基于點云技術三維模型重建的區域太陽能潛力探究

■ 果煜程 GUO Yucheng 石雨辰 SHI Yuchen 史 潔 SHI Jie

0 引言

2020 年9 月，中國在第75 屆聯合國大會上提出2030 年實現碳達峰、2060 年實現碳中和的“雙碳”戰略目標。為實現這一目標，建筑需要成為能源系統中的產消者（Prosumer）。一方面，要降低建筑能耗實現綠色節能；另一方面，要實現可再生能源的規模化應用，提升可再生能源的滲透率做到“開源”。在這樣的背景下，可再生能源的重要性日益凸顯。太陽能作為一種被廣泛使用的可再生資源，隨著光伏發電技術的日臻成熟與建筑光伏一體化（BIPV）技術的發展，在城市中具有更廣泛的應用前景。預計到2025 年，城鎮建筑可再生能源替代率將達到8%，新建公共建筑、新建廠房的屋頂光伏覆蓋率力爭達到50%[1]。除了確保新建建筑的設計符合相關規范并保證可再生能源的利用率外，還要關注數目眾多的既有建筑能否通過改造達到較為可觀的可再生能源利用率。因此，對可再生能源潛力進行評估，繼而為新建建筑的建設和既有建筑的改造提供指導性意見，是具有現實意義的。

1 太陽能潛力評估

針對太陽能潛力的評估，國內外學者已經進行了大量研究，重點集中在太陽能潛力計算方法的優化和數字化模型的建立兩個方面。

計算太陽能潛力研究目前主要可分為3 個層級：物理潛力、地理潛力與技術潛力[2]。其中，物理潛力是指在一定時間內某地區得到的太陽輻照量，其核心參數是固定的，包括日照時長與太陽輻照度估計兩方面。日照時長用于描述在一個時期內，建筑物表面受太陽光照射時間的長短；太陽輻照度則用于反映建筑物表面接收到太陽能的多少。可以說，日照時長是太陽輻射量估計的前提[3]。對于物理潛力，基于積累的大量氣象數據，目前已經出現了Solar Map 等直觀反映太陽能輻照量的工具[4]。在建筑領域，對于太陽能潛力的預測，由于建筑物之間存在相互遮擋關系，則更注重對地理潛力的計算，目前常用的計算引擎有Radiance 和Daysim，數字化的建筑物模型是其需要的輸入參數。

對于數字化模型的建立方法，目前已經有多種較為成熟的技術手段，如小型無人機傾斜攝影、激光雷達掃描、導入現有的城市三維數據等。根據分析對象的不同，還可以分為立體模型和屋面模型。在立體模型建立方面，余燁等[5]采取基于滅點的單像標定方法，對合肥工業大學圖書館進行各邊長的比例測算，實現了對單體建筑的快速還原，但單像標定的誤差大，且得不到建筑物的實際尺寸；劉春等[6]使用小型單相機旋翼無人機對異形建筑進行點云提取，對單個異形建筑的輪廓和紋理細節都實現了較好的還原，但其生成的是網格化模型，不利于后續模擬計算；梁福遜等[3]利用地面車載激光雷達和無人機航拍獲取多源點云數據，建立了可用于日照分析和太陽能潛力分析的單體建筑物模型，但該方法為建立一棟建筑需要提取上百萬個特征點信息，且作為立面信息采集設備的地面激光雷達單次采集范圍小、使用專業性強、設備價格高；Anh Vu Vo 等[7]研究了一種利用機載激光雷達獲取點云數據，使用分布式計算方法獲得大規模精細化的建筑物數字化模型，并利用該方法對愛爾蘭都柏林進行太陽能潛力計算，此方法所使用的設備同樣存在價格高、專業性強的問題、采集的數據集巨大等問題，難以通過常規的計算手段實現還原，必須采取分布式的計算方法；此外，該研究對象尺度已經上升到了城市，對待還原對象的尺度估計是很重要的，近年來國內外規模化應用可再生能源的成功案例，基本是采取生態街區的形式。因此，在中觀尺度上，也就是面積約為1 km2的建筑模型研究更為貼合實際。在屋面模型方面，黃昭鍵[8]以衛星圖像作為輸入，采取深度學習手段，對武漢市屋面太陽能利用潛力進行分析計算，但僅輸入了平面上的高清衛星圖像，采用從典型街區計算出的屋面遮擋系數，而對于建筑高度的影響沒有進行深入研究；Steven Jige Quan 等[9]利用GIS 數據對曼哈頓城區建筑屋頂的太陽能潛力進行模擬分析，雖考慮了建筑物高度信息，但缺乏實際的調查信息，難以反映實時變化。

