利用太阳能/ZnO技术去除反渗透浓缩液中的高风险有机难降解物质：性能、机理及应用

《Journal of Cleaner Production》：Removal of high-risk organic recalcitrants in reverse osmosis concentrate by solar/ZnO: performance, mechanism, and application

中国光伏发电系统选址（PVPS）与跨区域输电规划研究，提出ML+SHAP+CT框架。通过随机森林、XGBoost、LightGBM三种机器学习模型客观赋权20项指标，地形 ruggedness（0.154）、NDVI（0.132）、温度（0.089）为关键因子，中国西部七省光伏潜力占主导（120.70×104km2），需构建82条输电走廊解决供需时空错配，山地地形为输电障碍。

　　

周静|肖建华|任宇|陈龙飞|刘永涛|赖俊华|何盼星|何志斌|尹代英|杨宏

中国科学院西北生态环境资源研究院生态安全与干旱地区可持续发展国家重点实验室，中国兰州，730000

摘要

随着全球向绿色和低碳能源的转型，光伏（PV）发电的装机容量正在迅速扩大。然而，在科学的光伏电站选址（PVPS）和跨区域电力传输规划方面仍存在重大挑战。本研究解决了两个问题：PVPS指标的客观分配和输电走廊的构建。我们选择了20个PVPS指标，使用三种机器学习模型——随机森林（RF）、极端梯度提升（XGBoost）和Light梯度提升机（LightGBM）——来实现客观权重分配，以完成中国PVPS的适宜性评估，并引入电路理论来构建输电走廊。结果表明，RF、XGBoost和LightGBM表现出高稳定性和准确性，其中XGBoost的表现最佳。地形崎岖度（权重=0.154）、核标准化差异植被指数（0.132）和温度（0.089）一致被确定为PVPS的关键预测因子。高适宜性区域（120.70 × 10^4平方公里）和更高适宜性区域（127.77 × 10^4平方公里）主要分布在七个西部省份（新疆、西藏、内蒙古、青海、甘肃、四川和宁夏），而适宜性较低的区域主要分布在中国中部和南部。适宜区域的总发电潜力达到88.76 PWh，其中91.40%来自高适宜性区域。共识别出82条输电走廊，呈现出从西向东和从北向南的交叉模式。其中，华北、华东和华南走廊形成了核心网络，而山区地形成为潜在的建造障碍。本研究支持中国的光伏部署战略，同时也为全球类似地区的PVPS提供了方法论支持。

引言

自20世纪以来，快速的工业化显著推动了能源需求，导致传统化石能源（如石油、煤炭和天然气）的大规模消耗（Zou等人，2016年）。这一趋势对全球能源安全造成了巨大压力，并导致温室气体排放持续增加（Amponsah等人，2014年）。作为回应，各国相继推动向脱碳能源结构的转型，减少对化石燃料的依赖，并加速可再生能源的发展和应用（Hernandez等人，2014年）。其中，太阳能光伏（PV）因其丰富的资源、成熟的技术和环保性而被广泛认为是最清洁的能源之一（Uldrijan等人，2021年）。根据国际能源署（2025年）的数据，2024年全球新增光伏装机容量达到553-601吉瓦，累计装机容量超过2260吉瓦。中国单独贡献了近360吉瓦的新装机容量，占全球总量的大约60%（Liu和Lv，2019年）。

光伏的发展应优先考虑光伏电站选址（PVPS），因为这是实现太阳能资源最佳利用的关键步骤，直接影响发电量（Shao等人，2020年）。其科学选址需要考虑多种环境、经济和社会因素（Hasti等人，2023年）。此外，中国的光伏资源分布与电力需求存在显著的空间不匹配：西北、东北和西藏地区共同拥有全国约75%的光伏发展潜力，但这些地区仅占全国人口和电力消耗的约16%（Qiu等人，2022年）。这种空间差异使得跨区域电力传输成为高效利用光伏资源的关键途径。因此，如何在科学确定PVPS的同时规划跨区域电力传输走廊是一个亟待解决的核心科学问题。

关于PVPS问题，现有研究主要采用多维指标系统结合多标准决策方法来评估PVPS的适宜性（表S1）。在构建指标系统时，早期研究仅使用太阳辐射作为单一的PVPS选择标准。例如，Wang和Koch（2010年）仅基于太阳辐射数据评估了PVPS建设的潜力。随着研究的进展，自然指标（如地形（Hasti等人，2023年）、气候（Wang等人，2024年）和土壤（Zhao等人，2024年）以及社会经济指标（如国内生产总值（GDP）和人口密度（Nasehi等人，2017年）逐渐被纳入指标系统。然而，很少有研究将生态系统服务纳入指标系统。作为自然系统与人类福祉之间的关键纽带，生态系统服务不仅与区域生态安全和环境承载能力相关，还深刻影响区域可持续发展（Haines-Young和Potschin，2010年）。因此，将生态系统服务的系统性质纳入PVPS选择指标预计将提高评估的全面性和前瞻性，从而为光伏的空间分布决策提供更坚实的基础。

在多标准决策方法中，主要应用是对PVPS指标进行加权。权重分配方法中最成熟的应用是层次分析法（AHP）（Shao等人，2020年）（表S1）。该方法通过将问题分解为多层次的目标、标准和指标结构，并在每个层次分配权重来实现全面评估（Saaty，1990年）。其他常用方法包括分析网络过程（ANP）（Hasti等人，2023年）、序数优先法（OPA）（Feng等人，2025年）、基于理想解相似性的排序偏好技术（TOPSIS）（Hasti等人，2023年；Zhao等人，2024年）和有序加权平均法（OWA）（Firozjaei等人，2019年）（表S2）。这些方法增强了指标评估的系统性质。然而，它们在很大程度上依赖于专家经验来设定权重，难以避免主观性和不确定性。因此，探索一种能够客观加权指标的方法仍然是PVPS研究中亟待解决的核心问题。

