自然资源遥感, 2022, 34(1): 158-168 doi: 10.6046/zrzyyg.2020376

技术应用

浮岛光伏电场对地表温度空间分布特征的影响

伯英杰,1,2, 曾业隆3, 李国庆,1, 曹兴文4, 姚清秀2

1.鲁东大学资源与环境工程学院,烟台 264025

2.中国地质大学(北京)海洋学院,北京 100083

3.中国科学院空天信息创新研究院遥感科学国家重点实验室,北京 100101

4.中国科学院新疆生态与地理研究所荒漠与绿洲国家重点实验室,乌鲁木齐 830011

Impacts of floating solar parks on spatial pattern of land surface temperature

BO Yingjie,1,2, ZENG Yelong3, LI Guoqing,1, CAO Xingwen4, YAO Qingxiu2

1. School of Resources and Environmental Engineering, Ludong University, Yantai 264025, China

2. School of Ocean Sciences, China University of Geosciences(Beijing), Beijing 100083, China

3. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

4. State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China

通讯作者: 李国庆(1982-),男,博士,讲师,主要从事可再生能源对环境的影响研究。Email:ligqing@foxmail.com。

责任编辑: 李瑜

收稿日期: 2020-12-1   修回日期: 2021-09-12  

基金资助: 国家自然科学基金青年基金项目“风电场对不同草地类型地表温度和蒸散发的影响研究”编号(41601598)
山东省高等学校大学生创新创业训练计划项目“浮岛光伏电场对地表温度的影响研究”共同资助编号(S201910451159)

Received: 2020-12-1   Revised: 2021-09-12  

作者简介 About authors

伯英杰(1997-),女,硕士,主要从事遥感应用研究。Email: yingjiebo@foxmail.com。

摘要

近些年我国光伏产业发展迅速,评估大型光伏电场对环境的影响对指导光伏产业的健康发展具有重要意义。光伏电场对局地热环境的改变开始得到了国内外研究人员的关注。浮岛(也称水面漂浮式)光伏电场作为近年来光伏发电的新开发模式,其对地表温度(land surface temperature, LST)空间分布特征的影响尚不清晰。该文基于Landsat8时间序列遥感数据,利用单通道算法提取了安徽省淮南市典型浮岛光伏电场及其邻近区域的LST数据集,通过构建逐月LST与对应月份的气温之差(LSTs-a)判断光伏电场对LST空间分布特征的影响模式、影响范围和季节差异进行了分析,并明确了建设区不同建设阶段对LST的影响程度。结果表明: ①浮岛光伏电场的建设明显改变了建设区的热环境,在温度变化最明显的夏季和冬季都存在增温效应,增温效应主要集中在建设区200 m范围内,对其周围典型地类的增温效应非常微弱。②浮岛光伏电场建设阶段和建成阶段,建设区的月均LST普遍高于水体,接近于林地的LST; 2个阶段的年均增温幅度分别为3.26 ℃和4.50 ℃。③该研究可为光伏电场对局地环境影响评价的相关研究提供借鉴,并建议从无云时间序列LST构建,光伏电场增/降温幅度的分离,不同下垫面光伏电场对邻域LST空间分布特征的影响范围、程度与归因分析等方面进行深入研究。

关键词： 环境影响评价; 地表温度; 太阳能光伏; Landsat

Abstract

With the rapid development of China’s photovoltaic industry in recent years, the assessment of the impacts of the large-scale solar parks on the environment is greatly significant for guiding the healthy development of the photovoltaic industry. The changes in the local thermal environment induced by solar parks have attracted the attention of researchers at home and abroad. Floating solar parks (also known as floating-on-water solar parks) serve as a new development mode of photovoltaic power generation in recent years. However, their impacts on the spatial pattern of land surface temperature(LST) are currently unclear. Using the single-channel algorithm, this study extracted the LST dataset of the floating solar park in Huainan City and its adjacent areas from Landsat8 time-series remote sensing data. Then, this study determined the differences between monthly LST and air temperature of the corresponding month (LSTs-a) and analyzed the influencing mode and scopes of floating solar parks on the spatial pattern of LST, as well as their seasonal differences. Finally, this study ascertained the influencing degrees of different construction stages on LST in the construction area. The results are as follows. ① The construction of the floating solar park significantly changed the thermal environment of the construction area, and warming effect occurred during both summer and winter when the temperature changes the most appearantly. Moreover, the warming effect mainly concentrated with 200 m of the construction area, while being very weak in typical surrounding land cover. ② During the construction and the completion phases of the floating solar park, the average monthly LST in the construction area was generally higher than that of the water body and was close to that in the forest. The average annual LST increased by 3.26 ℃ and 4.50 ℃, respectively in the construction and the completion phases. ③ This study can serve as a reference for the related research on assessing the impacts of the floating solar parks on the local environment. The authors recommended conducting an in-depth study from the aspects of the construction of cloudless time-series LST datasets, the separation of the increased/decreased amplitude of the temperature induced by floating solar parks, and the influencing scope and degrees and the genesis analysis of the distribution pattern of LST on the different types of land cover in a floating solar park and its adjacent areas.

