《ISPRS International Journal of Geo-Information》：The Influence of Surface Roughness on GIS-Based Solar Radiation Modelling
Renata ?ura?iová,
Tomá? I? and
Tomasz Oberski
编辑推荐：
本研究探讨了在地理信息系统（GIS）太阳辐射建模中，如何量化和纳入地形或表面粗糙度这一未得到充分探索的参数。研究比较了多种GIS环境（ArcGIS、QGIS、WhiteboxTools、SAGA GIS）中的粗糙度计算方法，并引入了通过自定义Python脚本计算的分形维数（LFD）作为一种新指标。通过在高山（塔特拉山脉）和城市（波普拉德市）两个案例研究，结果表明，在高表面变异性区域，表面粗糙度可显著影响潜在太阳辐射（PSR）的建模精度。该发现不仅适用于太阳辐射研究，也对其他需纳入表面粗糙度以提高空间分析与预测准确性和稳健性的空间建模领域具有应用价值。
想象一下，你正在规划一片山区太阳能电站的位置，或者设计一座能充分利用日照的绿色城市。你知道，计算一个地点能接收到多少太阳光，是这一切的基础。然而，传统的计算方法，比如主要考虑坡度和坡向，可能还不够精细。为什么呢？因为现实中的地表是“粗糙”的——山峰会投下阴影，山谷会被遮蔽，城市的建筑森林更会制造复杂的光影。这种“表面粗糙度”到底对太阳辐射计算有多大影响？又该如何科学地量化它，并纳入计算模型？目前，这仍是地理信息科学（GIS）领域一个探索不足、也缺乏统一计算方法的难题。
为了回答这些问题，一项发表在《ISPRS International Journal of Geo-Information》上的研究，由Renata ?ura?iová、Tomá? I?和Tomasz Oberski共同完成，对表面粗糙度在基于GIS的太阳辐射建模中的影响进行了系统性评估。研究旨在填补当前知识空白，探索不同的粗糙度度量方法与潜在太阳辐射（Potential Solar Radiation, PSR）估算可靠性之间的关系，尤其关注基于分形（Fractal）的方法，如局部分形维数（Local Fractal Dimension, LFD）。
为了系统评估表面粗糙度的影响，研究人员设计了一个结合了多种地理信息系统工具和自定义脚本的分析流程。他们选定了两个具有代表性的案例研究区：一个是地形崎岖的高山环境（斯洛伐克的塔特拉山脉Tichá和K?prová山谷，高程944–2467米），另一个是城市环境（塔特拉山附近的波普拉德市）。研究基于高分辨率的激光雷达（LiDAR）数据生成的数字地形模型（DTM）和数字表面模型（DSM）开展工作。主要技术方法包括：利用多种GIS软件（ArcGIS Pro, QGIS, WhiteboxTools, SAGA GIS）计算基本地形参数（如坡度、坡向、地形位置指数TPI）和多种表面粗糙度指标（如栅格粗糙度RR、地形崎岖指数TRI、多尺度粗糙度MSR）；开发自定义Python脚本计算局部分形维数（LFD）作为粗糙度的补充度量；在相同区域进行潜在太阳辐射（PSR）的计算与建模；最后，通过皮尔逊相关系数、空间自相关分析（莫兰指数I）以及基于置换的统计检验，对不同分辨率（1米、5米、25米）和不同数据源（DTM与DSM）下计算出的各种参数（包括粗糙度指标和PSR估算差异）之间的相关性进行定量评估，以探究粗糙度与其他参数的关系及其对PSR估算不确定性的影响。
研究结果
2.4. 地形或表面粗糙度的计算
