基于几何约束的倾斜影像特征匹配方法

韦春桃; 张冬梅

doi:10.3969/j.issn.0258-2724.20210662

基于几何约束的倾斜影像特征匹配方法

doi: 10.3969/j.issn.0258-2724.20210662

重庆交通大学土木工程学院，重庆 400074

基金项目: 重庆市基础科学与前沿技术研究专项重点项目（cstc2015jcyj BX0023）

详细信息

作者简介:
韦春桃（1968—），女，教授，博士，研究方向为摄影测量与遥感，E-mail：gxglwct@163.com

中图分类号: P237
计量
- 文章访问数: 427
- HTML全文浏览量: 471
- PDF下载量: 65
- 被引次数: 0
出版历程
- 收稿日期: 2021-08-12
- 修回日期: 2021-12-02
- 网络出版日期: 2023-09-06
- 刊出日期: 2022-03-31

Feature Matching Method of Oblique Images Based on Geometric Constraints

School of Architecture & Construction, Chongqing Jiaotong University, Chongqing 400074, China

摘要

摘要:
针对倾斜影像视角变换较大、重复纹理导致匹配数量少、匹配精度不高的问题，提出一种适用于倾斜影像的特征点、线分级匹配方法. 首先，用直线提取（检测）算法（LSD）获取影像直线特征，并将直线特征以一定约束进行直线组对，构建直线对区域与改进的SIFT （scale-invariant feature transform）特征描述符进行匹配，使用RANSAC算法剔除误匹配，获得初始匹配结果后再进行核线约束；然后，利用已获得直线对区域进行影像局部纠正，在纠正后的局部影像上采用SIFT匹配并反算回原始影像，利用得到的同名点全局纠正倾斜影像，并进行特征点匹配与采用基于方格的运动统计算法（GMS）剔除误匹配，仍将匹配结果反算回原始影像上；最后，将仿射尺度不变特征变化结果与点拓展匹配结果进行合并，得到最终匹配结果. 试验结果表明：本文方法匹配正确率与经典的仿射不变匹算法（ASIFT）的正确率相差不大，但匹配数量却是ASIFT算法的1倍～3倍.
- 倾斜影像 /
- 直线特征 /
- 核线约束 /
- 点拓展匹配 /
- 全局纠正
Abstract:
A feature point and line hierarchical matching method is proposed, suitable for oblique images to solve the challenges of large angle in view transformation, a few matches due to repeated texture, and low matching accuracy. Firstly, the line features of images derive from the line extraction (detection) algorithm (LineSegmentDector), follow constraints to pair, and construct line pair regions to match the improved SIFT feature descriptor. Secondly, after RANSAC algorithm eliminates mismatches, the epipolar constraint acts upon the initial matching results. Then, the obtained lines correct the local image, and the corrected local image uses SIFT matching, which contributes to calculating the original image reversely. The obtained matching points are used to globally correct the oblique image, and the feature points are matched; the grid-based motion statistics (GMS) algorithm eliminates the mismatches; the matching results go through reverse calculation and return to the original image. The line matching results and the point expanding matching results combine into final results, showing that the matching accuracy of the proposed method is close to that of ASIFT, but the number of matching is 1-3 times it.
- oblique image /
- line feature /
- epipolar constraint /
- point expanding matching /
- global correction

HTML全文

气候恶化与能源危机的双重压力下，以光伏发电为主的可再生能源利用形式取代传统燃煤、燃油发电等化石能源消耗，已日益成为世界范围能源结构转型的主要发展方向. 预计至2050年，全球光伏发电总量将占据整体电力构成的25%左右^[1]，而我国更是提出至2050年光伏发电量占全社会用电总量39%的总体发展目标^[2]，远高于世界平均发展预期. 其主要原因在于我国光伏组件成本的快速下降及日趋成熟的商业运作模式，但如此快速的发展进程也对未来光伏发电的整体空间部署提出新的要求. 利用戈壁、荒漠等光资源较好的未利用土地集中化部署光伏电站，具有电力输出更为平稳可控及度电成本相对低廉（规模经济效应）等明显优势，但相比城市分布式光伏利用，光伏电站通常依赖长距离电力调配，产生输电损失的同时，还将增加额外输配系统建设投入；此外，其使用周期较长（约25年）且空间占用面积较大，由此所导致的土壤、植被破坏及物种多样性缺失等生态环境影响也同样不容忽视^[3-5]. 因此，选择适宜区域进行光伏电站建设，对于合理指导光伏电站有序开发、保障能源结构可持续转型具有重要意义.

光伏电站选址工作具备一定的复杂性，其站点位置决策通常与电站安全、气象需要、经济、环境与社会等需求密切相关^[6]. 为同时兼顾经济与生态两方面收益，目前，国际范围针对光伏电站选址收益的评价多采用以地理信息系统（GIS）与各项评价指标相结合的多准则决策法（MCDM）进行判定. 该方法以层次分析法（AHP）为基础理论依据，按照电站发展需要制定相关影响因素决策性指标（如日照辐射量、距输电线距离、地形条件等），通过专家打分形式对每项决策性指标所占权重作出评估并进行加权，之后利用GIS空间分析对每处地块区域的指标加权结果进行总分统计，生成光伏利用适宜性地图，以此确立开发建设优先级. 目前，该方法已广泛应用于世界范围不同地区的光伏选址收益研究^[7-10]，通过各地块加权总分排序，可在一定程度为光伏电站建设布局提供规划指导，其相关影响因素分析也为光伏电站选址收益评估提供了重要的理论支撑. 但基于AHP的固有缺陷，其本质仍是一个定性研究的过程，其中的主观性因素难以排除. 此外，既有方法也无法对电站实际生态经济收益量、增减益等问题做出直观的量化描述，因此，其实际指导意义仍存在诸多局限.

