arXiv cs.CY· Abdullah Rehman, Quentin Paletta, Rui Song·· 10 小时前AI 评分38
利用地理空间嵌入进行全球太阳能选址
Global Solar Siting from Geospatial Embeddings
AI 导读
研究团队用地理空间嵌入向量分析 38,591 个现有太阳能电站及其占地，训练出随机森林与多层感知机（RF+MLP）软投票集成模型来识别潜在太阳能适宜性信号。该模型在 13 个国家的未来装机验证中区分现有电站与随机土地的中位 ROC-AUC 达 0.90，较已发表 MCDA 方法在每个国家提升 0.06-0.30。
正文 · AI 翻译
摘要：全球太阳能光伏（PV）装机容量正在快速增长，有助于减少我们的排放和对化石燃料的依赖。然而，优化太阳能电站的选址仍然具有挑战性，需要预先考虑地理、城市和基础设施方面的需求。当前的方法依赖于多准则决策分析（MCDA），使用人工挑选的地球物理图层和太阳能资源产品，但这些策略在地理上不可迁移，也无法体现太阳能场址的实际要求。我们使用地理空间嵌入（表示某地地球物理属性的稠密向量）来分析 38,591 个现有太阳能场址及其所在土地，以学习潜在的太阳能适宜性信号。我们评估了一组线性和非线性模型，并选择由随机森林和多层感知机组成的软投票集成（RF+MLP 集成），因其准确性和大规模可部署性而入选。在十三个国家的未来安装项目上验证，该集成模型将现有太阳能场址与随机土地区分开来的 ROC-AUC 中位数为 0.90。与已发表的 MCDA 策略相比，该集成模型在每个国家都将 ROC-AUC 提高了 0.06-0.30。该排序还集中体现了实际部署：最适宜的 20% 土地承载了 84% 的估计发电量（年发电量）和 67% 的装机容量（潜在功率输出）。在应用标准选址约束后，全球 5.6% 的土地（若允许使用农田则为 9.8%）仍然高度适宜太阳能。全球 10 米分辨率太阳能适宜性数据集和代码可在此处找到：this https URL。
| 评论： | 已被 NeurIPS 2026 的 Tackling Climate Change with Machine Learning 研讨会接收。17 页，11 张图 |
| 主题： | 机器学习（cs.LG）；计算机视觉与模式识别（cs.CV）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2611.08831 [cs.LG] |
| （或 arXiv:2611.08831v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08831 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Abdullah Rehman [查看电子邮件]
[v1]
2026 年 11 月 6 日星期五 00:37:39 UTC（16,103 KB）
来源：arXiv cs.CY · arxiv.org