Keywords： environmental impact assessment; land surface temperature (LST); solar photovoltaic power generation; Landsat

PDF (6342KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

伯英杰, 曾业隆, 李国庆, 曹兴文, 姚清秀. 浮岛光伏电场对地表温度空间分布特征的影响[J]. 自然资源遥感, 2022, 34(1): 158-168 doi:10.6046/zrzyyg.2020376

BO Yingjie, ZENG Yelong, LI Guoqing, CAO Xingwen, YAO Qingxiu. Impacts of floating solar parks on spatial pattern of land surface temperature[J]. Remote Sensing for Natural Resources, 2022, 34(1): 158-168 doi:10.6046/zrzyyg.2020376

0 引言

与煤炭、石油、天然气等化石能源不同,太阳能光伏发电技术具有清洁安全、永续可再生和取用方便的优势[1],其产业在全球范围的发展,有望改变自工业革命以来以化石能源为基础的能源生产和消费方式,能有效缓解能源危机、全球碳排放和环境污染[2,3,4,5]。近年来,中国光伏产业在多样化政策激励下发展迅速,在2013年和2015年我国相继超越意大利和德国,成为全球光伏发电装机量最多的国家[6,7]。据国家能源局统计,截至2020年上半年,中国大陆的光伏发电装机容量达到2.16亿kW,其中大型集中并网式电站装机占69%以上。

然而,大型光伏电场工程的建设不可避免地对所在区域的土地、生态以及能量循环等产生特定的环境效应[8,9,10,11]。大型光伏电场工程在建设时对环境的影响与其他工业制造过程类似,例如,平整土地、构筑新结构等工程活动直接作用于土壤、植被、地貌和土地利用,使其原有的形态发生变化,甚至可能会破坏原有环境要素的稳定结构,造成土地扰动、植被破坏和水土流失等问题; 电磁干扰、固体废弃物污染等也是光伏电场工程环境影响评估的重要内容[9,10,11,12]。同时,作为光伏电场核心的太阳能光伏阵列在建成投产后,一方面吸收短波辐射将太阳能转换为电能,另一方面向外辐射长波辐射改变了局部地表的能量流动方式,形成热环境效应[13]。即使热环境效应尚未纳入常规的光伏电场建设的环境影响评价体系,但是该热环境效应会影响光伏系统的工作温度,进而影响光伏的发电效率,研究表明较低的光伏电池或模块的工作温度可提高发电效率[14]。另外,光伏电场产生的热环境效应改变了原有的地表辐射、反照率和蒸散发状态,对不同下垫面的局部气候和生态系统功能产生影响[13,15]。地表温度(land surface temperature, LST)是研究地表热环境的重要因素,在大规模、连续性的长时间序列研究具有独特优势的遥感观测法已成为主要的热环境评价方法之一[16,17]。因此,采用遥感技术研究大型光伏电场工程建设的热环境对光伏发电产业的环境影响评估和当地环境保护具有重要意义。

目前,光伏电场对局地热环境的影响主要集中在干旱荒漠区。已有研究表明,光伏电场对以干旱荒漠地带为典型的大规模建设区的地表热环境产生影响: 野外观测与遥感观测均发现干旱荒漠区的光伏电场具有降温效应,主要发生在白天[18,19],其影响范围约为100~600 m[20,21]。近年来,随着光伏产业规模的不断扩大,继荒漠、草原和居民屋顶之后,闲置水面成为建设光伏电场的可利用环境之一,为我国新能源和清洁生产的发展探索了新的开发模式和领域[22]。然而,由于下垫面性质与以往干旱区光伏电场不同,浮岛光伏电场对建设区及其周围环境的LST空间分布特征的影响尚不明晰,判断光伏电场对局地温度的影响模式、空间范围和变化幅度均没有进行有效的分析。鉴于此,本研究以目前全球最大的浮岛光伏电场之一的安徽省淮南市典型浮岛光伏电场为研究区,为了明晰浮岛光伏电场对周围LST的影响,开展以下研究: ①基于Google Earth Engine(GEE)在线云平台和Landsat8遥感影像,采用单通道算法提取典型浮岛光伏电场及其邻近区域的LST,建立LST数据集; ②利用LST数据集,判断光伏电场对LST空间分布特征的影响模式; ③在此基础上,明确光伏电场对LST空间分布特征影响的空间尺度和增/降温能力。

1 研究区概况与数据源

1.1 研究区概况

研究区位于安徽省淮南市谢家集区,地处亚热带与暖温带的过渡带,属暖温带半湿润季风气候区,夏季高温多雨、冬季寒冷干燥; 全年日照时数为2 000 h左右,光照充足; 年太阳辐射量在4 800 MJ/m2附近,太阳能资源丰富。近年来,当地依托资源和政策优势,在采煤沉陷区的闲置水面规划和建设大规模的浮岛电场。本研究的浮岛光伏电场的位置如图1所示,选址于采煤塌陷区的闲置水面,采取水上发电、水下养殖的模式,总装机容量为20 MWp,是目前全球最大的浮岛光伏电场之一[22]。该浮岛光伏电场于2015年11月开工建设,2016年3月正式并网发电; 2015年11月—2016年10月为光伏电场的稳定建设时段。一般来说,光伏电场对LST的影响范围在100~600 m以内[20,21],因此,本研究大致以浮岛光伏电场为中心,面积为25 km2的区域为研究范围,划定光伏电场周围1 km的缓冲区作为光伏电场的潜在影响区。根据浮岛光伏电场工程的施工时间段,对照Landsat8和谷歌地球的历史影像,对光伏电场1 km范围内未发生类型变化的典型地物进行目视解译,最终得到总面积约为0.258 km2的浮岛光伏电场区以及水体、林地、耕地、裸地和建设用地。研究区如图 1 所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区位置示意图

