利用GIS-MCDM进行太阳能光伏电站选址：一种包含空间显式共线性分析和敏感性分析的综合性方法

《Renewable Energy》：Solar PV Site Selection Using GIS-MCDM: A Comprehensive Approach with Spatially Explicit Collinearity and Sensitivity Analyses

　　巴巴克·兰杰加尔（Babak Ranjgar）|亚历山德罗·尼科莱（Alessandro Niccolai）|索尼娅·莱瓦（Sonia Leva）
米兰理工大学能源系，20156米兰，意大利

**摘要**
大规模光伏（PV）发电厂的选址对于优化能源生产同时最小化环境和社会经济冲突至关重要。本研究采用地理信息系统（GIS）与多标准决策法（MCDM）相结合，开发了一种适用于意大利伦巴第地区光伏电站选址的适宜性模型。通过分析层次法（AHP）考虑了一整套环境、技术和基础设施标准。为了提高模型的稳健性，应用了空间显式的多重共线性分析来识别相关因素，确保各标准的独立性。此外，还进行了敏感性分析，以评估权重变化对选址适宜性分类的影响，从而揭示不同适宜性类别的相对稳定性。结果表明，在应用排除限制后，伦巴第地区只有约25%的土地适合光伏开发，其中高度适宜的类别占该区域的40.5%。敏感性分析显示，距离变电站的距离和地形朝向是最具影响力的因素；稳定性评估表明，在权重变化±10%的范围内，“最适宜”的区域有96.7%保持不变。纳入反照率后，对双面对光伏组件的选址评估得到了进一步改善。与传统GIS-AHP适宜性研究相比，所提出的框架通过明确处理标准间的相互依赖性和空间稳健性，为高度监管地区的光伏选址提供了更可靠且具有政策相关性的结果。

**1. 引言**
全球能源危机由能源需求上升、化石燃料使用带来的环境问题以及政治不稳定加剧，凸显出对可持续解决方案的迫切需求。虽然化石燃料在历史上占据主导地位，但它们是温室气体（GHG）排放和环境退化的主要来源[1]。可再生能源已成为全球转型战略的核心，支持联合国的可持续发展目标（SDGs），如SDG 7（可负担和清洁的能源）和SDG 13（气候行动）[2][3]。在可再生能源中，太阳能因其可扩展性、技术进步以及提供清洁、可持续能源的潜力而脱颖而出。特别是光伏（PV）系统，由于成本下降和效率提高而备受关注[4]。

在欧洲，诸如“欧洲绿色协议”和《可再生能源指令》（RED II）等倡议旨在2050年前实现气候中立，目标是在2030年前实现40%的可再生能源发电[5]。作为欧盟关键成员国，意大利已经采纳了这些目标，2023年其电力中有近12%来自太阳能，并在其综合国家能源和气候计划（PNIEC）中提出到2030年将这一比例提高到30%[6]。根据法规、环境和技术标准确定合适的选址区域是可再生能源可持续发展的关键步骤。地理信息系统（GIS）与多标准决策法（MCDM）的结合已成为评估可再生能源选址的常用工具，因为它们能够整合复杂的多方面空间和决策因素[7]。对于光伏（PV）系统而言，选择合适的地点尤为重要，必须仔细考虑太阳辐射、地形坡度、靠近基础设施的程度以及土地用途的兼容性等因素。这一过程还因需要平衡相互冲突的目标（如最大化能源生产的同时最小化环境和社会影响）而变得更加复杂。通过将GIS与决策框架相结合，可以系统地应对这些挑战，为可再生能源项目提供更知情和可持续的规划。

GIS已广泛应用于各种可再生能源研究中，例如海上风电场选址[8]、潮汐能潜力分析[9]、住宅屋顶太阳能规划[10]、太阳辐射潜力建模[11]以及更细致的光伏选址研究[12]。GIS平台提供了强大的空间功能，能够整合和分析多个空间层，便于识别适合可再生能源项目的区域。早期研究通常依赖简单的叠加方法，通过组合包含层和排除层来确定太阳能电站的可行位置[13]。这种方法虽然适用于广泛评估，但存在局限性，因为它严格排除了某些区域，并且无法对可行区域进行优先排序。为了解决这些不足，MCDM方法成为更好的替代方案[14]。与严格的叠加技术不同，MCDM对所有区域应用评分系统，从最适宜到最不适宜进行排序[15]。这使得可以通过结合不同重要性的多种标准来进行更细致的评估[16]。在MCDM方法中，分析层次法（AHP）因其结构化的权重分配方案而被广泛用于光伏电站选址研究[17]。其结构化的成对比较机制能够系统地将专家知识纳入空间决策模型[18]。此外，AHP与其他MCDM技术（如Fuzzy-AHP[19]和AHP-TOPSIS[20]）的结合展现了强大的灵活性。

