沙戈荒地区光伏电站对地表温度的影响
杨宏伟
1
,
李泽东
2,
赵京东
2,
刘永青
3,
白建华
2
,
杨晓晖
2
1. 中国华电集团有限公司，100031，北京;
2. 中国林业科学研究院生态保护与修复研究所，100091，北京;
3. 新疆华电天山发电有限公司，839000，新疆哈密
收稿日期：2024-12-06; 修回日期：2025-02-27
项目名称：中国电建集团北京勘测设计研究院有限公司“沙戈荒新能源大基地防沙治沙与生态修复法规政策及典型案例、产业模式研究”（KY20240066）
摘要：实施“双碳”战略的背景下对清洁能源的需求愈发增长。我国已成为全球最大的光伏生产国和应用市场，但大规模光伏电站建设期间以及建成后都会对所在区域及周围地区的热环境产生特定影响。本研究基于GEE平台和多景Landsat 8影像，利用单窗算法，反演了世界上最大的光伏板图形电站“骏马电站”建设前后地表温度（LST）的变化，结果显示：1）光伏电站建成后，厂区的LST均值显著低于缓冲区，出现明显的“冷岛”效应，降温幅度0.28 ℃～2.82 ℃，与缓冲区域外区域相比，降温更明显；2）光伏电站建设之前和建设期间，各缓冲区之间LST差异不大；光伏电站建成后，缓冲区LST显著低于不受光伏电站影响的区域，最高达−3.31 ℃，且越靠近光伏电站的缓冲区，温差越明显，光伏电站对LST的影响范围主要集中在电站周围200 m内；3）冬季，光伏电站的“冷岛”效应最明显，降温幅度达1.91 ℃，其次是夏季和秋季，春季的“冷岛”效应最不明显。研究结果对沙戈荒地区光伏电站及其周边地区防沙治沙和人为扰动的生态系统恢复具有一定的理论价值和实践意义。
关键词：光伏 地表温度 单窗算法 冷岛效应 遥感影像
Impact of photovoltaic power field construction on surface temperature in desert and gobi regions
1. China Huadian Corporation, 100031, Beijing, China;
2. Institute of Ecological Conservation and Restoration, Chinese Academy of Forestry, 100091, Beijing, China;
3. Xinjiang Huadian Tianshan Power Generation Company Limited, 839000, Hami, Xinjiang, China
按照目前的消费速度，化石燃料将在22世纪初消耗殆尽[1]，并且化石燃料的使用伴随着污染，因此全球的能源结构都开始发生巨大转变[2]。在此背景下，我国宣布力争在2030年前达到“碳达峰”、2060年前实现“碳中和”。而我国的超大能源系统基本上均以碳基能源为基础，因此实现“双碳”目标是一项艰巨的系统工程[3]。太阳能是零碳能源[4]。我国作为光伏产业大国，根据国家能源局统计数据，截至2023年底，全国光伏发电累计装机容量达6.1亿kW，从2015年至2023年我国光伏累计装机量增长超过13倍，光伏累计装机容量和新增装机容量均为全球第一。
然而，大规模光伏电站建设期间及建成后都会对所在区域及周围地区的能量循环和生态环境产生特定影响[5]。建设期间的工程活动对土壤和植被造成不可避免的扰动，导致土地利用和地形地貌发生变化，严重的甚至会引起水土流失和植被破坏等生态问题[6]，同时施工过程中产生的废渣、以及产生的噪声污染和电磁干扰也会对光伏电站的环境产生负面影响[7−8]。光伏电站建设改变了气流场，可能会诱发严重风蚀，造成建筑物倒塌光和伏电站的使用寿命缩短等危害[9]。光伏电站建成投产后，大面积的光伏阵列改变地表形态和土地覆被格局，影响地表粗糙度和反射率。另外，由于遮蔽作用，阻碍了长波辐射路径，改变了局部地表能量流动方式，形成热效应，进而影响所在区域的气候、碳氮循环和生态环境[10]。而地表温度（land surface temperature, LST）因其对土壤生物、物理及化学过程产生的重要影响，并且与感热和潜热通量之间的分配密切相关，被视为评估光伏电站对周围环境影响的指示器[11]。