Fig.1   Location of study area


1.2 数据源

1.2.1 遥感数据

为了尽可能多地获取无云遥感影像,提高数据的连续性,本研究使用GEE在线云平台获取研究区2013年3月—2019年2月“行-列号”为“121-38”和“121-37”的Landsat8遥感影像数据集(USGS Landsat8 Surface Reflectance Tier 1,ImageCollection ID,Landsat/LC08/C01/T1_SR),共292景。该数据集的空间分辨率为30 m,包含5个可见光与近红外(VNIR)波段和2个短波红外(SWIR)波段,这些数据经过大气校正处理后得到地表反射率数据; 还有2个已被处理为亮度温度的热红外(TIR)波段和质量信息波段(pixel_qa)。

1.2.2 气候数据

地面台站逐月气温来源于中国气象数据网的地面气候资料月值数据集(http: //data.cma.cn)。选取以浮岛光伏建设区为中心60 km缓冲区范围内2个气象台站的逐月平均气温,用于后续的统计分析,即寿县(距离光伏电场11 km)和蚌埠市(距离光伏电场58 km)。

2 技术路线与研究方法

2.1 技术路线

本文的技术路线如图2所示。首先,利用GEE在线云平台检索2013年3月—2019年2月全时段的Landsat8遥感影像,采用单通道算法提取研究区无云时间序列LST和逐月LST,通过计算逐月LST与气温之差(LSTs-a)以减小气温波动对LST的影响; 然后,选取夏季和冬季的 LSTs-a,计算它们在光伏电场建成前后的变化幅度以判断影响LST空间分布的模式,再利用局部Moran’s I方法进行空间自相关分析以明确光伏电场影响LST空间分布的范围; 最后,在解译提取浮岛光伏电场周围典型地物的基础上,对 LSTs-a进行变化幅度提取,分析光伏电场的增/降温能力,从而明确浮岛光伏电场在不同建设阶段对LST空间分布的影响程度。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   技术路线

Fig.2   Technology roadmap


2.2 研究方法

2.2.1 基于单通道算法的无云LST提取

由于Landsat8热红外波段B11(11.50~12.51 μm)的杂散光噪声使该波段LST反演的精度较低[23],因此本研究选择单通道算法(single-channel algorithms,SC)对B10(10.60~11.19 μm)进行LST反演。在本研究中,使用Jimenez-Munoz等提出的经典单通道方法估算LST[24,25]。该方法在保证反演精度的基础上简单易行,适用于Landsat数据长时间序列的LST反演,广泛应用于城市地表环境评估和人类活动影响评估[26,27,28],其计算公式为:

LST=γ1ε(ψ1Lsen+ψ2)+ψ3+δ,
γ≈Tsen2bγLsen, δ≈Tsen-Tsen2bγ,

式中: ε为地表发射率; Lsen为传感器端辐射亮度(W·m-2·sr-1·μm-1); Tsen为传感器亮度温度; B10和B11的参数 bγ分别为: 1 324 K和1 199 K; ψ1, ψ2和 ψ3为大气函数。可利用下式获得,即

ψ1=1τ; ψ2=-Ld-Luτ; ψ3=Ld,

式中 τ, Lu和 Ld分别为大气透过率、上行辐射(W·m-2·sr-1·μm-1)和下行辐射(W·m-2·sr-1·μm-1),这些大气剖面参数可在网站(http://atmcorr.gsfc.nasa.gov/)上输入每幅遥感影像中心经纬度与成像时间信息并由MODTRAN 模型估算获取[29,30]。虽然地表比辐射率因不同地表结构的材料而不同,但仍可利用多光谱数据对不同土地覆盖条件建立查找表估算像元尺度的地表比辐射率[25,31],公式为:

ε=0.99NDVI<0.000.97　　　　　　　0.00≤NDVI<0.15εvPv+εs(1-Pv)　0.15≤NDVI<0.450.985　　　　　　　　　　NDVI≥0.45,

式中: 水体的地表发射率为0.99; εs为裸土(0.05≤NDVI<0.15)的地表发射率0.97; εv为均匀植被(NDVI≥0.45)的地表比辐射率0.985; Pv为地表植被覆盖度。Pv计算公式为:

Pv=NDVIi-NDVIsNDVIv-NDVIs2,

式中: NDVIi为像元的归一化植被指数; NDVIs为裸土的 NDVI值,取值0.15; NDVIv为植被的 NDVI值,取值0.45。NDVI的计算公式为:

NDVI=ρNIR-ρRρNIR+ρR,

式中 ρNIR和 ρR分别为近红外波段和红光波段的地表反射率。

为了在统计分析中减少云对LST的影响,本研究将pixel_qa波段用于过滤云像素,得到逐景影像的无云LST,再计算2013年3月—2019年2月逐月平均LST用于后续的统计分析(由于云量过多,缺少2014年4月、2014年7月和2015年5月的数据)。另外,本文研究浮岛光伏电场不同建设状态(建成后与建设前)同时期的无云LST差异,并不严格要求LST计算的绝对精度,因此该算法的误差对本研究的影响基本可以忽略。

