社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

RSE好文推荐| 利用卫星数据和深度学习揭示2010-2022年中国光伏电站的快速扩张

生态遥感前沿 • 8 月前 • 338 次点击  


(一)文章信息

  • 标题:Uncovering the rapid expansion of photovoltaic power plants in China from 2010 to 2022 using satellite data and deep learning

  • 期刊:《Remote Sensing of Environment》(中科院1区Top, IF=11.1)

  • 作者:Chen, Y., et al.

  • doi:https://doi.org/10.1016/j.rse.2024.114100

(二)研究背景

由于成本大幅降低以及显着的社会经济和环境效益,光伏电站在全球范围内的部署正在加速。作为全球光伏行业的领头羊,中国光伏发电累计装机量连续几年占全球累计装机容量的三分之一。了解中国光伏电站的扩张模式有利于市场分散光伏发电、制定相关政策、预测光伏发电量和土地利用冲突分析。然而,目前公开可用的光伏电站地理空间数据集缺乏安装日期信息或相对过时,限制了其在资产级别时空环境影响和土地保护等方面的进一步应用。

(三)研究数据与方法

研究使用了Sentinel-2和Landsat卫星影像。Sentinel-2影像提供高空间分辨率的免费数据,用于创建深度学习模型的训练数据和预测光伏电站的位置。而Landsat影像则提供了长时间连续观测记录,用于估算光伏电站的安装日期。

研究提出了一个框架,通过深度学习和变化检测技术,从Sentinel-2和Landsat数据中提取中国光伏电站的空间范围和安装日期。具体来说,使用 Sentinel-2 影像和 TransUNet语义分割模型生成光伏电站的矢量化多边形;使用 Landsat 时间序列数据和连续变化检测和分类 (CCDC)算法估计每个光伏多边形的安装日期;探索光伏电站的扩张模式。

(四)研究结果

研究评估了提议框架在提取中国光伏电站空间范围的表现,结果显示该框架在召回率、精确度、F1分数和交并比四个指标上均优于现有的其他方法和数据集。此外,研究还揭示了中国各省光伏电站的空间扩张格局。整体上中国东部和中部省份的光伏多边形较多,其特点是面积较小,而西部省份的光伏多边形较少,特点是面积较大。2010—2022年光伏电站时间格局上,2010-2022年中国光伏电站装机量稳步增长,同时2018-2019年出现明显波动。中部和东北部省份的光伏电站装机量持续稳定增长。相比之下,西部和东部省份的安装量增长加速。时空扩张变化表明,2010—2022年西部省份大型集中式电站持续稳定部署,2017年东部和中部省份小型分布式电站加速装机。此外,光伏电站在中国的普及,不仅伴随着全国范围的碳减排目标,也伴随着中国14个贫困地区光伏扶贫的同步推进。研究表明,贫困地区的光伏装机对中国光伏发展具有持续和稳定的贡献。对光伏电站占用土地的分析显示,近年来,中国在农田和草地上部署光伏电站的次数有所减少,而未利用土地的部署量有所增加,这表明光伏电站使用的土地逐渐合理化。

(五)研究结论

该研究提出的框架可提取具有安装日期的矢量化光伏电站并揭示其扩张模式。中国不同地区光伏电站的扩张模式对于理解光伏发展及其在空间和时间上的占用具有重要价值。中国光伏电站的综合和更新地理空间数据集可应用于广泛的研究,例如制定光伏政策,评估环境和社会影响,以及帮助中国和国际的碳减排工作。在理解和促进光伏发展以应对1.5°C限制内全球变暖具有潜在适用性。

(六)主要图表








文章来源 :

Chen, Y., Zhou, J., Ge, Y., Dong, J., 2024. Uncovering the rapid expansion of photovoltaic power plants in China from 2010 to 2022 using satellite data and deep learning. Remote Sens. Environ. 305, 114100. https://doi.org/10.1016/j.rse.2024.114100


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/172373
 
338 次点击