多源遙感精確提取光伏電站研究

王 衛 蔡俊興 田廣增 成 量 孔德庸

(1.韶關學院英東生物與農業學院, 廣東 韶關 512005; 2.韶關學院粵北土壤土地研究中心, 廣東 韶關 512005;3.華南農業大學資源環境學院, 廣東 廣州 510642; 4.韶關學院旅游與地理學院, 廣東 韶關 512005;5.江西財經大學旅游與城市管理學院, 江西 南昌 330013)

0 引言

太陽能光伏發電是一種清潔無污染、可再生、地域限制小的能源利用方式,在全球大規模建設。根據國家能源局統計信息,至2019年我國光伏累計裝機容量2.043×108kW,占全球的35%,2013—2019年均增長33%。對光伏電站建設的有效監測是管理部門制定調控政策的重要途徑,相對于低效滯后和高成本的調查統計方法,遙感技術具有及時高效、大范圍同步監測和低成本的優勢，是獲取光伏電站建設進度、區域分布和動態變化的重要手段[1]。遙感影像地物精準識別是近年來遙感應用領域的熱點問題[2-6]。準確地識別光伏電站是實現監測光伏電站分布和變化的關鍵問題。

遙感識別的數據源從中低分辨率到高分辨率,識別方法向集成學習和機器學習發展,使得地物識別的準確度和精度不斷提高。在遙感成像過程中,遙感影像地物光譜包含了地物環境光譜和地物本底光譜,如土壤的光譜信息、水分光譜信息及異物同譜信息[7-8]。遙感的地物識別,必須去除環境、本底的影響以及區分異物同譜,這是提高遙感識別和遙感分類的精度的難點和熱點之一。中低空間分辨率遙感影像,具有多譜段數據,光譜信息豐富,適合大面積種植的作物,如小麥、水稻、玉米等,廣泛應用到農作物分類和農業估產領域[9-14]。通過提取多指數特征參與地物的識別和分類,利用支持向量機、決策樹分類等方法,消除異物同譜和降低地物誤分的概率,提高作物的識別和分類精度[15-17]。但受制于數據源的低分辨率,物的識別和分類精度不高。隨著對地觀測技術的進步,高分辨率遙感的應用越來越廣泛,在城市監測、作物精細分類、小面積種植作物、特殊地物識別和提取領域的優勢尤為明顯[18-21]。在利用高分遙感的多光譜特征的同時,更多地利用紋理特征,利用集成學習和機器學習的方法訓練分類模型,增強遙感影像的可識別度和識別精度[22-24]。但是高分辨率影像分類時會出現“椒鹽現象”,導致地物呈現散點式誤分和地物邊界不清晰的現象,需要大量樣本以修正分類結果[25-27]。深度學習方法是一種機器學習方法,能夠很好地處理多特征數據,訓練速度快,有效利用圖形處理單元、校正線性單元和多訓練示例的特性[23]。本文通過融合光譜和紋理多特征圖像,并聯合多尺度分割圖像,構建多尺度多特征圖像,利用深度學習方法,對粵北地區不同本底環境的光伏電站進行識別,驗證方法可行性,并利用空間關聯法提高光伏電站識別精度。本文為光伏電站的高精度監測提供可參考的案例,利用開源的遙感影像和我國自主高分遙感,降低監測的成本,并豐富我國高分系列衛星的應用領域。

1 研究區與數據源

1.1 研究區概況

本文選取廣東粵北地區仁化縣董塘鎮、始興縣馬市鎮和南雄市全安鎮的光伏電站為研究區,該區域光熱資源豐富,太陽能資源豐富程度屬III類區[3 780～5 040 MJ/(m2·a)]。研究區內利用重金屬污染土地、荒地荒山等土地建設光伏電站,并發展農光互補、土壤修復和熱電聯產,具備一定的地域優勢。

1.2 數據源

本文利用的衛星遙感影像有廣東省高分中心提供的高分2號(GF-2)影像、歐洲空間局和美國地質調查局(USGS)提供的哨兵2號(Sentinel 2)影像。GF-2衛星是我國自主研制的首顆空間分辨率優于1 m的民用光學遙感衛星,搭載有兩臺高分辨率1 m全色、4 m多光譜相機,幅寬45 km，波譜范圍為0.45～0.90 μm。GF-2衛星具有米級空間分辨率、高輻射精度、高定位精度和快速姿態機動能力。Sentinel 2衛星搭載一臺多光譜成像儀,可覆蓋13個光譜波段,波譜范圍0.44～22 μm,幅寬達290 km,地面分辨率分別為10、20和60 m。GF-2衛星影像獲取時間為2019年10月4日,2019年11月17日和2019年12月12日,Sentinel 2衛星影像獲取時間為2019年11月11日。

2 研究方法

2.1 深度學習方法

深度學習屬于機器學習方法的分支,在圖像處理過程中可以根據樣本提取圖像中的高級特征[2]。卷積神經網絡是最廣泛的深度學習模型之一,用于處理多個數組形式的數據,適合處理像素排列規則的多波段多特征的遙感數據[3]。

卷積神經網絡(Convolutional Neural Networks, CNN)由卷積層、池化層、全連接層組成。在圖像分類訓練過程中經過調參,最終確定各網絡層輸入參數。經過4個卷積層和池化層組合后,連接多個全連接層,將輸入向量轉化為相關類別輸出。本文利用ENVI5.6平臺中的Deep learning軟件進行光伏電站的提取,該軟件是基于TensorFlow框架,利用U-Net網絡構建深度學習模型,U-Net是卷積神經網絡的變形,它基于全卷積神經網絡進行改進,利用數據增強可以減少對訓練樣本的需要[3]。U-Net模型包含編碼器與解碼器2部分,在編碼器中進行2次卷積與1次池化過程，用于降低特征圖維度;在解碼器中經過上采樣層恢復特征圖原始分辨率,通過跳躍式連接將特征圖傳遞給解碼器。

2.2 多特征圖像構建

哨兵2號遙感影像多光譜特征較為豐富,可利用模型對波段進行運算,構建多指數特征圖形。而高分2號衛星影像具備高空間分辨率,地物的紋理特征豐富,通過濾波分析提取紋理信息。

2.2.1樣本特征分析

為驗證地物類型的區分度，結合研究區的物候、季節和地形情況,將研究區地物類型分為9個,留茬耕地、綠植耕地、林地、居民點用地、道路、裸地、水體、光伏電站、陰影區。對建立的9個訓練樣本進行分割,70%的樣本參與分類,30%的樣本作為精度驗證。

2.2.2環境特征

多光譜影像中存在大量異物同譜特征,在研究區內光伏電站面板的光譜與水體和建筑的陰影相似,容易在多光譜圖像上造成誤分(圖1)。根據光伏電站在Sentinel 2上的波譜曲線,在短波紅外和藍光波段為反射峰,而在紅光波段和紅外波段為吸收谷。

圖1 光伏電站在Sentinel 2影像上的取值范圍和波譜曲線

2.2.3光譜特征

通過計算歸一化植被指數(Normalized Difference Vegetation Index,NDVI),強化區分植被信息,用于消除環境植被的干擾,其表達式如式(1)所示:

(1)

式中,V為NDVI；ρNIR為紅外波段；ρR為紅光波段。

通過計算歸一化水體指數(Normalized Difference Water Index,NDWI),區分光伏電站與水體、陰影地類,其表達式如式(2)所示:

(2)

式中，W為NDWI；ρNIR為紅外波段；ρG為綠光波段。

根據光伏電站在短波紅外、藍光波段、紅光波段和紅外波段的反射特征,如圖1(b)所示,構建簡單光伏-建筑指數(Photovoltaic Building index, PBI),用于區分建筑物及陰影與光伏電站,其表達式如式(3)所示:

P=ρswir+ρB-ρR-ρNIR

(3)