利用实地探测的准确LST数据受限于观测成本，仅能获取少量样本数据，难以系统评价整个光伏电站对地表热环境的影响。另外，光伏组件与植被及土壤系统之间存在着错综复杂的交互作用，这些作用涉及水循环和能量传递等多个方面，导致光伏组件对温度的影响在不同垂直高度上表现出显著差异，由于气象站的测量范围相对有限，且地表温度在下垫面上分布并不均匀，导致仅依赖气象站观测温度进行相关研究时，可能会引入偏差[12]；而气象模型虽然可以整体评价光伏电站的热效应，但是受限于参数的单一化和下垫面的复杂程度，导致其具有较高的不确定性。利用遥感数据反演LST是目前应用最广泛且成熟的技术手段，具有可以开展连续长时间序列和大空间尺度LST反演的独特优势，因此，以Landsat系列为代表的高分辨率卫星LST正越来越多地用于与评估地表条件有关的各种应用[13]。在大规模光伏开发建设的形式下，如何定性和定量研究光伏电站所带来的生态环境效应是亟需解决的关键问题[14]。因此，本研究基于Google Earth Engine平台和Landsat 8遥感影像反演LST，解析LST变化规律，系统评估光伏电站对周围环境的影响程度和范围，以期为沙戈荒地区光伏电站及其周边地区防沙治沙和人为扰动的生态系统恢复提供参考。
1 研究区概况
研究区位于内蒙古自治区鄂尔多斯市，地处黄河中游南岸，鄂尔多斯高原北端，属温带大陆性气候，寒暑变化明显，降水主要集中在夏季，年平均降水量在250～350 mm之间，年平均日照时长超过3000 h，年均太阳辐射总量达到5 965. 2 MJ/m2，属于光照资源很丰富的B类地区。本研究选取的达拉特光伏发电应用领跑基地“骏马电站”，位置如图1所示。该电站地处库布齐沙漠中段，达拉特旗西北部，是连接呼包鄂3地的重要节点。“骏马电站”是经吉尼斯世界纪录认证的“世界上最大的光伏板图形电站”，该电站于2018年6月30日开工建设，于2018年12月17日实现全容量并网发电，建设容量共计300 MWp。本研究以2017年1月—2018年6月作为建成前期，以2018年7—12月为建设期，2019年1月—2023年12月为建成后期进行分阶段研究。
为判定光伏电站对LST的影响程度和范围，需要对电站周围划定缓冲区，研究表明，光伏电站对LST的影响范围在600 m以内[6,11]，考虑到本研究光伏电站规模较大，因此以光伏电站为中心，每隔100 m做一个缓冲区，划定电站周围1 km区域共计10个缓冲区作为潜在影响区，本研究将1 km作为缓冲上限，超过1 km以外区域的LST被认定为不受光伏电站影响。
2 材料与方法
2.1 数据来源与处理
本研究基于Google Earth Engine平台，分别获取研究区2017年和2018年1—6月（建设前）、建设中（2018年7—12月）和建成后（2019年—2023年）云量 < 5%的Landsat 8影像。该系列影像空间分辨率为30 m，包含Operational Land Imager（OLI）传感器的9个波段和Thermal Infrared Sensor（TIRS）传感器的2个波段，共计11个波段，波段信息见表1。与其他传感器相比，Landsat 8的TIRS传感器可以使大气温度与地表温度的分离更易实现[15]。由于Landsat 8的B11波段存在杂光噪声，使用该波段反演的LST精度较差[16]，因此本研究选择10波段进行LST反演。将获得的影像基于该平台进行筛选、去云、辐射和大气校正、剪裁和拼接等数据预处理。
表 1(Tab. 1)
表 1 Landsat 8各个波段信息
Tab. 1 Landsat 8 bands information
波段
Bands | 名称
Name | 中心波长
Center wavelength/μm | 分辨率
Resolution/m | 主要用途
Main purpose |
| B1 | 海岸气溶胶波段
Coastal | 0.433～0.453 | 30 | 海岸带环境监测
Coastal environmental monitoring |
| B2 | 蓝波段
Blue | 0.450～0.515 | 30 | 蓝色波段地物识别
Blue band ground feature recognition |
| B3 | 绿波段
Green | 0.525～0.600 | 30 | 绿色波段地物识别
Green band ground feature recognition |
| B4 | 红波段
Red | 0.630～0.680 | 30 | 红色波段地物识别
Red band ground feature recognition |
| B5 | 近红外波段
Near-infrared | 0.845～0.885 | 30 | 植被信息提取
Vegetation information extraction |
| B6 | 短波红外1波段
Short-wave infrared 1 | 1.560～1.660 | 30 | 植被旱情监测、强火监测、部分矿物信息提取
