《International Journal of Applied Earth Observation and Geoinformation》:Global high-resolution mapping of photovoltaic power plants from 2019 to 2025 using unsupervised index-based multi-source data fusion method
编辑推荐:
精确制图光伏(Photovoltaic,PV)电站对于监测太阳能发电发展并支持PV运行管理、政策制定和环境分析至关重要。然而,现有光伏电站地理空间数据集要么空间覆盖范围有限,要么分辨率与精度不足,要么已经过时且缺乏及时更新,因此难以满足上述需求。为此,研究人员
精确制图光伏(Photovoltaic,PV)电站对于监测太阳能发电发展并支持PV运行管理、政策制定和环境分析至关重要。然而,现有光伏电站地理空间数据集要么空间覆盖范围有限,要么分辨率与精度不足,要么已经过时且缺乏及时更新,因此难以满足上述需求。为此,研究人员构建了一种高效的全球PV制图框架,该框架将所提出的自适应归一化差异光伏指数(Adaptive Normalized Difference Photovoltaic Index,ANDPI)与多源数据融合算法相结合,用于从Sentinel-2影像中提取光伏电站的精确边界。研究人员生成了2019年至2025年、空间分辨率为10 m的全球光伏电站制图产品。该制图结果总体精度(Overall Accuracy,OA)达到91.16 %,优于现有PV制图产品,同时保持了140 km2/s的处理速度。分析表明,全球PV面积由2019年的8432 km2扩展至2025年的16289 km2,其中中国贡献了61 %的增长量。此外,PV电站主要部署于牧草地(44.0 %)和耕地(40.1 %)。2021年之前,耕地略占优势;此后,牧草地所占比例更大。据研究人员所知,该地理空间数据集代表了当前最全面的全球PV制图产品,具备全球空间覆盖、最高分辨率以及最新时效性信息。该产品为理解光伏电站的空间分布与扩张提供了重要见解,并有助于全球碳中和与可持续发展战略的推进。代码与数据可通过 https://github.com/SUNNYTREE-LAB/Fusion_PV_Mapping 获取。
该论文发表于《International Journal of Applied Earth Observation and Geoinformation》,围绕全球光伏电站高精度、快速、持续更新制图这一核心问题展开研究。在全球升温、能源需求增长和可再生能源加速替代传统化石能源的背景下,光伏(Photovoltaic,PV)发电已成为最具发展潜力的能源技术之一。准确定位光伏电站并提取其精细边界,不仅是评估全球太阳能产业扩张态势的基础,也是能源政策制定、产业布局优化、碳减排评估及土地利用分析的重要支撑。然而,现有光伏遥感制图产品存在明显不足:一类产品具备全球覆盖,但空间分辨率较低或边界较粗;另一类产品虽能提供较高分辨率结果,却局限于单一国家或较早年份;此外,主流机器学习与深度学习方法又高度依赖人工标注样本与较高计算资源,制约了全球尺度产品的快速更新。因此,如何在保证精度的同时实现低成本、高时效、全球覆盖和精细轮廓提取,成为当前该领域的关键问题。
针对上述不足,研究人员提出了一种基于自适应归一化差异光伏指数(Adaptive Normalized Difference Photovoltaic Index,ANDPI)与多源数据融合的全球光伏电站制图框架。该方法以TZ-SAM数据集提供的光伏位置先验信息为基础,联合ChinaPV和GlobalPV两类历史制图产品,通过几何逻辑运算完成多时相、多分辨率、多空间范围数据的融合,并在Sentinel-2多光谱影像上进一步提取精细边界,最终生成2019年至2025年的全球10 m分辨率光伏电站制图产品。研究结果表明,该框架在无需训练数据的前提下取得91.16 %的总体精度,在精度、时效性、边界质量和处理效率上均优于现有代表性产品。研究还揭示了2019—2025年全球光伏电站的时空扩张格局及其土地覆盖占用变化,说明中国在全球光伏扩张和碳减排进程中具有极其突出的贡献。
