浮島光伏電場對地表溫度空間分布特征的影響

伯英杰， 曾業隆， 李國慶， 曹興文， 姚清秀

(1.魯東大學資源與環境工程學院，煙臺 264025； 2.中國地質大學(北京)海洋學院，北京 100083；3.中國科學院空天信息創新研究院遙感科學國家重點實驗室，北京 100101； 4.中國科學院新疆生態與地理研究所荒漠與綠洲國家重點實驗室,烏魯木齊 830011)

0 引言

與煤炭、石油、天然氣等化石能源不同，太陽能光伏發電技術具有清潔安全、永續可再生和取用方便的優勢[1]，其產業在全球范圍的發展，有望改變自工業革命以來以化石能源為基礎的能源生產和消費方式，能有效緩解能源危機、全球碳排放和環境污染[2-5]。近年來，中國光伏產業在多樣化政策激勵下發展迅速，在2013年和2015年我國相繼超越意大利和德國，成為全球光伏發電裝機量最多的國家[6-7]。據國家能源局統計，截至2020年上半年，中國大陸的光伏發電裝機容量達到2.16億kW，其中大型集中并網式電站裝機占69%以上。

然而，大型光伏電場工程的建設不可避免地對所在區域的土地、生態以及能量循環等產生特定的環境效應[8-11]。大型光伏電場工程在建設時對環境的影響與其他工業制造過程類似，例如，平整土地、構筑新結構等工程活動直接作用于土壤、植被、地貌和土地利用，使其原有的形態發生變化，甚至可能會破壞原有環境要素的穩定結構，造成土地擾動、植被破壞和水土流失等問題； 電磁干擾、固體廢棄物污染等也是光伏電場工程環境影響評估的重要內容[9-12]。同時，作為光伏電場核心的太陽能光伏陣列在建成投產后，一方面吸收短波輻射將太陽能轉換為電能，另一方面向外輻射長波輻射改變了局部地表的能量流動方式，形成熱環境效應[13]。即使熱環境效應尚未納入常規的光伏電場建設的環境影響評價體系，但是該熱環境效應會影響光伏系統的工作溫度，進而影響光伏的發電效率，研究表明較低的光伏電池或模塊的工作溫度可提高發電效率[14]。另外，光伏電場產生的熱環境效應改變了原有的地表輻射、反照率和蒸散發狀態，對不同下墊面的局部氣候和生態系統功能產生影響[13,15]。地表溫度(land surface temperature, LST)是研究地表熱環境的重要因素，在大規模、連續性的長時間序列研究具有獨特優勢的遙感觀測法已成為主要的熱環境評價方法之一[16-17]。因此，采用遙感技術研究大型光伏電場工程建設的熱環境對光伏發電產業的環境影響評估和當地環境保護具有重要意義。

目前，光伏電場對局地熱環境的影響主要集中在干旱荒漠區。已有研究表明，光伏電場對以干旱荒漠地帶為典型的大規模建設區的地表熱環境產生影響： 野外觀測與遙感觀測均發現干旱荒漠區的光伏電場具有降溫效應，主要發生在白天[18-19]，其影響范圍約為100～600 m[20-21]。近年來，隨著光伏產業規模的不斷擴大，繼荒漠、草原和居民屋頂之后，閑置水面成為建設光伏電場的可利用環境之一，為我國新能源和清潔生產的發展探索了新的開發模式和領域[22]。然而，由于下墊面性質與以往干旱區光伏電場不同，浮島光伏電場對建設區及其周圍環境的LST空間分布特征的影響尚不明晰，判斷光伏電場對局地溫度的影響模式、空間范圍和變化幅度均沒有進行有效的分析。鑒于此，本研究以目前全球最大的浮島光伏電場之一的安徽省淮南市典型浮島光伏電場為研究區，為了明晰浮島光伏電場對周圍LST的影響,開展以下研究： ①基于Google Earth Engine(GEE)在線云平臺和Landsat8遙感影像，采用單通道算法提取典型浮島光伏電場及其鄰近區域的LST，建立LST數據集； ②利用LST數據集，判斷光伏電場對LST空間分布特征的影響模式； ③在此基礎上，明確光伏電場對LST空間分布特征影響的空間尺度和增/降溫能力。