典型的GIS-AHP方法首先排除受限区域，如自然保护区、文化遗产地、城市区和易受自然灾害影响的高风险区域。然后使用一系列适宜性标准对剩余区域进行评估，这些标准通常分为环境、位置、经济、气候和地形因素。对这些标准进行加权并合并，以产生适宜性指数（SI），将研究区域分类为适合光伏发展的不同等级。尽管GIS-AHP在光伏选址分析中得到了广泛应用，但仍存在一些局限性。许多现有研究关注广泛的方法应用（例如西班牙[21]、土耳其[22]、沙特阿拉伯[23]），但很少有研究适应像意大利这样高度监管的环境。限制层往往是从先前研究中通用化的，而不是根据特定地区和法律框架进行定制，这可能会显著改变适宜土地的范围[24]。同样，包含因素通常来自既定框架，没有结合最新的进展或地区特定条件。例如，反照率——对于双面对光伏组件至关重要[25]——在适宜性评估中往往被忽视。

另一个差距在于缺乏对标准相对重要性和相互依赖性的系统和定量评估。虽然AHP基于专家判断为不同因素分配权重，但通常假设标准是独立的，忽略了潜在的相关性，而没有进行验证。很少有光伏选址适宜性评估研究应用统计验证技术（如多重共线性分析）来确保标准的独立性，这可能导致冗余或过度强调某些因素[26]。此外，很少有研究通过空间显式的敏感性分析来评估适宜性图谱的稳定性，这对于在不同情景或权重变化下验证选址结果的稳健性至关重要[27][28]。空间显式的敏感性映射能够揭示选址适宜性的稳健性或不稳定性，在光伏选址文献中尚未得到充分探索。

为了解决这些差距，本研究通过纳入地区特定的法规限制、引入反照率作为双面对光伏系统的新适宜性因素、应用多重共线性分析以确保标准间的独立性，以及进行空间显式的敏感性分析来改进GIS-AHP框架。这些元素共同提供了一种更为稳健和考虑上下文的光伏选址适宜性方法，特别是在像意大利伦巴第这样受严格限制的地区。通过将可再生能源规划与当地要求和技术进步相结合，本研究为意大利伦巴第地区开发了光伏电站选址适宜性指数。选择这一地区是因为其地形和土地覆盖的多样性（包括山区、平原和湖泊）、密集的工业能源需求以及严格的土地使用法规，这些因素极大地限制了可再生能源的发展。这些因素使其成为光伏选址的典型案例。该方法结合了多标准决策（MCDM）与GIS，并进行空间显式的多重共线性和敏感性分析，以评估光伏安装的空间适宜性。

首先，根据国家和欧洲法规，识别并排除了受限制的区域，如受保护的自然区、文化遗产地、城市化区域和高风险区域（如易发生洪水的地区）。然后使用一系列标准对剩余区域进行评估，这些标准分为地形（如海拔、坡度、朝向）、环境（如土地覆盖、地表温度）、技术（如太阳辐射、反照率）和基础设施（如靠近道路和电网）等因素。每个标准都通过AHP过程分配了权重，反映其在光伏选址中的相对重要性。值得注意的是，本研究将反照率作为一个新标准纳入其中，认识到其对双面对光伏组件的关键作用，并采用多重共线性分析来确保因素间的独立性。最后，通过空间显式的方式应用敏感性分析，本研究还评估了适宜性指数的稳定性，确保在不同权重情景下的结果稳健性。

本文的其余部分安排如下：第2节介绍研究区域、分析中使用的数据集以及整体方法框架，包括GIS与AHP方法的结合和多重共线性评估。第3节展示光伏电站选址适宜性和敏感性分析的结果，并讨论了与现有研究的比较及区域规划意义。最后，第4节总结了主要结论，指出了研究的局限性，并提出了未来研究的方向。

