基于SNIC分割的干旱区光伏场植被响应识别

doi:10.7522/j.issn.1000-694X.2025.00271

摘要/Abstract

摘要：

干旱区是光伏开发的重点区域，其生态系统脆弱，对外部扰动高度敏感。为深入评估光伏对区域植被生态格局的影响，本文以新疆阿克苏河流域为研究区，基于2015、2020、2024年Landsat 8多期遥感影像与SRTM地形数据，构建融合光谱、纹理与地形因子的多维特征体系，采用SNIC超像素分割与随机森林分类器开展光伏设施识别与时序变化提取，识别精度达92.6%。进一步基于NDVI生长季（3—9月）平均值，提取光伏区及其多级缓冲区（100、500、1 000 m）植被覆盖变化，并结合全局莫兰指数与LISA聚集分析方法，系统探讨光伏扩展对植被空间格局的动态影响。结果表明：（1）2015—2024年，研究区光伏面积增长超过12倍，呈现出依附交通干线、集中于低坡度沙地的带状—斑块状空间扩展特征；（2）光伏区及其周边缓冲带NDVI整体上升，特别是500 m与1 000 m区域增长显著，呈现中心扰动—边缘恢复的空间梯度格局；（3）NDVI差值分析显示2024年增幅普遍高于2020年，生态效应具有显著的时间滞后性；（4）Moran's I与LISA分析揭示光伏区NDVI具有较强空间正相关性，聚集区从初期的局地“高—高”扩展为片状分布，表明光伏设施在一定程度上具有“生态正外溢效应”；（5）面向对象分类方法结合多源特征在光伏识别中表现出良好适用性与稳定性。

关键词: 光伏识别, NDVI, 干旱区, SNIC分割, 随机森林, 莫兰指数, LISA, 生态响应

Abstract:

Arid regions are key areas for photovoltaic （PV） development， yet their ecosystems are fragile and highly sensitive to external disturbances. This study investigates the spatiotemporal dynamics of PV expansion and its ecological impacts on vegetation in the Aksu River Basin， Xinjiang， China. Using multi-temporal Landsat 8 imagery from 2015， 2020， and 2024， combined with SRTM DEM data， a multi-dimensional feature set integrating spectral， texture， and topographic variables was constructed. Object-oriented classification based on SNIC superpixel segmentation and Random Forest algorithm was applied for accurate PV facility identification， achieving an overall accuracy of 92.6%. Based on NDVI annual maxima， vegetation changes within PV areas and their 100 m， 500 m， and 1000 m buffer zones were extracted. Global Moran's I and LISA statistics were employed to assess spatial clustering and ecological responses. The results show：（1） From 2015 to 2024， PV area expanded more than 12-fold， with a "belt-patch" spatial pattern concentrated along transportation routes and low-slope sandy lands；（2） NDVI increased across all buffer zones， especially in the 500 m and 1000 m zones， forming a spatial gradient of “central disturbance-peripheral restoration”；（3） NDVI differences in 2024 were significantly higher than in 2020， indicating a clear time-lagged ecological effect；（4） Spatial autocorrelation analysis revealed strong positive clustering of NDVI， with High-High （HH） clusters expanding from local patches to regional scales， suggesting a potential “positive ecological spillover effect” of PV development；（5） The object-based approach integrating multi-source features demonstrated high accuracy and robustness in PV mapping. This study provides technical references and scientific support for ecological assessment and sustainable planning of PV deployment in arid regions.

Key words: PV detection, NDVI, arid regions, SNIC segmentation, random forest, Moran's I, LISA, ecological response

中图分类号:

钟文, 王让会, 孙茂森. 基于SNIC分割的干旱区光伏场植被响应识别[J]. 中国沙漠, 2026, 46(4): 354-364.

Wen Zhong, Ranghui Wang, Maosen Sun. Detecting photovoltaic expansion and vegetation responses in arid regions using SNIC-based segmentation[J]. Journal of Desert Research, 2026, 46(4): 354-364.

图/表 11

图1 新疆阿克苏河流域地理位置注：采用自然资源部地图技术审查中心标准地图服务提供的底图，审图号为GS（2022）4309号。

Fig.1 Location of the Aksu River Basin in Xinjiang

表1 各特征变量的计算公式

Table 1 Calculation formulas of characteristic variable

备选特征变量	公式
归一化差异植被指数（NDVI）	$N D V I = N I R - R N I R + R$
增强型植被指数（EVI）	$E V I = 2.5 × N I R - R N I R + 6.0 × R - 7.5 × B + L$
归一化水体指数（NDWI）	NDWI $=$ (Green-NIR)/(Green+NIR)
归一化建筑指数（NDBI）	NDBI $=$ (SWIR1-NIR)/(SWIR1+NIR)

表1 各特征变量的计算公式

Table 1 Calculation formulas of characteristic variable

备选特征变量	公式
归一化差异植被指数（NDVI）	$N D V I = N I R - R N I R + R$
增强型植被指数（EVI）	$E V I = 2.5 × N I R - R N I R + 6.0 × R - 7.5 × B + L$
归一化水体指数（NDWI）	NDWI $=$ (Green-NIR)/(Green+NIR)
归一化建筑指数（NDBI）	NDBI $=$ (SWIR1-NIR)/(SWIR1+NIR)

