随着气候变化加剧与新能源需求增长，光伏技术迅速发展，成为推动能源结构转型的重要力量^［1］。在太阳辐射强、土地资源充足的干旱区，大型光伏电站呈加速布局之势^［2］。中国西北地区，特别是新疆阿克苏河流域，已成为沙光互补、农光互补等生态能源模式的核心实践区，其中沙光互补模式是干旱区光伏发电与防沙治沙工程的协同利用形式，可实现能源开发与生态治理的双重效益。

光伏电站在促进绿色能源发展的同时，显著改变了地表景观，对干旱区脆弱生态系统产生深远影响^［1］，可影响土地利用格局、微气候特征与植被动态^［3］。部分研究认为，光伏板的遮阴、风速减缓等效应可能改善局部环境条件，促进植被生长与绿化恢复^［4-6］，展现出一定“生态调节器”功能。光伏阵列通过改变光照、温度和土壤湿度等关键因子，影响植物季节性生长过程。植被物候响应不仅受植物本身特性影响，也与区域生态背景密切相关^［6-12］。在干旱区，适度遮阴可正向影响植物生长，但在高光照依赖系统中也可能产生抑制作用^［7，13］。

近年来，随着遥感技术与图像识别方法的发展，光伏电站的空间识别逐渐从局地试验走向大尺度应用。已有研究多聚焦于全国或更大范围的光伏电站分布制图，但大多仅限于单一年度，且在特定区域的精度提升主要依赖目视解译结合人工校正的方法^{［6-7，9］}。在中、小尺度的特定研究区内，现有公开成果相对有限，光伏电站的识别工作多由各研究团队根据研究目的与数据条件独立开展，缺乏统一的数据产品与方法体系。这在一定程度上制约了区域尺度光伏时空演变特征的系统分析与跨区域比较研究。因此，在区域尺度开展光伏电站的高精度识别与动态监测，探索自动化与半自动化方法的适用性，对于揭示光伏设施的时空布局特征及其生态效应具有重要意义。当前有关光伏设施对物候影响的研究多局限于田间或农光互补小尺度场景，或者全球尺度时空分布，但对流域尺度及其生态响应机制的系统认知较为缺乏。虽然植被指数（Normalized Difference Vegetation Index， NDVI； Enhanced Vegetation Index， EVI）已被广泛用于物候研究，但针对大规模光伏部署的遥感评估仍较薄弱^［14-16］。

因此本研究构建集遥感时序与空间统计于一体的研究框架，以2015、2020、2024年为代表年份，系统分析阿克苏河流域光伏设施的时空演变及其区域内植被变化特征。2015年为政策启动期，2020年为快速跃迁期，2024年为融合发展期，三节点对应光伏发展的关键阶段，具有明确的政策背景与时序意义。本研究旨在识别光伏拓展路径，揭示其对生态格局变化的影响机制，为干旱区生态安全与新能源协同发展提供科学依据^［17-19］。

阿克苏地区位于新疆维吾尔自治区中部，地处天山南麓、塔里木盆地北缘^［17-18］。该地区总面积13.25万km²，是南疆重要的交通枢纽与经济中心。区域属典型温带大陆性气候，日照充足，昼夜温差大，降水稀少且蒸发强烈，年均降水量约100 mm，年蒸发量2 000~2 800 mm，春季多沙尘暴，年大风日数为10~30 d。地势北高南低，自北向南依次为天山山区、山前洪积—冲积平原及塔克拉玛干沙漠（图1）。受水分条件与地形影响，植被分布呈现垂直地带性及绿洲—荒漠交错格局，是塔里木河上游重要的水源涵养区，绿洲-荒漠过渡带对区域生态平衡和防风固沙具有重要意义^［17］。

阿克苏地区在“双碳”目标、西电东送及自治区能源结构转型政策推动下，成为新疆光伏布局重点区域。2015年以来，《新疆维吾尔自治区“十三五”能源发展规划》《关于推进阿克苏地区可再生能源示范区建设的指导意见》及“十四五”光伏治沙与整县推进试点等政策先后出台，加快了集中式与分布式光伏电站建设进程^［19］。其中，柯坪、乌什、库车、阿瓦提等地为光伏开发重点区域，既满足本地用电，又通过输电通道向外送电。

