楊凱迪，李國慶，盧瀟楠

(魯東大學資源與環(huán)境工程學院，煙臺 264025)

關鍵字：光伏電站；歸一化植被指數(shù)；全局莫蘭指數(shù)；局部莫蘭指數(shù)；空間聚集

0 引言

作為新興清潔能源的主要應用形式，光伏發(fā)電的發(fā)展?jié)摿薮?，中國光伏發(fā)電累計裝機容量從2000 年的2600 MW 上升至2015 年的43180 MW，2020 年底已達到25.3 萬MW[1-2]。隨著光伏電站越來越多，其對植被的影響受到越來越廣泛的關注和重視，已有學者通過樣地調(diào)查法來判斷光伏電站對各類型區(qū)植被群落結構的影響。有研究結果表明：光伏組件覆蓋下的植物豐度較低，不利大多數(shù)物種的生長[3-4]；也有研究結果表明：光伏電站為物種豐富的植物群落創(chuàng)造了更好的生存條件，對物種多樣性具有積極影響[5-8]。雖然樣地調(diào)查法獲取的植物種類數(shù)據(jù)準確，但需要消耗大量的人力和物力，且僅能獲取局地樣地的數(shù)據(jù)，無法從整體上評價光伏電站對植被的影響?；诖?，本文以中國西北地區(qū)為研究區(qū)，利用遙感影像數(shù)據(jù)集，并提取研究區(qū)內(nèi)光伏電站在2000、2015、2020年的歸一化植被指數(shù)(normalized difference vegetation index，NDVI)變化情況，從區(qū)域尺度判斷光伏電站對植被空間聚集程度和空間聚集類型的影響，以期為光伏電站下一步建設方向和周圍環(huán)境保護提供借鑒。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

本文選擇中國西北部的新疆維吾爾自治區(qū)、內(nèi)蒙古自治區(qū)、青海省、甘肅省、陜西省和寧夏回族自治區(qū)為研究區(qū)，上述地區(qū)白天的光照時間長，太陽能資源充足，年太陽輻射量均超過1750 kWh/m2[9]，均屬于Ⅲ類及以上太陽能資源區(qū)。同時，上述地區(qū)的植被覆蓋度較低，生態(tài)環(huán)境脆弱，對氣候變化敏感。大范圍的光伏電站建設極易對當?shù)厣鷳B(tài)環(huán)境造成影響，因此探究該研究區(qū)中光伏電站對NDVI 的影響具有示范意義。本文研究區(qū)的地理位置如圖1 所示。

圖1 本文研究區(qū)的地理位置圖Fig.1 Geographical location map of research area in this paper

1.2 數(shù)據(jù)來源

1.2.1 Landsat 8 數(shù)據(jù)來源

本文使用中國境內(nèi)2015、2020 年Landsat 8衛(wèi)星的陸地成像儀(operational land imager，OLI)的遙感影像數(shù)據(jù)集(下文簡稱為“Landsat 8 遙感影像數(shù)據(jù)集”)進行光伏電站范圍的矢量化，Landsat 8 遙感影像數(shù)據(jù)集的情況如表1 所示；2000年之前研究區(qū)范圍內(nèi)分布的光伏電站較少，因此未使用2000 年之前的Landsat 8 遙感影像數(shù)據(jù)集進行光伏電站范圍的矢量化，以2000 年作為大批量光伏電站建設的節(jié)點，用該年的數(shù)據(jù)來代表在無光伏電站影響下的植被空間聚集情況。以上數(shù)據(jù)均來自美國地質(zhì)勘測局(https://glovis.usgs.gov/app)，控制云量在0%～5%之間，共263 景。

表1 2015 和2020 年Landsat 8 遙感影像數(shù)據(jù)集的情況Table 1 Situation of Landsat 8 remote sensing image dataset in 2015 and 2020

1.2.2 NDVI 數(shù)據(jù)來源

本文使用Google Earth Engine 平臺內(nèi)的MODIS MCD43A4 V6 數(shù)據(jù)集( 下文簡稱為“NDVI 數(shù)據(jù)集”)，該數(shù)據(jù)由中分辨率成像光譜儀(MODIS)中的MCD43A4 表面反射率合成，無需下載、預處理和拼接等工作，可以根據(jù)需要在Google Earth Engine 平臺調(diào)用[10]。本文根據(jù)需要獲取了2000、2015 及2020 年的NDVI 數(shù)據(jù)集。

2 研究方法

2.1 光伏電站范圍的獲取

以Landsat 8 遙感影像數(shù)據(jù)集為基礎數(shù)據(jù)，將波段2、波段3、波段4 進行真彩色合成，更利于地物識別。將影像逐幅加載到Arcgis 軟件中進行目視解譯，創(chuàng)建光伏電站范圍矢量圖層。

