朝向感知与量化集成的屋顶光伏潜力估算方法

朱家松; 林玮妍; 杨韵; 华远盛

doi:10.13203/j.whugis20250060

您当前的位置：

首页 >

文章列表页 >

朝向感知与量化集成的屋顶光伏潜力估算方法

摄影测量与遥感 | 更新时间：2026-11-05

- 朝向感知与量化集成的屋顶光伏潜力估算方法
- Rooftop Photovoltaic Potential Estimation Approach Based on Orientation Perception and Quantitative Integration
- 武汉大学学报（信息科学版） 2026年51卷第7期页码：1482-1493
- 作者机构：
  
  1.深圳大学土木与交通工程学院，广东深圳，518000
  2.深圳大学建筑与城市规划学院，广东深圳，518000
  3.广东省城市空间信息工程重点实验室，广东深圳，518000
  4.自然资源部大湾区地理环境监测重点实验室，广东深圳，518000
- 作者简介：
  
  朱家松，博士，教授，研究方向为泛在感知。zjsong@szu.edu.cn
  华远盛，博士，助理教授。yuansheng.hua@szu.edu.cn
- 基金信息：
  
  国家自然科学基金(42401402);区域联合基金-青年基金(2023A1515110722);深圳市科技创新委项目(20231120191328001)
- DOI：10.13203/j.whugis20250060
  中图分类号： P237
- 收稿：2025-08-13，
  
  纸质出版：2026-07-05
- 稿件说明：
移动端阅览
朱家松,林玮妍,杨韵，等.朝向感知与量化集成的屋顶光伏潜力估算方法[J].武汉大学学报（信息科学版）,2026,51(7):1482-1493.

ZHU Jiasong,LIN Weiyan,YANG Yun,et al.Rooftop Photovoltaic Potential Estimation Approach Based on Orientation Perception and Quantitative Integration[J].Geomatics and Information Science of Wuhan University,2026,51(7):1482-1493.
朱家松,林玮妍,杨韵，等.朝向感知与量化集成的屋顶光伏潜力估算方法[J].武汉大学学报（信息科学版）,2026,51(7):1482-1493. DOI：10.13203/j.whugis20250060

ZHU Jiasong,LIN Weiyan,YANG Yun,et al.Rooftop Photovoltaic Potential Estimation Approach Based on Orientation Perception and Quantitative Integration[J].Geomatics and Information Science of Wuhan University,2026,51(7):1482-1493. DOI：10.13203/j.whugis20250060

摘要

屋顶光伏发电作为城市可再生能源的重要组成部分，其发电效率的精准评估依赖于屋顶结构特征的准确判别。其中，屋顶面积及朝向识别是准确评估光伏发电潜能的关键步骤。当前主流方法是通过深度学习模型，从航拍影像中提取屋顶面积和朝向来估计光伏潜力。然而，影像采集时太阳方位角差的不同会导致屋顶阴影分布存在差异，使得相同朝向的屋顶在影像上呈现出显著的外观差异，从而导致深度学习模型对屋顶结构特征的错误判别。为了解决上述问题，提出了一种新的太阳能潜力估算框架。首先，通过语义分割网络DeepLabv3+，从航拍影像中识别城市中屋顶区域及各部分的朝向；然后，针对阴影区域引发的屋顶对向判别混淆问题，结合光伏地理信息系统数据和多向量化集成策略计算太阳能潜力值。屋顶信息数据集的实验结果表明，相比于其他语义分割模型，所提估算框架采用DeepLabv3+时性能表现更优，多向量化集成策略能够有效提高太阳能估算的精度。

Abstract

Objectives

As an essential component of urban renewable energy

the assessment of rooftop photovoltaic (PV) potential depends on the accurate identification of structural characteristics. In particular

determining rooftop area and orientation is crucial for reliable PV capacity evaluation. Current mainstream approaches employ deep learning models to extract rooftop area and orientation from aerial imagery for PV resource assessment. However

variations in solar azimuth angles during image acquisition lead to differences in rooftop shadow distribution

resulting in significant apparent discrepancies among rooftops with the same orientation. Consequently

deep learning models may misclassify rooftop structural features.