Vegetation drought monitoring, intense fire monitoring, and extraction of information on certain minerals
|
| B7 | 短波红外2波段
Short-wave infrared 2 | 2.100～2.300 | 30 | 更深层次的植被信息提取
Deeper extraction of vegetation information |
| B8 | 全色波段
Pan | 0.500～0.680 | 15 | 高精度的地物识别和数据融合
High-precision ground feature recognition and data fusion |
| B9 | 卷云波段
Cirrus | 1.360～1.390 | 30 | 卷云检测和数据质量评价
Cirrus detection and data quality evaluation |
| B10 | 热红外1波段
Thermal infrared 1 | 10.60～11.19 | 100 | 地表温度反演、火灾检测、土壤湿度评价、夜间成像
Land surface temperature retrieval, fire detection, soil moisture assessment, and nighttime imaging |
| B11 | 热红外2波段
Thermal infrared 2 | 11.50～12.51 | 100 | 地表温度反演、火灾检测、湿度评价、夜间成像
Land surface temperature retrieval, fire detection, soil moisture assessment, and nighttime imaging |
|
表 1 Landsat 8各个波段信息
Tab. 1 Landsat 8 bands information
|
2.2 基于单窗算法反演LST
2.2.1 单窗算法原理
本研究基于徐永明等[17]对Landsat TM 6 波段推导出的单窗算法（statistical mono-Window, SMW）来反演研究区LST，该算法基于单热红外波段所得的大气表观亮温和LST之间的经验关系，并利用简单的线性回归计算。由于Landsat 8的10波段波谱范围Landsat TM 的6波段波谱范围不一致，因此需对单窗算法的参数作出相应的调整。
|
$ {T_\text{a}}\text{}\text=\text{}\text{16.011+0.926\ 2}\text{}{T_0} { ；} $
|
(1) |
|
$ T_{10}=1\ 321.08/\text{ln}\text{(1+774.89/}L\text{)}；$
|
(2) |
|
$ D\text=\text{}\left({1-\tau}\right)\left[1+\left({1- \varepsilon }\right)\text{}\tau\right] ；$
|
(3) |
|
$ \text{C}\text{}\text=\tau\text{}\varepsilon ；$
|
(4) |
|
$ \begin{split}A_{\text{LST}}=&\big(\big({a}\left(\text{1}-{C}-{D}\right)+{b}\left(\text{1}-{C}-{D}\right)+\\&{C}+{D}\big){T_{10}}-{T_{\mathrm{a}}}\big)/{C}。\end{split}$
|
(5) |
式中：Ta为平均作用温度，℃；T0为卫星过境气温，℃；T10为像元亮温，K；L为Landsat热红外波段的辐射亮温，根据像元DN值计算，K；D和 C为中间变量；$\tau $为大气透射率，量纲为1；$\varepsilon $为地表辐射率，量纲为1；ALST为地表温度，℃；a，b为常数，分别取−63.725和0.425[18]。
2.2.2 大气透射率计算
计算大气透射率首先要在NASA网站（http://atmcorr.gsfc.nasa.gov/）输入每一幅遥感影像的成像时间、中心经纬度、高程、相对湿度和地表气压，然后根据中纬度夏季标准大气模型计算$\tau $。
2.2.3 植被指数计算
归一化植被指数的计算公式如下：
|
$ {{A}}_{\text{NDVI}}=\frac{\rho_{\text{NIR}}-\rho_{\text{R}}}{\rho_{\text{NIR}}\text+\rho_{\text{R}}} 。$
|