2.2 NDVI 的獲取

由于研究區(qū)的NDVI 具有明顯的季節(jié)性差異，在非生長季，研究區(qū)大部分地區(qū)的植被覆蓋度較低，使用年均值會均衡掉其在春季和夏季時的峰值，無法較好地判斷植被是否會受到光伏電站的影響。因此，本文采用最大合成法，該方法不僅能夠進一步消除云層和云陰影產(chǎn)生的影響，而且能夠降低因植被物候期引起的植被指數(shù)的波動，削弱該波動對莫蘭指數(shù)(Moran’s I)的影響。

以2020 年為例，最大合成法的常規(guī)計算式可表示為：

式中：NMax(2020)為生長期的NDVI 最大值；a為遍歷研究區(qū)NDVI數(shù)據(jù)集中每一景的遙感影像。

2.3 光伏電站對植被空間聚集程度的影響

運用全局莫蘭指數(shù)(Global Moran’s I)作為判斷植被空間聚集程度的指標，其是由澳大利亞統(tǒng)計學家Patrick Alfred Pierce Moran 開發(fā)，用于分析空間變量的整體分布狀況[11]。全局莫蘭指數(shù)主要用于描述所有的空間單元在整個區(qū)域上與周邊地區(qū)的平均關聯(lián)程度。全局莫蘭指數(shù)I的取值范圍為[-1,1]，“I>0”表示空間正相關性，取值越接近1，表示空間聚集性越高；“I<0”表示空間負相關性，其值越小，表示空間差異越大；“I=0”表示不存在空間聚集性，呈隨機分布。

全局莫蘭指數(shù)的計算式可表示為：

式中：n為研究區(qū)內(nèi)空間單元(本文為光伏電站)的總個數(shù)；zi為要素i(本文為第i個光伏電站)的屬性與其平均值的偏差，即xi–；zj為要素j(本文為第j個光伏電站，i≠j)的屬性與其平均值的偏差，即xj–；wij為要素i、j之間的空間權重，當i、j相鄰時，wij為1，其他情況下wij為0；S0為所有空間權重的集合。

其中，所有空間權重的集合可表示為：

運用全局莫蘭指數(shù)前，需要通過置信度(P值)和Z 標準化的Z-Score 值(Z得分)來進行判定：若P值小于0.05(通過95%置信度檢驗)且Z得分超過臨界值1.65(拒絕零假設設定的閾值)，此時為顯著正相關；若P值小于0.05(通過95%置信度檢驗)且Z得分小于臨界值-1.65，此時為顯著負相關。

本研究的主要目的之一是探究光伏電站對植被空間聚集程度的影響。利用Arcgis 軟件對2000、2015、2020 年研究區(qū)中的光伏電站建立緩沖區(qū)，由于研究區(qū)的NDVI 數(shù)據(jù)集的空間分辨率為500 m，因此本文以光伏電站范圍邊緣為邊界，每隔500 m 建立1 個緩沖區(qū)，光伏電站周圍1500 m 共建立3 個緩沖區(qū)進行研究；然后逐一提取各緩沖區(qū)范圍內(nèi)的NDVI，進行全局莫蘭指數(shù)的計算。以計算結果為依據(jù)，統(tǒng)計各緩沖區(qū)的全局莫蘭指數(shù)、Z得分和P值，以此判斷光伏電站對植被空間聚集程度的影響。

2.4 光伏電站對植被空間聚集類型的影響

全局莫蘭指數(shù)只能從整體上反映光伏電站緩沖區(qū)內(nèi)NDVI 的空間相關性特征，因此，本文進一步利用局部莫蘭指數(shù)(Local Moran’s I)來判斷光伏電站對植被空間聚集類型的影響。局部莫蘭指數(shù)是由Luc Anselin 教授于1995 年提出[12]，要素i的局部莫蘭指數(shù)Ii的計算式可表示為：

1) 當zi>0 時：若則 為 高- 高(high-high，HH)聚集模式；若則為高-低(high-low，HL)聚集模式。2)當zi<0 時：若則為低-高(low-high，LH)聚集模式；若則為低-低(low-low，LL)聚集模式。

利用Arcgis軟件的聚類和異常值分析工具，提取2000、2015、2020 年光伏電站緩沖區(qū)范圍內(nèi)的NDVI，分析其所屬的聚集模式。HH 聚集模式和LL 聚集模式的局部莫蘭指數(shù)均大于零，代表聚集正相關。HH 聚集模式表示高聚集NDVI 地區(qū)被其他高聚集NDVI 地區(qū)包圍，代表植被生長狀態(tài)好；LL 聚集模式表示低聚集NDVI 地區(qū)被其他低聚集NDVI 地區(qū)包圍，代表植被生長狀態(tài)差。HL 聚集模式和LH 聚集模式的局部莫蘭指數(shù)均小于零，代表聚集負相關，屬于聚集異常值。HL 聚集模式表示高聚集NDVI地區(qū)被其他低聚集NDVI 地區(qū)包圍；LH 聚集模式表示低聚集NDVI 地區(qū)被其他高聚集NDVI地區(qū)包圍。

