中国西北地区大规模太阳能光伏发电项目可能对干旱地区生物多样性造成的影响

《Environmental and Experimental Botany》：Potential exposure of dryland biodiversity to large-scale solar photovoltaic expansion in Northwest China

　　苏应清|卢成鹏|刘伟|夏红华|高向龙|张聚涛|冯琪

摘要
可再生能源基础设施的扩展和生物多样性的保护对于实现可持续发展和气候目标至关重要。然而，潜在的生物多样性受到光伏太阳能（PV）基础设施影响的空间范围——在这里定义为物种栖息地与核心建设区域以外的区域在建设及运营阶段的空间重叠部分——尚未得到充分量化，尤其是在气候变化的情况下。本文通过评估中国西北干旱地区（ANWC）的这一影响来填补这一空白，整合了三种互补模型（系统动力学（SD）、斑块生成土地利用模拟（PLUS）和BIOMOD2集合模型），以预测在当前条件和三种未来气候情景（生态保护、趋势延续和经济增长）下光伏扩张及其与生物多样性的空间重叠情况。目前，该干旱地区的光伏覆盖面积为300平方公里，预计到2100年将扩大到2600-5200平方公里，在经济增长情景下增幅将达到14倍。无论是在当前还是未来的情景下，预计的光伏基础设施与生物多样性热点区域的空间重叠都非常有限，在区域尺度上，受到光伏扩张影响的模型化物种比例均低于1%。这一低比例反映了当前的选址模式（即光伏开发主要避开了高适宜性的栖息地），而非物种层面的响应程度。本研究提供了潜在影响的空间化量化数据，而非直接的生态影响。我们的发现强调了需要采取积极的选址和缓解策略，以确保可再生能源的开发与生物多样性保护目标以及联合国可持续发展目标（SDGs 7、13和15）保持一致。

1. 引言
气候变化和生物多样性丧失是相互关联的危机，共同威胁着人类福祉和关键可持续发展目标（SDGs）的实现（Arneth等人，2020；Ascens?o等人，2023）。作为应对措施，雄心勃勃的气候政策和可再生能源的快速部署——特别是光伏太阳能（PV）能力——正在推动全球能源转型（Kruitwagen等人，2021；Peng等人，2023）。随着总可再生能源装机容量达到2900吉瓦，其中光伏占了近期增长的半数（Ashraf等人，2024），要实现本世纪中叶的脱碳目标，需要大规模扩展太阳能基础设施（Lu，2025）。这种扩展预计将占用与印度相当的土地面积（Dunnett等人，2022），从而加剧了关于大规模土地转换用于能源项目的生态成本的争议（Hernandez等人，2015；Neugarten等人，2024；Sonder等人，2020）。这场争论的核心在于当前主导的能源转型模型，该模型严重依赖集中式的、公用事业规模的光伏设施。地面安装的系统需要大量的土地——大约每年度太瓦时需要2000公顷（Ashraf等人，2024）——这引发了人们对栖息地破碎化和气候避难所退化的担忧（Doherty等人，2021）。相反的观点指出，高太阳能产出区域与生物多样性热点之间存在地理不匹配（Holland等人，2019；Carvalho等人，2024），或者建议可以将光伏站点设计为具有生态协同效益的多功能景观（Dunnett等人，2022）。然而，这一争论的解决受到当前评估框架的一个关键限制的束缚：主要关注的是直接在现场的影响，忽视了通过生态网络和景观矩阵传播的 cascading 效应（Levin等人，2023；Sturchio和Knapp，2023）。这种狭隘的视角有可能低估了能源转型过程中的系统性生物多样性威胁。