針對上述數字化建模的問題和不足，本文擬提出一種適合于中觀尺度的方法，利用小型旋翼無人機進行傾斜攝影，采取SIFT 特征匹配算法提取點云數據，并依托可視化選點界面，以較少量的特征點坐標快速建立建筑區域三維模型；并在此基礎上，使用Ladybug 中，對還原對象進行太陽能潛力分析。

2 點云提取技術路線

本研究利用航空影像提取點云數據，實現三維重建的技術路線（圖1）。首先，通過小型旋翼無人機搭載相機對待重建建筑物進行拍攝，獲得多張待重建對象不同視角下的圖像數據；并對不同角度拍攝能得圖片中的相同特征點進行提取與匹配，實現運動恢復結構（Structure from Motion，簡稱SfM），得到相機位姿信息后，對建筑進行稀疏重建，獲取得到建筑物的稀疏點云模型。然后，對獲取得到的稀疏點云模型進行稠密重建（Multi-View Stereo，簡稱MVS），得到建筑的稠密點云模型。最后，篩選點云模型中的關鍵點，對模型實現簡化，得到最終的三維模型。

圖1 無人機SfM 場景重建技術路線

2.1 多視角圖像特征點提取

從多視角圖像中提取特征點的方法有很多，如Moravec 角點檢測算子法[10]、Harris 角點檢測算子法[11]、FAST 角點檢測算子法[12]等。本文利用SIFT 算子[13]提取圖像的局部特征（如建筑不同材質的變化、兩立面的交點等），在尺度空間中尋找極值點，提取其位置、尺度和方向信息。SIFT 算子是一種對圖片進行兩兩匹配提取關鍵點的計算方法，其具有以下優點：①穩定性高，對旋轉、縮放和亮度變化保持不變，對觀看角度的變化、噪聲等也有一定的穩定性；② 準確性高、信息量大，適用于海量特征數據的快速、準確匹配；③有大量的特征向量，即通過少量的對象，就可以得到大量的SIFT 特征向量；④具有可伸縮性，即對處理對象的適應性好。此外，該方法提取的向量還可以很容易地與其他形式的特征向量組合。

SIFT 特征點檢測流程（圖2）為：①生成高斯差分（DOG）金字塔，進行尺度空間構建；②將每一個像素點與它所有的相鄰點比較，進行空間極值點檢測；③為了避免噪聲與邊緣敏感問題，要篩選去除不穩定和錯誤的極值點，對穩定關鍵點進行精確定位；④對于未定后的關鍵點進行方向信息分配，并采用一種數學方式定義關鍵點及其周圍有貢獻的鄰域點。⑤通過計算特征點之間的歐氏距離來進行特征點的匹配。圖3 為同濟大學圖書館SIFT 特征點檢測匹配的效果，對兩個視角下的相同特征點使用連線進行相連，并不斷重復該SIFT匹配流程，就可以實現對多視角下圖像數據的特征點提取。

