2024, Vol. 16
随着城镇化进程加速，耕地资源的紧缺和环境问题的显现使人们对于地铁、垂直农场、农光互补等土地立体化利用方式的探索逐渐增多 [1]。为解决光伏建设与农业生产竞争土地的问题，农光互补技术开创性地将光伏发电与农业开发、生态修复及资源合理利用相结合，实现了土地的立体化、增值化利用。光伏种植作为农光互补系统中最早开发的农光互补形式 [2]，它以“板上发电、板下种植”的“光伏+ 农业”新模式，达到了能源发电效益与生态产品收益的双赢。然而，电站建设破坏了原有的植被覆盖和土壤表面结构，光伏组件的存在改变了地表反照率、风场、气温、湿度等局地气候 [3]。在组件遮阳强度、区域气候条件、作物耐荫机制与发育阶段等多个因素的综合影响下，农光互补系统中作物的产量和质量会呈现出不同的变化。例如，Marrou等 [4]指出光伏板同时减少了光照和作物的水分蒸散量，使生菜产量增加、黄瓜产量下降。Amaducci等 [5]则发现光伏阵列减少了土壤蒸发，从而对干旱年份的玉米产量产生正效应。因此，为了平衡作物种植和光伏发电，作物生产力成为研究农光互补系统中光伏组件架设方式和作物选择的重要评价标准 [6]。在此背景下，迫切需要对农光互补电站的植被长势进行长期动态监测，以深刻理解电站环境影响，确保作物稳定生产，推动农光互补技术进步。
20世纪60年代初，遥感技术因其在土地利用监测、植被物候监测等方面的优势快速兴起，对植被覆盖度的估算也从地面实测发展到以遥感数据计算为主。其中，归一化差值植被指数（normalized difference vegetation index，NDVI）在植被遥感中应用最为广泛。与过去依赖大量人力及时间成本进行生物量采样的实地调查方式 [7, 8]、依赖区域气候条件进行农光系统模拟试验、作物产量建模预测的方式 [6, 9]相比，卫星技术因其高度自动化和全球性覆盖的特点为电站植被监测提供了更为经济、高效、广泛的实证研究手段。已有研究利用Landsat、MODIS等植被数据产品评估电站建设对植被的影响 [3, 10, 11]，但并未考虑在开源遥感卫星数据集相对粗糙的空间分辨率下，电站地表构型的异质性和混合像元的存在使卫星影像难以实现局域尺度上农光互补电站内碎片化种植的作物状况精准监测 [12]。近年来，无人机（Unmanned Aerial Vehicle，UAV）以其图像空间分辨率高、机动性强、不受云干扰、成本低等优点广泛应用于农作物长势评估、健康监测等领域 [13]。UAV的超高空间分辨率使其能够精确捕捉到植被斑块的格局和变化，克服了卫星像元与地面样方数据之间的尺度差异，并与地面数据具有更好的相关性 [14]。但UAV数据不如卫星影像覆盖范围广、周期性覆盖成本低，以及缺乏历史年份数据的回溯性，要实现大规模、长时间序列监测的可能性仍然有限。
因此，已有学者开展了探索UAV与卫星影像植被反演关系的相关研究，以期实现二者的优势互补，以便更好地拓展应用于不同场景。例如，有学者对比了UAV和WorldView-2卫星在火灾后大型异质区域的NDVI数据，证实UAV相较于卫星影像更能反映小植被斑块的空间格局 [15]。在苔原植被监测中，Assmann等 [16]测试了UAV与Sentinel-2、Landsat-8和MODIS卫星对植被状况的动态捕捉能力，实现了UAV与卫星NDVI数据的尺度匹配（R2= 0.58~ 0.69）；Riihimäki等 [17]指出利用多样点UAV数据训练卫星数据以监测更大范围苔原植被的可能性。Berra等 [18]基于单个树木和林地尺度比较了UAV和Landsat卫星观测春季物候的结果，发现二者的拟合系数在落叶区更高，但总体线性关系不佳（R2 < 0.50）。但在Fawcett等 [19]对玉米田的监测案例中，其观察到农业系统中UAV与Sentinel-2卫星较高水平的NDVI线性一致性（R2 = 0.91）。彭梓励等 [20]将UAV升尺度应用至Sentinel-2影像，实现了冬小麦各关键生育时期的协同监测。然而，现有研究主要集中于UAV与卫星影像在对大范围异质区域或单一植被类型（如苔原、森林、农作物等）长势监测方面的对比和协同，关于二者在局域尺度上针对复杂植被状况的协同监测并拓展到区域应用的研究相对较为有限。
本研究利用UAV超高分影像对浙江省内典型农光互补电站的植被状况进行了评价，定量比较了UAV与Sentinel-2 MSI、Landsat-8/9 OLI三类传感器对电站植被的探测能力，首次建立了适用于农光互补电站的UAV与卫星影像NDVI数据的高精度转换方程，同时验证了转换方程在浙江省内的可迁移性，为利用卫星影像对光伏电站区域植被状况的精确评估与拓展应用提供了更多可能性。
