风光新能源地理空间智能建模与中国屋顶光伏应用

doi:10.11867/j.issn.1001-8166.2026.053

地球科学进展 ›› 2026, Vol. 41 ›› Issue (7): 734 -748. doi: 10.11867/j.issn.1001-8166.2026.053 cstr: 32269.14.adearth.CN62-1091/P.2026.053.

姜侯¹(

), 姚凌²(

), 刘唐¹, 刘昱君³, 秦军⁴

^1.中国科学院地理科学与资源研究所地理信息科学与技术全国重点实验室，北京 100101
^2.中国科学院大学资源与环境学院，北京 101408
^3.南京师范大学气候系统预测与变化应对全国重点实验室，江苏南京 210023
^4.云南师范大学地理学部，云南昆明 650500

收稿日期:2026-05-02 修回日期:2026-06-25 出版日期:2026-07-10
通讯作者: 姚凌 E-mail:jianghou@igsnrr.ac.cn;yaoling@lreis.ac.cn
基金资助:
国家自然科学基金面上项目(42571482);地理信息科学与技术全国重点实验室自主创新项目(YKPI501)

Geospatial Intelligent Modeling Framework for Wind and Solar Energy and Its Application to Rooftop Photovoltaics in China

Hou Jiang¹(), Ling Yao²(), Tang Liu¹, Yujun Liu³, Jun Qin⁴

^1.State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
^2.College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 101408, China
^3.State Key Laboratory of Climate System Prediction and Risk Management, Nanjing Normal University, Nanjing 210023, China
^4.Faculty of Geography, Yunnan Normal University, Kunming 650500, China

Received:2026-05-02 Revised:2026-06-25 Online:2026-07-10 Published:2026-09-23
Contact: Ling Yao E-mail:jianghou@igsnrr.ac.cn;yaoling@lreis.ac.cn
About author:Jiang Hou, research areas include new energy geographic intelligent modeling and big data coupling analysis. E-mail: jianghou@igsnrr.ac.cn
Supported by:
the National Natural Science Foundation of China(42571482);Innovation Project of LREIS(YKPI501)

全文 ( 0 ) 下载PDF ( 3 )

高比例风光新能源接入使源端资源、网端输电、荷端需求和储端调节（源网荷储）之间的时空错配日益突出。针对能源系统约束与地理过程分析相对分离的问题，构建了风光新能源地理空间智能建模框架，梳理资源感知、潜力评估、电力调度、源网荷储协同优化和布局决策等方法，并以中国屋顶光伏为例开展应用验证。结果表明，中国屋顶资源丰富区与容量因子高值区存在空间错配；在90%电网灵活性和相当于平均负荷8小时的储能容量下，屋顶光伏发电并网可实现约4 471.2 MtCO₂的碳减排。屋顶光伏的开发规模需权衡渗透率、弃电率、储能配置与跨区输电能力，空间布局需优化县域组合以维持区域供需平衡。该框架将地理空间智能与源网荷储协同分析结合，可推动风光新能源潜力评估转向可消纳、可减排和可实施的空间决策。

关键词: 新能源规划, 地理空间智能, 潜力评估, 电力调度, 空间布局优化

The large-scale integration of wind and solar energy has intensified spatiotemporal mismatches among source-side generation, grid-side transmission, load-side demand and storage-side flexibility. To address the separation between energy-system constraints and geographic process analysis, this study proposes a geo-intelligent modeling framework for wind and solar energy planning. The framework integrates resource sensing, potential assessment, power-system dispatch, source-grid-load-storage coordination, and spatial layout optimization, and is demonstrated through a case study of rooftop photovoltaics in China. The results show a spatial mismatch between rooftop-rich regions and areas with high photovoltaic capacity factors. Under a scenario of 90% grid flexibility and a storage capacity equivalent to 8 hours of average load, grid-connected rooftop photovoltaic generation could achieve a carbon reduction of approximately 4 471.2 MtCO₂. The optimization results reveal that rooftop photovoltaic development requires trade-offs among penetration improvement, curtailment control, storage allocation and interregional power transmission, while spatial deployment should optimize county-level combinations to maintain regional supply-demand balance. By integrating geospatial intelligence with source-grid-load-storage coordination, the proposed framework can support the transition of wind and solar potential assessment from static resource evaluation toward spatial decisions that are grid-integrable, carbon-mitigating and implementable.

