一、点云的介绍
点云（point cloud）是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，其独立描述每个点的相关属性信息，点与点之间没有显著的联系。点云数据不仅规避了图像采集过程中遇到的姿态、光照等问题，而且其本身具有丰富的空间信息，能够有效地表达空间中物体的大小、形状、位置和方向。相比于体素数据，点云数据空间利用率更高，更加关注于描述对象本身的外表面形状，不会为描述空间的占用情况而保存无用的冗余信息。但是，三维点云数据自身存在无序性、密度不一致性、非结构性、信息不完整性等特性。
二、激光雷达LiDAR简要介绍
机载激光雷达是一种用于测距和地形应用的激光剖面和扫描系统，于20世纪90年代中期出现在商业应用上。在较高精度地理参考技术的帮助下，安装在飞机上的激光扫描设备收集激光测距点云，用于计算测量区域的3D坐标（xyz）。与2D平面遥感数据相比，明确的激光雷达数据点云描述了地球表面的3D地形剖面。机载激光雷达的其他优点包括不受起伏位移、穿透树冠和对光照条件不敏感的影响。因此，机载激光雷达技术已被有效地用于生成数字地形模型（DTM）、地形测绘、数字3D城市模型的构建、自然灾害评估等[2]。
三、三维点云数据集分类
根据数据采集方法和主要应用，三维LiDAR数据集分为三组：
1）静态数据集：通过地面激光扫描仪或使用MLS（移动激光扫描）系统从静态视点收集的数据，该系统主要捕获静态场景对象，用于街景、3D建模和虚拟现实等应用。静态数据集最常用于点云分类任务，主要应用场景包括机器人、增强现实和城市规划。
2）序列数据集：从ADAS（高级驾驶辅助系统）或自动驾驶应用的车辆平台收集的帧序列数据，可以进一步划分为具有逐点或3D边界框注释的数据集。序列数据集最常用于自动驾驶任务，这些数据集通常包含比静态数据集更多帧但稀疏的点。
3）合成数据集：通过模拟上述任何数据采集系统在虚拟世界中收集的数据。合成数据集是通过计算机模拟构建的，它是基于合成场景的大规模且廉价的注释。合成场景通常可以趋近现实，但在细节上缺乏准确性。
四、光伏应用潜力估算方法
太阳辐照度是指特定研究区域所接受的总太阳辐射能。从地理尺度看，不同区域的维度不同，导致地面水平辐射强度存在差异，一般低纬度地区太阳能物理潜能高于高纬度地区。同时，在同纬度地区，由于气候条件差异，太阳辐射受同样阴雨等天气影响。因此，太阳能辐照度受地狱自然资源条件所限制[8]。
（一）基于ArcGIS和Grasshopper插件Ladybug
从3D-GIS数据中提取建筑物几何图形，包括屋顶轮廓和建筑物高度。基于提取的建筑几何图形，通过Grassshopper插件Ladybug获取epw气象数据并导入ArcGIS，最后在ArcGIS计算研究区全年太阳能辐照度。
（二）（分布式光伏）光学影像的评估方法（考虑屋顶基本为平面）
安装光伏阵列的屋顶面积是测算城市分布式光伏发电潜力的前提，因此必须得到切实可靠的屋顶面积数据。屋顶面积数据获取方式：①爬取百度地图/高德地图等建筑底图；②采用深度学习方法对建筑进行提取等。
影响屋面分布式太阳能光伏利用潜力的影响因素包括：气象因素、适宜安装光伏阵列的面积比例、光伏组件发电效率等。确定分布式光伏电站可用面积占屋顶面积的比例是估算城市分布式光伏发电潜力的关键因素。屋顶可用比例可参考以往前人研究对于光伏屋顶确定的方法，从而依据太阳辐照数据乘比概略计算。
（三）多类型坡面屋顶估算
参考美国能源部的国家可再生能源实验室综合已有太阳能屋顶光伏可利用面积计算相关文献提出的NREL方法。本研究认为适用安装太阳能光伏的屋顶应该具备以下四个条件：1）坡向的方向范围为东-南-西（具体依赖于研究区）；2）坡度不应该大于60°；3）屋顶接受日照的平均面积不得少于屋顶面积的50%；4）屋顶的连续可利用面积不得小于10m²。
坡向针对不同的类型的坡面屋顶进行计算。坡面屋顶包括四类别：单坡屋顶、人字形屋顶、四坡屋顶和复折式屋顶五个类别。屋顶阴影部分主要包括树木遮挡和相邻建筑的遮挡两个方面。依据DSM数据计算光照阴影。光伏板阵列的间距需要综合考虑当地的纬度、太阳高度角、太阳方位角、屋面坡度、坡面方位角、阵列的朝向和倾角等参数。
具体计算方法详见参考文献[9].
