Précédent|Prochain

Évolution dynamique de l'utilisation des terres des centrales photovoltaïques à Ordos sur une longue période et simulation de scénarios

  • role： First author第一作者
  • Affiliation：

    Inner Mongolia Research Institute of China University of Mining and Technology-Beijing, Ordos 010300, China

  • Email：gqygqy666@163.com
  • Introduction：郭祺钰，研究方向为资源环境遥感。E-mail： gqygqy666@163.com
GUO Qiyu1,  
  • Affiliation：

    Inner Mongolia Research Institute of China University of Mining and Technology-Beijing, Ordos 010300, China

LI Kangning1,  
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

CHEN Yunhao2,  
  • role： Corresponding author通信作者
  • Affiliation：

    Inner Mongolia Research Institute of China University of Mining and Technology-Beijing, Ordos 010300, China

  • Email：jjb@cumtb.edu.cn
  • Introduction：蒋金豹，研究方向为资源环境遥感。E-mail： jjb@cumtb.edu.cn
JIANG Jinbao1*

résumé

L'énergie solaire, en tant qu'énergie propre, contribue à la réalisation des objectifs de pic des émissions de carbone et de neutralité carbone en réduisant les émissions de carbone. Les centrales photovoltaïques utilisent le rayonnement solaire pour produire de l'électricité, constituant une forme importante d'énergie propre, transformant l'énergie solaire en électricité grâce à la technologie de conversion photovoltaïque, réalisant un processus de production d'électricité à faible émission de carbone et sans pollution. L'inclusion des centrales photovoltaïques dans la classification de l'utilisation des terres aide à évaluer de manière globale l'utilisation des ressources terrestres et l'impact sur l'environnement écologique. Cependant, les études existantes manquent d'analyses sur l'évolution de l'utilisation des terres à long terme pour les centrales photovoltaïques et ne prévoient pas la construction future de centrales photovoltaïques basée sur différents scénarios politiques. Cet article s'appuie sur les données Landsat 5 et GF-2 de 2000 à 2023 pour une interprétation visuelle des centrales photovoltaïques dans la ville d'Ordos, et analyse les changements de surface, la transformation des types et les variations spatiales des centrales photovoltaïques dans toute la ville. De plus, l'article trace une projection elliptique de Gauss et analyse les caractéristiques spatio-temporelles des centrales photovoltaïques tous les 5 ans entre 2000 et 2023 grâce à l'évolution du centre de gravité de la projection elliptique. Enfin, le modèle PLUS est utilisé pour analyser les facteurs moteurs et prévoir l'évolution future des types d'utilisation des terres à Ordos sous différents scénarios politiques. Les résultats montrent que la structure spatiale régionale des changements d'utilisation des terres de 2000 à 2011 est globalement similaire à celle de 2011 à 2023, mais que les changements régionaux montrent de nouvelles caractéristiques. Depuis 2011, certains types d'utilisation des terres commencent à se transformer en centrales photovoltaïques. De plus, l'analyse du modèle PLUS montre que la croissance démographique, la température de surface, le flux de chaleur du sol, les politiques et les précipitations sont les principaux facteurs entraînant les changements d'utilisation des terres à Ordos, avec des prévisions pour 2030 basées sur trois scénarios politiques. Dans ces scénarios, les surfaces de constructions, de forêts, de plans d'eau, de terres cultivées, de prairies et de centrales photovoltaïques augmentent toutes. Les prévisions pour 2030 indiquent une diminution des surfaces de désert et de sable de 173,57 km² et 1,91 km² respectivement par rapport à 2023 ; les autres types d'utilisation des terres augmentent, notamment une augmentation d'environ 2,46 km² des centrales photovoltaïques. Les prévisions d'utilisation des terres à Ordos sous différents scénarios fournissent une base scientifique pour la planification foncière, la gestion des ressources et la protection de l'environnement dans la ville.

mots-clés

télédétection; centrales photovoltaïques; structure spatiale; changement spatio-temporel; facteurs moteurs; simulation de scénarios

