多源遥感数据和深度学习：屋顶光伏潜力评估与能源发电

能源与人工智能10（2022）100185透视利用多源遥感数据侯江a，凌瑶a，b，c，*，陆宁a，b，c，秦军a， b，刘唐 d，刘玉军a， e，周成虎 aa中国科学院地理科学与资源研究所，北京，100101b南方海洋科学与工程广东省重点实验室，广州511458c南京师范大学江苏省地理信息资源开发与应用协同创新中心，江苏南京210023d中国地质大学（北京）信息工程学院，北京，100083e江苏省地理信息中心，南京，210013H I G H L I G H T S G R A P H I C A LA B标准• 屋顶光伏技术潜力地理空间评估的可扩展• 多源遥感数据与深度学习在能源领域的应用。• 高分辨率建筑物足迹调查的多尺度分割模型。• 江苏省屋顶光伏发电的年发电量估计为290.66 TWh。A R T I C L EI N FO保留字：建筑物足迹遥感深度学习太阳能A B标准屋顶太阳能光伏发电在全球可持续能源转型中发挥着越来越重要的作用。这就提出了在政策制定和电力系统规划中对光伏技术潜力进行准确和高分辨率地理空间评估的挑战。为了应对这一挑战，我们提出了一个通用框架，该框架结合了多资源卫星图像和深度学习模型，以提供屋顶光伏发电的估计。我们应用基于深度学习的反演模型来估计基于地球同步卫星图像的每小时太阳辐射，并应用自动分割模型从高分辨率卫星图像中提取建筑物足迹。该框架可以精确调查可用的屋顶资源和详细的模拟发电每小时的空间分辨率为100米。江苏省的案例研究表明，该框架是适用于大面积和可扩展的精确位置和任意区域之间的跨多个时间尺度。我们的估计显示，全省屋顶资源的潜在装机容量为245.17吉瓦，相当于年发电量290.66太瓦时。这凸显了通过开发屋顶光伏来减少碳排放* 通讯作者。电子邮件地址：yaoling@lreis.ac.cn（L.么）。https://doi.org/10.1016/j.egyai.2022.1001852022年7月12日在线提供2666-5468/© 2022作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiH. Jiang等人能源与人工智能10（2022）10018521. 介绍二氧化碳（CO2）排放是全球气候变化的主要原因提供大覆盖范围内的云场图像（例如，东亚和西太平洋）和高频率（例如，10分钟），从而捕捉表面太阳辐射的时间变化[30]。高分辨率温暖[1，2]。2015年12月通过的《巴黎协定》旨在在这方面，节能和减排已成为全球社会的核心主张，特别是对于中国这个世界上最大的二氧化碳排放国[4]。根据省级清单，中国二氧化碳排放的主要来源是化石燃料，特别是燃煤，约占总排放量的80%[5]。因此，提高非化石能源消费比重是中国实现碳中和的重要途径[1，6]。由于清洁和环境友好的特性，太阳能光伏（PV）为可持续能源转换提供了有前途的途径[7，8]。在过去十年中，投资成本的降低加上政策驱动的举措导致了太阳能光伏市场的繁荣[9]。到2020年，全球太阳能光伏发电容量将达到707.5吉瓦，中国占35.8%[10]。集中式光伏电站通常面临与其他人类活动的土地竞争，因为需要大的地面安装面积[11]。这种竞争在人口稠密地区更为明显，而这些地区恰好是能源需求高的地区[12，13]。相比之下，屋顶太阳能光伏技术可以绕过土地竞争，同时通过大量的小规模安装来贡献显着的电力容量增加[14，15]。屋顶光伏可以部署在不同的建筑物上，从几百平方米的住宅屋顶到大面积的工业和商业屋顶，因此具有直接连接消费者的优势，包括作为私人或能源社区或合作社的公民，以及企业[14，16-18]。因此，屋顶光伏在中国受到特别关注，例如，国家能源局于2021年9月启动试点计划，以促进各县（市或区）发展分布式屋顶光伏[19]。为了帮助决策者制定资源利用的科学指导方针，并更好地了解屋顶光伏在替代化石燃料方面的作用，对其技术潜力进行高分辨率地理空间评估至关重要。通常，建筑物占地面积、入射太阳能确定屋顶光伏发电的技术潜力时，需要考虑太阳辐射和光伏发电参数，如面板尺寸、转换效率以及系统损耗现有的获取上述信息的方法存在一些缺点。例如，基于点尺度测量或理想化模型模拟的入射太阳辐照度的计算具有有限的空间代表性，并且不能反映由云运动引起的快速波动[22，23]。