阿克苏河流域位于典型干旱区绿洲—荒漠过渡带，气候干旱、降水稀少且蒸发强烈，生态系统高度依赖冰川融水补给，整体脆弱且对外界扰动敏感。在快速光伏发展的背景下，该流域成为探讨干旱区光伏扩展生态效应的理想区域。一方面，生态系统的脆弱性使光伏开发可能对区域生态格局和功能产生显著影响；另一方面，政策驱动下光伏发展潜力巨大，亟需系统评估其时序演化过程及生态响应特征。

Landsat 8多光谱遥感影像及SRTM（Shuttle Radar Topography Mission）数字高程模型（Digital Elevation Model，DEM），均通过Google Earth Engine（GEE）平台获取与处理。相关数据具备良好的时间连续性和空间覆盖能力，适用于干旱区光伏扩展及植被格局演变的动态分析。

Landsat 8由NASA与USGS于2013年联合发射，搭载操作型陆地成像仪（OLI）与热红外传感器（TIRS），具备30 m空间分辨率的多光谱观测能力。本研究选取2015、2020、2024年生长季（3—9月）的无云或低云（云量<5%）影像，基于OLI波段进行复合处理，提取研究区典型时期的地表反射特征。该数据具有时间跨度长、光谱信息丰富等优势，适用于光伏设施识别及植被变化分析。

基于Landsat OLI波段，计算NDVI与EVI用于表征植被覆盖状况与空间格局变化。其中，NDVI反映植被生长强度，适用于长期监测；EVI在此基础上引入蓝光波段，增强对大气与土壤背景干扰的抑制能力，更适用于干旱区低覆盖区域的植被识别。

地形因子是影响干旱区地表过程的重要变量。为分析光伏空间分布的地形约束，本研究使用NASA提供的SRTM DEM（30 m分辨率），提取坡度、坡向及地形起伏度等辅助变量。

针对各年份的Landsat影像，进行了云掩膜、裁剪至研究区范围、辐射校正和大气校正等预处理操作，以确保数据的可比性和分析精度。

在此基础上，构建了融合光谱、纹理与地形信息的多维特征数据集，作为遥感分类和光伏设施识别的输入。光谱特征方面，基于Landsat影像计算了NDVI、EVI、NDWI（Normalized Difference Water Index，归一化水体指数）和NDBI（Normalized Difference Built-up Index，归一化建筑指数）等指数（表1），并将其与原始多光谱波段进行拼接，以增强对地物类型的区分能力。纹理特征方面，采用灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）方法从RGB波段提取了对比度、同质性、熵等指标，提升了模型对地物结构差异的识别能力。地形特征方面，基于SRTM DEM提取了高程、坡度和坡向等变量，并将其统一融合至特征图像中。地形数据中的高程和坡度可以提供地表起伏的基本信息。纹理特征方面，提取角度二阶矩、对比度、相关性、方差、逆差矩、标准差、熵、差异方差、差异熵、影像相关性、最大影像相关性、离散度和惯性等指标。这些特征有助于识别不同地物的纹理模式。其他相关的波段和指数包括蓝光波段、绿光波段、近红外波段、归一化积雪指数和山体阴影。通过分类器的explain（）函数，获取了特征变量的重要性排序（图2），识别出了关键因子的组合，从而为光伏识别及其时序变化分析提供了关键的决策依据。

传统的像素级分类方法通常以单个像元为处理单位，虽然计算效率较高，但在高分辨率遥感影像中容易出现椒盐效应，导致地物空间结构难以准确反映。相比之下，面向对象的分类方法以图斑为基本单元，结合光谱、形状、纹理及空间关系等多维信息，能够有效提升分类精度与稳定性，尤其在高分辨率影像处理中表现更为优越。本研究采用简单非迭代聚类（Simple Non-Iterative Clustering，SNIC）算法进行超像素分割，以便为面向对象的分类提供高质量的输入数据。SNIC算法通过规则网格生成初始种子点，根据每个像素与聚类中心的距离动态分配像素，最终形成边界清晰、结构紧凑的超像素图斑。该方法有效避免了传统像素级分类中的椒盐效应，并保证了超像素的均匀性和空间一致性，为后续基于图斑的面向对象分类提供了理想的图斑单元。