式中，P為PBI；ρswir為短波紅外波段；ρNIR為紅外波段；ρG為綠光波段。

2.2.4紋理特征

為了更大面積地接受太陽光,光伏電站布局的方向性很強,表現在問題圖像上的紋理特征明顯。對高分2號影像1 m融合圖像主成分分析后,對第一主成分濾波計算灰度共生矩陣,采用5×5窗口獲取8個紋理特征量,分別為均值、對比度、均勻性、相關性、方差、相異性、角二階矩和熵。

2.3 多尺度影像分割

高分2號影像的高空間分辨率特性,使得直接對1 m融合多光譜圖像分類時,會出現大量的散點式分布的“椒鹽現象”。影像多尺度的分割,以像元為單位,對同質性像元進行合并,對異質性像元進行分割,達到同一幅圖像中不同尺度的像元聚類。通過影像的多尺度分割,使得光譜和紋理相似的地物進行歸并,消除“椒鹽現象”。本文以ENVI5.3軟件的圖像分割功能,對研究區1 m合圖像進行分割,形成4個多尺度分割的特征量。

將3個指數特征量、8個紋理特征量、第一主成分量、4個多尺度分割量,構建成16個特征量的光伏識別的多特征圖像,并對比多光譜影像進行可分離性分析。9個類型的樣本,在多光譜影像中可分離性有較大的差別,光伏電站與裸地、道路、陰影區和居民點用地的可分離度在1.9以下,與留茬耕地、綠植耕地、林地和水體的可分離度在1.9以上;而在多特征圖像上樣本的可分離性較好,所有樣本的可分離度均在1.9以上。

2.4 空間關聯方法

高分2號衛星影像的多尺度分割圖像可以提供清晰的地類邊界,而Sentinel圖像可以快速準確地識別判斷光伏電站的位置,利用光伏電站的相同位置將類型屬性多為尺度分割圖像上的圖像塊賦值(圖2)。

圖2 空間關聯法賦值示意圖

利用ENVI5.3軟件,經過正射校正、圖像融合、輻射定標和大氣校正,形成研究區多源遙感圖像,進而提取多特征指數,并建立訓練樣本,最后對光伏電站的提取效果進行評估。本文研究的技術路線如圖3所示。

圖3 光伏電站識別技術路線圖

3 結果與分析

3.1 多特征圖像分類結果

利用1 m融合多光譜4波段圖像和1 m多特征12波段圖像,分別運用波譜角方法、隨機森林方法和深度學習方法進行分類,然后評估3種方法的分類精度(如表1所示)。

表1 不同方法下兩類圖像分類精度

總體來講,多特征圖像比多光譜圖像提高了分類精度和面積精度,就方法來講,波譜角分類方法精度最低,但分類時間最短(0.5 h,DELL Precision 3 530,CPU:I7-8 750H,內存:16 G,硬盤:256 G固態,顯卡:P600,4 G,下同),隨機森林方法精度較高,但分類時間長(2 h),深度學習方法分類精度最高,分類時間適中(1 h)。深度學習方法分類精度最高,但所有方法中均出現散點式誤分(椒鹽現象)情況。

3.2 多特征多尺度融合圖像分類結果

聯合多尺度分割影像的多特征圖像,分別運用波譜角方法、隨機森林方法和深度學習方法進行分類,并利用空間關聯方法對圖像中的光伏電站重新賦值,然后利用驗證樣本進行精度驗證,如表2和圖4所示。

圖4 光伏電站假彩色合成遙感圖像和分類結果圖

表2 多尺度多特征圖像不同方法分類精度

利用深度學習方法的分類結果,結合空間關聯方法,光伏電站的分類精度達到95%,分別比隨機森林方法和波譜角方法提高了近4個百分點和9個百分點;提取光伏電站的面積精度達到97%,分別比隨機森林方法和波譜角方法提高了6個百分點和11個百分點。而分類耗時適中。深度學習方法方法的面積精度最高,同時消除分類結果中的“椒鹽現象”。