3 結果與分析

3.1 光伏電站對植被空間聚集程度的影響分析

采用Arcgis 軟件中的空間自相關分析工具，分別獲取2000、2015、2020 年研究區(qū)內(nèi)光伏電站3 個緩沖區(qū)的NDVI，進行全局莫蘭指數(shù)計算，結果如表2～表4 所示。

表2 2000 年研究區(qū)中光伏電站不同緩沖區(qū)的全局莫蘭指數(shù)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 年研究區(qū)中光伏電站不同緩沖區(qū)的全局莫蘭指數(shù)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 年研究區(qū)中光伏電站不同緩沖區(qū)的全局莫蘭指數(shù)分析Table 4 Analysis of global Moran’s I in different buffer zones of PV power stations in the research area in 2020

從表2～表4 可以看出：所有緩沖區(qū)的全局莫蘭指數(shù)均大于零，表明該研究區(qū)的NDVI 在空間上均呈正相關，即NDVI 越大或越小越容易聚集[13]；且所有緩沖區(qū)的P值均小于0.01，Z得分非常高，均大于90，說明在光伏電站的3 個緩沖區(qū)范圍內(nèi)，NDVI 存在空間正相關關系，在空間上存在集聚現(xiàn)象。

在2000 年，光伏電站各緩沖區(qū)的全局莫蘭指數(shù)均較低，最高不超過0.782；各緩沖區(qū)的全局莫蘭指數(shù)的變化幅度較小，且變化無規(guī)律，其標準差不超過0.04。在2015 年，光伏電站各緩沖區(qū)的全局莫蘭指數(shù)最低值為0.884，最高值已接近2020年的平均值(0.938)。在2020 年，光伏電站0.0～0.5 km 緩沖區(qū)的全局莫蘭指數(shù)取得最低值，但該值仍遠大于2000 年時各緩沖區(qū)的全局莫蘭指數(shù)最大值，且與此緩沖區(qū)在2000 年的數(shù)據(jù)相比，全局莫蘭指數(shù)增加了0.176，Z得分增加了111.46，說明光伏電站的建設加強了該地區(qū)的植被空間聚集現(xiàn)象。研究區(qū)內(nèi)的全局莫蘭指數(shù)隨光伏電站緩沖區(qū)距離的增加呈現(xiàn)逐漸增加的趨勢。

3.2 光伏電站對植被空間聚集類型的影響分析

利用Arcgis 軟件中的空間聚類與異常值工具，分別獲取2000、2015、2020 年研究區(qū)內(nèi)光伏電站3 個緩沖區(qū)的NDVI，分析所屬的聚集模式。2000、2015、2020 年研究區(qū)的NDVI 聚集模式占比情況分別如圖2～圖4 所示。圖中：聚集模式增加率為當前研究年的數(shù)據(jù)與前一研究年的數(shù)據(jù)相比的增加率。

圖2 2000 年研究區(qū)的NDVI 聚集模式占比情況Fig.2 Proportion of NDVI aggregation patterns in the research area in 2000

由圖2 可知：在2000 年，研究區(qū)內(nèi)光伏電站各緩沖區(qū)的非聚集模式占比均在57%以上，最高不超過69%；HH 聚集模式的占比最高不超過15%；LL 聚集模式的占比均在19%以上，最高不超過22%。

由圖3 可知：在2015 年，研究區(qū)內(nèi)光伏電站各緩沖區(qū)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。與2000 年各緩沖區(qū)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電站0.0～0.5 km 緩沖區(qū)取得最大值。

圖3 2015 年研究區(qū)的NDVI 聚集模式占比情況Fig.3 Proportion of NDVI aggregation patterns in the research area in 2015

由圖4 可知：在2020 年，研究區(qū)內(nèi)光伏電站各緩沖區(qū)的非聚集模式占比均為45%左右，HH 聚集模式的占比最小值為22%，LL 聚集模式的占比均為32%，HL 聚集模式和LH 聚集模式的占比接近0%。與2015 年各緩沖區(qū)的聚集模式增加率相比，2020 年的HH 聚集模式增加率在光伏電站0.0～0.5 km 緩沖區(qū)取得最大值，LL 聚集模式增加率在光伏電站1.0～1.5 km 緩沖區(qū)取得最大值。

圖4 2020 年研究區(qū)的NDVI 聚集模式占比情況Fig.4 Proportion of NDVI aggregation patterns in the research area in 2020

