《Energies》：A Systematic Meta-Review of Recent Photovoltaic Site Suitability Evolution: From GIS-MCDM Frameworks to Emerging GeoAI Approaches
编辑推荐：
光伏（PV）站点适宜性分析已成为可再生能源规划的重要组成部分，原因是太阳能系统的全球快速扩张以及土地利用、环境、经济和基础设施约束的日益复杂。在过去十年中，地理信息系统（GIS）与多准则决策（MCDM）技术集成已成为确定最优光伏部署位置的主导方法框架。然而，机
光伏（PV）站点适宜性分析已成为可再生能源规划的重要组成部分，原因是太阳能系统的全球快速扩张以及土地利用、环境、经济和基础设施约束的日益复杂。在过去十年中，地理信息系统（GIS）与多准则决策（MCDM）技术集成已成为确定最优光伏部署位置的主导方法框架。然而，机器学习（ML）、可解释人工智能（XAI）、聚类技术和大语言模型（LLMs）的最新进展开始将该领域重塑为更具数据驱动和智能化的空间决策系统。本综述对2016年至2026年间发表的光伏站点适宜性研究进行了全面分析，重点关注方法演进、准则选择模式、可重复性挑战以及新兴人工智能驱动方法。研究人员使用Scopus、Web of Science和IEEE Xplore数据库进行了系统文献检索，经过多阶段筛选后最终纳入72项研究。分析表明，基于层次分析法（AHP）的GIS-MCDM框架仍占绝对主导地位，而机器学习和混合人工智能方法虽仍有限但正在迅速涌现。共识别出63个独特的适宜性准则，其中气候、基础设施和地形因素是最常使用的类别。该综述进一步强调了与可重复性、区域变异性、数据透明度和专家驱动主观性相关的重大挑战。采用可解释机器学习、无监督聚类和LLM辅助权重框架的最新研究表明，在提高可再生能源规划中的适应性、可解释性和自动化方面具有显著潜力。本综述得出结论，未来的光伏适宜性分析可能向集成GIS、ML、XAI、聚类和人本人工智能框架的混合GeoAI系统演进，以支持更稳健、可扩展和透明的空间能源规划。
论文主体部分总结如下：
**1. 引言**
随着可再生能源系统的快速扩展，特别是光伏（PV）发电，对高效和可持续规划策略的需求日益迫切。空间部署PV设施不仅需最大化能源产量，还需最小化环境影响、降低经济成本并确保社会接受度。过去十年中，地理信息系统（GIS）与多准则决策（MCDM）方法的结合成为PV站点适宜性分析的主导范式，其中层次分析法（AHP）、逼近理想解排序法（TOPSIS）等技术被广泛用于整合异质性准则并生成空间适宜性图。然而，传统MCDM方法存在依赖专家主观赋权、缺乏对动态环境条件的适应性、验证程序不足（如敏感性分析缺失）等问题。近年来，机器学习（ML）技术作为补充或替代方法开始出现，但尚未充分发挥数据驱动和无监督学习在空间决策中的潜力。本研究旨在通过系统综述2016-2026年间的PV站点适宜性文献，填补对准则选择、方法演进、数据透明度和新兴人工智能（AI）技术整合的全面分析空白。
**2. 方法**
**2.1 文献检索策略**
在Scopus、IEEE Xplore和Web of Science三个数据库中进行综合检索，检索式围绕“photovoltaic”、“solar”、“PV”、“site suitability”、“site selection”以及“AHP”、“TOPSIS”、“MCDA”、“MCDM”、“multi criteria”、“machine learning”、“clustering”等术语构建。检索限定期刊论文，排除会议论文、综述和非英文文献，最终在去重前获得194条记录。
**2.2 筛选流程**
经过去除重复（116篇）、标题筛选（95篇）、摘要筛选（79篇）和全文评估（72篇）的多阶段筛选，最终纳入72项研究。排除标准包括非光伏系统、未进行站点适宜性或空间决策分析、仅关注技术系统设计以及综述或概念性研究。
**2.3 数据提取与分析**
对每项研究提取发表元数据、地理背景、方法类型（MCDM、ML或混合）、采用的准则、是否进行敏感性分析以及数据可获取性（开放、部分开放、非开放或未报告）。将提取的准则划分为气候、地形、基础设施、经济、技术、环境和社会七大类，并进行了时间趋势、方法分布、准则频率、地理分布和元分析。
**3. 结果**
**3.1 研究时间趋势**
2016-2026年间PV站点适宜性研究呈明显上升趋势，尤其2020年后显著增长，2025年达到峰值。ML相关研究出现较晚（2021年后），占总数比例很小。
**3.2 方法格局**
**3.2.1 MCDM的主导地位**
64项研究采用MCDM方法（44项单一MCDM技术，20项混合MCDM），其中AHP出现53次，远超TOPSIS（8次）和模糊层次分析法（FAHP，6次）。方法多样性不足，集中于AHP及其与TOPSIS或PROMETHEE的混合。
**3.2.2 ML与混合方法的兴起**
仅7项研究包含ML技术（4项纯ML，3项MCDM-ML混合）。混合ML框架常结合人工神经网络（ANN）与MCDM，但ML通常用于近似或增强MCDM输出，而非独立发现模式。无监督学习技术缺失，仅1项研究使用大语言模型（LLM）框架。