References

  1. 1.
    Bian Z H, Ma X X, Gong L C, Zhao J, Zeng C F and Wang L C. 2017. Land use prediction based on clue-s model under different non-spatial simulation methods: a case study of the qinhuai river watershed. Scientia Geographica Sinica, 37(2): 252-258
  2. 2.
    Chen N, Xin C L, Zhang B, Xin S J, Tang D B, Chen H X and Ma X. 2023. Contribution of multi-objective land use optimization to carbon neutrality: a case study of Northwest China. Ecological Indicators, 157: 111219
  3. 3.
    Du H L. 2022. Practical exploration of ordos to promote green and innovative development of energy industry. New Economy and Future Industry, (4): 50-54
  4. 4.
    Feng Q L, Niu B W, Ren Y, Su S, Wang J D, Shi H D, Yang J Y and Han M Y. 2024. A 10-m national-scale map of ground-mounted photovoltaic power stations in China of 2020. Scientific Data, 11: 198
  5. 5.
    Guo G J. 2019. Research on the Influence of local government's environmental policy on regional ecological efficiency: based on 2008~2017 provincial panel data. Shanghai: East China Normal University
  6. 6.
    Hai K, Wang S Y, Tu P, Yang R X, Ma Y X, Liang J Z, Liu W H and Wu L L. 2022. Spatio-temporal patterns and driving forces of recent (1992—2015) land cover change in countries along the belt and road initiative. National Remote Sensing Bulletin, 26(6): 1220-1235
  7. 7.
    Hao Q M. 2014. Study on the current situation and development of solar energy application in Erdos city. Technological Pioneers, (3): 151-152
  8. 8.
    Hazra A, McNally A, Slinski K, Arsenault K R, Shukla S, Getirana A, Jacob J P, Sarmiento D P, Peters-Lidard C, Kumar S V and Koster R D. 2023. NASA’s NMME-based S2S hydrologic forecast system for food insecurity early warning in southern Africa. Journal of Hydrology, 617: 129005.
  9. 9.
    Jiang H, Yao L, Bai Y Q and Zhou C H. 2024. Assessment of rooftop photovoltaic power generation potentials by using multisource remote sensing data. National Remote Sensing Bulletin, 28(11): 2801-2814
  10. 10.
    Karra K, Kontgis C, Statman-Weil Z, Mazzariello J C, Mathis M and Brumby S P. 2021. Global land use/land cover with Sentinel 2 and deep learning//2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. Brussels: IEEE: 4704-4707
  11. 11.
    Li K N, Chen Y H, Wang M J and Gong A D. 2019. Spatial-temporal variations of surface urban heat island intensity induced by different definitions of rural extents in China. Science of the Total Environment, 669: 229-247.
  12. 12.
    Liang J T, Chen C, Sun W W, Yang G, Liu Z S and Zhang Z L. 2023. Spatio-temporal land use/cover change dynamics in Hangzhou Bay, China, using long-term Landsat time series and GEE platform. National Remote Sensing Bulletin, 27(6): 1480-1495
  13. 13.
    Liang X, Guan Q F, Clarke K C, Liu S S, Wang B Y and Yao Y. 2021. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: a case study in Wuhan, China. Computers, Environment and Urban Systems, 85: 101569.
  14. 14.
    Liu B C and Huo X K. 2024. Prediction of photovoltaic power generation and analyzing of carbon emission reduction capacity in China. Renewable Energy, 222: 119967.
  15. 15.
    Liu B X, Huang Y H, Fu J Y and Jiang D. 2012. Analysis on spatio-temporal change and driving forces of land use in Tianjin harbor. Journal of Geo-information Science, 14(2): 270-278
  16. 16.
    Liu J Y and Buheaosier. 2000. Study on spatial-temporal feature of modern land-use change in China: using remote sensing techniques. Quaternary Sciences, 20(3): 229