出于以上考虑，本文提出一种以能值理论为基础的光伏电站选址及生态经济收益评估方法，将不同影响因素视作光伏电站系统的各项能值投入，通过能值转换率（UEV）将其转化为以太阳能值为标准的统一度量维度，并以能值产投比（EROI）为指标，对各地块区域进行光伏装机后的生态经济收益情况做出评估，就各项能值投入所占比重展开分析，进而为光伏电站有序开发、能源空间整体布局规划提供更为科学的理论指导及参考依据.

1. 研究方法

1.1 基础指标

能值理论最早由美国生态学家Odum^[11]提出. 基于生态系统食物链概念和热力学原理，能值被定义为一种流动或储存的能量中包含另一种类别能量的数量，或产品及劳动形成的过程中直接或间接投入应用的一种有效能的总量. 由于任何能量均源自太阳能，故通常以太阳能值作为衡量任何类别能量的标准，并计作太阳能焦耳（单位：sej），单位能量或物质所包含太阳能值称作其能值转换率^[12]. 与MCDM方法不同，能值评估并非基于人类价值体系的主观因素评估自然界对经济活动的贡献率，而是一种以生态价值为中心，更具客观性及真实性的生物物理学方法^[13]. 因此，以能值理论为依据能够有效实现不同度量维度影响因素间的相互转换，通过模拟及对比光伏电站建设后的能值产出与能值投入情况，即能值产投比（EROI，E_ROI），可更为科学地反映光伏发电系统结构、功能及效率等各方面综合情况，其值为

${E}_{{\rm{ROI}}}=\frac{{\displaystyle\sum} _{i=1}^{n}{R}_{i} {V}_{i}}{{\displaystyle\sum} _{i=1}^{n}{I}_{i} {V}_{i}} \text{，}$

(1)

式中：R_i为光伏电站第i项系统产出当量；I_i为光伏电站第i项系统投入当量；V_i为第i项产出当量或投入当量的太阳能值转换率，sej/单位.

1.2 能量系统边界及影响因素

光伏电站系统的运行是一个相对复杂的过程. 通常情况，技术潜力是衡量某项特定技术实际能源回报的常用指标，即仅考虑地理、土地利用性质及系统性能等条件限制，光伏电站在技术理论上可产出的最大电力^[14]. 但对于光伏发电系统而言，技术潜力仅局限于电力产出这一单一环节，明显地忽略了如组件生产、电站装机等上游系统的能值投入. 因此，本文对技术潜力进行扩展，将光伏发电能量系统边界拟定为电站建设—电站运行—电力输配—城市终端电力获取的全过程，以城市消费终端实际获取电力作为该系统的唯一产出，并认为光伏发电与燃煤、燃油等火力发电技术的度电产出，对于人类社会经济活动具有相同的贡献价值，以火电能值转换率对城市终端电力获取进行折算（图1）.

图 1 光伏发电能量系统边界示意

Figure 1. Energy system boundary of photoroltaic (PV) power generation

下载: 全尺寸图片幻灯片

此外，光伏电站生态经济收益影响因素众多，为简化评估过程，本文提取了既有研究中的主要影响因素，并将其划分为电站建设、新增道路建设及运输、新增输电线路建设及线损、电站使用期间土地占用4个主要方面，分别对其能值投入作出评估.

1.3 影响因素量化

本文以我国内蒙古地区为研究对象. 为便于评估，将电站光伏组件统一拟定为目前性价比较高的多晶硅光伏板，组件型号为JKM270PP-60-DV，组件尺寸1646 mm × 992 mm × 8 mm，峰值功率270 W，光电转换效率16.54%^[15]. 研究数据依据本文拟定光伏电站系统边界进行选取，主要包括地表覆盖栅格数据^[16]，倾斜表面年总辐射栅格数据^[17]，生态功能保护区与国家级自然生态保护区矢量边界^[18-19]、内蒙古地区DEM （digital elevation model）数字高程数据及道路网络、变电站、建成区分布等相关基础设施信息. 此外，各类影响因素能值投入量化方法及其能值转换率涉及电力、生态等多项领域，其计算取值参考来自相关文献研究及设计规范^[20-35]，能值投入产出量化方法见表1，能值转换率取值见表2. 表1中：V_e为电力能值转换率，sej/(kW·h)；A_pi为像元面积，300 m× 300 m；L为光伏组件长度，取值3292 mm；C_p为光伏组件峰值功率，取值270 W；A_p为每光伏组件面积，1646 mm × 992 mm；G_ti为倾斜表面年日照辐射总量，kW·h/（m²·年）；j为光电转换效率，取值16.54%；K为光伏系统综合效率，取值75%；C_L为某区域光伏电站建设的劳动力资本投入，详见第1.3.3节；V_L为货币的能值转换率，sej/€；D_r为某区域光伏电站与其最近既有道路的距离，km；V_rc为道路建设的能值转换率，sej/km；F_v为单车组件运输量，取值380 块/车^[15]；Q_s为4 × 2半挂牵引车综合油耗标准，取值0.359 L/km^[36]；ρ_f为柴油密度，取值0.8425 kg/L；V_f为柴油能值转换率，sej/kg；J_ec为导线经济电力密度，取值1.2 A/mm²；T为光伏电站所处区域的年日照时数^[28]，h； ϕ为电流与电压之间的相位差，cos ϕ为评价电网功率因数，取值0.9；U为新增输电线路的线电压，kV；r为铜导线电阻率，取值17.24 Ω·mm²/km^[26]；D_t为某区域光伏电站与其最近变电站的距离，km；η₀为变压器评价功率损失率，取值6%^[27]；ρ_cu为铜导线密度，取值8.93 g/cm³；V_ca为电缆能值转换率，sej/kg；M_po为单位公里电杆用钢量，取值1 560 kg/km^[25]；V_po为钢的能值转换率，sej/kg；η_n为国家电网综合网损率，本文为蒙东电网5.50%、蒙西电网3.93%^[29]；V_ic为某类地表植被年均固碳量，tC/m²；V_c为固碳量能值转换率，sej/tC.