1 研究區概況與數據源

1.1 研究區概況

研究區位于安徽省淮南市謝家集區，地處亞熱帶與暖溫帶的過渡帶，屬暖溫帶半濕潤季風氣候區，夏季高溫多雨、冬季寒冷干燥； 全年日照時數為2 000 h左右，光照充足； 年太陽輻射量在4 800 MJ/m2附近，太陽能資源豐富。近年來，當地依托資源和政策優勢，在采煤沉陷區的閑置水面規劃和建設大規模的浮島電場。本研究的浮島光伏電場的位置如圖1所示，選址于采煤塌陷區的閑置水面，采取水上發電、水下養殖的模式，總裝機容量為20 MWp，是目前全球最大的浮島光伏電場之一[22]。該浮島光伏電場于2015年11月開工建設，2016年3月正式并網發電； 2015年11月—2016年10月為光伏電場的穩定建設時段。一般來說，光伏電場對LST的影響范圍在100～600 m以內[20-21]，因此，本研究大致以浮島光伏電場為中心，面積為25 km2的區域為研究范圍，劃定光伏電場周圍1 km的緩沖區作為光伏電場的潛在影響區。根據浮島光伏電場工程的施工時間段，對照Landsat8和谷歌地球的歷史影像，對光伏電場1 km范圍內未發生類型變化的典型地物進行目視解譯，最終得到總面積約為0.258 km2的浮島光伏電場區以及水體、林地、耕地、裸地和建設用地。研究區如圖 1 所示。

圖1 研究區位置示意圖

1.2 數據源

1.2.1 遙感數據

為了盡可能多地獲取無云遙感影像，提高數據的連續性，本研究使用GEE在線云平臺獲取研究區2013年3月—2019年2月“行-列號”為“121-38”和“121-37”的Landsat8遙感影像數據集(USGS Landsat8 Surface Reflectance Tier 1,ImageCollection ID,Landsat/LC08/C01/T1_SR)，共292景。該數據集的空間分辨率為30 m，包含5個可見光與近紅外(VNIR)波段和2個短波紅外(SWIR)波段，這些數據經過大氣校正處理后得到地表反射率數據； 還有2個已被處理為亮度溫度的熱紅外(TIR)波段和質量信息波段(pixel_qa)。

1.2.2 氣候數據

地面臺站逐月氣溫來源于中國氣象數據網的地面氣候資料月值數據集(http: //data.cma.cn)。選取以浮島光伏建設區為中心60 km緩沖區范圍內2個氣象臺站的逐月平均氣溫，用于后續的統計分析，即壽縣(距離光伏電場11 km)和蚌埠市(距離光伏電場58 km)。

2 技術路線與研究方法

2.1 技術路線

本文的技術路線如圖2所示。首先，利用GEE在線云平臺檢索2013年3月—2019年2月全時段的Landsat8遙感影像，采用單通道算法提取研究區無云時間序列LST和逐月LST，通過計算逐月LST與氣溫之差(LSTs-a)以減小氣溫波動對LST的影響； 然后，選取夏季和冬季的LSTs-a，計算它們在光伏電場建成前后的變化幅度以判斷影響LST空間分布的模式，再利用局部Moran’s I方法進行空間自相關分析以明確光伏電場影響LST空間分布的范圍； 最后，在解譯提取浮島光伏電場周圍典型地物的基礎上，對LSTs-a進行變化幅度提取，分析光伏電場的增/降溫能力，從而明確浮島光伏電場在不同建設階段對LST空間分布的影響程度。

圖2 技術路線

2.2 研究方法

2.2.1 基于單通道算法的無云LST提取

由于Landsat8熱紅外波段B11(11.50～12.51 μm)的雜散光噪聲使該波段LST反演的精度較低[23]，因此本研究選擇單通道算法(single-channel algorithms,SC)對B10(10.60～11.19 μm)進行LST反演。在本研究中，使用Jimenez-Munoz等提出的經典單通道方法估算LST[24-25]。該方法在保證反演精度的基礎上簡單易行，適用于Landsat數據長時間序列的LST反演，廣泛應用于城市地表環境評估和人類活動影響評估[26-28]，其計算公式為：