**2. 材料与方法**
**2.1. 方法论**
GIS与MCDM方法（如AHP）的结合已在许多研究领域得到广泛应用，并越来越受欢迎。这主要是由于GIS在处理大范围研究区域中的多个标准时的实施便利性，以及与MCDM方法结合后能够简化适宜性分析和决策过程。GIS通过各种空间分析（如缓冲区、邻近性、融合和叠加分析）实现空间决策。整体方法流程如图1所示。对于选址任务，第一步是根据意大利的国家法律和文献中的指南排除受限区域。然后对剩余区域进行适宜性分析。收集的数据在GIS环境中使用空间分析工具进行预处理。为确保分析的可靠性，进行多重共线性分析以识别和解决选定特征之间的相关性。接下来，应用多标准决策方法AHP为标准分配权重。接着对标准化标准进行加权和分析，计算适宜性得分。通过叠加约束层，生成最终的光伏适宜性地图。最后，对标准权重进行敏感性分析，以评估结果的稳健性和可靠性。

**2.2. 光伏电站的选址适宜性因素**
如前所述，必须收集和分析两组地理空间数据：（1）排除因素和（2）包含因素。
**排除因素：**在几乎所有类型的选址适宜性分析中，都存在经济、环境或文化方面的限制，使得某些地点不适合开发。对于光伏电站的选址，这些限制可以根据地区、国家和国际法规以及现有文献的研究结果来确定。在本研究中，这些限制是与具有实际光伏开发经验的A2A专家协商确定的。确定的排除因素包括自然资产、景观资产、文化资产、易受自然灾害影响的区域以及其他环境限制（如断层线、湖泊和河流）。此外，还考虑了基础设施限制，包括水坝、城市地区、道路、铁路和电力线。表1提供了排除因素的详细信息。

**表1. 光伏电站选址适宜性分析中考虑的排除因素**
| 条目 | 描述 | 来源 |
|-----------------|---------------------------------|-------------------|
| 自然资产 | 这些自然资产分为四个主要类别 | |
|…… | | |意大利受保护区域的官方名单（EUAP），自然2000网络（基于欧洲栖息地倡议），重要鸟类区域（IBA），以及最后一组是全球具有重要意义的湿地。意大利环境与能源安全部（MASE）在nature1项目中确定了国内所有的受保护自然资产。

**景观资产：**
- 距离水道150米的区域，以及距离海岸线和湖泊300米的区域
- 阿佩尼尼山脉及岛屿地形海拔1200米以上的区域，阿尔卑斯山脉为1600米以上
- 国家或区域公园和保护区
- 根据1987年土地使用地图确定的林地
- 湿地
- 火山区域

**环境与景观领土信息系统（SITAP）**是意大利文化遗产部（MiC）的一个网络GIS系统。

**文化遗产：**
根据2004年1月22日的第42号法令，意大利的文化遗产受到保护，这些遗产包括不可移动的文化资产和联合国教科文组织名录中的场所。该层中的要素周围设有500米的缓冲区。

代表这些文化遗产的地理数据可在文化遗产部（MiC）管理的网站上获取。

**易受自然灾害影响的区域：**
- 高度易受洪水和山体滑坡风险的区域

**环境限制：**
- 断层线、湖泊和河流
- 与地震活跃区域的安距离（500米）
- 与湖泊和河流的缓冲距离（10米）

**基础设施限制：**
- 水坝、城市区域、道路、铁路和高压电线
- 与水坝的缓冲距离（100米），与城市定居点的距离（100米），与主要和次要道路的距离（60米），与铁路的距离（30米），与高压电线的距离（15米）

以上信息来自：
1. https://gn.mase.gov.it/portale/en/web/geoportale-mase/nature2
2. https://sitap.cultura.gov.it/
3. http://vincoliinrete.beniculturali.it/
4. https://idrogeo.isprambiente.it/app/page/open-data

与自然、景观和文化遗产相关的限制由意大利和欧洲法规定义，并由不同的法律实体管理。这些实体提供网络地图服务（WMS），以展示受不同保护规则约束的地区的地理空间数据。

**纳入因素：**
纳入因素是直接影响太阳能电站部署可行性和效率的技术和基础设施标准。这些因素决定了特定地点适合安装光伏电站的程度。本研究使用的适宜性标准是通过广泛文献回顾并与可再生能源专家咨询后确定的。这些专家具有实际经验，为确保标准全面性和实用性提供了宝贵建议。适宜性因素及其相关性的详细信息见下表2。