基于SNIC分割后的图像，使用GEE的sampleRegions（）函数提取了多维特征，包括光谱、纹理和空间信息。在特征提取过程中，确保了训练集与测试集的代表性，并按照70∶30的比例划分数据集。参数设置方面，种子点间距被设定为30像素，通过多次实验优化此参数，以平衡超像素的精度与计算效率；紧凑度则设定为0.1，既保证了超像素形态的灵活性，又能适应不同地物结构的变化。

在分类模型的训练过程中，采用了随机森林分类器。决策树数量设为100棵，通过交叉验证优化，以提供较高的分类精度与稳定性；节点分裂时随机选择的特征数为4，这一设置有助于减小过拟合，提高模型的泛化能力；最大深度设定为20，以避免树过深导致计算复杂度的增加。训练后的分类模型通过混淆矩阵、总体精度、用户精度、生产者精度等多个指标进行了精度评估，以确保光伏设施识别结果的高准确性和可重复性。

为了进一步提高分类模型的精度，采用了多轮调整的样本采集和训练方法。在初步采样阶段，从研究区域内采集了682个光伏类别样本和525个其他类别样本。这些样本通过随机采样覆盖了光伏设施及其周边区域（光伏类别）以及裸地、植被和水体等其他地物类别（其他类别）。确保每个类别的样本空间代表性，尤其是在光伏区与其他类别的交界处。在第一次训练和评估模型后，分析了误分类情况，发现光伏类别与裸地类别的边界区域存在较高的混淆。因此，针对这些误分类区域进行了补充采样，特别是在光伏与其他类别的过渡地带。通过在这些区域采集更多样本并重新标注，新增样本被加入训练集，从而进一步优化了模型的分类精度。经过多轮训练与调整，结合每轮训练后的误分类结果，不断优化样本集，确保了训练数据的质量和模型的稳定性。最终，通过这一多次调整与反馈的过程，显著提高了分类模型的精度，获得了高质量的训练数据集，并有效减少了误分类率（图3）。

植被变化受多种因素的影响，包括地形地貌、气候条件（如降水量、温度变化）、土壤水分、干旱指数以及人为活动（如水资源分布、灌溉等）。在干旱区，水资源的分布和干旱指数对植被生长的影响尤为显著，尤其是降水量的变化和土壤水分的可用性。光伏设施的建设通过改变微气候条件（如光照、温度和水分等）以及局部土壤条件，可能对周围植被产生影响。然而，这种影响不仅仅由光伏设施本身引起，还与区域性气候波动、降水变化、土地利用变化等因素交织在一起。因此，光伏设施的生态效应在不同区域和不同环境条件下可能表现出显著的差异。

已有研究表明，在干旱区干旱指数（AI）较低的区域（如AI<0.55），降水变化对植被的影响更为显著。在AI为0.39的半干旱地区，光伏设施的建设能够促进植被生长，且这种效果随着气候变化而发生变化。温度变化在较湿润地区的植被变化中起着更重要的作用，而在干旱地区，降水的变化对植被的影响则更为显著^［20］。不同区域对光伏设施的响应不同，不能单纯通过光伏设施的建设来归因植被变化，设立传统对照区无法有效剥离这些影响。因此本研究通过时间尺度和缓冲区的方法，揭示光伏设施周边植被的响应。

本研究选取了1 km缓冲区作为分析尺度，既能有效反映光伏电站通过微环境变化对周边植被的潜在影响，又能兼顾30 m分辨率NDVI数据的空间精度和统计样本量，符合国内外相关研究的通用做法^［20-21］。

通过计算2020年和2024年相较于2015年的NDVI差值，本研究定量刻画了光伏设施扩展期间区域植被覆盖变化的幅度与趋势，并识别了植被变化的敏感区域。为了进一步分析光伏设施建设对区域植被的空间影响，采用全局莫兰指数（Global Moran's I）分析NDVI的空间自相关性，评估光伏开发对区域植被结构的空间聚集或扩散效应。

利用局部空间自相关（LISA）方法，揭示了NDVI的局部聚集特征，识别了潜在的高值聚集区和低值聚集区，从而揭示了光伏扩展背景下植被生态响应的空间格局特征。LISA分析能够显示光伏设施周围植被变化的空间异质性，帮助识别不同区域植被响应的差异性。