Methods

To address this core limitation

a novel framework for robust solar energy potential estimation is proposed. First

the advanced semantic segmentation architecture DeepLabv3+ is employed to simultaneously delineate rooftop boundaries and classify each rooftop region into primary orientation categories from input aerial imagery. Second

recognizing the susceptibility of visual-based orientation classification to shadow-induced errors

the framework incorporates a refinement stage. This stage integrates photovoltaic geographical information system (PVGIS) data

a validated source for location-specific historical and modeled solar radiation data. A multi-orientation quantitative integration strategy is employed

which utilizes the PVGIS to calculate the theoretical annual solar irradiation. By weighting and synthesizing these PVGIS-calculated values

the strategy effectively mitigates errors caused by visual misclassification.

Results

The results on the roof information dataset indicate that DeepLabv3+ outperforms other models and improves the performance of the proposed framework. The quantitative integration strategy narrows the relative error in solar potential estimation. For 4

and 16 orientation categories

the proposed framework reduces estimation errors to 0.15%

0.76%

and 1.07%

respectively. By excluding disturbances of flat roofs

relative errors are further reduced to 0.04%

0.49%

and 0.68%

respectively

which confirming the effectiveness of our framework.

Conclusions

By combining high-resolution rooftop segmentation and orientation with geospatial irradiation modeling and a quantitative mechanism to resolve orientation ambiguity

the proposed framework effectively mitigates a primary source of error in aerial image-based solar potential assessment. This significantly enhances estimation accuracy

providing a more reliable tool for urban-scale renewable energy planning and investment decisions.

关键词

Keywords

references

LIU Z R ， LIU X ， ZHANG H R ， et al . Integrated Physical Approach to Assessing Urban-Scale Building Photovoltaic Potential at High Spatiotemporal Resolution ［J］. Journal of Cleaner Production ， 2023 ， 388 ： 135979 .

WEI T X ， ZHANG Y ， ZHANG Y H ， et al . City-Scale Roof-Top Photovoltaic Deployment Planning ［J］. Applied Energy ， 2024 ， 368 ： 123461 .

ZHANG Z X ， CHEN M ， ZHONG T ， et al . Carbon Mitigation Potential Afforded by Rooftop Photovoltaic in China ［J］. Nature Communications ， 2023 ， 14 ： 2347 .

BYRNE J ， TAMINIAU J ， KURDGELASHVILI L ， et al . A Review of the Solar City Concept and Methods to Assess Rooftop Solar Electric Potential， with an Illustrative Application to the City of Seoul ［J］. Renewable and Sustainable Energy Reviews ， 2015 ， 41 ： 830 - 844 .

WIGINTON L K ， NGUYEN H T ， PEARCE J M . Quantifying Rooftop Solar Photovoltaic Potential for Regional Renewable Energy Policy ［J］. Computers， Environment and Urban Systems ， 2010 ， 34 （ 4 ）： 345 - 357 .

WANG Y ， HE J J ， CHEN W Y . Distributed Solar Photovoltaic Development Potential and a Roadmap at the City Level in China ［J］. Renewable and Sustainable Energy Reviews ， 2021 ， 141 ： 110772 .

BUFFAT R ， GRASSI S ， RAUBAL M . A Scalable Method for Estimating Rooftop Solar Irradiation Potential over Large Regions ［J］. Applied Energy ， 2018 ， 216 ： 389 - 401 .

PAN D ， BAI Y J ， CHANG M ， et al . The Technical and Economic Potential of Urban Rooftop Photovoltaic Systems for Power Generation in Guangzhou， China ［J］. Energy and Buildings ， 2022 ， 277 ： 112591 .

NI H Z ， WANG D Y ， ZHAO W Z ， et al . Enhancing Rooftop Solar Energy Potential Evaluation in High-Density Cities： A Deep Learning and GIS Based Approach ［J］. Energy and Buildings ， 2024 ， 309 ： 113743 .

