Uploaded by NELSON AVILÉS

Recurso solar en entornos urbanos modelos de estimación del potencial solar y los principales factores que los afectan.docx (1)

advertisement
Review
Recurso solar en entornos urbanos: modelos de estimación del
potencial solar y los principales factores que los afectan
Nelson Avilés 1 y Kevin Torres 2
Citation: Avilés, N.; Torres, K.
Recurso solar en entornos urbanos:
modelos de estimación del potencial
solar y los principales factores que
los afectan. Energies 2022, 3, 7.
https://doi.org/10.3390/xxxxx
Academic Editor: Castillejo
Armando
Received: date
Accepted: date
Published: date
Publisher’s Note:
Copyright: © 2022 by the authors.
Submitted for possible open access
publication under the terms and
conditions of the Creative Commons
Attribution (CC BY) license.
1
2
Nelson Avilés; tomas.aviles@uc.cl
Kevin Torres; ktorres@uc.cl
Abstract: En el presente artículo de revisión se investiga la radiación solar en áreas urbanas
haciendo hincapié en comprender cuáles son los aspectos que influyen en la radiación incidente y
los modelos de estimación solar que mejor representan la realidad. En este estudio se concluyó
que el sombreamiento de edificios y su distribución en la ciudad, tiene una repercusión mayor en
la estimación del recurso solar. Además, se concluyó que no existe un modelo objetivamente mejor
que otro para la estimación del potencial solar, sino que dependerá de los recursos disponibles y la
disponibilidad de información.
Palabras claves: radiación solar; zona urbana; modelos de estimación.
1. Introducción
En las últimas décadas, el recurso solar se ha postulado como una fuente de energía
verde que cada vez tiene mayor inversión y desarrollo tecnológico. Respecto a lo
anterior, son cada vez más las urbes que optan por el aprovechamiento de este recurso.
Por este motivo, la cuantificación y estimación de esta energía en las ciudades también
ha tenido un importante desarrollo de la mano de la mejora del procesamiento
computacional, en un inicio siendo modelo analíticos simples hasta los modelos más
recientes que generan mapas 3D a partir del análisis de imágenes con machine learning.
De esta forma, cabe preguntarse qué elementos se deben considerar en la cuantificación
del recurso solar en entorno urbano que inciden en mayor medida en los resultados y si
existe objetivamente un modelo más eficiente para todos los efectos.
Energies 2022, 15, x. https://doi.org/10.3390/xxxxx
www.mdpi.com/journal/energies
Energies 2022, 15, x FOR PEER REVIEW
2 of 10
2. Métodos para cuantificar la radiación solar en zonas urbanas
La radiación solar es comúnmente medida a través de instrumentos convencionales
que permiten obtener datos sobre la radiación. Sin embargo, para ciertos entornos no es
sencillo obtener una medición debido a que existen múltiples factores que modifican la
uniformidad del entorno como lo son los árboles y edificaciones, por lo que la radiación
no es constante a lo largo de la zona. Estos agentes que provocan irregularidades no
deben ser despreciados al momento de cuantificar la radiación solar en una zona urbana.
Para tener en consideración estos aspectos importantes que afectan la radiación
solar que incide, se utilizan tecnologías capaces de modelar cualidades de una zona
urbana. Entre estas metodologías, se utilizan técnicas que integran conjuntos de datos de
teleobservación a través de escalas espaciales que estiman la irradiancia en áreas urbanas
[1], las cuales pueden ser mejoradas mediante el mapeo del recurso solar con modelos de
integración de sistemas de energía [2].
2.1 Modelos empíricos de la radiación urbana
Los modelos empíricos de radiación emplean ecuaciones analíticas para determinar
la radiación incidente en una superficie para una región de interés. Este tipo de modelos
simplifica aspectos que influyen en el cálculo exacto, ya que, no consideran elementos
como el sombreamiento de edificios cercanos. Los modelos más complejos como el Hay,
consideran variables como el cielo anisotrópico para el cálculo de la difusa lo que genera
resultados más cercanos a la realidad con un error del 2.16% respecto a lo medido [3].