基于随机森林分类器的面向对象识别结果表明，研究区内光伏设施的分布边界清晰、结构完整，分类效果良好（图4）。在选择光谱特征、地形、阴影和纹理特征的基础上，经过36个特征因子的筛选，并去除重要性评分较低的变量，同时优化了分割尺度，在最高精度下选择了以下特征组合：光谱特征包括Red、SWIR1、SWIR2、LSWI、NDWI、NDBI和AWEI_sh；地形特征包括恒定阴影特征、高程和坡度。这一特征组合融合了光谱、纹理与地形信息，显著优化了分类模型的性能，并提高了分类精度。

模型的总体精度达92.6%，用户精度与生产者精度均超过85%，表明所构建的光谱—纹理—地形多维特征组合具有较强的判别能力。进一步分析不同特征对光伏设施识别的贡献，结果显示，高程是最关键的变量，其次是NDWI、LSWI、NDBI和SWIR。

时序识别结果表明，2015—2024年阿克苏地区光伏设施呈现快速扩张趋势。2015年为基期，光伏设施总面积为7.58 km²，主要分布于沙化区域，扩张规模较小。至2020年，总面积增至15.90 km²，较2015年增长约1.1倍。2024年光伏建设达到高峰，总面积达91.27 km²，为2020年的近6倍（表2）。

依据识别框架，共提取区域内光伏电站20座，实现了30 m空间分辨率下的大尺度光伏分布制图（图5）。

2015年，光伏本体及其缓冲区内NDVI值变化较小（-0.013~0.182），植被恢复尚处于初始阶段，空间分布集中。至2020年，NDVI变化显著扩大（-0.24~0.66），表明植被恢复区域明显拓展，恢复效果增强。2024年NDVI值为-0.36~0.62，变化较2020年略有减小，说明尽管光伏建设规模大幅增长，部分新增区域尚未实现显著生态恢复，存在一定滞后性。

结合面积提取与土地利用目视解译结果可知，大多数光伏设施布局于沙地，属于典型的“沙光互补”建设模式，在提供新能源供给的同时，为植被恢复提供了基础条件。然而，大规模开发亦对局部生态系统造成一定扰动，生态效应呈现出阶段性与时滞性特征。

为评估光伏扩展对区域植被的生态响应，本文提取了光伏区（PV）及其100、500、1 000 m缓冲区在2015、2020、2024年3—9月生长季的NDVI平均值。结果显示，2015—2024年各区域NDVI均呈增长趋势，植被覆盖状况整体改善。

从空间梯度来看，各年份均表现出PV<PV_100 m<PV_500 m<PV_1000 m的NDVI分布格局，表明光伏设施在近距离范围内可能对植被造成干扰，而中远距离区域则因微气候调节效应（如遮阴、控温、降蒸发）而有助于植被生长。

在时间变化方面，2020—2024年，PV及PV_100 m增长趋势不大，而PV_500 m和PV_1 000 m区域的NDVI增长幅度较大，这可能与光伏区正规化运行管理密切相关（图6）。

本文对光伏核心区（PV）及其100 m、500 m、1000 m缓冲带分别计算了2020年与2024年相较于2015年的NDVI差值，并绘制箱线图以展示其统计分布特征（图7）。

大多数区域的NDVI差值为正，表明光伏设施在一定程度上促进了植被恢复。其中，2024年相较2015年的NDVI提升幅度普遍高于2020年，反映出生态恢复存在明显的时间滞后效应。PV缓冲区中，以500 m和1000 m范围内的NDVI增幅最为显著，提示这些区域可能受益于光伏系统带来的遮阴降温、水分保持等微气候调节作用，呈现出典型的边缘效应。当然，也不排除整体生态环境改善及植被种植等因素的共同影响。

为评估光伏设施扩展区域内植被空间格局的整体聚集性，本文利用GeoDa 软件对2015、2020、2024年NDVI均值进行全局莫兰指数（Moran's I）分析。三期光伏及其扩展区NDVI均呈现显著的空间正相关性，Moran's I均大于0.9，Z值均超过90（表3），表明植被覆盖具有较强的空间聚集特征。具体来看，2015年光伏区尚处建设初期，Moran's I为0.947，NDVI虽整体偏低，但空间相关性已较为明显；2020年，随着光伏规模扩大，植被恢复范围扩展，Moran's I升至0.959，空间聚集性进一步增强；2024年，虽指数略降（约0.930），但整体仍维持高度正相关，可能因新增光伏区域短期内尚未形成稳定植被恢复态势，受建设扰动影响较大，导致聚集性略有减弱。