表 1 本文估量化方法

Table 1. Methods for evaluation used in this study

量化类项	量化公式或取值方法
年电力能值产出/（sej·年⁻¹）	${ {E} }_{ {{\rm{t}}} }={E}{ {V} }_{ {{\rm{e}}} }$
光伏阵列间距/mm	D，文献[36]
光伏安装面积/m²	${ {S}={A} }_{ {{\rm{pi}}} }{L}/{D}$
光伏装机容量/W	${ {C}={C} }_{ {{\rm{p}}} }{S}/{ {A} }_{ {{\rm{p}}} }$
年光伏发电量/（kW·h）	${E}={S}{ {G} }_{ {{\rm{ti}}} }{j}{K}$
电站第 i 项物质投入/（g·m⁻²）	M_i，据文献[20]折算
第 i 项物质能值转换率/ （sej·g⁻¹）	V_i
电站建设能值投入/ （sej·年⁻¹）	${ {E} }_{ { {\rm{s} } } }={S}(1.02{ {\displaystyle\sum } }_{ {i}=1}^{ {n} }{ {M} }_{ {i} }{ {V} }_{ {i} } + { {C} }_{ { {\rm{L} } } }{ {V} }_{ { {\rm{L} } } })$
道路建设能值投入/sej	${ { {E} }_{ {{\rm{rc}}} }={D} }_{ {{\rm{r}}} }{ {V} }_{ {{\rm{rc}}} }$
运输能值投入/sej	${ {E} }_{ {{\rm{rt}}} }=2{ {D} }_{ {{\rm{r}}} }[{C}/({ {C} }_{ {{\rm{P}}} }{ {F} }_{ {{\rm{v}}} }\left)\right]{ {Q} }_{ {{\rm{s}}} }{ {\rho } }_{ {{\rm{f}}} }{ {V} }_{ {{\rm{f}}} }$
道路及运输能值投入/sej	${ { {E} }_{ {{\rm{r}}} }={E} }_{ {{\rm{rc}}} } + { {E} }_{ {{\rm{rt}}} }$
导线截面面积/mm²	${a}={I}/{ {J} }_{ {{\rm{ec}}} }$
电站年均有功功率/（kW·年⁻¹）	${P}={E}/{T}$
输电线路线电流/A	${I}={P}/(\sqrt{3}{U{\rm{cos}}}\;{\phi }{})$
导线电阻/Ω	${R}={r}{ {D} }_{ {{\rm{t}}} }/{a}$
输电线路热损失/kW	${Q}=3{{I}}^{2}{R}$
升压变电热损失/kW	${ { {P} }_{0}={\eta } }_{0}({P}-{Q})/{{\rm{cos}}}\;{\phi }$
输电线路能值投入/sej	${ { {E} }_{ {{\rm{gc}}} }={D} }_{ {{\rm{t}}} }({ {\rho } }_{ {{\rm{cu}}} }{a}{ {V} }_{ {{\rm{ca}}} } + { {M} }_{ {{\rm{po}}} }{ {V} }_{ {{\rm{po}}} })$
年输电损失能值折算/ （sej·年⁻¹）	${ {E} }_{ {{\rm{q}}} }={E}\left[\right({Q} + { {P} }_{0})/{P} + { {\eta } }_{ {{\rm{n}}} }]{ {V} }_{ {{\rm{e}}} }$
土地占用能值投入/sej	${{{E}}_{{{\rm{l}}}}={A}}_{{{\rm{pi}}}}{{L}}_{{{\rm{ci}}}}{{V}}_{{{\rm{c}}}}$
年固碳量/（tC·m⁻²·年⁻¹）	L_ci，依据文献[22-23]折算

下载: 导出CSV

| 显示表格

表 2 本文能值转换率取值

Table 2. Unit emergy values used in this study

能值类项	能值转换率	来源
火力发电/(sej·(kW·h)⁻¹)	1.03×10¹²	文献[20]
铝/（sej·g⁻¹）	2.15×10¹⁰	文献[30]
玻璃/（sej·g⁻¹）	3.20×10⁹	文献[31]
硅/（sej·g⁻¹）	1.39×10¹⁰	文献[20]
铜/（sej·g⁻¹）	2.30×10¹¹	文献[30]
粉尘/（sej·g⁻¹）	1.23×10¹¹	文献[20]
钢/（sej·g⁻¹）	2.12×10⁹	文献[30]
石灰石/（sej·g⁻¹）	5.26×10⁸	文献[32]
废气/（sej·g⁻¹）	1.15×10¹⁴	文献[12]
盐酸/（sej·g⁻¹）	2.14×10⁸	文献[33]
货币/（sej·€⁻¹）	1.02×10¹²	文献[34]
道路建设/（sej·km⁻¹）	2.92×10¹⁸	文献[25]
柴油/（sej·kg⁻¹）	3.52×10¹²	文献[32]
电缆（铜）/（sej·kg⁻¹）	6.79×10¹⁰	文献[25]
电杆（钢）/（sej·kg⁻¹）	6.72×10¹²	文献[25]
固碳/（sej·tC⁻¹）	4.96×10¹⁴	文献[35]

下载: 导出CSV

| 显示表格

1.3.1 可利用地选择

出于生态功能、生态物种及自然遗迹等方面保护需要，当对生态功能保护区和自然生态保护区内光伏电站的装机建设进行严格限制. 依据《光伏发电站设计规范》（GB 50797—2012）^[37]，光伏发电可利用空间区域主要包括河流及湖泊水面、沿海及内陆滩涂、盐碱地、沼泽地、沙地及裸地等未利用土地类型. 但结合区域气候特征、电站建设现状与本文田野调查，内蒙古地区存在大量盐碱化或植被覆盖稀疏的耕地、草原等土地类型被用于光伏电站装机建设，其用地性质仍属未利用地，而类似情况也存在于文献[38-39]中. 同时，出于生态功能、生态物种及自然遗迹等方面保护需要，还当对生态功能保护区和自然生态保护区内光伏电站的装机建设进行严格限制. 因此，考虑实际因素，本文将光伏电站可利用区域拟定为除生态功能保护区、国家级自然生态保护区与城市建成区以外的全部荒漠、裸地（苔原）、稀疏耕地及稀疏草原，并以全球地表覆盖数据对其进行粗略表征. 此外，考虑过于陡峭的地形可能增加电站施工建设与维护方面的操作难度，依据文献[40]取值，将对平均坡度大于等于25° 的地块区域予以排除.

