《Renewable Energy》：Solar Electric Vehicle PV Potential Under Roadside Shading Considering Tree Transmittance
编辑推荐：
太阳能电动汽车（Solar Electric Vehicle, SEV）是电动汽车（Electric Vehicle, EV）技术的延伸，通过车用光伏（Vehicle-Integrated Photovoltaics, VIPV）满足部分能量需求，有潜力加速交
太阳能电动汽车（Solar Electric Vehicle, SEV）是电动汽车（Electric Vehicle, EV）技术的延伸，通过车用光伏（Vehicle-Integrated Photovoltaics, VIPV）满足部分能量需求，有潜力加速交通领域的脱碳进程。然而，SEV的光伏（Photovoltaic, PV）发电受行驶路线时空变化的阴影条件影响。现有模型中，路侧树木的部分透射效应仍未被充分体现。本研究通过基于图像的冠层间隙检测推导月度树木透射率系数，并将其集成到基于街景图像的阴影分析与PV发电框架中。深度学习（Deep-Learning）语义分割（Semantic Segmentation）将每幅图像分类为天空、树木和人工结构区域，并在每个测量位置对树木像素应用月度透射率系数。图像推导的透射率系数与实地测量的平均绝对误差（Mean Absolute Error, MAE）为5.1%p。与完全遮挡或完全开阔天空假设相比，纳入月度透射率使相对PV发电估计误差降低了70%。简化假设与考虑透射率的估计之间的PV发电潜力差异随季节、一天中的时间及路线特征而变化。所提出的基于图像处理的方法无需特定地点的实测量测即可应用于广泛的道路网络，从而为太阳能出行研究提供可靠且可扩展的基础，同时应对城市交通电气化与可再生能源整合。
**论文解读：路侧树木透射率对太阳能电动汽车光伏潜力的影响——基于街景图像与深度学习的方法**
**一、研究背景与问题**
道路运输脱碳需要车辆电气化与运行阶段低碳能源的结合。车用光伏（Vehicle-Integrated Photovoltaics, VIPV）可通过提供部分牵引能量减少太阳能电动汽车（Solar Electric Vehicle, SEV）的外部充电需求。然而，与固定光伏（Photovoltaic, PV）系统不同，SEV的VIPV发电具有路线依赖性：行驶过程中太阳位置变化以及路侧建筑物和植被的阴影导致到达车辆表面的辐照度连续变化。尤其值得注意的是，路侧树木并非完全不透明障碍物，它们通过枝叶间隙允许部分太阳光透射，且透射率随冠层密度和物候状态季节性变化。对于SEV而言，这种部分透射沿树木林立的路段累积，进而影响路线尺度的PV发电潜力。若将树木视为完全不透明，会因忽略透射辐照度而低估太阳能可用性；若忽略树木阴影则高估发电量。这类偏差会影响SEV的季节性发电评估、路线比较及能量感知的路线规划。因此，本研究旨在解决以下问题：当路侧树木作为季节性变化的透射冠层时，如何估计SEV的路线尺度VIPV发电量，并量化这种透射率表示对跨季节、出发时间和路线特征的PV发电估计的影响。
以往研究利用不同数据源和建模方法评估了阴影对SEV及移动PV发电的影响。LiDAR点云可提供亚米级分辨率但成本高、覆盖有限；卫星数字高程模型（Digital Elevation Model, DEM）适合大区域分析但缺失建筑物和植被；数字表面模型（Digital Surface Model, DSM）部分解决高度问题但公开数据分辨率较低（30 m）；鱼眼图像分析精度高但需实地采集，难以扩展至大路网。近年来，基于谷歌街景（Google Street View, GSV）全景图像的阴影分析方法被提出，其沿路获取图像（间距约5–10 m），直接捕捉路侧建筑物和树木，适合移动PV分析。然而，现有GSV研究的SEV发电未考虑树木冠层的部分透光。此前路线尺度SEV模型虽引入路侧阴影，但树木多简化为完全不透明或固定透射率（如0.3），未能捕捉季节变化。部分研究采用落叶/全叶双态值（如0.48与0.03），但仍缺乏连续过渡且空间可扩展性有限。
