EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 3: 529 - 545

DOI: https://doi.org/10.12082/dqxxkx.2023.220680

地球信息科学理论与方法

顾及对象特征的地面式光伏电站提取及减碳效益评估

  • 于方圆 , 1, 2, 3 ,
  • 曹家玮 1, 2, 3 ,
  • 李发源 , 1, 2, 3, * ,
  • 李思进 1, 2, 3
展开
  • 1.南京师范大学地理科学学院，南京 210023
  • 2.南京师范大学虚拟地理环境教育部重点实验室，南京 210023
  • 3.江苏省地理信息资源开发与利用协同创新中心，南京 210023
* 李发源（1978—），男，四川盐源人，教授，博士生导师，主要从事数字地形和黄土高原自然地理的分析研究。E-mail:

于方圆（2000— ），女，河南周口人，硕士生，主要从事GIS空间分析、DEM数字地形分析。E-mail:

收稿日期: 2022-09-10

  修回日期: 2022-11-04

  网络出版日期: 2023-04-19

基金资助

国家自然科学基金项目(42271421)

国家自然科学基金重点项目(41930102)

收起

Ground Photovoltaic Power Station Extraction Considering Object Characteristics and Carbon Reduction Benefit Evaluation

  • YU Fangyuan , 1, 2, 3 ,
  • CAO Jiawei 1, 2, 3 ,
  • LI Fayuan , 1, 2, 3, * ,
  • LI Sijin 1, 2, 3
Expand
  • 1. School of Geography, Nanjing Normal University, Nanjing 210023, China
  • 2. Key Laboratory of Virtual Geographic Environment, Ministry of Education, Nanjing Normal University, Nanjing 210023, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
* Li Fayuan, E-mail:

Received date: 2022-09-10

  Revised date: 2022-11-04

  Online published: 2023-04-19

Supported by

General Program of National Natural Science Foundation of China(42271421)

Key Program of National Natural Science Foundation of China(41930102)

Fold

摘要

准确、高效地获取地面光伏电站的空间部署现状，科学估算光伏电站发电效益及其碳减排成效，对未来光伏电站建设的合理布局与光伏资源的有效利用具有重要意义。本文以我国西部新疆维吾尔自治区、青海省和西藏自治区作为研究区： ① 使用以ResNet50作为骨干网络的ResNet50-UNet网络分割模型自动提取地面光伏电站，在深度学习广泛应用于遥感语义分割/地表覆盖分类的背景下，本文未局限于单一地对网络模型的不断改进上，而同时考虑了如何充分发挥输入样本的自身优势，研究中基于Sentinel-2A遥感影像挖掘光伏电站纹理特征，强调地物固有特征在智能化深度学习中的应用价值，模型提取精度得到显著提升；② 针对提取结果边界精度较差的问题，提出结合ArcGIS和eCognition多尺度分割优化处理光伏电站提取结果的技术路线，高保真还原地面光伏电站真实形态。经后处理优化，提取结果的Kappa系数达93.71%，mIoU值达94.05%；③ 碳减排效益评估时，准确估算光伏电站发电量是进行该工作的重要前提，本文基于光伏电站提取结果，从内部结构复杂的光伏用地中准确提取发电量估算公式中的重要参数之一——光伏方阵面积，实现了大区域范围下光伏电站发电量的有效估算，进一步探究光伏能源与传统化石能源之间的碳源效应，助力我国双碳目标的早日实现。

关键词： 光伏电站; 纹理特征; 深度学习; Sentinel-2A影像; 发电量估算; 减碳效益

本文引用格式

于方圆 , 曹家玮 , 李发源 , 李思进 . 顾及对象特征的地面式光伏电站提取及减碳效益评估[J]. 地球信息科学学报, 2023 , 25(3) : 529 -545 . DOI: 10.12082/dqxxkx.2023.220680

Abstract

As a clean energy technology, photovoltaic power generation has developed rapidly in the past decades. Efficiently obtaining the spatial distribution of photovoltaic power stations is important for the future construction of photovoltaic plants. This study took Xinjiang, Qinghai and Tibet in western China as research areas. Firstly, to evaluate the application value of object characteristics in deep learning, the texture structures of photovoltaic power stations were mined based on Sentinel-2A imagery. Then we employed a ResNet50-UNet segmentation model based on the ResNet50 backbone network to automatically detect photovoltaic power stations. Secondly, based on ArcGIS and eCognition Multi-scale software, we post processed the extraction results to remove empty spots and optimize boundaries, and precisely restored the real shape of ground photovoltaic power stations. Results show that the photovoltaic power station extraction method obtains high verification accuracy, the Kappa and mIoU was 93.71%, and 94.05%, respectively. Lastly, this paper analyzed the spatial deployment status of photovoltaic power stations in Xinjiang, Qinghai and Tibet, and discussed the carbon source effects between solar energy and traditional fossil energy. Accurate estimation of photovoltaic power generation is a significant precondition for next carbon reduction benefit evaluation. From the photovoltaic power stations with complex internal structures, this paper extracted the photovoltaic square arrays, one of the important parameters in the estimation formula of power generation. The average annual power generation of existing photovoltaic power stations in Xinjiang, Qinghai and Tibet was about (335.13~442.26) billion kW·h, equivalent to burning (411.87~543.54) million tons of coal. From the perspective of carbon emissions, the carbon reduction benefit is about (2499.40~3298.38) million tons. Thus, photovoltaic power stations play an important role in achieving carbon peak and neutrality goals.

Key words： photovoltaic power stations; textural characteristics; deep learning; Sentinel-2A; power generation estimation; Carbon reduction benefits.

