【论文分享】通过太阳轨迹和街景图像测量不同街道网络方向的太阳辐射及其时空分布

本次我们给大家带来一篇SCI论文的全文翻译。该论文利用街景数据和太阳轨迹模拟技术，揭示了不同方向街道上的太阳辐射在时空上的差异，为城市的可持续发展提供了更有针对性的策略。

【论文题目】

Measuring solar radiation and spatio-temporal distribution in different street network direction through solar trajectories and street view images

【题目翻译】

通过太阳轨迹和街景图像测量不同街道网络方向的太阳辐射及其时空分布

【期刊信息】

International Journal of Applied Earth Observation and Geoinformation, Volume 132, August 2024, 104058

【作者信息】

Lei Wang，天津大学建筑学院；

Ce Hou，香港科技大学土木及环境工程系；

Yecheng Zhang，清华大学建筑学院；

Jie He（通讯作者），哈尔滨工业大学建筑学院，hejie2021@hit.edu.cn；

【论文链接】

https://doi.org/10.1016/j.jag.2024.104058

【关键词】

太阳辐射强度、街景图像、街道方向、深度学习、街道峡谷。

【摘要】

在快速城市化和全球变暖的双重压力下，管理太阳辐射已成为亟待解决的问题。在此背景下，城市街道网络对太阳辐射的潜在调节作用引起了广泛关注。然而，现有研究缺乏对街道方向影响的理解。通过利用街景数据和太阳轨迹模拟技术，可以揭示不同方向街道上的太阳辐射在时空上的差异。研究结果表明，南北向街道的太阳辐射普遍低于东西向街道。在空间差异方面，北京五环的平均太阳辐射比二环高出25.38%。在时间上，8月（最高月）的平均太阳辐射比10月（最低月）高出15.98%。此外，东西向街道在夏季的太阳辐射变化更为明显。研究还发现，太阳辐射的周期性变化也被发现与街道角度有关，在30°和180°处有不同的频率和幅度。本研究首次关注城市尺度上道路的方向属性。通过利用10万张街景图像，计算和分析了北京夏季不同方向上太阳辐射的时空分布。研究结果为太阳辐射分布与城市道路形态之间的关系提供了新的见解。

【前言】

街道上的每棵树和每个建筑物都在太阳能的影响下塑造了独特的微气候环境，不断影响城市居民的生活体验及其感知 (Li, 2021)。街道峡谷中的热辐射量将影响居民对户外活动的偏好 (Huang et al., 2015; Hwang et al., 2011; Jin et al., 2017; Lin et al., 2013)。这也是影响人类热舒适度的关键参数 (Hodder and Parsons, 2006; Kurazumi et al., 2013)。在炎热的夏季，长期暴露在阳光下会导致市民感到炎热不适，减少他们进行户外活动的机会 (Hwang et al., 2011; Lin et al., 2013, 2010)，这一问题在全球变暖的背景下显得尤为紧迫。夏季的极端热浪对人类的福祉和日常生活也会产生显著的负面影响 (Jin et al., 2017; Kurazumi et al., 2013)。因此，了解高密度城市地区太阳辐射的时空变化对于创造宜居和可持续的城市环境至关重要。

城市建筑环境对城市太阳辐射的影响已在城市科学和环境科学领域引起了相当大的关注。多项研究已探讨和检验了各种建筑环境因素与街道峡谷中太阳辐射之间的关系。例如，街道峡谷中的太阳辐射受太阳轨迹、树木覆盖率和街道网络方向等因素的影响 (Carrasco-Hernandez et al., 2015; Hwang et al., 2011; Johansson, 2006; Lin et al., 2013)。植物能够吸收阳光并进行光合作用，同时通过水的蒸发影响微气候 (Onishi et al., 2010)。高大的树冠可以提供阴影，防止直射阳光照射到地面 (Armson et al., 2013)。城市道路的几何特征，如道路密度和交叉口数量，可以影响人类的出行水平和偏好 (Chen et al., 2022; Li et al., 2023)。道路可达性更高的区域通常拥有更多的遮荫设施。此外，街道峡谷内的建筑物也会影响到达地面的辐射 (Ali-Toudert and Mayer, 2006; Sanusi et al., 2016; Zhang et al., 2017)。这些研究强调了植被、建筑物和道路等建筑环境要素的重要性，为城市决策者提供了必要的见解。

除了分析影响太阳辐射的相关因素外，识别和测量太阳辐射的效率也至关重要。然而，实证研究方法依赖于专业设备 (Acuna˜Paz et al., 2021)。虽然实证研究具有高度的可靠性，但耗时且无法进行大规模实验。此外，利用小区域的太阳辐射测量来预测整个城市区域是不准确的，特别是在一些结构非常复杂的城市街道峡谷。因此，迫切需要有效、准确且可靠的方法来测量和理解城市环境中太阳辐射的时空分布。

近年来，街景图像已被证明是观察城市建筑环境的可靠工具，为实地视觉测量提供了一种低成本的解决方案，且在大规模测量和计算太阳辐射方面显示出巨大潜力。研究人员已经利用街景图像研究各种城市现象和应用。例如，城市空间感知测量 (Wang et al., 2022; Zhang et al., 2018)、街道峡谷绿化结构评估 (Sun et al., 2021; Zhang et al., 2023; Zhu et al., 2023)、城市犯罪率预测 (Yao et al., 2023; Zhang, 2021)、街道峡谷中物体位置估计 (Liu et al., 2023; Lumnitz et al., 2021) 以及建筑环境分析 (Gao et al., 2023; Liu and Liu, 2022)。与此同时，计算机科学的快速发展促进了从街景图像中提取隐藏特征的能力。例如，基于变换的深度学习方法被开发用于检测城市地区的障碍物 (Hu et al., 2023)。利用公共政府数据从街景图像中预测建筑年龄的研究也取得了进展 (Sun et al., 2022)。图像语义分割已被用于识别街景中建筑物的颜色并生成色彩图 (Zhai et al., 2023)。