朝着更全面的评估迈出的基础性一步是认识到光伏基础设施可能产生超出其直接足迹的空间外部性——本文将其称为“潜在影响”（Tinsley等人，2023）。在本研究中，潜在影响被定义为物种栖息地与光伏基础设施周围定义的缓冲区（0-10公里）内的区域的空间重叠部分，量化为模型化物种栖息地落在这些缓冲区内的百分比。这一指标并不衡量直接的生态影响（例如，死亡率、种群下降、栖息地退化）。环境影响评估考虑了整个项目周期内的影响，从建设（例如，栖息地丧失、土壤扰动）和运营（例如，野生动物碰撞、微气候改变）到退役（Zhang等人，2024）。这些空间外部性可能通过生态联系传播数公里（Chen等人，2024a），但大多数研究仍然停留在定性或特定地点的层面。本文提出了一种操作上明确的空间定义：潜在影响指的是生物多样性（模型化物种分布）与光伏基础设施在同心缓冲区（例如，0-10公里）内的可测量空间重叠，不同于直接足迹和局部边缘效应。缺乏量化这种影响的空间范围、程度和驱动因素的研究构成了一个重大的知识空白。这导致环境评估可能低估了生态风险（Jager等人，2021；Troia等人，2021），并阻碍了实现SDGs 7（负担得起的清洁能源）、13（气候行动）和15（陆地生命）的综合性进展。

干旱地区在这里被定义为干旱指数（AI）低于0.65的区域，其中AI是降水量与潜在蒸发量的比率（Yao等人，2020）。这些地区覆盖了地球陆地表面的大约42%，拥有丰富的生物多样性，包含了估计28%的濒危物种（Xia等人，2024；Han等人，2026）。由于高太阳辐射，干旱地区成为光伏扩张的主要目标，使其成为一个关键且脆弱的测试案例。在本研究中，我们关注中国西北干旱地区（ANWC），该地区体现了太阳能开发与干旱生态系统生物多样性保护之间的紧张关系。尽管遥感和建模研究已经绘制出了现有的光伏分布并预测了未来的适宜区域（Dunnett等人，2022；Lewin等人，2024），但这些分析往往与高分辨率的生态数据隔离进行，因此对ANWC特定地点的生物多样性脆弱性了解有限，未能量化累积的、空间扩展的影响——这正是本文所定义的潜在影响的领域。由于已有10-20%的干旱地区已经退化（Lian等人，2021；Wang等人，2022a），了解这一地区的扩展影响对于解决能源保护中的权衡至关重要。

为解决这一空白，本研究通过探讨三个综合问题来调查ANWC干旱地区生物多样性对光伏扩张的长期空间影响：（1）该地区当前和预计的光伏开发规模和空间分布是什么？（2）在气候和光伏驱动的土地利用变化联合作用下，生物多样性模式将如何变化？（3）生物多样性对光伏基础设施的潜在影响程度和空间梯度是什么？潜在影响被视为一种将基础设施选址与生物多样性分布联系起来的空间化指标。为回答这些问题，开发了一个综合的多模型框架，结合了：（i）系统动力学（SD）模型，用于预测三种共享社会经济路径下的区域土地利用需求；（ii）斑块生成土地利用模拟（PLUS）模型，用于空间分配未来的光伏和其他土地利用；以及（iii）BIOMOD2物种分布建模框架，用于评估中国西北地区的生物多样性反应。这些模型的时空输出使得可以量化光伏设施周围定义距离缓冲区内的空间重叠，提供了基于情景的潜在影响评估。这种方法带来了几个关键进展。首先，它将能源土地利用变化的预测与生态响应模型相结合，提供了超越局部评估的系统性视角。其次，应用一致的空间缓冲方法得出了潜在影响的量化度量，将概念性关注转化为实用的规划指标。最后，多情景预测提供了关于不同开发路径如何调节ANWC地区影响模式的展望。

研究结果提供了关于关键干旱地区生物多样性对光伏基础设施潜在影响空间范围的定量证据，旨在为协调可再生能源扩展与生物多样性保护策略提供依据。这项工作为实施《巴黎协定》和《昆明-蒙特利尔全球生物多样性框架》提供了实用见解，同时推进了一种可扩展的评估方法，以指导全球生态敏感区域的可持续能源转型。