1 引言

“碳达峰，碳中和”政策实施至今，光伏电站已成为国家鼓励力度最大的绿色电力开发能源项目之一[1⇓-3]。我国西部地区，可利用土地面积大，太阳能光照资源丰富[4]，体现了发展光伏产业的先天优势。以新疆维吾尔自治区为例，该地区年均日照总时数为 2500~3500 h，年均太阳辐射总量为5000~6400 MJ/m2，太阳能光照资源总量在全国排名第2[5]，截止2021年底，新疆维吾尔自治区地区光伏电站保有量已达12.1 GW。然而，伴随着产业的快速发展，也出现了一些问题：首先，光伏电站的总体分布情况尚未可知，大量光伏电站建设项目的管理工作较难跟上其发展脚步，不利于在全局范围内实现对光伏电站的监测与布局；其次，西部地区“弃光限电”现象极大地降低了绿色清洁能源和有限土地资源的利用效率。双碳背景下，未来西部地区用地规划中会更加重视和加强太阳能资源的开采与利用，对光伏电站空间布局的合理规划成为制约我国西部地区光伏产业发展的一个瓶颈问题，探究地面式光伏电站建设现状及其碳减排贡献力量成为了重要的前期工作[6]。
光伏电站空间布局规划的前提是准确掌握现有光伏电站的空间分布情况[7-8]。利用深度学习技术自动提取光伏电站本质上可以理解为像素级的遥感语义分割/地表覆盖分类任务[9⇓-11]，在光伏电站提取工作中，从早期的浅层CNN网络[12]、具有VGG架构的自定义卷积模型[13]以及基于SegNet的语义分割模型[14]，实现了区域乃至全球尺度下太阳能光伏发电厂的探测与提取工作，近些年提出的DeepSolar和SolarNet深度学习框架，前者通过迁移学习训练CNN分类器，构建了美国地区太阳能设施部署数据库[15]；后者通过融合FCN（Fully Convolutional Networks）与EMANet二者优势，得到了一种自适应的多任务期望最大化注意网络[16]。此外，围绕U-Net及其变体针对光伏电站提取也展开了诸多研究，研究侧重的角度不尽相同，在模型训练样本上，基于高分辨率遥感影像对地物细节信息的关注以及中分辨率遥感影像对地物空间位置信息的关注，充分结合多源遥感影像的优势展开研究[17]；考虑到光伏电站因物候因素反映在遥感影像上的光谱差异性，提出将不同季节下的影像光谱均值与原始影像组合作为训练样本输入[18]。在模型结构的调整上，产生的多种U-Net变体可以理解为在U-Net模型基础上的2种改进模式，第一种是改变U-Net自身结构，主要针对其卷积层数、训练参数量等[19]；第二种是基于研究需求将U-Net模型与其他模型或单元进行组合与相应调整，例如全局无监督聚类EM算法在U-Net中的应用，有效解决了U-Net分割结构中多重局部卷积操作在捕获全局信息时的局限性[16]，以及ResNet网络与U-Net二者优势的相互结合[20-21]等。U-Net作为深度学习技术中像素级语义分割的主流框架，也广泛应用于城市建筑分割[22]、道路提取[23-24]等人工地物/地表研究中并取得显著效果[25]。上述研究工作中，数据源上，使用的高分辨率遥感影像大多不能免费获取；研究方法上，焦点集中于深度学习网络模型，未充分关注目标地物自身特征[26-27]。光伏电站建设用地包括光伏方阵区域、电力系统设施区域、人工道路用地等，内部结构安排呈现一定规律[20-21]。本文在光伏电站自动化提取及发电量估算工作中，充分考虑其内部特征展开科学研究。
纹理对地物之间显著区别的表达有利于目标地物的识别提取[28-29]，光伏电站内的太阳能电池板呈规则排布，表现出特殊的纹理，但前期基于深度学习提取光伏电站的研究中往往忽视了地物自身特征的潜在利用价值，本文将光伏电站内部的轮廓结构特征图与改进的神经网络模型相结合，提出了一种新的针对光伏电站提取的深度学习模型设计思路。首先从挖掘光伏电站自身纹理特征入手，丰富神经网络输入学习样本的信息量，使用基于ResNet50作为主干网络的ResNet50-UNet网络分割模型提取光伏电站，该模型中同时嵌入了ASPP（Atrous Spatial Pyramid Pooling）空洞空间卷积池化金字塔结构[30]和SE（Squeeze-and-Excite）自注意力模块[31]，旨在充分聚合多尺度上下文信息及增强特征表达能力。此外，针对深度学习技术提取的目标地物普遍存在边界模糊、不精确等问题，不利于对提取结果在定量层面上作进一步的分析与应用，本文提出结合eCognition多尺度分割技术对光伏电站提取结果进行后处理优化的完整流程，高保真还原地面光伏电站真实形态特征，继而进一步分析我国西部三省（区）光伏电站的空间部署现状及光伏发电效益，研究中发现在估算大区域尺度下光伏电站发电量工作中，与传统模式下基于标准小时数法估算某地具体安装容量已知的光伏电站发电量不同，组件面积法需要层层剥离光伏电站建设用地内部的附属电力设施用地、道路间隙用地等组成部分，最后基于光伏方阵区域面积实现光伏电站发电量的有效估算。探究大区域尺度下光伏电站发电量估算的实现模式以及光伏能源与传统化石能源之间的碳源效应，有助于推动西部地区绿色低碳能源的发展与我国双碳目标的早日实现。

2 研究区概况及数据来源

2.1 研究区概况

研究区位于我国西部，地处26°50′ N—49°10′ N，东经73°20′ E—103°04′ E，包括新疆维吾尔自治区、青海省、西藏自治区面积约361.56万km2，约占全国面积3/8（图1）。新疆维吾尔自治区位于中国西北边陲，周围山脉环绕，北部的阿尔泰山、南部的昆仑山及中部横亘全境的天山将全境分为北疆和南疆，形成“三山夹两盆”的独特地形。特殊的地理位置和地形地貌特征决定了新疆维吾尔自治区温带大陆性干旱气候，降雨量少，大气透明度高，日照时间长，属我国太阳能资源丰富地区，年辐射总量比我国同纬度地区高10%~15%[32]；青海省地势总体呈西高东低，南北高中部低的态势，西部海拔高峻，向东倾斜，呈梯型下降，东部地区为青藏高原向黄土高原过渡地带，地形复杂，地貌多样。西藏自治区地处青藏高原的西南部，占青藏高原面积的一半以上，海拔4000 m以上的地区占全区总面积的85.1%。研究区域内地表覆盖类型主要包括建设用地、裸地、草地、耕地、森林、水体、沙地、冰川与永久积雪等。
图1 研究区域高程与土地利用/覆盖类型概况

Fig. 1 The elevation and land use/cover maps of the study area

2.2 数据来源及处理

2.2.1 Sentinel-2A遥感影像与样本标注

基础地理数据来源于中国科学院资源环境科学数据中心(RESDC)2015年中国省级行政边界数据(http://www.resdc.cn/)。
土地利用/覆盖数据来源于Globe Land30(全球地理信息公共产品， http://www.globallandcover.com/)，空间分辨率为30 m，年份为2020年。
数字高程模型(DEM, Digital Elevation Model)数据，来源于全球30 m分辨率移除树木和建筑物的 FABDEM数据集 (http://data.bris.ac.uk/data/dataset/)。
其他图幅对应的数据来源与前面描述一致。

