计

窗户是城区建筑物立面上的重要组件，也是安装光伏设备的较理想位置，但已有研究中，主要关注建筑屋顶的太阳能分布情况，与窗户的太阳辐照度估计相关的工作还较少。另一方面，基于点云数据能够实现自动化窗户提取^[23-24]。基于多源点云的太阳能估计方法，可以更充分地利用这些成果。文献[21]中基于点云密度和深度信息，利用小波分解提取立面点云中的窗户信息。本文结合该方法的结果，实现立面上窗户的太阳能潜力估计。

2.4.1 窗户日照时长

针对所选试验数据，本文结合文献[21]中的立面点云窗户提取结果，取2001年1月20日(大寒日)为参考日，对试验数据进行建筑日照分析。

图 8(a)、(b)是建筑物A、B在参考日的有效日照时间带内(8-16时)的日照时长分布，模拟的采样时间间距为1 min。图 8(c)、(d)为根据上述结果以2 h为间隔绘制的等时线图。

利用等时线图，以及窗户提取结果，可以判断建筑物是否满足日照标准的要求。我国《城市居住区规划设计规范》(GB 50180-93)[25]中对于住宅建筑日照标准规定，对于住宅建筑，在指定参考日的模拟条件下，每户应有至少一个房间的日照时数大于等于2 h，若为宿舍，则应有不少于一半的房间，满足该条件。

如图 8(e)、(f)所示，立面A₅上共有63扇窗户，其中日照时大小于2 h的有18扇，不足半数，满足相关规定的要求；立面B₂的所有窗户，其日照时长均大于2 h，因此若计划将其改为住宅，则其在日照标准上能够满足相关要求。

试验结果表明，采用本文方法进行建筑物日照标准的检验，能快速、自动地完成任务，避免了传统的手动建模流程，有助于提高实际作业效率。

2.4.2 窗户太阳辐照度

图 9为建筑物B在参考日当天从日出到日落的太阳辐照度分布，选取立面B₂上不同位置的3个窗户W₁、W₂、W₃，窗户长宽均为1.8×1.7 m，按照其位置进行0.1 m间隔采样，以得到的虚拟点进行太阳能潜力估计。各窗单日太阳辐照度分布如图 9所示。图 9(a)为立面总辐照度分布。图 9(b)为所选窗户的总辐照度，W₁、W₂、W₃当天接收的太阳能分别为13.8 kWh，12.7 kWh，7.9 kWh。图 9(c)显示了各窗户的太阳总辐照度及各分量随时间的变化趋势，各窗户间的差异，反映出阴影遮挡对窗户接收的太阳辐照度的影响。

3 结论

本文结合广义点云模型理论，对地面激光点云和机载影像数据进行融合，基于射线法和适用于立面的简化太阳辐射模型，进行建筑物立面的太阳能潜力估计。

试验结果表明，建筑物立面的日照时长主要与朝向相关；不同季节太阳高度角的变化，对太阳辐照度的影响十分显著；在立面安装光伏设备时，需要综合考虑。同时，本文方法能够有效地用于估计建筑物立面的太阳能潜力，既保持建筑物立面的细节，也准确体现周围环境的影响。结合点云数据的提取、分类，本文提出的方法还可用于窗户级别的太阳能潜力估计，以服务于生产建设中的具体应用，如建筑日照标准检验，窗户光伏设备安置等。