Key words: New energy planning, Geospatial intelligence, Potential assessment, Power dispatch, Spatial layout optimization

中图分类号:

P963

图1 风光新能源源网荷储协同的地理空间智能建模框架

Fig. 1 Geo-intelligent modeling framework for source-grid-load-storage coordination of wind and solar energy

图2 晶体硅光伏组件电流—电压（ I-V ）特性曲线

Fig. 2 Current-Voltage （ I-V ） characteristic curve of crystalline silicon photovoltaic modules

图3 常用风机功率曲线

Fig. 3 Typical power curves of wind turbines

图4 新能源优先消纳的电力调度示意图

Fig. 4 Schematic diagram of power dispatch with priority consumption of renewable electricity

图5 中国内地区域间输电能力与电力流动拓扑

Fig. 5 Inter-regional transmission capacity and power-flow topology in Chinese mainland

图6 中国建筑屋顶资源估算及其空间分布
左侧展示基于高分二号遥感影像提取的江苏省建筑物足迹样例，以及县域尺度屋顶面积与居住区面积的线性关系；右侧展示基于该关系外推得到的中国建筑屋顶面积分布。

Fig. 6 Estimation and spatial distribution of building rooftop resources in China
The left panels show examples of building footprints extracted from Gaofen-2 imagery in Jiangsu Province and the linear relationship between rooftop area and settlement area at the county scale. The right panel shows the estimated rooftop area across China.

图7 中国屋顶光伏发电潜力模拟结果
（a）屋顶光伏最优倾角；（b）年平均容量因子；（c）屋顶光伏年发电潜力；（d）中国电网屋顶光伏年发电潜力。

Fig. 7 Simulation results of rooftop photovoltaic generation potential in China
（a） Optimal tilt angle of rooftop photovoltaic systems；（b） Annual average capacity factor；（c） Spatial distribution of rooftop photovoltaic generation potential；（d） Annual rooftop photovoltaic generation summarized by regional power grids in China.

表1 不同电网灵活性与储能容量情景下各分区电网屋顶光伏碳减排潜力 (MtCO₂)

Table 1 Potential carbon reductions of rooftop photovoltaics under different grid flexibility and storage scenarios

