基于证据整合的可解释人工智能方法在大型风电场建设生态适宜性分区与地理潜力评估中的应用

《Energy》:An evidence-integrated explainable AI approach to eco-suitability zoning and geographical potential assessment for large-scale wind power construction

【字体: 大 中 小 】 时间:2026年07月30日 来源:Energy 10.1

编辑推荐:

  摘要:为实现碳中和目标,构建能够充分考虑地理潜力的大规模能源建设分区框架至关重要。现有的风电开发环境影响研究多侧重于微观层面分析,未能将生态环境因素纳入宏观层面的风电开发规划中。本研究提出了一种融合多种证据的可解释人工智能框架,用于生态适宜性分区预测,该框架结合了基于规则的指标优

  摘要:为实现碳中和目标,构建能够充分考虑地理潜力的大规模能源建设分区框架至关重要。现有的风电开发环境影响研究多侧重于微观层面分析,未能将生态环境因素纳入宏观层面的风电开发规划中。本研究提出了一种融合多种证据的可解释人工智能框架,用于生态适宜性分区预测,该框架结合了基于规则的指标优先级、实际案例数据以及四种非线性学习模型。通过引入Shapley加法解释法和特征重要性分析,可量化揭示生态环境因素与风电适宜性分区之间的关联,同时为全球气候变化背景下的减缓与适应措施提供衔接。研究共纳入20项适宜性指标,通过定量评估方法生成20层栅格数据作为后续模型的输入。XGBoost、LightGBM、CatBoost和CNN四种模型的适宜性分区预测准确率分别达到93.36%、96.50%、97.17%和97.46%。其中CatBoost在各项指标上的表现较为稳定,而CNN在识别极不适宜和极为适宜的区域方面表现优异。可解释人工智能分析表明,沙漠化敏感性和距离道路的远近是影响适宜性分区的最重要因素,社会经济指标的影响则相对较小。将该框架应用于青藏高原后发现,该地区71.4%的区域极不适宜建设风电场,但整体地理潜力仍相当可观,约为1.90×10^6吉瓦时。这些研究结果表明,应优先对11.32%的极高适宜区域进行详细选址评估,以此实现国家确定的减排目标,有效应对全球变暖。