2.2.2 Sentinel-2A遥感影像与样本标注

使用地理计算云平台GEE（Google Earth Engine）获取高分辨率卫星影像数据。考虑到影像季节性光谱值的差异，选择研究区域2020年1月1日—12月31日的Sentinel-2A遥感影像作为标注的影像数据源，数据集标识为“COPERNICUS/S2_SR”，产品级别为Level-2A，空间分辨率为10 m，该数据集已经过大气校正、几何校正、正射处理等预处理工作。
基于上述已获取的西部三省（区）不同季度下Sentinel-2A遥感影像数据，综合考虑样本地理位置特征、背景信息等差异，利用ArcGIS Pro通过人工目视解译制作用于输入神经网络的样本数据集。样本数据集包括感兴趣区（ROI）光伏电站的遥感影像样本和对应的样本标签（图2），同时将少量农田、部分建筑设施等易混淆地物作为负样本进行采集和标注，以获取补充样本优化训练模型，影像与二值化标签裁剪为224像素×224像素。针对光伏电站样本结构明显、数据量少的特点，为保证样本背景内容与数量的丰富性，对样本进行翻转、旋转等数据增强处理操作，以提高模型的泛化能力和鲁棒性。最后共计得到6258组样本，将其按照比例70%、30%分为训练集、验证集。
图2 影像与样本标注示例

Fig. 2 Example of image and sample annotation

2.2.3 太阳辐射数据

光伏电站发电量计算过程中，太阳辐射数据是最重要的参数之一。本文使用的辐射数据取自Meteonorm气象数据库，是在太阳能行业中得到广泛认可和使用的数据源，同时参考了国家青藏高原科学数据中心提供的《中国区域融合日照时数的高分辨率地表太阳辐射数据集》[34]及SolarGIS数据库中辐射数据信息。估算公式中采用的辐射数据为多年平均下的年太阳辐射总量，通过气候平均法求得长时间序列下的多年平均月太阳辐射总量，作为一年完整时间序列数据，再求和得到年太阳辐射总量。
（1）Meteonorm气象数据库
包括全球辐射、温度、湿度、降水天数、风速风向以及日照时数等30多个参数。Meteonorm数据库由全球8325个气象站以及5颗同步卫星提供；收录了中国98个气象研究所的统计信息，可以得到从1996—2015年中每个月的平均太阳总辐射量。
（2）中国区域融合日照时数的高分辨率地表太阳辐射数据集
该数据集是基于以ISCCP-HXG云产品为主要输入的全球高分辨率（3 h, 10 km）地表太阳辐射数据集（1983—2017年），通过地理加权回归方式，融合全国2261个气象台站日照时数反演的地表太阳辐射站点数据而生成的全国地表太阳辐射分布数据，其在长期趋势模拟上具有一定优势。
（3）SolarGIS数据库
SolarGIS数据库由一系列太阳辐射、光伏数据、气象和地理要素构成。以此数据库为基础，经科学算法计算后，提供太阳能资源评估服务和光伏模拟数据服务，且已通过全球多个气象站的地面测量验证，本文使用了其1999—2008年长时间序列下多年平均水平面总辐射量（Global Horizontal Irradiance, GHI）、倾斜表面总辐射量（Global Theoretical Irradiance, GTI）以及最佳倾角数据进行对比验证。

3 研究方法

3.1 研究技术路线

本文研究内容主要包括3个部分工作，首先是基于ResNet50-UNet网络模型，借鉴数字地形分析中“局部高程极值法”，充分挖掘样本自身特征在深度学习技术中的应用潜能，提升模型应用效果，实现大范围下光伏电站的高精度自动识别提取；其次提出基于ArcGIS软件和eCognition多尺度分割方法对光伏电站提取结果进行后处理，去除空洞图斑和优化光伏电站提取结果边缘，该步是第三步中对光伏电站进行定量分析的重要前提；最后基于光伏电站提取结果，通过阈值化分割和相关计算公式处理得到光伏方阵区域面积，进一步估算光伏电站发电量和碳减排效益（图3）。
图3 技术路线

Fig. 3 Technology roadmap

3.2 光伏电站纹理特征提取

大多数地面式光伏电站可作为规则地物进行分析，但与农田等规则地物不同，光伏用地包括太阳能发电板区、内部道路与间隙、附属电力设施等，内部特征呈现多样化与复杂化。针对光伏用地内部结构特征，结合数字地形分析[35-36]中提取山顶点使用的局部高程极值法[37]（图4），将光伏用地中规则间隙作为局部极值点进行显示，拉大遥感影像中光伏电站与其他背景地物之间的差距，凸显光伏用地中纹理与结构的描述能力。
图4 “局部高程极值法”求算山顶点

Fig. 4 The "local elevation maximum method" for the peaks extraction

基于上述过程将Sentinel-2A遥感影像的光谱值作为数字高程模型数据中的高程值求算“山顶点”（如图4所示，a、b为光伏电站与其极值点纹理样本，c、d为农田与其极值点纹理样本），将得到的纹理样本影像图作为派生波段与传统RGB真彩色遥感影像进行组合，作为神经网络的训练样本，丰富其输入信息量。

3.3 ResNet50-Unet网络模型重组架构

UNet结构通过将学习特征在通道维度连接在一起实现特征的融合[38]，通过特殊的融合方式，最大限度地保留原始影像的特征位置和信息，具有较强的分割能力。但存在一定不足，U-Net网络学习层次较浅，特征表达能力有待提升，一般情况下网络越深，对特征的表达越准确，但网络加深同样存在一定弊端，残差学习网络ResNet[39]取得相对较好分类效果的原因之一在于其和深层网络模型的优势结合，残差学习主要解决了深层网络训练过程中容易出现的梯度消失问题，通过构建特殊的残差学习模块，使得输入信息绕道传到输出，保护信息完整性的同时简化了整个网络的学习目标和难度。本研究在UNet基础上，使用ResNet-50的卷积神经网络进行下采样，使用残差学习模块替换原有常规卷积模块（图5），实现二者优势融合。
图5 ResNet50-Unet网络结构

Fig. 5 The ResNet50-Unet network structure

在融合模型中，引入空洞空间卷积池化金字塔ASPP（Atrous Spatial Pyramid Pooling）[30]和SE（Squeeze-and-Excite）自注意力模块[31]（图5）。ASPP通过多个级别采样率下的空洞卷积对输入的训练样本进行并行采样，捕获样本处于不同比例时的多尺度上下文信息，扩充网络模型学习的感受野；注意力机制（Attention Mechanism）受人类视觉机制的启发，让网络学习更关注的特征。例如，我们的视觉系统倾向于关注图像中辅助判断的部分信息，并忽略掉不相关的信息。SE模块采用全局平均汇集特征来计算通道方向的注意，在Squeeze（Fsq）阶段对输入特征进行Global Pooling，Excite（Fex）阶段对得到的特征进行线性变换，完成对不同通道的增强或抑制，Fscale将前面得到的归一化权重加权到每个通道特征图上，逐通道乘以权重系数，SE模块旨在通过使网络能够动态调制各通道的权重（通道注意），从而重新校准特征来提高网络的表示能力。