区域	100%灵活性水平			90%灵活性水平			80%灵活性水平
区域	4 h	8 h	12 h	4 h	8 h	12 h	4 h	8 h	12 h
合计	4 011.9	4 715.0	5 153.1	3 722.3	4 471.2	4 762.1	3 393.5	4 091.4	4 212.7
新疆	153.1	166.5	166.8	145.3	165.8	166.8	136.1	163.8	166.4
西藏	4.8	5.9	6.6	4.3	5.3	5.6	3.7	4.4	4.5
青海	20.4	20.4	20.4	20.4	20.4	20.4	20.4	20.4	20.4
甘肃	82.6	95.6	96.6	77.5	93.9	96.5	71.8	90.8	94.5
宁夏	54.6	54.6	54.6	54.5	54.6	54.6	54.3	54.6	54.6
陕西	100.6	126.0	144.5	91.6	117.2	128.5	82.2	102.8	107.7
北京	73.4	86.8	89.6	67.0	80.5	83.2	59.2	68.8	70.3
天津	56.4	68.0	72.3	51.8	64.6	68.5	46.8	58.0	59.7
冀北	125.5	158.2	186.6	115.4	148.3	168.9	104.7	136.9	144.9
冀南	172.1	214.3	245.4	156.2	197.3	213.0	139.7	171.4	176.1
山西	162.2	196.5	208.3	150.7	188.8	204.2	138.0	178.6	188.9
山东	341.1	428.3	504.1	309.7	396.0	442.8	277.0	354.5	367.4
蒙西	151.2	151.3	151.3	150.7	151.3	151.3	148.4	151.3	151.3
蒙东	57.6	71.9	84.0	52.2	66.5	72.7	46.7	59.1	60.3
黑龙江	92.8	114.7	127.0	84.6	104.7	110.9	76.3	90.6	92.8
吉林	71.6	88.8	98.9	65.3	80.8	86.6	58.9	70.2	72.9
辽宁	183.1	230.3	271.1	169.3	217.0	247.1	154.8	202.3	216.3
四川	135.2	158.6	163.5	124.3	152.2	158.1	112.0	136.9	139.5
重庆	48.8	51.5	51.5	45.8	50.8	51.2	41.1	44.9	45.1
河南	225.7	283.2	330.4	201.5	258.5	282.1	176.3	218.9	225.9
湖北	126.2	156.9	176.8	113.9	145.0	156.9	100.7	124.6	129.7
湖南	105.0	131.1	149.4	94.2	118.7	128.3	82.9	99.8	103.7
江西	86.3	108.1	125.3	78.3	99.7	110.0	70.0	87.5	91.1
安徽	120.7	151.9	177.6	107.8	138.5	152.7	94.2	117.6	123.0
江苏	330.3	389.8	406.6	305.0	373.3	394.4	276.0	346.4	358.3
上海	55.2	55.4	55.4	54.5	55.4	55.4	53.0	54.9	55.2
浙江	205.7	212.0	212.5	197.9	209.1	210.0	184.4	203.4	204.4
福建	107.8	110.7	110.8	104.5	110.4	110.6	99.1	109.0	109.5
云南	91.5	114.4	130.7	84.6	107.9	118.9	77.4	99.1	102.9
贵州	68.3	73.7	73.9	63.9	72.9	73.5	58.2	67.4	68.1
广西	86.2	107.9	124.9	78.4	99.9	109.3	70.1	87.7	89.7
广东	299.2	310.8	311.2	286.2	306.4	307.5	265.2	297.4	299.8
海南	16.8	21.1	24.6	15.3	19.6	21.8	13.8	17.6	18.2

表1 不同电网灵活性与储能容量情景下各分区电网屋顶光伏碳减排潜力 (MtCO₂)

Table 1 Potential carbon reductions of rooftop photovoltaics under different grid flexibility and storage scenarios