图2 随机森林分类器中特征变量的重要性排序注：数值表示变量在随机森林模型中的相对重要性，数值越大表示越重要

Fig.2 Importance ranking of feature variables in the Random Forest classifier

图3 基于面向对象分割后提取的SNIC图（以叠加2020年光伏分布为例）

Fig.3 SNIC segmentation map based on object-oriented classification （overlaid with PV distribution in 2020 as an example）

图4 基于面向对象分类识别的部分光伏区域对比

Fig.4 Comparison of partial photovoltaic areas identified by object-oriented classification

表2 2015—2024年光伏建设扩展面积（km2 ）变化对比

Table 2 Comparison of photovoltaic （PV） construction area expansion in 2015， 2020， and 2024

年份	范围一	范围二	范围三	范围四	合计
2024	39.57	2.23	31.07	18.39	91.27
2020	8.69	0.48	3.86	2.87	15.90
2015	7.1	0.48	0	0	7.58

图5 2015—2024年光伏分布扩展趋势

Fig.5 Schematic diagram of PV distribution expansion trends in 2015， 2020， and 2024

图6 光伏区及其多级缓冲区NDVI均值的年际变化

Fig.6 Interannual variation of mean NDVI in PV areas and their multi-scale buffer zones

图7 不同空间尺度光伏区域及其缓冲带NDVI差值分布

Fig.7 NDVI difference distribution across PV areas and their multi-scale buffer zone

表3 全局莫兰指数检验结果

Table 3 Results of Global Moran's I Test

年份	全局莫兰指数	Z得分	P值
2015	0.947	94.30	<0.01
2020	0.959	133.53	<0.01
2024	0.930	231.26	<0.01

图8 LISA空间聚集图（2015、2020、2024年）

Fig.8 LISA cluster maps for 2015， 2020， and 2024

参考文献 21

[1]	Helveston J P， He G， Davidson M R.Quantifying the cost savings of global solar photovoltaic supply chains［J］.Nature，2022，612：83-87.
[2]	Kruitwagen L， Story K，et al.A global inventory of photovoltaic solar energy generating units［J］.Nature，2021，598：604-610.
[3]	王越，刘学敏，哈斯·额尔敦.毛乌素沙地防沙治沙经济-生态-社会耦合协调度时空分异及驱动机制［J］.资源科学，2022，44（6）：1224-1237.
[4]	聂英才，范长春，冯建文，等.光伏治沙模式效益综合评估研究［J］.电力科学与工程，2025，41（4）：28-34.
[5]	隋欣，魏毅，罗小林等.面向“双碳”目标的脆弱区域生态光伏模式研究［J］.太阳能学报，2022，43（7）：56-63.
[6]	杨凯迪，李国庆，卢潇楠.中国西北地区光伏电站对植被空间聚集的影响［J］.太阳能，2023，（10）：38-44.
[7]	李龙，曾春江，孙小祥等.光伏电站结合生态治理对荒漠区气候的影响分析［J］.黑龙江环境通报，2025，38（4）：54-56.
[8]	Wang X X， Xiao X M， Zhang X，et al.Characterization and mapping of photovoltaic solar power plants by Landsat imagery and random forest：a case study in Gansu Province，China［J］.Renewable Energy，2023，211：1-4.
[9]	李鑫，斯日古冷，王龙凤等.巴彦淖尔市“光伏+生态治理”模式效益分析［J］.内蒙古林业，2025，（1）：28-29.
[10]	尚小伟，王云正，霍毅等.荒漠光伏电站的气候生态影响机制与植被恢复模式［J］.中国水土保持科学（中英文），2025，23（1）：1-12.
[11]	王云正，王伊蒙，刘建国等.巴丹吉林沙漠及周边地区光伏电站适宜性分区与生态建设建议［J］.中国沙漠，2025，45（1）：173-184.
[12]	杨秋兰.2000-2020年阿克苏地区土地利用时空变化图谱分析［J］.干旱区资源与环境，2023，37（4）：135-142.
[13]	杨宏伟，李泽东，赵京东等.沙戈荒地区光伏电站对地表温度的影响：以骏马电站为例［J］.中国水土保持科学，2025，23（2）：148-156.
[14]	牛冲，王晓明，张友超等.面向高分遥感影像提取光伏板模型的构建方法［J］.测绘科学，2023，48（5）：197-205，212.
[15]	王胜利，朱寿红，蒋毅.基于CNN模型迁移的OLI影像光伏电池板场景识别［J］.测绘通报，2022（2）：5-9.
[16]	Wang J X， Chen X， Shi T Q，et al.Mapping national-scale photovoltaic power stations using a novel enhanced photovoltaic index and evaluating carbon reduction benefits［J］.Energy Conversion and Management，2024，318：118894.
[17]	孙茂森，王让会，宁虎森.阿克苏河流域生态网络构建［J］.干旱区研究，2023，40（9）：1509-1516.
[18]	周德成，罗格平，许文强等.1960-2008年阿克苏河流域生态系统服务价值动态［J］.应用生态学报，2010，21（2）：399-408.
[19]	韩方红，高凡，何兵等.1990-2020年阿克苏河流域土地利用碳排放时空轨迹与影响因素［J］.环境科学，2024，45（6）：3297-3307.
[20]	Wu C D， Liu H， Wei L M，et al.Diverse vegetation responses to solar farm installation are also driven by climate change［J］.Communications Earth & Environment，2025，6：118.
[21]	Xia Z L， Li Y J， Guo S C，et al.Satellites reveal spatial heterogeneity in dryland photovoltaic plants' effects on vegetation dynamics［J］.Earth's Future，2024，12（6）：004427.