**表2. 光伏电站选址分析所考虑的标准**

| 标准 | 参考文献 |
|-------------|-------------|
| 地形 | [13], [17], [28] |
| 坡度 | [13], [14], [18], [21], [22], [23], [24], [27] |
| 方位 | [14], [17], [18], [21], [22], [23], [24], [27], [28] |
| 环境 | [13], [14], [17], [18], [22], [24], [27], [28] |
| 地表温度（LST） | [13], [17], [18], [21], [23], [24], [28] |
| 技术 | [13], [14], [17], [18], [21], [22], [23], [24], [27], [28] |
| 距离道路 | [18], [21], [22], [23], [24], [27], [28] |
| 距离变电站 | [21], [22] |
| 距离电线 | [17], [18], [21], [22], [23], [24], [27] |

**2.3 多共线性分析：**
大多数关于光伏电站选址的研究使用了一些假设与太阳能适宜性相关的条件因素来进行选址分析，但这些研究并未定量分析和选择这些条件因素。本研究通过多共线性分析来确定用于建模光伏适宜性评估的标准是否合适。多共线性分析揭示了因素之间的相互关系，高相关性可能导致模型性能下降。多共线性分析使用方差膨胀因子（VIF）和容忍度（公式（1），（2）进行评估，其中容忍度小于0.1、VIF大于10表示因素之间存在高度共线性[29]。

**2.4 使用层次分析法（AHP）的多标准决策（MCDM）：**
MCDM方法在文献中被广泛用于各种决策任务，包括选址分析。这些方法在处理涉及多个条件因素的复杂情况时特别有价值，因为它们提供了一种结构化的方法来评估和优先排序选项。在多种MCDM方法中，层次分析法（AHP）是最被广泛采用的之一，在可再生能源开发研究中尤其受欢迎。AHP是一种强大的工具，它在决策过程中同时考虑了定性和定量标准。它利用专家知识通过成对比较为不同标准分配权重，从而系统地评估它们的相对重要性。此外，AHP还包括一致性检查，以确保决策者的评估在逻辑上是一致的[30]。执行AHP的步骤如下：
1) 首先根据所考虑的标准构建决策矩阵。如果有n个标准，则决策矩阵dm可以表示为，其中表示标准i相对于标准j的偏好得分。该得分是整数，范围为1-9，1表示同等重要，9表示极其重要（表3）。
2) 由于矩阵是互逆的，对于每个标准i，将进行n-1次比较。获得这些得分后，应使用公式（4）对矩阵进行归一化，使每列的总和等于1。
3) 在此步骤中，通过公式（5）计算每行的平均值作为每个标准的权重。由于权重来自归一化矩阵，因此它们介于0-1之间，总和等于1。
4) 最后，使用公式（6）计算输出，即站点的光伏适宜性得分。换句话说，将计算所有标准的加权和，其中每个标准的值（wi）乘以其相应的权重（wi），然后求和得到适宜性指数（Si）。

**2.5 案例研究：**
2.5.1 研究区域
本研究的案例研究是位于意大利北部的伦巴第大区，这是一个人口密集且工业化程度高的地区，为可再生能源发展带来了独特的挑战和机遇（图2）。伦巴第的地理范围东经8° 30' 50.56"至11° 19' 0.4"，北纬44° 48' 45.56"至46° 33' 4.74"，总面积为2,386,310公顷。北部地区以阿尔卑斯山脉为主，而南部地区较为平坦，阳光充足。这些地理和太阳能条件使得在伦巴第发展光伏电站成为必要。然而，旨在保护该地区文化和环境遗产的严格法规大大限制了光伏电站建设的土地可用性，带来了独特的挑战。这些限制需要采取区域定制的方法，突出了精确的适宜性测绘在确定可再生能源项目最佳位置中的重要性。

