Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions

Από RemoteSensing Wiki

Δεν έχετε άδεια για να επεξεργαστείτε αυτή τη σελίδα, για τους ακόλουθους λόγους:

• Η ενέργεια που ζητήσατε είναι περιορισμένη σε χρήστες σε μία ομάδα: Χρήστες.
• Πρέπει να επιβεβαιώσετε την διεύθυνση e-mail σας πριν μπορέσετε να επεξεργαστείτε σελίδες. Παρακαλώ θέστε και επικυρώστε την διεύθυνση e-mail σας μέσω των προτιμήσεων χρήστη σας.

Μπορείτε να δείτε και να αντιγράψετε τον κώδικα αυτής της σελίδας:

= Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions = '''Xiaofan Feng, Zhengjia Zhang, Qi Chen, Zhiling Guo, Haoran Zhang, Mengmeng Wang, Wei Gao, Xiuguo Liu''' '''[https://www.sciencedirect.com/science/article/pii/S0960148125000023?via%3Dihub]''' ---- == 1. Εισαγωγή == Η ανάγκη για μείωση των εκπομπών άνθρακα στον πλανήτη και κατ’επέκταση η συνεχής αύξηση της τεχνολογίας των εργαλείων για εκμετάλλευση των ανανεώσιμων πηγών ενέργειας, και συγκεκριμένα της ηλιακής ενέργειας έχει οδηγήσει στον κορεσμό της ελεύθερης γης για τοποθέτηση φωτοβολταϊκών (φ/β) πάρκων. Η συγκεκριμένη έρευνα πραγματεύεται την εξερεύνηση ορεινών περιοχών και την δυνατότητα δημιουργίας (φ/β) πάρκων σε τέτοιου είδους δύσβατες περιοχές, όπου όμως η ηλιακή ακτινοβολία φτάνει υψηλά επίπεδα, με τη βοήθεια της τηλεπισκόπησης, των γεωγραφικών συστημάτων πληροφοριών (ΓΣΠ) και της μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια. == 2. Περιγραφή του προβλήματος == Το κύριο πρόβλημα που εξετάζεται είναι η έλλειψη διαθέσιμης γης για την εγκατάσταση φωτοβολταϊκών μονάδων. Η κατασκευή σε ορεινό ανάγλυφο είναι ιδιαίτερα περίπλοκη λόγω της ακανόνιστης τοπογραφίας. Οι ερευνητές επικεντρώνονται σε τέσσερα βασικά ζητήματα: • Ποιοι παράγοντες πρέπει να ληφθούν υπόψη για την επιλογή τοποθεσίας σε βουνά. • Ποιες περιοχές είναι πραγματικά κατάλληλες για την κατασκευή φ/β εγκαταστάσεων. • Ποια είναι η δυνατότητα παραγωγής ενέργειας. • Ποιο είναι το ισοσταθμισμένο κόστος ενέργειας (LCOE) με βάση τις τιμές της ορεινής γης. Επιπλέον, η μελέτη λαμβάνει υπόψη τους αυστηρούς περιορισμούς των πολιτικών χρήσης γης, όπως η προστασία της καλλιεργήσιμης γης και οι οικολογικές «κόκκινες γραμμές», όπως αυτές ορίζονται από τον εθνικό χωροταξικό σχεδιασμό. == 3. Μεθοδολογία == Η μεθοδολογία περιλαμβάνει 4 κύρια στάδια που παρουσιάζονται με σειρά προτεραιότητας: '''''α. Επιλογή των κριτηρίων''''' Αρχικά, επιλέχθηκαν τα παρακάτω 9 κριτήρια: • ηλιακή ακτινοβολία • κλίση εδάφους (slope) • υψόμετρο • ρυθμός παραμόρφωσης επιφάνειας εδάφους • πυκνότητα δικτύου γραμμών μεταφοράς • προσανατολισμός (aspect) • κάλυψη γης (land cover) • προσβασιμότητα μεταφορών • απόσταση από υδάτινους πόρους Η επεξεργασία των γεωγραφικών δεδομένων έγινε στο περιβάλλον ArcGIS 10.2 (Spatial Analyst). Χρησιμοποιήθηκαν δεδομένα υψομέτρου NASADEM για την εξαγωγή της κλίσης και του προσανατολισμού, ενώ η ηλιακή ακτινοβολία αντλήθηκε από το μοντέλο ERA5-Land. '''''β. Χρήση της μεθόδου MT-InSAR (Multi-Temporal Interferometric Synthetic Aperture Radar)''''' Χρησιμοποιήθηκε η μέθοδος MT-InSAR για την παρακολούθηση της παραμόρφωσης της επιφάνειας του εδάφους και κατά συνέπεια τον εντοπισμό γεωλογικά σταθερών περιοχών, αποφεύγοντας περιοχές με κίνδυνο κατολισθήσεων. Η τεχνική βασίστηκε στην επεξεργασία 52 δορυφορικών εικόνων ραντάρ Sentinel-1 μέσω του λογισμικού StaMPS (Stanford Method for Persistent Scatterers), επιτρέποντας μετρήσεις μετακίνησης του εδάφους με ακρίβεια χιλιοστού. '''''γ. Μοντέλο OPA (Ordinal Priority Approach)''''' Εφαρμόστηκε το μοντέλο OPA για την αξιολόγηση της καταλληλότητας των κριτηρίων και τον υπολογισμό των βαρών καθενός από αυτά, αποφεύγοντας τις υποκειμενικές συγκρίσεις άλλων μεθόδων (όπως η AHP). Το μοντέλο OPA επιλύθηκε μέσω γραμμικού προγραμματισμού (χρησιμοποιώντας λογισμικά όπως το MATLAB), αποδίδοντας την υψηλότερη βαρύτητα στην ακτινοβολία (0,3535) και στην κλίση (0,1768). '''''δ. LCOE (Levelized Cost of Energy)''''' Τέλος, εκτιμήθηκε η ετήσια παραγωγή ενέργειας και το οικονομικό κόστος της επένδυσης. Η χωρική υπέρθεση (overlay) των δεδομένων έγινε με το Raster Calculator του ArcGIS. Για το οικονομικό σκέλος, χρησιμοποιήθηκε ο δείκτης LCOE (Levelized Cost of Energy), ενσωματώνοντας τον παράγοντα "αυξημένου κόστους ορεινής κατασκευής" για να διασφαλιστεί η ρεαλιστική απόδοση της επένδυσης. == 4. Αποτελέσματα == Η μελέτη στην περιοχή Yongren κατέληξε σε συγκεκριμένα ποσοτικά δεδομένα: • ''Επιλογή Γης:'' Εντοπίστηκαν 85,45 km2 ως "εξαιρετικά κατάλληλες" περιοχές. • ''Ενεργειακό Δυναμικό:'' Η ετήσια παραγωγή εκτιμάται στα 665,41 GWh. • ''Οικονομική Απόδοση:'' Το LCOE (Levelized Cost of Energy) υπολογίστηκε στα 0,3963 RMB/kWh. Το μοντέλο υπολόγισε το LCOE ενσωματώνοντας το "Mountainous Construction Cost" (αυξημένο κόστος λόγω κλίσης και δυσκολίας πρόσβασης). • ''Εγκυρότητα:'' Ο χάρτης καταλληλότητας που παρήγαγε το ArcGIS επαληθεύτηκε με οπτική σύγκριση από δορυφορικές εικόνες υψηλής ανάλυσης (Google Earth), δείχνοντας ότι οι περιοχές που υποδείχθηκαν είναι όντως ελεύθερες από δάση ή καλλιέργειες. == 5. Συζήτηση == Το προτεινόμενο πλαίσιο προσφέρει μια ολοκληρωμένη λύση στο πρόβλημα της σπανιότητας γης για την ανάπτυξη των φωτοβολταϊκών. Η ενσωμάτωση της τεχνολογίας MT-InSAR κρίνεται κρίσιμη για την ασφάλεια των εγκαταστάσεων σε ορεινά εδάφη. Οι συγγραφείς τονίζουν ότι η επιλογή των τοποθεσιών πρέπει να ευθυγραμμίζεται αυστηρά με τις εθνικές πολιτικές προστασίας του περιβάλλοντος και της γεωργίας. Τελικά, η ανάπτυξη φωτοβολταϊκών σε ορεινές περιοχές δεν συμβάλλει μόνο στη μείωση των εκπομπών άνθρακα, αλλά ενισχύει και την οικονομική ανάπτυξη των αγροτικών περιοχών μέσω της χρήσης ανεκμετάλλευτης γης.

Επιστροφή στη σελίδα Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions.