中国西北地区光伏电站对植被空间聚集的影响

杨凯迪，李国庆，卢潇楠

(鲁东大学资源与环境工程学院，烟台 264025)

关键字：光伏电站；归一化植被指数；全局莫兰指数；局部莫兰指数；空间聚集

0 引言

作为新兴清洁能源的主要应用形式，光伏发电的发展潜力巨大，中国光伏发电累计装机容量从2000 年的2600 MW 上升至2015 年的43180 MW，2020 年底已达到25.3 万MW[1-2]。随着光伏电站越来越多，其对植被的影响受到越来越广泛的关注和重视，已有学者通过样地调查法来判断光伏电站对各类型区植被群落结构的影响。有研究结果表明：光伏组件覆盖下的植物丰度较低，不利大多数物种的生长[3-4]；也有研究结果表明：光伏电站为物种丰富的植物群落创造了更好的生存条件，对物种多样性具有积极影响[5-8]。虽然样地调查法获取的植物种类数据准确，但需要消耗大量的人力和物力，且仅能获取局地样地的数据，无法从整体上评价光伏电站对植被的影响。基于此，本文以中国西北地区为研究区，利用遥感影像数据集，并提取研究区内光伏电站在2000、2015、2020年的归一化植被指数(normalized difference vegetation index，NDVI)变化情况，从区域尺度判断光伏电站对植被空间聚集程度和空间聚集类型的影响，以期为光伏电站下一步建设方向和周围环境保护提供借鉴。

1 研究区概况与数据来源

1.1 研究区概况

本文选择中国西北部的新疆维吾尔自治区、内蒙古自治区、青海省、甘肃省、陕西省和宁夏回族自治区为研究区，上述地区白天的光照时间长，太阳能资源充足，年太阳辐射量均超过1750 kWh/m2[9]，均属于Ⅲ类及以上太阳能资源区。同时，上述地区的植被覆盖度较低，生态环境脆弱，对气候变化敏感。大范围的光伏电站建设极易对当地生态环境造成影响，因此探究该研究区中光伏电站对NDVI 的影响具有示范意义。本文研究区的地理位置如图1 所示。

图1 本文研究区的地理位置图Fig.1 Geographical location map of research area in this paper

1.2 数据来源

1.2.1 Landsat 8 数据来源

本文使用中国境内2015、2020 年Landsat 8卫星的陆地成像仪(operational land imager，OLI)的遥感影像数据集(下文简称为“Landsat 8 遥感影像数据集”)进行光伏电站范围的矢量化，Landsat 8 遥感影像数据集的情况如表1 所示；2000年之前研究区范围内分布的光伏电站较少，因此未使用2000 年之前的Landsat 8 遥感影像数据集进行光伏电站范围的矢量化，以2000 年作为大批量光伏电站建设的节点，用该年的数据来代表在无光伏电站影响下的植被空间聚集情况。以上数据均来自美国地质勘测局(https://glovis.usgs.gov/app)，控制云量在0%～5%之间，共263 景。

表1 2015 和2020 年Landsat 8 遥感影像数据集的情况Table 1 Situation of Landsat 8 remote sensing image dataset in 2015 and 2020

1.2.2 NDVI 数据来源

本文使用Google Earth Engine 平台内的MODIS MCD43A4 V6 数据集( 下文简称为“NDVI 数据集”)，该数据由中分辨率成像光谱仪(MODIS)中的MCD43A4 表面反射率合成，无需下载、预处理和拼接等工作，可以根据需要在Google Earth Engine 平台调用[10]。本文根据需要获取了2000、2015 及2020 年的NDVI 数据集。

2 研究方法

2.1 光伏电站范围的获取

以Landsat 8 遥感影像数据集为基础数据，将波段2、波段3、波段4 进行真彩色合成，更利于地物识别。将影像逐幅加载到Arcgis 软件中进行目视解译，创建光伏电站范围矢量图层。

2.2 NDVI 的获取

由于研究区的NDVI 具有明显的季节性差异，在非生长季，研究区大部分地区的植被覆盖度较低，使用年均值会均衡掉其在春季和夏季时的峰值，无法较好地判断植被是否会受到光伏电站的影响。因此，本文采用最大合成法，该方法不仅能够进一步消除云层和云阴影产生的影响，而且能够降低因植被物候期引起的植被指数的波动，削弱该波动对莫兰指数(Moran’s I)的影响。

以2020 年为例，最大合成法的常规计算式可表示为：

式中：NMax(2020)为生长期的NDVI 最大值；a为遍历研究区NDVI数据集中每一景的遥感影像。

2.3 光伏电站对植被空间聚集程度的影响

运用全局莫兰指数(Global Moran’s I)作为判断植被空间聚集程度的指标，其是由澳大利亚统计学家Patrick Alfred Pierce Moran 开发，用于分析空间变量的整体分布状况[11]。全局莫兰指数主要用于描述所有的空间单元在整个区域上与周边地区的平均关联程度。全局莫兰指数I的取值范围为[-1,1]，“I>0”表示空间正相关性，取值越接近1，表示空间聚集性越高；“I<0”表示空间负相关性，其值越小，表示空间差异越大；“I=0”表示不存在空间聚集性，呈随机分布。

全局莫兰指数的计算式可表示为：

式中：n为研究区内空间单元(本文为光伏电站)的总个数；zi为要素i(本文为第i个光伏电站)的属性与其平均值的偏差，即xi–；zj为要素j(本文为第j个光伏电站，i≠j)的属性与其平均值的偏差，即xj–；wij为要素i、j之间的空间权重，当i、j相邻时，wij为1，其他情况下wij为0；S0为所有空间权重的集合。

其中，所有空间权重的集合可表示为：

运用全局莫兰指数前，需要通过置信度(P值)和Z 标准化的Z-Score 值(Z得分)来进行判定：若P值小于0.05(通过95%置信度检验)且Z得分超过临界值1.65(拒绝零假设设定的阈值)，此时为显著正相关；若P值小于0.05(通过95%置信度检验)且Z得分小于临界值-1.65，此时为显著负相关。

本研究的主要目的之一是探究光伏电站对植被空间聚集程度的影响。利用Arcgis 软件对2000、2015、2020 年研究区中的光伏电站建立缓冲区，由于研究区的NDVI 数据集的空间分辨率为500 m，因此本文以光伏电站范围边缘为边界，每隔500 m 建立1 个缓冲区，光伏电站周围1500 m 共建立3 个缓冲区进行研究；然后逐一提取各缓冲区范围内的NDVI，进行全局莫兰指数的计算。以计算结果为依据，统计各缓冲区的全局莫兰指数、Z得分和P值，以此判断光伏电站对植被空间聚集程度的影响。

2.4 光伏电站对植被空间聚集类型的影响

全局莫兰指数只能从整体上反映光伏电站缓冲区内NDVI 的空间相关性特征，因此，本文进一步利用局部莫兰指数(Local Moran’s I)来判断光伏电站对植被空间聚集类型的影响。局部莫兰指数是由Luc Anselin 教授于1995 年提出[12]，要素i的局部莫兰指数Ii的计算式可表示为：

1) 当zi>0 时：若则 为 高- 高(high-high，HH)聚集模式；若则为高-低(high-low，HL)聚集模式。2)当zi<0 时：若则为低-高(low-high，LH)聚集模式；若则为低-低(low-low，LL)聚集模式。

利用Arcgis软件的聚类和异常值分析工具，提取2000、2015、2020 年光伏电站缓冲区范围内的NDVI，分析其所属的聚集模式。HH 聚集模式和LL 聚集模式的局部莫兰指数均大于零，代表聚集正相关。HH 聚集模式表示高聚集NDVI 地区被其他高聚集NDVI 地区包围，代表植被生长状态好；LL 聚集模式表示低聚集NDVI 地区被其他低聚集NDVI 地区包围，代表植被生长状态差。HL 聚集模式和LH 聚集模式的局部莫兰指数均小于零，代表聚集负相关，属于聚集异常值。HL 聚集模式表示高聚集NDVI地区被其他低聚集NDVI 地区包围；LH 聚集模式表示低聚集NDVI 地区被其他高聚集NDVI地区包围。