区域	100%灵活性水平			90%灵活性水平			80%灵活性水平
区域	4 h	8 h	12 h	4 h	8 h	12 h	4 h	8 h	12 h
合计	4 011.9	4 715.0	5 153.1	3 722.3	4 471.2	4 762.1	3 393.5	4 091.4	4 212.7
新疆	153.1	166.5	166.8	145.3	165.8	166.8	136.1	163.8	166.4
西藏	4.8	5.9	6.6	4.3	5.3	5.6	3.7	4.4	4.5
青海	20.4	20.4	20.4	20.4	20.4	20.4	20.4	20.4	20.4
甘肃	82.6	95.6	96.6	77.5	93.9	96.5	71.8	90.8	94.5
宁夏	54.6	54.6	54.6	54.5	54.6	54.6	54.3	54.6	54.6
陕西	100.6	126.0	144.5	91.6	117.2	128.5	82.2	102.8	107.7
北京	73.4	86.8	89.6	67.0	80.5	83.2	59.2	68.8	70.3
天津	56.4	68.0	72.3	51.8	64.6	68.5	46.8	58.0	59.7
冀北	125.5	158.2	186.6	115.4	148.3	168.9	104.7	136.9	144.9
冀南	172.1	214.3	245.4	156.2	197.3	213.0	139.7	171.4	176.1
山西	162.2	196.5	208.3	150.7	188.8	204.2	138.0	178.6	188.9
山东	341.1	428.3	504.1	309.7	396.0	442.8	277.0	354.5	367.4
蒙西	151.2	151.3	151.3	150.7	151.3	151.3	148.4	151.3	151.3
蒙东	57.6	71.9	84.0	52.2	66.5	72.7	46.7	59.1	60.3
黑龙江	92.8	114.7	127.0	84.6	104.7	110.9	76.3	90.6	92.8
吉林	71.6	88.8	98.9	65.3	80.8	86.6	58.9	70.2	72.9
辽宁	183.1	230.3	271.1	169.3	217.0	247.1	154.8	202.3	216.3
四川	135.2	158.6	163.5	124.3	152.2	158.1	112.0	136.9	139.5
重庆	48.8	51.5	51.5	45.8	50.8	51.2	41.1	44.9	45.1
河南	225.7	283.2	330.4	201.5	258.5	282.1	176.3	218.9	225.9
湖北	126.2	156.9	176.8	113.9	145.0	156.9	100.7	124.6	129.7
湖南	105.0	131.1	149.4	94.2	118.7	128.3	82.9	99.8	103.7
江西	86.3	108.1	125.3	78.3	99.7	110.0	70.0	87.5	91.1
安徽	120.7	151.9	177.6	107.8	138.5	152.7	94.2	117.6	123.0
江苏	330.3	389.8	406.6	305.0	373.3	394.4	276.0	346.4	358.3
上海	55.2	55.4	55.4	54.5	55.4	55.4	53.0	54.9	55.2
浙江	205.7	212.0	212.5	197.9	209.1	210.0	184.4	203.4	204.4
福建	107.8	110.7	110.8	104.5	110.4	110.6	99.1	109.0	109.5
云南	91.5	114.4	130.7	84.6	107.9	118.9	77.4	99.1	102.9
贵州	68.3	73.7	73.9	63.9	72.9	73.5	58.2	67.4	68.1
广西	86.2	107.9	124.9	78.4	99.9	109.3	70.1	87.7	89.7
广东	299.2	310.8	311.2	286.2	306.4	307.5	265.2	297.4	299.8
海南	16.8	21.1	24.6	15.3	19.6	21.8	13.8	17.6	18.2

图8 区域协同下的中国屋顶光伏开发规模控制
左下角表示不同电网灵活性和储能容量情景下的帕累托优化结果；地图展示90%电网灵活性和8 h储能容量情景下的最优开发规模、区域间电力流动以及其他灵活性电源需求。

Fig. 8 Optimized development scales of rooftop photovoltaics in China under regional coordinated dispatch
The inset shows Pareto solutions under different grid flexibilities and storage capacities. The map presents optimal development scales， inter-regional power flows， and external flexible-generation requirements under 90% flexibility and 8-hour storage capacity.

图9 面向2030年的中国整县屋顶光伏优化布局方案
左下角表示多目标优化得到的帕累托前沿及最终选定方案；地图展示2030年情景下新增优选县空间分布。

Fig. 9 Optimized county-level expansion scheme for rooftop photovoltaics toward 2030 in China
The inset shows the Pareto front derived from multi-objective optimization and the selected final solution. The map presents spatial distribution of newly selected counties under the 2030 scenario.