（图源：宋晓阳 (2018). 基于多源高分遥感数据的屋顶太阳能光伏潜力评估）
（四）火力发电和光伏发电的比较转换
根据中国能源统计年鉴和学者研究，火力发电和光伏发电每度电的碳排放量差值为0.0356kg CO2/kWh。
四、思维导图
五、相关信息资料
（一）中国10米分辨率的建筑高度估计模型（CNBH-10m）——全国建筑高度估计图
该研究利用多源地球观测数据和机器学习技术，成功构建了中国第一个10米分辨率的建筑高度估计模型（CNBH-10m）。该模型具有较高的精度和可靠性，并且可以为城市环境研究、规划和管理等领域提供基础数据支持。此外，本研究提出的多窗口统计方法可以有效地考虑阴影等因素对建筑物高度估计的影响，从而提高了模型的泛化能力[7]。
CNBH10m Explorer(Earth Engine Apps)：CNBH10m Explorer
数据下载地址：CNBH-10 m: A first Chinese building height at 10 m resolution | Zenodo
（图源：Wan-Ben Wu etc. A first Chinese building height estimate at 10 m resolution (CNBH-10m) using multi-source earth observations and machine learning）
很好的一个科研工作者论文开源数据获取网站平台：
TOPS（Open Source）：Zenodo - Research. Shared.
（二）气象数据获取方式
Ⅰhttp://ncc.cma.gov.cn/cn/（国家气候中心）
Ⅱhttp://www.cdc.noaa.gov/public.data（中国气象局）
ⅢECMWF | Advancing global NWP through international collaboration（欧洲天气预报中心）
ⅣHomepage | National Oceanic and Atmospheric Administration（美国国家海洋大气局）
ⅤNASA Earth Observatory - Home（NASA地球观测中心）
Ⅵhttp://www.weather.gov（NOAA国家天气预报中心）
ⅦEuropean Meteorological Society（欧洲气象协会）
Ⅷ地理遥感生态网-以土地利用、生态环境、灾害监测、社会经济和气象气候等系列数据产品为核心的数据共享综合性云服务平台
参考文献（Reference）
[1] 胡传文, 卢世杰, 杨文敬, & 朱小勇 (2021). 基于LiDAR点云的建筑物分割深度学习模型研究. 测绘通报, 88-93
[2] 景庄伟, 管海燕, 臧玉府, 倪欢, 李迪龙, & 于永涛 (2021). 基于深度学习的点云语义分割研究综述. 计算机科学与探索, 15, 1-26
[3] 曲明 (2022). 基于太阳能发电潜力的青藏高原地区节碳减排评估. In (p. 74): 天津城建大学
[4] 许浩 (2017). 建筑三维模型重建及其太阳能利用潜力研究. In: 南京大学
[5] 杨柳, 刘启亮, & 袁浩涛 (2021). 城市激光点云语义分割典型方法对比研究. 地理与地理信息科学, 37, 17-25
[6] 张统峰 (2022). 激光雷达点云语义分割方法研究. In (p. 68): 中国科学技术大学
[7]
Wan-Ben Wu,Jun Ma,Ellen Banzhaf,Michael E.Meadows,Zhao-Wu Yu,Feng-Xiang Guo,Dhritiraj Sengupta,Xing-Xing Cai,Bin Zhao. A first Chinese building height estimate at 10 m resolution (CNBH-10m) using multi-source earth observations and machine learning.Remote Sensing of Environment,291,2023(113578)0034-4257.DOI:10.1016/j.rse.2023.113578.
[8] 倪浩展, 赵文卓, 蒋沃林, 鄂明泽, 王道杨, & 姚佳伟 (2022). 基于深度学习的低碳城市建筑屋顶太阳能利用潜力评估——以上海市虹口区为例. In, 2022全国建筑院系建筑数字技术教学与研究学术研讨会暨DADA2022数字建筑学术研讨会 (p. 4). 中国福建厦门
[9] 宋晓阳 (2018). 基于多源高分遥感数据的屋顶太阳能光伏潜力评估. In (p. 131): 中国矿业大学(北京)