研究所采用的关键技术方法主要包括以下几个方面。首先,以TZ-SAM粗略边界为先验范围,在Google Earth Engine(GEE)平台下载云量低于5 %的Sentinel-2 L2A年度中值合成影像,并转换为地表反射率。其次,研究人员提出ANDPI方法,在归一化差异光伏指数(NDPI)基础上,通过直方图双峰分布自适应确定阈值,实现不同地表背景下的光伏区域分割,并辅以形态学后处理去除噪声。再次,基于TZ-SAM、ChinaPV和GlobalPV三个数据集的掩膜差分与并集逻辑,构建多源数据融合算法,用于识别历史区域、扩张区域及退役区域。最后,在全球范围内逐电站执行该流程,形成2019—2025年的全球光伏电站多时相制图结果。精度评价基于全球随机抽样的400个光伏电站样本,并结合人工像元级标注开展测试。
3.1. Accuracy and speed assessment
在精度与速度评估部分,研究人员系统验证了所提方法的有效性。论文采用总体精度(OA)、精确率(Precision)、召回率(Recall)、F1-score和平均交并比(Mean Intersection over Union,mIoU)对二值分割结果进行定量评价,同时使用单位时间处理陆地区域面积衡量算法效率。结果显示,该方法在测试集上实现91.16 %的OA和77.75 %的mIoU,处理速度达到140.24 km
2/s,约可每秒处理18幅光伏电站多光谱影像。结合可视化结果可以看出,所提框架不仅能准确提取最新建设的光伏区域,还能较好保留电站的内外边缘轮廓,从而获得适用于精细地理分析的多边形结果。
3.1.2. Performance assessment of the proposed method
在所提方法性能评估中,研究人员展示了不同土地覆盖类型下的融合过程及最终提取结果,包括牧草地、水域、耕地和裸地等典型场景。结果表明,ANDPI结合多源融合后能够从2022年后的新增区域中准确识别光伏扩建部分,并生成2025年最新结果。通过与Google高分辨率影像对照,研究人员进一步证明了该方法在边界刻画方面具有较高可靠性。基于全球400个随机样本的像元级标注测试,所提方法在无需训练过程的情况下仍能取得较高精度,体现出较强的泛化能力和工程应用潜力。
3.1.3. Comparison to existing PV extraction methods
在与现有光伏提取方法比较时,研究人员选取了两类无监督基线方法,即归一化差异建筑指数(Normalized Difference Built-up Index,NDBI)和NDPI,以及一种全监督机器学习方法随机森林(Random Forest)。结果表明,所提方法的OA分别较NDBI、NDPI和随机森林提升7.34 %、11.21 %和1.46 %,mIoU分别提升11.80 %、16.99 %和3.90 %。其中,相比原始NDPI的大幅提升,直接证明了自适应阈值改进策略的有效性。尽管NDBI和NDPI由于计算简单具有更高速度,但在复杂场景中的边界精度明显不足;随机森林虽然精度较高,但依赖训练样本且速度低于所提方法。论文据此指出,该框架在无监督条件下实现了接近甚至优于监督学习方法的表现。
3.1.4. Comparison to existing PV mapping products
在与现有光伏制图产品比较方面,研究人员选取了包括TZ-SAM、ChinaPV、GlobalPV在内的6种已有产品进行定量和定性分析。结果显示,融合后的制图结果相较TZ-SAM、ChinaPV和GlobalPV原始产品,OA分别提高7.15 %、9.16 %和9.37 %,mIoU分别提高8.46 %、28.51 %和24.69 %。可视化比较进一步表明,所提产品在边界位置、轮廓完整性以及时间更新方面均优于其他产品,说明多源融合不仅提升了精度,也显著改善了产品时效性和精细化程度。