2.2 Modelos computacionales de la radiación urbana
Debido a la complejidad de cálculo que supone el analizar regiones topográficas
urbanas extensa por las numerosas variables que se deben considerar, es que se
desarrollan los modelos computacionales de la radiación [3]. Existen diversos algoritmos
y la elección de implementación de uno u otro dependerá del tiempo del estudio, los
recursos disponibles y la necesidad de exactitud precisada. Los modelos que tienen un
mejor desempeño en una multitud de entorno son el RADIANCE, Daysim y el SOLE, los
cuales son capaces de simular la anisotropía y la reflexión de múltiples superficies [3].
Una aplicación directa de estos modelos es la planificación urbana a través de la
simulación 3D de posibles distribución de las edificaciones. Con esto, se puede generar
una metodología que permita tomar decisiones en base al aprovechamiento del recurso
solar en las fachadas [4].
3. Factores que inciden en la radiación del entorno urbano
Luego de las atenuaciones atmosféricas, la radiación incidente en una región
determinada se ve afectada por las particularidades que presente la zona en cuestión.
Respecto a lo anterior, las superficies urbanas cuentan con varias irregularidades que
deben ser consideradas, debido a que estas áreas no son un terreno plano. Estos aspectos
se pueden ordenar desde la morfología completa de una ciudad, la geometría de
edificios, los street canyons formados por los edificios y el sombreamiento de los árboles.
3.1 Efecto de actividades y morfologías urbanas sobre la radiación solar.
Existen diversas actividades que generan variabilidad en la atmósfera,
principalmente la emanación de aerosoles que influyen en la radiación total que incide
sobre la superficie de la ciudad. Para validar lo anterior, la radiación solar es
significativamente mayor en las zonas rurales [5], lo que señala que la actividad
industrial atenúa la radiación solar.
Por otro lado, la distribución de las construcciones urbanas produce variación sobre
la radiación solar, en base a sus dimensiones y la orientación espacial. Esto permite
diseñar un área para maximizar o minimizar la radiación solar incidente [6], gracias a la
generación de sombreamiento entre las estructuras implicadas y las condiciones
geométricas que brinda el comportamiento de la tierra respecto al sol.
Energies 2022, 15, x FOR PEER REVIEW
3 of 10
Una aplicación de lo anterior, en la ciudad de Ginebra se realizó un estudio sobre la
radiación que incide sobre los tejados de la zona. Los resultados reflejaron que más del
75% de los edificios presentan total sombreamiento [7], esto demuestra que los edificios
generan una disminución en la radiación solar total que incide sobre las superficies de
los techos. Es más, la hora del día también es un factor que determina la disminución de
radiación solar que se logra percibir por las superficies [8], puesto que el ángulo de
elevación es capaz de generar aún más sombreamiento.
3.2 Efecto de edificios sobre la radiación solar
Si se desea entender específicamente la forma en que afectan los edificios a la
radiación solar que incide sobre un área urbana, la medición de datos no es suficiente,
dado que no es capaz de considerar todos los aspectos que influyen dentro de una zona
urbana. De acuerdo con lo anterior, se precisa aplicar modelos o técnicas que sean
capaces de generar resultados representativos.
Uno de estos métodos es la modelación 3D de la superficie urbana para estimar la
radiación solar, tanto para radiación directa, difusa y reflejada. Esta modelación permite
destacar dos resultados importantes: los edificios presentan un rol protagónico respecto
a la disminución de radiación solar que incide sobre la superficie total a causa de la
superposición de sombras generadas por estos mismos y la existencia de edificios altos
permite que la capacidad solar sea mayor respecto a los pequeños, debido al
comportamiento atenuante que presentan las nubes, aunque de manera poco
significativa [9].
También se pueden aplicar modelos de parametrización 3D para la radiación solar,
los cuales se validan con una superficie plana convencional. Este tipo de algoritmos se
aplicó para la ciudad de Beijing y el resultado es la disminución de radiación solar a
causa de las diferencias de alturas de los edificios y los sombreamientos que generan
[10]. Se debe destacar además que, el modelo para bajas resoluciones no muestra una
gran diferencia entre la presencia de edificios y la superficie plana, mientras que para las
resoluciones mayores la diferencia de radiación entre las comparaciones se incrementa.
A partir de esto, se deduce que el impacto de los edificios es, hasta una cierta escala,
importante y para escalas más grandes el efecto es insignificante.