3.4 基于ArcGIS和eCognition多尺度分割的后 处理流程

深度学习提取结果中常存在误提取小图斑、图斑空洞、边界精度差等问题。光伏电站初步提取结果为栅格数据，栅格值域为0~1，表示提取结果被认定为光伏电站的概率，在后处理流程中设定概率分割阈值为0.9，进一步将栅格数据转为矢量数据，去除细碎图斑。考虑到待创建的光伏电站子遥感影像区域应完全包含其对应的光伏电站，经目视检查创建距离为10 km的缓冲区范围，利用ArcGIS批处理得到光伏电站所在区域的子遥感影像；其次利用eCognition软件对子遥感影像进行多尺度分割，并对分割后提取的光伏电站区域进行有效填充，真正还原光伏电站在地面分布的真实形态（图6）。
图6 后处理流程

Fig. 6 Post-processing procedure

3.5 精度评价

本文基于深度学习二分类混淆矩阵（表1）对研究区光伏电站的提取结果进行定量分析。
表1 深度学习二分类混淆矩阵

Tab. 1 Confusion Matrix for Deep Learning Binary classification

真实情况 预测情况
正样本 负样本
正样本 TP FN
负样本 FP TN

注：TP：True Positive，地面上为正样本，预测同为正样本；FP：False Positive，地面上为正样本，预测为负样本；FN和TN同理。

使用表2中的统计指标对提取结果进行精度评价。此外，以研究区为界创建250 km×250 km尺寸格网，根据抽样原则均匀选取一定数量的子样区进行光伏电站图斑提取数量上的精度评估。
表2 模型精度验证评价指标

Tab. 2 Accuracy verification and evaluation index

指标 公式 公式编号 备注
Kappa系数 K a p p a = P 0 - P e 1 - P e （1） 假设每一类的真实样本个数分别为a1, a2,..., ac；而预测出来的每一类样本个数分别为b1, b2,..., bc，总样本个数为n，则有：Pe = a1 × b1 + a2 × b2 +... + ac × bc / (n×n)；P0是每一类正确分类的样本数量之和除以总样本数，也就是总体分类精度。
平均交并比mIoU I o U = T P T P + F P + F N （2） IoU在语义分割任务中用来表示目标区域和预测区域之间的重合度。mIoU定义为平均交并比，即在每个类别上计算交并比IoU值
m I o U = ∑ i = 1 N I O U N （3）
召回率Recall R e c a l l = T P T P + F N （4） TP为随机选择子样区中识别的光伏电站数量；FN为随机选择子样区中未识别出的光伏电站数量

3.6 组件面积法估算发电量

光伏电站发电量计算方法主要有4种：标准法、组件面积法、标准小时数法和经验系数法[40]。基于ArcGIS软件统计出已提取的光伏电站面积属性，本文采取式（4）中组件面积法进行发电量的估算。业界普遍认为，光伏发电系统的有效使用年限一般为25年，光伏组件的输出功率在光照及常规大气环境中存在衰减，式（5）估算光伏电站年均发电量时参照《光伏制造行业规范条件（2018年版）》[41]中相关条例：多晶硅和单晶硅组件衰减率首年分别不高于2.5%和3%，后续每年不高于0.7%，25年内不高于20%。
E p = H A × S × K 1 × K 2
式中：Ep为发电量/kW·h；HA为水平面太阳能总辐照量/（kW·h）/m2（考虑到太阳能电板安装倾角因素，采用倾斜面太阳能总辐照量参与计算）；S为组件面积总和/m2；K1为组件转换效率，K1=组件标称功率/组件面积×1000 W/m2；K2为综合效率系数。
E p ' = ∑ i = 1 N E p i - 1 × ( 1 - α i ) N
式中：Ep'为年均发电量/kW·h；Ep(i-1)为第i-1年发电量/kW·h；i为光伏电站投产运行第i年；αi为第i年累积衰减效率，参照上述衰减数据，α1=2.5%， α2=0.6%，α3=0.6%，以此类推；N为使用年限。
光伏发电站工程项目用地总体指标包括光伏方阵、变电站及运行管理中心、集电线路用地和场内道路的用地面积[40]。发电量估算工作中仅考虑光伏方阵面积，因此需要对提取的光伏电站用地作进一步处理，首先基于阈值化处理识别光伏方阵场区与场内道路、变电站用地等，其次参照国土资源部规范性文件《光伏发电站工程项目用地控制指标》[42]估算式（5）中的光伏方阵面积S（图7）。
图7 光伏方阵场区面积计算

Fig. 7 Calculation of the photovoltaic square array

式（5）中组件转换效率K1通常受限于使用的太阳能电板，太阳能电板类型不同时转换效率存在一定差异，基于常用的太阳能电板类型计算其相应的转换效率（表3）。总体来看，太阳能光伏电板组件转换效率在15.27%~17.78%范围内波动。
表3 主流太阳能电板类型

Tab. 3 Common types of solar panels

标称功率/W 尺寸/mm 重量/kg 硅片数量/pcs 光伏板面积/m2 转换效率K1/%
多晶硅 255~280 1650×992×40 18.5 6×10 1.634 15.27~17.11
305~330 1650×992×40 22.5 6×12 1.940 15.72~17.01
单晶硅 265~290 1956×992×40 18.5 6×10 1.634 16.19~17.72
320~345 1956×992×40 22.5 6×12 1.940 16.49~17.78
综合效率系数K2包括光伏组件类型修正系数、光伏方阵倾角、方位角修正系数、光伏发电系统可用率、光照利用率、逆变器效率、集电线路损耗、升压变压器损耗、光伏组件表面污染修正系数、光伏组件转换效率修正系数等。K2一般取75%~85%，视光伏电站内逆变器效率、变压器损耗、组串布置、线路损失、阴影遮挡等情况而定。

3.7 碳减排评估方法

一般情况下，碳减排评估是通过计算光伏电站发电量进入电网后，替代传统能源项目等量发电所带来的的碳排放降低潜力[43]（式（7））。本文基于深度学习提取结果和3.6节中提及的组件面积法有效估算光伏电站年发电量，从而分析整个生命周期内光伏电站发电情况和碳减排效益。
∆ E M = E M I P v - E M I T r
式中：Pv和Tr分别表示光伏发电和传统能源发电；EMIPv为光伏发电时单位发电量对应的碳排放量/(kg CO2/(kW·h))，光伏发电过程中碳排放量一般视为0；EMITr为传统能源发电时单位发电量对应的碳排放量，kg CO2/(kW·h)；ΔEM为二者之差/(kg CO2/(kW·h))。
光伏能源与传统能源等量发电条件下，计算传统能源项目碳排放量（式（8））涉及到所在地区电网CO2排放系数的问题，CO2排放系数是指某地（一个国家范围内）混合电厂每发1 kW·h电能, 平均排放CO2的数量/(kg CO2/（kW·h）)。
E M I i = E I i × C i
式中：i表示研究区域的不同； E M I i表示碳排放量/t； E I i表示年总发电量，MW∙h； C i表示所在地区电网的CO2排放系数（碳减排因子），t CO2/(MW∙h)。