研究应用并比较了多种计算表面粗糙度的方法。这包括通过GDAL/QGIS工具计算的栅格粗糙度，该方法基于中心像元与相邻像元之间的最大高差；以及在SAGA/QGIS和ArcGIS中广泛应用的地形崎岖指数，它计算的是中心像元与八个相邻像元高差平方和的平方根。此外，还采用了能考虑不同空间尺度的多尺度粗糙度方法。研究特别引入了局部分形维数作为一种新的粗糙度度量，通过自定义Python脚本进行计算。分形维数为理解地表在统计意义上的自相似性提供了一种量化指标。结果表明，没有一种方法被普遍认为是计算表面粗糙度的最佳方法，不同的方法从不同角度捕捉了地形的变异性。
粗糙度参数与其他地形参数的独立性评估
一个关键的分析点是评估粗糙度参数是否独立于其他常用的地形参数。通过计算皮尔逊相关系数，研究发现，部分粗糙度指标（如基于最邻近像元计算的栅格粗糙度）与坡度存在较强的相关性。这意味着在某些情况下，粗糙度可能并非一个完全独立的信息维度。然而，像局部分形维数和考虑了更大邻域的粗糙度计算方法，则显示出与其他地形参数（如坡度、TPI）相对较低的相关性，表明它们可能提供了关于地表形态的独特、互补的信息。这对于希望在空间预测模型中避免多重共线性的研究者来说具有重要意义。
表面粗糙度对PSR建模的影响
这是研究的核心发现。通过比较高分辨率（1米）与低分辨率（25米）DEM计算的PSR差异，以及比较基于DTM和DSM计算的PSR差异，研究发现，表面粗糙度与PSR估算的不确定性显著相关。在表面变异性高的区域（如陡峭的山脊、复杂的城市建筑群），粗糙度值也更高，而这些区域恰恰是PSR计算容易产生较大误差的地方。这意味着，表面粗糙度可以作为一个有效的“风险指标”，用于识别那些需要更高精度DEM数据或更复杂建模方法的区域，以确保PSR估算的准确性。相反，在表面相对平坦、粗糙度低的区域，使用较低分辨率的DEM或DTM代替DSM进行PSR估算可能就足够了，这有助于节省计算资源和时间。
案例研究对比：高山与城市环境
研究在两个不同环境下的应用验证了其方法的普适性。在塔特拉山脉的高山案例中，地形本身是粗糙度的主要贡献者，研究证实了粗糙度对山区太阳能资源评估精度的影响。在波普拉德市的城市案例中，建筑、树木等要素极大地增加了表面的粗糙度，研究同样证明了在此环境中考虑粗糙度对于准确估算城市太阳能潜力、建筑采光与能耗模拟至关重要。
结论与讨论
本研究系统地评估了表面粗糙度在基于GIS的太阳辐射建模中的作用，并得出若干重要结论。首先，研究表明，在现有的多种GIS软件环境中，有多种工具可用于计算表面粗糙度，但尚无统一标准，局部分形维数的引入为量化表面复杂性提供了一个有前景的新视角。其次，粗糙度参数并非总是独立于坡度等传统地形参数，其独立性取决于具体的计算方法与邻域大小，这在将粗糙度纳入多元空间模型时需要仔细考量。最核心的结论是，表面粗糙度显著影响潜在太阳辐射建模的准确性，特别是在地形或地表结构复杂的高变异性区域。 粗糙度可以作为一个有效的诊断工具，帮助识别PSR估算中的“高风险”区域，从而指导数据采集策略（如决定在何处需要使用高分辨率LiDAR数据）和建模精度的分配。
这项研究的意义超越了太阳能辐射估算本身。将表面粗糙度作为一个明确的参数纳入空间分析框架，可以提高任何涉及地表三维结构影响的过程模型的准确性和稳健性。这包括但不限于生态建模（如研究小气候对物种分布的影响）、水文建模（如融雪和径流模拟）、地质灾害评估以及城市气候与规划。研究通过在高山和城市两种截然不同的环境中的成功应用，证明了所提出方法的广泛适用性，为地理信息科学、遥感、环境科学及城市规划等多个领域的精确空间建模提供了重要的方法论参考和实践指导。