圖2 SIFT 特征點檢測流程

圖3 同濟大學圖書館SIFT 特征點匹配效果圖

2.2 運動恢復結構的稀疏重建

運動恢復結構（SfM）是一個估計相機參數及三維點位置的問題。SfM 方法可以分為增量式（incremental）、全局式（global）、混合式（hybrid）三種。增量式的優點在于其魯棒性好，能夠準確地還原場景結構，但效率不足；全局式的優點在于其還原效率高，但是僅通過一次捆綁調整，準確度低且魯棒性差。兩者性能對比見表1。

表1 不同SfM 方法性能對比

由于SfM 方法容易陷入求解局部極小值的問題中，難以做到通過一次測量即可采用全局式SfM 對攝影機和軌跡的所有參數進行估計，因此，這里采用增量式SfM 方法來恢復場景結構。對于一般的SfM 方法[14]，其實現重建的流程可以總結為3 個步驟：①在每個圖像中檢測特征點；②在圖像之間匹配特征點；③運行迭代的、魯棒的SfM 過程，以恢復相機參數。

本文使用VisualSFM[15]中的SfM 方法對無人機拍攝的場景圖片進行運算。首先，用SIFT[16]特征提取算法提取特征點，并計算其對應的描述子；然后，應用ANN（approximate nearest neighbor）[17]方法進行特征點匹配，低于某個匹配數閾值的匹配對將會被移除。對于保留下來的匹配對，使用RANSAC(Random Sample Consensus)[18]方法對其基本矩陣進行估計；并在每次RANSAC 迭代期間，不斷使用八點法[18]對候選基本矩陣進行估計，并將判定為外點的匹配作為錯誤匹配而移除。同時，將滿足以上幾何約束的匹配對合并為軌跡。對于束調整，VisualSFM使用GPU 版本的multicore bundle adjustment[19]來最小化重投影誤差，將束調整的時間復雜度減少到O(n)。如此便可獲得無人機拍攝場景的稀疏點云模型。

2.3 MVS 稠密重建

SfM 利用特征匹配獲得的點進行重建，但由于特征匹配點的密集度不夠高，難以還原重建對象的詳細輪廓和全貌。因此，當獲得稀疏點云模型后，需要對其進行MVS 重建，以提高點云模型的細節與精度。圖4、5展示了稀疏點云和稠密點云的差別，可以看出，稠密點云已經對建筑物及其周邊進行了細致的還原。

圖4 稀疏點云模型

圖5 稠密點云模型

3 實際建筑物模型重建及其精確度校驗

在太陽能利用領域，建筑物可分成兩種不同的類型：一種是地標式的大體量公共建筑；另一種則是密集的同類型建筑物，如住宅、宿舍等。在《2030 年前碳達峰行動方案》中，這兩類建筑的可再生能源利用目標是不同的，應當選擇不同的重建策略：公共建筑的占地面積較大，周圍遮擋不多，模型的精細程度應適當提升；對于密集的建筑物，則更關注其空間關系，從而分析其肌理和相互遮擋關系。本文分別以同濟大學嘉定校區的圖書館和學生公寓2～6 #樓為例，進行兩種不同類型建筑的重建，并校驗其建模質量。本次研究所使用的航拍設備是大疆MINI2 無人機，搭載1 200 萬像素相機，后續處理使用的計算機CPU 為AMD Ryzen 7 4800H，顯卡為NVIDIA GeForce RTX 2060。

3.1 大體量單體建筑模型建立及精度校核

采取前文所述的方法，獲取同濟大學嘉定校區圖書館點云文件。在可視化選取界面中，選取建模所需的關鍵點，如屋面輪廓等。由于該建筑垂直于地面，只需要提取屋面特征角點確定其外輪廓，再選取若干個地面特征點確定地面與屋面的高差即可。