1 研究区概况、数据来源与处理 1.1 研究区概况研究区域位于我国浙江省，是典型的亚热带季风气候区，多年平均气温15~ 18℃，年均太阳辐射量4825.6 MJ/m2，平均日照时数1710~ 2100 h，平均植被覆盖度达76.7%[21]。同时电力需求广泛，2022年累计用电量达到5799 TW · h，位列全国第四；能源转型迫切，截至2022年底光伏发电累计并网容量2539万kW，位列全国第三，是我国最早的清洁能源示范省之一 [22]。本研究选取了4个典型的农光互补地面电站作为研究对象，分别是位于温州市的正泰乐清150兆瓦电站（121°0′30′′E~ 121°2′30′′E，28°6′30′′N~ 28°8′30′′N；以下简称乐清电站）、位于衢州市的正泰江山200兆瓦电站（118°30′0′′E~ 118°32′30′′E，28°30′0′′N~ 28°33′30′′N；以下简称江山电站）、位于丽水市的浙能松阳35兆瓦电站（119°22′30′′E~ 119°24′0′′E，28°34′0′′N~ 28°35′30′′N；以下简称松阳电站）以及位于绍兴市的南能诸暨18兆瓦电站（120°23′0′′E~ 120°24′0′′E，29°44′0′′N~ 29°45′30′′N；以下简称诸暨电站），涉及的土地利用类型共17种，涵盖了“光伏+”和一般类型（图 1）。其中，“光伏+”类型包括光伏+ 水稻、光伏+ 茶园、光伏+ 苗木、光伏+ 中药等，一般类型包括撂荒地、林地、水域等。四个电站中，乐清和江山电站均属于省内大型农光电站，乐清电站面积约为300hm2，原土地利用类型为滩涂盐碱地，板下作物为水稻；江山电站面积约为420 hm2，位于荒山坡，原土地利用类型以林地为主，板下作物为油茶和蔬菜，并在部分地块养殖了鸡、鸭、鹅等家禽。松阳电站面积约为70 hm2，原始土地利用类型为耕地，板下作物主要为茶树和景观苗木；诸暨电站面积约为40 hm2，原始土地利用类型为林地，板下作物为中药材。
|
图 1 研究区域概况 注： 该图基于中华人民共和国民政部网上政务服务平台下载的审图号为GS（2022）1873的标准地图制作，底图无修改。（a）~（f）为长兴、淳安、江山、诸暨、乐清、松阳农光互补电站的土地利用类型分布图；（g）~（r）为电站内不同农业种植模式的实地拍摄照片。 |
此外，方法可迁移性的验证区分别是位于湖州市的浙能长兴84兆瓦农光互补地面电站（119°33′0′′E~ 119°35′30′′E，30°52′30′′N~ 30°56′0′′N；以下简称长兴电站）和位于杭州市的明禺淳安20兆瓦农光互补地面电站（118°48′0′′E~ 118°48′30′′E，29°48′10′′N~ 29°48′40′′N；以下简称淳安电站）。长兴电站面积约为167 hm2，原土地利用类型为耕地，板下作物以茶树和苗木为主。淳安电站面积约为45 hm2，原土地利用类型为林地，板下作物主要为苗木。六个电站均于2018年前并网发电，现已基本实现板上清洁发电、板下高效种植的农光互补模式。
1.2 数据获取及预处理UAV影像数据由大疆精灵4多光谱版（DJIPhantom 4 Multispectral，P4M）四旋翼无人机于晴朗、稳定的天气条件下按照设定航线自主、低空摄制，其搭载了6个CMOS（complementary metal oxide semiconductor）影像传感器（包括5个用于多光谱成像的单色传感器和1个用于可见光成像的彩色传感器）。UAV飞行高度设置为180 m，飞行速度15 m/s，航向重叠度75%，旁向重叠度60%。其中每幅多光谱图像的分辨率为1600像素× 1300像素，单次分别采集乐清、江山、松阳和诸暨电站数据图像2848幅、7215幅、944幅和374幅，长兴和淳安电站2213幅和340幅。对获取的UAV多光谱图像利用大疆公司开发的测绘软件大疆智图进行暗角补偿、几何校正、辐射校正与影像镶嵌，并同步以固定反射率为25%、50%、75% 的灰板原始图像进行辐射定标。通过对近红外和红光波段图像做配准处理，并校准相同光源条件下不同波段间的相机图像信号值和传感器感光信号值的差异，计算得到地面分辨率为0.1m的研究区UAV NDVI数据，具体公式如下 [23]：
|
(1) |
式中，NIRcam和Redcam为UAV近红外波段和红光波段的图像信号值；NIRLS和RedLS为UAV近红外波段和红光波段光强传感器的感光信号值；pcamNIR、pLSNIR和pcamRed、pLSRed分别为UAV近红外波段和红光波段的相机和传感器信号值校准参数。
基于UAV的一期生长季数据，尽可能获取了同期Sentinel-2和Landsat-8/9的遥感影像，以保证三类数据植被特征的一致性。各遥感卫星影像数据均下载自地球科学云平台（AI Earth）[24]，不同影像的参数如表 1所示。获取的Sentinel-2数据为已经辐射校正、几何精校正、卷云与大气纠正的Level-2A产品，Landsat数据为已经辐射定标、几何校正、大气校正的Collection2 Level2产品。使用ENVI5.3软件对Sentinel-2数据进行波段运算并将结果输出为ENVI格式，使用ArcGIS Pro3.1软件采用最近邻法配准Landsat相应波段并进行波段运算，最终裁剪得到研究区卫星NDVI数据。NDVI计算公式如下 [25]：