4 结果与分析

4.1 光伏电站提取结果总体精度评价

本文分别选用了3个省(区)2020年的遥感影像数据作为测试集（测试样区选择如图8），利用测试集数据进行光伏电站提取检测的精度评价，并和地面上测试样区内光伏电站实际建设状况进行比较。
图8 光伏电站提取结果

Fig. 8 Extraction results of photovoltaic power plants

从精度评价指标结果来看（表4），未考虑光伏电站自身纹理特征，仅对遥感影像进行目标地物识别时，提取结果精度差异较大，青海省测试集评价精度高达90%，而西藏自治区测试集评价精度仅在60%左右；将纹理特征作为派生波段与原始遥感影像结合后，3个地区测试集数据的Kappa系数、mIoU平均水平在90%左右；多尺度分割优化处理后，新疆维吾尔自治区和青海省地区测试集评价精度突破95%，西藏自治区评价精度提高至90%以上；在人工作业评价中，按图斑数量统计的召回率均在90%左右。对于地面上空间分布特征表现较为规则的大型光伏电站设施，该模型提取此类光伏电站的精度总体较好，具有较高的应用前景。
表4 提取结果精度评价

Tab. 4 Precision evaluation of the extraction results (%)

测试集 评价指标 模型初步提取结果 “多尺度分割”后提取结果 召回率Recall人工检验
未加入“纹理特征” 加入“纹理特征”
新疆 Kappa 83.47 90.92 95.66 89.54
mIoU 84.91 91.37 95.76
青海 Kappa 90.17 92.77 95.12 95.38
mIoU 91.45 93.09 95.26
西藏 Kappa 40.12 87.56 90.35 89.09
mIoU 61.43 88.84 91.13

4.2 光伏电站空间分布特征

考虑到个别光伏电站建设时的连片性，利用ArcGIS软件将上述相对聚集或邻近的光伏电站图斑聚合为相对完整连片图块，以便于对光伏电站装机规模的统计量化和分析，经聚合处理后共得到184块光伏电站统计单元，光伏电站具体所处的行政区划位置及面积情况如图9所示。
图9 西部三省（区）光伏电站面积统计情况

Fig. 9 Aggregation of photovoltaic power plant extraction results

从光伏电站安装数量上来看，新疆维吾尔自治区已建成光伏电站设施最多，该地区海拔高度和坡度特征相较于其他2个省（区）具有一定优势（图10（a）），其次是青海省和西藏自治区。除新疆维吾尔自治区东南部区域，整个新疆的光伏电站在空间分布特征上表现较为均匀，而青海省和西藏自治区光伏电站空间部署较为密集，其中青海省光伏电站大多建设在省内中部及东北部区域，西藏自治区光伏电站多集中于该地区东南部一带。从光伏电站安装规模大小来看，青海省多个光伏电站的安装规模在西部三省中位居前列，其中青海塔拉滩的光伏电站，光伏方阵区域面积约达156.85 km²，是目前我国打造的面积最大、发电容量也非常可观的光伏发电站，该光伏电站所在区域总占用土地面积高达609 km²。从光伏电站所在位置区域属性来看，我国西部地区光伏电站用地类型主要为裸地、草地和耕地。从图10中可以明显看出，我国西部地区还存在着许多潜在的未来光伏电站建设区域，目前已建成光伏电站区域较为集中，土地资源还未能得到充分利用，通过分析现状规避当前光伏电站建设存在的短板问题，同时下一步应当综合考虑太阳辐射、地形条件、气象条件、土地资源及规划等多种因素，深入探究光伏电站合理的空间布局、安装规模大小等相关工作，在“碳中和，碳达峰”的背景下，对我国新能源的科学发展具有重要意义，对双碳目标的早日实现起到积极的推动作用。
图10 2020年我国西部三省（区）光伏电站空间分布特征

Fig. 10 Spatial distribution characteristics of photovoltaic power plants in the western region

4.3 光伏电站发电量估算及碳减排评估

基于Meteonorm软件获取的GHI与国家青藏高原科学数据中心地表太阳辐射数据集、Solar GIS获取的GHI呈现强相关性（图11，均在90%以上）。地面光伏电站在实际安装时会设置相应的安装角度以有效利用太阳能资源，利用SolarGIS提供的理论最佳安装倾角，通过Meteonorm计算最佳安装倾角下的倾斜面太阳总辐射量，并与SolarGIS对应的GTI进行对比，二者相关性达85.4%。上述相关性分析表明，Meteonorm辐射数据可有效应用于光伏电站发电量的估算工作中。
图11 辐射数据相关性分析

Fig. 11 Radiation data correlation analysis

理论最佳安装倾角下，新疆维吾尔自治区、青海省和西藏自治区3个省(区）的光伏电站年均发电量高达（335.13~442.26）亿kW·h（表5），若该发电量可得到全部有效输出，依据国家标准GB/T 2589-2020《综合能耗计算通则》[44]，电力的折标准煤系数为0.1229 kg/（kW·h），光伏电站可通过其对应的发电量与电力的折标准煤系数相乘与进行能源换算，同时结合国家发展改革委员会气候司公布的2006—2019年度减排项目中国区域电网基准线排放因子进行碳减排计算[43]，青海省、新疆维吾尔自治区和西藏自治区根据电网覆盖范围属西部地区电网，该电网在2006—2019年碳减排因子平均值为0.7458 t CO2/（MW∙h）。理想状态下，新疆维吾尔自治区、青海省和西藏自治区光伏电站同等发电量条件下可减少标准煤消耗（411.87~543.54）万t、二氧化碳排放（2499.40~3298.38）万t。作为可再生能源的重要组成，光伏发电具有低碳减排及环境改善效应。按照光伏发电站大多设计的25年运营期计算，青海省、西藏自治区、新疆维吾尔自治区现有光伏电站的累计减排效益最多可以达到8.25亿t，减排效益明显。
表5 研究区光伏电站年均发电量

Tab. 5 Average annual power generation from PV plants in the study area （亿kW·h）

新疆维吾尔自治区 青海省 西藏自治区
年发电量Min 年发电量Max 年发电量Min 年发电量Max 年发电量Min 年发电量Max
1 144.04 190.08 201.91 266.44 18.19 24.01
2 143.03 188.75 200.49 264.58 18.07 23.84
3 142.03 187.43 199.09 262.72 17.94 23.67
4 141.04 186.11 197.70 260.88 17.81 23.51
5 140.05 184.81 196.31 259.06 17.69 23.34
6 139.07 183.52 194.94 257.24 17.57 23.18
7 138.09 182.23 193.57 255.44 17.44 23.02
8 137.13 180.96 192.22 253.66 17.32 22.86
9 136.17 179.69 190.87 251.88 17.20 22.70
10 135.21 178.43 189.54 250.12 17.08 22.54
11 134.27 177.18 188.21 248.37 16.96 22.38
12 133.33 175.94 186.89 246.63 16.84 22.22
13 132.40 174.71 185.58 244.90 16.72 22.07
14 131.47 173.49 184.29 243.19 16.61 21.91
15 130.55 172.27 183.00 241.48 16.49 21.76
16 129.63 171.07 181.71 239.79 16.37 21.61
17 128.73 169.87 180.44 238.12 16.26 21.46
18 127.83 168.68 179.18 236.45 16.15 21.31
19 126.93 167.50 177.92 234.79 16.03 21.16
20 126.04 166.33 176.68 233.15 15.92 21.01
21 125.16 165.16 175.44 231.52 15.81 20.86
22 124.28 164.01 174.21 229.90 15.70 20.72
23 123.41 162.86 173.00 228.29 15.59 20.57
24 122.55 161.72 171.78 226.69 15.48 20.43
25 121.69 160.59 170.58 225.10 15.37 20.28
年平均发电量 132.57 174.94 185.82 245.22 16.74 22.10