(6) |
式中：$ {{A}}_{\text{NDVI}} $为归一化植被指数；$ \rho_{\text{NIR}} $为经大气校正后的近红外波段的反射率数据；$ \rho_{\text{R}} $为经大气校正后的红光波段的反射率数据，以上量纲均为1。
植被覆盖度（$ {{A}}_{\text{FVC}} $）计算公式如下：
|
$ {{A}}_{\text{FVC}}\text=\left\{\begin{array}{c}\text{0}\text{\text{，}}{{A}}_{\text{NDVI}}\text{ < }\text{0.05}\\ \frac{{{A}}_{\text{NDVI}}-{{S}}_{\text{NDVI}}}{{V}_{\text{NDVI}}-{{S}}_{\text{NDVI}}}\\ \text{1}\text{\text{，}}{{A}}_{\text{NDVI}}\text{ > }\text{0.7}\end{array}\right.\text{\text{，}}{0.05\leqslant }{A}_{\text{NDVI}}{\leqslant 0.7} 。$
|
(7) |
式中，$ {{S}}_{\text{NDVI}} $为无植被覆盖区域的$ {{A}}_{\text{NDVI}} $值，量纲为1，取值 0.05；$ {{V}}_{\text{NDVI}} $为植被完全覆盖区域的$ {{A}}_{\text{NDVI}} $值，量纲为1，取值 0.7。
2.2.4 地表辐射率计算
地表辐射率根据研究区$ {{A}}_{\text{NDVI}} $和植被覆盖度确定，具体公式如下：
|
$ \varepsilon=\left\{
\begin{array}{l}
0.99 \qquad\qquad\quad\qquad\quad\, A_{\mathrm{NDVI}}<0.00 \\
0.97 \qquad\qquad\quad\qquad\quad\, 0.00\leq A_{\mathrm{NDVI}}\leqslant0.15 \\
\varepsilon_{\mathrm{v}} A_{\mathrm{FVC}}+\varepsilon_{\mathrm{s}}(1-A_{\mathrm{FVC}}) \quad\;\, 0.15 <A_{\mathrm{NDVI}}<0.45 \\
0.985 \qquad\qquad\quad\qquad\;\; A_{\mathrm{NDVI}}\geqslant0.45 \quad
\end{array}\right.。$
|
(8) |
式中：$\varepsilon_{\mathrm{v}} $为均匀植被的地表比辐射率，取0.985；$ {{ \varepsilon }}_{\text{s}} $ 为裸土的地表比辐射率，取0.97 ；$ {{A}}_{\text{FVC}} $为植被覆盖度。
本研究的数据计算过程在GEE平台上采用Python语言编程来完成。
3 结果与分析
3.1 光伏电站建设前后LST变化
利用Google Earth Engine平台和单窗算法反演出的LST在不同建设时期（建设前、建设中、建成后）的变化和空间分布如图2和图3所示。在光伏电站建设前期，厂区LST均值为19.26 ℃，缓冲区LST均值为19.49 ℃，独立样本T检验显示二者并无显著差异。在建设期间，厂区LST均值为21.36 ℃，缓冲区LST均值为20.56 ℃，在电站建成后，厂区LST均值为23.59 ℃，显著低于缓冲区24.77 ℃（P < 0.05）；对比3个时期光伏电站的LST空间分布（图3a，3b和3c），相较于缓冲区，建成后的光伏厂区出现明显的“冷岛”效应，降温幅度在0.28 ℃～2.82 ℃之间，与缓冲区域以外的区域相比，降温更明显。
3.2 光伏电站对LST影响程度
将1 km作为缓冲上限，且假定超过1 km的区域不受光伏电站影响，依次计算以光伏电站为中心，从中心到外围的100 m到1 km（T1至T10缓冲区） LST与缓冲区外LST的差值。结果如图4所示：在光伏电站建设之前以及建设期间内，各个缓冲区之间LST差异不大。不同时期的LST在不同缓冲区之间的分布符合正态分布规律，建设前LST变化在−2.96 ℃～2.79 ℃之间，建设期间变化在−1.34 ℃～0.69 ℃之间，这是LST无起伏的自然状态；光伏电站建成后，缓冲区的LST显著低于不受光伏电站影响的区域，最高达到−3.31 ℃，且越靠近光伏电站的缓冲区，温差越明显，在不同时期和不同缓冲区域的LST分布也不再满足正态分布。为了明确光伏电站影响的区域范围，本研究将所有缓冲区LST与缓冲区外的LST进行独立样本t检验，发现仅有T1和T2的LST显著低于缓冲区外的LST（P < 0.05），表明在“骏马电站”对周围LST的影响范围主要集中在电站周围200 m范围内。