2. 材料与方法
2.1. 研究区域
为了评估干旱地区生物多样性对光伏开发的潜在影响，选择了位于中亚的ANWC作为研究区域（图1）。该区域位于中亚山脉内，属于全球36个生物多样性热点之一（Myers等人，2000）。海拔范围从-160米到7311米，景观以山脉、盆地和广阔的沙漠系统为主，包括戈壁沙漠。气候上，该地区年平均降水量为150毫米，潜在蒸发量在800至3200毫米之间，年太阳辐射量超过1750千瓦时/平方米。

丰富的太阳辐射加上广阔的沙漠和戈壁地形创造了理想的可再生能源发展条件，特别是光伏电力。在中国政府的大力支持下，光伏和其他可再生能源基础设施的部署迅速扩张，目前安装容量达到72.42吉瓦（Chong等人，2024）。值得注意的是，这种扩张的光伏足迹的潜在生态后果尚未得到充分评估。因此，迫切需要量化公用事业规模光伏扩张与生物多样性之间的空间关系，包括潜在影响的驱动因素。

2.2. 方法
为了评估干旱地区生物多样性对光伏扩张的潜在长期影响，开发了一个综合的多模型模拟框架。该框架依次结合了三个组成部分：（1）SD模型，用于模拟所有土地利用类型的宏观尺度社会经济和政策驱动需求，包括在其整个建设和运营阶段的光伏部署的明确机制；（2）PLUS模型，用于在生物物理和人为限制下空间分配预期的土地利用需求；以及（3）集合物种分布建模方法，用于量化土地利用变化与生物多样性之间的空间重叠。该框架量化了潜在的空间影响（即光伏基础设施与模型化物种栖息地之间的重叠），而不是直接的生态影响，如死亡率或种群下降。关于物种选择、模型参数化和计算协议的详细信息在补充材料（Test S1）中提供。

2.2.1. 将光伏基础设施整合到历史土地利用数据中
1980-2020年的历史土地利用/土地覆盖（LULC）数据来自中国科学院资源与环境科学数据中心（http://www.resdc.cn）。这个30米的分辨率数据集来自Landsat图像，整体分类准确率为90.1%。为了建立一个明确包含用于太阳能基础设施的土地的历史基准，使用了详细记录2010-2022年光伏发电厂空间足迹的国家级矢量数据集（Chen等人，2024b）。

整合过程涉及将光伏发电厂矢量数据空间叠加到相应的年度LULC地图上。然后，将识别为光伏安装区域的土地系统地重新分类为一个新的、独立的土地利用类别，称为“光伏土地”。这一程序生成了2010年、2015年和2020年的协调多时相LULC系列，包含25个土地利用类别。这个综合系列现在准确反映了光伏开发的历史空间足迹，成为所有后续建模步骤的基本校准和验证基准。

2.2.2. 通过SD模型预测土地利用需求
2.2.2.1. 模型目标和情景参数化
SD模型旨在预测2020年至2100年的土地利用需求年度轨迹，特别关注光伏基础设施所需的土地。通过结合共享社会经济路径的叙述和相关气候强迫因素，构建了三个综合情景。这些情景的详细参数化在表1中呈现。

表1. 土地利用和土地覆盖变化的情景设计
情景 | 路径 | 核心概念 | 土地利用重点 | 土地利用和土地覆盖转换矩阵
--- | --- | --- | --- | ---
2100 | 生态优先 | 可持续性（SSP1） | 严格保护自然生态系统；限制人类扩张 | 表S1
2100 | 趋势延续 | 中途路线（SSP2） | 均衡发展和保护，遵循历史模式 | 表S2
2100 | 经济增长 | 化石燃料驱动的发展（SSP5） | 经济增长；快速扩展城市和建筑用地 | 表S3

