能源是人类社会赖以生存的物质基础，是支持经济和社会发展的根本保证。作为应对新世纪能源短缺和气候变化双重挑战的重要手段，可再生能源受到各国政府的广泛关注(韩芳，2010)。可再生能源是指在自然界中可以不断再生、永续利用的能源，而太阳能(solar energy)便是其中一种具有巨大潜力的新兴可再生能源。我国太阳能热利用产业颇具潜力，全国太阳能年辐射总量大于502万kJ·m^-2，日照时数在2 200 h以上的地区占我国国土面积的2/3以上;预计2015年，太阳电池拥有量将达到320MW;家用太阳能热水器普及率升至20%～30%(董伟，2004)。“世界环境与发展大会”之后，中国7488(2014)02 - 0099 - 12政府提出10条对策和措施，明确要“因地制宜地开发和推广太阳能、风能等清洁能源”，制定了《中国21世纪议程》，进一步明确了太阳能重点发展项目(阙光辉，2007)。

以往的研究工作中，利用光学遥感数据并结合地球-大气系统物理模型反演太阳辐射的方法，被较多应用于太阳总辐射量的变化特征趋势分析。如利用气象卫星(NOAA/AVHRR及我国FY系列静止气象卫星)的可见光和近红外波段观测值，结合站点所观测的太阳辐射资料，建立基于物理模型的太阳辐射空间模型;并在考虑地形、气象因子影响的情况下反演地表太阳辐射(肖建设等，2012)。随着GIS和RS技术的发展，对太阳辐射的研究转向太阳辐射模型与GIS、遥感技术的结合。如Huld等(2006)把影响太阳能使用的太阳辐射数据和从遥感影像中提取的环境因子整合到GIS系统中，开发了PVGIS评估模型，用于欧盟内太阳能利用潜力的区域评估。然而，以上方法往往都只适用于大尺度上(国家或省级太阳能利用和规模化开发)的太阳辐射定量估算和分布预测，很难提供小尺度的可再生能源规划(如低碳社区屋顶太阳能利用规划等)所需的逐个单体建筑(building-by-building basis)屋顶太阳能时空分布信息(Dincer et al.，2007)。同时，作为城市环境的重要组成部分及其微气候的调控因子，如何综合分析城市植被与其相邻建筑之间的能量交互作用，定量化评估建筑周边植被对其屋顶表面太阳辐射的遮挡效应，也是当前城市林业及景观建筑学研究急需探索和解决的重要课题(Hofierka et al.，2009)。

激光雷达(light detection and ranging，LiDAR)是近年来发展迅速的主动遥感技术，用户可以自主设计数据获取时间和范围，并通过处理分析点云(point clouds)高度、密度、分布、强度及波形信息，从而得到高精度(亚米级)数字地形模型并提取地物(建筑物、植被等)的三维结构参数(Lefsky et al.，1999)。同时，从LiDAR数据集中提取的建筑物垂直结构信息(如表面高程、朝向、坡度以及阴影特征等)也可用于参数化太阳能辐射模型的主要输入变量(Gadsden et al.，2003)。在前人研究(Haala et al.，1999;Zarzalejo et al.，2009)的基础上，本文旨在探索一种机载小光斑LiDAR点云数据结合CCD影像提取城市植被及建筑结构参数信息，并集成“半球视域法”太阳辐射模型的城市屋顶太阳能资源自动化分析的方法，在此基础上定量化评估建筑周边植被对屋顶太阳辐射的遮挡效应。本文的研究目的为: 1)在优化LiDAR点云数据提取数字高程模型方法的基础上，结合LiDAR和CCD数据的多源特征融合及面向对象分类方法，提取植被参数(树高、冠幅)和建筑参数(高度、屋顶垂直投影面积)并验证精度;2)通过提取的单体建筑表面高度信息参数化半球视域太阳辐射模型，输出单体建筑屋顶太阳能分布图，并借助提取的植被结构参数定量评估植被对屋顶太阳辐射的遮挡效应。

研究区选取在南京林业大学新庄主校区内。该校区坐落于南京市主城区东北部(32°4'45.87″N，118°48'33.80″E)，东依紫金山，西临玄武湖。校园地势自西向东逐渐抬升，东北部的北大山(牛山)及东南部的南大山为紫金山向西北延伸的余脉，地形高程为11～35 m。该区域气候特征表现为太阳能资源丰富，日照时数较长，辐射较强;太阳能年辐射量为4 190～5 016 MJ·m^-2，年日照时数为1 400～2200 h。该研究区也是南京市区内具有代表性的城市森林群落之一，绿地覆盖率53.8%。由于地处亚热带气候区的北缘，落叶阔叶、常绿阔叶和针叶林是其主要植被类型。主要优势树种为杨树(Populusspp.)、鹅掌楸(Liriodendron chinensis)、水杉(Metasequoia glyptostroboides)、池杉(Taxodiumascendens)、香樟(Cinnamomum camphora)、柏木(Cupressus funebris)和梧桐(Firmiana platanifolia)等(王强等，2006)。