引言:过去四年间,全球能源需求以每年1%的平均速度增长,碳排放量则以每年0.8%的速度上升。根据政府间气候变化专门委员会的报告,为将全球气温上升控制在1.5℃或2℃以内,所需的碳预算预计将在2040年代耗尽。尽管太阳能和风能等低碳能源在全球能源结构中的占比不断提升,虽未能完全阻止全球能源系统的“能源强化”趋势,但已有助于减缓碳排放的增长速度。只有当低碳能源的发展速度超过能源需求增长速度时,才能进入能源转型的“替代”阶段[1]。中国作为世界第二大经济体、最大的能源消费国及最高的二氧化碳排放国,其制造业增加值占全球的33.3%,能源需求占比高达30%。2010年至2022年间,全球碳排放增长的73%来自中国。在《巴黎协定》中,中国承诺在2021年至2025年间严格控制新的煤炭发电项目,到2025年,该国单位GDP的能耗要比2020年降低3.5%。然而,这两个目标的实现进度均未如预期。在未来几十年里,中国的减排速度将成为决定能否成功将全球气温上升控制在1.5℃以内的关键因素[2]。目前,中国正在推行以集中式和分布式可再生能源为重点的发展战略。有计划称,到2030年,风能和太阳能发电设施的总装机容量将达到约4.55亿千瓦。由于中国东部和西部地区的经济发展水平和自然资源禀赋存在差异,全国范围内实现“双碳”目标的压力也有所不同。经济发达地区通常能源需求较高,但风能和太阳能资源有限,而这使得青藏高原等欠发达地区承担了更大的脱碳责任[3]。截至2023年,青藏高原的风电装机容量已超过57,983兆瓦,光伏发电的总装机容量则超过82,164兆瓦,而并网型聚光太阳能发电的装机容量相对较小,仅为3,904兆瓦。中国可再生能源的发展面临着诸多挑战,包括资源优先级不明确、土地建设与生态环境保护之间存在严重冲突,以及选址与能源供应能力不匹配等问题。因此,解决土地开发和选址问题,协调可再生能源建设与生态环境的关系,是进一步推进西部地区大型清洁能源基地建设、加速向新型电力系统转型的关键[4]。为有效应对这些挑战,有必要对现有的土地开发、选址以及可再生能源项目生态影响相关的研究方法进行评估。研究表明,可再生能源的开发潜力在很大程度上受土地使用限制的影响[5]。为每种土地覆盖类型赋予适宜性因子,可将土地可用性有效地纳入潜力评估之中[6]。目前,可再生能源建设的土地开发和选址工作大多针对单个项目展开,或是在区域层面综合考虑社会、技术和经济因素,以确定可再生能源技术的地理、技术和经济潜力[7]、[8]、[9]。从概念上讲,可再生能源潜力的评估通常遵循一种嵌套层次结构:首先确定理论潜力,即研究区域内所有可利用的资源总量(如风能通量或太阳辐射强度);接着通过生态、土地使用和监管约束排除不可开发的土地,得出地理潜力;再考虑转换效率、风机或光伏板间距以及设备本身的性能限制,确定技术潜力;最后结合能源平准化成本、电网接入条件和市场状况,确定经济潜力。因此,每一层评估结果的可靠性都取决于在地理潜力阶段对生态和环境约束的体现程度,以及这些约束是被视为严格的二元排除项、带有权重的软约束,还是作为预测模型中的潜在结构来处理。在过去十年中,如何更好地在空间层面体现这些约束已成为可再生能源选址研究的核心焦点[22]、[23]、[76]。此外,还有研究探讨了设置缓冲区以保护指定的保护区以及其他具有文化和休闲价值的区域的做法[5]、[7]。许多研究指出,风力发电机的快速扩张会破坏生物群落的物种构成,干扰鸟类及濒危物种的迁徙路径[5]、[10]。同时,风力发电、光伏发电和聚光太阳能发电等可再生能源设施建设过程中带来的人为干扰,也会破坏土壤结构,影响植被生长[11]、[12]。这些负面影响凸显出在发展可再生能源的同时如何与可持续发展目标相协调的难题[13]。在中国 的生态环保和地域空间规划体系中,“三区三线”和“三线一单”制度需要得到严格执行,尤其是在青藏高原地区[14]。尽管这些制度包含了一些生态保护和空间管控的内容,但缺乏整体的连贯性和整合性。仅仅限制发电项目的建设距离是不够的[15],还必须将城市空间、生态空间、农业空间以及生态系统重要性和生态环境脆弱性等指标全面纳入可再生能源的空间规划体系之中[16]。因此,在考虑生态环保的前提下最大化资源开发和利用效率,已成为未来研究的重要方向[17]、[18]。土地生态适宜性是由社会、经济、自然、环境及生态等多方面因素共同决定的,这些因素用于评估将土地用于建设项目的适宜性[9]、[19]。生态适宜性分区则是根据生态适宜性评估结果来确定允许开发的区域,这一过程涉及对各类影响因素的指标和权重进行精细化调整。通过“底线法”,该方法能够明确界定禁止开发或允许开发的区域,通常会形成固定的开发阈值[20]。这种方法已成为划分基本农田、功能区、土地资源以及开展旅游规划与管理的基础。Collins等人[21]认为,通过生态适宜性分区来确定项目建设的地点,是一种有效的手段,可用于识别并优先选择最适宜的区域进行后续开发。该方法通过定量评估生态因素,来确定建设区域的最佳位置、生态边界以及适宜性等级。从方法论上看,大规模项目适宜性的评估与分区工作呈现出清晰的演进轨迹,每一代方法都是为了解决前一代方法的局限性而出现的。目前,用于评估和划分大规模项目建设生态适宜性的方法有很多,主要包括简单叠加法、多指标综合评价法和人工智能算法[22]、[23]。这三种方法可以看作是建模能力逐步提升的体现。由于简单叠加法过于简单,且难以适应复杂的场景,因此在处理土地评估中的复杂问题时存在不足[24]。