1.3.2 电力能值产出

集中式光伏电站利用自然界未利用土地进行装机建设，其阵列排布方式受地理条件影响较大. 为模拟不同坡度、坡向地形条件下光伏电站装机建设布局，本文参考文献[36]方法，基于每处可利用地像元平均坡度及坡向提取结果，对其光伏阵列间距进行计算. 其中，组件串联方式统一拟定为目前较为常见的双排串联方式，即光伏阵列倾斜面长度L均为2倍组件长度（L=3292 mm）. 而光伏组件最佳倾角参照文献[37]推荐方法，按每处像元所处纬度减去3° 进行计算. 之后，依据表1进一步对其光伏组件安装面积、装机容量、年发电量等相关参数做出评估，结合火电能值转换率对其年电力能值产出量进行折算.

1.3.3 电站建设能值投入

光伏电站建设过程中所涉及的光伏组件、支架结构、连接线缆、逆变器及汇流箱等相关设备来自原材料开采、组件加工等上游产业的物质能量投入，作为生态系统整体可持续性评价，应将其视作光伏发电系统的固有成本纳入计算. 依据文献[20]研究进行折算，本文拟用的光伏组件单位安装面积（1 m²）第i项物质投入（M_i）包含支撑材料（铝）25000.00 g、框架材料（铝）3173.11 g、玻璃6943.31 g、硅835.07 g、铜30.88 g、粉尘46.66 g、非铁金属（铝）14.16 g、钢0.02 g、石灰石等惰性物质32.50 g、废气20.00 g及盐酸等必要化学物质3500.00 g. 同时，目前我国光伏组件安装的劳务费用约0.7～0.9 元/m²，本文以0.85 元/m²（0.11 €/m²）的平均值进行计算. 此外，逆变及布线等其他设备相对投入较少，参考文献[21]取值，按总物质能值投入的2%对其进行大致评估.

1.3.4 道路及运输能值投入

出于光伏电站可达性与建设需求，通常需要依据既有道路网络新建公路以满足物质运输及建设需要. 利用ArcGIS成本路径分配功能，以DEM数据为表面栅格，可实现各地块像元与既有道路网络地理间距的提取，结合相关能值转换率，可计算其新建公路能值投入；而就运输部分能值投入评估，则依据各像元可实现的光伏装机组件数量，参考本文拟用光伏组件单车组件运输量、车辆综合油耗标准等相关运输要求，按地理距离提取结果进行计算.

1.3.5 输电及线损能值投入

集中式光伏发电需要依赖电力网络进行调度，需新增输电线路，将电力产出输送至附近升压变电站进入输电系统，并传递至城市负荷终端. 为简化计算，本文将新增输电线路统一拟定为应用较为广泛的三相四线制10 kV铜导线输电线路. 其中，新增输电线路建设主要计入电缆与电杆两部分能值投入，按电站输出功率不同，其导线截面面积相应有所差异；输电线损部分则主要计入新增输电线路段输电损失与进入国家输电系统后变压、输电损失两部分. 前者可依据各像元光伏电站的年平均输出功率计算得出，而后者则依据变压器平均功率损失、像元所处地区综合网损率等参数粗略评估.

1.3.6 土地占用能值投入

除上述影响因素外，光伏电站的运行周期较长、占用土地面积通常较大. 由此所导致的生物多样性缺失、地表植被及土壤层破坏等次生影响同样需要被视作一项重要的生态经济投入纳入考虑. 但因其涉及种类繁多、尚难以量化，故本文仅将其土地占用期间因地表植被移除所产生的年固碳减少量这一生态收益损失计入土地占用能值投入. 其中，各类地表植被单位覆盖面积（1 m²）年固碳量参考文献[22]，由全球森林年均固碳量^[23]推算得出.

1.4 生态经济收益评估

基于各分项能值指标量化结果，按25年光伏组件使用周期，对式（1）进行扩展. 其中，电站建设投入、道路及运输、新增输电线建设为电站建设初期的一次性投入；而光伏电力产出与输电损失则存在于全部生命周期当中；考虑其原有地表覆盖将可能长期处于无法修复状态，将土地占用的时间维度扩展至100年，并依据生态足迹方法相关要求^[23]，将额外12%的生物多样性保护面积损失纳入考虑范畴. 各地块像元光伏电站能值产投比可由式（2）计算得出.

${E}_{{\rm{ROI}}}=\frac{{25E}_{{\rm{t}}}}{{E}_{{\rm{s}}} + {E}_{{\rm{r}}} + {E}_{{\rm{gc}}} + 25{E}_{{\rm{q}}} + {112E}_{{\rm{L}}}} \text{，}$

(2)

式中：E_L为土地占用年固碳量损失能值折算量，sej/年.

2. 评估结果

内蒙古地区光伏电站可利用面积为605665 km²，约占其总面积的52.80%. 但考虑电站实际生态经济收益（E_ROI＞1），其中具备开发价值的土地面积为 223646 km²，约占总面积的19.50%. 为进一步模拟未来各盟市光伏电站开发情况，本文以我国2050年光伏发电量占比39%的总体发展目标为依据，并结合不同地区用电负荷增长预测，对各盟市光伏电站可利用地面积、可开发面积及2050年光伏电站开发面积等作出综合描述（表3）. 表中：2050年全社会用电量以电力消费弹性系数法估算得出，以2019年各盟市全社会用电量为基期数据参考，该数据来自内蒙古自治区能源局^[41]；年均GDP增长率取自各盟市2014年—2018年平均水平；2050年光伏电站用地面积以各盟市分区可开发土地EROI值降序排列，按年发电量预测值累加至其2050年全社会用电量的39%进行评估. 值得说明的是，考虑光伏电力将主要输配至与其最近的盟市中心城区，因此，表3预测结果并非以行政分区作为城市划分依据，而是基于ArcGIS成本路径分配功能，以各电站（像元）所处区域与其相邻盟市中心距离决定该电站的分区归属.

表 3 各盟市光伏用地概况及2050年发展预测

Table 3. PV land survey and 2050 prospect of each league city

盟市	土地面积统计/km²		2050 年用电量预测/ （×10⁹ kW·h）	2050 年光伏用地面积/km²
盟市	分区面积	可开发土地	2050 年用电量预测/ （×10⁹ kW·h）	2050 年光伏用地面积/km²
呼和浩特	55797	15929	3318.1	593.4
包头	45061	28101	10451.0	1872.2
呼伦贝尔	236431	17741	880.2	206.5
兴安盟	97904	20164	598.3	125.3
通辽	62749	7784	3478.7	729.9
赤峰	58250	5061	2218.0	449.4
锡林郭勒	170328	37332	1800.4	353.2
乌兰察布	51026	14189	6441.6	1247.6
鄂尔多斯	37530	16601	9625.4	1802.6
巴彦淖尔	83092	29458	1658.2	238.2
乌海	48620	17411	4933.4	987.4
阿拉善	199674	13874	1833.9	321.0
总计	1146462	223645	47237.2	8926.7

下载: 导出CSV

| 显示表格

由表3可知：可开发土地面积占比最高的为内蒙古中西部地区；而西部阿拉善地区由于城市密度低、电站开发成本投入较大，其可开发土地占比较低；呼伦贝尔、通辽、赤峰、锡林郭勒等东北部及东部地区由于保护区限制及可利用土地较少，其整体可开发土地占比也处于较低的水平. 此外，以我国2050年光伏发展目标来看，光伏用地开发面积占比呈现出不同程度的差异；如鄂尔多斯、包头两处光伏用地开发面积占比分别需达到各自分区面积的4.80%及4.15%，方可满足光伏电力占比39%的发展预期；而阿拉善、兴安盟及呼伦贝尔等地仅需0.10%左右. 原因在于各地区光伏可利用土地面积的不同，而更为主要的原因则在于地区经济发展速度不同所导致的用电负荷需求差异. 就内蒙古地区总体范围而言，开发约0.78%的土地面积即可满足自身2050年光伏发展目标. 但对于我国经济发展速度更快、可利用地更为紧缺的东部地区而言，仅凭本地区光伏电站开发可能难以满足，而为实现全国范围2050年总体光伏发展目标，内蒙古地区实际所承担的光伏电站开发量将更为巨大. 有效利用EROI能值分析方法进行选址评估，可在实现其电力发展目标的同时，最大程度保障光伏发电生态经济收益，对于优化光伏能源的整体空间部署具有重要的指导意义.

3. 讨　论

3.1 与既有评估方法对比

既有MCDM由于各项决策性指标（即影响因素，如日照辐射强度、距输电线距离、距道路距离等）并非处于同一度量维度，存在能量类别与价值的根本差异，无法简单直接加减. 因此，在具体评估时，需要将各项决策性指标乘以一个相对应的权重，以反映不同决策性指标对于最终综合评价值的影响程度，如式（3）所示. 其中，权重的制定以AHP应用最为常见. 该方法依据参与评估的决策性指标类别，对复杂问题建立主观判断结构，之后依据专家（或从业者）的比较结果，建立判断矩阵，并通过一致性检验，最终依据几何平均法、特征向量法及算数平均法等确定各项决策性指标所占权重向量. 因此，权重值的大小对最终评估结果的影响至关重要.

${S}={\sum }_{{n}=1}^{{N}}{{C}}_{{n}} {{W}}_{{n}} \text{，}$

(3)

式中：S为某电站选址地块的综合收益评价值，C_n为某电站第n项决策性指标的评估值，W_n为第n项指标所占权重值.

权重值的确立因参与评估者认知背景及劳务关系（政府、开发商或研究人员）等各方面差异会产生不同的变化. 图2为不同研究中关于光伏电站选址各项决策指标权重取值的对比. 从图2可以看出：除文献[9]外，日照辐射条件均占据最高权重，而其他决策性指标的权重取值和排序却呈现出不同程度的变化. 尽管一些研究人员采用了其他方法加以改善，如消去与选择转换法（ELECTRE）^[42]、有序加权平均法（OWA）^[43]及优劣解距离法（TOPSIS）^[44]等，但其效果并不显著，原因在于权重标准是MCDM的基础，而人们已经习惯以市场经济价值衡量环境资源所禀赋的生态经济价值，加之个人主观因素的影响，其评估结果难以具备可信度与科学性. 此外，MCDM评判分值的本质只是一个相对的比较值，其本身并不具备任何表征意义，也不能用来回答任何实际生态经济收益状况、实际收益量为多少等. 而相比之下，EROI分析法通过模拟及对比光伏电力系统运作过程中的各项能值投入与产出，并以太阳焦耳作为标准，将生态环境系统与人类社会经济系统有机统一，为衡量和表达光伏电力系统生态经济收益提供了共同的度量标准.