研究选取了校园内学生公寓及教职工住宅区的54栋典型公寓式建筑。建筑大多为4～7层平顶和坡顶建筑以及1栋平顶高层建筑(25层的研究生公寓楼)，多数建筑周边植被覆盖较好。其中，学生公寓1区(学1区):共9栋(高层1栋，其他以多层板式普通平顶公寓为主);学生公寓2区(学2区):共13栋(临近校园北大山，地势较高，以多层板式普通坡顶公寓为主);教职工住宅1区(教1区):共13栋(小区中心有小片绿地，坡顶建筑及平顶建筑);教职工住宅2区(教2区):共19栋(背靠南大山，地势较高，均为多层板式普通坡顶公寓)。其中教1区和教2区由于建区时间早，植被覆盖率较高;特别是教1区中高大乔木较多，而建筑高度与其他几区相比普遍偏低。学生公寓2区建区时间最晚，建筑高大且样式单一，而主要植被以新栽种的低矮乔木和灌木为主。

本研究采用加拿大Optech公司的ALTM3100DC机载激光雷达系统。飞行高度为3 000 m，数据获取时间为2009年9月。传感器脉冲发射频率为50 kHz，扫描频率40 Hz，扫描角±15°，记录了首次(first return)和末次(last return)返回激光束。获取的点云(point cloud)间距2～4 m(高程精度优于35 cm，平面精度优于1 m)，每个激光点包含了平面位置坐标值、高度值、强度值、类别值、回波类型等信息。数据适合构建高精度地形及城市建筑和植被三维结构信息提取(Lillesand et al.，2008)。同期还获取了数码航空摄影测量高分辨率真彩色CCD数据，影像地面分辨率为0.3 m。

在研究区中布设10 m×10 m的规则格网，并以此为依据随机选取其中的10个区域(通过目视解译航空正射影像，确保每个区域至少有3株以上单木)。对于胸径大于10 cm的单木，记录其最大树高和平均冠幅。树木高度使用Vertex IV超声波测高器量测，由于超声波不易受周边环境影响且穿透性强，该设备更易准确定位树顶，可获得亚米级的树高测量精度。冠幅测量则是利用皮尺人工量测单木冠幅长轴和短轴(与长轴垂直方向)的投影长度，然后计算冠幅面积。

建筑高度信息来源于校园建筑历史存档数据(纸质文本或AutoCAD格式)，其中坡顶建筑提取其相对的两边之间顶端的交汇线高度。建筑边界借助高分辨率(0.3 m)数字正射影像通过人工目视解译确定，在ArcGIS软件中计算其垂直投影面积。单木定位则采用Trimble GeoXH6000双频双星手持设备获取树干所在点的精确三维坐标。通过GPRS信号接收JSCORS高精度的实时差分信号，该设备的定位精度大幅提升(水平精度优于5 cm，垂直精度优于10 cm)。

借助LiDAR数据获取单体建筑表面高度信息，是参数化太阳辐射模型的前提，分为2个阶段:

第1阶段的主要任务是提取数字地形表面，为获得建筑相对高度和边缘提取做数据准备。首先将激光点云数据第1次回波(first return)内插生成数字表面模型(DSM);然后采用Kraus线性预测迭代滤波算法，结合Canny算子边界提取技术(该方法旨在提取掩模边界并滤除高于地表的地物)(Canmy，1986)，生成数字高程模型(DEM);最后将DSM和DEM进行差值计算，得到归一化数字表面模型(nDSM)，进而得到建筑和植被等的相对高度(图 1)。

	图 1 基于 LiDAR(及 CCD)数据的单体建筑边界信息提取流程和方法比较 Fig. 1 The process graph and results comparison of the boundary extraction of individual building by LiDAR( and CCD) data

第2阶段的主要任务是提取建筑边界及其高度表面。在此阶段，本文采用2种方法，即方法1:基于LiDAR(单一数据源)提取单体建筑边缘;方法2: LiDAR结合CCD数据(多源数据)的建筑边界信息提取。方法1通过最大连续邻域法(majorityfilter)滤波及设置高度和面积阈值，逐步筛选出建筑实体;并通过二值图像边缘检测提取建筑边界，从而进一步提取单体建筑的高度表面信息。而方法2则结合LiDAR数据中提取的nDSM和粗糙度特征，以及CCD数据获得的光谱属性和几何属性，应用多源特征融合面向对象影像分类方法(SVM分类器)提取建筑边界及植被冠幅，从而得到该边界范围内单体建筑高度表面和周边植被信息(图 1)。