3 结果与分析

3.1 光伏电站对植被空间聚集程度的影响分析

采用Arcgis 软件中的空间自相关分析工具，分别获取2000、2015、2020 年研究区内光伏电站3 个缓冲区的NDVI，进行全局莫兰指数计算，结果如表2～表4 所示。

表2 2000 年研究区中光伏电站不同缓冲区的全局莫兰指数分析Table 2 Analysis of global Moran’s I in different buffer zones of PV power stations in the research area in 2000

表3 2015 年研究区中光伏电站不同缓冲区的全局莫兰指数分析Table 3 Analysis of global Moran’s I in different buffer zones of PV power stations in the research area in 2015

表4 2020 年研究区中光伏电站不同缓冲区的全局莫兰指数分析Table 4 Analysis of global Moran’s I in different buffer zones of PV power stations in the research area in 2020

从表2～表4 可以看出：所有缓冲区的全局莫兰指数均大于零，表明该研究区的NDVI 在空间上均呈正相关，即NDVI 越大或越小越容易聚集[13]；且所有缓冲区的P值均小于0.01，Z得分非常高，均大于90，说明在光伏电站的3 个缓冲区范围内，NDVI 存在空间正相关关系，在空间上存在集聚现象。

在2000 年，光伏电站各缓冲区的全局莫兰指数均较低，最高不超过0.782；各缓冲区的全局莫兰指数的变化幅度较小，且变化无规律，其标准差不超过0.04。在2015 年，光伏电站各缓冲区的全局莫兰指数最低值为0.884，最高值已接近2020年的平均值(0.938)。在2020 年，光伏电站0.0～0.5 km 缓冲区的全局莫兰指数取得最低值，但该值仍远大于2000 年时各缓冲区的全局莫兰指数最大值，且与此缓冲区在2000 年的数据相比，全局莫兰指数增加了0.176，Z得分增加了111.46，说明光伏电站的建设加强了该地区的植被空间聚集现象。研究区内的全局莫兰指数随光伏电站缓冲区距离的增加呈现逐渐增加的趋势。

3.2 光伏电站对植被空间聚集类型的影响分析

利用Arcgis 软件中的空间聚类与异常值工具，分别获取2000、2015、2020 年研究区内光伏电站3 个缓冲区的NDVI，分析所属的聚集模式。2000、2015、2020 年研究区的NDVI 聚集模式占比情况分别如图2～图4 所示。图中：聚集模式增加率为当前研究年的数据与前一研究年的数据相比的增加率。

图2 2000 年研究区的NDVI 聚集模式占比情况Fig.2 Proportion of NDVI aggregation patterns in the research area in 2000

由图2 可知：在2000 年，研究区内光伏电站各缓冲区的非聚集模式占比均在57%以上，最高不超过69%；HH 聚集模式的占比最高不超过15%；LL 聚集模式的占比均在19%以上，最高不超过22%。

由图3 可知：在2015 年，研究区内光伏电站各缓冲区的非聚集模式占比均在54%以上，HH 聚集模式的占比在13%以上，LL 聚集模式的占比在19%以上。与2000 年各缓冲区的聚集模式相比，HH 聚集模式增加率和LL 聚集模式增加率均在光伏电站0.0～0.5 km 缓冲区取得最大值。

图3 2015 年研究区的NDVI 聚集模式占比情况Fig.3 Proportion of NDVI aggregation patterns in the research area in 2015

由图4 可知：在2020 年，研究区内光伏电站各缓冲区的非聚集模式占比均为45%左右，HH 聚集模式的占比最小值为22%，LL 聚集模式的占比均为32%，HL 聚集模式和LH 聚集模式的占比接近0%。与2015 年各缓冲区的聚集模式增加率相比，2020 年的HH 聚集模式增加率在光伏电站0.0～0.5 km 缓冲区取得最大值，LL 聚集模式增加率在光伏电站1.0～1.5 km 缓冲区取得最大值。

图4 2020 年研究区的NDVI 聚集模式占比情况Fig.4 Proportion of NDVI aggregation patterns in the research area in 2020