与以往研究中的空白相比，我们的工作主要针对以下四个研究问题，以增强对太阳辐射和城市形态学领域的理解：

1. 如何利用包含时间和方向信息的街景图像计算太阳辐射的分布？

2. 夏季不同方向的街道中太阳辐射变化的趋势是什么？

3. 内城区与外城区不同街道方向的太阳辐射变化是否一致？

4. 不同街道方向的太阳辐射分布特征对城市规划和环境优化提供了哪些见解？

本研究的创新主要体现在以下几个方面：首先，利用大规模街景图像数据，提供了一种低成本、高效率的方法来测量不同街道方向的太阳辐射。其次，本研究不仅关注太阳辐射的空间分布，还深入探讨了不同夏季月份的辐射时间变化。最后，通过引入街道方向的周期性变化分析，揭示了街道角度的微小变化如何显著影响太阳辐射，为城市热环境的精细管理提供了新视角。

具体而言，我们首先收集了2015年至2022年夏季5月至10月间近10万处街道的全景街景图像。这些图像代表了城市建筑环境。接下来，我们将全景图转换为鱼眼图像，并计算鱼眼图像中的太阳轨迹。通过利用国家太阳辐射数据库，我们准确计算了整个城市的太阳辐射。考虑到时空异质性，区分太阳辐射的空间和时间分布及其机制至关重要。为了实现这一目标，我们根据城市五环的边界划分空间，并根据夏季划分时间，从而深入分析太阳辐射和街道网络方向的变化。这些发现不仅丰富了太阳辐射研究的理论框架，还为城市规划和可持续发展提供了实践指导。

【文献综述】

2.1 太阳辐射模拟与计算

随着技术的进步，研究人员提出并开发了多种方法和工具来计算街道峡谷网络中的太阳辐射水平。数值模拟模型能够捕捉空间异质性变化 (Gal and Kantor, 2020)。计算流体动力学 (CFD) 软件模型如FLUENT已被广泛应用于研究城市气候和太阳辐射水平 (Blocken, 2015)。然而，在包括建筑物、植被和公共基础设施的建成环境中模拟城市需要更强的计算能力和更长的分析时间。由于对计算机性能和计算成本的高要求，非专业人士很难在大规模城市模型中的应用CFD模型(Mirzaei, 2021)。另一种经典方法是基于遥感影像计算树冠覆盖率和植被指数等参数，以解释城市街道峡谷中的微气候调节 (Chen et al., 2006; Kong et al., 2014b, 2014a)。然而，这种方法仅反映特定时间段内的遥感影像，无法考虑街道峡谷内复杂树冠结构和精确太阳轨迹而模拟出准确的太阳辐射值。随着高分辨率数字模型数据的广泛应用，模拟街道峡谷内的精确太阳辐射值变得可能。然而，这些数字城市模型通常不包括街道树的树冠层 (Li et al., 2018)。

Matzarakis等人(2010) 使用地面半球图像并结合现场测量，准确测量城市街道峡谷中的太阳辐射和热环境。他们证明，地面半球图像是模拟和测量城市街道峡谷内太阳辐射的有价值的补充数据源。地面半球图像的使用允许更好地考虑太阳入射角。基于此，Li和Ratti使用城市街景图像测量太阳辐射 (Li and Ratti, 2019)。在另一项研究中，研究者使用街景图像测量了城市道路的太阳光伏潜力 (Liu, 2019)。

2.2 街道网络对热辐射的影响

城市形态模式，包括街道模式和街道密度，影响着城市功能和微气候 (Li et al., 2023)。然而，由于自然环境、社会经济环境和历史规划的多样性，街道网络模式发生变化。现有研究表明，街道网络模式的变化对交通安全 (Marshall and Garrick, 2011)、公共健康 (Marshall et al., 2014)、能源消耗 (Mohajeri et al., 2015) 和犯罪安全 (Summers and Johnson, 2017) 有显著影响。以往研究提出了多种方法来识别街道网络模式。Marshall (2004) 定义了五种街道类型：线性、树状、放射状、单元和混合。其他研究测量了环形(Heinzle et al., 2006)、网格(Yang et al., 2010) 和复杂变化模式 (Zhou and Li, 2015)。最近，熵的概念被用于测量街道网络的全局模式（秩序或无序）。方向熵，即测量街道方向变化的指标，被视为街道网络模式及其相关城市形态的重要指标。方向熵已被用于研究全球100个城市，揭示美国和加拿大的城市比其他地方更趋向于网格模式(Boeing, 2019)。Coutrot等人(2022) 基于方向熵进一步解释了人类的空间方向能力。

街道网络对太阳辐射有明显影响。从理论上讲，东西向街道接收阳光的时长较长，因为其与太阳运动方向一致 (Zhang et al., 2017)。研究发现，分布在东西向街道上的街道树对街道峡谷微气候提供了更强的降温效果 (Sanusi et al., 2016)。另一项研究开发了一个三维城市表面模型 (3D-USM) 用于气候环境的时空模拟，量化了不同街道方向的太阳辐射水平，为应对城市化和气候变化提供了有效的城市降温策略 (Yun et al., 2023)。现有研究证据表明，长期接触舒适的街道空间有助于居民的身体活动 (Hickman, 2013)。舒适的街道也增强了人们对城市街道的美学欣赏，并能减少个人压力 (Carmona et al., 2018)。高质量街道带来的积极因素使得各领域的学者和城市规划者更加重视创造具有良好感官体验的街道(Hagen and Tennøy, 2021)。因此，考虑街道辐射强度是街道改造和重建项目的前提。识别街道网络方向对太阳辐射的影响有助于理解城市发展的现状，并研究不同街道网络方向对我们的城市气候和环境的影响 (Araújo De Oliveira, 2022)。

【研究区域和数据描述】

本研究选择北京市的城市区域作为研究对象，主要涵盖五环路以内的区域（见图1）。五环路作为城市与郊区的分界线，是土地利用分区的重要标准。研究区域阳光充足，年均日照时间为2000–2800小时。该区域的大部分道路呈南北或东西方向，展现出相对规则的布局 (Yang et al., 2021)。此外，研究区域内包括多种类型的城市峡谷，包含高楼大厦和狭窄小巷，这些因素使得太阳辐射条件变得复杂 (Liu, 2019)。所有这些因素使得对北京太阳辐射的分析成为一个重要课题。