图 2 不同研究中光伏选址决策权重对比

Figure 2. Comparison of decision weights in PV site selection in different studies

下载: 全尺寸图片幻灯片

3.2 度电能值分析

表4为本文抽取的内蒙古地区不同EROI水平下光伏度电能值及其构成情况样本数据. 光伏度电能值越大，代表同等电力产出情况下的生态经济代价投入与环境负载越大，越不宜优先开发. 由此可以量化分析城市终端每度光伏电力来源的能值投入构成情况，并同其他技术形式的同等电力产出进行对比，为技术类型选择、光伏电站区位部署及其能源空间规划提供更为直观科学的指导依据.

表 4 光伏度电能值构成及同火力发电对比

Table 4. Emergy composition per unit PV power generation and comparison with thermal power

EROI	度电能值构成/（sej·(kW·h)⁻¹）					光伏度电能值/ （sej·(kW·h)⁻¹）	占同等火力发电比例/%
EROI	电站建设	土地占用	道路/运输	新增输电线路	输电线损	光伏度电能值/ （sej·(kW·h)⁻¹）	占同等火力发电比例/%
1.00	6.40×10¹¹	2.14×10⁹	3.84×10¹¹	2.94×10⁹	2.21×10¹¹	1.25×10¹²	100.0
1.00	6.76×10¹¹	1.75×10⁹	3.49×10¹¹	3.43×10⁹	2.68×10¹¹	1.30×10¹²	100.0
1.20	6.63×10¹¹	6.55×10⁸	1.57×10¹¹	1.12×10⁹	2.44×10¹¹	1.07×10¹²	79.8
1.20	6.89×10¹¹	8.05×10⁸	1.13×10¹¹	2.39×10⁹	3.52×10¹¹	1.16×10¹²	78.1
1.40	6.49×10¹¹	9.12×10⁸	1.82×10¹⁰	1.54×10⁹	2.44×10¹¹	9.13×10¹¹	65.0
1.40	6.17×10¹¹	5.87×10⁸	4.69×10¹⁰	1.10×10⁹	2.56×10¹¹	9.22×10¹¹	64.7
1.60	5.68×10¹¹	4.78×10⁸	1.91×10¹⁰	2.51×10⁸	1.57×10¹¹	7.44×10¹¹	57.0
1.60	5.66×10¹¹	5.22×10⁸	2.08×10¹⁰	2.73×10⁸	1.57×10¹¹	7.44×10¹¹	57.0
1.73	5.42×10¹¹	1.50×10⁸	0	3.75×10⁷	1.27×10¹¹	6.69×10¹¹	52.6
平均值	6.41×10¹¹	7.06×10⁸	6.00×10¹⁰	1.48×10⁹	2.60×10¹¹	9.63×10¹¹	68.3
注：数据为基于本文评估结果的抽样数据示意，平均值统计包含全部EROI大于1.00地块.

下载: 导出CSV

| 显示表格

由表4可知，光伏电站的度电能值与其选址密切相关. 依据度电能值构成的平均值结果，在光伏度电能值的各项构成中，电站建设的能值投入占据主导地位. 这符合能值分析的理论基础，即能量等级. 基于热力学第二定律，在能量转换链中伴随能量的传递与转换，其能量等级逐渐提高，而能量数量逐渐减少. 因此，能量系统中的高等级者具有更大能值转换率，需要更多的能量投入得以维系. 光伏组件、逆变器等发电设备经过一系列上游人类社会工业生产，涉及大量人类劳动、科技信息及其他高级技术设备，处于光伏发电能量系统中较高的功能地位及能量等级. 但这项投入通常仅与地形条件相关，如表4抽样结果所示，电站建设作为一项固定成本投入在不同EROI水平下并未体现出明显的差异. 除此之外，光伏电站的生态经济收益更大程度取决于输电线路距离及由此所产生的输电损失. 其原因在于，依据本文拟定条件，城市消费终端实际获取电力是光伏发电能量系统的唯一产出，扮演着系统中最为核心的功能地位. 尽管依据本文评估结果，内蒙古地区的平均输电损失仅约每公里0.4%，但作为最高等级的系统能量损失，其重要程度足以影响光伏电站生态经济收益与区位选择. 另外，由于本文仅将年固碳量损失计入土地占用成本投入，其度电能值构成占比较低. 但事实上，因光伏电站装机建设所导致的生态环境改变、物种多样性缺失、人文生态景观破坏等问题可能是永久性的，其实际影响或将更为严重，因此，在具体电站选址中仍需结合其地理生态资源环境因地制宜，做出妥善评估. 通过能值构成分析可以发现，各类因素对于光伏电站选址收益的影响程度事实上并非如同MCDM那样，将决策指标与权重进行乘积后所呈现出的线性增长；其内在本质是对不同影响要素所处能量等级与其所包含具体能质的量化评估，而以生态价值作为评判标准，具体因素对选址评估所产生的影响差异或将远大于权重指标.

3.3 对能源空间规划的启示

光伏电站生态经济收益度的量化评估是指导其有序规划的必要基础. 本文以火力发电作为对比参照，当EROI趋近于1.00时，光伏电站生态经济收益与火力发电近乎相同，并未体现出明显的优势性. 而伴随EROI水平升高，光伏电站生态经济收益才得以逐步提升. 如前文论及，输电损失是影响光伏电站生态经济收益最为重要的因素，其次为道路及运输影响. 而通常情况下，受电力调配需要影响，变电站等电力接入基础设施会就近布置于城镇或建成环境附近区域，以降低输电损耗. 而距城镇越近的区域，其路网分布也将更为密集. 由此，光伏电站选址区域距城镇距离将成为影响光伏能源空间布局的重要因素. 呼和浩特市周边地区光伏用地逐年发展规划预测情况如图3所示.