為實現較為詳細的建筑物重建，對該區域共輸入54 張圖片，進行稀疏重建耗時61 s，進行稠密重建耗時519 s，總計耗時580 s。

在點云模型中選取60 個點來描繪屋面輪廓（圖6）；同時，選取地面上8 個點，以求平均值的方式求取地面高度坐標。將各點坐標數據輸入到Rhino 軟件中，建立模型（圖7）。同拍攝的圖書館實際照片相比（圖8），模型較好地反映了立面的凹凸情況，但因手工取點帶來的精度誤差，對于屋面上的設備、綠植及女兒墻等小尺度結構，難以實現細節上的還原。

圖6 嘉定校區圖書館選點

圖7 Rhino 中建立的建筑物模型

圖8 同濟大學嘉定校區圖書館實拍

得出的模型尺寸是一個無量綱長度，同建筑物真實尺寸相差一個比例度。為了消除該比例度，這里提出兩種解決方案。一是對航拍影像做單應性變換，以求解建筑物一個平面的尺寸。單應性變換就是求解從一個平面到另一個平面上的映射關系，但是該方法需要知道該平面上一個區域的大小（如清晰可見的門窗或者招牌等），對易于完成測量且能清晰識別出一個已知區域的建筑物，可以采用該方案求解。二是利用ArcMap 中的地圖信息，采用正射投影變換導出CAD 圖形（圖9），從而獲取建筑物的長寬信息，進而消除比例度。由于圖書館整體體量較大，可借助ArcMap 中的地圖信息，通過長寬信息還原模型的實際尺寸。此外，利用ArcMap 中的信息也可以確定建筑物的實際朝向，這在太陽能潛力估算中是十分重要的。

圖9 ArcMap 中導出后的同濟大學嘉定校區平面圖

采用長度比較的方法對模型精度進行校驗。在ArcMap 中，對嘉定校區圖書館各邊長度進行測量，并與模型4 個角點之間的距離進行比較（表2）。

表2 模型精度校驗

以南側長度為基準，進行等比例放大，得到可用于太陽能分析的建筑物模型（高度66.85 m），同嘉定校區圖書館公開的標高數據65.1 m 進行比較，得出高程誤差為2.69%。

由此可以看出，無論是在平面上還是在高度上，通過該方法建立的模型精度都在5%以內。參照建筑物模型的LOD（Level of Detail）理論，數字化的建筑物模型可以分為4 個等級，即：LOD1、LOD2、LOD3、LOD4（表3）。

表3 三維模型精細等級[20]

對比上文建立的模型，將建筑物簡化為體塊，但仍能一定程度上反應其凹凸，從而提升計算速度，降低對計算機性能的需求。該方法建立出的模型高于LOD1，但未達到LOD2 級別。根據國內學者的相關定義，該方法建立的模型屬于2.5 維幾何模型，無紋理，主體結構主要基于直線、平行和對稱等特征進行表達，可以用于各種空間分析[21]。

3.2 多棟建筑群體模型建立及精度校核

區域尺度上的建筑建模流程與上文單體建筑物模型建模相同，本次建模選定的對象為同濟大學嘉定校區學生公寓友園2～6 #樓的5 棟白色建筑物（圖10），該區域面積約為0.02 km2。考慮到群體建筑建模更注重于其相互位置關系而非單個建筑本身，在減少輸入的圖像信息，還原其高度信息和屋面輪廓信息，忽略其立面細節后，共輸入36 張圖片信息，進行稀疏重建耗時46 s，進行稠密重建耗時286 s，總計耗時332 s。對屋面手動提取篩選特征點（圖11），并在建模軟件中利用以上點坐標建立建筑物模型（圖12）；再利用ArcMap 導出數據，對模型的長寬進行校核（表4）。

圖10 嘉定校區2～6 #宿舍樓

圖11 宿舍樓區域選點

圖12 宿舍樓區域建筑模型

在表4 可以看出，長度較短的立面，還原后的誤差明顯變大，這是由輸入圖片信息較少及手動選點帶來的誤差導致的；當實際長度達到10 m左右時，建模精度較好。對于建筑立面上凹凸變化關系的還原，會顯著加大工作量，導致模型建立和模擬計算的時間更長；且由于建筑立面上的凹凸往往是出挑結構，一般不超過半個柱間距，尺度較小，重建的精確性也不高。