**数据来源：**
- 高分辨率图像（2MB）下载
- 全尺寸图像下载

**图2.** 研究区域的地理位置，红色标记的部分表示研究区域，叠加了高程层（使用的坐标系统是UTM投影系统，伦巴第大区位于UTM 32N区域）。

**2.5.2 数据收集：**
所需数据来自多个可靠来源（表4）。数字高程模型（DEM）及其衍生标准（如坡度和方位）来自TINITALY数据集[31]。该数据集覆盖了整个意大利，空间分辨率为10米，可免费用于研究目的。基础设施元素数据（包括道路、变电站和电线）来自OpenStreetMap（OSM），这是一个提供全面且定期更新的空间数据的开放地理数据库。全球水平辐照度（GHI）数据来自全球太阳能地图集（Global Solar Atlas），这是一个得到世界银行集团支持的开放数据平台。地表温度（LST）数据使用Landsat 8卫星图像通过谷歌地球引擎（GEE）云计算平台计算得出，基于[32]中提出的方法。反照率数据使用Sentinel-2卫星图像在GEE平台上计算，使用方法如[33]所述。由于数据不可用，未进行实地验证。不过，选择了无云期的Sentinel-2图像，并通过排除冬季月份来最小化季节性积雪覆盖。地表覆盖数据来自环境系统研究机构（ESRI），该机构提供了基于Sentinel-2图像的全球10米分辨率地表覆盖地图。

**表4.** 本研究中收集的数据**

| 数据单位 | 类型 | 分辨率 | 来源 |
|---------|------|----------------------|
| 数字高程模型（DEM） | 米（m） | https://tinitaly.pi.ingv.it/Roads-Vector-Open street map (OSM) |
| 变电站 | 向量 | Open street map (OSM) |
| 电线 | 向量 | Open street map (OSM) |
| 全球水平辐照度（GHI） | 千瓦时/平方米（kWh/m2） | https://globalsolaratlas.info/ |
| 地表温度（LST） | 摄氏度（°C） | Google earth engine (GEE) |
| 反照率 | 数字 | Google earth engine (GEE) |

**2.5.3 适宜性因素：**
如表2所示，适宜性因素可分为四大类：地形、环境、技术和基础设施因素。下面详细介绍了每个子类别。图3（a-j）展示了研究区域的适宜性因素地图。

**图3.** 研究中使用的标准地图；a) 数字高程模型（DEM） b) 坡度 c) 方位 d) 距离道路 e) 距离电线 f) 距离变电站 g) 反照率 h) 地表温度（LST） i) 全球水平辐照度（GHI） j) 地表覆盖（LC）此功能有助于评估用于光伏安装的土地使用的可行性，优先考虑荒地或农业用地等区域，同时避免环境敏感区域。土地覆盖分析还能缓解与现有土地使用的潜在冲突，例如居民区或受保护的栖息地。通过整合土地覆盖数据，开发商可以确保光伏项目的可持续性和无冲突实施。

全球水平辐照度（GHI）（千瓦时）：GHI表示单位面积上接收到的总太阳能，这是光伏适用性分析中最关键的因素之一。高GHI值表明更好的太阳能潜力，直接转化为更高的能源产量和经济可行性。具有持续和高太阳辐射的区域被优先考虑用于大规模光伏项目。评估GHI可确保选定的场地能够产生足够的能源以满足项目目标，同时保持经济可行性。

反照率（0-1）：反照率衡量表面的反射能力，范围从0（无反射）到1（完全反射）。高反照率表面可以提高双面太阳能电池板的效率，因为这些电池板会利用反射的阳光。相反，低反照率区域会吸收阳光，可能降低光伏输出。分析反照率有助于开发商识别可以通过二次太阳辐射提高能源产量的区域。对于旨在反射环境中最大化能源产量的项目来说，这一特性尤为重要。

距离道路的距离（D2R）（米）：距离道路的近远是光伏选址时的实际考虑因素，因为它影响运输和可访问性。靠近现有道路网络的场地可以减少建设和维护期间的物流挑战，从而降低成本。易于进入也有利于材料和设备的运输，使项目更加高效。避免偏远地区可以减少额外基础设施建设的需要，确保资源得到有效利用。距离道路的距离是确保光伏项目经济和运营成功的关键因素。

距离变电站的距离（D2S）（米）：距离变电站的距离显著影响光伏项目的可行性。变电站对于将生成的电力输入电网至关重要，较近的距离可以减少能源传输损耗和基础设施成本。优先考虑靠近变电站的区域可以确保光伏系统与电网的无缝连接，并提高其经济效率。对于传输基础设施起核心作用的大规模项目来说，这一因素尤为重要。

距离电线的距离（D2P）（米）：距离电线的近远是确定场地与现有能源基础设施连接性的另一个关键因素。距离电线的距离较短可以减少传输损耗和建设新线路的成本。选择靠近电线的场地还可以减少与土地获取相关的环境和物流挑战。因此，这一因素支持光伏项目的技术和经济可持续性。