對圖2～圖4 進行對比分析可知：在2000 年，研究區(qū)內(nèi)的NDVI 聚集模式以非聚集模式為主；在2020 年，HH 聚集模式和LL 聚集模式都出現(xiàn)了極顯著的增加，且HL 聚集模式和LH 聚集模式幾乎消失，進一步說明光伏電站促進了植被的空間聚集。因此，光伏電站的建設使NDVI 的非聚集模式減少，HH 聚集模式和LL 聚集模式均增加。

3.3 光伏電站對不同降水量地區(qū)的植被空間聚集類型的影響

由上述研究發(fā)現(xiàn)，光伏電站對周圍植被空間聚集程度的影響主要集中在0.0～0.5 km 緩沖區(qū)內(nèi)，為進一步研究光伏電站在不同降水量情況下對植被空間聚集類型的影響是否存在差異，對光伏電站0.0～0.5 km緩沖區(qū)的年降水量進行分級，對應的地理分區(qū)如表5 所示[14]。

表5 年降水量級別及對應的地理分區(qū)表Table 5 Table of annual precipitation level and corresponding geographical zoning

需要說明的是，在極端干旱區(qū)和干旱區(qū)，NDVI 聚集模式主要為LL 聚集模式和非聚集模式；在半干旱區(qū)和半濕潤區(qū)，NDVI 聚集模式主要為HH 聚集模式和非聚集模式。在此基礎上，進一步統(tǒng)計2000、2015、2020 年光伏電站0.0～0.5 km 緩沖區(qū)各地理分區(qū)的HH 和LL 聚集模式的占比情況，結果如圖5 所示。

圖5 2000、2015、2020 年光伏電站0.0～0.5 km 緩沖區(qū)各地理分區(qū)的HH 和LL 聚集模式占比情況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

由圖5 可以看出：光伏電站的建設使極端干旱區(qū)LL 聚集模式的占比增加，干旱區(qū)LL聚集模式的占比減少，半干旱區(qū)HH 聚集模式的占比增加，半濕潤區(qū)HH 聚集模式的占比減少。因此，在干旱區(qū)和半干旱區(qū)，植被生長狀況有所好轉(zhuǎn)；但在極端干旱區(qū)和半濕潤區(qū)，植被生長狀況可能會惡化。

4 討論

光伏電站的布設會對多種環(huán)境因子造成影響，增加相對濕度和土壤濕度，減小風速和降低土壤溫度[15]，為荒漠地區(qū)植物生長提供了更好的條件，但其也會影響光伏電站布設地區(qū)的陸-氣相互作用和能量平衡；風速的減小還會在一定程度上起到防沙固沙的作用。多重因素促使該區(qū)域的NDVI 向高值聚集，植被生長狀況得以改善。

但在極端干旱區(qū)和半濕潤區(qū)，由于光伏組件對植被的遮蔭作用，可能會導致電站內(nèi)的植被無法獲得充足的光合有效輻射，從而影響植被的生長[16]，使該區(qū)域的NDVI 向低值聚集，但準確原因仍需要進一步考察。

另外，本文選取的研究區(qū)為中國西北地區(qū)的光伏電站，而其他地區(qū)光伏電站對植被空間聚集的影響及影響程度是否與本研究結果一致還需要進一步的研究。

5 結論

本文以中國西北地區(qū)作為研究區(qū)，利用Landsat 8 遙感影像數(shù)據(jù)集對研究區(qū)內(nèi)光伏電站范圍進行矢量化，并結合研究區(qū)內(nèi)光伏電站在2000、2015、2020 年的NDVI 情況，從區(qū)域尺度判斷光伏電站對植被空間聚集程度和空間聚集類型的影響，得出以下結論：

1)與2000 年和2015 年的數(shù)據(jù)相比，2020年光伏電站各緩沖區(qū)的全局莫蘭指數(shù)出現(xiàn)增加現(xiàn)象，且在0.0～0.5 km 緩沖區(qū)內(nèi)的聚集效果明顯，其余緩沖區(qū)的聚集效果微弱，所以光伏電站會使其周圍地區(qū)的植被空間聚集程度增大。

2)光伏電站的建設使NDVI 的非聚集模式減少，高-高(HH)聚集模式和低-低(LL)聚集模式均增加，因此光伏電站會促進其周圍地區(qū)的NDVI 向高值和低值聚集。

3)光伏電站0.0～0.5 km 緩沖區(qū)內(nèi)，在干旱區(qū)和半干旱區(qū)，光伏電站起到正向生態(tài)作用；在極端干旱區(qū)和半濕潤區(qū)，光伏電站卻起到負向生態(tài)作用。因此在研究大型集中式光伏電站對植被的影響時，需要考慮下墊面的差異。