工作室田帅等在《Sustainable Energy Technologies and Assessments》上发表题为“Rethinking the rooftop suitability for photovoltaic deployment at large scale: Influence factors, area assessment, and future work”的综述论文（DOI: https://doi.org/10.1016/j.seta.2026.104905。《Sustainable Energy Technologies and Assessments》是能源领域国际著名SCI刊物，在JCR分区ENERGY & FUELS中属于Q2，并为中科院二区期刊，2024年影响因子为7.0。
    大规模屋顶光伏（RPV）部署需要对适宜屋顶面积进行可靠估算，这一环节常被视为最不确定且最易受方法影响的步骤。现有文献中，“屋顶适宜性”的定义与操作化存在显著差异，其根源在于异质性决定因素、分歧的评估路径，以及为追求可扩展性而牺牲精度的简化工具。本综述整合203项研究，构建跨尺度框架，系统梳理了涵盖屋顶/建筑约束、光伏系统设计与布局可行性、城市/法规限制、规划目标及社会制度采用条件的决定因素。随后从评估逻辑、数据需求、输出异质性及不确定性特征三个维度，对比了三大主流路径：统计法、抽样外推法与建模筛选法。研究发现两种实用化简化手段——利用率因子（UFs）和阈值式屋顶筛选规则——因定义漂移、组件覆盖异质性及跨场景转移依据不足，成为主要不确定性驱动因素。机器学习被定位为贯穿这些工作流的横向赋能技术，用于提升数据提取、城市建模、稀疏数据推理及基准测试效能。最终通过三项决策触发机制（空间可操作性、约束显性度、流程敏感性）实现“适配目标”的操作化，并配套数据回退策略，制定通向更丰富决定因素编码、更高可行性边界及透明UF治理的路线图。