|
表 1 不同影像的参数比较 |
|
(2) |
式中，NIRref和Redref分别为近红外波段和红光波段的地表反射率。
2 研究方法本研究首先基于预处理后的UAV可见光影像进行样区标注；其次利用UAV NDVI影像对站内不同土地利用的植被状况进行差异分析，并对UAV与卫星影像在样区和全域尺度上的NDVI统计特征值进行差异分析；再对UAV NDVI影像以卫星像元大小为网格单元提取NDVI均值，并将对应的UAV均值与卫星像元值进行回归分析，得到卫星NDVI数据的最优转换方程；最后在不同验证电站中应用转换方程，分析转换方程的可迁移性（图 2）。
|
图 2 技术路线 |
首先，根据实地调研将四个电站划分为17个不同土地利用样区（图 1），并在0.1 m UAV影像上进行矢量标注。因面积最小的诸暨电站水域样区仍包含58万个UAV像元难以直接运算分析，故在每个样区内随机选取了10 000个UAV像元，每个像元间的最小距离控制在像元大小的两倍（0.2 m）以上，并对各样区内的NDVI像元值进行差异的显著性检验。其次，分析了在两类卫星影像上各样区的NDVI差异性以便后续影像的比较。最后，计算UAV影像上各样区的NDVI均值、标准差和动态范围。
2.2 不同影像的NDVI特征由于三类影像的空间分辨率各不相同，UAV与卫星影像的NDVI像元值无法进行一一对应比较，因此以样区为分析单元比较三类影像的NDVI特征参数。由于Sentinel-2影像的分辨率介于UAV和Landsat之间，因此统计了每个样区内Sentinel-2影像的像元个数，并按照20% 的比例在各个样区内随机创建了样本点，总计20 328个。每个样本点的最小距离控制在了4 m（光伏组件在影像中的投影宽度）以上。将三类影像的NDVI数据提取至对应样本点后进行各影像NDVI的显著性检验。最后统计三类影像上各样区的NDVI特征值。
2.3 多源NDVI的转换方程为实现多源数据的协同应用，同时降低尺度差异带来的影响，分别以两类卫星影像的像元大小和空间位置为基准创建对应尺度的网格单元，并计算每个网格内UAV影像的NDVI均值。基于3.2中创建的样本点，对每个样本点所对应的卫星影像以及UAV网格单元的NDVI数值进行回归分析筛选最优方程。以拟合优度（R2）和均方根误差（root mean square error，RMSE）评估其拟合程度及模拟精度 [26]。
|
(3) |
|
(4) |
式中，Xi为应用拟合方程后的NDVI模型预测值；Ui为UAV网格单元的NDVI样点值；U为UAV网格单元的NDVI样本均值；N为样本个数。
最后，对R2和RMSE分别与各土地利用类型的面积、NDVI均值、光伏组件的搭建与否进行了相关性检验，探究影响不同影像NDVI拟合的因素。
2.4 转换方程可迁移性的验证为验证转换方程的可迁移性，本研究选取了与建模区电站没有空间关联的长兴和淳安电站一期生长季影像。基于两个电站随机选取的样本点，利用2.3节所得的电站全域转换方程对卫星影像数据进行修正。分别比较各样区的卫星影像原始数据（原始值）、应用转换方程修正后（修正值）以及回归分析后（拟合值），与UAV的影像间平均相对误差（mean relativeerror，MRE）；最后对这四类数据进行显著性检验以评估转换方程的有效性。MRE计算公式如下 [27]：
|
(5) |
式中，Xi分别为原始卫星影像的NDVI样点值（原始值）或应用转换、拟合方程后的NDVI模型预测值（修正值、拟合值）；Ui为UAV网格单元的NDVI样点值（网格均值）。
3 结果与分析 3.1 不同土地利用类型的NDVI特征值差异基于UAV影像，除乐清电站中养殖光伏区和水域、水稻光伏区和撂荒地区的NDVI差异不显著以外，其余电站内所有样区植被状况具有显著差异（P < 0.05）（图 3）。从电站全域来看，诸暨电站NDVI均值最高（0.67），江山电站次之（0.49），乐清电站均值最低（0.30）；江山电站标准差最大（0.32），诸暨电站则最小（0.27）。这表明江山电站不仅植被茂盛，还因复合种植作物而表现出最大的空间异质性。在空间分布上，诸暨和江山电站因建设在林地上，在UAV影像上呈现出大面积的NDVI高值信号，松阳和乐清电站则主要呈现NDVI低值信号（图 4）。结合图 3和4的土地利用来看，林地区的NDVI均值最大（0.83）、呈现出高值信号，标准差最小（0.07）；水域的NDVI均值普遍最小、接近于0，表现出低值信号，而标准差偏大。但乐清电站的水域在夏季发生水华现象导致了河道区域出现NDVI高值信号，NDVI均值高达0.22，标准差在所有样区中最大（0.42）。而光伏区因受光伏组件对植被信号的影响在NDVI空间分布上呈现条带状，站内不同作物光伏区NDVI均值和标准差均较为接近。