Ahora bien, el efecto de los edificios no solo afecta a la radiación directa o difusa,
sino que también genera un comportamiento distinto para la radiación que se refleja a
causa de las estructuras urbanas. Para comprender bien este efecto en la radiación
reflejada, existe un técnica fotométrica de imagen de alto rango dinámico y mediciones
de eficacia luminosa in situ, en donde se determina la luminiscencia que rodea los
edificios a través de una imagen HDR y que a partir de esto se calcula la irradiancia en
con una ecuación que relaciona la técnica de alto rango dinámico fotométrico y las
mediciones específicas del sitio. Este modelo se valida con la medición de la irradiancia
reflejada con instrumentos puestos de manera vertical en las paredes de los edificios que
fueron parte del estudio.
Finalmente, se concluye que la presencia de edificios influye drásticamente en la
homogeneidad de la irradiancia reflejada y que la irradiancia total sobre los edificios está
conformada en gran parte por la componente reflejada [11]. Estas dos conclusiones
resultan lógicas, puesto que los edificios alteran las direcciones de los flujos de la
radiación y la densidad de edificios permite mayor cantidad de superficies paralelas que
reflejan la radiación solar.
En cuanto a las características geométricas que presentan los edificios dentro de una
zona urbana, se puede corroborar que también influyen en la radiación solar. Para este
caso, existe un estudio sobre la simulación de irradiancia que incide sobre un edificio, en
donde se producen alrededor de 100 iteraciones para determinar una geometría
maximizadora de la irradiancia solar. Particularmente, la geometría corresponde a la de
un tronco de cono con la zona plana de mayor área como techo del edificio, esto
representa un aumento del 53% de irradiancia en comparación a la geometría cúbica
Energies 2022, 15, x FOR PEER REVIEW
4 of 10
convencional [12]. Sin embargo, esta geometría solo maximiza la irradiancia sobre el
edificio de manera unitaria, dado que esta geometría significa mayor generación de
sombreamiento, lo que para un conjunto de edificios resulta en mayor área sombreada.
3.3 Efecto de street canyons sobre radiación solar
La acumulación de edificios dentro de una zona genera la formación de los
denominados street canyons, que como su nombre lo indica, es el espacio generado entre
los edificios ubicados en los bordes de las calles con forma de cañón natural. Para
cuantificar el intercambio de flujos radiativos en los street canyons, se utiliza un método
de aproximación numérica en base a una matriz de variables características para cada
cañón. Sin embargo, esta técnica presenta errores considerables al momento de
validación de resultados, puesto que la buena representación de la realidad depende de
que las superficies de los edificios posean sus albedos y emisividades en un cierto rango.
En cuanto al efecto que producen los street canyons, se atribuye principalmente a las
múltiples reflexiones de radiación solar [13]. La mayor falencia está en la cantidad de
reflexiones que son capaces de considerar, debido a las limitaciones computacionales.
El método recién comentado, presenta claras limitaciones, por lo que el efecto de los
street canyons queda bajo una incertidumbre considerable. Para evaluar esta
incertidumbre se presenta un estudio que aplica una simple representación de un área
con street canyons y se corrobora que influye en la radiación solar incidente [14].
Otra forma de estimar la radiación solar es en base a Google Street View, el cual
establece una particular forma de los street canyons y con la radiación solar diurna estima
la radiación sobre estos. En un estudio que utiliza este método sobre la ciudad de Hong
Kong se obtuvo que la orientación de los street canyons es el principal factor que afecta la
radiación, puesto que si el sol sale de Este a Oeste, y la orientación del street canyons es la
misma prácticamente no afecta. En cambio, si la orientación del street canyon es
perpendicular a la dirección Este-Oeste el efecto toma más relevancia por la generación
de sombreamiento. También, el ancho del street canyon afecta mayoritariamente a las
épocas de invierno y ambos equinoccios, que para la estación de verano [15,16].
3.4 Efecto de los árboles sobre radiación solar
Si bien las zonas urbanas son reconocidas por presentar poca vegetación debido al
tema de espacios y limpieza de los espacios verdes, la presencia de árboles no es nula y
en lo que respecta a radiación solar, este factor debe ser considerado. En un estudio
sobre la disponibilidad solar bajo la presencia de árboles en Argentina, a través del
procesamiento digital de imágenes fotográficas, se determina que los árboles afectan
drásticamente en la época de invierno, en donde se alcanza un máximo de 46% y
mínimo de 24% de la radiación solar total este [17].