模型中的社会经济和政策参数基于SSP故事线、相关国家发展规划和支持文献进行量化。气候预测来自六个CMIP6全球气候模型的集合（即CanESM5、FGOALS-g3、GFDL-CM4、IPSL-CM6A-LR、MPI-ESM1–2-HR、MRI-ESM2–0），在相应的SSP-RCP情景下（Peng，2022）。对于这些模型，每日降水量和温度数据经过了偏差校正，并使用等距累积分布函数方法统计降尺度到1公里的分辨率，其中ANWC的气候和气象驱动数据集作为观测参考。2.2.2.2. 模型结构、核心方程和反馈机制该模型使用Vensim PLE（版本PLE x32；https://vensim.com/）实现，包括六个相互作用的子系统：人口、经济、能源、土地、环境和政策（Li等人，2020年）。关键动态通过以下形式捕捉：经济输出将土地视为一个明确的生产要素。对于包括光伏制造在内的第二产业，计算了增加值输出。详细信息在公式（1）中提供（Zhang等人，2020年；Wang等人，2022b年）：(1)Yindt=At×Ktα×Ltβ×Landindtγ，其中Yind(t)是第t年的第二产业增加值输出（十亿人民币，按不变价格计算），A(t)是全要素生产率，K(t)是资本存量（十亿人民币），L(t)是劳动力投入（以万人计），Landind(t)是工业用地面积（平方公里），α、β和γ分别是资本、劳动力和土地的输出弹性，根据历史数据进行了校准。技术学习，特别是对于光伏技术，被嵌入到全要素生产率中。光伏单位投资成本的演变使用单因素学习曲线进行建模。详细信息在公式（2）中提供（Zhang等人，2020年）：(2)Cpvt=C0×Qcumt/Q0?b，其中Cpv(t)是第t年的单位投资成本（人民币/瓦），C0是初始成本，Qcum(t)是累计产量（吉瓦），Q0是初始累计产量，b是学习率。累计光伏容量是一个核心存量变量。其变化率由新安装和退役之间的平衡决定。详细信息在公式（3）中提供（Zhang等人，2020年）：(3)dCAPpvtdt=It?Rt，其中CAPpv(t)是第t年的累计安装光伏容量（吉瓦），I(t)是安装率（吉瓦/年），R(t)是退役率（吉瓦/年）。安装率I(t)是根据预测的内部回报率综合电力价格、补贴、碳价格和来自可交易绿色证书的收入确定的。退役率R(t)是根据容量库存的年龄结构使用Weibull寿命分布模型得出的。详细信息在公式（4）中提供（Wang等人，2022b年）：(4)Rt=∑τ 0），以反映由于技术进步（如双面模块和太阳能跟踪系统）带来的持续效率提升。该模型针对历史时期（1980–2020年）进行了校准，参数优化以最小化模拟和观测到的土地使用面积和光伏容量之间的差异（平均绝对百分比误差< 5%）。然后从2020年到2100年在三种参数化情景下执行该模型。主要输出是每个土地利用类别的年度需求面积，以十年为间隔，其中光伏用地需求是空间分配的关键定量目标。2.2.3. 通过PLUS模型进行空间土地利用分配为了在不同空间模式下进行土地利用需求的空间分配——包括光伏安装——采用了PLUS模型，该模型结合了土地扩张分析策略（LEAS）和多类随机斑块（CARS）元胞自动机（CA）框架（Gao等人，2022年）。这种综合方法相比其他常用模型（例如，小区域范围的土地利用转换及其影响，CLUE-s）能够更真实地模拟景观演变，并更好地捕捉土地利用变化的复杂动态过程。