我们以百度街景图像（BSVI）作为街景数据的来源。作为中国主要的街景数据提供商之一，百度提供了全面的几乎覆盖整个北京市的街景图像，并定期更新数据，使其成为该地区街景研究的主要数据来源之一 (Biljecki and Ito, 2021)。

考虑到植物生长受季节变化的影响，冬季落叶对通过太阳轨迹法测量太阳辐射的结果有显著影响。此外，本研究并不专注于比较夏季和冬季的太阳辐射水平。因此，我们仅筛选并保留了夏季（5月至10月）的街景数据。我们从OpenStreetMap (OSM) 获取了北京市五环路内的道路网络，并利用该道路网络数据以50米间隔创建街景采样点（见图1(c)），从中获取街景图像。通过这种方法，我们共收集到436,592张来自157,732个采样点的街景图像，每张图像均为全景视图。

接下来，我们根据2015年至2022年5月至10月之间的采集时间筛选采样点（见图2(b)），最终得到98,910张符合我们标准的全景街景图像。本研究的一个主要焦点是街道方向对太阳辐射的影响。通过解析元数据，我们可以获得车辆行驶方向与地理北方向之间的角度（Angle），如图2所示。

图1. 研究区域(a)中国，(b)北京，(c)北京五环研究区。

图2. 夏季街景图像元数据的采集与过滤。(a)街景图像元数据采集;(b)按拍摄时间过滤夏季街景。

【研究方法】

4.1 鱼眼图像的生成

全景街景图像的收集是通过根据季节和年份进行筛选，同时记录每个街景的元数据。为了计算太阳轨迹，我们将这些全景街景图像从等距圆柱投影转换为等距方位投影，生成鱼眼图像 (Li and Ratti, 2019)。这种图像转换方法特别适合本研究，因为它可以将复杂的城市环境简化为可计算的几何模型，从而更准确地模拟城市街道上的太阳辐射分布。这种转换不仅提高了太阳轨迹计算的精度，还使我们能够更可靠地预测不同街道方向对太阳辐射接收的影响。具体而言，通过将图像转换为鱼眼投影，我们可以更准确地分析植物阴影和反射对太阳辐射的干扰，从而为分析提供更可靠的数据支持。

该转换的数学模型详细如图3(a)所示。这里， Wc 和 Hc 分别代表全景图像的宽度和高度，因此鱼眼图像的半径为，鱼眼图像的宽度和高度为。因此，鱼眼图像的中心 Cx, Cy 可以使用公式 (1) 计算得出。对于鱼眼图像中的任何像素位置(xf, yf)，其在全景图像中的对应像素位置 (xc, yc) 可以使用公式 (2) 得到。

对于鱼眼图像中的任意给定坐标 (xf, yf)，与起始位置的角度θ和从中心的半径 r 可以分别使用公式 (3) 和 (4) 计算：

基于上述模型，全景街景图像被转换为鱼眼图像。然而，生成的鱼眼图像并未将实际的北方向对齐于顶部。因此，有必要根据相机与北方向的角度（在元数据中记录）计算旋转角度。旋转角度可以使用公式 (5) 计算。接着，使用OpenCV工具对图像进行逆时针旋转，使鱼眼图像的顶部朝向地理空间中的实际北方向（见图2(c)）。

在公式 (5) 中， Angle 代表从百度街景全景图像的元数据中得出的角度。而RotateAngle 则是使用OpenCV计算的图像逆时针旋转的角度（如图2(c)所示）。值得注意的是，由于所有图像需要遵循相同的逆时针旋转方向，当 Angle > 180 时，我们使用540度而非360度。这确保了旋转后的鱼眼图像与太阳轨迹在二维平面上具有相同的坐标系统。这种对齐使得太阳轨迹能够叠加在鱼眼图像上，从而进行本研究中太阳辐射的计算。

图3. 用于计算太阳辐射和热舒适的鱼眼图。(a)全景隐蔽鱼眼图像公式，(b)鱼眼图像角度和掩模校正示例，(c) 用于计算太阳辐射的5 - 10月太阳运行轨迹。

4.2 太阳辐射的计算

在特定日期，太阳在天空中的运动轨迹可以基于精确的经纬度坐标进行计算。通过将太阳轨迹叠加在鱼眼图像上，我们可以计算直接和散射的太阳辐射。这些信息被用于表示特定位置的太阳辐射。在计算太阳辐射时，必须考虑天空对鱼眼图像的影响。以往研究采用了阈值分割方法来识别植被与天空之间像素颜色的差异。在本研究中，我们使用了一种复杂的预训练深度学习模型 (Zhou et al., 2018) 进行图像语义分割（见图3(c)）。该模型在图像分割方面达到了80.91%的准确率，满足了我们的研究精度要求。因此，我们将太阳的运动轨迹与鱼眼图像重叠，以测量太阳的照射时间。图3(c)展示了2020年某一地点的太阳运动轨迹，覆盖了5月至10月的时间段，选取了每个月中间的15天。太阳的位置以10分钟间隔沿轨迹计算。本研究假设理想的晴天条件，没有云层遮挡，这可能会导致与城市实际物理环境的一些偏差。

太阳辐射由两个组成部分构成：直接辐射和散射辐射(Anderson, 1964; Fu and Rich, 2002)。从全景街景图像生成的鱼眼图像可以合理预测城市街道中的太阳辐射 (Rich, 1989)。因此，在本研究中，我们利用近年来夏季的鱼眼图像数据来计算街道辐射。

对于直接辐射，我们基于太阳轨迹与鱼眼图像中天空像素的交集比率进行计算。计算过程可以用公式 (6) 表示。在该公式中，h1表示日出时间，h2表示日落时间。θh 表示时间 h 的太阳天顶角。Bh 表示时间 h 太阳是否被阻挡，取值为布尔值0或1。