DSM表达了地表所有地物(如植被、建筑物)的高度信息，而DEM只包含地球自然表面的高程值(即裸地数字高程模型: Bare-earth DEM)。归一化数字表面模型(nDSM)是DSM与对应DEM的差值，它记录了所有高于地面的物体(如树木、建筑物)相对于地面的高度信息(Mathieu et al.，2007)。本研究所获取的原始数据为机载小光斑LiDAR点云文件(* . las)。首先选取每个像元范围内的最高激光束返回高度并插值生成数字栅格表面，然后结合ArcGIS软件中勾绘的矢量边界裁剪出研究区范围内的栅格图像和点云信息，并设置图像坐标和投影信息。

数字地形模型的提取是获取地物相对高度的重要前提，一般可分为2步:首先利用合适的滤波算法筛选并除去高于地面的点云，然后通过余下的点云数据(贴合地表的点)拟合地表建模。本研究采用的滤波算法是基于可独立预测每次测量精度的线性预测(Kraus et al.，1998)。该算法是一个迭代的过程，即首先赋予所有LiDAR点相等的权重用以算出一个曲面，这个曲面介于地面与上表面(如植被冠层和建筑)之间。地面点往往低于这个曲面，而上表面(如植被冠层和建筑)要高于这个曲面。到此曲面的距离和方向用于为每个点计算权重。Kraus方法适合于森林和山地地形的激光点云特征提取滤波，算法的核心思想是基于线性最小二乘内插法滤选非地面点。但由于断线处的地面高程往往不连续，故容易错误地滤除断线处的点云(曾齐红，2009)。考虑到研究区内建筑密集、植被覆盖度较高的特点，在Kraus滤波的基础上，本研究进一步采用移动窗口过滤法(中值滤波)去除非地面点。考虑到太大的操作窗口会滤除地形细节，而太小则不能去除房屋，经反复训练及比较验证，最终确定窗口大小为5×5。

最大连续邻域法可根据像元邻域内的众数值来替换像元，但需要满足2个条件才能发生替换。首先，相同值的邻近像元的数量必须多到可以成为众数值，或者至少一半的像元必须具有相同值(视指定的参数而定)。即，如果指定的是众数参数，则3/4或5/8的已连接像元必须具有相同的值;如果指定的是半数参数，则需要2/4或4/8的已连接像元具有相同的值。其次，那些像元必须与指定的滤波器中心相邻(例如，3/4的像元必须相同)。第2个条件与像元的空间连通性有关，目的是将像元空间模式的破坏程度降到最低。如果不满足这些条件，将不会进行替换，像元的值也将保持不变。为了得到更好的平滑效果，本研究采用最近的8个像元作为滤波器，并要求至少一半的值(4/8的像元)相同，才能更改像元的值。利用ArcGIS中的ArcScan自动矢量化工具，对预处理后的二值图像进行自动边缘检测，并生成矢量多边形。经过调试并验证输出结果，确定合适的矢量化参数设置，获取建筑边界。

建筑实体的过程中，其邻近区域绿地会干扰分类效果并降低建筑边界提取精度。而在nDSM提取地面实体高度信息的基础上，对于高度相近但粗糙度不同的房屋与树，基于LiDAR点云提取的粗糙度特征可以进一步提高房屋与树的识别能力。LiDAR技术能快速准确地获取地物高程信息，而高空间分辨率的遥感影像则具有高几何分辨率和丰富的光谱信息。综合二者优势，本研究借助Definiens Professional 8.0面向对象分类软件，通过使用LiDAR提取的粗糙度特征及遥感影像的光谱信息和形态指数，对覆盖研究区域的高分辨率数字正射影像进行分割和分类，得到建筑对象等的空间分布信息，并借助掩模方法滤除建筑周边植被从而提升建筑边界信息提取精度。

采用Definiens Professional中的多分辨率分割方法，经反复调试及比较验证后取得合适尺度下的分割结果。在分类过程中，每种类型的地物都选择了若干个对象作为样本，这些样本对象的光谱属性(红、绿波段)和几何属性(包括光滑度和紧凑度)经过计算和统计后作为标准，结合nDSM中提取的平均高度以及LiDAR原始数据中提取的粗糙度特征(即每个单元内所有点的标准偏差大小;通常情况下，植被冠层比房屋、地面等平坦地物更粗糙)，采用标准SVM分类器(此方法无须假设特征空间服从正态分布)对所有对象进行分类。