A modo de validar estos resultados, se espera que el comportamiento sea replicable
en otros escenarios, lo cual para un estudio sobre una ciudad de Suecia, se evalúa la
transmisividad que presentan las coronas de los árboles de esa zona. Esto se lleva a cabo
mediante dos piranómetros, uno bajo la sombra de los árboles y otro en un techo que no
presenta sombreamiento alguno. Se concluye que para árboles densos, solo alcanza a
incidir entre un 1-5% de la radiación directa. Para invierno, los árboles sin hojas
bloquean entre un 48 y 60% de la componente directa [18, 19].
Si bien los resultados de ambos estudios resultan similares y, en parte se validan,
los árboles no presentan las mismas características, por lo que las atenuaciones que
provoca cada tipo de árbol no son las mismas. En un estudio en Brasil, se analizan las
atenuaciones de distintas especies de árboles, las cuales se miden a través del mismo
método aplicado en la ciudad de Suecia. A partir de lo anterior, se establece que las
atenuaciones varían entre el 70 y 92%, lo cual permite corroborar el impacto de los
árboles sobre la radiación solar [20].
Energies 2022, 15, x FOR PEER REVIEW
5 of 10
4. Modelos de estimación del potencial solar
La directa aplicación de los modelos que permiten determinar la radiación en las
urbes, es la estimación del potencial fotovoltáico en las techumbres de las edificaciones.
En este sentido, se presentan modelos computacionales simples que estiman la radiación
incidente mediante ecuaciones analíticas y otros más complejos que utilizan machine
learning a partir de imágenes satelitales. La selección de un método u otro dependerá de
factores como la disponibilidad de información, la exactitud que se requiere y el tiempo
del estudio.
4.1 Estimación sin modelación 3D
Este tipo de estimaciones, a diferencia de los modelos convencionales, no genera un
mapa tridimensional de la zona a partir de mediciones de profundidad o datos
geográficos específicos, sino que aprovechan los recursos disponibles como lo son las
ecuaciones de componentes e imágenes de libre acceso. La principal ventaja de estos
métodos es la simplicidad y bajo costo computacional y monetario que suponen, lo que
se compensa con la inexactitud de los resultados entregados dado que no considera
variables como la geometría propia de los tejados o el sombreamiento.
4.1.1 Estimación sin reconocimiento de imágenes
Cuando se cuenta con pocos datos de medición referentes a un área extensa, se puede
realizar una aproximación inicial del potencial fotovoltáico a partir de ecuaciones
analíticas que no consideran la geometría de los techos ni sombreamiento causado por
edificios o árboles. Los métodos más simples determinan la radiación incidente en la
región mediante la geometría solar y descuenta pérdidas asociadas a la convección por
diferencia de temperatura y la reflexión de la radiación incidente [21]. La principal
ventaja que supone esta forma de determinar el potencial es que permite una
aproximación inicial al potencial total de una región sin necesitar mucha información.
Como contraparte, el modelo no permite evaluar casos puntuales de la región de
análisis.
4.1.2 Estimación a partir del reconocimiento de imágenes
Los métodos que utilizan imágenes para determinar las características propias de una
región tienen mejores resultados sobre aquellos que son puramente analíticos, ya que
reciben información importante como la geometría de las techumbres lo que da un mejor
entendimiento del potencial solar. Dentro de este grupo de metodologías, se distinguen
de dos tipos:
4.1.2.1 Modelación a partir de imágenes satelitales
Este tipo de metodologías modelan la geografía de la ciudad mediante imágenes
tomadas desde el cielo [22, 23] como las que se pueden obtener en Bing Maps para
caracterizar las dimensiones de los techos. De este tipo de modelos, existe un abanico de
posibilidades según la especificidad del cálculo que se necesite: desde métodos simples
que determinan la superficie total con potencial fotovoltaico a otros más complejos que
consideran impedimentos como chimeneas. Todos estos algoritmos simulan la
irradiación solar y la máxima generación posible.
La gran ventaja que presenta este sistema de modelación, en contraposición con los
métodos que generan mapas 3D de la región de estudio, es que al ser
computacionalmente menos costosos se pueden aplicar a regiones extensas y obtener
resultados con bajos errores en relación a las mediciones empíricas para una resolución
temporal baja, como 30 minutos por ejemplo [24].