散射辐射是指在大气中散射的太阳辐射。它可以通过考虑遮荫障碍物的分布和散射天空进行估算 (Rich, 1989)。假设天空中散射辐射的均匀分布，可以将天空划分为8x16的网格，以创建天空图。到达地面的散射辐射比例可以使用公式 (7) 进行预测。在该公式中，, Ga,z表示通过图像语义分割获得的可见天空比例，, θa,z,2和 θa,z,1分别是天空区域的上限和下限边界，θz是天空区域重心的太阳天顶角。

街道上的总辐射可以通过将太阳的总直接辐射和总散射辐射相加来计算(Richards and Edwards, 2017)。在公式 (8) 中，太阳的总直接辐射 Raddi 和总散射辐射Raddif是使用无阻挡地面站点数据计算的，数据来自国家太阳辐射数据库(https://www.nrel.gov/rredc/)。通过使用这些数据，我们可以计算出2020年5月1日至10月31日北京的平均每日直接辐射和散射辐射，分别为4549.34 Wh/m²和2288.03 Wh/m²。

最后，我们计算5月至10月之间的平均总太阳辐射，分别用Rmay和Roct表示。五个月的平均辐射用公式 (9) 表示，作为太阳辐射的指标。

4.3 街道方向阈值

街道方向的具体量化如图4所示。如前所述，我们利用街景图像捕获的元数据来确定街道网络的方向。当车辆行驶在南北向街道时，记录的角度数据落在三个范围内：0°<Angle < 30°、150°<Angle < 210°、and 330°<Angle < 360°。为了避免歧义并便于计算，我们将360°和0°视为两个独立的值。另一方面，当车辆行驶在东西向街道时，记录的角度数据落在两个范围内：60°<Angle < 120°、240°<Angle < 300°。

我们的研究区域总共包含98,910个街景点。为了探讨图5中所示的内城和外城划分，我们以北京市的五个同心环路为基础划分区域。然后，我们对每个区域进行街道方向统计。在第五环路和第四环路内，共有44,686个点，其中17,555个点朝南北方向，19,429个点朝东西方向，占有效数据的82.76%。在第四环路和第三环路之间，共有23,485个街景点，其中9,713个点朝南北方向，10,805个点朝东西方向，占有效数据的87.37%。在第三环路和第二环路之间，共有15,767个街景点，其中7,034个点朝南北方向，7,263个点朝东西方向，占有效数据的90.68%。在第二环路内，共有14,971个街景点，其中6,206个点朝南北方向，8,122个点朝东西方向，占有效数据的95.71%。

图4. 道路和鱼眼街景方向的量化和定义。(a)南北方向角计算，(b)东西方向角计算。

图5. 北京五环道路走向统计

【结果】

5.1 不同街道方向下太阳辐射的空间分布

我们提出的方法能够在城市规模上精确测量太阳辐射持续时间和分布。在本研究中，除了定量分析外，我们还调查了城市区域太阳辐射的空间分布。为了直观展示太阳辐射的地理分布，图6展示了每个街景点的太阳辐射地理空间水平。首先，我们从数据中剔除太阳辐射为零的异常值。使用最大值和最小值作为范围，我们应用自然断点分类法，使用五种颜色渐变来表示不同水平的太阳辐射，渐变范围从冷色调到暖色调。冷色调代表最低水平的太阳辐射，而暖色调则代表最高水平。

图6左侧展示了北京市中心城区所有街道采样点的太阳辐射空间分布。为了更清晰地显示空间格局，在右图6中，我们进一步将太阳辐射聚集成直径为300m的六边形网格，并计算其平均值。平均值为0的六边形网格被排除。与正方形网格相比，六边形网格具有更多边缘，可以更好地表示太阳辐射的空间聚集。

总体而言，北京的太阳辐射分布呈现出在外部边缘辐射较高，逐渐向内侧降低，然后再次向中心增加的模式。此外，太阳辐射的分布表现出聚集性。将北京市划分的五个同心环路显示出相对均衡的高太阳辐射分布。城市北部和西北部有明显的低太阳辐射聚集区。北部的低辐射区域对应于北京奥林匹克森林公园，而西北地区则有近20所高等院校，如清华大学和北京林业大学。从公共服务设施的角度来看，公园以及大学的建筑群和绿地对减少太阳辐射有显著的积极影响。城市中心区域被长安街占据，街道宽度达到48米。街道宽度是导致中心区域太阳辐射较高的主要因素。

图6. 左图为北京五环地区太阳辐射的空间分布，使用了原始的街景点坐标。在右图中用六边形表示平均统计。

为了讨论街道网络方向对太阳辐射地理分布的影响，我们分别选择了南北向和东西向的街道采样点。在图7中，分别可视化了这两种不同方向的采样点和六边形网格太阳辐射。为了实现视觉可比性，我们还对数据分类规则进行了标准化。在图7(a)中，南北向街道的整体太阳辐射水平明显低于图7(b)中的东西向街道。从图中的对比可以看出，与外城相比，内城的太阳辐射在南北方向上的减少更为明显。这些空间分布与北京的发展时期相关，表明早期建设的内城区社区提供了更多来自建筑物和植被的街道遮阴，且这些植被已有较长的生长时间。相比之下，外城区的太阳辐射的减少较为缓慢，尤其是在北京南部西南方向。这表明外城区的植物和建筑物比例在鱼眼视图中变化较小，反映出某些区域物理环境的变化趋势。分析这些南北向和东西向街道的太阳辐射空间分布有助于考虑城市物理环境的影响，从而提供对这些特征背后复杂机制的深入理解。

此外，这些差异对城市规划、发展和人类行为具有重要影响。例如，建筑物的高度和密度会影响阳光的阻挡，导致不同方向的太阳辐射变化。规划者可以利用太阳辐射数据来优化建筑布局和城市绿地设计，并制定建筑高度的相关法规，以提高能源效率和居民舒适度。此外，阳光的持续时间和强度变化可能影响出行习惯和户外活动安排。因此，深入探讨太阳辐射差异的成因及其对城市规划和人类行为的潜在影响，将为可持续城市发展提供重要的科学依据。

