2023年全球最終能源消耗量達到530艾焦（EJ），其中城市地區占能源需求的約75%，同時產生了全球70%的溫室氣體排放[1]。因此，城市在實現能源節約和脫碳目標方面起著關鍵作用。屋頂光伏（RPV）系統通過利用豐富的城市屋頂空間來產生清潔能源，提供了一個有前景的解決方案。據估計，到2050年，全球范圍內RPV的部署可以將累計碳排放量減少102-268吉噸（Gt），并使全球溫度降低0.05-0.13攝氏度[3]。在美國和瑞士，RPV分別有潛力滿足39%和23%的國內電力需求[4],[5]。在中國，354個城市的RPV減排潛力相當于住宅供暖和電力消耗總量的70%[6]。此外，將RPV與短期儲能技術結合使用，可以在許多城市實現能源自給自足，這一點已在53個德國市鎮得到驗證[7]。除了減少排放外，RPV還能增強城市在全球能源市場波動中的能源韌性[8],[9],[10],[11],[12],[13]。因此，許多國家推出了“太陽能城市”、“可持續城市”等國家光伏發展計劃，以加速RPV的大規模應用[14],[15],[16],[17]。

將太陽能資源轉化為可操作的大規模RPV部署方案，關鍵在于對合適屋頂面積的可靠評估，而這一步驟普遍被認為是最不確定且對方法最敏感的[18]。這一過程受到評估尺度多樣性、方法差異以及數據來源復雜性的影響。此外，大規模屋頂的“適宜性”不僅受物理和技術限制（如幾何形狀、陰影、結構限制）的影響[3]，還受到城市/監管條件（如電網連接限制和保護區劃）、社會制度條件以及規劃目標的影響，這些因素在實踐中重新定義了項目的可行性[6]。為了平衡可擴展性和準確性，現有研究不可避免地引入了簡化假設和操作決策規則來表征屋頂適宜性。其中，利用系數（UFs）常被用來將多種適宜性約束匯總為一個單一的縮放系數，而基于閾值的篩選方法則作為基于規則的決策手段來確定屋頂層面的可行性。

越來越多的綜述研究了大規模RPV適用屋頂面積的評估方法，并提供了不同的貢獻（見表S1）。Byrne等人[19]和Schallenberg-Rodriguez[20]主要介紹了基于統計數據和利用系數的評估方法，并分別將其應用于首爾和加那利群島。Zhao等人[21]和Zhu等人[22]探討了地理信息系統（GIS）技術在城市太陽能潛力評估中的作用。Melius等人[23]和Hosseini等人[24]討論了基于統計數據和GIS數據的城市RPV適用屋頂面積評估方法，并總結了相關的美國案例研究。機器學習（ML）技術已成為提高評估準確性和效率的重要工具。Taminiau等人[25]將基于光檢測與測距（LiDAR）的評估方法與基于統計數據的方法進行了比較，并回顧了應用ML模型的案例研究。Gassar和Cha[26]系統地比較了傳統方法與基于ML的技術，認為將ML與GIS結合使用可以在不犧牲準確性的前提下減少對LiDAR的依賴。Fakhraian等人[27]量化了六種適用屋頂評估方法的普及程度及其時間演變趨勢，其中包括集成ML的方法。Kapsalis等人[28]回顧了全球不同氣候區的RPV評估情況。Drozd等人[29]系統地總結了1999年至2024年間城市太陽能潛力研究在空間、時間和方法論方面的發展，重點關注了太陽能數據來源和陰影分析。

然而，現有綜述仍存在一些局限性。首先，屋頂適宜性的決定因素往往被孤立地處理。由于缺乏統一的概念組織和清晰的框架，大規模適用屋頂面積的估算容易受到概念上的不確定性影響，因為同一術語在不同研究中可能代表不同的約束、空間邊界或可行性假設。其次，評估方法沒有得到系統的區分和基準測試，導致方法論邏輯、輸入-輸出細節以及不確定性方面的清晰度不足，也不明確這些因素是如何受到評估目標和尺度的影響的。第三，廣泛使用的簡化機制（如利用系數和基于閾值的屋頂篩選規則）缺乏對其定義和實施實踐的系統性分析，這可能導致后續研究中的不當重復使用。

為了解決這些問題，本研究對大規模RPV潛力評估的適用屋頂面積估算方法進行了系統的綜述。具體而言，研究邏輯包括：（1）為大規模評估提供“屋頂適宜性”的工作定義，并整合影響屋頂適宜性的因素；（2）從邏輯、數據需求、不確定性特征和應用角度比較主要評估方法，包括ML技術在這些工作流程中的整合方式及其作用；（3）批判性地審視支撐適宜性評估的定義和簡化機制，特別關注利用系數和基于閾值的屋頂篩選方法。此外，該綜述還為數據稀缺環境下的路徑選擇和備用策略提供了指導，并指出了未來的研究方向�？傮w目標是提高概念清晰度和方法論透明度，從而支持更大規模上更可靠的屋頂適宜性評估。本文的其余部分安排如下：第2節描述了綜述的設計和綜合過程；第3-5節綜合了影響適宜性的因素、評估方法（包括基于閾值的篩選規則）以及利用系數的處理方式；第6-7節提供了指導、未來研究方向和結論性意見。