  17. 17.
    Long R Y, Cui W H and Li Q W. 2017. The evolution and effect evaluation of photovoltaic industry policy in China. Sustainability, 9(12): 2147
  18. 18.
    Ma S, Liu J H, Zhang P, Tu X Y, Zhou J N, Liu Y and Zheng Y J. 2023. Characterizing the development of photovoltaic power stations and their impacts on vegetation conditions from Landsat time series during 1990-2022. Remote Sensing, 15(12): 3101
  19. 19.
    Prudente V H R, Skakun S, Oldoni L V, Xaud H A M, Xaud M R, Adami M and Sanches I D. 2022. Multisensor approach to land use and land cover mapping in Brazilian Amazon. ISPRS Journal of Photogrammetry and Remote Sensing, 189: 95-109
  20. 20.
    Qu Z, Yang S C, Xiao J H. 2024. Current situation and potential of photovoltaic power plant construction in northwestern China under the background of carbon peaking and carbon neutrality. Journal of Arid Land Resources and Environment, 38(2): 20-26
  21. 21.
    Quan J L, Chen Y H, Zhan W F, Wang J F, Voogt J and Wang M J. 2014. Multi-temporal trajectory of the urban heat island centroid in Beijing, China based on a Gaussian volume model. Remote Sensing of Environment, 149: 33-46
  22. 22.
    Tang X J, Woodcock C E, Olofsson P and Hutyra L R. 2021. Spatiotemporal assessment of land use/land cover change and associated carbon emissions and uptake in the Mekong River Basin. Remote Sensing of Environment, 256: 112336.
  23. 23.
    Tian Z Q, Zhang Y, Liu X, Chen S Y, Liu B L and Wu J H. 2024. Effects of photovoltaic power station construction on terrestrial environment: retrospect and prospect. Environmental Science, 45(1): 239-247
  24. 24.
    Wang B J and Yu P. 2022. Evaluation on the policy efficacy and effect of photovoltaic industry——quantitative analysis of China's policy texts from 2010 to 2020. Soft Science, 36(8): 9-16
  25. 25.
    Wang Z Y, Wang J, Gao Y, Dang X H and Meng Z J. 2019. Impacts of photovoltaic power station construction on ecology environment in sandy area. Bulletin of Soil and Water Conservation, 39(1): 191-196
  26. 26.
    Xu X C, Li B J, Liu X P, Li X and Shi Q. 2021. Mapping annual global land cover changes at a 30 m resolution from 2000 to 2015. National Remote Sensing Bulletin, 25(9): 1896-1916
  27. 27.
    Yu Z L, Zhao M S, Gao Y F, Wang T, Zhao Z D and Wang S H. 2023. Multiscenario simulation and prediction of land use in Huaibei city based on CLUE-S and PLUS models. Applied Sciences, 13(12): 7142.
  28. 28.
    Zhang X, Liu L Y, Chen X D, Gao Y, Xie S and Mi J. 2020. GLC_FCS30: global land-cover product with fine classification system at 30 m using time-series Landsat imagery. Earth System Science Data, 13(6): 2753-2776
  29. 29.
    Zhang X, Wang M P and Shi W. 2024. Scenario analysis of PV power generation path in Ordos region under carbon neutrality target. Solar Energy, (4): 20-28.
  30. 30.
    Zhu J F, Zhou Y, Wang S X, Wang L T, Liu W L, Li H T and Mei J J. 2019. Analysis of changes of Baiyangdian wetland from 1975 to 2018 based on remote sensing. Journal of Remote Sensing (in Chinese), 23(5): 971-986
  31. 31.
    Zou C N, Li S X, Xiong B, Chen Y P, Zhang G S, Xie X P, Liu H L, Ma F, Liang Y B, Zhu K, Guan C X, Pan S Q, Hou M F, Yuan Y L, Lou S H.2024. Connotation, pathway and significance of carbon neutrality “super energy system”: A case study of the Ordos Basin, NW China. Petroleum Exploration and Development, 51(4): 924-936

Lire l'article complet

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website