图7. 不同街道方向太阳辐射的地理空间分布。(a)南北街道的太阳辐射分布;(b)东西街道的太阳辐射分布。

5.2 太阳辐射的时空变化

在北京夏季，不同街道方向的太阳辐射存在显著的空间差异。在图8(b)中，我们绘制了这种差异的比较。从五环路到二环路，东西向街道在不同位置的太阳辐射均高于南北向街道。两种方向的太阳辐射也表现出从内城区向外城区的递增趋势。北京第五环路的平均太阳辐射比第二环路高出25.38%。在图8(a)中，还可以观察到，除了太阳辐射的递增趋势外，内城区的辐射标准差较大，而外城区的辐射分布更为集中。

图8. 夏季不同街道方向太阳辐射的空间变化分析

在表1中，我们汇总了不同方向在各位置的太阳辐射数据特征。对于第二环路，南北向街道的平均太阳辐射为2634.92 Wh/m²，中位数为2646.37 Wh/m²。相比之下，东西向街道的平均和中位太阳辐射显著更高，分别为3301.79 Wh/m²和3574.13 Wh/m²。对于第三环路，南北向街道的平均太阳辐射为2747.76 Wh/m²，而东西向街道为3260.52 Wh/m²。从二环到三环，两个方向的太阳辐射都有所增加，但东西方向的太阳辐射仍显著高于南北方向。进入第四环路，南北向街道的平均太阳辐射进一步增加到3094.79 Wh/m²。相比之下，东西向街道的平均太阳辐射为3604.54 Wh/m²，显示出与南北向的更大差距。在第五环路，南北向街道的平均太阳辐射达到3460.54 Wh/m²，而东西向街道为3982.89 Wh/m²。这一地区的太阳辐射在四个环路中最高，尤其是东西方向。

表1. 夏季不同街道方向太阳辐射(wh/m2)的空间变化

通过比较分析，我们可以清楚地观察到，南北向街道的太阳辐射普遍低于东西向街道，这与我们之前的研究发现一致。不同街道方向之间太阳辐射差异显著的原因有以下几点：

1. 城市历史与发展：北京作为中国的古都，具有悠久的城市发展历史，街道布局受古代规划的影响。内城区早期建设的社区通常街道狭窄且建筑密度高，提供了更多的遮阴，减少了太阳辐射。相比之下，外城区的街道和建筑布局相对较新，可能导致更高的太阳辐射。

2. 建筑分布与高度：市中心的建筑通常更为密集和高大，为街道提供了更多的遮阴，减少了太阳辐射。在郊区，尤其是在第五环路沿线，建筑的分布和高度可能因土地利用法规更为宽松而有所不同，导致太阳辐射增加。

3. 植被覆盖：植被能够有效吸收和散射太阳辐射。内城区有显著的植被覆盖，例如北京奥林匹克森林公园，这为城市提供了绿色遮阴伞。此外，大学校园内丰富的绿地也有助于减少太阳辐射。

4. 街道方向与物理环境：北京的街道主要呈南北和东西方向。由于地球的自转和地理位置，南北向街道在大多数时间内可能常常处于建筑物的阴影中，导致太阳辐射减少。而东西向街道在早晨和傍晚时段则直接暴露于阳光下，太阳辐射增加。

5. 特定区域特征：例如，长安街宽度达48米。这类宽街道允许更多的直射阳光到达地面，从而导致太阳辐射增加。

这些因素共同导致不同街道方向上太阳辐射的明显变化，提供了对城市物理环境复杂机制的深入理解。

5.3 街道方向对太阳辐射的影响

在北京，夏季不同街道方向的太阳辐射也存在显著的时间差异。在图9(b)中，我们应用了二次曲线拟合来展示这一趋势。总体而言，东西向街道在5月至9月期间的太阳辐射较高，但在10月，由于太阳轨迹的变化，出现了突然下降。总体来看，夏季东西向街道的太阳辐射变化更为明显。另一方面，南北向街道的太阳辐射变化则较为平缓。此外，如图8(a)所示，可以观察到东西向街道的太阳辐射变化标准差更大，这导致城市居民在这些街道上感知到的热量变化更为显著。

图9. 夏季不同街道方向太阳辐射的时间变化分析

在表2中，我们整理了不同方向在各时间段的太阳辐射数据特征。通过检查不同月份的数据，可以观察到5月至10月期间的太阳辐射趋势。对于南北向街道，平均太阳辐射在8月最高，而在10月最低。8月的太阳辐射比5月高出15.98%。相比之下，东西向街道在10月的太阳辐射明显下降。该趋势表明，随着夏季的推进，街道上的太阳辐射逐渐减少，呈现出先增加后再减少的模式。此外，不同街道方向的太阳辐射标准差存在差异，说明太阳辐射的变异性存在差异。东西向街道在9月和10月表现出较高的太阳辐射变异性。

表2. 夏季不同街道方向太阳辐射(wh/m2)的时间变化。

在考虑街道角度的周期性变化时，我们的分析必须确保拟合曲线在两端的连续性。为了确保在0°和360°之间的连续拟合，我们采用了一种特定策略，将数据集扩展至±30°（330°到390°）。随后，绘制的曲线范围被截断至0°到360°。公式如下：

在公式 (10) 中，“Angle”代表原始数据集中的角度，而“Anglenew”则代表扩展后的数据集。我们将330°到360°之间的数据减去360°，得到的新数据范围为-30°到0°。类似地，我们将0°到30°之间的数据加上360°，得到的新数据范围为360°到390°。然而，在绘制图10时，我们仅显示0°到360°的范围。

如图10(a)所示，我们在二维坐标系中对每个街景点的街道方向和太阳辐射进行量化数据分析。每个灰点代表一个街景样本点，x轴表示与街景点对应的街道方向角度，而y轴表示计算出的太阳辐射值。与北京的街道网络分布相似，街景样本点主要分布在南北向和东西向。南北向（0°/360°和180°）的太阳辐射水平在y轴上明显低于东西向（90°和270°）。值得注意的是，除了四个主要方向的主要分布外，图中还用红框标示了次要分布角度。这些角度大约在30°、130°、220°和310°，与北京的街道布局相符。这四个角度方向的街道是东西向和南北向之间的连接。

