基于GEE隨機森林算法的永仁縣光伏方陣提取及分布特征研究

摘" " 要：為準確掌握永仁縣光伏電站具體建設年度、占地規模、分布規律等，基于谷歌地球引擎（GEE）云平臺，通過Sentinel-2影像及云南天地圖最新影像用目視解譯標注了143個光伏方陣建成區及40個非光伏方陣建成區。提取了Sentinel-2影像6個原始波段、5個植被指數、8個紋理特征，并通過數字高程模型（DEM）提取了3個地形因子，共22個建模參數訓練了隨機森林模型，提取了永仁縣光伏方陣數據。研究結果表明，截至2024年5月，永仁縣集中式光伏電站光伏方陣占地面積約為1091.25hm2。

關鍵詞：GEE；隨機森林；Sentinel-2影像；光伏方陣

中圖分類號：TP751" " " " " " " " " 文獻標識碼：A" " " " " " " 文章編號：1005-7897（2025）03-0193-03

0" 引言

永仁縣是云南省太陽能最佳開發區域之一，早在2012年既已建設了楚雄州第一座、云南省第二座光伏電站——維的太陽能光伏電站[1]。近年來，在國家“雙碳”重大戰略和云南省新能源規劃的基礎上，永仁縣結合自身區位、資源優勢，大力發展光伏產業，并對光伏方陣用地這種新的土地利用方式進行了要求。根據《關于支持光伏發電產業發展規范用地管理有關工作的通知》（自然資辦發〔2023〕12號）[2]，光伏方陣用地不得改變地表形態，以第三次全國國土調查及后續開展的年度國土變更調查成果為底版，依法依規進行管理。實行用地備案，不需按非農建設用地審批。但光伏方陣實際用地面積并不好做到精確統計，亟須通過遙感等技術手段提取縣域范圍內光伏方陣用地情況，以便準確、及時掌握不同時間段光伏方陣建設情況，為主管部門提供決策依據。

近年來，通過遙感影像對縣域范圍或更大空間尺度光伏電站提取的研究也逐漸增多。Feng[3]等提供了2020年我國10m空間分辨率的大型地面光伏電站遙感衍生數據集；劉蕓等[4-5]基于高分衛星影像，并基于規則的面向對象分類、最鄰近法的監督分類及ＣＡＲＴ分類器的監督分類等３種不同分類方法，對威寧縣光伏電站提取進行了研究；陳雨艷[6]等提出了一種基于深度學習的多源高分辨率遙感影像提取新方法DAˉUNet，并以石林彝族自治縣作為測試區域，精度較高。

通過深度學習提取光伏方陣雖然精度較高，但所采用影像時限性較大（多為2年前的影像），不能實時反映光伏方陣建設情況。Sentinel-2是高分辨率多光譜成像衛星（可見光分辨率為10m），兩顆衛星互補后的重訪周期約為5天，能很好地解決提取光伏方陣的時限性問題。同時谷歌地球引擎（GEE）云平臺可直接調用Sentinel-2影像、數字高程模型（DEM）數據集等進行批量建模和處理。

本文在前人研究的基礎上，結合2024年5月Sentinel-2影像和最新云南天地圖影像，在ArcGIS平臺標注了樣本并上傳至GEE云平臺，然后訓練了隨機森林模型，提取了研究區最新光伏方陣數據，導出后在ArcGIS平臺轉換為矢量數據，并以緩沖區的方式改進了椒鹽噪聲消除方法（原論文采用卷積算法，會帶來一定誤差），然后逐一進行目視檢驗將誤提為光伏方陣的區域進行剔除，得到研究區最終的光伏方陣數據并對光伏方陣建設年度、占地規模、分布規律等進行了分析。通過調用模型并更改不同年度，提取了不同時期光伏方陣數據，以最終的2024年光伏方陣數據為基礎，對研究區不同光伏方陣建設年度進行了對比分析。