注：年发电量Min表示在组件转化效率=15.27%，系统综合效率=75%下的发电量估算值；年发电量Max表示在组件转化效率=17.78%，系统综合效率=85%下的发电量估算值；首年衰减率为2.5%，次年衰减率为0.7%；第一列1,2,3,……,25中1代表全部光伏电站在其各自建成后第一年的发电情况总体统计，最后一行代表全部光伏电站在其各自生命周期内多年平均下的发电情况总体统计。

5 结论与讨论

5.1 结论

本文在前人研究的基础上，以我国西部新疆维吾尔自治区、青海省和西藏自治区为研究区，使用基于ResNet50作为主干网络的ResNet50-UNet网络分割模型和Sentinel-2A遥感影像数据，实现对太阳能光伏电站快速、准确的提取。
（1）未考虑光伏电站自身纹理特征时，模型提取结果验证精度差异较大，测试集精度最低不足60%，最高约90%；将纹理特征作为派生波段与原始遥感影像结合后，测试集验证精度均达到90%左右；经ArcGIS和eCognition多尺度分割优化处理后，验证精度平均水平提升至95%左右，表明光伏电站纹理特征和后处理优化技术均在模型提取中发挥了一定作用，具有较高的应用前景。
（2）从光伏电站安装数量上来看，新疆维吾尔自治区>青海省>西藏自治区，但大规模光伏电站主要集中在青海省，其次是新疆维吾尔自治区和西藏自治区。除东南部区域，整个新疆维吾尔自治区的光伏电站在空间分布特征上表现较为均匀，而青海省和西藏自治区光伏电站空间部署较为密集，其中青海省光伏电站大多建设在省内中部及东北部区域，西藏自治区光伏电站多集中于该地区东南部一带。西部三省（区）光伏电站用地类型主要为裸地、草地和耕地，从建设现状来看，还存在着许多潜在的未来光伏电站建设区域，目前已建成光伏电站区域较为集中，土地资源尚未能得到充分利用。
（3）理论最佳安装倾角下，新疆维吾尔自治区、青海省和西藏自治区的光伏电站年均发电量高达（335.13~442.26）亿kW·h。若该发电量可得到全部有效输出，在同等发电量条件下，可减少标准煤消耗（411.87~543.54）万t、二氧化碳排放（2499.40~3298.38）万t。按照光伏发电大多设计的25年运营期计算，青海省、西藏自治区、新疆维吾尔自治区现有光伏电站的累计减排效益最多可达8.25亿t 左右，对双碳目标的早日实现具有重要的积极推动作用。

5.2 讨论

（1）利用深度学习技术提取光伏电站时，针对高分辨率遥感影像中光伏电站形态多样化、场景多样化和光谱特征差异大等问题，多数研究采取优化训练模型和采集类别广泛的样本作为解决方案，但样本采集与标注阶段通常耗时耗力。本文结合数字地形分析中提取山顶点使用的局部高程极值法挖掘地面光伏电站的自身规律和特征，将其作为派生波段与遥感影像进行组合作为神经网络模型的训练样本，在定性和定量评价上对光伏电站提取结果均起到了改善作用。对于内部集电线路用地、场内道路以及变电站等较为规则的、“局部极值点”特征显著的中型或大型光伏电站而言，该类方法的提取精度较高，而对于地面上较为零散、内部设施不足的极小型光伏电站而言，应通过更高分辨率的遥感影像进一步探究此类光伏电站的自身规律和特征，继而更好地提升模型应用效果。
（2）在光伏电站提取结果后处理优化阶段，多数研究采用计算机图形处理中的形态学腐蚀与膨胀方法优化遥感影像目标地物提取结果，达到去除空洞图斑和边界平滑处理的效果。但此类方法未能从根本上真正还原目标地物的形状特征。本文基于ArcGIS软件和eCognition多尺度分割技术，对光伏电站所在区域子遥感影像进行分割提取，能够有效避免大区域范围下，地物类型错综复杂的整幅遥感影像对分割造成的干扰，高保真还原地面光伏电站的真实形态特征。此类后处理方法在优化遥感影像提取结果上提出了一种新思路。
（3）发电量估算工作中，较多研究采取标准小时数法计算光伏电站发电量，该方法一般应用于具体安装容量已知的光伏电站。目前国家能源统计局提供了全国省级单位的光伏电站安装容量数据，但光伏电站的建设分布特征尚待凸显，精确普查数据尚未可知。本文基于可视化的光伏电站提取结果，采取组件面积法估算其发电量，实现了对大区域范围下光伏电站发电量的估算。但这一过程中尚存在诸多不确定性因素，如在本文基于光伏电站提取结果获取其内部光伏方阵的方法中，光伏电板的类型、建设光伏电站的实际安装倾角均对计算结果存在一定影响。此外，还包括光伏组件的光电转化效率、系统综合效率、运行年限以及运行中损坏情况等问题，考虑到不确定因素诸多，因此最终估算结果以区间范围表示。
（4）相较于已有的关于深度学习提取光伏电站的研究方法，本文从实际应用角度出发，针对我国西部三省（区）的光伏电站空间分布特征进行现状分析，具有一定的现实意义。受限于遥感影像数据源分辨率，本文提取的光伏电站类型不包括屋顶光伏、大棚光伏等。对于迅速发展的太阳能光伏产业，在今后的研究中应考虑基于深度学习技术实现全国范围内的太阳能光伏电站精确普查工作，获取我国太阳能光伏电站的建设现状，探讨其空间分布特征、土地利用情况等诸多问题，为相关部门管理已有的太阳能光伏电站和未来规划与建设提供实质性建议。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
潘竟虎, 张永年. 中国能源碳足迹时空格局演化及脱钩效应[J]. 地理学报, 2021, 76(1):206-222.