2.2.2 浮岛光伏电场对LSTs-a的影响范围与季节差异

为了判断浮岛光伏电场对LST的影响范围和季节差异,以浮岛光伏建成后与建设前相同时期的无云LST差异作为LST的变化幅度是识别该模式和程度的有效手段。然而,建设区LST的变化除了受地表覆盖差异的影响之外,主要受到地表能量平衡(如太阳辐射和云量)的控制和人类活动因素(土地覆盖变化、地形的人为改变等)的影响[32],直接将建成后与建设前的LST相减,其LST差异不能准确反映浮岛光伏电场对LST场的变化情况。所以,在分析的过程中,需要尽量剔除光伏电场之外的其他影响因素。为了尽量剔除人类活动对LST的影响,笔者选择了与光伏电场建设前土地覆盖类型一致且在研究时段内没有发生变化的水体作为参照。图3(a)显示,伴随着气温波动,建设前某些时段的LST普遍高于其他年份相同时期的LST(如2013年),浮岛光伏电场建成前后的LST变化幅度存在不确定性,不能准确反映浮岛光伏建设区LST的变化情况。为了进一步剔除自然要素变化对LST的影响,考虑到太阳辐射、地形、地表覆盖等要素的差异所导致的LST的变化可以在气温上体现出来[32,33,34],本研究构建LSTs-a(逐月LST与对应月份的气温之差)在一定程度上消除自然要素变化对LST变化幅度的干扰。LSTs-a的计算公式为:

LSTs-a=LSTi-Ti,

式中:LSTs-a为第i月的LST; Ti为第i月的气温; 气温取以浮岛光伏建设区为中心60 km缓冲区范围内2个气象台站的平均值。通过构建LSTs-a,一定程度上消除气温变化对LST变化幅度的干扰(图3(b))。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   气温及LST随时间的变化

Fig.3   Changes in temperature and LST over time


为了判断浮岛光伏电场对LST的影响模式,选取“夏季”和“冬季”2个温度变化最为明显的季节进行对比分析。按照式(7)提取浮岛光伏电场建设区及其邻近区域夏季(6—8月)、冬季(12月—次年2月)的LSTs-a,计算浮岛光伏电场建成后与建设前的LSTs-a差异。在此基础上,利用ArcGIS软件中的局部Moran’s I来分析浮岛光伏电场对邻域的影响程度,进而判断光伏电场对LST的具体影响距离。

局部Moran’s I是研究空间依赖关系的重要空间统计分析方法,它通过特定地点或区域的空间位置与每个观测值的贡献来识别“集群”位置[35,36]。同时,该指数在识别极端(高或低)值的空间格局时特别有效,从而使其对于评估LST的空间变化格局非常敏感[37,38,39]。局部Moran’s I取值在-1~1之间,>0表示正自相关,即表示要素具有包含同样高或同样低的属性值的邻近要素; <0表示负自相关,即要素具有包含不同值的邻近要素; 等于0则表示属性值是随机分布的。通过统计学上的显著性检验(P≤0.05)的局部Moran’s I有4种输出模式: 高值(HH)聚类、低值(LL)聚类、高值主要由低值围绕的异常值(HL)以及低值主要由高值围绕的异常值(LH)[37,38,39]。在本研究中, HH模式代表LSTs-a变化幅度以高值为中心的空间集聚,LL模式代表LSTs-a变化幅度以低值为中心的空间集聚,HL模式代表LSTs-a变化幅度高值主要由低值围绕的异常值,LH模式代表LSTs-a变化幅度低值主要由高值围绕的异常值,通过获取LSTs-a的高值(HH)聚类分布,进而得到光伏电场对LST的影响距离。需要说明的是,为了去除单一年份对分析结果造成的偏差,建成前、后的夏季LST分别取2013—2014年和2017—2018年夏季的平均值,建成前、后阶段的冬季LST分别取2013—2014年和2017—2018年冬季的平均值。

2.2.3 浮岛光伏电场不同建设阶段对LSTs-a的影响程度

为了明确浮岛光伏电场的增/降温能力,本研究利用ArcGIS软件的分区统计功能提取典型地物类型逐月LST与 LSTs-a的平均值和标准差,分析浮岛光伏电场不同建设阶段对LST的影响。需要注意的是,典型土地利用类型是结合Google Earth的历史影像与无云Landsat8影像无变化区域进行目视解译得到的。根据浮岛光伏工程的施工时间段,选取2013年9月和2018年9月无云覆盖的Landsat8地表反射率影像,利用ENVI 软件提供的Spectral Angle Difference变化检测方法得到未变化区域; 再对照Google Earth的历史影像,对光伏电场1 km范围内未变化区域的典型地物进行目视解译。

3 结果与分析

3.1 浮岛光伏电场对LSTs-a影响的范围与季节差异

夏季和冬季,浮岛光伏电场对LST的影响存在增温效应。如图4(a)和(b)所示,夏季,原来的水体对照区和未建浮岛光伏电场前的水体区域形成的“冷岛”区域被切断,在浮岛光伏电场建设区形成温暖区域; 浮岛光伏电场的建设明显增加了其占地范围

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   夏季浮岛光伏电场对LSTs-a空间分布的影响

Fig.4   Influence of the floating solar park on the spatial distribution of LSTs-a in summer


内的LST(图4(c)),LSTs-a最大增温幅度超过7 ℃, LSTs-a平均增温幅度也能达到4.9 ℃。林地范围的LST有所降低,LSTs-a平均降幅达1.1 ℃,形成了一个局部低温中心; 耕地靠近浮岛光伏电场的边缘部分的区域LST有所升高, LSTs-a增温幅度在3~5 ℃,远离浮岛光伏电场温暖区的耕地LST无明显变化; 裸地受林地阻挡,其LST无明显变化。由局部Moran’s I(图4(d))得知,夏季浮岛光伏电场的LST符合HH模式,对邻近区域的增温作用集中在其200 m以内区域,主要为与浮岛光伏电场毗邻的北部的建设区水域、西部的耕地以及东南部的水陆边缘。