1 研究區概況

永仁縣地處云南省中北部，位于東經101°14′～101°49′，北緯25°51′～26°30′，海拔為926～2884m，地勢西北高，東南低，中部地區有廣闊的丘狀高原面，地勢開闊平緩。永仁縣境內屬亞熱帶丘陵季風氣候，受金沙江沿岸河谷地區熱源的影響，形成了冬無嚴寒，夏無酷暑，冬春干旱，夏秋多雨，干濕分明，雨量偏少，光照充足的獨特氣候特征。永仁縣平均降水量為833.9mm，降雨期集中在6—10月，雨季降水量占年度的94%，干季11月至次年的5月降水量僅占全年的6%。永仁縣年平均日照時數長，太陽輻射量多，是云南省開發集中式光伏電站的理想區域。

2" 數據來源與研究方法

GEE平臺接入了Landsat、Sentinel-2等衛星影像及ALOS World 3D-30m分辨率DEM數據，能快速、高效地對衛星影像、DEM數據進行預處理和數據組合。

Sentinel-2是高分辨率多光譜成像衛星（可見光分辨率為10m），同一地區重訪周期約為5天，可通過GEE官方提供的代碼便捷導出研究區的無云影像圖。

“天地圖·云南”平臺提供了云南省時空影像，可在線瀏覽2024年逐月歷史影像。影像分辨率為1m，已建成光伏方陣在云南天地圖歷史影像上紋理特征明顯、輪廓清晰，通過目視解譯很容易分辨。

通過GEE導出研究區2024年5月Sentinel-2影像后，在ArcGIS平臺將其與云南天地圖歷史影像作對照，對研究區光伏方陣進行標識，共標識了143個光伏方陣面層（PV），并在光伏方陣周邊選擇了城鎮建設用地、村莊、耕地、林地、草地等40個面積較大的非光伏方陣面層（noPV），以供后期隨機森林模型建模對照使用。

隨機森林算法在統計學理論基礎上進行建模，在分類問題上具有很高的精度且對異常值（噪聲）有一定的容忍度，GEE為隨機森林算法提供了很好的支持。在GEE中對研究區Sentinel-2影像去云預處理后獲取6個原始波段（B2、B3、B4、B8、B11、B12）后，再分別計算5個植被指數（NDVI、MNDWI、NDPI、NDBI、SAVI）、8個紋理特征（ASM、CONTRAST、CORR、VARI、IDM、SAVG、ENT、DISS），并通過ALOS World 3D-30m分辨率DEM數據提取了3個地形因子（ELEVATION、SLOPE、ASPECT），將上述22個建模參數合并為一個數據集。通過將標注的143個PV、40個noPV面層上傳至GEE平臺后，用GEE中ee.FeatureCollection.randomPoints命令在143個光伏方陣和40個非光伏方陣內隨機生成1000個PV點及1000個noPV點，按點提取數據集中對應數據，再按7：3比例劃分訓練集和驗證集，用ee.Classifier.smileRandomForest命令訓練、調整模型參數，并進行精度驗證，再用訓練好的模型對研究區PV數據進行提取后導出。

因提取的PV數據有較多的椒鹽噪聲，需進行噪聲去除以便提高數據精度。將導出的PV柵格數據添加至ArcGIS平臺，先用柵格轉矢量工具將數據轉為PV矢量數據并計算橢球體面積，再將PV矢量數據進行緩沖區分析（為控制電力輸送成本，不同光伏方陣間距離一般不會太遠，通過多次測試后最終確定緩沖距離為100m）得到PV-100數據，最終對PV-100數據進行融合、拆分多部件后，用連接功能（基于空間位置另一圖層的數據，匯總屬性選最大值）與PV矢量數據進行空間連接，篩選最大面積大于0.5hm2（為控制建設成本及效益，單個光伏方陣面積一般不會太小，通過多次測試后最終確定面積為0.5hm2）的圖斑，得到PV-100-0.5數據，按位置選擇位于PV-100-0.5數據中的原始PV矢量即得到初步PV數據，以云南天地圖歷史影像作對照，對剩余噪聲進行剔除即得到最終PV數據。

3" 結果與分析

研究結果表明，永仁縣光伏電站建設在近2年增長較快，截至2024年5月，永仁縣集中式光伏電站光伏方陣占地面積約為1091.25hm2。

3.1" 光伏方陣建設時間、分布區域分析

研究區已建設光伏方陣在2021年之前維持在202.75hm2（分布在維的鄉、蓮池鄉2個鄉鎮），2022年開始爆發式增長，截至2024年5月面積達1091.25hm2，共分布在蓮池鄉、維的鄉、宜就鎮、永定鎮、永興傣族鄉等5個鄉鎮。研究區歷年已建成光伏方陣面積統計如表1所示。