为了推导土地使用转换规则，LEAS采用二分类方法，通过计算每个土地利用类别的变化和惯性概率来实现。为了识别土地利用扩张与多种驱动因素之间的关联，实施了随机森林（RF）算法。这种RF方法从训练数据的自助子集中构建决策树并汇总这些树的输出。值得注意的是，这种方法在处理高维数据集和解决变量间的多重共线性方面表现出特别的有效性（Gao等人，2022年）。这一过程的详细公式在公式（7）中提供（Liang等人，2020年）：(7)Pi,kdx=∑n=1MIhnx=dM，其中Pi,kd是单元i处土地利用类型k的扩张概率。变量d的值为0或1，d = 1表示非k土地利用类型转换为k土地利用类型，d = 0表示其他转换。函数I(hn(x) = d)表示决策树集的指示函数，其中hn(x)表示第n个决策树对向量x的预测。向量x包含多个驱动因素，M表示决策树的总数。邻里因素量化了定义在特定邻域内的不同土地利用类型和单元之间的相互作用。这个因素捕捉了相邻土地利用类别和单元之间的影响和相互关系。详细信息在公式（8）中提供（Liang等人，2020年）：(8)Ωi,kt=concit?1=kn×n?1×wk，其中Ωi,kt是单元i在时间t转换到土地利用类型k时的邻里影响因素，表示在上一次迭代（t ? 1）期间N × N摩尔邻域窗口内被土地利用类型k占据的单元总数。在本研究中，N设置为3。wk表示不同土地利用类型之间的域因素参数。邻里因素参数的范围是从0到1，土地利用扩张能力与域因素成正比。2.2.4. 物种分布建模和生物多样性指标整合使用R包biomod2为15种动物物种开发了物种分布模型（SDMs），该软件集成了12种不同的建模算法（de Bello等人，2016年；Cunze和Klimpel，2022年）。分布数据来源于野外监测活动（Ray等人，2021年）。为了解决缺失数据的问题并提高模型稳健性，使用ranger包的Disk方法生成了伪缺失点；为每个物种创建了3个独立的500点子集以辅助模型校准（Ray等人，2021年）。模型性能使用真实技能统计量（TSS）和曲线下面积（AUC）进行评估。TSS独立于物种出现频率，提供了一个初步模型选择的阈值：只有TSS > 0.8的模型被保留。随后，使用AUC值评估最终集成模型对每个物种的性能，较高的值（接近1）表示更高的预测准确性。建模过程每个算法重复10次，详细协议可在https://github.com/biomodhub/biomod2上找到。分布数据被分为训练集（75%）和测试集（25%），模型使用29个环境变量进行校准（Huang等人，2022年）。结果集成模型的性能特征在15个物种中有所不同，如表S3所总结。为了从这些单独的SDMs中得出一个综合生物多样性指标，采用了“先预测，后组装”或堆叠SDMs（S-SDMs）方法（Murphy和Smith，2021年）。在这个框架中，为每个物种单独拟合了一个模型。为了将连续的栖息地适宜性指数转换为堆叠的预测存在/缺失数据，我们在评估阶段应用了一个阈值，该阈值最大化了每个物种的TSS（Murphy和Smith，2021年）。具体来说，使用每个集成模型的最大TSS得分对应的阈值将概率预测二值化。随后，将这些二进制预测（0 = 缺失，1 = 存在）汇总到所有15个物种的每个空间单元。这种汇总得出了潜在物种丰富度的估计值，提供了一个空间明确的相对生物多样性指标。2.2.5. 