WONG M S ， ZHU R ， LIU Z Z ， et al . Estimation of Hong Kong’s Solar Energy Potential Using GIS and Remote Sensing Technologies ［J］. Renewable Energy ， 2016 ， 99 ： 325 - 335 .

ÖZDEMIR S ， YAVUZDOĞAN A ， BILGILIOĞLU B B ， et al . SPAN： An Open-Source Plugin for Photovoltaic Potential Estimation of Individual Roof Segments Using Point Cloud Data ［J］. Renewable Energy ， 2023 ， 216 ： 119022 .

霍芃芃 , 江金光 , 董友强 , 等 . 广域特征优化的机载点云建筑屋顶边缘点提取方法 [J ] . 武汉大学学报(信息科学版) , 2026 , 51 ( 6 ): 1216 - 1227 .

HUO Pengpeng ， JIANG Jinguang ， DONG You‑

qiang ， et al . A Method of Extracting Building Roof Edge Points from Airborne Point Clouds with Wide-Area Feature Optimization ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 6 ）： 1216 - 1227 .

徐景中，李均 . 复杂屋顶平面的RANSAC优化分割方法［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 9 ）： 1531 - 1537 .

XU Jingzhong ， LI Jun . Optimal RANSAC Method for Segmentation of Complex Building Roof Planes ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 9 ）： 1531 - 1537 .

CANNY J . A Computational Approach to Edge Detection ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 1986 ， PAMI-8（ 6 ）： 679 - 698 .

DUDA R O ， HART P E . Use of the Hough Transformation to Detect Lines and Curves in Pictures ［J］. Communications of the ACM ， 1972 ， 15 （ 1 ）： 11 - 15 .

HUANG Z J ， MENDIS T ， XU S . Urban Solar Utilization Potential Mapping via Deep Learning Technology： A Case Study of Wuhan， China ［J］. Applied Energy ， 2019 ， 250 ： 283 - 291 .

SUN T ， SHAN M ， RONG X ， et al . Estimating the Spatial Distribution of Solar Photovoltaic Power Generation Potential on Different Types of Rural Rooftops Using a Deep Learning Network Applied to Satellite Images ［J］. Applied Energy ， 2022 ， 315 ： 119025 .

CHEN Z ， YANG B S ， ZHU R ， et al . City-Scale Solar PV Potential Estimation on 3D Buildings Using Multi-source RS Data： A Case Study in Wuhan， China ［J］. Applied Energy ， 2024 ， 359 ： 122720 .

ZHANG Z X ， QIAN Z ， ZHONG T ， et al . Vectorized Rooftop Area Data for 90 Cities in China ［J］. Scientific Data ， 2022 ， 9 ： 66 .

HUA Y S ， ZHU J S ， LI Q Q . PCINet： A Prototype- and Concept-Based Interpretable Network for Mutli-scene Recognition ［J］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences ， 2024 ， XLVIII-1- 2024 ： 265 - 270 .

QIAN Z ， CHEN M ， SUN Z ， et al . Simultaneous Extraction of Spatial and Attributional Building Information Across Large-Scale Urban Landscapes from High-Resolution Satellite Imagery ［J］. Sustainable Cities and Society ， 2024 ， 106 ： 105393 .

RONNEBERGER O ， FISCHER P ， BROX T . U-Net： Convolutional Networks for Biomedical Image Segmentation ［C］// International Conference on Medical Image Computing and Computer-Assisted Intervention ， Milan， Italy ， 2015 .

LI G N ， WANG Z X ， XU C L ， et al . A District-Scale Spatial Distribution Evaluation Method of Rooftop Solar Energy Potential Based on Deep Learning ［J］. Solar Energy ， 2024 ， 268 ： 112282 .

叶昕，秦其明，王俊，等 . 利用高分辨率光学遥感图像检测震害损毁建筑物［J］. 武汉大学学报（信息科学版）， 2019 ， 44 （ 1 ）： 125 - 131 .