表2 传统屋顶光伏潜力评估与地理空间智能建模框架对比

Table 2 Comparison between traditional rooftop photovoltaic potential assessment and geo-intelligent modeling framework

评估维度	传统方法	地理空间智能建模框架	案例体现
数据获取	依赖建设用地面积、区域平均屋顶占比或人口等代理变量估算屋顶资源，空间表达相对粗略	结合遥感解译与智能驱动的海量计算，识别空间精细的建筑屋顶承载空间	实现米级分辨率的全国屋顶资源调查
过程表达	采用年平均容量因子或区域平均发电小时数估算年发电量，难以表达局地气象和时序波动	逐像元、逐小时模拟光伏出力，综合考虑太阳辐射、气温、安装倾角和系统损耗等因素	将年尺度潜力估算扩展至小时尺度，揭示出力波动性的区域差异
系统模拟	通常将技术发电量按比例折算为减排量，对负荷曲线、电网灵活性、储能容量和跨区输电约束考虑不足	耦合逐小时光伏出力、分区负荷曲线、电网灵活性和储能情景，评估并网消纳条件下的可实现减排效益	量化不同电网灵活性和储能容量组合下可实现的碳减排
决策输出	主要输出区域统计量或资源适宜性分区，难以支撑精细化的空间选址与布局	刻画局地资源、出力、负荷和消纳约束的时空格局，服务跨区协同调控和位置精细的空间规划	面向2030年目标和系统约束，识别出1 456个优选开发县域
综合能力	主要回答“理论上能发多少电”，评估链条相对静态	形成闭环分析链条，支撑“能否消纳、能否减排、何处优先开发”的综合判断	输出资源潜力、发电潜力、减排潜力、布局方案等多维决策信息

表2 传统屋顶光伏潜力评估与地理空间智能建模框架对比

Table 2 Comparison between traditional rooftop photovoltaic potential assessment and geo-intelligent modeling framework

评估维度	传统方法	地理空间智能建模框架	案例体现
数据获取	依赖建设用地面积、区域平均屋顶占比或人口等代理变量估算屋顶资源，空间表达相对粗略	结合遥感解译与智能驱动的海量计算，识别空间精细的建筑屋顶承载空间	实现米级分辨率的全国屋顶资源调查
过程表达	采用年平均容量因子或区域平均发电小时数估算年发电量，难以表达局地气象和时序波动	逐像元、逐小时模拟光伏出力，综合考虑太阳辐射、气温、安装倾角和系统损耗等因素	将年尺度潜力估算扩展至小时尺度，揭示出力波动性的区域差异
系统模拟	通常将技术发电量按比例折算为减排量，对负荷曲线、电网灵活性、储能容量和跨区输电约束考虑不足	耦合逐小时光伏出力、分区负荷曲线、电网灵活性和储能情景，评估并网消纳条件下的可实现减排效益	量化不同电网灵活性和储能容量组合下可实现的碳减排
决策输出	主要输出区域统计量或资源适宜性分区，难以支撑精细化的空间选址与布局	刻画局地资源、出力、负荷和消纳约束的时空格局，服务跨区协同调控和位置精细的空间规划	面向2030年目标和系统约束，识别出1 456个优选开发县域
综合能力	主要回答“理论上能发多少电”，评估链条相对静态	形成闭环分析链条，支撑“能否消纳、能否减排、何处优先开发”的综合判断	输出资源潜力、发电潜力、减排潜力、布局方案等多维决策信息