**3.3 准则分析**
**3.3.1 类别级分析**
共识别63个独特准则，平均每项研究约10个。气候类准则占比最高（28.32%），包括太阳辐照、温度等；基础设施类次之（23.85%），但每准则平均使用频率最高（17.78），常见变量为距道路、输电线路、变电站距离；地形类占17.73%（坡度、高程、坡向）；环境类占14.46%（土地利用/土地覆盖、保护区、水体）。经济、社会和技术类占比分别仅7.15%、5.81%和2.68%。
**3.3.2 顶尖准则分析**
太阳辐照（63项）、坡度（55项）、距道路距离（52项）、距输电线路（43项）、气温（37项）、距居民区（36项）、土地利用/土地覆盖（36项）为最常用前7项准则。准则使用高度集中，但自然风险、社会接受度、就业潜力等较少使用。
**3.3.3 解释**
常用准则间存在空间相关性（如太阳辐照与日照时长），但仅少数研究处理多重共线性。准则选择多依赖专家判断或先例，缺乏系统性特征评估。数据驱动方法（如特征重要性分析、XAI）可提升模型解释性。
**3.4 研究空间分布**
案例研究集中在低中纬度地区（亚洲、中东、北非），中国、印度、巴基斯坦、土耳其、沙特阿拉伯等国家研究活跃。北欧、南美和中非地区代表性不足。发展中国家研究较多，反映其可再生能源扩张需求。
**3.5 发表与数据特征**
**3.5.1 出版商分布**
Elsevier占比最高（46.5%，33项），其次为MDPI（15.5%）和Springer（9.9%）。
**3.5.2 数据可获取性**
部分开放数据最常见（29项），纯开放数据10项，非开放10项，未报告22项（30%）。数据透明度不足阻碍可重复性。
**3.5.3 敏感性分析**
33项研究进行了敏感性分析，36项未进行。缺乏敏感性分析影响结果稳健性。常见方法为变动权重评估排序变化，但深度和严谨性差异较大。
**4. 讨论**
**4.1 当前MCDM方法的局限性**
传统MCDM过度依赖专家赋权导致主观性和偏差；静态框架未考虑时间动态；方法趋同（集中于AHP和相似准则），忽略多重共线性；可扩展性和可转移性差；对不确定性处理不足（虽有模糊扩展，但概率建模缺失）；依赖人工准则阻碍非线性关系和隐藏模式发现。然而，MCDM因透明性和易用性仍具价值，但需整合数据驱动方法。
**4.2 机器学习在PV适宜性中的作用**
ML仍处于早期阶段，多数研究采用MCDM-ML混合框架（如AHP-ANN），但ML常通过MCDM输出训练，未能独立发现数据模式。部分研究提出回归框架解决MCDM的区域泛化问题，或集成密度聚类（如DBSCAN）以自动化识别高辐照区域。改进重点包括非线性建模、自动化工作流和不确定性量化，但仍未完全摆脱专家范式。
**4.3 可解释人工智能（XAI）的机会**
XAI技术（如SHAP值、部分依赖图）可提升ML模型的透明性。一项中国研究采用DNN、随机森林（RF）、XGBoost等模型并利用SHAP揭示社会经济和基础设施变量（如距道路、变电站距离）对选址概率的影响大于资源本身，并识别出阈值效应（距道路<5km、距变电站<30km）和区域异质性。另一项巴基斯坦研究采用RF、XGBoost和多层感知机（MLP），基于实地验证数据获得AUC=0.92，并通过SHAP解释变量贡献。XAI方法可揭示非线性关系和时空变异性，但依赖高质量训练数据。
**4.4 未充分探索的领域：无监督学习**
仅一项研究采用无监督学习，在Java-Bali地区基于2005-2022年逐时气候数据（直接辐照、散射辐照、温度）进行k-means和DBSCAN聚类，识别高潜力区域。聚类结果与资源特征一致，无需主观赋权，并能捕捉长期时间变异性。但未整合社会经济和基础设施约束，无法构成完整决策框架。无监督学习在发现隐藏空间结构方面潜力巨大。
**4.5 LLMs与AI系统的新兴作用**
一项在?anl?urfa的研究测试了GPT-4.1、Claude-3.7等6个LLM生成AHP权重的能力。通过专家角色提示（Expet Role Prompting）和链式思考（CoT），最佳模型与专家共识的相关系数达r=0.838，接近人类专家间的一致性。但LLM存在系统性偏差：低估坡向重要性，高估基础设施变量。模型间权重稳定性差异大（Claude-3.7较稳定）。LLM可作为快速场景探索和共识近似工具，但尚不能替代人类专家，需提升物理推理和可重复性。
**4.6 数据与可重复性挑战**
仅少数研究完全开放数据，30%未报告数据来源。方法细节（分辨率、预处理、排除规则）报告不充分。准则的区域依赖性（如保护区法规、双面光伏组件的反照率）阻碍标准化。ML框架缺乏训练数据、调参和计算环境的完全报告。一项意大利研究通过空间显式多重共线性分析和全面敏感性评估展示了提升稳健性的方法。需加强开放数据、开源工作流和透明报告。
**5. 结论**
2016-2026年间，GIS-MCDM（尤其是AHP）仍主导PV适宜性分析，但混合MCDM和新兴的ML、XAI、聚类及LLM方法正推动向数据驱动演进。气候、基础设施和地形准则构成核心，但社会和经济学准则不足。可重复性和透明度仍是主要挑战。未来研究应整合GIS、ML、XAI、聚类和优化方法，构建混合GeoAI框架，以提升适应性、透明性和科学性。