3. 结果与讨论
3.1. 多共线性结果
通过VIF和容忍度概念对本文中包含的标准进行了多共线性分析。如表5所示，研究中考虑的所有标准都在可接受的VIF（<10）和容忍度（>0.1）范围内，因此排除了因素之间的多共线性。然而，DEM与其他标准相比显示出中等的共线性，其VIF值高于5，这可能是由于其导数坡度和朝向的存在。这也影响了坡度层的共线性值，使其成为第二共线性最高的因素。考虑海拔高度的GHI层也有相对较高的共线性。

表5. 本研究考虑的因素的多共线性分析结果。

3.2. AHP方法
为了得出AHP标准权重，本研究通过与意大利米兰A2A公司的可再生能源专家以及米兰理工大学的教授进行访谈获得了成对比较矩阵。结果通过一致性比率指标进行了检查，以确保专家评价的一致性。最终的AHP矩阵及每个标准的权重如表6所示。一致性比率为0.04，远低于0.1的临界值，从而保证了评分的一致性。

表6. AHP成对比较矩阵。

3.3. GIS-AHP的结合
所有空间分析都在ArcGIS Pro 3.1中使用空间分辨率为30 × 30米的光栅层进行。GIS与分析层次过程（AHP）的结合遵循了结构化的工作流程，以确保透明度和可重复性。首先，在GIS环境中准备并处理了所有表示选定适用性标准的空间层。由于标准以不同的单位表示，在聚合之前需要进行标准化步骤。因此，每个标准层被重新分类为五个适用性等级——最适用、非常适用、中等适用、最不适宜和不适宜——相应的得分范围为4到0。分类阈值基于相关文献和与A2A专家的咨询确定，如表7所示。

表7. 标准权重和标准化分类范围。

3.4. 结果验证
图5显示了伦巴第地区光伏适用性的量化结果。与现有的基于GIS-AHP的光伏适用性研究相比，伦巴第地区的结果显示出一致性和显著差异。在西班牙[34]、土耳其[35]、南美洲[36]、非洲[37]和亚洲[38]进行的几项研究表明，由于各种限制，大约70-85%的研究区域被排除在光伏开发之外，这与我们发现的伦巴第地区约75%的土地被排除的结果一致。然而，在大多数这些研究中，“中等适用”通常代表可用土地的最大份额。相比之下，伦巴第地区的特点是“非常适用”类别占主导（约40%）。这种反转反映了该地区独特的监管和地形设置，严格的文化和环境限制去除了大量低适用性区域，留下了相对集中的高适用性土地。此外，与许多仅关注适用性映射的先前研究不同，本研究还包括了空间明确的敏感性分析，允许识别稳定和不稳定适用性区域。这一额外的分析层为高度监管地区的规划和决策提供了特别相关的见解。

3.5. 敏感性分析
敏感性分析是一种重要的技术，用于通过评估输入参数的变化对最终结果的影响来评估决策模型的稳健性和可靠性。在基于GIS的多标准决策模型（MCDM）中，如本研究中应用的AHP方法，由于标准权重是基于人类专家意见制定的，因此容易受到偏见的影响[39]。因此，敏感性分析有助于识别个别标准对整体适用性地图的影响。这确保了模型在标准权重合理变化时保持稳定，并提供了哪些因素对空间不确定性贡献最大的见解。因此，进行了敏感性分析，使用了一次一个（OAT）方法[40]来评估基于AHP的光伏选址适用性地图的稳健性。在这种方法中，系统地改变每个标准的权重，同时保持其他所有因素不变，从而孤立出个别因素的影响。在基于OAT的研究中，应用的变异百分比通常在±20%到±10%、±5%、±2%或±1%之间。在本研究中，我们应用了±10%的变异，以在计算可行性和可解释性之间取得平衡。未来的研究可以扩展到更广泛的变化范围，以进一步评估适用性结果的稳定性。该过程产生了20个替代适用性地图，与基础AHP适用性地图进行了比较[41]。分析分为三个关键步骤进行。

3.5.1. 适用性变化的统计评估
为了量化权重调整引入的变化，计算了每个等级（最不适宜到最适用）的适用性变化的最小值、最大值、平均值和标准差。结果总结在表8中，突出了每个因素通过权重修改对适用性等级的影响程度。