[1]	Yang G L， Zha D L， Cao D Q， et al. Time for a change： rethinking the global renewable energy transition from the Sustainable Development Goals and the Paris Climate Agreement［J］. The Innovation， 2024， 5（2）： 100582.
[2]	Li Shuangcheng， Zhang Yajuan， Wang Zheng， et al. Some ideas on the development of new energy geography ［J］. Acta Scientiarum Naturalium Universitatis Pekinensis， 2026， 62（4）： 838-850.
	李双成，张雅娟，王铮，等. 发展新能源地理学的一些构想［J］. 北京大学学报（自然科学版），2026， 62（4）： 838-850.
[3]	Cook D， Pétursson J G. The role of GIS mapping in multi-criteria decision analysis in informing the location and design of renewable energy projects—a systematic review［J］. Energy Strategy Reviews， 2025， 59： 101765.
[4]	Zhang Z X， Chen M， Zhong T， et al. Carbon mitigation potential afforded by rooftop photovoltaic in China［J］. Nature Communications， 2023， 14： 2347.
[5]	Lin J， Abhyankar N， He G， et al. Large balancing areas and dispersed renewable investment enhance grid flexibility in a renewable-dominant power system in China［J］. iScience， 2022， 25（2）： 103749.
[6]	Jiang Hou， Yao Ling， Bai Yongqing， et al. Assessment of rooftop photovoltaic power generation potentials by using multisource remote sensing data［J］. National Remote Sensing Bulletin， 2024， 28（11）： 2 801-2 814.
	姜侯，姚凌，柏永青，等. 集成多源遥感数据的屋顶光伏发电潜力评估［J］. 遥感学报， 2024， 28（11）： 2 801-2 814.
[7]	Wang Jianshi， Wang Chengxin， Ren Wanxia， et al. “Carbon peaking and carbon neutrality” studies in geosciences： theme， effects， and prospects［J］. Advances in Earth Science， 2023， 38（7）： 757-768.
	王建事，王成新，任婉侠，等. 地理学视角下“双碳”研究：主题、成效及展望［J］. 地球科学进展， 2023， 38（7）： 757-768.
[8]	Mongird K， Bracken C， Burleyson C D， et al. More land is needed for solar and wind infrastructure under a high renewables scenario in the western US by 2050［J］. Communications Earth & Environment， 2025， 6： 765.
[9]	Denholm P， Hand M. Grid flexibility and storage required to achieve very high penetration of variable renewable electricity［J］. Energy Policy， 2011， 39（3）： 1 817-1 830.
[10]	Chen Q， Li X Y， Zhang Z J， et al. Remote sensing of photovoltaic scenarios： techniques， applications and future directions［J］. Applied Energy， 2023， 333： 120579.
[11]	Li Y， Chou J， Zhao W， et al. Development potential and carbon emission reduction effect of photovoltaics in countries along the belt and road［J］. Renewable Energy， 2026， 256： 123837.
[12]	Zambrano-Asanza S， Quiros-Tortos J， Franco J F. Optimal site selection for photovoltaic power plants using a GIS-based multi-criteria decision making and spatial overlay with electric load［J］. Renewable and Sustainable Energy Reviews， 2021， 143： 110853.
[13]	Su F Z， Yan F Q， Wu W Z， et al. Advancing intelligent geography： current status， innovations， and future prospects［J］. Geography and Sustainability， 2025， 6（6）： 100375.
[14]	Xu L， Lin N， Poor H V， et al. Quantifying cascading power outages during climate extremes considering renewable energy integration［J］. Nature Communications， 2025， 16： 2582.
[15]	Li Dahu， Xiao Bo， Rao Yuze， et al. Analysis of the evolution paths and mechanisms of cascading failures in receiving power grids with new energy integration based on causal relationships［J］. Power System Protection and Control， 2026， 54（3）： 46-58.
	李大虎，肖博，饶渝泽，等. 基于因果关系的新能源接入受端电网连锁故障演化路径和机理分析［J］. 电力系统保护与控制， 2026， 54（3）： 46-58.
[16]	Jendoubi I， Bouffard F. Multi-agent hierarchical reinforcement learning for energy management［J］. Applied Energy， 2023， 332： 120500.