关于可用于光伏安装的屋顶面积，目前中国没有公开的建筑物占地面积数据，简单的抽样方法或基于多变量统计变量的经验方法都无法保证扩展到更大区域时的准确性[16，24，25]。建筑物足迹的完整普查更可靠，但光探测和测距（LiDAR）数据不容易收集，数据处理和分析复杂且耗时，难以应用于大区域[21，26]。对于发电模拟，许多研究仍然停留在资源潜力的水平上，而没有考虑光电转换过程和系统损耗[27]，或者只在几个选定的位置进行实验[28]。为此，我们的目标是制定一个通用的地理空间评估屋顶光伏发电技术潜力，预计这将具有成本效益，效率高，易于在区域范围内实施。 遥感与人工智能相结合可以成为实现这些目的的有效解决方案。遥感技术领域的进步为实现对各种地表要素的大范围、快速 、 立 体 监 测 提 供 了 可 能 [29] 。 新 一 代 地 球 静 止 卫 星 （ 例 如 ，Himawari-8）卫星星座（例如，Pl′eiades）是细节和广泛覆盖的理想组合，可以在几小时内重访地球上的任何点和图像可用性[31]，为准确调查建筑物足迹提供支持[27，32]。深度学习算法的成熟和云计算平台能力的不断增强，使海量大数据的并行自动分析成为可能。深度神经网络已经在许多应用中广泛用于信息提取[33此外，事实证明，使用开源卫星数据有助于改善PV性能预测[38，39]。 虽然在屋顶光伏潜力评估的各个方面都进行了成功的尝试，但还没有建立一个符合上述要求为了弥合这一差距，这项研究提出了一个新的框架，通过结合多分辨率遥感数据和深度学习技术评估屋顶光伏潜力。利用空间分辨率较低但观测频率较高的地球静止轨道卫星图像，通过深度学习反演算法，捕捉具有局部空间相似性和快速时间变化的太阳辐射时空格局;表示“高”之义利用空间分辨率高但观测周期长的高分辨率卫星影像，通过自动分割提取空间差异大、时间稳定性高的建筑物足迹模型;采用基于过程的动态仿真模型计算实际光伏发电量。创新之处在于，所有计算都是以小时为基础，以100米的空间分辨率进行统一，从而通过分布式计算大大提高了框架的效率，并且可以轻松地将结果聚合到多个时空尺度中。该贡献还来自于将注意力机制和空间金字塔相结合以增强建筑物屋顶分割的方法，以及将卫星图像与无人机（UAV）图像相结合以校准用于光伏安装的屋顶可用面积的估计的解决方案。江苏省的案例研究表明，所提出的框架与我们的其他创新措施一起，可以对屋顶光伏潜力进行准确的地理空间评估，为估计碳减排量提供可靠的依据。第这一研究为融合研究开辟了新的视角遥感大数据和太阳能的重要性，同时突出了多分辨率遥感观测在能源界的价值。2. 研究领域和数据考虑到数据的可获得性和实际需求，我们选择中国江苏省作为研究区域。江苏省地处长江、淮河下游（图）。 1）、具有发达的区域经济和成熟的光伏应用。的全省总面积10.72万平方公里，由13个县组成县（市）级单位95个。根据气候和城市化程度的差异，全省沿两江大致可分为北、中、南三个部分。北部属暖温带气候，中南部属亚热带气候。与北部和中部地区相比，南部地区城市化水平和人口密度较高。用于潜力评估的多源遥感数据包括多功能运输卫星（MTSAT-1R）可见光图像、高分二号和北京二号卫星图像以及无人机图像。由日本气象厅运营的MTSAT-1 R仍然相对在赤道上方东经104度与地球同步，扫描亚洲-太平洋地区（70° N MTSAT-1 R的可见光（0.55-H. Jiang等人能源与人工智能10（2022）1001853图1.一、中 国 江苏省的地理位置和行政区划。在大约一公里的空间分辨率的观测，这有助于估计云对表面太阳辐射的时空影响。高分二号是中国高分辨率对地观测系统（CHEOS）系列的一部分，它以0.81米的全色空间分辨率和3.24米的多光谱波段扫描地球表面。北京二号是由三颗陆地观测卫星组成的星座，提供的卫星图像地面采样距离全色波段为0.80米，蓝色、绿色、红色和近红外波段为3.2米。高分二号和北京二号在高分辨率建筑物足迹调查方面相互补充。无人机图像由定制的无人机飞行捕获。地理参考正射影像的GSD接近0.1 m，定位精度接近0.02 m。利用无人机影像进行精确的光伏板调查，以获得光伏板在屋顶上的布局比例及其在实际运行中的具体安装参数。此外，我们收集全球水平辐照度（GHI）测量-江苏省及其周边地区8个测站（图1中的蓝色圆圈和矩形）的辐射和漫射水平辐照度（DHI）测量2018年上海站（图1中的蓝色矩形）。这些数据用于验证基于卫星的入射太阳辐照度估计值。