3.2. Mapping results of global PV from 2019 to 2025
研究人员生成了覆盖2019年至2025年第二季度的全球光伏电站10 m分辨率制图产品。2025年全球分布结果表明,光伏电站主要集中在发达国家和工业化水平较高的发展中国家,如美国、日本、韩国、西欧、中国、印度、巴西和南非等。到2025年第二季度,中国光伏电站总面积达到8358 km
2,占全球总量的51.3 %,显著高于其他国家。面积大于20 km
2的大型光伏电站主要分布于中国西北部地区,包括新疆、青海和甘肃,同时在美国西部、中东和印度西北部也有集聚。
3.3. Spatial and temporal expansion analysis of PV power plants
基于2019—2025年时间序列产品,研究人员分析了全球光伏电站的时空扩张趋势。结果表明,全球光伏总面积由2019年的8432 km
2增长至2025年的16289 km
2,净增7857 km
2。其中,中国贡献了4778 km
2,约占全球新增面积的61 %。从空间上看,2023年以后新建光伏电站数量明显多于此前阶段,主要集中在中国、美国、欧洲和印度。从国家尺度看,中国在2023年光伏扩张尤为显著,新增面积达到1324 km
2;美国则表现为较稳定增长,年新增面积由2020年的80 km
2增至2024年的293 km
2。这些结果表明,全球光伏产业在后疫情时期进入加速扩张阶段,而中国是这一轮增长的最主要推动者。
3.4. Land cover analysis of PV power plants
在土地覆盖分析中,研究人员利用ESRI发布的Land Cover产品,统计了2025年全球光伏电站的地表占用类型。结果显示,全球光伏电站主要分布于牧草地和耕地,面积占比分别为44.0 %和40.1 %,其后依次为裸地5.3 %、树木覆盖地4.8 %、建设用地3.4 %和水域2.4 %。从空间异质性来看,中国和美国西部的光伏电站更多位于牧草地和裸地,东部则偏向耕地和建设用地;欧洲则主要分布在耕地和建设用地上。时间变化分析进一步表明,在2021年之前,新建光伏电站更多占用耕地;但自2022年起,新增光伏更明显向牧草地转移。论文认为,这一转变说明全球光伏选址正在趋于更为合理,有助于缓解对粮食生产用地的潜在竞争。
4. Discussion
讨论部分首先概括了本研究框架的四项主要优势,即全球覆盖、高空间分辨率、高时间时效性和低成本快速更新能力。与已有产品相比,该成果不仅实现了全球10 m分辨率覆盖,还将时间延伸至2025年第二季度,并提供内外边界轮廓信息,具有更高的精细化水平。论文同时指出,中国在全球光伏扩张和碳减排中发挥了决定性作用,中国光伏电站面积已超过全球总量的一半,且2019—2025年新增面积贡献达到61 %,显著推动了清洁能源替代和全球能源转型。另一方面,研究人员也客观讨论了方法局限:尽管ANDPI优于固定阈值指数法,但在极端复杂地表条件、地物混合严重或组件间距过大的场景下,NDPI响应减弱,仍可能导致误检和漏检;此外,土地占用分析依赖单一土地覆盖产品,可能受到分类误差影响。因此,未来工作需进一步引入多源土地覆盖数据,以提高统计稳健性。
研究结论部分指出,本研究提出了一种基于ANDPI的多源数据融合方法,可实现光伏电站的低成本、快速识别。在此基础上,研究人员构建了全球光伏电站制图框架,生成了2019年至2025年的10 m分辨率全球光伏制图产品。该数据集是当前具有最新时效性、全球空间尺度和最高分辨率的精细化光伏制图产品。研究结果表明,2019年至2025年间,全球新增光伏电站面积约为7857 km
2,其中中国贡献约61 %。此外,光伏部署所占用土地主要来源于牧草地、草地和耕地。该制图产品揭示了近年来全球光伏电站的时空扩散与发展过程,可为能源规划优化、光伏相关政策制定、产业投资引导以及全球向可再生能源和碳中和转型提供重要支撑。