|
图 3 不同土地利用类型的NDVI特征 注： 不同小写字母表示差异显著，P < 0.05；乐清电站的水域因有水华现象导致NDVI > 0。 |
|
图 4 基于UAV的电站NDVI空间分布 |
对比同一种种植类型在光伏区与非光伏区的NDVI发现，水稻、茶园光伏区的板间均值（0.47、0.54）分别低于站内的水稻区（0.54）和茶园区（0.68）；但撂荒地光伏区板间均值（0.28）则略高于站内撂荒地区（0.21），表明光伏组件可能会对作物的生长环境产生负影响，但却有利于撂荒地植被的恢复。可见，光伏组件的遮蔽会影响茶树以及处于生长和成熟期的水稻的光合作用过程，可能导致其减产 [28, 29]。然而，光伏组件通过聚集降水、缓解蒸发速率以及调节土壤和空气温度等方式，可以为板间自然植被的生长提供有利条件 [30]，使植被长势优于板外。总体而言，光伏组件对植被的影响因植被特性、组件排列和小气候的异质性而有所差异。对比不同种植类型在光伏区的板间均值可知，松阳电站三种作物光伏区的板间均值（0.54 ~ 0.61）均显著高于站内撂荒地光伏区（0.28），说明农光互补的土地利用方式显著提高了土地生产力，兼顾了生态修复及土地资源增值利用。此外，水稻和茶园区的NDVI标准差（0.21、0.25）分别低于水稻和茶园光伏区（0.28、0.31），表明光伏组件明显提高了地物空间异质性。
3.2 多源影像中不同土地利用类型植被特征规律在17个样区中，除乐清电站的水域、江山电站的养殖光伏区、松阳电站的林地和居民区，以及诸暨电站的居民区以外，其余样区三类影像的植被信息均表现出显著不同（P < 0.05）（表 2）。比较表 2动态范围发现，三类影像的动态范围最大值多位于水域，最小值则多位于林地区，在各类样区中，UAV的最大动态范围（1.85）显著高于Sentinel-2和Landsat-8/9的动态范围最大值（0.71、0.58）。由图 3比较影像均值来看，松阳电站的水域和撂荒地区在卫星影像中的NDVI均值相等，在Sentinel-2上均为0.13，在Landsat-8上为0.16；但在UAV影像上表现出显著差异，分别为0.04和0.21，更贴近实际情况。除水域样区外，卫星影像倾向于低估NDVI数值，特别是对于植被覆盖度很高的林地区，影像间的NDVI均值差异最高达到了0.49。从标准差来看，UAV的NDVI标准差显著高于卫星影像，尤其在光伏区内二者差距更大，差值普遍超过0.20。在相同种植类型的光伏区与非光伏区中，UAV影像上的光伏区NDVI标准差比非光伏区高0.06左右；但在Sentinel-2和Landsat-8/9上则没有显著差异，且光伏区标准差均低于非光伏区。这表明UAV能够分辨出卫星影像无法区分的小尺度土地覆盖斑块，并更好地捕捉到NDVI的空间异质性。可见UAV的NDVI统计特征值均显著高于Sentinel-2和Landsat-8/9，其传感器探测植被信号的能力最敏感，所获取的地物分散性最高、信息量最大。仅就两类卫星影像而言，Sentinel-2的统计特征值普遍略高于Landsat-8/9，说明其传感器探测植被信号的能力略强于Landsat-8/9。
|
|
表 2 三类影像的NDVI动态范围及差异显著性 |
各电站、各影像的散点分布特征较为一致，大部分都在1∶ 1线的上方（图 5）。相比于Sentinel-2，Landsat-8/9所对应的NDVI分布范围更集中、回归线斜率更高，说明其在获取光伏电站区域植被信息能力上较为不足。当卫星影像的NDVI > 0.20时，随着数值的增加，UAV数据普遍大于卫星影像数据；而当NDVI < 0时，UAV数据则偏小于卫星数据。各转换方程的拟合优度R2均大于0.70，RMSE均小于0.11，说明所得的转换方程具有良好的拟合程度。由图 5（a）和 （b）可见，UAV与Sentinel-2影像的NDVI线性拟合程度较高（R2= 0.86，RMSE = 0.10），明显高于Landsat-8/9的拟合优度和精度（R2= 0.76，RMSE = 0.11）。表明对于空间异质性大的光伏电站植被研究，Sentinel-2具有更好的反演效果，转换方程U NDVI = 1.77 × SNDVI - 0.06可以有效提升卫星传感器探测植被状况的准确性。通过比较UAV NDVI数据与应用转换方程后的Sentinel-2反演结果，可见在卫星像元尺度上，经转换后的Sentinel-2与UAV的数值一致性明显提升，并能更好地反映植被的空间分布特征（图 6）。对于高值光伏区、光伏板外区等植被长势较茂盛的区域，提升效果更为显著。
|