此外，ERA 5-Land项目2018[40]的数据来表征PV系统的环境温度。ERA 5----陆地温度数据的空间分辨率约为9公里。2. 方法图2说明了评估屋顶光伏发电技术潜力的拟议框架。光伏技术利用吸收太阳能并通过半导体材料将其转化为电能的装置来发电。因此，入射太阳辐射的量主要决定PV系统的生产率。因此，我们首先使用基于深度学习的反演模型来估计地球同步卫星图像的每小时太阳辐射以及时间和位置信息。由于卫星云图的时间序列反映了云在空间的动态运动，因此可以同时获得地面太阳辐射的空间分布和时间变化。这些信息保证了在精细的时空尺度上模拟发电过程。给定每小时的太阳辐射数据，以及太阳能电池的参数（例如，最大功率、标准测试条件下的相对效率、开路电压和短路电流）和面板安装（例如，面板倾斜和方位角）时，使用基于过程的PV估计器来计算容量因子，即， 在一段时间内产生的能量的比率（通常为一年，kWh）到标准测试条件下的最大输出（kWp）（规定为25 ℃电池温度下的1，000 W/m2建筑物屋顶的可用面积限制了屋顶光伏的最大装机容量，而由于太阳辐射的变化，不同位置的每单位容量的实际发电量差异很大。因此，需要建筑物屋顶的大小和位置。采用一种基于高分辨率卫星影像的建筑物足迹自动分割模型。为了便于空间计算，建筑物覆盖区被转换为网格，每个网格代表屋顶面积的比例。实际上，光伏板只覆盖部分楼宇天台，因为需要额外的空间，以尽量减少光伏板之间的遮阳效果，并方便系统维修。在此，通过对UAV图像中的各个PV板进行计数来统计地确定每单位面积的PV板的安装因子。根据安装系数和网格化的建筑占地面积，我们可以估计潜在的安装图二、 屋顶光伏技术潜力地理空间评估的总体框架。H. Jiang等人能源与人工智能10（2022）1001854=POA每个网格内屋顶PV的容量。一旦容量系数和潜在容量已知，屋顶光伏技术潜力的估计是直接通过空间叠加。由于基本计算是在像素级别和每小时的基础上进行的，因此我们可以很容易地估计较大地理或行政单位的发电潜力（例如，街道、县或城市）和时间尺度（例如，每日、每月和每年）。也就是说，该框架可以在精确的位置和大面积之间或从小时到年度规模进行扩展。此外，由于每个pix el的计算规则是一致的，因此该框架可以分布在高性能图形处理单元（GPU）服务器上，以提高计算效率。总之，该框架使高精度的地理空间评估和高效率的大规模应用成为可能。有关所涉及型号的详情如下。3.1. 太阳辐射估算的深层网络太阳辐射数据可直接从地面观测获得。然而，观测站的数量有限（例如，中国只有133个观测站在服务中），并且通常分布不均匀。由于太阳辐射的巨大空间变化性，最好使用空间连续数据进行可靠的光伏发电模拟。在这里，我们使用深度学习模型从卫星图像中检索太阳辐射估计值。所使用的模型主要基于我们以前的研究[41]，其中提出了一种深度学习算法，用于从地球同步卫星数据中检索每小时的GHI。该算法包括两个主要过程：训练和估计。在训练阶段，使用成对的训练样本来训练基于卷积神经网络（CNN）的深度网络，以建立卫星信号与地面测量的GHI之间的非线性关系。然后，在估计阶段期间，使用该关系从卫星输入估计地面GHI。 经过不断的试错过程和迭代参数优化，建立了优化模型，中间特征到目标输出[41]。很明显，云模式提取的基本原理对于不同的任务是相似的;因此，在GHI样本上训练的CNN模块的参数可以重新用于DHI估计。剩下的任务是使用少量的DHI样本来微调MLP模块的参数。经验证，该方案可以重现DHI的空间分布，其精度优于再分析数据[42]。在此，我们提供了2018年每小时GHI和DHI数据，并使用图1所示站点收集的测量值，从相关系数（R）、均方根误差（RMSE）和平均偏差误差（MBE）方面评估了江苏省的性能。总的来说，深度学习基于的模型提供了良好的估计，R为0.86，RMSE为142.10 W/m2，而对于DHI，R为0.76，RMSE为82.62 W/m2（图3）。平均而言，基于卫星的结果略微低估了GHI和DHI，MBE分别为19.98W/m2和13.42W/m2（图 3）。3.2. 光伏发电建模我 们 使 用 开 源 的 全 球 太 阳 能 估 算 （ GSEE ， www.github.com/renewables-ninja/gsee）来模拟PV发电。GSEE是专为快速计算和易用性。此功能对于大面积模拟是必要的，特别是当还需要实时服务时。