(1)

(2)

式中:ε為地表發射率；Lsen為傳感器端輻射亮度(W·m-2·sr-1·μm-1)；Tsen為傳感器亮度溫度； B10和B11的參數bγ分別為： 1 324 K和1 199 K；ψ1，ψ2和ψ3為大氣函數。可利用下式獲得，即

(3)

式中τ,Lu和Ld分別為大氣透過率、上行輻射(W·m-2·sr-1·μm-1)和下行輻射(W·m-2·sr-1·μm-1)，這些大氣剖面參數可在網站(http: //atmcorr.gsfc.nasa.gov/)上輸入每幅遙感影像中心經緯度與成像時間信息并由MODTRAN 模型估算獲取[29-30]。雖然地表比輻射率因不同地表結構的材料而不同，但仍可利用多光譜數據對不同土地覆蓋條件建立查找表估算像元尺度的地表比輻射率[25,31]，公式為：

(4)

式中: 水體的地表發射率為0.99;εs為裸土(0.05≤NDVI<0.15)的地表發射率0.97;εv為均勻植被(NDVI≥0.45)的地表比輻射率0.985；Pv為地表植被覆蓋度。Pv計算公式為：

(5)

式中：NDVIi為像元的歸一化植被指數；NDVIs為裸土的NDVI值，取值0.15；NDVIv為植被的NDVI值，取值0.45。NDVI的計算公式為：

(6)

式中ρNIR和ρR分別為近紅外波段和紅光波段的地表反射率。

為了在統計分析中減少云對LST的影響，本研究將pixel_qa波段用于過濾云像素，得到逐景影像的無云LST，再計算2013年3月—2019年2月逐月平均LST用于后續的統計分析(由于云量過多，缺少2014年4月、2014年7月和2015年5月的數據)。另外，本文研究浮島光伏電場不同建設狀態(建成后與建設前)同時期的無云LST差異，并不嚴格要求LST計算的絕對精度，因此該算法的誤差對本研究的影響基本可以忽略。

2.2.2 浮島光伏電場對LSTs-a的影響范圍與季節差異

為了判斷浮島光伏電場對LST的影響范圍和季節差異，以浮島光伏建成后與建設前相同時期的無云LST差異作為LST的變化幅度是識別該模式和程度的有效手段。然而，建設區LST的變化除了受地表覆蓋差異的影響之外，主要受到地表能量平衡(如太陽輻射和云量)的控制和人類活動因素(土地覆蓋變化、地形的人為改變等)的影響[32]，直接將建成后與建設前的LST相減，其LST差異不能準確反映浮島光伏電場對LST場的變化情況。所以，在分析的過程中，需要盡量剔除光伏電場之外的其他影響因素。為了盡量剔除人類活動對LST的影響，筆者選擇了與光伏電場建設前土地覆蓋類型一致且在研究時段內沒有發生變化的水體作為參照。圖3(a)顯示，伴隨著氣溫波動，建設前某些時段的LST普遍高于其他年份相同時期的LST(如2013年)，浮島光伏電場建成前后的LST變化幅度存在不確定性，不能準確反映浮島光伏建設區LST的變化情況。為了進一步剔除自然要素變化對LST的影響，考慮到太陽輻射、地形、地表覆蓋等要素的差異所導致的LST的變化可以在氣溫上體現出來[32-34]，本研究構建LSTs-a(逐月LST與對應月份的氣溫之差)在一定程度上消除自然要素變化對LST變化幅度的干擾。LSTs-a的計算公式為：

LSTs-a=LSTi-Ti，

(7)

式中：LSTi為第i月的LST；Ti為第i月的氣溫； 氣溫取以浮島光伏建設區為中心60 km緩沖區范圍內2個氣象臺站的平均值。通過構建LSTs-a，一定程度上消除氣溫變化對LST變化幅度的干擾(圖3(b))。