图10(b)分析了每个一度角内平均相对太阳辐射变化的六次多项式拟合曲线。我们汇总并计算了在一度角内所有灰点的平均太阳辐射，该平均值由实心绿色点表示。同样，x轴表示平均值的对应街道方向角度，y轴表示计算出的平均太阳辐射。然后，我们用相同颜色的虚线将它们连接起来，描绘出城市中所有街道方向角度的太阳辐射总体变化。为了平滑过程，我们采用六次多项式曲线进行拟合。拟合结果显示，多项式曲线的波谷出现在南北方向，这些方向上出现了两个波谷。有趣的是，我们可以观察到除了两个峰和波谷之外，还存在更多的变化周期，这些周期值得注意并可以通过傅里叶变换进一步分析。在整个振动频率中，有两个主要的振动频率曲线。每条曲线包含两个周期内的多个振动，发生在0°（180°）、30°（210°）、60°（240°）、90°（270°）、120°（300°）、150°（330°）和180°（360°）等角度。

由此，我们可以观察到一个有趣的现象。从0°开始，每增加30°表示一个振动周期。尽管图中30°的振动曲线并不完全规则，但我们仍然可以识别出一定的模式。随着街道方向角度的变化，每六个小振动周期形成一个完整的太阳辐射变化周期。因此，从南北向街道到东西向街道的太阳辐射增加并不是线性的，而是周期性的、逐渐增加的。这些发现为理解街道方向与太阳辐射之间的关系提供了新的视角。

图10. 街道方向角度与太阳辐射的相关性分析。(a)绘制每个街景的角度和太阳辐射，以直观地显示其分布;(b)太阳辐射随角度增加的周期性变化分析。

【讨论】

6.1 研究现象总结

如图11所示，我们利用全景街景数据计算了城市街道空间中不同方向的太阳辐射，并追踪了太阳的路径。基于计算结果，揭示了以北京为代表的城市尺度太阳辐射的地理空间分布和时空变化特征。通过对街道网络方向与太阳辐射之间关系的深入分析，观察到了几个关键现象。首先，北京的太阳辐射分布在地理空间上表现出显著的异质性，中心区域与周边区域之间的太阳辐射强度存在明显差异。这种分布模式与城市建筑布局、绿地覆盖率和街道宽度等因素密切相关。例如，由于长安街的独特宽度和历史重要性，其太阳辐射强度明显高于其他区域。其次，街道的方向性对太阳辐射有显著影响。在北京，南北向街道通常接收到的太阳辐射低于东西向街道，这与地球自转轴和北京的特定地理位置有关，导致南北向街道在大多数时间内处于建筑物的阴影中。此外，从时间角度来看，太阳辐射的强度不仅受季节因素影响，还受到街道方向的影响。在夏季，不同月份的东西向街道太阳辐射强度变化更为显著，而南北向街道则相对稳定。这一现象揭示了城市规划在优化居民的辐射感知时需要考虑季节和时间变化。最后，通过分析街道角度与太阳辐射的相关性，我们发现太阳辐射与街道角度之间存在周期性变化。这一现象表明，即使街道方向的微小变化也可能对太阳辐射产生显著影响，从而影响城市居民的日常生活。

不同方向的太阳辐射对城市环境的影响也多种多样。例如，在租房和房地产市场，朝南或朝北的房产通常价格较高。这是因为居民认为这种方向能提供更长的日照时间，提升房间的居住体验。然而，从建筑设计的角度来看，朝西的墙面在夏季会接收到强烈的阳光，导致室内温度升高。这些发现为城市规划和管理提供了宝贵的见解，强调在街道设计和重建中考虑太阳辐射的重要性。特别是在全球变暖和城市热岛效应加剧的背景下，这些研究为全球城市的可持续发展提供了更有针对性的策略。

图11. 从不同街道网络方向的街景全景图中选择计算太阳辐射的样本。

6.2 城市发展的政策启示

随着城市化的加速，在城市设计规划中考虑居民热感知并对太阳辐射进行量化管理已成为一项紧迫的任务。本研究深入理解了不同街道方向和时间上的太阳辐射的变化，为城市决策者和规划者提供了有价值的见解。

城市历史与发展的重要性：北京古老的城市结构与现代化进程交织在一起，特别是内城与外城之间太阳辐射的差异，提供了有趣的启示。它突显了城市历史和发展轨迹在影响太阳辐射分布中的关键作用。因此，在考虑未来城市规划时，必须重视保护城市的历史和文化遗产，同时确保新的开发项目与现有城市结构和环境的协调。

绿色空间与建筑设计的整合：本研究强调了植被和建筑物对太阳辐射的影响。为了优化城市的辐射状态，我们应鼓励在城市规划中整合绿色空间与建筑设计。例如，可以实施增加城市绿地、屋顶绿化和垂直绿化等措施。增强校园和公园等基础公共设施的绿化，可以有效影响太阳辐射，为城市居民提供更舒适的生活环境。

全面考虑街道方向与物理环境：考虑到街道方向对太阳辐射的显著影响，未来的城市规划应更加关注街道方向与物理环境之间的关系。例如，南北向街道可能更适合高密度建筑，以提供更多遮阴并减少太阳辐射，而东西向街道则可能需要更多的绿地和开放区域来影响太阳辐射。

人类活动与房价：研究表明，房屋的方向直接影响其能耗和居住舒适度。例如，朝南的房屋在冬季可以接收更多的太阳热量，从而减少取暖需求，提高能效。因此，这类房屋在市场上通常价格较高。相反，朝北的房屋虽然在夏季可以避免过多的直射阳光，减少空调使用频率，但自然光照较少，不受购房者青睐。此外，街道方向也显著影响人类活动模式。如果城市公共空间能够有效利用太阳辐射方向，市民的户外活动体验将得到显著提升。例如，朝东南方向的绿道和广场可以在早晨提供充足的阳光，这不仅促进市民的晨练，还增加了这些公共空间的使用频率。这些例子充分说明了太阳辐射和街道方向在房地产市场和人类活动中的重要性。未来的研究可以进一步量化这些影响，并探讨如何更好地利用分析结果在城市规划和建筑设计中，以改善居民的生活质量和城市的可持续性。