为提升SEV能量建模精度，需一种适用于广泛路网且响应季节变化的树木透射率估计方法。基于图像的冠层间隙检测可量化冠层内开放空间比例，无需实地测量即可估计透射特性。当表达为月度系数时，此方法允许单次采集图像支持多季节阴影分析。Srivastava等（2019）和Balakrishnan & Jakubiec（2020）已证明基于图像分类的冠层间隙百分比可表征植被的光传输。本研究在此基础上，对韩国路侧树木应用图像间隙检测以推导月度透射率系数，并集成到SEV发电潜力模型中。研究有两个主要目标：第一，通过图像处理量化路侧树木的月度透射率系数并验证；第二，评估纳入树木透射率对SEV光伏发电潜力在季节性、一天中时间及路线特征上的影响。该研究提出了一个集成计算框架，通过解决将树木视为完全不透明或忽略时所导致的系统性高估和低估问题，提高了移动PV系统的能量建模精度。论文发表在《Renewable Energy》。
**二、关键技术方法**
研究人员采用了基于GSV全景图像的处理框架。首先，从韩国六个代表性驾驶路线（城市、山区、混合类型）获取GSV图像（图像间距约10–15 m，每路线约100–300张）。关键方法包括：（1）**深度学习语义分割**：使用预训练的PSPNet模型对每张图像进行像素级分类，区分为天空、树木和人工结构三类区域；（2）**冠层间隙检测与月度透射率系数推导**：针对树木区域，通过二值化图像（基于绿色通道阈值）计算冠层间隙百分比，并结合每月日照角度和太阳位置，利用图像下的太阳路径和阴影计算，推导出每个测量位置树木像素的月度透射率系数（1月–12月）；（3）**阴影分析与PV发电计算**：基于GSV图像的天空视域因子（Sky View Factor, SVF）和太阳轨迹，计算每个位置在特定时间（1小时分辨率）的阴影图，将月度透射率系数应用于树像素，并利用光伏模型（考虑标准辐照度、温度系数等）估计每秒钟的PV发电潜力（kW）。验证数据来自实地使用SunEye210和辐射计在三个地点的测量。
**三、主要研究结果**
**（1）Validation of the tree-transmittance modeling method（树木透射率建模方法的验证）**
研究人员通过图像处理估计树木透射率并分析季节变化，无需重复实地操作。与实地测量相比，图像推导的透射率系数表现出5.1%p的平均绝对误差（Mean Absolute Error, MAE）。误差来源包括图像角度差异、冠层结构复杂性及太阳位置偏差。验证表明该方法的可靠性能满足能量估计需求。
**（2）Impact of the transmittance representation on the PV generation estimation（透射率表示对光伏发电估计的影响）**
与完全阻挡（完全不透明）和完全开阔天空（无树木阴影）两种简化假设相比，纳入月度透射率使相对PV发电估计误差降低了约70%。差异随季节、一天中时间和路线特征变化：完全阻挡假设主要低估冬季发电（此时冠层透射率高），而完全开阔假设主要高估夏季发电（枝叶茂密）。在树木林立路段且道路方向与太阳路径对齐时，差异更为显著。
**（3）Seasonal, diurnal, and route-specific PV generation potential（季节性、日间及路线特定光伏发电潜力）**
通过六个路线的分析，研究人员发现：城市路线因人工结构阴影显著，树木透射率影响相对较小；山区路线树木阴影主导，透射率考虑使发电估计更接近实测；混合路线兼具两者特征。季节上，夏季预测偏差最大（完全开阔高估约25–40%），冬季完全阻挡低估约15–30%。日间变化显示，正午前后差异最小，早晚差异增大。路线特性（如东-西向 vs. 北-南向）影响透射率效应的大小。
**四、讨论与结论**
讨论部分指出：本研究通过比较简化假设与考虑透射率的估计，揭示了树木透射率表示对SEV PV发电估计的季节性、日间和路线特异性影响。完全阻挡假设主要低估冬季发电（高透射率时），完全开阔假设主要高估夏季发电（浓密枝叶时）。这些差异在树木林立路段和道路方向与太阳路径对齐时加剧。研究提供的框架避免了实地测量的空间扩展限制，适用于大规模路网分析。局限性包括：GSV图像更新频率有限，仅反映拍摄时的冠层状态；未考虑树木类型差异（常绿 vs. 落叶）；透射率推导基于单张图像可能遗漏冠层三维结构；模型未包含车辆移动时的动态角度效应。未来工作可结合多时相图像和更精细的冠层辐射传输模型。
**结论部分翻译**：本研究提出了一个基于GSV的框架，明确纳入路侧树木的季节性透射特性来估计SEV光伏发电。通过从图像冠层间隙检测推导月度树木透射率系数，并将其集成到阴影分析中，本研究解决了传统假设（忽略树木或视为完全遮挡元素）的局限性。该框架为表示部分透射提供了一种实用解决方案……（原文结论）。研究提出的基于图像处理的方法可在无需实地测量情况下应用于广泛路网，为太阳能出行研究提供了可靠且可扩展的基础，同时应对城市交通电气化与可再生能源整合。