Energies 2022, 15, x FOR PEER REVIEW
6 of 10
4.1.2.2 Utilización de imágenes de Google Street View
Otra forma de calcular el potencial en un entorno urbano es mediante imágenes
tomadas en tierra, como las disponibles en Google Street View, y creación de mapas a
partir de la imagen en forma de Fisheye [25]. A partir del cálculo de indicadores
estadísticos, se obtiene el potencial de la zona de análisis. La ventaja de utilizar este
método es que las imágenes que se implementan son de libre y fácil acceso, además de
que el costo computacional es bajo.
4.2 Estimación del potencial fotovoltaico mediante modelación 3D
Este tipo de algoritmos permite la obtención de resultados más exactos debido a que
gracias a imágenes de alta resolución son capaces de interpretar la geometría de las
techumbres tridimensionalmente, lo que mejora considerablemente los resultados.
Sumado a esto, los modelos incluyen factores adicionales como sombreamiento, árboles,
geometría de los techos y su inclinación. Los principales modelos de análisis utilizan
imágenes LIDAR (Light Detection and Ranging or Laser Imaging Detection and Ranging) las
cuales se obtienen mediante sensores infrarrojos que permiten medir las distancias lo
que permite la conformación de mapas 3D denominados Digital Surface Model (DSM).
Además para mejorar la exactitud de sus estimaciones, los modelos incorporan
información GIS (Geographic Information Systems) los cuales aportan información
específica de la región de análisis.
4.2.1 Utilización de imágenes LIDAR de alta resolución
Los modelos que consideran imágenes LIDAR de alta resolución están orientados a la
obtención de resultados más exactos debido a que pueden caracterizar de mejor forma
aspectos geométricos del techo. Con esto, se posibilita la segmentación y clasificación
según potencial de las techumbres de una región amplia lo que beneficia la toma de
decisiones [26]. La obtención de la radiación incidente en la superficie, se obtiene
mediante algoritmos que interpretan las imágenes LIDAR y consideran los factores GIS
de la región de interés. Con esto, se tiene un mapa bidimensional (como si fuese una
matriz) que tiene información de cada píxel analizado lo que posteriormente se extrae
de forma individual para cada techo de forma individual [27].
Para tener una mejor representación de la región de interés, existen metodologías
que complementan con imágenes ortográficas las obtenidas mediante LIDAR, lo que
permite una determinación al detalle de los aspectos importantes en los techos como lo
son la inclinación y chimeneas de una región extensa [28]. Una aplicación directa de esta
metodología, es la implementada para el caso de estudio de Miraflores de la Sierra,
España, donde se simuló la generación y pérdida de paneles solares de diferentes
tecnologías con el objetivo de determinar cuál era mejor [29].
Este tipo de métodos parametriza la geometría de los techos de mejor forma, lo que se
traduce en una mejor interpretación de variables por parte del computador. Con esto, se
obtienen resultados más exactos pero incrementando el costo operacional y registrando
el área de estudio a una menor.
4.2.2 Utilización de imágenes LIDAR de baja resolución
Cuando se desea caracterizar regiones grandes de edificaciones no siempre se puede
contar con imágenes LIDAR de alta resolución que permitan un cálculo exacto del
potencial para cada tejado de estudio. En este contexto, se pueden utilizar imágenes de
baja resolución (2 metros de profundidad) para identificar las edificaciones grandes y
pequeñas y posteriormente asignarles un valor numérico según la semejanza que tenga
con perfiles de techos típicos [30]. Esta metodología fue aplicada en la región de Leeds,
Reino Unido, donde los resultados tuvieron una efectividad del 81% en comparación de
los métodos más complejos [31]. Si bien los resultados tienen un mayor error sobre
aquellos métodos que utilizan imágenes de alta resolución, su principal virtud se
Energies 2022, 15, x FOR PEER REVIEW
7 of 10
expresa en que puede parametrizar la techumbre de una región amplia de forma
relativamente certera sin requerir tanto costo computacional y monetario.
4.2.3 Utilización de imágenes de acceso público
La utilización de imágenes LIDAR es un procedimiento costoso ya que requiere
sensores especializados y equipos de medición los cuales no siempre están disponibles.
En esta línea, surgen alternativas que utilizan herramientas de libre acceso para generar
una estimación, las cuales consideran un modelo 3D de la ciudad obtenido a partir de la
información GIS. A partir de esta data, se calcula el potencial solar mediante la
herramienta PVIGS estimation utility desarrolladas a partir del trabajo realizado en la
European Solar Radiation Atlas y la integración de r.sun en el módulo Grass GIS [32].