入射太阳辐射(日照)源于太阳，其穿过大气层时会发生改变，并被地形和地表实体要素进一步改变，最后在地球表面被拦截成3个部分:直射(direct radiation)、散射(diffuse radiation)和反射(reflect radiation)。直接辐射是源自阳光的畅通无阻的直射光线;散射辐射则被大气中的云和尘埃等成分分散;反射辐射是被表面要素反射的太阳辐射。其中，直射辐射所占比重最大，散射其次，反射辐射最小(除非在地表反射极强的区域，如雪地)。由此，本研究并不考虑反射辐射，计算出的总辐射即为直射和散射辐射的求和。本研究使用半球视域算法计算太阳辐射(Fu et al.，2002)。在利用模型运算整个研究区内所有单体建筑的屋顶太阳辐射之前，首先需要进行数据准备，包含以下步骤: 1)借助每个单体建筑高度上表面(可综合考虑周边植被)，计算仰视(upward-looking)半球视域(hemispherical viewshed)图，其中的每个像元都包含了太阳高度角θ(与天顶方向的夹角)和太阳方向角α(与正北方向的夹角)以及此像元所在天空是否被遮挡;2)将半球视域图与太阳轨迹图(直射日照图)叠加用于估算直射太阳辐射;3)将半球视域图与散射天空图叠加用于估算散射太阳辐射;4)重复以上过程对单体建筑边界内的每个位置进行计算并制图(以上操作流程见图 2)。其中，日太阳辐射计算间隔设置为0.5 h，年内计算间隔为1个月(按月汇总可计算每年的太阳总辐射)。

	图 2 半球视域太阳辐射模型的数据准备及参数化流程 Fig. 2 The process of data preparation and parameterization of the hemispherical viewshed solar radiation model

对于给定的纬度位置，每年某日特定时间内的太阳运动轨迹是一致的，只有在纬度变化达到1°以上太阳辐射才会发生显著变化(Fu，2000)。故本研究借助Solar Analyst(HEMI: helios environmentalmodeling institute，USA)分析工具提取每个像元的坐标纬度，以此计算太阳倾角及位置，从而参数化太阳轨迹分析图。散射比例(diffuse proportion)参数，即散射辐射在总的辐射通量中的比例(0～1)设置为0.3(天空一般晴朗状况下)。投射率(transmittivity)是指到达地球表面的太阳辐射(各个波长的平均值)与大气上界能量的比率(0无传输～ 1完全传输)，由于真正到达物体表面的太阳辐射仅为大气以外太阳辐射的一部分，本研究设置为0.5(即天空一般晴朗)。设置太阳高度角和方位角扇区数分别为8和16。

总辐射量(Global_tot)的计算方法是，solarradiation model分别将所有日照轨迹图和日照天空图扇区的直接辐射量(Dir_tot)和散射辐射量(Dif_tot)相加。给定位置的总直接日照量(Dirtot)是所有太阳图扇区中直接日照量(Dir _θ，α)(质心位于天顶角θ和方位角α处)的总和:

式中: S _Const为地球与太阳平均距离处大气层外的太阳通量，称为太阳常数(1 367 W·m^-2);β为最短路径(朝向天顶的方向)的大气层透射率(所有波长的平均值);m(θ)为相对的光路径长度;SunGap _θ，α为以天空扇区表示的持续时间;SunGap _θ，α为太阳图扇区的孔隙度;Angln _θ，α为天空扇区的质心与表面的法线轴之间的入射角。

对于每个天空扇区都将计算质心处的散射辐射量，并按时间间隔进行整合，再通过孔隙度和入射角进行更正:

式中: R_glb表示总正常辐射量;P _dif表示散射的总正常辐射通量的比例;Dur为分析的时间间隔;SkyGap _θ，α为天空扇区的孔隙度(可见天空的比例);Weight_θ，α为给定天空扇区与所有扇区中散射辐射量的比例;Angln _θ，α为天空扇区的质心和截留表面之间的入射角。

在整个研究区内提取的nDSM范围为0 ～86 m，共有建筑185栋，高度范围为3.98 ～85.25 m，总面积23.08 hm²(注:本文所指的建筑面积是其水平投影面积，即将建筑边缘所有节点向水平面做垂线，在水平面上围成的图形面积)，平均面积1 247.76 m²。通过将建筑参数实测值与估算值进行一元线性回归，计算得到决定系数(R²)、均方根误差(RMSE)和变异系数(CV)[即均方根误差与实测值均值的比值(转换为百分比)];并依据以上3个系数来评估建筑参数提取精度(表 1)。总体来说，方法1(详见2.3)的建筑面积(R2=0.68 ～0.91)和高度(R²=0.85～0.97)提取精度要低于方法2(详见2.4);同时，2种方法的建筑高度(R²=0.92～0.97;CV=2.3～4.3)提取精度都要高于建筑面积(R²=0.69～0.92;CV=10.4%～19.2%)。分区以后，方法1计算的4个区域内建筑高度和面积的估测值变异解释能力均有所提高(除教1区)，其高度均方根误差均在1 m以下(平均值的5%以下)。这说明了分区以后，由于区内建筑的结构差异小，故一定程度上减少了误差，提高了LiDAR对估算建筑高度和面积的变异解释能力。综合考虑3个系数，分区以后的方法2计算精度比方法1更高，可见LiDAR集成CCD数据提取建筑信息的方法精度比仅使用LiDAR单一数据源的效果好。