图8中的HH（高—高）聚集区表示NDVI较高且周边区域亦高，反映局部植被状况良好且具有较强空间同质性；LL（低—低）聚集区则代表NDVI较低且与周围区域一致，说明区域植被退化且空间聚集明显。

2015年，光伏设施建设规模较小，对生态扰动有限，扩展区内以HH区为主，表明局部植被状态良好且空间集聚性较强。2020年，HH聚集区显著增加，LL区显著减少，说明光伏区域植被整体改善，且其生态正向效应开始显现。2024年，光伏扩展范围显著扩大，HH与LL区数量同步增加。虽然整体Z得分上升，空间正相关性增强，但聚集区分布趋于分散，表明局部植被恢复延迟，存在一定时滞特征。

本研究主要分析了新疆阿克苏河流域光伏扩展背景下植被缓冲区的NDVI变化特征。2015—2024年，光伏设施及其周边区域普遍呈现植被覆盖度提升的趋势，尤其是在500 m与1 000 m缓冲区表现显著。这一现象可能与光伏设施所带来的间接微环境效应（如遮阴降温、蒸发抑制与水分保持）有关。但需要强调的是，植被变化并非完全由光伏建设直接导致，区域性气候波动、降水变化、土壤水分以及其他人类活动均可能在其中发挥重要作用。因此，本研究结果仅揭示了光伏区植被的时空变化特征，并未对其生态效应进行归因分析。

光伏设施周边植被变化具有明显的时滞效应。在光伏新建区域，植被恢复通常需要较长时间才能显现，这与建设扰动和植被生长周期密切相关。随着光伏设施逐步运行，远距离缓冲区内的植被改善更为突出，呈现明显的空间梯度特征。这提示光伏设施对植被的潜在作用可能存在中心扰动—边缘恢复的时空格局，仍需结合更多环境因子进一步分析。

此外，光伏设施对植被的影响实质上是多重因素交互作用的结果。在干旱指数（AI）较低的地区，降水是决定植被动态的主导因子，而在相对湿润的区域，温度变化的作用更为突出。本研究尚未引入气候变化、干旱指数、水资源分布、道路交通及夜间灯光等因子进行驱动力量化分析，因而结果在解释层面仍存在局限性。可在区域和跨区域尺度上，综合考虑这些因子开展更深入的驱动力机制探讨，从而更全面地认识光伏设施与植被变化之间的关系。

本研究基于SNIC超像素分割与随机森林分类实现了干旱区光伏设施的高精度识别，验证了面向对象方法在此类区域的有效性。但该方法所依赖的样本选择与特征因子组合主要适用于干旱区情境，若在湿润区或其他生态环境中推广应用，则需重新采样并对特征因子进行优化与重组，以保证识别精度和泛化能力。未来还应结合局地样地实验，特别是光伏板下植被的监测与验证，进一步理解光伏设施对微气候与植被响应的潜在机制。

2015—2024年，光伏设施面积增长超过11倍，主要分布在低坡度沙地，呈现出典型的带状—斑块状空间扩展特征。光伏设施的建设主要依托交通干线，区域内的光伏布局呈现出显著的空间聚集特征。

光伏区及其周边缓冲带的NDVI整体呈现上升趋势，尤其在500 m和1 000 m缓冲区，植被恢复明显，显示出中心扰动—边缘恢复空间梯度格局。NDVI差值分析表明，光伏扩展具有明显的时间滞后效应，2024年植被恢复幅度普遍高于2020年。

光伏区的NDVI变化呈现强烈的空间正相关性，聚集区从初期的局地“高—高”扩展为片状分布，显示出光伏设施具有一定的“生态正外溢效应”。然而，2024年光伏区扩展后，局部区域的植被恢复仍存在滞后现象。

面向对象的多维遥感分类方法实现高精度光伏提取验证了该方法在干旱区光伏识别中的有效性。