识别生物多样性对光伏的潜在暴露为了评估光伏基础设施与生物多样性之间的空间重叠，使用ArcGIS地理处理模块在太阳能安装周围划定了一个0–10公里的缓冲区。这个缓冲区用于定义生物多样性可能暴露于光伏能量的区域。通过量化模型预测的物种栖息地在缓冲区内的比例来评估空间重叠。值得注意的是，根据现有研究，光伏产生的噪声和辐射等因素与动物物种的影响有关，最强的关联报告在太阳能安装1公里半径范围内（Tinsley等人，2023年）。为了评估潜在暴露，建立了0公里、0.5公里和1公里的缓冲区，以及5公里和10公里的对照组。选择这些缓冲距离是为了捕捉潜在重叠的空间梯度。分析量化了空间重叠，而不是直接的生态影响。2.2.6. 模型校准、验证和一致性分析验证模型模拟的有效性对于保护研究结果的可靠性至关重要。为此，对所有建模组件实施了严格的校准和验证程序，并在适用的情况下使用野外收集的数据进行了独立验证。SD模型使用1980–2010年期间的历史社会经济和土地利用数据进行了校准。模型参数——包括资本、劳动力和土地的输出弹性、光伏技术学习率以及Weibull寿命分布参数——被优化以最小化所有土地利用类别的模拟值和观测值之间的差异。然后使用2010–2020年的独立观测数据对校准后的模型进行了验证。在整个验证期间，所有土地利用类型的平均绝对百分比误差保持在5%以下，证实了模型对2100年情景模拟的预测能力。PLUS模型使用2000年至2010年间观察到的土地利用变化进行了校准。然后应用校准后的模型模拟2010–2020年的土地利用模式，并将这些模拟结果与实际观测值进行了比较。验证结果显示总体准确率为92.6%，Kappa系数为0.913，FoM为0.129（图S1）。物种分布模型使用75%的出现数据（随机抽样）进行校准，并在剩余的25%的数据上进行验证，每个算法重复10次。模型性能使用TSS和AUC进行评估；只有TSS > 0.8的模型被保留用于集成建模。此外，在2023年7月和2024年8月进行了独立的野外验证。使用有针对性的抽样方法，将2020年的15种动物物种的模拟分布与实证存在记录进行了比较。动物活动数据——包括直接观察、足迹、觅食痕迹和毛发样本——通过手持GPS设备收集。验证结果显示，80%的观测到的动物活动点位于模拟分布区域内，表明模型预测的物种分布与实证分布高度一致（图S2）。为了评估光伏电站临近性与模型预测的生物多样性之间的空间关联，使用堆叠SDM输出分析了模型预测的潜在栖息地在预定义缓冲区（0公里、0.5公里、1公里、5公里和10公里远离电站边界）内的比例。在确认正态性和方差同质性后，使用单向ANOVA测试了不同距离组之间栖息地比例的差异。距离梯度被视为固定因素，模型预测的栖息地比例作为因变量。重要的是要注意的是，这项分析基于使用野外数据独立验证的模型预测的物种分布（堆叠SDMs）（80%的一致性，图S2）。然而，检测到的差异代表了模型预测栖息地重叠的空间模式，而不是生态反应的直接测量（例如，行为回避或种群下降）。所有分析的统计显著性定义为p < 0.05。2.3. 数据来源本研究整合了多源地理空间和生态数据集，以分析干旱生态系统中光伏发展的驱动因素和生物多样性的潜在暴露。所有栅格数据集都被协调到统一的1公里空间分辨率以供后续分析。关于每个数据集的详细信息在表2中总结，并在补充信息（Test S1）中完整记录。表2。详细的数据来源列表：