從不同環境背景的地區提取光伏電站,會受到背景地物和光伏板反射的影響,增加精確分類的難度。本文通過構建光伏指數、植被指數和水體指數消除環境背景的影響,通過提取紋理特征減少光伏板的反射角度的影響,提取面積精度在90%以上。利用空間關聯方法將識別的光伏電站重新賦值于高分辨率分割圖像上,提高了光伏電站提取的面積精度6個百分點。

4 結束語

4.1 討論

光伏發電規模逐年增長,其發電量跟裝機的占地面積成正比關系,在結構用地矛盾突出的地區部署面積不大,在光照條件較好,荒地荒山較多的地區比較適合部署,如我國西北地區、西南丘陵區和南方山區。部署光伏電站的同時,探索農光互補、土壤修復和熱電聯產模式,可使經濟效益和生態效益疊加,不僅支持地區經濟發展,也可優化能源結構,減少碳排放,應對全球變暖。光伏電站建設過程中也面臨一些問題,如工程進度較慢、分批次建設、建設規模與規劃有差異、對環境產生不同的影響。通過遙感手段可以實時、快速、準確地監控光伏電站的建設進度和部署規模,及時評價其對生態環境的影響,為調節新能源發展政策,提供可靠數據支撐。

光伏電站的空間特征較為明顯,表現在幾個方面:第一,單個電站空間分布具有獨立性,地域限制性較低,與周邊環境的關聯性不強,這導致光伏電站所處的本底環境差別很大,給光伏電站的遙感精準識別帶來的困難,必須對遙感影像進行指數特征的提取,增加遙感識別的精準性;第二,光伏電站有序排列,方向性強,表現在遙感影像上紋理信息豐富且明顯,通過提取紋理信息,將規律的紋理特征作為遙感識別的特征量,提高遙感識別的準確度;第三,光伏電站晶硅材料的光譜相應信息與研究區內的道路、居民點和陰影區相近,導致誤分和“椒鹽現象”,這是本文解決的重點難題之一,通過多尺度影像分割,利用多特征圖像,在隨機森林算法的支持下,構建光伏電站識別的模型。通過對比實驗,多特征圖像相對于多光譜圖像主要是提高識別的精度,而加入多尺度分割圖像,主要是消除“椒鹽現象”,提高提取面積的精確度,而深度學習方法,則能在多特征維度圖像中,有較強的特征提取能力。本文驗證了多尺度多特征圖像在不同環境背景的影像上,精準識別光伏電站的可行性,識別精度和面積精度均在95%以上。但是本文構建了16個特征量參與識別和分類,使得數據量較大,受制于單機運算能力,故選取特征樣區進行研究。如需大面積同步監測光伏電站,可利用開源的多源遙感數據,如Sentinel衛星影像和我國自主高分衛星影像,部署在云計算平臺上,利用光伏電站單樣本,降低監測應用的成本并提高遙感監測的適用性。

4.2 結束語

在高分辨率遙感影像的支持下,可實現對光伏電站實時、高效和高精度的遙感監測。通過對光譜信息和紋理信息的特征提取,消除背景和本底環境的影響。常用的植被指數、水體指數能夠清晰區分出地物的邊界,而本文基于Sentinel 2衛星遙感影像構建的簡單光伏指數則較好地區分光伏電站與建筑。本文通過對影像的多尺度分割,并融合多特征圖像,構建多尺度多特征圖像進而準確地識別出光伏電站,并提高了單個光伏電站的面積精度,為監測光伏電站的建設進度、建設規模和評估發電量提供可靠的數據支持。多尺度多特征圖像具有多波段高維特征,數據量較大,而深度學習能夠較好地處理高維多特征數據,具有較強的特征提取能力,訓練速度快,分類結果精度高。相同方法下,多尺度多特征圖像分別比多光譜圖像和多特征圖像提高了11.8%和6.5%,深度學習方法的處理速度快且精度較高,結合空間關聯方法識別精度分別比隨機森林和波譜角方法提高7個百分點和11個百分點。GF-2衛星遙感影像在精準識別光伏電站具有可行性,利用深度學習方法實現光伏電站大規模監測具有可操作性。