[17]	Yang Yu， Guo Yue， Fan Jie， et al. The development and prospects of the study of energy geographies［J］. Acta Geographica Sinica， 2024， 79（1）： 147-170.
	杨宇，郭越，樊杰，等. 能源地理研究的发展与展望［J］. 地理学报， 2024， 79（1）： 147-170.
[18]	Sun Pengjie， He Fei， Chen Zhenghong， et al. Refined assessment of solar energy resources and calculation of technical exploitable capacity considering terrain influence［J］. Southern Energy Construction， 2024， 11（1）： 10-18.
	孙朋杰，何飞，陈正洪，等. 考虑地形影响的太阳能资源精细化评估及技术可开发量计算［J］. 南方能源建设， 2024， 11（1）： 10-18.
[19]	Ying You， Shen Xinhe， Jiang Tingting， et al. Research on wind resource assessment method based on the coupled mesoscale-microscale framework［J］. Renewable Energy Resources， 2021， 39（2）： 195-200.
	应有，申新贺，姜婷婷，等. 基于中微尺度耦合模式的风电场风资源评估方法研究［J］. 可再生能源， 2021， 39（2）： 195-200.
[20]	Jiang H， Zhang X T， Yao L， et al. High-resolution analysis of rooftop photovoltaic potential based on hourly generation simulations and load profiles［J］. Applied Energy， 2023， 348： 121553.
[21]	Zhang D， Zhu Z H， Chen S， et al. Spatially resolved land and grid model of carbon neutrality in China［J］. Proceedings of the National Academy of Sciences of the United States of America， 2024， 121（10）： e2306517121.
[22]	Zhai Y C， Chen X H， Cao X， et al. Identifying wind turbines from multiresolution and multibackground remote sensing imagery［J］. International Journal of Applied Earth Observation and Geoinformation， 2024， 126： 103613.
[23]	Lu N， Li L， Qin J. PV Identifier： extraction of small-scale distributed photovoltaics in complex environments from high spatial resolution remote sensing images［J］. Applied Energy， 2024， 365： 123311.
[24]	Xiao C X， Jiang Q Z， Hao L S. The spatiotemporal patterns of national-subsidized PV power projects in China： evolution and influencing factors［J］. Information Geography， 2026， 2（1）： 100036.
[25]	Liu Licheng， Sun Zhongxiao， Wu Feng， et al. Evaluation of suitability and emission reduction benefits of photovoltaic development in Beijing-Tianjin-Hebei Region［J］. Acta Geographica Sinica， 2022， 77（3）： 665-678.
	刘立程，孙中孝，吴锋，等. 京津冀地区光伏开发空间适宜性及减排效益评估［J］. 地理学报， 2022， 77（3）： 665-678.
[26]	Feng L， Xu P L， Tang H， et al. National-scale mapping of building footprints using feature super-resolution semantic segmentation of Sentinel-2 images［J］. GIScience & Remote Sensing， 2023， 60： 2196154.
[27]	Cui Changnan， Song Hongming， Ma Chun’ai， et al. Refined assessment of technically developable wind and solar energy potential in Naiman Banner， Inner Mongolia［J］. Advances in Earth Science， 2025， 40（12）： 1 394-1 403.
	崔常男，宋泓明，马春爱，等. 内蒙古奈曼旗风光资源技术可开发潜力精细化评估［J］. 地球科学进展， 2025， 40（12）： 1 394-1 403.
[28]	Li Y， Zhou W S， Wang Y F， et al. Interpretable deep learning framework for hourly solar radiation forecasting based on decomposing multi-scale variations［J］. Applied Energy， 2025， 377： 124409.
[29]	Xu S W， Yin G G， Hu P Y， et al. Substantially lower estimates in China’s offshore wind potential using farm-scale spatial modeling and wake effects［J］. Nature Communications， 2026， 17： 2043.
[30]	Wang Y， Chao Q C， Zhao L， et al. Assessment of wind and photovoltaic power potential in China［J］. Carbon Neutrality， 2022， 1： 15.
[31]	Yan J Y， Yang Y， Elia Campana P， et al. City-level analysis of subsidy-free solar photovoltaic electricity price， profits and grid parity in China［J］. Nature Energy， 2019， 4（8）： 709-717.
[32]	Lu M K， Guan J， Wu H H， et al. Day-ahead optimal dispatching of multi-source power system［J］. Renewable Energy， 2022， 183： 435-446.