(a) 氣溫與LST隨時間的變化(b) LSTs-a隨時間的變化

為了判斷浮島光伏電場對LST的影響模式，選取“夏季”和“冬季”2個溫度變化最為明顯的季節進行對比分析。按照式(7)提取浮島光伏電場建設區及其鄰近區域夏季(6—8月)、冬季(12月—次年2月)的LSTs-a，計算浮島光伏電場建成后與建設前的LSTs-a差異。在此基礎上，利用ArcGIS軟件中的局部Moran’s I來分析浮島光伏電場對鄰域的影響程度，進而判斷光伏電場對LST的具體影響距離。

局部Moran’s I是研究空間依賴關系的重要空間統計分析方法，它通過特定地點或區域的空間位置與每個觀測值的貢獻來識別“集群”位置[35-36]。同時，該指數在識別極端(高或低)值的空間格局時特別有效，從而使其對于評估LST的空間變化格局非常敏感[37-39]。局部Moran’s I取值在-1～1之間，>0表示正自相關，即表示要素具有包含同樣高或同樣低的屬性值的鄰近要素； <0表示負自相關，即要素具有包含不同值的鄰近要素； 等于0則表示屬性值是隨機分布的。通過統計學上的顯著性檢驗(P≤0.05)的局部Moran’s I有4種輸出模式： 高值(HH)聚類、低值(LL)聚類、高值主要由低值圍繞的異常值(HL)以及低值主要由高值圍繞的異常值(LH)[37-39]。在本研究中， HH模式代表LSTs-a變化幅度以高值為中心的空間集聚，LL模式代表LSTs-a變化幅度以低值為中心的空間集聚，HL模式代表LSTs-a變化幅度高值主要由低值圍繞的異常值，LH模式代表LSTs-a變化幅度低值主要由高值圍繞的異常值，通過獲取LSTs-a的高值(HH)聚類分布，進而得到光伏電場對LST的影響距離。需要說明的是，為了去除單一年份對分析結果造成的偏差，建成前、后的夏季LST分別取2013—2014年和2017—2018年夏季的平均值，建成前、后階段的冬季LST分別取2013—2014年和2017—2018年冬季的平均值。

2.2.3 浮島光伏電場不同建設階段對LSTs-a的影響程度

為了明確浮島光伏電場的增/降溫能力，本研究利用ArcGIS軟件的分區統計功能提取典型地物類型逐月LST與LSTs-a的平均值和標準差，分析浮島光伏電場不同建設階段對LST的影響。需要注意的是，典型土地利用類型是結合Google Earth的歷史影像與無云Landsat8影像無變化區域進行目視解譯得到的。根據浮島光伏工程的施工時間段，選取2013年9月和2018年9月無云覆蓋的Landsat8地表反射率影像，利用ENVI 軟件提供的Spectral Angle Difference變化檢測方法得到未變化區域； 再對照Google Earth的歷史影像，對光伏電場1 km范圍內未變化區域的典型地物進行目視解譯。

3 結果與分析

3.1 浮島光伏電場對LSTs-a影響的范圍與季節差異

夏季和冬季，浮島光伏電場對LST的影響存在增溫效應。如圖4(a)和(b)所示，夏季，原來的水體對照區和未建浮島光伏電場前的水體區域形成的“冷島”區域被切斷，在浮島光伏電場建設區形成溫暖區域； 浮島光伏電場的建設明顯增加了其占地范圍內的LST(圖4(c))，LSTs-a最大增溫幅度超過7 ℃，LSTs-a平均增溫幅度也能達到4.9 ℃。林地范圍的LST有所降低，LSTs-a平均降幅達1.1 ℃，形成了一個局部低溫中心； 耕地靠近浮島光伏電場的邊緣部分的區域LST有所升高，LSTs-a增溫幅度在3～5 ℃，遠離浮島光伏電場溫暖區的耕地LST無明顯變化； 裸地受林地阻擋，其LST無明顯變化。由局部Moran’s I(圖4(d))得知，夏季浮島光伏電場的LST符合HH模式，對鄰近區域的增溫作用集中在其200 m以內區域，主要為與浮島光伏電場毗鄰的北部的建設區水域、西部的耕地以及東南部的水陸邊緣。

