1.一种山区建筑表面太阳能潜力评估方法，其特征在于，包括以下步骤：S1.建立山区太阳辐射强度估算模型，对水平总辐射强度（GHI）、法向直射辐射强度（DNI）和水平散射辐射强度（DHI）估算，并进行误差分析；S2.构建山区城镇三维模型，基于地形数据和建筑信息，建立山区城镇三维模型，利用山区城镇三维模型分析山区复杂地形对太阳辐射的遮挡效应，开发估算建筑物表面太阳辐射的模拟模块；S3.太阳能潜力评估与仿真，将构建的山区城镇三维模型和每小时太阳辐射强度估算数据链接到模拟模块的端口，对不同时间段内每个建筑表面的太阳辐射量进行动态模拟，并基于模拟结果生成山区建筑表面太阳辐射的可视化图像，展示各山区建筑表面的太阳能潜力分布；所述建立山区太阳辐射强度估算模型包括以下子步骤：A1.数据库准备，确定山区太阳辐射强度估算模型的输入参数和输出参数；A2.超参数调优，选择核心超参数，进行参数调优和模型精度对比，得到拟合水平总辐射强度（GHI）、法向直射辐射强度（DNI）和水平散射辐射强度（DHI）模型的最佳超参数组合；A3.模型训练，采用梯度提升决策树算法，通过Python中的Scikit-learn库进行模型训练，建立基于梯度提升树算法的机器学习模型；所述A1中，所述输入参数包括地理信息、太阳方位信息特征参数、地形遮挡角、云层特征参数和时间参数；所述输出参数包括逐时水平总辐射强度（GHI）、法向直射辐射强度（DNI）和水平散射辐射强度（DHI）。
2.根据权利要求1所述的一种山区建筑表面太阳能潜力评估方法，其特征在于，所述A2中，所述核心超参数包括n_estimators、learning_rate和max_depth；所述learning_rate用于梯度提升决策树模型的权重缩减系数，取值范围介于0到1之间；所述n_estimators用于表征梯度提升决策树模型；所述max_depth用于控制梯度提升决策树模型中单棵决策树的深度，并调节模型复杂度。
3.根据权利要求1所述的一种山区建筑表面太阳能潜力评估方法，其特征在于，所述A3中，通过随机筛选的过滤器将A1得到训练数据库中80%的数据划分为训练集，20%的数据划分为测试集，其中训练集用于模型训练，而测试集用于模型验证；并通过Python中的scikit-learn库搭建梯度提升决策树模型，并进行数据拟合，利用scikit-learn的GradientBoostingRegressor模块，建立基于梯度提升决策树算法的山区太阳辐射强度估算模型。
4.根据权利要求3所述的一种山区建筑表面太阳能潜力评估方法，其特征在于，选用决定系数R 2 和均方根误差RMSE作为山区太阳辐射强度估算模型的误差指标；所述决定系数R 2 用于衡量山区太阳辐射强度估算模型预测精度，量化山区太阳辐射强度估算模型对数据方差的解释程度，决定系数R 2 值范围在0到1之间，当决定系数R 2 的数值越接近于1时，表示太阳辐射强度估算模型对目标变量的解释能力越强，即太阳辐射强度估算模型的拟合优度越高，决定系数R 2 的公式为： ；其中， 表示进行误差验证的数据中第t个实测值， 表示第t个预测值， 表示实测值的均值，p表示进行误差验证的数据样本数量；所述均方根误差RMSE用于衡量连续变量的精度预测，均方根误差RMSE单位与目标变量相同，当均方根误差RMSE的数值越小时，表示预测值与真实值的偏差越小，太阳辐射强度估算模型的精度越高，均方根误差RMSE的计算公式为： ；其中，表示进行误差验证的数据中第t个实测值， 表示第t个预测值， p表示进行误差验证的数据样本数量。
5.根据权利要求4所述的一种山区建筑表面太阳能潜力评估方法，其特征在于，先通过DEM数据和LiDAR技术获取目标山区城镇的地形和建筑轮廓信息，再通过ArcGIS和Rhinoceros软件，建立包含建筑和地形信息的山区城镇三维模型。
6.根据权利要求5所述的一种山区建筑表面太阳能潜力评估方法，其特征在于，基于建立包含建筑和地形信息的山区城镇三维模型，通过Rhino的Grasshopper插件和Ladybug工具，构建山区城镇建筑表面太阳辐射估算仿真模组，并将山区太阳辐射强度估算模型估算出的逐时太阳辐射强度数据作为输入，调整模拟时间段，对山区建筑表面太阳能潜力进行评估。
7.一种山区建筑表面太阳能潜力评估设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的山区建筑表面太阳能潜力评估方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的山区建筑表面太阳能潜力评估方法。