| 数据类型 | 数据来源 |
|---------|--------------------------------------|
| 物种分布 | 全球生物多样性信息网络（https://www.gbif.org/）、生物多样性和生态安全大数据平台（https://bio-one.org.cn/）、IUCN红色名录数据库（https://www.iucnredlist.org/）、BOLD数据库（https://boldsystems.org/）、iNaturalist数据库（https://www.inaturalist.org/）、CABI数据平台（https://www.cabidigitallibrary.org/）、国家标本资源共享平台（http://www.Nsii.org.cn/）、物种多样性数据平台（http://www.especies.cn/）、Species China 2000节点平台（http://www.sp2000.org.cn/）以及中国动物主题数据库（http://www.zoology） |

**光伏发电厂（2010–2022）** | Chen等人（2024b） |

**土地利用/土地覆盖数据** | 中国科学院资源与环境科学数据中心（Xu等人；2018） |

**历史气象数据（1980–2020）** | 国家气象科学数据中心（https://data.cma.cn/data/detail/dataCode/A.0019.0001.S002.html） |

**未来气候预测（2021–2100）** | Peng（2022） |

**生物气候变量（Bio1–Bio19，1970–2000）** | WorldClim（https://www.worldclim.org/data/cmip6/cmip6_clim30s.html） |

**全球干旱指数和参考蒸发量** | CGIAR-CSI GeoPortal（https://cgiarcsi.community/data/global-aridity-and-pet-database/） |

**归一化差异植被指数（NDVI）** | 地理空间数据云平台（Dong等人；2021） |

**VIIRS夜间光照数据** | Chen等人（2024a） |

**干旱中国地区的绿洲分布（2000–2019）** | 国家冰冻圈沙漠数据中心（He和Li；2021） |

**数字高程模型（DEM）** | 地理空间数据云平台（https://www.resdc.cn/data.aspx?DATAID=123） |

**土壤属性（有机碳、深度、pH值）（2010–2018）** | 国家地球系统科学数据中心（http://www.geodata.cn/data/datadetails.html?dataguid=36810085119113） |

**土壤侵蚀类型** | 中国科学院资源与环境科学数据中心（https://www.resdc.cn/data.aspx?DATAID=259） |

**交通网络和河流网络** | 中国国家地理信息中心（https://www.webmap.cn/commres.do?method resultat25W） |

**全球及中国行政边界** | 中国科学院资源与环境科学数据中心（https://www.resdc.cn/data.aspx?DATAID=205） |

**国家公园和自然保护区** | 中国保护区标本资源共享平台（https://www.resdc.cn/data.aspx?DATAID=272） |

**全球生物多样性热点** | Conservation International（https://www.conservation.org/priorities/biodiversity-hotspots） |

**网格化GDP和人口数据** | 资源与环境科学数据中心（Xu, 2017a, Xu, 2017b）；科学数据银行（https://cstr.cn/31253.11.sciencedb.01683） |

**用于模拟光伏部署的空间动态** | 我们使用了2010–2022年期间光伏发电厂的国家矢量数据（Chen等人，2024b）以及从Landsat影像中提取的土地利用/土地覆盖（LULC）数据集（1980–2020）。编制了24个环境变量，涵盖与干旱地区相关的气候、地形、土壤、生物、水文和人为因素，以识别与光伏相关的土地利用变化的驱动因素（Hernández-Blanco等人，2022）。具体使用的24个环境变量在补充测试S1中提供。

**用于生物多样性暴露评估的数据** | 我们获得了15个指示性物种的分布记录（表S4），这些物种的栖息地需求反映了更广泛的干旱地区群落需求。分布数据来自多个公共生物多样性存储库，包括全球生物多样性信息网络（GBIF）、IUCN红色名录、iNaturalist和几个国家级物种数据库，数据覆盖到2020年。共收集了1568个分布点，去除了重复数据，并使用R语言的栅格包进行空间稀疏化处理以减少抽样偏差。这些数据与29个环境预测因子结合使用，包括生物气候、地形、土地覆盖和社会经济变量，以模拟潜在的物种分布（Huang等人，2022）。详细的环境变量在补充测试1中提供。

**LULC和物种分布建模工作流程** | 在分析之前，所有环境协变量都经过了多重共线性筛查。排除了皮尔逊相关系数|r|≥0.8的变量，仅保留相互依赖性较低的变量以确保模型的稳健性。所有空间层都统一到一致的坐标系中，并根据需要进行投影和重采样，以保持整个研究中的分析一致性。