(a) 建設前階段的LSTs-a空間分布(b) 建成階段的LSTs-a空間分布

(c) LSTs-a變化幅度(d) LSTs-a變化幅度的局部Moran’s I模式

冬季，浮島光伏電場的建立增加了其占地范圍內的LST(圖5)，LSTs-a平均增溫幅度為3.5 ℃，較夏季增溫幅度小； 原來的水體對照區和未建浮島光伏電場前的水體區域形成的“冷島”區域被切斷，在浮島光伏電場建設區形成溫暖區域； 浮島光伏電場建設區與林地、耕地的LST連成一片； 裸地受林地阻擋，其LST無明顯變化。由局部Moran’s I(圖5(d))可知，冬季浮島光伏電場增溫作用較夏季弱，僅停留在浮島光伏電場建設區及其200 m范圍內的水域。

(a) 建設前階段的LSTs-a空間分布(b) 建成階段的LSTs-a空間分布

(c) LSTs-a變化幅度(d) LSTs-a變化幅度的局部Moran’s I模式

3.2 浮島光伏電場不同建設階段對LSTs-a的影響程度

基于單通道算法提取了研究區典型地物的逐月平均LST，再根據浮島光伏電場工程的建設周期，得到建設前階段(2013年3月—2015年10月)、建設階段(2015年11月—2016年10月)和建成階段(2016年11月—2019年2月)的LST變化曲線(圖6)。浮島光伏電場建設前階段，擬建設區與水體區域同為采煤塌陷區的低洼積水塘，LST的變化曲線一致，且月平均LST為最低(分別為20.2 ℃和19.6 ℃)； 其余由低到高依次為林地、耕地、建設用地和裸地。浮島光伏電場建設階段和建成階段，建設區的月均LST普遍高于水體，接近于林地的LST，甚至在某些時段與建設用地的LST相當。根據局部Moran’s I的結果，浮島光伏電場對LST的影響范圍主要集中在建設區200 m范圍內，對其周圍典型地類的增溫效應非常微弱。因此，可以采用建設區的LSTs-a變化幅度來明確浮島光伏電場不同建設階段的增溫能力。圖7為浮島光伏電場不同建設階段的LSTs-a變化，其中建設前階段的LSTs-a取2013年3月—2015年2月的平均值，建設階段的LSTs-a取2015年11月—2016年10月的平均值，建成階段的LSTs-a取2017年3月—2019年2月的平均值，陰影部分為LST的標準差。結果顯示，浮島光伏電場建設前，擬建設區與水體的年均LSTs-a差別很微弱，僅為0.06 ℃； 建設階段差異逐漸增大(2.77 ℃)； 而浮島光伏電場建成后，二者的年均LSTs-a之差達到了3.96 ℃。在浮島光伏電場建設區，建設階段的年均LSTs-a之差為3.26 ℃，建成后與建設前的年均LSTs-a之差為4.50 ℃，而水體區域僅為0.55 ℃，這說明了浮島光伏電場的建設使建設區低洼積水塘的年均LST升高了4.50 ℃。

(a) 浮島光伏建設區LST(b) 水體與浮島光伏建設區LST

(c) 林地與浮島光伏建設區LST(d) 耕地與浮島光伏建設區LST

(e) 裸地與浮島光伏建設區LST(f) 建設用地與浮島光伏建設區LST

圖7 浮島光伏電場不同建設階段的LSTs-a變化

4 結論與討論

4.1 結論

本文基于Landsat8時間序列遙感數據，利用單通道算法提取了淮南市典型浮島光伏電場及其鄰近區域的LST數據集，對光伏電場影響LST空間分布的模式和影響的范圍進行了分析，并明確了建設區不同建設階段對LST空間分布的影響程度。主要結論為：

1)浮島光伏電場的建設明顯改變了建設區的熱環境，在溫度變化最明顯的夏季和冬季都存在增溫效應，其中夏季的平均增溫幅度達到4.9 ℃，冬季平均增溫幅度則為3.5℃。增溫效應主要集中在建設區200 m范圍內，對其周圍典型地類的增溫效應非常微弱。