图 5 UAV与Sentinel-2和Landsat-8/9的NDVI散点 注： 虚线为1:1基准线，实线为拟合线；UNDVI、SNDVI、LNDVI分别代表NDVI拟合值、Sentinel-2的NDVI值和Landsat-8/9的NDVI值; （a）（c）（e）（g）（i）为UAV与Sentinel-2的NDVI散点图；（b）（d）（f）（h）（j）为UAV与Landsat-8/9的NDVI散点图 |
|
图 6 NDVI转换方程的应用对比示意 注： Sentinel-2 10 m_modified为经转换方程修正后的NDVI示意 |
对于各样区，Sentinel-2的R2以乐清电站撂荒地区（0.91）最高，江山电站林地区（0.17）最低。RMSE以松阳电站撂荒地光伏区（0.03）最小，江山电站水域（0.16）最大。相关性检验结果显示，R2与样区面积和光伏组件搭建与否无相关（皮尔逊相关系数r = - 0.01，P < 0.05；相关比率Eta2 = 0.003）；而与样区NDVI均值呈中等负相关（r = -0.39，P < 0.05）。RMSE与面积大小无关（r = -0.01，P < 0.05），与样区NDVI均值和光伏组件搭建与否呈弱相关（r = 0.12，P < 0.05；Eta2 = 0.09），这与前人对比监测常绿植被物候的研究结果较为类似 [18]，说明密集植被区可能会降低电站全域NDVI转换方程的整体拟合程度，并影响转换方程的系数。
3.4 转换方程的可迁移性在验证的两个电站中，除水域外其他样区的卫星NDVI数据经转换方程修正后与UAV影像间MRE均有所下降（表 3）。从土地利用来看，卫星与UAV影像间的MRE在水域和林地区最大。转换方程显著降低了林地区在影像间的MRE，扩大了水域的MRE，但水域并非农光互补电站主要的土地利用类型。具体而言，林地区在Sentinel-2与UAV间的MRE降低了0.27，在Landsat-8/9上分别减小了0.44和0.38；光伏区则在Sentinel-2与UAV间降低了0.13~ 0.15，在Landsat-8/9上减小了0.22~ 0.31，均接近于拟合后结果。从影像源来看，除淳安电站外，Sentinel-2 NDVI修正值在长兴以及长兴与淳安电站全域中，与UAV网格均值、Sentinel-2拟合值均没有差异；而Landsat-8/9的修正值与UAV网格均值表现出显著差异（P < 0.05）（图 7）。尽管如此，修正后的卫星NDVI数据与原始值均具有显著差异，其均值、中位数和最值相较于原始卫星数据均有明显提升，并与UAV真值接近，表现出较强的适用性。因此，综合表 3和图 7来看，转换方程在很大程度上提高了影像数据间的一致性、提升了卫星数据的准确性，并接近于拟合效果；尤其是Sentinel-2的转换方程在两个电站整体区域中表现出更好的空间可迁移性。
|
|
表 3 长兴和淳安电站三类影像的平均相对误差 |
|
图 7 注：Sentinel-2 10 m_modified为经转换方程修正后的NDVI示意 注： 不同小写字母表示差异显著，P < 0.05。 |
本研究涵盖了浙江省内不同的电站原始土地利用和典型光伏区农业种植类型，首次利用UAV影像对光伏电站中不同土地利用类型植被长势进行了精准评估，定量比对了UAV与卫星影像反演植被状况的能力。本研究所构建的NDVI最优转换方程突破了UAV和卫星在植被监测时各自的局限性，兼顾了遥感数据在局域尺度的时空分辨率，实现了浙江省内光伏电站植被长势的高效率、精准动态监测。这不仅有助于实现电站植被的有效管理，同时也为电站的生态修复和农业管理提供了有力的技术支撑。与已有研究相比，本研究提出的数据融合模型不再局限于单一植被或作物品种 [31, 32]，适用于空间异质性大的区域性植被状况反演。基于转换方程优化后的NDVI数据可以有效替代在农光互补电站生态产品价值核算中传统的地面采样法和有限的研究区域 [33]；可为电站选址适宜性评价的环境指标提供更为科学的参考依据 [34]；在电站的碳减排和碳排放研究中，可以引入更准确的植被碳储量数据来完善电站的全生命周期评估 [35, 36]，以扩展中高分辨率卫星影像对电站生态效益评估中更多的应用场景。
不同空间分辨率直接影响传感器对细微地物特征的探测能力以及光谱信息的精准度和全面性 [37]，对植被健康状况的分析至关重要。同时，由于不同斑块大小和地物类型对植被指数的影响是非线性的，土地覆盖或地形的改变，尤其是非植被表面如光伏组件的存在可能影响不同尺度上测量的植被指数之间的一致性 [17]。在农光互补电站中，光伏组件和不同作物均产生了极为复杂的地物空间异质性，在卫星影像中形成了复杂的混合像元，不同空间分辨率影像对混合地物信号敏感程度不同 [38]导致植被信息的差异。因此，对于空间异质性大、植被分布碎片化的电站植被监测，超高分辨率的UAV更具优势。此外，光伏组件的光谱与水体、建筑等地物的阴影相似 [39]，这可能是卫星影像低估光伏电站NDVI的原因之一。从传感器的光谱响应函数来看，UAV传感器在红光波段（0.60 ~ 0.76 μm）的光谱下限与Landsat-9 OLI相近，但上限与Sentinel-2B MSI类似；在近红外波段（0.78~ 2.53 μm）的光谱响应强度较低，但其中心波长位置（0.84 μm）与Sentinel-2B MSI（0.83 μm）近似（图 8）。同时已有研究指出波段组合的方法也会改变植被指数对光谱值变化的灵敏度 [40]，且NDVI存在一定程度的角度效应，UAV与卫星获取数据时太阳天顶角的差异可能是造成二者不一致的另一因素。因此，传感器特性、地物特征和植被指数的选取均可能影响影像植被信息的一致性。