表4 各立面長度比例度對照

對于一般的居住類建筑，往往是由多個相同單元重復組合而成，只要研究一個單元上的陽臺凹凸遮擋帶來的太陽能潛力折減，就可以用一個平面來代替其實際立面。因此，可以相對忽略建筑物模型中立面上的細節。

以全部數據求比例度平均值，稱為平均值1；以舍去2 個明顯誤差較大的數據求得平均值，稱為平均值2。將求得的平均值和各邊比例值繪制在折線圖中（圖13）。

圖13 區域建模各邊長比例度

可以看出，舍去兩組偏高點后得出的平均值更能反應其余邊長的真實比例度，差值控制在±5%以內。因此，以平均值2 作為比例度基準，放大后得到該區域真實尺度下的三維模型，2～6 #樓高度分別為14.919、15.425、20.596、20.899、19.207 m，按層高3 m 進行估計，基本也符合5 層（2、3 #樓）、6 層（4～6 #樓）的高度。

3.3 中觀尺度區域建模構建流程與思路

由此可見，以點云方法實現的大體量公共建筑物和區域群體建筑物的三維模型重建，在平面上和高程上都可以保證一定的建模精度。

以該方法實現中觀尺度上，即1 km×1 km 水平上的區域重建，有兩種思路：第一種是增廣飛行路徑，通過一次飛行拍攝待重建區域內所有待重建對象的影像信息并全部提取；第二種則是先對區域進行劃分，再實現各區域的拼接。第一種方法雖然只需要進行一次拍攝，但是參照前文中的建模速度，建模范圍增大到100 倍后，對計算機性能是重大考驗，可能出現運行時間過長的問題；此外，我國目前允許的消費級無人機重量上限是249 g，勢必限制其續航能力，難以一次性對待重建區域完成建模，對航拍設備的要求進一步提升。第二種方法對電腦性能要求不高，可采取更換電池的方式完成多次小范圍的航拍飛行；在后續的拼接中，可以采用ArcMap 作為定位底圖，也可以在劃分區域的時候將一棟建筑同時歸入到幾個相鄰的區域中，作為定位參照物，這是一種不需要改變現有技術設備改變的切實可行的重建方案。

4 區域太陽能潛力可視化預測分析

4.1 單體建筑太陽能潛力計算模型搭建

本次區域太陽能潛力預測分析采用Rhino 6 建模軟件，分析平臺及數據可視化輸出則使用基于Rhino 平臺插件Grasshopper 開發的環境分析插件Ladybug。Ladybug 本質上是Radiance 和Daysim 模擬引擎。將格式為.epw 的上海市CSWD 氣象數據導入程序進行計算，可得到上海市全年累計天空模型，用于后續輻射模擬計算。

搭建日照時長分析電池組（圖14）。根據ArcMap 中的數據，圖書館的南側立面朝向是南偏西35°。將點云提取模型的4 個立面和頂面設定為分析對象，最終可以得到可視化日照時長分析結果（圖15），其中：屋面的日照時長達4 384 h，而立面各處日照時長從188～3 034 h 不等。隨后，對總日照輻射量進行分析，應用如圖16 所示的電池組，得到日照輻射量分析結果（圖17）。

圖14 日照時長分析電池組

圖15 日照時長分析結果

圖16 日照輻射量分析電池組

圖17 日照輻射量分析結果

對模擬結果進行分析，可以得到太陽輻射量數據（表5）。可以看出，太陽能物理潛力主要集中在屋頂區域，占到整個建筑物的太陽能潛力的30%以上，除南向立面外，其余各立面輻射量均較少。