GSEE的另一个优点是它已在1，029个站点进行了广泛验证[43]，并通过模拟光电转换过程和光伏系统损耗[44]来避免高估。GSEE需要每小时的GHI和DHI来估计PV输出。首先，直接法向辐照度（DNI）通过以下公式确定GHI=DHI+DNIcos（θz）（ 1）其中θz是太阳天顶角。接下来，阵列平面上的直接和漫射辐照度（POA）计算为：G=DNIPOA+DHIPOA（2）中国完全训练的深度网络被证明是有效的，并且在空间可扩展性方面具有高性能。CNN在处理地表辐射的空间邻近效应和模拟复杂的辐射传输过程方面是有效的，从而实现了DNIDNIβ cos（α）cos（ 90Ω-θA）DHIPOA=DHI1+ cos（αt）+απ（DHI+DNI） π1- cos（αt）（三）（四）比传统方法更精确[41]。2 2然而，由于缺乏用于DHI测量的地面站，因此无法收集足够的代表性训练样本。为了解决这个问题，我们设计了一个迁移学习方案来估计DHI。本质上，用于GHI估计的基于CNN的深度网络由两个子模块组成：用于从卫星输入中提取云模式的CNN模块和用于链接其中G为POA辐照度，α为平面入射角，θA为太阳方位角，αt为PV板的倾斜角，a为表面反射率（默认值为0.3）。α定义为太阳光线与PV板之间的角度图3.第三章。基于深度学习的太阳辐射反演模型验证。（a）GHI;（b）DHI。H. Jiang等人能源与人工智能10（2022）1001855=Gsαcos-1[cos（θ z）cos（α t）+sin（θ z）sin（α t）cos（θ A-α A）]（5）′′′ ′2′′ ′2′=其中，αA是PV板的方位角，定义为η（G，T）= 1 + k1 ln G + k2[ln G]+ T.k3+k4lnG+k5[ lnG]）+k6T 2（八）北（例如北=0°，东=90°）。 G通过阴影进一步减小，具有归一化参数G′ G/G 而T′ 公司简介. 系数污染和反射效果。 我们假设k的损失为0.98SMMS这些影响。除了太阳辐照度，光伏组件温度（Tm）对光伏输出有显着的影响。在稳态（或缓慢变化）条件下，Tm可以通过以下方式从环境温度（Ta）和POA辐照度Tm=Ta+cTG（6）其中，系数c描述了PV模块被加热的程度，通过将方程拟合到在一个或多个测试点测量的实验数据来确定1k6在我们的实验中，我们模拟了c-Si模块的发电，并假设从直流电到交流电的额外10%的损失根据欧洲的实验转换[43]。系数cT设定为Huld等人建议的0.035 C W-1 m-2[45]，不太阳辐射。Ta由ERA 5-Land的2 m气温表示。在最后，根据G和Tm计算PV输出：Pout=Ps<$G<$η（G′，T′）（7）其中Ps是在标准测试条件Gs= 1，000 W/m 2下的PV输出 Tms 25摄氏度给出了瞬时相对效率η通过：在模拟中，我们总是将装机容量设置为1 kWp，这使得可以轻松地将P转换为容量因子。3.3. 多尺度分割模型建筑物占地面积测量的一个关键点是精确地描绘具有不同尺寸，形状和方向的各种建筑物屋顶的边界[32，36]。为此，我们建立了一个多尺度分割模型，该模型融合了自然图像识别领域的经典技术，增强了多尺度H. Jiang等人能源与人工智能10（2022）1001856见图4。建筑物足迹调查的多尺度分割模型。（a）身体网络的U形结构;（b）DDCCB模块的内部组成;（c）金字塔池内的多尺度特征融合H. Jiang等人能源与人工智能10（2022）1001857××==基本的U形结构（图4a）来自Tiramisu模型[46]，这是一种用于语义分割的完全卷积和密集连接的网络。下采样路径（编码器）负责抽象语义特征，而对称上采样路径（解码器）用于实现精确定位。在编码器中，我们嵌入了用于特征提取的密集可变形坐标卷积块（DDCCB，图4b）和用于多尺度特征融合的金字塔池（图4c）。随着网络的深化，DDCCB中的卷积层数量会增加，以专注于更多的特征通道。在解码器中，每个步骤包括一个2 2向上卷积层，以向上采样特征图，与来自编码器的相应特征图的级联，以及用于进一步特征定位的DDCCB。由于在下采样期间细节的丢失DDCCB的前半部分是密集连接的卷积层。为在每一层中，将所有先前层的特征作为输入，并且将其输出馈送到所有后续层。通过这种方式，每个层都可以直接访问损失函数和原始输入信号 的 梯 度 ， 从 而 实 现 隐 式 深 度 监 督 [47] 。 