|
图 8 UAV与Sentinel-2B和Landsat-9的光谱响应函数 |
考虑到浙江省外生态系统的空间异质性，本研究的技术方法可以拓展应用到浙江省外，不过建立的转换方程系数需要结合省外数据进行本地化调整。后续可对更多区域和更多类型的电站植被进行时间序列上的研究，采用UAV搭载激光雷达补充电站植被高度信息，使用不同植被指数完善度量指标，利用实测数据补充板下数据，从而基于空天地多源融合数据和优化模型方法，实现中高分辨率卫星影像对局域尺度复杂植被状况的精准反演。
4.2 结论经过辐射校正的UAV数据表现出高精度、高真实性、高可信度的特点，能准确反映农光互补电站的空间异质性及不同土地利用类型的植被状况差异。同时，本研究发现农业种植对提升光伏电站区域内的NDVI具有重要意义。对比分析浙江省电站的UAV与Sentinel-2、Landsat-8/9同期影像发现，卫星与UAV影像所对应的植被指数的均值、标准差和动态范围均存在较大的差异，UAV在整体和分区尺度上的植被探测能力均显著优于卫星影像。UAV和Sentinel-2的NDVI具有极显著的线性正相关关系，构建得到的NDVI转换方程可以实现电站全域植被指数的高精度不同尺度转换（R2 = 0.86，RMSE = 0.10），对浙江省区域内各类农光互补电站均具有较好的适用性。因此，在局域研究时应优先采用空间分辨率更高的Sentinel-2影像数据，同时可以利用更高精度的数据进行建模和定量转换以提升中高分辨率卫星影像对各区域尺度植被状况的评估能力。
| [1] |
WALSTON L J, BARLEY T, BHANDARI I, et al. Opportunities for agrivoltaic systems to achieve synergistic food-energy-environmental needs and address sustainability goals[J]. Frontiers in sustainable food systems, 2022, 6: 932018. DOI:10.3389/fsufs.2022.932018 |
| [2] |
王玲俊, 陈健. 光伏与农业结合的相关研究综述[J]. 安徽农业科学, 2021, 49(18): 18-21, 29-29. |
| [3] |
ZHANG X H, XU M. Assessing the effects of photovoltaic powerplants on surface temperature using remote sensing techniques[J]. Remote sensing, 2020, 12(11): 1825. DOI:10.3390/rs12111825 |
| [4] |
MARROU H, DUFOUR L, WERY J. How does a shelter of solar panels influence water flows in a soil-crop system?[J]. European journal of agronomy, 2013, 50: 38-51. DOI:10.1016/j.eja.2013.05.004 |
| [5] |
AMADUCCI S, YIN X Y, COLAUZZI M. Agrivoltaic systems to optimise land use for electric energy production[J]. Applied energy, 2018, 220: 545-561. DOI:10.1016/j.apenergy.2018.03.081 |
| [6] |
WESELEK A, EHMANN A, ZIKELI S, et al. Agrophotovoltaic systems: applications, challenges, and opportunities. A review[J]. Agronomy for sustainable development, 2019, 39(4): 35.
