全 文 ：第 50 卷 第 2 期
2 0 1 4 年 2 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 50，No. 2
Feb．，2 0 1 4
doi:10．11707 / j．1001-7488．20140215
收稿日期: 2013 － 05 － 14; 修回日期: 2013 － 11 － 14。
基金项目: 国家 863 计划 (2012AA12A306) ; 国家林业公益行业重大项目(200804006) ;江苏高校优势学科建设工程资助项目。
* 李增元为通讯作者。
集成 LiDAR和辐射模型的植被遮挡下城市
屋顶太阳能估算*
曹 林1 代劲松1 庞 勇2 赵 兵1 徐建新3 李增元2
(1．南京林业大学森林资源与环境学院 南京 210037; 2．中国林业科学研究院资源信息研究所 北京 100091;
3． 江苏省测绘工程院 南京 210013)
摘 要: 结合 LiDAR 和 CCD 数据的多源特征融合及面向对象分类方法，在优化 LiDAR 点云数据提取数字高程
模型方法的基础上，高精度提取植被和建筑结构参数; 通过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，定量评估植被对屋顶太阳辐射的遮挡效应。结果表明: LiDAR 集成 CCD 数据提取建筑结构信息
的方法精度比仅使用 LiDAR 单一数据源的效果好; 运算结果较好地反映了高层建筑遮挡效应的季节性变化以及
低矮建筑周边植被的遮挡效应; 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。
关键词: 机载激光雷达; 屋顶太阳能; 可再生能源; 城市植被; 太阳辐射模型
中图分类号: S757 文献标识码: A 文章编号: 1001 － 7488(2014)02 － 0099 － 12
Estimation of Urban Building Rooftop-Received Solar Energy by
LiDAR and Irradiation Model in the Urban Vegetation Shading Environment
Cao Lin1 Dai Jinsong1 Pang Yong2 Zhao Bing1 Xu Jianxin3 Li Zengyuan2
(1 ． College of Forest Resources and Environment，Nanjing Forestry University Nanjing 210037;
2 ． Institute of Forest Resources Information Techniques，CAF Beijing 100091;
3 ． Engineering of Surveying and Mapping Institute，Jiangsu Province Nanjing 210013)
Abstract: In this research，vegetation and building parameters were extracted accurately by using multi-feature fusion
and object-oriented classification with LiDAR and CCD data，based on the digital elevation model calculated by the refined
information extraction algorithm using LiDAR． By integrating hemispherical viewshed solar radiation model，the individual-
building based rooftop-received solar radiation was mapped across four seasons，and the shading effects of rooftops by
neighborhood trees were quantitatively estimated． The result demonstrated that: compared with the building structure
parameters extract from sole LiDAR data，the results by the integration of LiDAR and CCD had a higher accuracy; it also
reflected the seasonal dynamics of the shading effects by high-rise buildings and the shading on low-height buildings by
surrounded tall trees; there existed a positive correlation between vegetation structure parameters and rooftop-received solar
reduction，whereas the influence by building structure parameters was mild and the general trend was not significant．
Key words: airborne LiDAR; rooftop-received solar energy; renewable energy; urban vegetation; solar radiation model
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 320
MW; 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
林 业 科 学 50 卷
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。
1 研究区概况及数据
1. 1 研究区概况
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°445. 87″N，
118°4833. 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 ～ 2
200 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 ( Populus
spp． )、鹅 掌 楸 ( Liriodendron chinensis )、水 杉
( Metasequoia glyptostroboides )、池 杉 ( Taxodium
ascendens)、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。
001
第 2 期 曹 林等: 集成 LiDAR 和辐射模型的植被遮挡下城市屋顶太阳能估算
1. 2 遥感数据获取
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。
1. 3 地面实测验证数据
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)。
2 信息提取方法
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)。
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 ( majority
filter)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)。
2. 1 LiDAR 数据预处理
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。
2. 2 滤波法及边缘检测法的地形提取
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，
101
林 业 科 学 50 卷
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
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。
2. 3 基于 LiDAR 的边缘平滑及建筑边界提取
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。
2. 4 LiDAR 集成 CCD 数据的影像分割与边界
提取
在提取建筑实体的过程中，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
201
第 2 期 曹 林等: 集成 LiDAR 和辐射模型的植被遮挡下城市屋顶太阳能估算
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。
2. 5 太阳辐射估算模型
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)。
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 environmental
modeling 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 ( Globaltot ) 的 计 算 方 法 是， solar
radiation 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(Dirtot)和散射辐射量(Diftot )
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(Dirθ，α) (质心位于天顶角 θ
和方位角 α 处)的总和:
Dirθ，α = SConst × β
m( θ) × SunDurθ，α × SunGap θ，α ×
cos(Angln θ，α)。 (1)
式中: SConst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:
Difθ，α = R glb × P dif × Dur × SkyGap θ，α ×
Weightθ，α × cos(Angln θ，α)。 (2)
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);
Weightθ，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。
3 结果与分析
3. 1 建筑及植被信息提取精度分析
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
301
林 业 科 学 50 卷
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。
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
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)。