用 可 变 形 坐 标 卷 积 层（DCConv）代替传统的卷积层。DCConv的显著特点是将坐标拼接与变形卷积（DConv）相结合。坐标级联（即，空间坐标通道与输入特征连接）允许网络学习完全的平移不变性或不同程度的平移依赖性，从而解决了坐标变换问题[48]。DConv通过学习额外的偏移量来增强固定大小卷积的空间采样位置，因此它被用于增强网络的几何变换建模能力[49]。之后，DCConv还应用了一个整流线性单元（ReLU）和批量归一化（BN）层，类似于传统的方式。DCConv的引入确保了分割模型能够捕捉建筑物屋顶的几何特征，并且这种能力不受地理位置变化的影响。DDCCB的后半部分旨在通过使用注意力机制[50]来增加网络的表示能力，即，聚焦于重要目标（例如，建筑屋顶）和抑制不必要的（背景）。的来自卷积层的特征顺序地流过通道和空间注意力模块，以生成通道和空间维度中的注意力图，注意力图被乘以输入特征以用于自适应特征细化。金字塔池以不同的空间接受性对输入要素进行采样字段，其大小与输入图像大小成比例。这使得空间金字塔池化能够将任意大小的卷积特征转换为相同的维度，并避免裁剪和扭曲操作造成的信息丢失[51]。空间金字塔池很好地适应了遥感观测数据多尺度嵌套的特点。例如，当我们试图了解超高分辨率（VHR）图像中大型建筑物的几何形状时， 习惯于放大和缩小图像，以获得更多的认知，从局部到整体。使用从高分二号和北京二号图像收集的手动标记样本训练分割模型图5中显示了一些示例。城市、郊区和农村的样本比例约为1：1：1。我们随机选择30%的原始样本进行数据增强，这有助于增强训练模型的鲁棒性。在我们的实验中采用的增强方法包括图像旋转，图像翻转，图像模糊，和噪声添加。最后，总共有12，000个256，256像素的样本事实上，分流比影响深度模型的性能一般来说，训练部分应至少占60%，以确保适度的预测能力[52]。在这里，我们不深入探讨分割比率的影响，而是使用建议的通用比率进行样本分割。考虑到大多数样本中建筑物的比例明显低于背景，并且小型建筑物比大型建筑物更难识别，我们选择了在正负样本和难易样本之间具有平衡的焦点损失[53]作为模型训练期间的损失函数。焦点丢失的表达式为：FL（pt）=-α（1-pt）γ log（pt），γ> 0（9）其中pt表示样本属于真类的概率，α是平衡阳性和阴性样本的参数，γ是平衡困难和容易样本的聚焦参数我们设置α0的情况。25和γ2。焦点损失可以引导优化过程更多地关注建筑物，特别是小型建筑物。该模型在Pytorch框架下用Python实现，并部署在具有8个NVIDIAV100 Tensor Core的工作站上。在测试样本上，完全训练后的模型平均准确率为0.918，准确率为0.902，召回率为0.734，F1得分为0.801，交并比（IoU）为0.778。图5显示了城市、郊区和农村地区的一些例子。图像中心的建筑物分割边界似乎比这更准确图五、建筑物 足迹 的标记图像和分割结果的例子。H. Jiang等人能源与人工智能10（2022）1001858××这意味着最好将建筑物保持在输入图像块的中心。因此，当应用经训练的模型来从所获取的高分辨率卫星图像中提取建筑物足迹时，输入块被从图像中切割，重叠方式，即相邻块之间存在256 × 128或128 × 256像素的重叠这种重叠采样意味着每个PIXEL将参与计算五次，并且至少有一次，它不在输入块的边缘上。在本研究中，我们将具有最高概率的结果作为pixel的最终结果。此外，值得注意的是，网络架构影响模型的性能，更好的准确性可能会通过使用其他先进的技能。在这里，我们不讨论网络的优化，而是专注于所提出的框架通过案例研究。4. 结果4.1. 太阳能资源潜力基于深度网络（3.1节）和MTSAT-1 R每小时影像，获得了2018年GHI和DHI的空间分布和时间变化（图6）。江苏省北部地区太阳能资源丰富，年总量近5200兆焦耳/m2， 属于 中等水平 在 五级分类（极高、高、中、低、极低）。南部处于低层，年总量低于5000兆焦耳/平方米。因此，江苏省安装的光伏主要是分布式的，只有少数集中式太阳能植物都在北方[13]。江苏省的DHI相对于GHI的比例较高。除沿海地区和湖泊外，全省的DHI比例超过50%（图10）。 6 b）。就时间变化而言，GHI在5月达到峰值，在6月急剧下降，并在7月恢复到峰值（图6c）。