|
| [7] |
ADEH E H, SELKER J S, HIGGINS C W. Remarkable agrivoltaic influence on soil moisture, micrometeorology and water-use efficiency[J]. PLoS one, 2018, 13(11): e0203256. DOI:10.1371/journal.pone.0203256 |
| [8] |
周金莺, 金建峰, 魏宇帆, 等. 农业光伏电站综合效益评估研究——以浙江某150兆瓦项目为例[J]. 中国环境管理, 2023, 15(1): 127-136. DOI:10.16868/j.cnki.1674-6252.2023.01.127 |
| [9] |
ELAMRI Y, CHEVIRON B, LOPEZ J M, et al. Water budget and crop modelling for agrivoltaic systems: application to irrigated lettuces[J]. Agricultural water management, 2018, 208: 440-453. DOI:10.1016/j.agwat.2018.07.001 |
| [10] |
ZHANG X H, XU M, WANG S J, et al. Mapping photovoltaic power plants in China using Landsat, random forest, and Google Earth Engine[J]. Earth system science data, 2022, 14(8): 3743-3755. DOI:10.5194/essd-14-3743-2022 |
| [11] |
XIA Z L, LI Y J, ZHANG W, et al. Solar photovoltaic program helps turn deserts green in China: evidence from satellite monitoring[J]. Journal of environmental management, 2022, 324: 116338. DOI:10.1016/j.jenvman.2022.116338 |
| [12] |
张鹏, 胡守庚. 地块尺度的复杂种植区作物遥感精细分类[J]. 农业工程学报, 2019, 35(20): 125-134. |
| [13] |
MORIYA É A S, IMAI N N, TOMMASELLI A M G, et al. Detection and mapping of trees infected with citrus gummosis using UAV hyperspectral data[J]. Computers and electronics in agriculture, 2021, 188: 106298. DOI:10.1016/j.compag.2021.106298 |
| [14] |
SIEWERT M B, OLOFSSON J. Scale-dependency of Arctic ecosystem properties revealed by UAV[J]. Environmental research letters, 2020, 15(9): 094030. DOI:10.1088/1748-9326/aba20b |
| [15] |
FERNÁNDEZ-GUISURAGA J M, SANZ-ABLANEDO E, SUÁREZ-SEOANE S, et al. Using unmanned aerial vehicles in postfire vegetation survey campaigns through large and heterogeneous areas: opportunities and challenges[J]. Sensors, 2018, 18(2): 586. DOI:10.3390/s18020586 |
| [16] |
ASSMANN J J, MYERS-SMITH I H, KERBY J T, et al. Drone data reveal heterogeneity in tundra greenness and phenology not captured by satellites[J]. Environmental research letters, 2020, 15(12): 125002. DOI:10.1088/1748-9326/abbf7d |
| [17] |
RIIHIMÄKI H, LUOTO M, HEISKANEN J. Estimating fractional cover of tundra vegetation at multiple scales using unmanned aerial systems and optical satellite data[J]. Remote sensing of environment, 2019, 224: 119-132. DOI:10.1016/j.rse.2019.01.030 |
| [18] |
BERRA E F, GAULTON R, BARR S. Assessing spring phenology of a temperate woodland: a multiscale comparison of ground, unmanned aerial vehicle and Landsat satellite observations[J]. Remote sensing of environment, 2019, 223: 229-242. DOI:10.1016/j.rse.2019.01.010 |
| [19] |
FAWCETT D, PANIGADA C, TAGLIABUE G, et al. Multi-scale evaluation of drone-based multispectral surface reflectance and vegetation indices in operational conditions[J]. Remote sensing, 2020, 12(3): 514. DOI:10.3390/rs12030514 |
| [20] |
彭梓励, 马丽娟, 郭曾辉, 等. 星机协同的冬小麦长势遥感监测研究——以陕西省咸阳市为例[J]. 麦类作物学报, 2023, 43(12): 1616-1628. |
| [21] |
宋立旺, 邓健, 王伟民, 等. 基于MODIS数据的浙江省植被覆盖度时空变化分析[J]. 长江科学院院报, 2021, 38(5): 40-46. |
| [22] |
李跃, 邓心月, 李鑫雨. 清洁能源示范省政策的碳减排效应研究——以浙江省为例[J]. 能源与环境, 2022(3): 89-91. |
| [23] |
大疆创新. 精灵4多光谱版图像处理指南v1.0[EB/OL]. (2020-07-17)[2023-07-15]. https://www.dji.com/cn/downloads/products/p4-multispectral.