3.2" 光伏方陣地形因子分析

在ArcGIS平臺將DEM數據用表面分析工具計算坡度、坡向后，把光伏方陣按Sentinel-2影像分辨率轉換為點層，并與DEM原始數據、坡度、坡向進行疊加分析。

通過點層與DEM原始數據疊加分析發現，光伏方陣分布海拔在1200～2000m，其中光伏方陣像元點在1500～1600m分布最多，占比達38%。表2為研究區光伏方陣像元點按海拔統計。

通過點層與DEM計算的坡度疊加分析發現，光伏方陣架設坡度在0°～50°，其中光伏方陣像元點坡度小于20°的最多，占比達89%；光伏方陣像元點坡度大于30°的占比較低，主要位于光伏方陣邊緣且不連片，因坡度過大施工、維護成本過高與實際不符，經分析該部分主要是DEM數據存在一定誤差引起的。表3為研究區光伏方陣像元點按坡度統計。

通過點層與DEM計算的坡向疊加分析發現，光伏方陣架設坡向各坡向均有涉及，但主要分布在陽坡，少部分光伏方陣分布在陰坡（經分析坡度較小，5°以內），可通過適當提高北側光伏方陣支架的方式將光伏方陣調整為南朝向。其中，東南坡向、南坡向、西南坡向的光伏方陣像元點最多，共計占比達69%。研究區光伏方陣像元點按坡向統計如表4所示。

4" 結論

研究表明，GEE隨機森林算法能很好地提取出光伏方陣范圍（模型總體精度為0.95，Kappa系數為0.90），且通過最新影像訓練的模型，更改不同Sentinel-2影像成像時間仍可以得到較高的精度。

研究區光伏電站建設在近2年內呈增長較快，主要是國家、云南省政策利好及光伏電站單位面積建設成本降低等因素的影響，吸引了更多企業更愿意投資光伏電站。

光伏方陣分布海拔在1200～2000m，坡度主要分布在20°以下，朝向以南為主。光熱效果、日照時長更好的干熱河谷區域并未發現建設，主要原因是河谷兩岸坡度較大，施工、維護成本均較高導致的。

通過GEE隨機森林模型雖然能快速提取到光伏方陣且精度超過90%，但Sentinel-2影像分辨率僅為10m，給光伏方陣邊界提取帶來一定誤差。永仁縣正在推廣分布式光伏，但通過GEE隨機森林很難被提取到，可能需要采取更高分辨率影像通過神經網絡模型進行提取，以準確掌握研究區全部光伏電站數據，供主管部門更好地決策，并為其他地區光伏研究提供參考。

參考文獻

[1]" 云南省人民政府.楚雄州大抓產業主攻工業突破園區：加快綠色能源與綠色制造融合發展示范區建設[A/OL].（2023-03-21）[2024-10-15]. https：//www.yn.gov.cn/ywdt/zsdt/202303/t202303 21_256620.html.

[2]" 自然資源部辦公廳，林草局辦公室，能源局綜合司.關于支持光伏發電產業發展規范用地管理有關工作的通知（自然資辦發〔2023〕12號）[A/OL].（2023-03-20）[2024-10-15]. https：//www.gov.cn/zhengce/zhengceku/2023-04/03/content_5749824.htm.

[3]" FENG Q L， NIU B W， REN Y， et al. A 10ˉm nationalˉscale map of groundˉmounted photovoltaic power stations in China of 2020[J]. Scientific Data， 2024（11）：" 198.

[4]" 劉蕓，宋善海，李慧璇，等.基于高分衛星影像的復雜山區光伏電站信息提取[J].中低緯山地氣象，2023，47（3）：88-92.

[5]" 劉蕓，楊娟，黃林峰，等.基于高分衛星影像的威寧縣光伏電站提取及分布特征分析[J].能源與環保，2024，46（2）：204-208，215.

[6]" 陳雨艷，張軍，張俊，等.自適應多源遙感影像的地面光伏提取方法[J].遙感信息，2024，39（3）：136-143.

作者簡介：王暢（1979— ），男，漢族，云南昆明人，本科，工程師，主要從事林業和草原調查規劃工作。