近年来，机器学习（ML）的快速发展为解决这一问题开辟了新的途径。在光伏研究中，ML技术最初主要用于光伏资源评估和环境影响建模。例如，Song等人（2024年）比较了多种ML模型在太阳辐射估计方面的性能，而Lyu等人（2025年）使用随机森林模型分析了光伏建设对净初级生产力的潜在影响。随着研究的进展，ML模型逐渐被引入PVPS。其中，Sun等人（2023年）使用ML + SHAP（Shapley Additive Explanations）框架绘制了中国各地的光伏适宜性地图，而Ashraf等人（2025年）在GIS + ML框架下评估了巴基斯坦沙漠地区的光伏适宜性。然而，他们的大多数研究集中在模型构建和机制解释上，对“客观赋权”的探索仍然不足。因此，在本研究中，我们提出了一种基于ML模型得出的特征重要性来为各种类型的PVPS指标分配权重的定量方法，以确保权重确定的客观性。

在确定PVPS之后，关于如何与高电力需求区域实现高效连接的系统研究仍然缺乏，特别是从空间模式和走廊建设的角度。电路理论（CT）越来越多地被用于构建生态安全模式中的生态走廊（Gou等人，2022年；Zhang等人，2022年）。该理论基于电荷的随机游走特性，依靠景观阻力表面来模拟能量或物质在不同斑块之间的流动和扩散路径，从而确定最佳走廊（Ran等人，2022年）。因此，在本研究中，我们将CT扩展到能源输送场景，通过使用自然禀赋指标构建阻力表面，以供电区域（非常适合光伏的区域）作为主要斑块，电力需求区域作为子斑块，通过计算供需区域之间的电流密度来确定最佳电力传输走廊。这种跨学科方法可以为输电线路的空间规划提供理论工具，并提高空间精度。

总之，尽管在PVPS和传输规划方面取得了相当大的进展，但仍存在关键差距。生态系统服务很少被整合到PVPS指标系统中，指标加权严重依赖于主观判断，连接供需区域的电力传输走廊也受到了较少关注。为了解决这些不足，我们将生态系统服务纳入PVPS指标系统，使用ML来推导客观指标权重，然后使用CT来划定传输走廊。

作为世界上最大的发展中国家和最大的能源消费国，中国的快速增长带来了能源需求的激增和日益严重的环境压力（Song等人，2011年；Yang，2014年）。同时，中国拥有丰富的太阳能资源，发展大规模光伏发电是一个自然优势。在中国2060年实现碳中和目标的背景下（Yang等人，2022年），科学合理的PVPS和电力传输走廊规划不仅提高了能源效率，确保了能源安全，还有助于缓解生态和环境压力，优化能源结构，并推进能源系统的低碳转型。因此，本研究领域的主要研究目标是：（1）全面选择多维PVPS指标，应用ML模型客观确定其权重，并评估PVPS的适宜性；（2）基于评估结果定量估计光伏发电潜力，并分析其空间分布和规模相关的供应能力；（3）引入CT来设计最佳电力传输走廊，并识别潜在的建造障碍。最终，这些结果可以为PVPS和跨区域电力传输网络规划的合理空间布局提供可行的决策参考。

研究区域

研究区域

中国的光伏系统主要位于北部和中部地区（图1a）。到2024年，全国光伏的累计装机容量达到712.93吉瓦（图S1a）。发展光伏的有利条件如下：（1）丰富的太阳能资源，西北地区的年平均水平太阳辐射通常超过6.0千瓦时/平方米（图1b），在全球范围内名列前茅。（2）强有力的政策支持，包括“金太阳计划”等

基于模型性能评估确定PVPS指标权重

我们使用接收者操作特征曲线（ROC）、曲线下面积（AUC）和准确率（ACC）（图4）评估了三种ML模型的分类性能。AUC和ACC值越接近1，模型的区分能力越强。结果显示，所有三个模型的AUC值均超过0.94，而ACC值均大于0.86，表明这些模型具有强大的样本区分能力。

“ML + SHAP + CT”框架的优势和应用

我们提出了一个创新的集成框架“ML + SHAP + CT”，为PVPS和电力传输走廊规划提供了新的研究方法。与以往的研究（例如，Demir等人，2023年；Mokarram等人，2022年）相比，该框架在以下两个方面显示出显著优势。首先，通过ML和SHAP的协同应用，我们不仅彻底研究了PVPS模型中关键指标的非线性交互机制，而且

结论

本研究开发了一个集成的“ML + SHAP + CT”框架，将PVPS适宜性评估与跨区域电力传输走廊识别相结合，为中国的大规模光伏发展提供了新的分析方法。该框架应用ML来客观加权多维指标，使用SHAP解释它们的相对重要性，并利用电路理论从西部供应区域建立到电力需求区域的传输走廊。

CRediT作者贡献声明

周静：撰写——原始草稿，验证，方法论，正式分析，数据管理，概念化。肖建华：撰写——审阅与编辑，监督，调查，资金获取。任宇：撰写——审阅与编辑，验证，监督。陈龙飞：撰写——审阅与编辑，监督。刘永涛：资源，调查。赖俊华：资源，调查。何盼星：撰写——审阅与编辑，监督。何志斌：验证，监督。尹代英：

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

我们感谢甘肃省科技规划项目（23ZDFA018，25YFFA007）、国家自然科学基金（U23A2063）和中国科学院西部之光项目（xbzglzb2022018）对本项目的资助。