这种下降是由于梅雨季节，通常开始于6月中旬和7月初由于梅雨季节主要发生在南方在淮河流域，江苏省北部受影响较小（图6c中的红色实线）。相应地，DHI分数在6月显著增加，因为增加的云覆盖增强了散射效应。全年的DHI比例保持在50%以上，太阳能资源潜力存在很大差距，夏季约为冬季的两倍。这些特性影响光伏装置，特别是光伏板的倾斜角度的选择[28，54]。4.2. PV容量因数将基于卫星的GHI和DHI（第4.1节）以及ERA 5-陆地温度数据（第2节）输入GSEE模型（第3.2节），以计算PV容量因子。我们对四种不同的光伏系统进行建模：(1)水平固定PV;（2）最佳倾斜PV;（2）1轴东西跟踪系统;（4）2轴跟踪系统。对于最佳倾斜PV，PV板的倾斜角由Jacobson等人的经验公式确定【28】：αt= 1 。 3793+ 中 国 （ 1. 2011 年 + 中 国 （ -0. 014404+ 1000.000080509））（ 10）其中纬度表示纬度。通常，北半球的光伏板朝向南方，以最大限度地利用太阳直接辐射;因此，光伏板的方位角（αA）设置为180°。模拟是按小时进行的，这不仅增加了评估的准确性，但也使发电量的时间变化，以考虑在规划设计。 图 7为江苏省年平均容量系数。水平固定的PV具有最低的容量因子，范围在0.12和0.14之间。最佳倾斜对于北部地区是重要的，并且可以将容量因子增加约0.01。1-轴和2轴跟踪系统比最佳倾斜和水平固定的PV具有显著更高的容量因子，增加了0.02四种情景下的空间格局相似，容量因子均表现为北高南低，但单轴和双轴跟踪系统的南北差异更为明显南部的云量比南部高见图6。江苏省太阳能资源潜力。（H. Jiang等人能源与人工智能10（2022）1001859见图7。 不同光伏系统的容量系数。 （a）水平固定PV;（b）最佳倾斜PV;（c）1轴跟踪系统;（d）2轴跟踪系统。见图8。江苏省建筑屋顶资源。（a-（a-f）中的红色多边形表示自动分割的结果。H. Jiang等人能源与人工智能10（2022）10018510××××北方是造成这种地理差异的主要原因[41]。特别是，东北部地区的特点是高GHI和低DHI分数（图）。 6），因此具有最高的容量因子。4.3. 可用的屋顶资源基于该分割模型和高分二号/北京二号卫星影像，在1 m的空间分辨率下获得了建筑物足迹，包括位置和边界。图8a正样本与负样本、难样本与易样本之间的焦点丢失平衡机制保证了模型在农村和城市地区达到同等的分割精度。得益于空间金字塔和注意力机制的整合，该模型既不会忽略细节，也不会忽略整体特征;因此，即使大型和小型建筑物混合在一起，也可以实现高分割精度（图8c，d）。我们进一步汇总了建筑密度（或屋顶面积）在每100米100米网格和每个县级市（图8g），如果需要，任何单位不小于1米1米。建筑密度数据构成了估计屋顶光伏系统潜在装机容量的基础。在这项研究中，我们假设建筑面积和屋顶面积之间直接等价。研究发现，屋顶资源主要集中在东南部，其次是西北部，且由于城市化水平的差异，各区县的屋顶面积与土地面积不成比例。 图8a-f城市、郊区和农村地区的建筑密度。相对于全省屋顶建筑面积达6628.94km2，占土地面积的6.18%。由于受空间分辨率、阴影、视角等因素的影响，分割出的建筑物边界可能与实际建筑物边界有偏差，相似的环境可能被误认为建筑物。在这些情况下，空间分辨率更高的航空照片或无人机图像但高昂的费用通常使它们不适用于区域调查。根据欧洲的经验[14]，我们捕获测试区域的UAV图像（图9a）以识别准确的建筑物边界，然后将其用作参考以确定粗分辨率结果的校正因子。初始比较（图9从无人机图像中人工识别的建筑物足迹被聚集到100米100米的网格中。试验区所有网格无人机结果与卫星结果的平均比值（约被视为校正因子。下一步，将修正系数应用于区域尺度，即江苏省建筑屋顶总面积修正为5634. 60 km2。由于屋顶的其他用途（例如空调、烟囱）、与周围环境的遮蔽、光伏组件之间的距离以及维护通道等，可用屋顶面积进一步减少到适合光伏安装的面积。根据国家能源局的公告[19]，屋顶光伏被推荐安装在党政机关、宾馆、医院、商场、工厂和农村居民点等建筑上。图10显示了三种典型的适用于光伏安装的屋顶，即钢瓦、平板混凝土和砖屋顶。我们基于测试区域中的UAV图像手动识别上述建筑物和相关屋顶类型（图9a）。统计结果表明，适宜建筑占58.8%（适宜系数），钢瓦、平板混凝土、砖屋顶的比例接近2：9：3。