为克服这一问题,多指标综合评价法需要确定权重计算和指标聚合的方法。常见的权重计算方法包括层次分析法、网络分析法和有序加权平均法[25],而指标聚合则可以通过布尔运算、线性加权组合和模糊逻辑评分等方法来实现[24]。多指标综合评价法的优势在于能够揭示适宜性的内在结构特征,简化复杂的计算过程[26],但需要专家判断来建立合理的评估框架,这可能会带来主观性因素。进一步来看,人工智能技术在揭示生态系统中的复杂非线性关系以及优化权重方面具有优势,但其可解释性仍有待提升[24]。为解决这一问题,可以将人工智能技术与多指标综合评价法相结合,利用随机森林和梯度提升机之类的机器学习模型,根据指标的重要性来分析权重。这种方法可以通过聚类分析和图像分割算法实现大规模适宜性分区的自动化,从而为动态化和适应性管理提供决策支持[27]、[28]。最近,通过采用可解释人工智能技术,也可以有效缓解传统人工智能固有的黑箱特性,这类技术能够提高决策过程的透明度和可理解性[29]。从基于规则的叠加法,到专家加权聚合法,再到数据驱动的学习方法,最后是可解释的数据驱动学习方法,这一逐步发展的过程体现了人们在平衡三种相互矛盾的需求——建模灵活性、权重分配的客观性以及最终分类的透明度——方面所做的持续努力。在这样的方法论背景下,过去五年间一个尤为活跃的研究方向,就是将这些理念转化为用于可再生能源潜力评估的地理空间决策框架,在这类框架中,生态适宜性分区与地理、技术和经济潜力の估算紧密结合起来。Elkadeem等人[76]通过开发一种1公里的GIS–最佳最差法框架,为这一方向做出了示范,该框架涵盖了气候、技术、选址、成本、生态和社会等多个方面的16项约束性和评估性标准,用于共同分析埃及太阳能光伏和陆上风力发电系统的地理、技术和经济潜力,进而生成全国范围内的空间化适宜性地图和能源成本分布图。在之前的研究[77]中,同一组研究者进一步将这种地理空间多准则分析方法从单纯的选址评估拓展到了肯尼亚混合可再生能源系统的选址与设计优化,他们将GIS–最佳最差法与理想解相似度排序法和VIKOR优化折中法相结合,根据一系列可持续性指标对不同的农村电气化方案进行排序。在其他领域也有类似的研究,例如Yildiz[9]研究了土耳其巴勒克埃西尔的风电场选址问题,Xu等人[31]研究了中国瓦房店的风电场选址问题,Gouareh等人[26]研究了阿尔及利亚大型聚光太阳能发电项目的选址和技术潜力评估问题,Uyan[33]则研究了土耳其卡拉皮纳尔的太阳能电站选址问题。总体而言,这些研究得出了两个重要结论:空间显式的多准则框架能够显著提升可再生能源选址决策的严谨性与可重复性;而高分辨率(≤1公里)的GTE潜力图在区域到国家层面都是可行且具有规划意义的。然而,在上述GIS–MCDM相关文献中仍存在两个结构性缺陷。首先,权重确定方法仍依赖专家决策技术,如BWM、AHP、ANP或TOPSIS,这类方法不可避免地会引入主观性、专家间差异性,以及权重向量在不同生态特征显著的区域间的适用性限制。其次,这些框架通常仅输出聚合后的适宜性得分,缺乏指标层面的数据驱动型解释机制——也就是说,它们无法量化每个准则对特定适宜性类别的贡献程度,而环境监管机构与项目开发商越来越需要这种归因能力,以便为在青藏高原等脆弱生态系统上的宏观选址决策提供依据。正是由于这两个方法学缺陷——主观权重设定与缺乏分类级归因——促使本研究采用了可解释的数据驱动框架。此外,该领域的先前研究在应用范围上也存在若干局限:其一,现有研究主要关注城乡地区的整体项目建设适宜性,对特定类型项目的研究较少[24]、[30],例如在可再生能源电力系统建设的生态适宜性分区研究方面就存在明显不足[26];其二,大多数现有评估体系侧重于评估因素的数量,往往将生态或环境因素视为直接约束条件,却未量化其对土地开发与建设的正面或负面影响[7]、[26];其三,从宏观生态学视角来看,生态适宜性评价与分区通常基于单个生态因素的静态空间分布,而非考虑多个功能组分的耦合生态过程[24]、[31]。因此,有必要将动态生态过程纳入方法论框架,以构建生态适宜的分区体系[14]、[32]、[33]。如何在综合考虑气候资源、土地资源及生态系统服务评估的基础上动态预测风能开发潜力,仍是当前重要的研究空白[13]、[34]。解决这一难题需要整合两种技术:动态生态适宜性分区与传统的选址方法。本研究提出了一种新型框架,将MICE与XAI相结合,创新性地纳入了更具代表性的综合生态适宜性指标,并运用四种XAI技术对比其生态适宜性分区预测结果,为可再生能源规划提供了一种更为全面、灵活且可解释的动态方法。本研究旨在通过所提出的框架,从生态适宜性约束的角度,利用项目建设分区结果全面绘制青藏高原的风能地理潜力图,同时探讨不同影响因素对该地区长期发展潜力的影响。本研究的主要贡献如下:1)从气候资源禀赋、建设运营维护、生态系统重要性、生态环境敏感性以及社会经济性五个维度选取了20项指标,构建了一套用于评估风力发电系统生态适宜性的方法体系,可为青藏高原的大规模可再生能源部署提供支持,且所得结果的空间分辨率为1公里;2)开发了一种混合证据集成学习框架用于动态生态适宜性分区,该框架结合了基于熵权法的指标先验值、实际案例参考点(已投入运行的风电场及保护区核心区),以及四种可解释人工智能模型;并通过三级验证流程与规则-参考点消融分析对该框架进行了验证;3)综合考虑气候资源稳定性与发电效率,评估了风力发电的地理发展潜力,同时分析了各类指标对长期部署潜力的影响。

