Saya benar-benar bekerja pada itu dan saya menggunakan QGIS, GRASS dan geotools + opencarto perpustakaan java untuk mencapai tujuan saya. Saya bisa memberi Anda langkah-langkah utama:
- Dari literatur akademis, tampaknya MBR terkecil adalah metode terbaik untuk menemukan orientasi utama bangunan (penting untuk diketahui untuk menghitung hasil panel surya). Pertama-tama Anda harus menghitung orientasi utama setiap bangunan. The opencarto perpustakaan memiliki metode untuk itu (yang ini mengapa saya datang ke java dan GeoTools untuk melakukannya)
- Rasterisasi data Anda untuk menghitung kemiringan dan aspek (diperlukan untuk menghitung radiasi matahari). Untuk mendapatkan bayangan dengan akurat, Anda harus menggabungkan MNT dengan layer raster bangunan Anda. Pilih radius penyangga untuk bekerja. Langkah ini bermanfaat jika Anda bekerja di daerah pegunungan misalnya karena mereka merupakan penghalang radiasi matahari.
- Saya menemukan dua cara untuk mendapatkan radiasi matahari tahunan. Yang pertama menggunakan modul GRASS r.sun dan prosesnya cukup lama karena Anda harus menghitung radiasi matahari untuk musim cerah (lihat kode di bawah ini - mendapatkannya dari GRASS wiki kurasa) Metode pertama ini mendapatkan nilai radiasi matahari tahunan. Yang kedua lebih pendek dan kurang akurat, menggunakan gdaldem hillshade di equinoxes dan solstice pada waktu yang tepat. Prinsip ini adalah untuk mengecualikan bagian-bagian bangunan yang terlalu gelap dan menerapkan nilai radiasi unik untuk semua bangunan (ada situs web ilmiah untuk mendapatkan informasi ini).
Tentu saja ada beberapa langkah lagi untuk mendapatkan nilai potensi matahari, tetapi ini adalah bagian spasial yang lebih rumit. Jika saya dapat memberi Anda saran lain, sebelum memulai proyek apa pun, baca sedikit tentang teknologi panel surya. Anda akan melihat bahwa banyak hipotesis dapat diubah.
Saya sudah dapat mengatakan bahwa metode ini memiliki beberapa batasan:
- tidak memperhitungkan bayangan vegetasi
- jangan mempertimbangkan kemiringan atap
- membangun orientasi utama tidak sempurna
Tapi saya pikir, pada skala wilayah / regional, metode ini tidak buruk, terutama untuk daerah pedesaan.
Metode ini mungkin sempurna, (saya ingin memiliki kemiringan atap misalnya untuk mendapatkan akurasi yang lebih baik dari hasil panel surya, tetapi data spasial saya tidak memberikan itu) jadi jika Anda memiliki ide untuk melakukannya, saya akan senang membacanya.
Semoga ini bisa membantu!
Script sun Grass menggunakan modul r.sun :
#!/bin/sh
echo "Enter elevation map :"
read elev
g.copy rast=$elev,SOLelev
echo "Enter slope map:"
read sl
g.copy rast=$sl,SOLslope
echo "Enter aspect map :"
read asp
g.copy rast=$asp,SOLaspect
i=75
lastday=288
# we fit to the raster input region
g.region rast=SOLelev
#generate an empty map for global radiation:
r.mapcalc "global.rad=0"
while [ $i -le $lastday ]
do
# generate map names convenient for xganim and r.out.mpeg:
DAY=`echo $i | awk '{printf "%03i", $1}'`
echo "Computing radiation for day $DAY..."
r.sun -s elevin=SOLelev aspin=SOLaspect slopein=SOLslope\
day="$i"\
beam_rad=b_rad.$DAY diff_rad=d_rad.$DAY\
refl_rad=r_rad.$DAY
#add to (cell-wise) global energy:
r.mapcalc "global.rad=global.rad + b_rad.$DAY +\
d_rad.$DAY + r_rad.$DAY"
r.timestamp b_rad.$DAY date="$i days"
r.colors b_rad.$DAY col=gyr
r.timestamp d_rad.$DAY date="$i days"
r.colors d_rad.$DAY col=gyr
r.timestamp r_rad.$DAY date="$i days"
r.colors r_rad.$DAY col=gyr
i=`expr $i + 1`
done
#cleanup:
g.remove rast=SOLelev,SOLaspect,SOLslope
g.mremove -f rast="b_rad*"
g.mremove -f rast="d_rad*"
g.mremove -f rast="r_rad*"
echo "Finished."