图 3 呼和浩特市2020年—2050年光伏用地发展预测

Figure 3. Prospect of PV land development in Hohhot from 2020 to 2050

下载: 全尺寸图片幻灯片

从图3可以看出：与城镇较近的区域选址收益相对更高，而具备更高的开发优先级. 但事实上，电力需求与城镇化进程具有一定程度的内在关联. 城镇化进程的加剧会导致电力需求的增加，出于能源可持续的发展需要，对于光伏能源的建设需求也将更加迫切. 基于这种考虑，不断扩张的城市建设与光伏电站间的用地冲突，可能进一步成为未来光伏与城市空间规划共同面临的首要问题. 保障光伏用地土地性质的同时，兼顾其周边发电环境免受城镇建设的影响，或将成为未来空间规划者们新的研究重点.

4. 结　论

本文将能值理论与光伏电站生态经济收益评估相结合，可为未来光伏电站选址、政策指标制定及光伏空间规划等方面提供更为科学有效的理论指导与决策支持. 并通过具体案例分析指出其研究思路的可行性.

在影响因素与能量系统边界的拟定上仍存在诸多局限. 本文仅以火力发电为标准，作为衡量光伏电站选址生态经济收益的参照标准，而在实际应用过程中，尚需兼顾如水电、风电等其他发电技术形式作为对比参照，整合更多影响因素并扩展其能量系统评估边界. 此外，还应考虑农光、渔光互补、光伏与固沙治理等复合型电站中其他生态产品产出、生态危害减少等方面所带来的积极生态收益，视具体情况对单位土地面积能值产投比作出更为严密的分析.

可以初步认为这种评估思路具备可行性. 通过评判标准与价值标准的转变，EROI能值分析可进一步为未来光伏能源的空间部署带来新的规划认知理念，并将在未来科学指导能源结构转型、推进城镇化与生态环境建设和谐发展过程中发挥积极作用.

图 1 本文算法整体流程

Figure 1. Flowchart of proposed method

下载: 全尺寸图片幻灯片

图 2 直线组对^[6]

Figure 2. Line pairing^[6]

下载: 全尺寸图片幻灯片

图 3 构建四边形区域

Figure 3. Quadrilateral construction

下载: 全尺寸图片幻灯片

图 4 灰度共生矩阵

Figure 4. Gray-level co-occurrence matrix

下载: 全尺寸图片幻灯片

图 5 核线约束

Figure 5. Epipolar constraint

下载: 全尺寸图片幻灯片

图 6 局部纠正匹配图

Figure 6. Local correction matching

下载: 全尺寸图片幻灯片

图 7 全局影像纠正

Figure 7. Global image correction

下载: 全尺寸图片幻灯片

图 8 实验数据

Figure 8. Experimental datasets

下载: 全尺寸图片幻灯片

图 9 场景实验结果

Figure 9. Matching results for different scenes

下载: 全尺寸图片幻灯片

图 10 匹配效率比较

Figure 10. Comparison of matching efficiency

下载: 全尺寸图片幻灯片

表 1 实验统计结果

Table 1. Statistic results of experiments 对

		SIFT		Harris-Affine		Hessian-Affine		ASIFT		SuperGlue	本文方法
项目	影像对	RANSAC	GMS	RANSAC	GMS	RANSAC	GMS	RANSAC	GMS	SuperGlue	GMS
匹配总数	1	41	0	20	0	38	0	708	502	0	943
	2	235	69	36	0	407	294	2392	2353	168	2228
	3	2081	218	79	0	79	0	2437	2181	216	8417
	4	227	24	16	0	46	0	1789	1231	208	2235
	5	55	0	19	0	40	0	232	56	207	443
	6	167	0	13	0	16	0	259	28	2	1086
正确数	1	—	0	—	0	1	0	686	488	0	880
	2	84	60	22	0	380	270	2266	2243	160	2163
	3	1870	209	—	0	32	0	2383	2095	209	8302
	4	198	20	—	0	1	0	1760	1207	199	2175
	5	21	0	1	0	4	0	230	53	193	330
	6	142	0	—	0	—	0	258	25	—	974

下载: 导出CSV

参考文献(28)