表 1 建筑面积及高度实测值与估测值统计关系比较(方法 1 /方法 2) Tab.1 Statistical comparison information between the measured area and height against the predicts( method 1 / method 2)

表 1 建筑面积及高度实测值与估测值统计关系比较(方法 1 /方法 2) Tab.1 Statistical comparison information between the measured area and height against the predicts( method 1 / method 2) 区域 Regions 类型 Type 决定系数 R2 均方根误差 RMSE 变异系数 CV( % ) 全部 面积Area 0.69/0. 92 157.53/136.52 15. 7/ 13. 5 Total 高度Height 0. 86/0. 97 0.75/0.54 3. 6/2. 9 教1区 面积 Area 0.68/0. 90 167.62/146.48 19. 2/14. 9 Tech. 1 Reg. 高度 Height 0. 83/0. 96 0. 89/0.48 4. 3/2. 8 教2区 面积 Area 0. 77/0. 85 92.62/73.68 11. 1/10.5 Tech. 2 Reg. 高度 Height 0. 88/0. 92 0. 69/0. 64 3. 5/3. 0 学1区 面积 Area 0.71/0.91 230. 83/208.78 13. 2/12. 1 Stu. 1 Reg. 高度 Height 0. 87/0. 94 0. 72/0. 63 2. 9/2. 7 学2区 面积 Area 0. 73/0. 89 147. 32/126. 34 11. 1/10.4 Stu. 2 Reg. 高度 Height 0.91/0.93 0.65/0.45 2. 7/2. 3

通过方法2计算的实测4个区域建筑面积、高度与估测值对比结果如图 3所示。2组数据拟合的直线紧贴1: 1线，表明LiDAR集成CCD数据提取建筑信息效果很好。其中在建筑高度较集中的区域(10～30 m)估算值偏高，而对于高层建筑(86 m)则偏低(图 3a)。经目视检验建筑所在区域算法拟合的微地形效果，推测该误差可能是在LiDAR数据滤波过程中引入。建筑面积估算值总体偏大，说明周边植被对建筑边界提取的影响并未完全去除，单体建筑估算的边界范围偏大(图 3b)。

	图 3 基于方法 2 的估测单体建筑高度( a)和面积( b)与实测值比较 Fig. 3 The estimated individual building area against the measured area( a) ＆ estimated individual building height against the measured height( b) based on method 2

通过方法2计算的实测植被高度、冠幅与估测值对比结果如图 4所示。可见该方法提取植被3D形态信息效果较好，且树高(R²=0.83，n=33)的拟合效果要优于冠幅(R²=0.74，n=33)。同时，冠幅较小的低矮乔木提取精度较高(冠幅验证点在10～60 m2处紧贴1: 1线)。估测的树高值总体偏低主要源于LiDAR数据获取时的误差，高大冠幅总体偏大的估算误差来源于冠层交叠时的单木冠幅边界误判。

	图 4 基于方法2的单木树高(a)及冠幅(b)估算值和实测值的散点关系 Fig. 4 The scatter plot of the estimated individual tree height( a) and crown width( b) against their field-measured values

研究区内不同季节太阳辐射总量变化如图 5所示，其中夏至时太阳辐射总量最大，变化范围为0 ～21.41 MJ·m^-2 d^-1，平均太阳辐射总量16.44 MJ·m^-2d^-1(标准差4.62);其次为春分，变化范围为0～16.07 MJ·m^-2 d^-1，平均10.66 MJ·m^-2 d^-1(标准差4.05)，比夏至时降低了35.16%;秋分时与春分相差不大，变化范围为0～15.58 MJ·m^-2 d^-1，平均10.12 MJ·m^-2 d^-1(标准差3.97)，比夏至时降低了38.44%;冬至时太阳辐射总量最小，平均3.80MJ· m^-2 d^-1(标准差2.19)，比夏至时降低了76.89%。