3.3 不同季节光伏电站对LST的影响
为进一步探究光伏电站在不同季节对LST的影响，以春季（3—5月）、夏季（6—8月）、秋季（9—11月）和冬季（12—2月）4个季节的缓冲区与缓冲区外LST均值的差值来表征（图5和图6）。从图5可以看出，在冬季，光伏电站的“冷岛”效应最为明显，其次是夏季和秋季，春季的“冷岛”效应最不明显。图6统计数据显示，冬季的降温幅度最高，达到1.91 ℃；其次是夏季，为1.05 ℃；秋季和春季降温效应比较微弱，分别为0.78 ℃和0.63 ℃。
4 讨论
本研究在使用Landsat 8数据对LST进行反演时，由于大范围云层的存在严重影响数据的时间连续性以及LST反演的准确度，对光伏电站及缓冲区LST的分析造成偏差，为了尽可能减小这一偏差，在数据处理之前，设置含云量≤ 5%的筛选条件。同时，考虑过使用时间序列更完整的MODIS产品来分析光伏电站对周围热环境的影响，但是受限于MODIS较为粗糙的空间分辨率，导致研究区仅仅包含几个像元，无法进一步做空间统计分析，展现光伏电站对LST的影响范围。后续的研究中，会考虑使用重构时间序列方法[18−19]，对Landsat无云影像重构，反演LST。
目前，光伏电站对地表温度的影响仍然在起步阶段，我国对此方面的研究主要集中在干旱荒漠区。已有研究表明，在干旱荒漠区的大规模光伏电站建设区域，光伏电站的存在显著地改变了地表热环境，通过野外观测和遥感技术的双重验证，发现这些光伏电站在白天时段展现出明显的降温效果[20-21]，本研究也获得了相同的结论。光伏电站建成后，吸收短波辐射，自身向外辐射长波辐射，光伏电站作为一个能量汇集点，会将辐射转化为电能输出，加之光伏电站内外反照率差异明显，导致站内LST明显低于站外。另外，光伏阵列的铺设造成遮蔽作用，对地表气流产生影响，综合造成了LST的变化[5]。但是随着光伏电站运营投产时间的延长，光伏电站在后续的时间中作为能量源，伴随着光伏阵列表面升温，会使其周围空气温度升高，可能会产生“热岛效应”来抵消一部分LST的“冷岛效应”，进而得到一些不同的结论。
关于光伏电站对占地范围以外的LST影响的研究相对较少，李国庆等[11]对甘肃省金昌市的西坡光伏电站的研究结果显示：光伏阵列对LST的水平影响范围不超过阵列边界外100 m。本研究对“骏马电站”的研究结果则显示影响范围为阵列外200 m以内，高于西坡光伏电站，这是由光伏电站规模、纬度、气候和下垫面条件的差异共同导致的。我国存在众多不同规模的光伏电站，不同光伏电站对地LST空间分布的影响模式、范围及程度，显著地受到不同下垫面特性的影响。在多样化的荒漠区域中，由于地形条件的差异，光伏电站展现出了不同的降温与增温效应。具体而言，某些下垫面可能使得光伏电站对LST的降温作用更为显著，且影响范围更广、程度更深[11,22]；而在其他类型的下垫面，光伏电站则可能引发增温效应[23]，或者其降温效果相对较弱、影响范围有限[24]。这种复杂多变的相互作用关系，强调了在进行光伏电站规划与评估时，必须充分考虑下垫面及地形条件的差异性。目前对光伏电站建成后对环境的影响研究已经不仅仅集中在某一气象要素，已经扩展到了整个陆地生态系统过程，包括植被多样性、动物行为活动、土壤碳/氮循环、人类发展等领域[25−26]。遥感手段作为整体评估光伏电站对环境影响的重要手段，未来也可以引入更多生态过程，综合评估光伏电站对整个陆地生态系统的影响。另外，导致光伏电站降温的效应的原因包括地理位置，植被状况和装机容量等，这些因素相互作用，本研究并未深一步归因总结，仅仅是对LST变化现象的描述，还需要结合多种长时间序列的实地观测指标进行解释。
5 结论
1）在光伏电站建成后，厂区的LST均值要显著低于缓冲区，出现明显的“冷岛”效应，降温幅度在0.28 ℃～2.82 ℃之间，与缓冲区域以外的区域相比，降温则更加明显。
2）光伏电站建设之前和建设期间，各个缓冲区之间LST差异不大，不同时期的LST在不同缓冲区之间的分布符合正态分布规律；光伏电站建成后，缓冲区的LST显著低于不受光伏电站影响的区域，最高达−3.31 ℃，且越靠近光伏电站的缓冲区，温差越明显；“骏马电站”对周围LST的影响范围主要集中在电站周围200 m范围内。
3）冬季，光伏电站的“冷岛”效应最为明显，降温幅度达1.91 ℃，其次是夏季和秋季，春季的“冷岛”效应最不明显。
2025, Vol. 23 