表5 建筑各界面太陽能潛力占比（太陽能輻射值）

丹麥學者Compagnon[21]提出以單位面積全年接收太陽能輻射總量為標準，界定適合采用的太陽能利用技術，具體數值見表6。可見對于單個遮擋較少的公共建筑，其屋面非常適合應用光伏系統；而立面應用光伏系統的經濟性和合理性，則需要進一步結合實際才能確定。

表6 太陽能技術利用潛力閾值[22]

4.2 區域建筑太陽能潛力分析

該區域建筑整體朝向為南偏西61°，利用輻射量分析電池組進行太陽能地理潛力分析，可以明顯看出：部分立面由于相互遮擋關系，導致太陽輻射量顯著減少（圖18），且高度較低的屋面輻射量低于高度較高的屋面輻射量。

圖18 群體建筑太陽能分析結果

由表7 可以看出，區域建筑各界面太陽能潛力分布規律基本同大型單體建筑類似。但實際上，2～6#樓由于遮擋，與單體建筑存在一定區別。表8～12 分別列出了各樓（不包括連廊）的各界面太陽能潛力分布情況。

表7 區域各界面太陽能潛力占比（太陽能輻射值，包含連廊）

表8 2#樓各界面太陽能潛力占比（太陽能輻射值）

由此可以看出，由于相互遮擋的關系，對于區域內的單個建筑，其單位面積太陽能輻射潛力顯著下降，而屋面的潛力則仍然保持在1 000 kWh/m2以上。可見對于區域建筑來說，其屋面是更具有利用前景的界面。

4.3 模擬結果分析

以上兩次太陽能輻射量的模擬分析，均使用Intel(R) Core(TM) i5-10200H CPU。

對于單體建筑，當分析網格為1 m 時，運行時間約為13.3 s；當分析網格細化到0.5 m 時，運行時間約為140.6 s。對于區域建筑，當分析網格為1 m 時，運行時間約為12.5 s；當分析網格細化到0.5 m時，運行時間約為48.3 s。兩次模擬時間均在可接受范圍內。

5 總結與展望

當前，為了達成雙碳目標，亟需實現可再生資源的規模化應用。太陽能作為一種長久以來被人類廣泛應用與生產生活的可再生清潔能源，如何實現合理、智慧、科學的應用，是目前需要解決的問題，也是城市區域實現碳減排的重要途徑。因此，需要在區域規劃和改建階段做好研究調查與預測評估工作。為了能夠更高效地進行太陽能潛力分析和規劃，就需要一種快速、廉價又具備一定精準度的模型建立方法。

本次研究利用消費級的小型旋翼無人機作為攝影設備，通過航拍影像對單體建筑和區域內多棟建筑進行重建，得到了精度在5%的建筑物模型，并使用該模型對太陽能潛力進行分析。如果事先對中觀尺度面積在1 km2左右的區域進行分割，逐個獲取數字化模型，再利用ArcMap 作為底圖實現多個模型的拼接，就可以建立中觀尺度用于太陽能潛力分析的街區數字模型。該方法相較于人工從圖紙復原模型，既節省了時間，也可以避免由于改擴建導致圖紙不能正確反映建筑的情況發生；相較于采用激光技術的建立方法，其處理速度快、投資成本低，降低了專業性門檻，更適合對區域進行快速數字化建模。

表9 3#樓各界面太陽能潛力占比（太陽能輻射值）

表10 4#樓各界面太陽能潛力占比（太陽能輻射值）

當然，該模型建立方法中仍需要一定程度的人工參與，具備一定的工作量；且選取的坐標點仍具有一定的不準確性，特別是當實際建筑上的兩點間距離小于5 m 時，就會出現較大的誤差。此外，如何實現三維坐標點的自動寫入，以進一步提升建模的整體效率，也是后續繼續研究中需要改進的方面。

表11 5#樓各界面太陽能潛力占比（太陽能輻射值）

表12 6#樓各界面太陽能潛力占比（太陽能輻射值）

（參與本研究的人員還有：何逸帆、史薇愉、黃乾晉。）