对图2～图4 进行对比分析可知：在2000 年，研究区内的NDVI 聚集模式以非聚集模式为主；在2020 年，HH 聚集模式和LL 聚集模式都出现了极显著的增加，且HL 聚集模式和LH 聚集模式几乎消失，进一步说明光伏电站促进了植被的空间聚集。因此，光伏电站的建设使NDVI 的非聚集模式减少，HH 聚集模式和LL 聚集模式均增加。

3.3 光伏电站对不同降水量地区的植被空间聚集类型的影响

由上述研究发现，光伏电站对周围植被空间聚集程度的影响主要集中在0.0～0.5 km 缓冲区内，为进一步研究光伏电站在不同降水量情况下对植被空间聚集类型的影响是否存在差异，对光伏电站0.0～0.5 km缓冲区的年降水量进行分级，对应的地理分区如表5 所示[14]。

表5 年降水量级别及对应的地理分区表Table 5 Table of annual precipitation level and corresponding geographical zoning

需要说明的是，在极端干旱区和干旱区，NDVI 聚集模式主要为LL 聚集模式和非聚集模式；在半干旱区和半湿润区，NDVI 聚集模式主要为HH 聚集模式和非聚集模式。在此基础上，进一步统计2000、2015、2020 年光伏电站0.0～0.5 km 缓冲区各地理分区的HH 和LL 聚集模式的占比情况，结果如图5 所示。

图5 2000、2015、2020 年光伏电站0.0～0.5 km 缓冲区各地理分区的HH 和LL 聚集模式占比情况Fig.5 Proportion of HH and LL aggregation patterns in different geographical zones of the 0.0～0.5 km buffer zone of PV power stations in 2000，2015，and 2020

由图5 可以看出：光伏电站的建设使极端干旱区LL 聚集模式的占比增加，干旱区LL聚集模式的占比减少，半干旱区HH 聚集模式的占比增加，半湿润区HH 聚集模式的占比减少。因此，在干旱区和半干旱区，植被生长状况有所好转；但在极端干旱区和半湿润区，植被生长状况可能会恶化。

4 讨论

光伏电站的布设会对多种环境因子造成影响，增加相对湿度和土壤湿度，减小风速和降低土壤温度[15]，为荒漠地区植物生长提供了更好的条件，但其也会影响光伏电站布设地区的陆-气相互作用和能量平衡；风速的减小还会在一定程度上起到防沙固沙的作用。多重因素促使该区域的NDVI 向高值聚集，植被生长状况得以改善。

但在极端干旱区和半湿润区，由于光伏组件对植被的遮荫作用，可能会导致电站内的植被无法获得充足的光合有效辐射，从而影响植被的生长[16]，使该区域的NDVI 向低值聚集，但准确原因仍需要进一步考察。

另外，本文选取的研究区为中国西北地区的光伏电站，而其他地区光伏电站对植被空间聚集的影响及影响程度是否与本研究结果一致还需要进一步的研究。

5 结论

本文以中国西北地区作为研究区，利用Landsat 8 遥感影像数据集对研究区内光伏电站范围进行矢量化，并结合研究区内光伏电站在2000、2015、2020 年的NDVI 情况，从区域尺度判断光伏电站对植被空间聚集程度和空间聚集类型的影响，得出以下结论：

1)与2000 年和2015 年的数据相比，2020年光伏电站各缓冲区的全局莫兰指数出现增加现象，且在0.0～0.5 km 缓冲区内的聚集效果明显，其余缓冲区的聚集效果微弱，所以光伏电站会使其周围地区的植被空间聚集程度增大。

2)光伏电站的建设使NDVI 的非聚集模式减少，高-高(HH)聚集模式和低-低(LL)聚集模式均增加，因此光伏电站会促进其周围地区的NDVI 向高值和低值聚集。

3)光伏电站0.0～0.5 km 缓冲区内，在干旱区和半干旱区，光伏电站起到正向生态作用；在极端干旱区和半湿润区，光伏电站却起到负向生态作用。因此在研究大型集中式光伏电站对植被的影响时，需要考虑下垫面的差异。