Deep Learning for Photovoltaic Station Identification and Its Impact on Vegetation Spatial Aggregation

QIAO Jiajia ,  

YAN Min ,  

LIU Yongqiang ,  

ZHANG Li ,  

WU YIN ,  

CHEN Yiyang ,  

SHAO Wei ,  

摘要

تمتلك منطقة شينجيانغ الذاتية الحكم للويغور موارد أرض وحرارة شمسية غنية، ومع زيادة الطلب على الطاقة المتجددة وتطور تقنيات الطاقة الشمسية، تأتي سعة تركيب محطة توليد الطاقة الشمسية في شينجيانغ في المقدمة الوطنية. يمكن توفير نتائج كمية ودقيقة لتحديد توزيع محطات الطاقة الشمسية ودعم اتخاذ القرارات لتوجيه البيانات في اختيار مواقع الطاقة الشمسية في شينجيانغ. استخدمت هذه الدراسة نماذج تقسيم الصورة الدلالية للتعلم العميق من ثلاث هياكل (UNet، PSPNet، DeepLabV3+) وثمانية شبكات نقاط المرجع (ResNet-34، ResNet-50، ResNet-101، ResNet-152، MobileNetV2، DarkNet53، VGG16، Dense121) لاستخراج توزيع محطة الطاقة الشمسية في منطقة شينجيانغ. ولدراسة تأثير بناء محطات الطاقة الشمسية على تجمعات النباتات الفضائية، تم حساب مؤشر الأمان العالمي للنباتات في الفترات الزمنية داخل فترات الشيانبوز التي تتراوح بين ٣٠ مترا و٦٠٠ مترا بين معالم في حاجز محطة الطاقة الشمسية. النتائج تظهر: (١) كان تأثير تعرف محطة الطاقة الشمسية الفعال الأفضل مبني على نموذج UNet-ResNet٥٠، وكان معدل الدقة ٩٨.٦٤٪ (+٠.٩٪) وكان نسبة F1 ٩٥٪ (+٠.٤٪) وكان معدل توافق النقاط ٩٠.٤٧٪ (+٠.٥٧٪)، وكان تأثير التعرف الفائق بمعظمه من المجموعة العالية الجودة لمحطات الطاقة الشمسية مع إظهار ممتاز في استخراج السمات وإظهار توازنًا للأداء العميق. (٢) تمت استخراج محطات الطاقة الشمسية في شينجيانغ لعام ٢٠٢٠ باستخدام صور السات

关键词

photovoltaic station;semantic segmentation model;vegetation spatial aggregation;Global Moran's Index.

阅读全文