	图 5 太阳辐射总量季节变化分布 Fig. 5 Total solar radiation distribution among four seasons a．春分 Spring equinox; b．夏至 Summer solstice; c．秋分 Autumn equinox; d．冬至 Winter solstice．

结果较好地反映了建筑阴影随季节的变化趋势(图 5中建筑北侧蓝色部分)，特别是高层建筑的遮挡在冬季尤为明显，如学1区内的研究生住宿楼(图 5b-建筑1)主体部分对裙楼(图 5b-建筑2)的遮挡。同时，建筑周边绿地也一定程度上影响了屋顶的太阳辐射总量，如教1区规划较早，绿化较好(乔木高大，郁闭度高)，且部分老式建筑高度相对较低，故太阳辐射总量相对较低。但对于单个建筑而言，由于建筑和植被的高度以及二者距离不同，故屋顶太阳辐射个体差异较大。

春分、夏至和冬至时的太阳辐射日变化如图 6所示，各时间点的日照时数分别为12，15和10 h;春分时增速最快区间出现在8: 00—9: 00，为0.85MJ·m^-2，夏至时增速最快区间为6:00—7: 00，为0.88 MJ·m^-2，冬至时增速最快区间为9: 00—10:00，为0.65 MJ·m^-2。春分时太阳辐射较高时间点出现在12: 00和13: 00，其辐射总量分别为2.61和2.59 MJ·m^-2;夏至时太阳辐射较高时间点出现在10: 00—13: 00，辐射总量依次为2.80，2.93，2.93和2.81 MJ·m^-2;冬至时太阳辐射较高时间点出现在12: 00和13: 00，辐射总量为1.71和1.70MJ·m^-2，其中直接辐射为1.40和1.39 MJ·m^-2，散射辐射均为0.31 MJ·m^-2。

	图 6 太阳辐射日变化 Fig. 6 The daily variation of roof-received solar radiation a．总辐射量 Total solar radiation; b．直接辐射 Direct solar radiation; c．散射辐射 Diffuse solar radiation．

不同季节屋顶太阳辐射变化见图 7，夏至时太阳辐射最高，平均辐射总量为20.14 MJ·m^-2 d^-1(标准差0.58)，其中直接辐射15.90 MJ·m^-2 d^-1(标准差0.48)，占78.96%;春分时平均太阳辐射总量为15.01 MJ·m^-2 d^-1(标准差0.45)，比夏至时降低了25.47%，其中直接辐射11.90 MJ·m^-2 d^-1(标准差0.38)，占79.29%;秋分时平均太阳辐射总量14.55 MJ·m^-2 d^-1(标准差0.46)，比夏至时降低了27.76%，其中直接辐射11.55 MJ·m^-2 d^-1(标准差0.40)，占79.36%;冬至时平均太阳辐射总量最小，为7.55 MJ·m^-2 d^-1(标准差0.64)，比夏至时降低了62.51%，其中直接辐射6.08 MJ·m^-2 d^-1(标准差0.62)，占80.53%。

	图 7 屋顶太阳辐射的 4 个典型时期分布 Fig. 7 The roof-received solar radiation in four special days a．春分 Spring equinox; b．夏至 Summer solstice; c．秋分 Autumn equinox; d．冬至 Winter solstice．

通过比对屋顶太阳能分析结果及同期的真彩色数字正射影像(空间分辨率0.3 m)，可见本研究使用的机载激光雷达数据(2～4 m点距)对屋顶形状参数有一定的识别能力，不仅可以大致区分坡顶或平顶，还可以(一定程度上)判定屋顶的详细信息，如在坡顶类型中进一步细分单坡、双坡及较复杂坡顶结构。在各个季节里，楼层高的平顶建筑与其他类型屋顶建筑相比，其屋顶太阳辐射量较大且分布较均衡。而对于坡顶类型建筑而言，南坡太阳辐射明显高于北坡;就单个坡顶建筑自身而言，南北坡夏季的太阳辐射都要明显高于冬季;混合坡顶的太阳能分布不均，在局部凸出处东西周边区域(由于早晚特定时段的遮挡)太阳能总量较低(图 7a-建筑2)。对于周边植被覆盖较好的低矮建筑(图 7a-建筑1)，邻近的高大乔木会遮挡直射到屋顶的太阳光，一定程度上减少屋顶整体(特别是边界区域)的太阳能。