冬季,浮岛光伏电场的建立增加了其占地范围内的LST(图5), LSTs-a平均增温幅度为3.5 ℃,较夏季增温幅度小; 原来的水体对照区和未建浮岛光伏电场前的水体区域形成的“冷岛”区域被切断,在浮岛光伏电场建设区形成温暖区域; 浮岛光伏电场建设区与林地、耕地的LST连成一片; 裸地受林地阻挡,其LST无明显变化。由局部Moran’s I(图5(d))可知,冬季浮岛光伏电场增温作用较夏季弱,仅停留在浮岛光伏电场建设区及其200 m范围内的水域。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   冬季浮岛光伏电场对LSTs-a空间分布的影响

Fig.5   Influence of the floating solar park on the spatial distribution of LSTs-a in winter


3.2 浮岛光伏电场不同建设阶段对LSTs-a的影响程度

基于单通道算法提取了研究区典型地物的逐月平均LST,再根据浮岛光伏电场工程的建设周期,得到建设前阶段(2013年3月—2015年10月)、建设阶段(2015年11月—2016年10月)和建成阶段(2016年11月—2019年2月)的LST变化曲线(图6)。浮岛光伏电场建设前阶段,拟建设区与水体区域同为采煤塌陷区的低洼积水塘,LST的变化曲线一致,且月平均LST为最低(分别为20.2 ℃和19.6 ℃); 其余由低到高依次为林地、耕地、建设用地和裸地。浮岛光伏电场建设阶段和建成阶段,建设区的月均LST普遍高于水体,接近于林地的LST,甚至在某些时段与建设用地的LST相当。根据局部Moran’s I的结果,浮岛光伏电场对LST的影响范围主要集中在建设区200 m范围内,对其周围典型地类的增温效应非常微弱。因此,可以采用建设区的LSTs-a变化幅度来明确浮岛光伏电场不同建设阶段的增温能力。图7为浮岛光伏电场不同建设阶段的LSTs-a变化,其中建设前阶段的LSTs-a取2013年3月—2015年2月的平均值,建设阶段的LSTs-a取2015年11月—2016年10月的平均值,建成阶段的LSTs-a取2017年3月—2019年2月的平均值,阴影部分为LST的标准差。结果显示,浮岛光伏电场建设前,拟建设区与水体的年均LSTs-a差别很微弱,仅为0.06 ℃; 建设阶段差异逐渐增大(2.77 ℃); 而浮岛光伏电场建成后,二者的年均LSTs-a之差达到了3.96 ℃。在浮岛光伏电场建设区,建设阶段的年均LSTs-a之差为3.26 ℃,建成后与建设前的年均LSTs-a之差为4.50 ℃,而水体区域仅为0.55 ℃,这说明了浮岛光伏电场的建设使建设区低洼积水塘的年均LST升高了4.50 ℃。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   浮岛光伏电场不同建设阶段的逐月LST变化曲线(阴影部分为LST的标准差)

Fig.6   Monthly LST curve of the floating solar park in different construction stages


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   浮岛光伏电场不同建设阶段的LSTs-a变化

Fig.7   Changes in LSTs-a before and after the construction of the floating solar park


4 结论与讨论

4.1 结论

本文基于Landsat8时间序列遥感数据,利用单通道算法提取了淮南市典型浮岛光伏电场及其邻近区域的LST数据集,对光伏电场影响LST空间分布的模式和影响的范围进行了分析,并明确了建设区不同建设阶段对LST空间分布的影响程度。主要结论为:

1)浮岛光伏电场的建设明显改变了建设区的热环境,在温度变化最明显的夏季和冬季都存在增温效应,其中夏季的平均增温幅度达到4.9 ℃,冬季平均增温幅度则为3.5℃。增温效应主要集中在建设区200 m范围内,对其周围典型地类的增温效应非常微弱。

2)浮岛光伏电场建设阶段和建成阶段,建设区的月均LST普遍高于水体,接近于林地的LST; 2个阶段的年均增温幅度分别为3.26 ℃和4.50 ℃。

4.2 讨论

本文对浮岛光伏电场不同建设阶段及建成前后不同季节的热环境变化进行分析,结果表明浮岛光伏电场对建设区及其邻近200 m以内具有增温效应,其增温幅度夏季大于冬季,同时为光伏电场对局地环境影响评价的相关研究提供了借鉴。然而,LST受诸多因素影响,其变化是复杂的,存在众多不确定性的问题,这对光伏电场的热环境效应评估提出了新的挑战。

1)无云时间序列LST构建。大范围云盖的存在对Landsat8影像LST反演带来挑战,一方面降低了LST的准确度,另一方面减少了LST时间序列的连续性,这些都为后续光伏电场LST的统计分析带来偏差。为了减少这一偏差,以往的研究通常在LST反演前进行数据筛选,即整幅影像的云量在一定阈值以内[18,20]。但是这样的筛选容易造成漏选研究区的无云遥感影像,也容易减少LST时间序列的连续性。实际上,笔者也曾考虑过利用时间分辨率较优的MODIS LST 产品用于分析光伏电场的热环境变化,但受限于MODIS较低的空间分辨率(1 km),光伏电场的面积尚不足MODIS产品的一个像元,不能像Landsat8数据一样展现更多的LST空间细节,更不能很好地分析光伏电场对LST的影响范围。综合时间连续性和空间分辨率,本研究利用GEE在线云平台获取研究区全时段的Landsat8数据集,将pixel_qa波段用于过滤云像素,得到逐景影像的无云LST,再计算逐月平均LST用于后续的统计分析; 在确保LST精度的前提下,可以有效增加LST时间序列的连续性。然而,由于云量过多,月尺度下的LST仍然存在缺失。在后续的研究中,可以考虑引入Savitzky-Golay滤波、HANTS(harmonic analysis of time series)[40,41]等时间序列重建方法构建Landsat无云时间序列LST。