5. Desafíos del recurso solar en entorno urbano
Respecto a la determinación del potencial solar, surgen desafíos ligados a optimizar
el algoritmo de forma que se alcance un error bajo sin aumentar en exceso el costo
computacional. Actualmente los modelos que utilizan imágenes de alta resolución e
incluyen variables detalladas del entorno, tienden a requerir un mayor tiempo para el
procesamiento de datos aunque obtienen valores más certeros [33].
Por otro lado y, en relación a la variables utilizadas para la determinación de la
radiación, existe el desafío de mejorar el sistema de detección de materiales y su
consiguiente factor de reflexión. Entre más detallado sea los resultados serán mejores,
sobre todo en grandes urbes con múltiples edificios y superficies reflectantes [34].
Finalmente, la mayoría de los algoritmos orientan sus análisis en la determinación del
potencial fotovoltaico en las techumbres, ya que es el sistema más común en este tipo de
instalación. De acuerdo a lo anterior y, dadas las tendencias recientes, existe un enorme
desafío en la modelación de las fachadas verticales que pueden ser aprovechadas para el
recurso solar [35].
6. Conclusiones
La correcta estimación del recurso solar en el entorno urbano es cada vez más
relevante en la sociedad actual debido a la importancia que ha tenido esta energía para
la transición energética sustentable. Los elementos más importantes que se deben
considerar para cuantificar esta radiación solar son: el efecto de sombreamiento que
generan los edificios y la cantidad de radiación reflejada respecto al total que incide
sobre los edificios (efecto de los street canyons), para los árboles, estos atenúan casi por
completo la radiación solar, incluso más que cualquier edificio debido a que parte de la
fachada de los edificios es considerada superficie útil, aunque la densidad de árboles por
área respecto a la de los edificios es mucho menor, por lo que en definitiva, su efecto es
insignificante, por último la emisión de aerosoles o gases que atenúan la radiación,
aunque esto depende de cada ciudad en particular y los estudios varían para cada caso.
En relación a los modelos que estiman el potencial solar, se puede argüir que no
existe objetivamente un modelo mejor que otro, ya que, dependerá de las características
propias del análisis como los recursos, disponibilidad de información, finalidad del
estudio y extensión de la región de interés. No obstante, los modelos cada vez más
apuntan a reducir el costo computacional y la necesidad de información para obtener
resultados más exactos con los menores costos posibles. En un futuro, se proyecta que
exista un modelo idóneo que considere todas las variables presentadas en este artículo y
articule las bondades de los distintos algoritmos de predicción, a modo de tener un
sistema robusto que se desempeñe satisfactoriamente en una amplia mayoría de
estudios.
Energies 2022, 15, x FOR PEER REVIEW
8 of 10
Referencias
[1] Tooke, T. R., Coops, N. C., Christen, A., Gurtuna, O., & Prévot, A. (2012). Integrated
irradiance modelling in the urban environment based on remotely sensed data.
Solar Energy, 86(10), 2923–2934. https://doi.org/10.1016/j.solener.2012.06.026
[2] Wegertseder, P., Lund, P., Mikkola, J., & García Alvarado, R. (2016). Combining solar
resource mapping and energy system integration methods for realistic valuation
of urban solar energy potential. Solar Energy, 135, 325–336.
https://doi.org/10.1016/j.solener.2016.05.061
[3] Freitas, S., Catita, C., Redweik, P., & Brito, M. (2015). Modelling solar potential in the
urban environment: State-of-the-art review. Renewable and Sustainable Energy
Reviews, 41, 915–931. https://doi.org/10.1016/j.rser.2014.08.060
[4] Gooding, J., Crook, R., & Tomlin, A. S. (2015). Modelling of roof geometries from
low-resolution LiDAR data for city-scale solar energy applications using a
neighbouring
buildings
method.