4个区域全年月平均屋顶太阳辐射变化如图 8所示，总体呈现出从1月开始太阳辐射逐渐增加，到6月或7月时达到平稳(标准差也最大，平均太阳辐射变化幅度大)，然后再逐渐减少，到12月时到达最小值(此时标准差最小，平均太阳辐射变化幅度小)。学生住宅1区月平均太阳辐射为344.0 MJ·m^-2;学生住宅2区月平均太阳辐射为348.0 MJ·m^-2，变化范围为159.0～512.3 MJ·m^-2;教工住宅1区月平均太阳辐射为333.0 MJ·m^-2，标准差为128.8 MJ·m^-2;教工住宅2区月平均太阳辐射为340.7 MJ·m^-2，变化范围为155.5～506.4 MJ·m^-2。其中学1区内由于高层建筑(图 5b-建筑1)遮挡效应的季节性变化不均，夏季的太阳辐射略高于其他区域，而冬季却略低。教1区由于建区时间较早，低矮建筑周边植被(特别是高大乔木)覆盖度高，以及混合坡顶的影响，总体屋顶太阳辐射略低。汇总后(12个月太阳辐射的累加)的4个区域年屋顶太阳辐射也印证了以上分析(表 2)，其中教工住宅1区年单位面积太阳辐射最小，为3 996.52 MJ·m^-2，学生住宅2区最大，为4 176.32 MJ·m^-2。

	图 8 4 个典型小区的屋顶太阳辐射月变化(月平均太阳辐射及标准差) Fig. 8 The monthly variation of roof-received solar radiation within four typical communities ( monthly mean solar radiation and the standard deviations)

表 2 屋顶太阳能年信息汇总 Tab.2 The summary information of roof-received solar radiation in one year

表 2 屋顶太阳能年信息汇总 Tab.2 The summary information of roof-received solar radiation in one year 区域 Regions 建筑样本总面积 Total area of sample buildings / m2 单位面积年总太阳能Annual solar radiation per unit area / (MJ.m-2) 屋顶年总太阳能 Annual total roof-top received solar radiation / 104MJ 教 1 区 Tech. 1 Reg. 8 856 3 996.52 3 539.32 教 2 区 Tech. 2 Reg. 5 432 4 088. 73 2 220.99 学 1 区 Stu. 1 Reg. 6 672 4 128.52 2 754.55 学 2 区 Stu. 2 Reg. 7 464 4 176.32 3 117.21

借助上述方法提取的建筑和植被结构信息，计算每个季节里单日内单体建筑屋顶的太阳辐射衰减率(即和无遮挡情况相比，考虑植被遮挡后屋顶太阳辐射衰减的百分比)。将研究区内每个建筑群及周边一定缓冲范围内植被划分为一个研究单元，分别计算每个研究单元内的结构参数:平均树高(被分类为树木的所有像元的高度平均值)、树高变异(被分类为树木的所有像元的高度标准差)、归一化树木容积(单位面积上被分类为树木的所有像元的树高与像元面积乘积)以及建筑高度变异(被分类为建筑的所有像元的高度标准差)。分别考虑屋顶在夏至日、春秋分和冬至日所接收的直射太阳辐射，则以上4个结构参数与屋顶辐射衰减率的相关分析如图 9。

	图 9 遥感方法提取的结构变量与屋顶辐射衰减率的相关关系 Fig. 9 The reduction of radiation rate received by building rooftops in relation to selected structural variables extracted from the remote sensing data a．平均树高 Mean tree height; b．树高变异 Tree height variability; c．归一化树木容积 Normalized tree volume; d．建筑高度变异 Building height variability．

植被结构参数，即平均树高(图 9a)和树高变异(图 9b)与屋顶辐射衰减呈正相关关系。这表明建筑周边植被的结构参数值越高，屋顶所获取的太阳辐射越低。相对夏季的直射太阳辐射总体变化，冬季直射太阳辐射衰减率偏高，但变化趋势比夏季平缓。春秋分和夏季直射太阳辐射的衰减变化在树高为15～20 m处趋于稳定，可见在此基础上的树高增长并不会对屋顶可获取的太阳辐射产生更多负面影响。归一化树木容积的变化趋势(图 9c)与平均树高和树高变异接近。与植被结构参数相比，建筑结构参数，即建筑高度变异(图 9d)对屋顶太阳辐射衰减的影响弱，随着建筑高度变异性的提高，屋顶辐射衰减率很难找到十分明显的变化趋势。但相比树高变异，不同建筑高度变异下的屋顶辐射衰减率的变异(标准差)普遍较大。