|
| [24] |
地球科学云平台. 数据检索[EB/OL]. (2022-09-23)[2023-07-14]. https://engine-aiearth.aliyun.com/#/.
|
| [25] |
MIURA T, HUETE A, YOSHIOKA H. An empirical investigation of cross-sensor relationships of NDVI and red/near-infrared reflectance using EO-1 hyperion data[J]. Remote sensing of environment, 2006, 100(2): 223-236. DOI:10.1016/j.rse.2005.10.010 |
| [26] |
张世强. 曲线回归的拟合优度指标的探讨[J]. 中国卫生统计, 2002, 19(1): 9-11. |
| [27] |
梁进社, 张华. 土地利用变化遥感监测精度评价系统——以随机抽样为基础的方法[J]. 地理研究, 2004, 23(1): 29-37. |
| [28] |
陈家铭, 吴淑华, 曾兰亭, 等. 遮阴对茶叶品质和产量影响研究进展[J]. 中国茶叶, 2021, 43(5): 1-10. |
| [29] |
HOMMA M, DOI T, YOSHIDA Y. A field experiment and the simulation on agrivoltaic-systems regarding to rice in a paddy field[J]. Journal of Japan society of energy and resources, 2016, 37(6): 23-31. |
| [30] |
LIU Y, ZHANG R Q, HUANG Z, et al. Solar photovoltaic panels significantly promote vegetation recovery by modifying the soil surface microhabitats in an arid sandy ecosystem[J]. Land degradation & development, 2019, 30(18): 2177-2186. |
| [31] |
奚雪, 赵庚星, 高鹏, 等. 基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例[J]. 中国农业科学, 2020, 53(24): 5005-5016. |
| [32] |
杨雪峰, 昝梅, 木尼热· 买买提. 基于无人机和卫星遥感的胡杨林地上生物量估算[J]. 农业工程学报, 2021, 37(1): 77-83. |
| [33] |
魏宇帆, 金建峰, 丁倩, 等. 农光互补电站的生态产品价值核算——以正泰江山200 MW农光互补电站为例[J/OL]. (2023-04-27)[2023-07-15]. http://www.aed.org.cn/nyzyyhjxb/ch/reader/view_abstract.aspx?flag=2&file_no=202212100000002.
|
| [34] |
ZHOU J Y, DING Q, ZOU Z G, et al. Land suitability evaluation of large-scale photovoltaic plants using structural equation models[J]. Resources, conservation and recycling, 2023, 198: 107179. |
| [35] |
于方圆, 曹家玮, 李发源, 等. 顾及对象特征的地面式光伏电站提取及减碳效益评估[J]. 地球信息科学学报, 2023, 25(3): 529-545. |
| [36] |
焦在强, 崔垚, 闫兴国, 等. 光伏电站项目全生命周期碳排放研究[J]. 中国资源综合利用, 2023, 41(10): 158-160. |
| [37] |
徐涵秋, 刘智才, 郭燕滨. GF-1 PMS1与ZY-3 MUX传感器NDVI数据的对比分析[J]. 农业工程学报, 2016, 32(8): 148-154. |
| [38] |
赵兵杰, 王贺封, 张安兵, 等. GF-1 WFV与Landsat 8 OLI的NDVI交互比较与定量关系研究[J]. 测绘地理信息, 2019, 44(6): 60-65. |
| [39] |
王卫, 蔡俊兴, 田广增, 等. 多源遥感精确提取光伏电站研究[J]. 北京测绘, 2021, 35(12): 1534-1540. |
| [40] |
LU H, FAN T X, GHIMIRE P, et al. Experimental evaluation and consistency comparison of UAV multispectral minisensors[J]. Remote sensing, 2020, 12(16): 2542. |