【研究局限性与未来工作】

然而，本研究存在一些局限性。本研究聚焦于于夏季，可能未考虑其他季节太阳辐射的变化。除了街道方向、城市发展和植被覆盖外，还有许多其他因素可能影响太阳辐射，例如云层覆盖和大气污染。虽然多项式拟合和傅里叶变换可以描述数据的某些特征，但它们可能过于简化，无法捕捉所有细微差别。

在未来的研究中，重要的是补充和细化其他季节的太阳辐射分布，以获得更全面的年度分析视角。扩展研究区域以验证研究结论也至关重要。通过测量不同的城市形态，可以发现街道方向影响太阳辐射分布更精确的模式。随着技术的不断进步，特别是深度学习模型的发展，这些先进技术可以显著改善太阳辐射分布的描述和预测。

在这一研究领域，我们可以引入深度学习模型，如卷积神经网络 (CNN) 和长短期记忆网络 (LSTM)，来分析和处理复杂的太阳辐射数据。这些模型在捕捉数据中的非线性关系和时空特征方面具有显著优势，从而提高预测精度。此外，深度学习技术可以整合多源数据，包括气象数据、卫星图像和历史辐射数据，以提供更全面和详细的辐射分布预测。未来的研究可以进一步探索如何优化这些模型，以实现太阳辐射分布的高精度预测，从而为相关领域提供更强有力的支持。

【结论】

本研究深入探讨了街道网络方向对高密度城市（如中国北京）太阳辐射的影响。我们发现，太阳辐射的分布在地理空间分布上显著受到街道方向的影响，与内城区相比，靠近城市边缘的区域太阳辐射更高。在夏季的时间分布方面，东西向街道的太阳辐射强度变化显著，而南北向街道则表现出相对稳定的模式。通过对街道方向与太阳辐射之间的相关分析，我们发现了周期性模式，这为城市规划和设计提供了有价值的见解。通过分析大规模街道级数据，本研究提供了更详细和全面的太阳辐射地理空间分布图，揭示了街道方向（尤其是南北向和东西向）与太阳辐射之间的密切关系，这有助于构建以人为本的城市。此外，本文分析了北京的城市发展历史、建筑分布与高度以及植被覆盖等因素如何影响太阳辐射。通过采用多项式拟合和傅里叶变换，本研究揭示了太阳辐射与街道方向之间的周期性模式。

图4.(a) 基于SHAP值的输入变量：展示了XGBRall模型中输入变量的重要性，从高到低排序。(b) 基于XGB特征分数的输入变量：展示了XGBRall模型中输入变量的重要性，从高到低排序。

3.2. 道路PM2.5与气象条件

我们将各站点的样本PM2.5与离这些站点最近的官方空气质量监测站的测量值进行了比较。结果见图S9和S10。高峰时段的道路PM2.5浓度显著较高，道路PM2.5中位数比官方测量数据高1.58–2.07倍，特别是在主街道上的站点2和站点3。高浓度异常值主要出现在站点1和站点3。我们进一步分析了交通量与PM2.5浓度之间的关系。如图S8d所示，站点3的PM2.5中位数比固定监测站的值高30 μg/m³，这在三个站点中是最高的。值得注意的是，站点3也是所有站点中交通量最大的。三个位点PM2.5中位数与固定站点差值的皮尔逊相关系数为0.972，表明它们之间存在正相关关系。

便携式气象站每2秒测量的气温在下午通常高于早晨（见图S11）。风速大多小于或等于2 m/s（图S12）。相对湿度趋于稳定，波动较小（图S13）。

3.3. 评估模型化PM2.5浓度

3.3.1. XGBR性能与SHAP分析

XGBR模型用于预测站点1–3的实时PM2.5浓度，使用了收集到的道路场景、交通量、气象条件和背景PM2.5浓度。在站点1–3对每个模型进行训练和性能评估时，使用了相同站点的数据。五个XGBR模块的决定系数（R²）达到了0.956（图S14a和S15）。使用我们随机选择的500个测试样本显示，预测的PM2.5浓度在高浓度和低浓度范围内的拟合也很好（图S16）。

这五个模型的Shapley分析结果揭示了PM2.5背景浓度（来自官方空气质量监测站）和气象条件是对道路PM2.5贡献最大的因素，其次是道路场景和交通量。图4(a)展示了XGBRall对预测PM2.5浓度的不同输入变量的贡献，按从高到低排序。在站点1–3中，背景PM2.5浓度的SHAP值最高，与实时道路PM2.5浓度正相关。在这些气象变量中，相对湿度和大气压力对建模PM2.5有正面贡献，而温度则有负面贡献。风速的SHAP值为零，表明风速对实时道路PM2.5浓度没有显著贡献。对于道路场景，建筑物覆盖区域的比例与实时道路PM2.5浓度呈负相关关系。图S17显示，在站点1、站点2的XGBR1、XGBR1-封锁和XGBR2模型中，背景PM2.5浓度、气象条件和交通量的输入变量重要性依次递减。然而，对于站点3，输入变量的重要性依次为气象因素、背景PM2.5浓度和交通量。

3.3.2. 模型外推能力评估

XGBRall模型基于站点1-3的数据构建，表现出良好的预测性能（R²= 0.956）。然而，在额外的20个测试站点（T1至T20）上，其回归预测能力不足（见表S6），表明XGBRall缺乏外推能力。因此，我们转向评估XGBC模型的外推能力。图5的结果表明，XGBC的表现显著优于XGBRall。在20个测试站点中，有60%的站点的准确率高于0.6。此外，有7个站点的准确率超过了0.9。还有6个站点的准确率低于0.2，其余7个站点的准确率在0.4到0.9之间。其中，站点T1达到了最高的准确率0.998，而站点T4的准确率为零，表现最差。20个站点的平均准确率为0.592。