[1]	余美. 倾斜立体影像匹配若干问题研究[D]. 徐州: 中国矿业大学, 2018.
[2]	LOWE D G. Distinctive image feature from scale-invariant key points[J]. International Journal of Computer Vision, 2004, 60(2): 91-110. doi: 10.1023/B:VISI.0000029664.99615.94
[3]	MA J, CHAN C W, CANTERS F. Fully automatic subpixel image registration of multiangle CHRIS/Proba data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(7): 2829-2839.
[4]	MOREL J M, YU G. ASIFT: a new framework for fully affine invariant image comparison[J]. SIAM Journal on Imaging Sciences, 2009, 2(2): 438-469. doi: 10.1137/080732730
[5]	YU G, MOREL J M. ASIFT: an algorithm for fully affine invariant comparison[J]. Image Processing on Line, 2011, 1: 11-38. doi: 10.5201/ipol.2011.my-asift
[6]	LI K, YAO J. Line segment matching and reconstruction via exploiting coplanar cues[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 125: 33-49. doi: 10.1016/j.isprsjprs.2017.01.006
[7]	GIOIR RAFAEL G V, JAKUBOWICZ J , MOREL J M, et al. LSD: a fast line segment detector with a false detection control[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(4): 722-732.
[8]	FAN B, WU F, HU Z. Robust line matching through line-point invariants[J]. Pattern Recognition, 2012, 45(2): 794-805. doi: 10.1016/j.patcog.2011.08.004
[9]	MIKOLAJCZYK K, SCHMID C. Scale & affine invariant interest point detectors[J]. International Journal of Computer Vision, 2004, 60(1): 63-86. doi: 10.1023/B:VISI.0000027790.02288.f2
[10]	MIKOLAJCZYK K, TUYTEIAARS T, SCHMID C, et al. A comparison of affine region detectors[J]. International Journal of Computor Vision, 2005, 65: 43-72. doi: 10.1007/s11263-005-3848-x
[11]	姚国标,邓喀中,艾海滨,等. 倾斜立体影像自动准稠密匹配与三维重建算法[J]. 武汉大学学报(信息科学版),2014,39(7): 843-849. YAO Guobiao, DENG Kazhong, AI Haibin, et al. An algorithm of automatic quasi-dense matching and three-dimensional reconstruction for oblique stereo images[J]. Geomatics and Information Science of Wuhan University, 2014, 39(7): 843-849.
[12]	余美,邓喀中,杨化超,等. 基于WαSH局部特征的立体影像匹配[J]. 中国矿业大学学报,2018,47(3): 685-690. YU Mei, DENG Kazhong, YANG Huachao, et al. Stereo images matching based on WαSH local features[J]. Journal of China University of Mining & Technology, 2018, 47(3): 685-690.
[13]	肖雄武,郭丙轩,李德仁,等. 一种具有仿射不变性的倾斜影像快速匹配方法[J]. 测绘学报,2015,44(4): 414-421. XIAO Xiongwu, GUO Bingxuan, LI Deren, et al. A quick and affine invariance matching method for oblique images[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(4): 414-421.
[14]	YU Yinian, HUANG Kaiqi, CHEN Wei, et al. A novel algorithm for view and illumination invariant image matching[J]. IEEE Transactions on Image Processing, 2011, 21(1): 229-240.
[15]	XIAO X W, GUO B X, SHI Y R, et al. Robust and rapid matching of oblique UAV images of urban area[C]//Society of Photo-Optical Instrumentation Engineers (SPIE) Conference Series. Wuhan: SPIE, 2013: 223-230.
[16]	LI K, YAO J , XIA M H, et al. Joint point and line segment matching on wide-baseline stereo images[C]//2016 IEEE Winter Conference on Applications of Computer Vision (WACV). New York: IEEE, 2016: 1-9.
[17]	陈敏,朱庆,何海清,等. 面向城区宽基线立体像对视角变化的结构自适应特征点匹配[J]. 测绘学报,2019,48(9): 1129-1140. CHEN Min, ZHU Qing, HE Haiqing, et al. Structureadaptive feature point matching for urban area wide-baseline images with viewpoint variation[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(9): 1129-1140.
[18]	张平,王竞雪. 直线对几何特征约束的近景影像特征匹配[J]. 遥感信息,2020,35(4): 124-132. ZHANG Ping, WANG Jingxue. Line matching for close-range images with geometry features of line pairs[J]. Remote Sensing Information, 2020, 35(4): 124-132.
[19]	RAGURAM R, CHUM O, POLLEFEYS M, et al. USAC: a universal framework for random sample consensus[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8): 2022-2038.
[20]	王竞雪,朱庆,王伟玺. 顾及拓扑关系的立体影像直线特征可靠匹配算法[J]. 测绘学报,2017,46(11): 1850-1858. WANG Jingxue, ZHU Qing, WANG Weixi. Reliable line matching algorithm for stereo images with topological relationship[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(11): 1850-1858.
[21]	RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: an efficient alternative to SIFT or SURF[C]//2011 International Conference on Computer Vision. Barcelona: IEEE, 2011: 2564-2571.
[22]	LEVI G, HASSNER T. LATCH: learned arrangements of three patch codes[C]//2016 IEEE Winter Conference on Applications of Computer Vision (WACV). NewYork: IEEE, 2016: 1-9.
[23]	李卓,刘洁瑜,李辉,等. 基于ORB-LATCH的特征检测与描述算法[J]. 计算机应用,2017,37(6): 1759-1762. LI Zhuo, LIU Jieyu, LI Hui, et al. Feature detection and description algorithm based on ORB-LATCH[J]. Journal of Computer Applications, 2017, 37(6): 1759-1762.
[24]	BIAN J W, LIN W Y, MATSUSHITA Y, et al. GMS: grid-based motion statistics for fast, ultra-robust feature correspondence[J]. International Journal of Computer Vision, 2020, 128(6): 1580-1593. doi: 10.1007/s11263-019-01280-3
[25]	MIKOLAJCZYK K, SCHMID C. A performance evaluation of local descriptors[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(10): 1615-1630.
[26]	SONG W H, JUNG H G, GWAK I Y, et al. Oblique aerial image matching based on iterative simulation and homography evaluation[J]. Pattern Recognition, 2019, 87: 317-331.
[27]	杨蒙蒙,张爱华. 基于灰度共生矩阵和同步正交匹配追踪的分形图像压缩[J]. 计算机应用,2021,41(5): 1445-1449. YANG Mengmeng, ZHANG Aihua. Fractal image compression based on gray-level co-occurrence matrix and simultaneous orthogonal matching pursuit[J]. Journal of Computer Applications, 2021, 41(5): 1445-1449.
[28]	SARLIN P E, DETONE D, MALISIEWICZ T, et al. Superglue: Learning feature matching with graph neural networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle: IEEE, 2020: 4938-4947.

施引文献

附加材料(0)

访问统计

点击查看大图

图(10) / 表(1)

计量

文章访问数: 427
HTML全文浏览量: 471
PDF下载量: 65
被引次数: 0

1. 研究方法
1.1 基础指标
1.2 能量系统边界及影响因素
1.3 影响因素量化
1.4 生态经济收益评估
2. 评估结果
3. 讨　论
3.1 与既有评估方法对比
3.2 度电能值分析
3.3 对能源空间规划的启示
4. 结　论

基于几何约束的倾斜影像特征匹配方法

doi: 10.3969/j.issn.0258-2724.20210662

作者简介: 韦春桃（1968—），女，教授，博士，研究方向为摄影测量与遥感，E-mail：gxglwct@163.com

计量

出版历程