DOI

[Pan J H, Zhang Y N. Spatiotemporal patterns of energy carbon footprint and decoupling effect in China[J]. Acta Geographica Sinica, 2021, 76(1):206-222.] DOI:10.11821/dllxb202101016

DOI

[2]
谢聪, 王强. 中国新能源产业技术创新能力时空格局演变及影响因素分析[J]. 地理研究, 2022, 41(1):130-148.

DOI

[Xie C, Wang Q. Spatio-temporal characteristics of new energy industry innovation capability and impact factors analysis in China[J]. Geographical Research, 2022, 41(1):130-148.] DOI:10.11821/dlyj020210532

DOI

[3]
邓祥征, 丹利, 叶谦, 等. 碳排放和减碳的社会经济代价研究进展与方法探究[J]. 地球信息科学学报, 2018, 20(4):405-413.

DOI

[Deng X Z, Dan L, Ye Q, et al. Methodological framework and research progress on the social and economic costs of carbon emission and reduction[J]. Journal of Geo-Information Science, 2018, 20(4):405-413.] DOI:10.12082/dqxxkx.2018.170590

DOI

[4]
朱志辉. 我国太阳能分布的非线性回归模式[J]. 地理研究, 1984,(3):76-83.

DOI

[Zhu Z H. Non-linear regression model on the distribution of solar energy in China[J]. Geographical Research, 1984,(3):76-83.] DOI:10.11821/yj1984030007

DOI

[5]
阿依加马力·艾尼, 塔伊尔江·巴合依. 新疆地区光伏产业的发展现状与前景分析[J]. 太阳能, 2021(8):19-25.

[Development status and prospect analysis of pv industry in Xinjiang region[J]. Solar Energy, 2021(8):19-25.] DOI:10.19911/j.1003-0417.tyn20200612.01

DOI

[6]
Xia Z, Li Y, Chen R, et al. Mapping the rapid development of photovoltaic power stations in northwestern China using remote sensing[J]. Energy Reports, 2022, 8:4117-4127. DOI:10.1016/j.egyr.2022.03.039

DOI

[7]
Yang Q, Huang T, Wang S, et al. A GIS-based high spatial resolution assessment of large-scale pv generation potential in China[J]. Applied Energy, 2019, 247:254-269. DOI:10.1016/j.apenergy.2019.04.005

DOI

[8]
张乾, 辛晓洲, 张海龙, 等. 基于遥感数据和多因子评价的中国地区建设光伏电站的适宜性分析[J]. 地球信息科学学报, 2018, 20(1):119-127.

DOI

[Zhang Q, Xin X Z, Zhang H L, et al. Suitability analysis of photovoltaic power plants in China using remote sensing data and multicriteria evaluation[J]. Journal of Geo-Information Science, 2018, 20(1):119-127.] DOI:10.12082/dqxxkx.2018.170393

DOI

[9]
Zhu Q Q, Deng W H, Zheng Z, et al. A spectral-spatial-dependent global learning framework for insufficient and imbalanced hyperspectral image classification[J]. IEEE Transactions on Cybernetics, 2022, 52(11):11709-11723. DOI:10.1109/TCYB.2021.3070577

DOI

[10]
Zhu Q Q, Zhang Y N, Li Z Q, et al. Oil spill contextual and boundary-supervised detection network based on marine SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60:1-10. DOI:10.1109/TGRS.2021.3115492

DOI

[11]
Zhu Q Q, Guo X, Deng W H, et al. Land-Use/Land-Cover change detection based on a Siamese global learning framework for high spatial resolution remote sensing imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 184:63-78. DOI:10.1016/j.isprsjprs.2021.12.005

DOI

[12]
Imamoglu N, Kimura M, Miyamoto H, et al. Solar power plant detection on multi-spectral satellite imagery using weakly-supervised CNN with feedback features and m-PCNN fusion[EB/OL]. arXiv preprint arXiv:1704.06410, 2017. https://doi.org/10.48550/arXiv.1704.06410

[13]
Malof J M, Collins L M, Bradbury K. A deep convolutional neural network, with pre-training, for solar photovoltaic array detection in aerial imagery[C]// 2017 IEEE International Geoscience and Remote Sensing Symposium, 2017:874-877. DOI:10.1109/IGARSS.2017.8127092

DOI

[14]
Camilo J, Wang R, Collins L M, et al. Application of a semantic segmentation convolutional neural network for accurate automatic detection and mapping of solar photovoltaic arrays in aerial imagery[EB/OL]. arXiv preprint arXiv:1801.04018, 2018. https://doi.org/10.48550/arXiv.1801.04018

[15]
Yu J F, Wang Z C, Majumdar A, et al. DeepSolar: A machine learning framework to efficiently construct a solar deployment database in the United States[J]. Joule, 2018, 2(12):2605-2617. DOI:10.1016/j.joule.2018.11.021

DOI

[16]
Hou X, Wang B, Hu W, et al. SolarNet: A deep learning framework to map solar power plants in China from satellite imagery[EB/OL]. arXiv preprint arXiv:1912.03685, 2019. https://doi.org/10.48550/arXiv.1912.03685

[17]
Kruitwagen L, Story K T, Friedrich J, et al. A global inventory of photovoltaic solar energy generating units[J]. Nature, 2021, 598(7882):604-610. DOI:10.1038/s41586-021-03957-7

DOI

[18]
Evans M, Minich T, Soobitsky R, et al. A season independent U-net model for robust mapping of solar arrays using sentinel-2 imagery[EB/OL]. Preprints 2020, 2020050345. DOI:10.20944/preprints202005.0345.v2

DOI

[19]
宋业冲, 李英成, 耿中元, 等. 深度学习方法在光伏用地遥感检测中的应用[J]. 测绘科学, 2020, 45(11):84-92.

[Song Y C, Li Y C, Geng Z Y, et al. Application of deep learning method in remote sensing detection of photovoltaic land[J]. Science of Surveying and Mapping, 2020, 45(11):84-92.] DOI:10.16251/j.cnki.1009-2307.2020.11.013

DOI

[20]
吴永静, 吴锦超, 林超, 等. 基于深度学习的高分辨率遥感影像光伏用地提取[J]. 测绘通报, 2021(5):96-101.

[Wu Y J, Wu J C, Lin C, et al. Photovoltaic land extraction from high-resolution remote sensing images based on deep learning method[J]. Bulletin of Surveying and Mapping, 2021(5):96-101.] DOI:10.13474/j.cnki.11-2246.2021.0150

DOI

[21]
秦志远, 朱峻泷, 张琛, 等. 基于ResNet34-UNet的静脉超声图像分割方法研究[J]. 临床超声医学杂志, 2022, 24(1):74-78.