[33]	Qin B Y， Wang H Z， Liao Y， et al. Challenges and opportunities for long-distance renewable energy transmission in China［J］. Sustainable Energy Technologies and Assessments， 2024， 69： 103925.
[34]	Jiang H， Yao L， Lu N， et al. Exploring the optimization of rooftop photovoltaic scale and spatial layout under curtailment constraints［J］. Energy， 2024， 293： 130721.
[35]	Wang J X， Chen X J， Zhuang M H， et al. Accelerating exploitation and integration of global renewable energy［J］. The Innovation， 2025， 6（7）： 100873.
[36]	Jiang H， Lu N， Wang X C. Assessing carbon reduction potential of rooftop PV in China through remote sensing data-driven simulations［J］. Sustainability， 2023， 15（4）： 3380.
[37]	Zhang N， Duan H B， Yang J K. Land occupation by booming clean energy deserves attention［J］. Science Bulletin， 2023， 68（6）： 571-573.
[38]	Frew B， Sergi B， Denholm P， et al. The curtailment paradox in the transition to high solar power systems［J］. Joule， 2021， 5（5）： 1 143-1 167.
[39]	Jiang H， Yao L， Zhou C H. Assessment of offshore wind-solar energy potentials and spatial layout optimization in mainland China［J］. Ocean Engineering， 2023， 287： 115914.
[40]	Zhou K， Lindenbergh R， Gorte B， et al. LiDAR-guided dense matching for detecting changes and updating of buildings in Airborne LiDAR data［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 162： 200-213.
[41]	Liu T， Yao L， Qin J， et al. Multi-scale attention integrated hierarchical networks for high-resolution building footprint extraction［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 109： 102768.
[42]	Jiang H， Yao L， Lu N， et al. Geospatial assessment of rooftop solar photovoltaic potential using multi-source remote sensing data［J］. Energy and AI， 2022， 10： 100185.
[43]	Jiang H， Lu N， Qin J， et al. Hourly 5-km surface total and diffuse solar radiation in China， 2007-2018［J］. Scientific Data， 2020， 7： 311.
[44]	Muñoz-Sabater J， Dutra E， Agustí-Panareda A， et al. ERA5-Land： a state-of-the-art global reanalysis dataset for land applications［J］. Earth System Science Data， 2021， 13（9）： 4 349-4 383.
[45]	Liu Y J， Yao L， Jiang H， et al. Spatial estimation of the optimum PV tilt angles in China by incorporating ground with satellite data［J］. Renewable Energy， 2022， 189： 1 249-1 258.
[46]	Jiang H， Yao L， Zhang X， et al. Impact of spatial layout optimization on photovoltaic power consumption： insights from China［J］. International Journal of Digital Earth， 2025， 18（1）： 2447339.
[47]	Jiang Hou， Yao Ling， Liu Tang， et al. The development path of cultivating new quality productivity through geographic intelligence［J］. Science & Technology Review， 2025， 43（18）： 41-47.
	姜侯，姚凌，刘唐，等. 地理智能培育新质生产力的发展路径［J］. 科技导报， 2025， 43（18）： 41-47.
[48]	Guo J， Chen M Y， Li Y Y， et al. Dual layer source grid load storage collaborative planning model based on benders decomposition： distribution network optimization considering low-carbon and economy［J］. Energy Engineering， 2026， 123（2）： 1-10.
[49]	Lü G N， Xiong J H， Wu M G， et al. Geographic information discipline development： demands， strategy and challenges［J］. Information Geography， 2025， 1（1）： 100012.

[1]	崔常男, 宋泓明, 马春爱, 胡兵, 何俊梅, 唐文君. 内蒙古奈曼旗风光资源技术可开发潜力精细化评估[J]. 地球科学进展, 2025, 40(12): 1394-1403.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Geospatial Intelligent Modeling Framework for Wind and Solar Energy and Its Application to Rooftop Photovoltaics in China

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Geospatial Intelligent Modeling Framework for Wind and Solar Energy and Its Application to Rooftop Photovoltaics in China