2)光伏电场增/降温幅度的分离。由于LST受到地表能量平衡等自然要素的控制和人类活动因素的影响[32,33,34],光伏电场建成前后的LST差值不能准确反映增/降温幅度。考虑到太阳辐射、地形、地表覆盖等要素的差异所导致的LST的变化可以在气温上体现出来,本研究计算逐月LST与对应月份的气温之差(LSTs-a)以减少光伏电场之外的其他因素对LST的干扰,气温取以浮岛光伏建设区为中心60 km缓冲区范围内2个气象台站的平均值。当然,本文的计算方法并不能完全消除自然要素和人类活动对LST的影响。LSTs-a中,气温取以浮岛光伏建设区为中心60 km缓冲区范围内2个气象台站的平均值,与每个Landsat像元相比较,空间分辨率确实很低,也会存在误差。该方法对不同下垫面,特别是异质性较强或土地利用类型易于改变的地表,适用性尚不清晰,仍需深入研究。在后续的研究中,将进一步考虑采用气候学模型和实地观测的方法,使得结果更加准确。

3)不同下垫面光伏电场热环境效应对邻域的影响范围、程度与归因分析。本文的光伏电场位于漂浮水面,它对建设区及其邻近200 m以内具有增温效应,但不同下垫面光伏电场影响LST空间分布的模式及影响范围、程度存在差异,不同地形条件的荒漠区表现不同的降温、增温效应[19-20,42-43]。例如,青海共和盆地荒漠区大型光伏电站的白天LST年均下降幅度为4 ℃[40]; 甘肃省金昌市西坡戈壁光伏电场白天LST年均下降幅度为0.65 ℃[21]。此外,光伏电场影响LST空间分布的驱动机制尚不明晰。在后续研究中,应发展优化适用于不同下垫面条件的光伏电场自动化遥感提取方法,并考虑结合地面观测、遥感观测与能量平衡模型对光伏电场影响LST空间分布的模式进行综合分析。

(责任编辑: 李瑜)

参考文献

Parida B, Iniyan S, Goic R.

A review of solar photovoltaic technologies

[J]. Renewable and Sustainable Energy Reviews, 2011, 15(3):1625-1636.

DOI:10.1016/j.rser.2010.11.032      URL     [本文引用: 1]

International Energy Agency.

Global gaps in clean energy Rd and D:Update and recommendations

[M]. Paris:International Energy Agency, 2010:1-35.

[本文引用: 1]

Itrpv I.

International technology roadmap for photovoltaic results 2017

[M]. Frankfurt:VDMA Photovoltaic Equipment, 2020:1-72.

[本文引用: 1]

Schmela M, Masson G,

Mai N N T.Global market outlook for solar power 2016—2020

[M]. Belgium:Solar Power Europe, 2016:1-38.

[本文引用: 1]

International Energy Agency.

Renewables 2019

[M]. Paris:International Energy Agency, 2019:1-106.

[本文引用: 1]

Li L, Chi T, Zhang M, et al.

Multi-layered capital subsidy policy for the Pv industry in China considering regional differences

[J]. Sustainability, 2016, 8:45.

DOI:10.3390/su8010045      URL     [本文引用: 1]

朱向东, 贺灿飞, 毛熙彦, 等.

贸易保护背景下中国光伏产业空间格局及其影响因素

[J]. 经济地理, 2018, 38(3):98-105.

[本文引用: 1]

Zhu X D, He C F, Mao X Y, et al.

The spatial pattern of China Pv industry under the background of trade protectionism

[J]. Economic Geography, 2018, 38(3):98-105.

[本文引用: 1]

Shuang L, Weigand J, Ganguly S.

The potential for climate impacts from widespread deployment of utility-scale solar energy installations:An environmental remote sensing perspective

[J]. Journal of Remote Sensing and GIS, 2017, 6(1):1000190.

[本文引用: 1]

王祯仪, 汪季, 高永, 等.

光伏电站建设对沙区生态环境的影响

[J]. 水土保持通报, 2019, 39(1):191-196.

[本文引用: 2]

Wang Z Y, Wang J, Gao Y, et al.

Impacts of photovoltaic power station construction on ecology environment in sandy area

[J]. Bulletin of Soil and Water Conservation, 2019, 39(1):191-196.

[本文引用: 2]

吴菲.

光伏发电站环境影响评价技术规范研究

[D]. 南京:南京信息工程大学, 2012.

[本文引用: 2]

Wu F.

Study on technical specifications for environmental impact assessment of photovoltaic power station

[D]. Nanjing:Nanjing University of Information Science and Technology, 2012.

[本文引用: 2]

周茂荣, 王喜君.

光伏电站工程对土壤与植被的影响——以甘肃河西走廊荒漠戈壁区为例

[J]. 中国水土保持科学, 2019, 17(2):132-138.

[本文引用: 2]

Zhou M R, Wang X J.