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
401
第 2 期 曹 林等: 集成 LiDAR 和辐射模型的植被遮挡下城市屋顶太阳能估算
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 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
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
3. 2 总体太阳辐射变化
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 － 2 d － 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. 80
MJ·m － 2 d － 1 ( 标 准 差 2. 19 )，比 夏 至 时 降 低
了 76. 89%。
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. 85
MJ·m － 2，夏至时增速最快区间为 6:00—7: 00，为
501
林 业 科 学 50 卷
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. 70
MJ·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 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．
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．
3. 3 屋顶太阳辐射变化
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%。
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
601
第 2 期 曹 林等: 集成 LiDAR 和辐射模型的植被遮挡下城市屋顶太阳能估算
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．
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。
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 /
104 MJ
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
3. 4 建筑周边植被遮挡效应分析
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
701
林 业 科 学 50 卷
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)
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。
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。
4 讨论
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 5 847
MW 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 m2，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 flat-
roofed)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
801
第 2 期 曹 林等: 集成 LiDAR 和辐射模型的植被遮挡下城市屋顶太阳能估算
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．
提取建筑高度模型，此方法难于扩展尺度 ( scale
up)，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。
901
林 业 科 学 50 卷
5 结论
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。
参 考 文 献
董 伟 ． 2004． 太阳能———中国能源战略的新希望 ． 能源研究与信
息，20: 56 － 58．
韩 芳 ． 2010． 我国可再生能源发展现状和前景展望 ． 可再生能源，
28(4) :137 － 140．
阙光辉 ． 2007． 中国能源可持续战略 ． 北京: 外文出版社，141 － 144．
王 强，唐燕飞，王国兵 ． 2006． 城市森林中校园森林群落的结构
特征分析 ． 南京林业大学学报: 自然科学版，30(1) : 109 － 112．
肖建设，颜亮东，校瑞香，等 ． 2012． 基于 RS /GIS 的三江源地区太阳
能资源遥感估算方法研究 ．资源科学，34(11) : 2080 － 2086．
曾齐红 ． 2009． 机载激光雷达点云数据处理与建筑物三维重建 ． 上
海: 上海大学博士学位论文 ．
Canny J． 1986． A computational approach to edge detection． IEEE
Transaction on Pattern Analysis and Machine Intelligence，8 ( 6 ) :
679 － 698．
Dincer I，Rosen M A． 2007． Exergy: energy，environment and
sustainable development． Oxford，UK: Elsevier．
Fu P，Rich P M． 2002． A geometric solar radiation model with
applications in agriculture and forestry． Computers and Electronics
in Agriculture，37(1 /3) : 25 － 35．
Fu P． 2000． A geometric solar radiation model with applications in
landscape ecology． University of Kansas Ph． D． Thesis．
Gadsden S，Rylatt M，Lomas K． 2003． Putting solar energy on the urban
map: A new GIS-based approach for dwellings． Solar Energy，74
(5) : 397 － 407．
Haala N，Brenner C． 1999． Extracting of building and trees in urban
environments． ISPRS Journal of photogrammetry ＆ Remote Sensing，
54(2 /3) : 130 － 137．
Hofierka J，Kanˇuk J． 2009． Assessment of photovoltaic potential in urban
areas using open-source solar radiation tools． Renewable Energy，34
(10) : 2206 － 2214．
Huld T，Sˇ úri M，Dunlop E D． 2006． A GIS-based system for performance
assessment of solar energy systems over large geographical regions．
Solar 2006 Conference: Renewable Energy，Key to Climate
Recovery，Denver，USA，July 7 － 13．
Kraus K，Pfeifer N． 1998． Determination of terrain models in wooden
areas with airborne laster scanner data． ISPRS Journal of
Photogrammetry and Remote Sensing，53:193 － 203．
Lefsky M A，Harding D，Cohen W B，et al． 1999． Surface lidar remote
sensing of basal area and biomass in deciduous forests of eastern
Maryland，USA． Remote Sensing of Environment，67(1) : 83 － 98．
Lillesand T M，Kiefer R W，Chipman J W． 2008． Remote sensing and
image interpretation ( 6th Edition ) ． New York: Wiley Desktop
Edition，701 － 802．
Mathieu R，Aryal J，Chong A K． 2007． Object-based classification of
Ikonos imagery for mapping large-scale vegetation communities in
urban areas． Sensors，7(11) : 2860 － 2880．
Matikainen L，Hyypp J，Kaartinen H． 2009． Comparison between first
pulse and last pulse laser scanner data in the automatic detection of
buildings． Photogrammetric Engineering and Remote Sensing，75:
133 － 146．
Straub C，Dees M，Weinacker H，et al． 2009． Using airborne laser scanner
data and CIR orthophotos to estimate the stem volume of forest
stands． Photogrammetrie，Fernerkundung，Geoinformation，30 ( 3 ) :
277 － 287．
Stremke S， van den Dobbelsteen A． 2012． Sustainable energy
landscapes: designing，planning，and development． Abingdon: CRC
Press，311 － 334．
Zarzalejo L F，Polo J，Martin L，et al． 2009． A new statistical approach
for deriving global solar radiation from satellite images． Solar
Energy，83(4) : 480 － 484．
(责任编辑 石红青)
011