研究区域与数据来源
青藏高原位于亚洲中部,纬度范围为北纬26°10′至39°0′,经度范围为东经73°20′至104°20′,总面积约250万平方公里。本研究聚焦中国境内的青藏高原区域,涵盖青海、西藏、四川、甘肃、新疆和云南5个省(自治区),以下简称“青藏高原”。该地区平均海拔约4000米(见图1),是世界上海拔最高的地区,因此被称为“世界屋脊”和“第三极”。

从生态适宜性约束角度进行建设分区与预测
截至2023年6月,我们选取了1078个已建成的风力发电机组位置,用于验证第2.2.2节中定义的混合证据集成学习框架的四种模型。如图4所示,蓝色标记线标出了用于验证的这1078个现有风力发电机组的位置。通过传统的k均值聚类方法分析,其中240个地点被归类为高度适宜区(评分4),596个地点被归类为非常适宜区(评分5)。

结论
在本研究中,我们提出了一种创新的集成学习框架,用于预测区域风力发电的适宜性等级,从而将风能的地理潜力纳入考量。与以往主要基于风能资源水平、开发条件及运维因素做出决策的方法不同,我们的框架融入了与生态系统重要性和敏感性相关的定量评估指标。

CRediT作者贡献声明
彭怀武:监督、项目管理、调研。张立晓:项目管理、方法设计、调研。刘乃静:软件应用、调研、形式化分析。曾伟华:监督、项目管理、资金筹措。李晓涵:软件应用、方法设计。李兴勇:可视化处理、调研。张瑞佳:验证、方法设计、形式化分析、数据整理、概念构建。王丽婷:文章润色与编辑、初稿撰写。

利益冲突声明
? 作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢
本研究得到了中国国家重点研发计划“青藏高原大规模太阳能与风能发电系统及生态环境协同规划技术”项目(项目编号2022YFB4202101)的支持。同时,我们衷心感谢John Kaiser Calautit博士对本手稿的语言细节所做的细致审阅与宝贵修改。

王丽婷|张瑞佳|John Kaiser Calautit|马秉然|马俊伟|张立晓|彭怀武|曾伟华|刘乃静|李兴勇|李晓涵
中国北京师范大学环境学院环境模拟与污染控制国家重点联合实验室,北京100875
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号