SolarSegNet：基于Sentinel-1/2多模态频率感知网络的中国沿海光伏电站精准提取研究

针对沿海多云地区光伏(PV)电站边界识别难题，本研究创新性提出融合Sentinel-1 SAR和Sentinel-2 MSI数据的SolarSegNet网络。通过自适应深度可分离(ADS)模块、全局-局部感知块(GLAB)和自适应高频感知块(AHFAB)的协同设计，在新建PVSet数据集上实现IoU 95.50%、精度97.58%的突破性性能，参数降低165.5M，为可再生能源空间规划提供关键技术支撑。

　　

在全球碳中和目标推动下，光伏(PV)发电作为清洁能源的核心载体正经历爆发式增长。然而现有研究存在显著局限：传统方法主要针对内陆高辐照区域，对多云多雾的沿海地带束手无策；主流数据集缺乏潮汐滩涂、渔光互补等特色场景；单源遥感数据在复杂环境下识别精度骤降。这些问题严重制约着我国"双碳"战略在海岸带地区的实施效果。

针对这些挑战，中国科学院空天信息创新研究院的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表重要成果。研究团队创新性地构建了SolarSegNet多模态语义分割网络，通过整合Sentinel-1合成孔径雷达(SAR)和Sentinel-2多光谱影像(MSI)，实现了沿海复杂环境下光伏电站的精准提取。

研究采用三项关键技术：首先基于Google Earth Engine(GEE)平台构建包含7个特征通道的多模态数据集，采用Refined Lee滤波抑制SAR噪声；其次设计ADS模块通过深度可分离卷积(Depthwise Separable Convolution)提取局部细节，GLAB模块结合"Agent Bias"机制实现全局-局部特征协同；最后创新性引入AHFAB模块，利用快速傅里叶变换(FFT)在频率域增强光伏设施边缘特征。

【多源数据组合实验】

对比10种数据组合方案，可见光-遥感指数- SAR组合(VIS-NDBI/MNDWI-VV/VH)表现最优，IoU达95.50%。短波红外(B11)单独使用会导致边缘模糊，而全波段组合(10个MSI+2个SAR)反而引入噪声，证实特征优选比数量更重要。

【模型性能验证】

在PVSet数据集测试中，SolarSegNet以1.49%的IoU优势超越次优的FtransUnet，参数量减少165.5M。可视化显示该模型在潮间带(图11-Dn)和养殖区(图11-Fn)等复杂场景中，边界识别精度比现有数据集提升显著。

【时空分布图谱】

2019-2024年监测显示中国沿海光伏装机面积达983.70 km²，年增长率47.20%。空间上呈现"北密南疏"格局，河北(23.79%)、山东(17.52%)和江苏(14.27%)构成主要集群，与区域能源政策高度吻合。

讨论部分指出，该研究首次实现多云海岸带环境下光伏设施的亚像元级识别，通过频率域融合有效解决了光学-雷达数据的异构性问题。新建的PVSet数据集填补了现有产品在时空完整性和场景多样性方面的空白，其中潮汐滩涂光伏的识别精度较Landsat-based产品提升32.6%。值得注意的是，模型在山区(Recall 89.3%)和农田(Precision 91.2%)场景仍存在改进空间，未来可通过引入数字高程模型(DEM)和多时相分析进一步优化。这项研究为全球海岸带可再生能源开发提供了高精度空间决策工具，对实现联合国可持续发展目标(SDGs)中的清洁能源条款具有重要实践意义。