Influence of photovoltaic power station engineering on soil and vegetation:Taking the Gobi desert area in the Hexi corridor of Gansu as an example

[J]. Science of Soil and Water Conservation, 2019, 17(2):132-138.

[本文引用: 2]

郭丹.

光伏发电现状及其环境效应分析

[D]. 保定:华北电力大学, 2016.

[本文引用: 1]

Guo D.

Photovoltaic power generation and its environmental effects analysis

[D]. Baoding:North China Electric Power University, 2016.

[本文引用: 1]

李芬, 杨勇, 赵晋斌, 等.

光伏电站建设运行对气候环境的能量影响

[J]. 气象科技进展, 2019, 9(2):71-77.

[本文引用: 2]

Li F, Yang Y, Zhao J B, et al.

Review on energy impact of photovoltaic power station construction and operation on climate and environment

[J]. Advances in Meteorological Science and Technology, 2019, 9(2):71-77.

[本文引用: 2]

Bayrakci M, Choi Y, Brownson J R.

Temperature dependent power modeling of photovoltaics

[J]. Energy Procedia, 2014, 57:745-754.

DOI:10.1016/j.egypro.2014.10.282      URL     [本文引用: 1]

Pimentel Da Silva G D, Magrini A B, David A C.

A multicriteria proposal for large-scale solar photovoltaic impact assessment

[J]. Impact Assessment and Project Appraisal, 2019, 38(1):3-15.

DOI:10.1080/14615517.2019.1604938      URL     [本文引用: 1]

Wang S M, Luo X B, Peng Y D.

Spatial downscaling of MODIS land surface temperature based on geographically weighted autoregressive model

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13:2532-2546.

DOI:10.1109/JSTARS.4609443      URL     [本文引用: 1]

Liou Y A, Nguyen A K, Li M H.

Assessing spatiotemporal eco-environmental vulnerability by Landsat data

[J]. Ecological Indicators, 2017, 80:52-65.

DOI:10.1016/j.ecolind.2017.04.055      URL     [本文引用: 1]

李彦甫.

基于高分辨率影像的光伏电场信息提取鲁棒性分析及其热环境效应研究

[D]. 兰州:兰州大学, 2016.

[本文引用: 2]

Li Y F.

Robustness of photovoltaic electric field information extraction based on high-resolution image and its thermal environment effect

[D]. Lanzhou:Lanzhou University, 2016.

[本文引用: 2]

杨丽薇, 高晓清, 吕芳, 等.

光伏电站对格尔木荒漠地区太阳辐射场的影响研究

[J]. 太阳能学报, 2015, 36(9):2160-2166.

[本文引用: 2]

Yang L W, Gao X Q, Lyu F, et al.

Study on the impact of large solar farm on radiation field in desert areas of Golmud

[J]. Acta Energiae Solaris Sinica, 2015, 36(9):2160-2166.

[本文引用: 2]

刘哲, 杨华, 陈星宇, 等.

光伏电场对地表温度的影响分析

[J]. 地理空间信息, 2019, 17(10):20-23,10.

[本文引用: 4]

Liu Z, Yang H, Chen X Y, et al.

Impact analysis of solar park on land surface temperature

[J]. Geospatial Information, 2019, 17(10):20-23,10.

[本文引用: 4]

李国庆, Armstrong Alona,

刘哲.光伏电场对地表温度的影响研究

[J]. 太阳能学报, 2020, 41(12):117-123.

[本文引用: 3]

Li G Q, Armstrong A, Liu Z.

Effect of solar power plants on land surface temperature

[J]. Acta Energiae Solaris Sinica, 2020, 41(12):117-123.

[本文引用: 3]

Pouran H M.

From collapsed coal mines to floating solar farms,why China’s new power stations matter

[J]. Energy Policy, 2018, 123:414-420.

DOI:10.1016/j.enpol.2018.09.010      URL     [本文引用: 2]

Cook M, Schott J R, Mandel J, et al.

Development of an operational calibration methodology for the Landsat thermal data archive and initial testing of the atmospheric compensation component of a land surface temperature (LST) product from the archive

[J]. Remote Sensing, 2014, 6(11):11244-11266.

DOI:10.3390/rs61111244      URL     [本文引用: 1]

Jiménez-Muñoz J C, Sobrino J A.

A generalized single-channel method for retrieving land surface temperature from remote sensing data

[J]. Journal of Geophysical Research:Atmospheres, 2003, 108:D22.

[本文引用: 1]

Jiménez-Muñoz J C, Sobrino J A, Skokovi c ' D, et al.

Land surface temperature retrieval methods from Landsat8 thermal infrared sensor data

[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(10):1840-1843.

DOI:10.1109/LGRS.2014.2312032      URL     [本文引用: 2]

Eldesoky A H M, Gil J, Pont M B.

The suitability of the urban local climate zone classification scheme for surface temperature studies in distinct macroclimate regions

[J]. Urban Climate, 2021(37):100823.

[本文引用: 1]

Wang Y, Ni Z, Hu M, et al.

A practical approach of urban green infrastructure planning to mitigate urban overheating:A case study of Guangzhou

[J]. Journal of Cleaner Production, 2021(287):124995.

[本文引用: 1]

Firozjaei M K, Sedighi A, Firozjaei H K, et al.

A historical and future impact assessment of mining activities on surface biophysical characteristics change:A remote sensing-based approach

[J]. Eco-logical Indicators, 2021(122):107264.

[本文引用: 1]

Barsi J, Schott J, Palluconi F, et al.