2)浮島光伏電場建設階段和建成階段，建設區的月均LST普遍高于水體，接近于林地的LST； 2個階段的年均增溫幅度分別為3.26 ℃和4.50 ℃。

4.2 討論

本文對浮島光伏電場不同建設階段及建成前后不同季節的熱環境變化進行分析，結果表明浮島光伏電場對建設區及其鄰近200 m以內具有增溫效應，其增溫幅度夏季大于冬季，同時為光伏電場對局地環境影響評價的相關研究提供了借鑒。然而，LST受諸多因素影響，其變化是復雜的，存在眾多不確定性的問題，這對光伏電場的熱環境效應評估提出了新的挑戰。

1)無云時間序列LST構建。大范圍云蓋的存在對Landsat8影像LST反演帶來挑戰，一方面降低了LST的準確度，另一方面減少了LST時間序列的連續性，這些都為后續光伏電場LST的統計分析帶來偏差。為了減少這一偏差，以往的研究通常在LST反演前進行數據篩選，即整幅影像的云量在一定閾值以內[18,20]。但是這樣的篩選容易造成漏選研究區的無云遙感影像，也容易減少LST時間序列的連續性。實際上，筆者也曾考慮過利用時間分辨率較優的MODIS LST 產品用于分析光伏電場的熱環境變化，但受限于MODIS較低的空間分辨率(1 km)，光伏電場的面積尚不足MODIS產品的一個像元，不能像Landsat8數據一樣展現更多的LST空間細節，更不能很好地分析光伏電場對LST的影響范圍。綜合時間連續性和空間分辨率，本研究利用GEE在線云平臺獲取研究區全時段的Landsat8數據集，將pixel_qa波段用于過濾云像素，得到逐景影像的無云LST，再計算逐月平均LST用于后續的統計分析； 在確保LST精度的前提下，可以有效增加LST時間序列的連續性。然而，由于云量過多，月尺度下的LST仍然存在缺失。在后續的研究中，可以考慮引入Savitzky-Golay濾波、HANTS(harmonic analysis of time series)[40-41]等時間序列重建方法構建Landsat無云時間序列LST。

2)光伏電場增/降溫幅度的分離。由于LST受到地表能量平衡等自然要素的控制和人類活動因素的影響[32-34]，光伏電場建成前后的LST差值不能準確反映增/降溫幅度。考慮到太陽輻射、地形、地表覆蓋等要素的差異所導致的LST的變化可以在氣溫上體現出來，本研究計算逐月LST與對應月份的氣溫之差(LSTs-a)以減少光伏電場之外的其他因素對LST的干擾，氣溫取以浮島光伏建設區為中心60 km緩沖區范圍內2個氣象臺站的平均值。當然，本文的計算方法并不能完全消除自然要素和人類活動對LST的影響。LSTs-a中，氣溫取以浮島光伏建設區為中心60 km緩沖區范圍內2個氣象臺站的平均值，與每個Landsat像元相比較，空間分辨率確實很低，也會存在誤差。該方法對不同下墊面，特別是異質性較強或土地利用類型易于改變的地表，適用性尚不清晰，仍需深入研究。在后續的研究中，將進一步考慮采用氣候學模型和實地觀測的方法，使得結果更加準確。

3)不同下墊面光伏電場熱環境效應對鄰域的影響范圍、程度與歸因分析。本文的光伏電場位于漂浮水面，它對建設區及其鄰近200 m以內具有增溫效應，但不同下墊面光伏電場影響LST空間分布的模式及影響范圍、程度存在差異，不同地形條件的荒漠區表現不同的降溫、增溫效應[19-20,42-43]。例如，青海共和盆地荒漠區大型光伏電站的白天LST年均下降幅度為4 ℃[40]； 甘肅省金昌市西坡戈壁光伏電場白天LST年均下降幅度為0.65 ℃[21]。此外，光伏電場影響LST空間分布的驅動機制尚不明晰。在后續研究中，應發展優化適用于不同下墊面條件的光伏電場自動化遙感提取方法，并考慮結合地面觀測、遙感觀測與能量平衡模型對光伏電場影響LST空間分布的模式進行綜合分析。