Applied
Energy,
148,
93–104.
https://doi.org/10.1016/j.apenergy.2015.03.013
[5] Wang, K., Ma, Q., Wang, X., & Wild, M. (2014). Urban impacts on mean and trend of
surface incident solar radiation. Geophysical Research Letters, 41(13), 4664–4668.
https://doi.org/10.1002/2014gl060201
[6] Bahgat, R., Reffat, R. M., & Elkady, S. L. (2020). Analyzing the impact of design
configurations of urban features on reducing solar radiation. Journal of Building
Engineering, 32, 101664. https://doi.org/10.1016/j.jobe.2020.101664
[7] Boccalatte, A., Thebault, M., Ménézo, C., Ramousse, J., & Fossa, M. (2022). Evaluating
the impact of urban morphology on rooftop solar radiation: A new city-scale
approach based on Geneva GIS data. Energy and Buildings, 260, 111919.
https://doi.org/10.1016/j.enbuild.2022.111919
[8] Pedro, S. R. VALPO SOLAR, MAPEO SOLAR DE CIUDADES.
[9] Zhu, R., Wong, M. S., You, L., Santi, P., Nichol, J., Ho, H. C., Lu, L., & Ratti, C. (2020).
The effect of urban morphology on the solar capacity of three-dimensional cities.
Renewable Energy, 153, 1111–1126. https://doi.org/10.1016/j.renene.2020.02.050
[10] Zhao, B., Liou, K. N., Gu, Y., He, C., Lee, W. L., Chang, X., Li, Q., Wang, S., Tseng, H.
L. R., Leung, L. Y. R., & Hao, J. (2016). Impact of buildings on surface solar
radiation over urban Beijing. Atmospheric Chemistry and Physics, 16(9),
5841–5852. https://doi.org/10.5194/acp-16-5841-2016
[11] Heim, D., & Knera, D. (2021). A novel photometric method for the determination of
reflected solar irradiance in the built environment. Renewable and Sustainable
Energy Reviews, 137, 110451. https://doi.org/10.1016/j.rser.2020.110451
[12] Zhang, L., Zhang, L., & Wang, Y. (2016). Shape optimization of free-form buildings
based on solar radiation gain and space efficiency using a multi-objective genetic
algorithm in the severe cold zones of China. Solar Energy, 132, 38–50.
https://doi.org/10.1016/j.solener.2016.02.053
[13] Harman, I. N., Best, M. J., & Belcher, S. E. (2004). Radiative Exchange in an Urban
Street
Canyon.
Boundary-Layer
Meteorology,
110(2),
301–316.
https://doi.org/10.1023/a:1026029822517
[14] MeshkinKiya, M., & Paolini, R. (2021). Uncertainty of solar radiation in urban
canyons propagates to indoor thermo-visual comfort. Solar Energy, 221,
545–558. https://doi.org/10.1016/j.solener.2021.04.033
[15] Gong, F. Y., Zeng, Z. C., Ng, E., & Norford, L. K. (2019). Spatiotemporal patterns of
street-level solar radiation estimated using Google Street View in a high-density
urban
environment.
Building
and
Environment,
148,
547–566.
https://doi.org/10.1016/j.buildenv.2018.10.025
[16] Liu, Y., Zhang, M., Li, Q., Zhang, T., Yang, L., & Liu, J. (2021). Investigation on the
distribution patterns and predictive model of solar radiation in urban street
Energies 2022, 15, x FOR PEER REVIEW
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
[29]
[30]
9 of 10
canyons with panorama images. Sustainable Cities and Society, 75, 103275.
https://doi.org/10.1016/j.scs.2021.103275
Cantón, M. A., Cortegoso, J. L., Mesa, N. A., & Rosa, C. D. (2001). Sustentabilidad
energética del parque edilicio en entornos urbanos forestados. Análisis de la
disponibilidad del recurso solar. Avances en Energías Renovables y Medio
Ambiente, 5.
Redon, E. C., Lemonsu, A., Masson, V., Morille, B., & Musy, M. (2017).
Implementation of street trees within the solar radiative exchange
parameterization of TEB in SURFEX v8.0. Geoscientific Model Development,
10(1), 385–411. https://doi.org/10.5194/gmd-10-385-2017
Konarska, J., Lindberg, F., Larsson, A., Thorsson, S., & Holmer, B. (2013).
Transmissivity of solar radiation through crowns of single urban
trees—application for outdoor thermal comfort modelling. Theoretical and
Applied
Climatology,
117(3–4),
363–376.
https://doi.org/10.1007/s00704-013-1000-3
Bueno-Bartholomei, C. L., & Labaki, L. C. (2003, September). How much does the
change of species of trees affect their solar radiation attenuation. In International
conference on urban climate (Vol. 5, pp. 267-270).