Validation of a web-based atmospheric correction tool for single thermal band instruments

[M]. SPIE, 2005.

[本文引用: 1]

Barsi J A, Barker J L, Schott J R.

An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument

[C]// IEEE International Geoscience and Remote Sensing Symposium, 2003.

[本文引用: 1]

Sobrino J A, Jiménez-Muñoz J C, Sòria G, et al.

Land surface emissivity retrieval from different VNIR and TIR sensors

[J]. IEEE transactions on Geoscience and Remote Sensing, 2008, 46(2):316-327.

DOI:10.1109/TGRS.36      URL     [本文引用: 1]

Vancutsem C, Ceccato P, Dinku T, et al.

Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa

[J]. Remote Sensing of Environment, 2010, 114(2):449-465.

DOI:10.1016/j.rse.2009.10.002      URL     [本文引用: 3]

韩秀珍, 李三妹, 窦芳丽.

气象卫星遥感地表温度推算近地表气温方法研究

[J]. 气象学报, 2012, 70(5):1107-1118.

[本文引用: 2]

Han X Z, Li S M, Dou F L.

Study of obtaining high resolution near-surface atmosphere temperature by using the land surface temperature from meteorological satellite data

[J]. Acta Meteorologica Sinica, 2012, 70(5):1107-1118.

[本文引用: 2]

姚永慧, 张百平, 韩芳.

基于MODIS地表温度的横断山区气温估算及其时空规律分析

[J]. 地理学报, 2011, 66(7):917-927.

[本文引用: 2]

Yao Y H, Zhang B P, Han F.

MODIS-based air temperature estimation in the Hengduan Mountains and its spatio-temporal analysis

[J]. Acta Geographica Sinica, 2011, 66(7):917-927.

[本文引用: 2]

Anselin L.

Local indicators of spatial association—Lisa

[J]. Geographical Analysis, 1995, 27(2):93-115.

DOI:10.1111/gean.1995.27.issue-2      URL     [本文引用: 1]

Kan A K, Li G Q, Yang X, et al.

Ecological vulnerability analysis of Tibetan towns with tourism-based economy:A case study of the Bayi District

[J]. Journal of Mountain Science, 2018, 15(5):1101-1114.

DOI:10.1007/s11629-017-4789-x      URL     [本文引用: 1]

孟丹, 王明玉, 李小娟, 等.

京沪穗三地近十年夜间热力景观格局演变对比研究

[J]. 生态学报, 2013, 33(5):1545-1558.

[本文引用: 2]

Meng D, Wang M Y, Li X J, et al.

The dynamic change of the thermal environment landscape patterns in Beijing,Shanghai and Guangzhou in the recent past decade

[J]. Acta Ecologica Sinica, 2013, 33(5):1545-1558.

DOI:10.5846/stxb      URL     [本文引用: 2]

Bartesaghi-Koc C, Osmond P, Peters A.

Spatio-temporal patterns in green infrastructure as driver of land surface temperature variability:The case of Sydney

[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 83:101903.

DOI:10.1016/j.jag.2019.101903      URL     [本文引用: 2]

Fan C, Wang Z.

Spatiotemporal characterization of land cover impacts on urban warming:A spatial autocorrelation approach

[J]. Remote Sensing, 2020, 12(10):1631.

DOI:10.3390/rs12101631      URL     [本文引用: 2]

吴迪, 陈健, 石满, 等.

基于Savitzky-Golay滤波算法的FY-2F地表温度产品时间序列重建

[J]. 自然资源遥感, 2019, 31(2):59-65.doi: 10.6046/gtzyyg.2019.02.09.

DOI:10.6046/gtzyyg.2019.02.09      [本文引用: 2]

Wu D, Chen J, Shi M, et al.

Reconstruction of land surface temperature time-series datasets of FY-2F based on Savitzky-Golay filter

[J]. Remote Sensing for Land and Resources, 2019, 31(2):59-65.doi: 10.6046/gtzyyg.2019.02.09.

DOI:10.6046/gtzyyg.2019.02.09      [本文引用: 2]

徐永明, 覃志豪, 沈艳.

长江三角洲地区地表温度年内变化规律与气候因子的关系分析

[J]. 自然资源遥感, 2010(1):60-64.doi: 10.6046/gtzyyg.2010.01.10.

DOI:10.6046/gtzyyg.2010.01.10      [本文引用: 1]

Xu Y M, Qin Z H, Shen Y.

The relationship between inter-annual variations of land surfacetemperature and climate factors in the Yangtze River Delta

[J]. Remote Sensing for Land and Resources, 2010, 22(1):60-64.doi: 10.6046/gtzyyg.2010.01.10.

DOI:10.6046/gtzyyg.2010.01.10      [本文引用: 1]

Chang R, Shen Y B, Luo Y, et al.

Observed surface radiation and temperature impacts from the large-scale deployment of photovoltaics in the Barren area of Gonghe,China

[J]. Renewable Energy, 2018, 118:131-137.

DOI:10.1016/j.renene.2017.11.007      URL     [本文引用: 1]

殷代英, 马鹿, 屈建军, 等.

大型光伏电站对共和盆地荒漠区微气候的影响

[J]. 水土保持通报, 2017, 37(3):15-21.

[本文引用: 1]

Yin D Y, Ma L, Qu J J, et al.

Effect of large photovoltaic power station on microclimate of desert region in Gonghe Basin

[J]. Bulletin of Soil and Water Conservation, 2017, 37(3):15-21.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发