表8. 标准权重变化引起的适用性变化的统计结果。

3.5.2. 空间稳定性评估
生成了一幅稳定性地图，以识别在标准权重变化场景下适用性分类保持不变的区域，以及出现波动的区域。如果某个区域的适用性等级在至少90%的地图中保持不变，则该区域被归类为稳定；否则，将其归类为不稳定。结果稳定性地图（图8）揭示了适用性模型的空间韧性，显示了稳定和不稳定区域的空间分布。

3.5.3. 类别间的稳定性分析
为了进一步研究不同适用性等级内的稳定性，创建了一幅考虑所有4个等级（最不适宜、中等适用、非常适用和最适用）的稳定性地图。该地图展示了每个等级内稳定和不稳定区域的空间分布，提供了更详细的了解不同适用性等级如何响应权重扰动的理解。光伏适应当地的分类稳定性图。分类稳定性结果在图10的条形图中进行了量化和可视化。研究结果表明，“高度适宜”类别对权重变化的敏感度最高，有9.82%的单元不稳定。值得注意的是，这一类别覆盖了最大的区域，占总适宜光伏站点面积的40.45%。相比之下，“最适宜”类别的稳定性最高，有96.75%的单元稳定，其次是“中等适宜”类别，占比95.5%，“最不宜”类别占比94.83%。这一结果在很大程度上可以归因于适宜性类别的空间分布。“高度适宜”类别占据了研究区域的最大比例（40.45%的适宜光伏站点），位于“最适宜”和“中等适宜”类别之间，后者分别是第二和第三大类别。这种相邻性意味着权重分配的微小变化就可能使边缘单元从“高度适宜”状态变为“最适宜”或“中等适宜”状态，从而放大了观察到的不稳定性。这些结果强调了权重分配在AHP（层次分析法）中的重要性，并突出了在开发基于GIS的适宜性模型时需要仔细考虑标准的重要性。

下载：下载高分辨率图片（304KB）
下载：下载完整尺寸图片
图10. 各类别的稳定性分析结果。

4. 结论
本研究提出了一个基于GIS-AHP的框架，用于意大利伦巴第地区的大规模光伏电站选址，整合了区域特定标准、与双面光伏系统相关的反照率参数以及先进的验证技术。该方法论框架结合了专家驱动的多标准决策制定与时空显式的多重共线性和敏感性分析，确保了适宜性地图的稳健性和可解释性。
研究结果表明，严格的环境和监管限制使得光伏部署仅限于该区域的大约四分之一面积，适宜性主要集中在定义明确的区域内。在可用区域中，高度适宜的地点占据了相当大的比例，反映了伦巴第地区的特定地形和基础设施特征。敏感性分析进一步显示，在权重变化下，最适宜的区域表现出较高的空间稳定性，这突显了它们在长期规划和投资决策中的可靠性。
尽管有这些优点，该研究也存在一些局限性。AHP权重分配方案依赖于专家判断，这固有地引入了主观性，尽管进行了 consistency checks（一致性检验）和敏感性分析来减轻这种影响。此外，分析受到某些输入数据集的空间分辨率和静态特性的限制，这些数据集可能无法完全捕捉气候和地表条件等因素的局部尺度变化或时间动态。
除了技术结果外，本研究识别出的适宜性模式还具有社会经济意义。伦巴第的大片区域与农业用地和文化敏感地区重叠，如果光伏扩张规划不慎，可能会引发土地使用冲突。同时，位于变电站和现有基础设施附近的稳定且高度适宜的区域可以降低电网接入成本，便于融入能源系统。因此，认识到这些社会和经济维度对于指导光伏电站的建设地点以及其被接受和具有经济效益的潜力至关重要。
总体而言，本研究的结果对可再生能源规划中的决策者和当局具有重要的参考价值，为光伏电站的可持续发展提供了基础，同时考虑了监管、技术和经济限制。特别是在敏感性分析下保持稳定的适宜性区域代表了可靠的太阳能开发机会。未来的研究应重点完善区域特定标准，并纳入对光伏发展至关重要的实际、情境驱动的因素。此外，进一步改进可扩展性可以提高GIS-MCDM（地理信息系统-多标准决策方法）模型的适应性，使其能够应用于各种不同的地方和全球案例研究。

CRediT作者贡献声明：
Alessandro Niccolai：撰写——审稿与编辑、验证、监督、项目管理、调查、正式分析。
Sonia Leva：撰写——审稿与编辑、监督、项目管理、调查。
Babak Ranjgar：撰写——初步草稿、可视化、验证、软件开发、方法论、调查、正式分析、数据管理、概念化。