LiDAR数据特有的空间尺度优越性为社区管理人员及居民提供了以单体建筑为基础的屋顶太阳能信息获取新方式。通过分析提取覆盖全市的LiDAR建筑高度信息，美国纽约市(美国能源部的太阳能城市计划资助)发布了在线太阳能地图(2011)。根据该地图，纽约市66.4%的建筑屋顶空间适合安置太阳能电池板，共可产生高达5 847MW的太阳能电力(典型天气状况)。针对我国屋顶太阳能利用仍以热水器为主的特点，笔者依照标准型太阳能热水器(详见《中国新能源与可再生能源年鉴》)，即集热管采光面积3 m 2，容积250 L(家庭每天用水180 L;宿舍240 L)，最大吸热功率2 500 W。并假设水温从当地的月平均温加热到70 ℃，通过空间区域统计得出适宜安装太阳能热水器的屋顶区域占屋顶总面积的百分比(春分、夏至、秋分)为:教1区(52.89%，86.02%，69.36%)、教2区(52.97%，81.48%，70.61%)、学1区(14.16%，53.32%，35.77%)、学2区(22.09%，60.59%，41.19%)。由于研究区处于长江中下游地区，故虽然春分和秋分时太阳都直射赤道，但由于季风性气候影响，秋分时该区域的平均温度要高于春分，所以适宜区百分比也偏大;冬季起始温度及太阳辐射能量都很低，故仅使用太阳能很难满足冬季的热水供应，可考虑使用电能辅助式太阳能热水器。

在类似尺度的屋顶太阳热能模拟研究中，屋顶太阳能适宜度制图技术被应用于加拿大BC省Prince George市中心城区255栋建筑上:借助Sketchup建模工具制作的多层平顶(multiple flatroofed)建筑以及GIS为基础的适宜度分析，在邻居尺度(neighborhood scale)上评估适宜安装太阳能热水器的区域。然而，由于无法基于特定算法自动化提取建筑高度模型，此方法难于扩展尺度(scaleup)，往往限于为区域可再生能源和低碳社区规划项目提供数据支撑。与此相比，集成LiDAR点云数据的太阳能模型参数获取及城市地物(建筑、植被等)智能识别方法，为评估区域可用太阳能资源潜力提供了高自动化且灵活的分析框架。同时，与传统被动遥感技术相比，基于LiDAR数据(主动遥感)的太阳能信息提取方法很大程度上排除了大气分子和气溶胶(散射与吸收)的影响，减少了对地面观测数据的依赖，仅需单一的数据源便可得出具有很好的空间尺度灵活性的实用化输出(Matikainen et al.，2009)。

值得注意的是，本文探讨的运算方法在具体操作过程中也有其局限性，表现为周边植被覆盖较好的低矮建筑边界提取效果还不够理想，如2层高的1村餐厅，边界与周边高大植被区分度较差(图 7a-建筑1);半球视域太阳辐射模型虽然可以设置大气透明度，但是无法考虑云层覆盖率及区域气候的影响。同时，本文使用的激光点云数据(点云间距2～4 m)虽然可以较好地提取建筑高度以及屋顶的大致结构，但是对于屋顶结构以及建筑周边乔木的冠层结构细节描绘不够理想，从而在模拟半球遮挡效应过程中引入了误差。针对部分建筑边界提取精度不高、屋顶结构(及周边乔木冠层)细节描绘不够理想的问题，在日后的数据获取过程中可以适当降低飞行高度和速度并增强激光束发射频率等，从而提升点云密度，增强地面实体细节描述(Stremke et al.，2012);对于周边植被覆盖较好的低矮建筑边界提取效果不够理想的问题，可以尝试几何形态模型驱动法或结合高分辨率数字正射影像，更加准确地提取建筑边界及植被冠幅(Straub et al.，2009);针对半球视域太阳辐射模型未考虑云层覆盖率及区域气候影响的缺陷，可以尝试应用多模型集成(如气候模型与太阳辐射模型的集成，并结合光学卫星数据提取的云量信息)的方法从而提高模拟精度;在考虑植被遮挡效应的问题时，日后研究也将侧重于对当日的太阳轨迹变化以及植被叶面积随物候期变化对屋顶太阳能接收的影响，从而进一步提高估算精度。

本研究在优化LiDAR点云数据提取数字高程模型方法的基础上，结合LiDAR和CCD数据的多源特征融合及面向对象分类方法，高精度提取了植被和建筑结构参数;并在此基础上集成半球视域太阳辐射模型，输出单体建筑不同季节屋顶太阳能分布图，定量评估了植被对屋顶太阳辐射的遮挡效应。分析结果表明，LiDAR集成CCD数据提取建筑信息的方法精度比仅使用LiDAR单一数据源的效果好;机载激光雷达数据(2～4 m点距)对屋顶形状参数有一定的识别能力，不仅可以获得建筑屋顶的总体框架结构信息，还可以判定结构细节;运算结果较好地反映了高层建筑遮挡效应的季节性变化和低矮建筑周边植被的遮挡效应。同时，遮挡效应分析也表明植被结构参数与屋顶辐射衰减呈明显的正相关关系，而建筑结构参数对屋顶太阳辐射衰减的影响较弱且总体趋势不明显。