我们假设全省的比例都是一样的。此外，在充分利用屋顶资源的情况下，通过计算已安装的光伏板来估计光伏安装的屋顶净面积（图10）。 钢瓦、平板混凝土和砖屋顶的系数为0.68、0.57和0.52，假设覆盖率为1.940m2（0.992 m1.956米）和250瓦的峰值功率是安装. 也就是说，所有适用建筑物的平均安装系数约为74 W/m2。如果将相同的安装方案应用于见图9。可用屋顶资源的校正系数。（a）试验区的航空图像;（b黄色多边形是从无人机图像中手动识别的建筑物足迹，蓝色多边形表示自动分割的结果。H. Jiang等人能源与人工智能10（2022）10018510见图10。不同屋顶适合安装光伏的面积比例。(a)钢瓦屋顶;（b）平坦的混凝土屋顶;以及（c-e）无人机图像中的砖屋顶。红色多边形表示建筑物覆盖区。全省，这意味着总的潜在装机容量245.17千兆瓦。它 应当强调 的 我们的假设可能 导致过度-或低估了装机容量。例如，如果一个地区工业化程度更高（即，钢瓦屋顶的比例更高），则会出现低估;相反，如果一个地区城市化程度较低（即，见图11。江苏省屋顶光伏发电的潜力。（H. Jiang等人能源与人工智能10（2022）10018511砖屋顶的比例较高），则会出现高估。这里的试验区是一个中等发达城市，代表了一个折中的案例。此外，由于缺乏可靠的参考值，无法验证估计的装机容量。在极端情况下（即， 100%钢瓦屋顶或100%砖屋顶），装机容量可能增加（减少）至约291.55 GW（221.98 GW）。4.4. 屋顶光伏发电通过空间叠加分析（将建筑密度依次乘以修正系数、适宜性系数、安装系数和容量系数），了解屋顶光伏技术潜力。为简单起见，我们仅通过乘以年平均容量因子来显示年度结果。我们可以将像素级估计值聚合到任何我们想要的单位中，例如县（图11a）、地级市（图11b）、地区（图11c）和省（图11d）。 与资源潜力的空间格局相比，技术潜力的空间格局发生了很大变化。西北地区太阳能资源丰富，屋顶资源充足，具有很高的技术潜力。东南部地区虽然资源潜力较低，但屋顶资源丰富，技术潜力较高。不同光伏系统的技术潜力各不相同。最佳倾斜光伏系统的年发电量为290.66 TWh，与水平固定系统相比增加了8.50TWh。单轴跟踪系统将年发电量大幅提高至339.90 TWh，而双轴跟踪系统的额外收益非常有限（仅为8.41 TWh）。据指出，类似的比较可以细化到小时尺度和100米的空间分辨率下提出的框架。5. 结论与展望本研究提出了一个利用多源遥感数据估算屋顶光伏技术潜力的框架。在这个框架中，我们使用地球同步卫星图像和深度学习算法来估计太阳能资源潜力，使用高分辨率卫星图像和自动分割模型来识别建筑物足迹，使用无人机图像来确定各种校正因子，并使用基于过程的PV估计器来模拟实际发电量。该框架提供了一个解决方案，具有成本效益，效率高，易于实施，在区域范围内的屋顶光伏潜力的高分辨率地理空间评估。框架的独特性 是其在精确位置和大区域之间或在不同时间尺度上的可扩展性，如江苏省的案例研究所示。此外，在此框架下的评估结果是可信的，例如，计算出的容量因子与仿真 成果 测量站 [44]， 和 估计南京市屋顶面积（360.54km2）与Zhong等人的结果接近。[28]第10段。该框架可以扩展到其他领域的应用程序。在转移应用中，建议使用目标区域的少量样本对建议框架中涉及的深度学习模型进行微调，因为如果目标区域的太阳辐射或建筑物的特征与原始样本区域完全不同，则这些模型的泛化能力会减弱。我们估计中最大的不确定性来自估计装机容量时所作的假设。这种不确定性可以通过结合高光谱遥感来确定屋顶的材料和激光雷达来确定屋顶的几何形状来减轻;然而，这将成倍地增加成本。该框架的局限性还来自于计算资源的巨大消耗。需要专门的设备来支持深度学习模型的密集计算和大遥感数据的处理江苏省屋顶光伏电站潜在装机容量估算全省245.17吉瓦，约为现有总量装机容量（16.83 TWh）。这一差距表明江苏省屋顶光伏的巨大剩余发展潜力如果所有合适的屋顶都安装了最佳倾斜的单晶硅光伏系统，年发电量约为290.66 TWh，相当于2020年全省总用电量（637.37TWh）的45.6%根据中华人民共和国生态环境部发布的中国电力系统排放因子[55]估算，开发这样一个省级屋顶项目意味着减少200，787.9tCO2这突出了屋顶光伏发电的巨大经济和环境效益，特别是在气候变化的背景下。