YE Xin ， QIN Qiming ， WANG Jun ， et al . Detecting Damaged Buildings Caused by Earthquake from Remote Sensing Image Using Local Spatial Statistics Method ［J］. Geomatics and Information Science of Wuhan University ， 2019 ， 44 （ 1 ）： 125 - 131 .

CHEN L C ， ZHU Y K ， PAPANDREOU G ， et al . Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation ［C］// The European Conference on Computer Vision ， Munich， Germany ， 2018 .

ZHONG T ， ZHANG Z X ， CHEN M ， et al . A City-Scale Estimation of Rooftop Solar Photovoltaic Potential Based on Deep Learning ［J］. Applied Energy ， 2021 ， 298 ： 117132 .

LIN W Y ， ZHU J S ， HUA Y S ， et al . Towards Sustainable Urban Energy： A Robust Deep Learning Framework for Solar Potential Estimation ［J］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences ， 2024 ， XLVIII-1- 2024 ： 371 - 378 .

REN H S ， SUN Y J ， NORMAN TSE C F ， et al . Optimal Packing and Planning for Large-Scale Distributed Rooftop Photovoltaic Systems Under Complex Shading Effects and Rooftop Availabilities ［J］. Energy ， 2023 ， 274 ： 127280 .

CHEN Z Q ， YU B L ， LI Y ， et al . Assessing the Potential and Utilization of Solar Energy at the Building-Scale in Shanghai ［J］. Sustainable Cities and Society ， 2022 ， 82 ： 103917 .

LEE S ， IYENGAR S ， FENG M H ， et al . DeepRoof： A Data-Driven Approach for Solar Potential Estimation Using Rooftop Imagery ［C］// The 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining ， Anchorage， USA ， 2019 .

LI Q Y ， KRAPF S ， SHI Y L ， et al . SolarNet： A Convolutional Neural Network-Based Framework for Rooftop Solar Potential Estimation from Aerial Imagery ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2023 ， 116 ： 103098 .

HULD T ， MÜLLER R ， GAMBARDELLA A . A New Solar Radiation Database for Estimating PV Performance in Europe and Africa ［J］. Solar Energy ， 2012 ， 86 （ 6 ）： 1803 - 1815 .

LÓPEZ M ， SOTO F ， HERNÁNDEZ Z A . Assessment of the Potential of Floating Solar Photovoltaic Panels in Bodies of Water in Mainland Spain ［J］. Journal of Cleaner Production ， 2022 ， 340 ： 130752 .

VERDONE A ， SCARDAPANE S ， PANELLA M . Explainable Spatiotemporal Graph Neural Networks for Multi-site Photovoltaic Energy Production ［J］. Applied Energy ， 2024 ， 353 （ PB ）： 122151 .

KRAPF S ， BOGENRIEDER L ， NETZLER F ， et al . RID-Roof Information Dataset for Computer Vision-Based Photovoltaic Potential Assessment ［J］. Remote Sensing ， 2022 ， 14 （ 10 ）： 2299 .

ZHAO H S ， SHI J P ， QI X J ， et al . Pyramid Scene Parsing Network ［C］// IEEE Conference on Computer Vision and Pattern Recognition ， Honolulu， USA ， 2017 .

SUN K ， XIAO B ， LIU D ， et al . Deep High-Resolution Representation Learning for Human Pose Estimation ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Long Beach， USA ， 2020 .

MAINZER K ， KILLINGER S ， MCKENNA R ， et al . Assessment of Rooftop Photovoltaic Potentials at the Urban Level Using Publicly Available Geodata and Image Recognition Techniques ［J］. Solar Energy ， 2017 ， 155 ： 561 - 573 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

DCMR-Net：一种面向复杂噪声地震记录的多尺度残差去噪网络

多模态遥感影像匹配进展与展望：从传统模式到深度学习

基于滞后衰减效应与主控因子筛选策略的库岸滑坡位移预测模型

基于卷积神经网络的地理空间域计算强度预测与分解方法

基于深度学习的InSAR影像局部与非局部联合相位滤波