【讨论】

在本研究中，我们评估了道路PM2.5浓度与街景、气象条件和交通量之间的关系，采用了CVT方法。我们旨在进一步探索这种方法在预测道路PM2.5浓度中的潜在应用。结果显示，气象条件、交通量和街道峡谷形态是影响道路PM2.5浓度模型预测性的主要因素。

道路和建筑物是城市街道峡谷的主要形态，与道路上大气污染物的扩散密切相关。例如，地点1和地点3的建筑物比地点2的建筑物高；建筑物的存在影响了天空覆盖度，即低天空覆盖度意味着建筑物更多。SHAP分析可以辨别出建筑物覆盖面积和天空覆盖度在预测街道PM2.5浓度中的重要性。街道峡谷中PM2.5的移动观测和计算流体动力学模拟常采用街道纵横比（H/W）来估计空气污染物的去除。密集建筑的街道形态可以解释PM2.5空间变异的37%（He et al., 2017; Hu et al., 2021）。虽然本研究中未使用H/W模型，但显然地点1和地点3的H/W大于地点2，并且在形态上对称，可能导致更多的涡旋形成，这不利于PM2.5的去除。这可能是地点1和地点3的PM2.5浓度高于地点2的原因之一（Yazid et al., 2014）。

相对湿度和气压与PM2.5表现出正相关关系，而温度与PM2.5之间没有明显关系。之前的研究表明，高相对湿度不利于污染物的扩散，但有利于街道上二次PM2.5的形成（Huang et al., 2016）。由于兰州市的山谷地形导致稳定的层结和宁静的风速，不利于空气污染物的扩散，反而导致污染物的积累（Deaves & Lines, 1998）。温度对污染物扩散的影响一方面可以归因于热不稳定性，这有助于将空气污染物带出大气边界层；另一方面，街道形态和风向可能对污染物去除产生相反的效果，导致污染物在街道路边地面附近积累。如图S17所示，气压与地点3的PM2.5浓度具有显著的正相关关系。在地点1，气压与PM2.5之间的正相关性较弱但仍然明显。相比之下，地点2这种关系不明显。基于当前的分析方法，我们很难深入探讨不同地点之间变量贡献的差异。然而，当前方法所提供的全球变量重要性已显示气象因素的显著性。

车辆是道路上移动排放的主要来源。风速、风向、街道峡谷形态、车辆速度和车辆行驶方向的综合影响可能增加道路上空气污染物的传播，并增强PM2.5从街道峡谷中的去除。在我们的研究中，地点3的交通量最高，PM2.5水平倾向于较高；然而，地点1和地点2没有显示出与PM2.5的明确关系。带有蓝色车牌的燃油车对道路PM2.5浓度的影响大于其他车辆类型。然而，我们的研究无法区分车辆对道路PM2.5的贡献是否源自行驶车辆扬起的灰尘还是车辆排放。

模型的目标是预测PM2.5浓度，XGBR模型在不同地点的预测性能确实存在差异。图S15b明显指出，地点1的模型性能逊色于其他地点，而图S15和图S16则表明地点1的PM2.5值较高。我们比较了预测和采样浓度的统计分布，如图S20a所示。模型在预测高PM2.5浓度时表现出显著的误差，而预测值的分布与220 μg/m³以下浓度的采样值分布一致（图S20b）。因此，预测高值的缺陷可能是导致模型性能下降和结果不确定性的一个重要因素。值得注意的是，XGB方法是一种集成模型方法，融合了多个输出结果的分布。因此，预测高浓度的缺陷更可能归因于高浓度场景数据的稀缺。

模型输入输出变量的结果提供了气象条件、临近道路建筑形态和交通排放在影响道路PM2.5浓度中的不同作用的见解。在道路两侧高耸建筑物、交通流量大的街区以及气象条件不利于扩散的城市区域，在评估通勤期间PM2.5暴露时需要特别关注。在这些区域中，应定期实施固定和移动监测，以确定通勤个体在高峰时段的潜在长期暴露。

目前，利用道路影像数据进行PM2.5暴露评估展示了回归模型和分类模型各自的优势。回归模型提供了更精确的预测结果，而分类模型具有潜在的迁移能力。然而，当前模型框架仍存在一些限制。首先，气象数据作为影响不同道路交叉口PM2.5浓度差异的重要变量，仍需额外设备进行获取。其次，现实世界中的交通影像可能在分辨率、颜色和场景覆盖等方面与我们收集的数据不同，可能会影响模型结果。此外，尽管分类模型展现了迁移能力，但其稳定性仍不足以支持实际应用，因此需要进一步在真实场景中进行开发和验证。

总之，我们的研究结果确认了利用交通影像预测实时道路PM2.5浓度及其暴露评估的适用性。此外，这种方法还可以分析气象、建筑属性和交通流量等变量对不同道路交叉口PM2.5浓度的影响。迁移能力的潜力也使得该方法有可能以更高的时空分辨率捕捉城市道路大气污染特征。

【结论】

在本研究中，我们尝试建立一个利用城市交通摄像头捕捉的街景图像和机器学习模型来预测道路PM2.5污染的模型框架。我们展示了机器学习模型在道路PM2.5预测中的优秀表现。该模型在较小的样本量下实现了较好的道路PM2.5预测准确性。街景提供了有关车辆和道路环境的附加信息，使其成为道路PM2.5预测的重要变量。然而，在道路PM2.5浓度的快速波动方面，气象条件发挥了更重要的作用。

模型的外推能力在实际应用中决定了成本降低的潜力。目前的方法在一些地点表现出了出色的外推能力，表明其应用潜力。然而，考虑到当前外推结果的不稳定性，将当前研究结果应用于实际道路场景仍显不足。尽管如此，随着模型框架和数据的改进，这种低成本的道路PM2.5预测方法有可能成为现实。我们期待类似的方法在更多城市进行测试。借助人工智能技术，我们期望利用现有的公共基础设施，如交通摄像头，为城市环境和公共卫生管理者提供更丰富的工具和信息。