Bocca, A., Bottaccioli, L., Chiavazzo, E., Fasano, M., Macii, A., & Asinari, P. (2016).
Estimating photovoltaic energy potential from a minimal set of randomly
sampled
data.
Renewable
Energy,
97,
457–467.
https://doi.org/10.1016/j.renene.2016.06.001
Mainzer, K., Killinger, S., McKenna, R., & Fichtner, W. (2017). Assessment of rooftop
photovoltaic potentials at the urban level using publicly available geodata and
image
recognition
techniques.
Solar
Energy,
155,
561–573.
https://doi.org/10.1016/j.solener.2017.06.065
Wiginton, L., Nguyen, H., & Pearce, J. (2010). Quantifying rooftop solar photovoltaic
potential for regional renewable energy policy. Computers, Environment and
Urban
Systems,
34(4),
345–357.
https://doi.org/10.1016/j.compenvurbsys.2010.01.001
Buffat, R., Grassi, S., & Raubal, M. (2018). A scalable method for estimating rooftop
solar irradiation potential over large regions. Applied Energy, 216, 389–401.
https://doi.org/10.1016/j.apenergy.2018.02.008
Lan, H., Gou, Z., & Xie, X. (2021). A simplified evaluation method of rooftop solar
energy potential based on image semantic segmentation of urban streetscapes.
Solar Energy, 230, 912–924.
Lukač, N., ŽLaus, D., Seme, S., ŽAlik, B., & ŠTumberger, G. (2013). Rating of roofs’
surfaces regarding their solar potential and suitability for PV systems, based on
LiDAR
data.
Applied
Energy,
102,
803–812.
https://doi.org/10.1016/j.apenergy.2012.08.042
Kodysh, J. B., Omitaomu, O. A., Bhaduri, B. L., & Neish, B. S. (2013). Methodology
for estimating solar potential on multiple building rooftops for photovoltaic
systems.
Sustainable
Cities
and
Society,
8,
31–41.
https://doi.org/10.1016/j.scs.2013.01.002
Martín-Jiménez, J., del Pozo, S., Sánchez-Aparicio, M., & Lagüela, S. (2020).
Multi-scale roof characterization from LiDAR data and aerial orthoimagery:
Automatic computation of building photovoltaic capacity. Automation in
Construction, 109, 102965. https://doi.org/10.1016/j.autcon.2019.102965
Gooding, J., Crook, R., & Tomlin, A. S. (2015). Modelling of roof geometries from
low-resolution LiDAR data for city-scale solar energy applications using a
neighbouring
buildings
method.
Applied
Energy,
148,
93–104.
https://doi.org/10.1016/j.apenergy.2015.03.013
Jacques, D. A., Gooding, J., Giesekam, J. J., Tomlin, A. S., & Crook, R. (2014).
Methodology for the assessment of PV capacity over a city region using
Energies 2022, 15, x FOR PEER REVIEW
[31]
[32]
[33]
[34]
10 of 10
low-resolution LiDAR data and application to the City of Leeds (UK). Applied
Energy, 124, 28–34. https://doi.org/10.1016/j.apenergy.2014.02.076
Hofierka, J., & Kaňuk, J. (2009b). Assessment of photovoltaic potential in urban
areas using open-source solar radiation tools. Renewable Energy, 34(10),
2206–2214. https://doi.org/10.1016/j.renene.2009.02.021
Polo, J., Martín-Chivelet, N., Alonso-Abella, M., & Alonso-García, C. (2021c).
Photovoltaic generation on vertical façades in urban context from open
satellite-derived solar resource data. Solar Energy, 224, 1396–1405.
https://doi.org/10.1016/j.solener.2021.07.011
Lobaccaro, G., Frontini, F., Masera, G., & Poli, T. (2012b). SolarPW: A New Solar
Design Tool to Exploit Solar Potential in Existing Urban Areas. Energy Procedia,
30, 1173–1183. https://doi.org/10.1016/j.egypro.2012.11.130
Polo, J., Martín-Chivelet, N., Alonso-Abella, M., & Alonso-García, C. (2021b).
Photovoltaic generation on vertical façades in urban context from open
satellite-derived solar resource data. Solar Energy, 224, 1396–1405.
https://doi.org/10.1016/j.solener.2021.07.011
Download