但是，经济潜力和市场潜力的评估涉及技术成本、避免的供应成本、与其他来源的竞争、政策、法律许可、激励措施、社会和文化因素等综合考虑，这在本研究中没有讨论。我们提醒利益相关者在将任何计划变为现实之前进一步考虑这些方面。竞争利益作者声明，他们没有已知的可能影响本文所报告工作致谢本研究得到了国家博士后科学基金（批准号：2021M703176）和南方 海 洋 科 学 与 工 程 广 东 省 实 验 室 引 进 人 才 重 点 专 项 （ 批 准 号 ：GML2019ZD0301）的资助。作者感谢中国气象局提供的地面太阳辐射数据，感谢高知大学提供的在线MTSAT卫星数据，感谢GSEE项目（www.github.com/renewables-ninja/gsee）提供的公开代码。引用[1] WalshB，CiaisP，JanssensIA，P enJumuelasJ，RiahiK，RydzakF，etal. 平衡二氧化碳排放和吸收汇的途径。Nat Commun2017;8：14856.[2] RanL，Butman DE，Battin TJ，Yang X，Tian M，Duvert C，et al. 由于全球变化，中国内陆水域的二氧化碳排放量大幅减少。 Nat Commun2021;12：1730.[3] 高Y，高X，张X. 2 ℃全球温度目标和应对气候变化的长期目标--从《联合国气候变化框架公约》到《巴黎协定》。工程2017;3：272-8.[4] 胡毅，任S，王毅，陈翔.碳排放权交易计划能否实现节能减排？来自中国工业部门的证据能源经济学2020;85：104590。[5] Shan Y，LiuJ，Liu Z，Xu X，Shao S，Wang P，et al. New provincial CO2emissioninventories in China based on apparent energy consumption dataand updatedemission factors.应用能源2016;184：742-50.[6] Chen X，Liu Y，Wang Q，LvJ，WenJ， Chen X，et al.本世纪中叶中国实现碳中和电力系统的途径，负CO2减排成本由高分辨率建模提供信息。Joule2021;5：2715-41.[7] 段海斌，张国平，朱玲，范毅，王世银.光伏太阳能的推广将如何促进中国的排放峰值和气候响应？可再生和可持续能源评论2016;53：1076-85。[8] JoshiS，MittalS，HollowayP，ShuklaPR，O'Gallac ho'irB，GlynnJ. 高分辨率屋顶太阳能光伏发电可再生发电潜力的全球时空评估。 Nat Commun 2021;12：5738.[9] 严俊英，杨勇，坎帕纳PE，何俊杰。中国城市级无补贴太阳能光伏电价、利润和平价上网分析。 Nat Energy 2019;4：709-17.[10] IRENA《2021年可再生能源容量统计》，国际可再生能源署（IRENA）。阿布扎比，2021年。https://www.irena.org/publications/2021/March/Renewable-Capacity-Statistics-2021.[11] vandeVenD-J，Capellan-Per 'ezI，ArtoI，Cazcarro I，deCastroC，Patel P，etal. 的潜在的土地需求和相关的土地使用变化的太阳能排放。Sci Rep-Uk 2021;11：2907.[12] Majumdar D，Pasqualetti MJ.美国亚利桑那州公用事业规模发电厂的土地可用性分析和太阳能光伏发展评估。可再生能源2019;134：1213-31。[13] 姜红，姚丽，陆南，秦军，刘涛，刘勇，等。基于卫星和航空影像的光伏板分割多分辨率数据集。地球系统科学数据2021;13：5389-401.H. Jiang等人能源与人工智能10（2022）10018512[14] Bo'disK，KougiasI，Jüager-WaldauA，TaylorN，Sza bo'S. 欧洲联盟屋顶太阳能光伏潜力的高分辨率地理空间评估。可再生和可持续能源评论2019;114：109309。[15] Kausika BB，Nijmeijer D，Reimerink I，Brouwer P，Liem V. GeoAI，