[Qin Z Y, Zhu J L, Zhang C, et al. Research on vein ultrasound image segmentation method based on ResNet34-UNet[J]. Journal of Clinical Ultrasound in Medicine, 2022, 24(1):74-78.] DOI:10.16245/j.cnki.issn1008-6978.2022.01.001

DOI

[22]
Bischke B, Helber P, Folz J, et al. Multi-task learning for segmentation of building footprints with deep neural networks[C]// 2019 IEEE International Conference on Image Processing, 2019:1480-1484. DOI:10.1109/ICIP.2019.8803050

DOI

[23]
Zhang Z X, Liu Q J, Wang Y H. Road extraction by deep residual U-net[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(5):749-753. DOI:10.1109/LGRS.2018.2802944

DOI

[24]
王斌, 陈占龙, 吴亮, 等. 兼顾连通性的U-Net网络高分辨率遥感影像道路提取[J]. 遥感学报, 2020, 24(12):1488-1499.

[Wang B, Chen Z L, Wu L, et al. Road extraction of high-resolution satellite remote sensing images in U-Net network with consideration of connectivity[J]. Journal of Remote Sensing, 2020, 24(12):1488-1499.] DOI:10.11834/jrs.20209301

DOI

[25]
Ma L, Liu Y, Zhang X L, et al. Deep learning in remote sensing applications: A meta-analysis and review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152:166-177. DOI:10.1016/j.isprsjprs.2019.04.015

DOI

[26]
Ni R G, Tian J Y, Li X J, et al. An enhanced pixel-based phenological feature for accurate paddy rice mapping with Sentinel-2 imagery in Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 178:282-296. DOI:10.1016/j.isprsjprs.2021.06.018

DOI

[27]
Hou X, Bai Y P, Li Y, et al. High-resolution triplet network with dynamic multiscale feature for change detection on satellite images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 177:103-115. DOI:10.1016/j.isprsjprs.2021.05.001

DOI

[28]
楚博策, 高峰, 帅通, 等. 基于特征图集合的遥感影像深度学习地物分类研究[J]. 无线电工程, 2022, 52(4):630-637.

[Chu B C, Gao F, Shuai T, et al. Remote sensing image classification by deep learning based on feature map set[J]. Radio Engineering, 2022, 52(4):630-637.] DOI:10.3969/j.issn.1003-3106.2022.04.015

DOI

[29]
Xiong L Y, Li S J, Tang G A, et al. Geomorphometry and terrain analysis: data, methods, platforms and applications[J]. Earth-Science Reviews, 2022, 233:104191. DOI:10.1016/j.earscirev.2022.104191

DOI

[30]
Chen L C, Papandreou G, Kokkinos I, et al. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4):834-848. DOI:10.1109/TPAMI.2017.2699184

DOI

[31]
Hu J, Shen L, Albanie S, et al. Squeeze-and-excitation networks[EB/OL]. arXiv preprint arXiv:1709.01507, 2017. https://doi.org/10.48550/arXiv.1709.01507

[32]
刘佳, 何清, 刘蕊, 等. 新疆太阳辐射特征及其太阳能资源状况[J]. 干旱气象, 2008, 26(4):61-66.

[Liu J, He Q, Liu R, et al. Solar radiation character and solar energy resource in Xinjiang[J]. Arid Meteorology, 2008, 26(4):61-66.] DOI:10.3969/j.issn.1006-7639.2008.04.012

DOI

[33]
Hawker L, Uhe P, Paulo L, et al. A 30 m global map of elevation with forests and buildings removed[J]. Environmental Research Letters, 2022, 17(2):024016. DOI:10.1088/1748-9326/ac4d4f

DOI

[34]
Feng F, Wang K C. High spatial resolution (10km) surface solar radiation dataset with by merging sunshine hours over China China (1983-2017)[DB]. National Tibetan Plateau Data Center, 2020. DOI:10.11888/Meteoro.tpdc.271023

DOI

[35]
熊礼阳, 汤国安, 杨昕, 等. 面向地貌学本源的数字地形分析研究进展与展望[J]. 地理学报, 2021, 76(3):595-611.

DOI

[Xiong L Y, Tang G A, Yang X, et al. Geomorphology-oriented digital terrain analysis: Progress and perspectives[J]. Acta Geographica Sinica, 2021, 76(3):595-611.] DOI:10.11821/dlxb202103008

DOI

[36]
杨昕, 汤国安, 刘学军, 等. 数字地形分析的理论、方法与应用[J]. 地理学报, 2009, 64(9):1058-1070.

[Yang X, Tang G A, Liu X J, et al. Digital terrain analysis: Theory, method and application[J]. Acta Geographica Sinica, 2009, 64(9):1058-1070.] DOI:10.11821/xb200909004

DOI

[37]
苍学智, 汤国安, 仲腾, 等. 山顶点类型及其形态特征数字表达[J]. 南京师大学报(自然科学版), 2010, 33(1):136-140.

[Cang X Z, Tang G A, Zhong T, et al. Classification of peaks and digital expression of their spatial pattern[J]. Journal of Nanjing Normal University(Natural Science Edition), 2010, 33(1):136-140.] DOI:10.3969/j.issn.1001-4616.2010.01.027

DOI

[38]
Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[M]// Lecture Notes in Computer Science. Cham: Springer International Publishing, 2015:234-241. DOI:10.1007/978-3-3 19-24574-4_28

DOI

[39]
Badrinarayanan V, Kendall A, Cipolla R. SegNet: A deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12):2481-2495. DOI:10.1109/TPAMI.2016.2644615

DOI PMID

[40]
章海灿, 杨松, 罗易, 等. 光伏电站发电量计算方法研究[J]. 太阳能, 2016(8):42-45.

[Zhang H C, Yang S, Luo Y, et al. Research on calculation method of power generation of photovolatic power plant[J]. Solar Energy, 2016(8):42-45.] DOI:10.3969/j.issn.1003-0417.2016.08.009

DOI

[41]
中华人民共和国工业和信息化部. 光伏制造行业规范条件[S]. 2018.

[Ministry of Industry and Information Technology of the People's Republic of China. Specifications for photovoltaic manufacturing industry[S]. 2018.]

[42]
中华人民共和国自然资源部. 光伏发电站工程项目用地控制标准[S]. 2016.

[Ministry of natural resources of the people's Republic of China. Land control standards for photovoltaic power station engineering projects[S]. 2016.]

[43]
韩梦瑶, 熊焦, 刘卫东. 中国光伏发电的时空分布、竞争格局及减排效益[J]. 自然资源学报, 2022, 37(5):1338-1351.

DOI

[Han M Y, Xiong J, Liu W D. Spatio-temporal distribution, competitive development and emission reduction of China's photovoltaic power generation[J]. Journal of Natural Resources, 2022, 37(5):1338-1351.] DOI:10.31497/zrzyxb.20220516

DOI

[44]
全国能源基础与管理标准化技术委员会. 综合能耗计算通则[S]. 2020.

[National Energy Foundation and Management Standardization Technical Committee. General rules for calculation of comprehensive energy consumption[S]. 2020.]

Options
文章导航

/

〈 〉