## 3. 结果

### 3.1. 新疆自治区（ANWCP）光伏从绿洲边缘向保护区周边扩展
目前，新疆自治区的光伏发展主要集中在绿洲边缘和沙漠边缘，呈现出向内陆沙漠地区扩展的趋势。目前光伏装置占据的总面积约为300平方公里。根据持续的政策和市场驱动因素，预测到2100年，三种评估情景下用于光伏基础设施的累计面积将分别增加2600至5200平方公里（图2）。这种扩展主要以10–15平方公里和15–20平方公里规模的单个光伏电站为主。到2100年，这两种规模的电站预计将占总新开发光伏面积的60%以上。新发展的很大一部分发生在与保护区边界相邻的区域。值得注意的是，在高挑战经济增长情景下，最大规模的光伏装置（面积超过20平方公里）的占地面积预计将增加14倍。这不仅反映了总面积的变化，还体现了单个项目的特征规模的变化。光伏扩张的主要土地来源预计是戈壁沙漠、沙质沙漠和低覆盖率的草地。仅戈壁沙漠的转换预计就将贡献至少56.51%的光伏用地面积。

### 3.2. 气候变化下新疆自治区干旱地区物种的持续保护缺口
新疆自治区干旱地区动物物种的潜在分布主要集中在山区和沙漠边缘。目前，潜在分布总面积为399,900平方公里，占该地区总面积的17.72%。到2100年，在三种替代情景下（生态优先、趋势延续和经济增长），预测的潜在分布面积分别为453,700平方公里、394,100平方公里和455,200平方公里，分别占区域面积的20.10%、17.46%和20.17%。潜在分布的变化范围从127,400平方公里到169,200平方公里不等，变化最为明显的是在沙漠-绿洲边界地区（图3）。这些动态区域大部分位于现有保护区之外，代表着向新的适宜区域的转变。尽管新疆自治区现有的保护区覆盖面积为311,400平方公里，但只有10.49%的有效管理用于保护。到2010年，现有保护区的覆盖范围预计仍将不足以满足需求。即使在最乐观的生态优先情景下，超过80%的区域仍将面临保护缺口，大多数物种仍将面临潜在威胁。

### 3.3. 新疆自治区光伏发展对生物多样性的潜在影响
新疆自治区光伏基础设施与模型预测的物种分布之间存在着一致的空间模式，潜在栖息地的比例随着与光伏设施距离的增加而单调增加（图4）。"栖息地比例"指标定义为15种哺乳动物物种的潜在栖息地总面积中位于光伏设施指定距离缓冲区内的百分比。目前光伏基础设施与这些潜在栖息地之间的空间重叠非常小（100平方公里，占总面积的0.02%）。即使在最恶劣的经济增长情景下，到2100年，直接重叠面积也仅限于400平方公里（0.10%）。光伏站点附近的栖息地可用性特别低：当前和未来的模型都表明，<1%的潜在栖息地位于1公里缓冲区内。这种模式反映了现有和预测的光伏设施主要位于最初被认为栖息地适宜性较低的区域内；这并不一定意味着物种会回避这些区域。在所有情景中，都观察到随着距离增加栖息地可用性的普遍增加。相对于1公里范围内的面积，在5公里缓冲区内，可用潜在栖息地的比例分别增加了4.65%（2100年生态优先情景）、5.19%（2100年趋势延续情景）和2.43%（2100年经济增长情景）。这种梯度在10公里范围内更为显著，分别增加了14.96%、16.75%和8.74%。该分析量化了空间重叠情况；它并未衡量直接的生态影响，如死亡率、种群下降或栖息地退化。

## 4. 讨论

### 4.1. 光伏足迹之外的潜在空间影响
在新疆自治区，生物多样性对光伏扩张的潜在影响主要通过其与周围景观中物种分布的空间重叠来体现，而不是通过设施内的直接栖息地转换（Dunnett等人，2022）。量化现有和预测的光伏设施0–1公里半径内的模型化潜在栖息地显示了一致的模式：在所有时间段和情景下，这些关键哺乳动物物种的潜在栖息地在缓冲区内的比例始终低于1%（图4）。这种空间模式可以归因于光伏基础设施主要位于最初栖息地适宜性较低的区域内，例如中央戈壁沙漠和稀疏草地（图2）。因此，与核心栖息地的直接空间重叠非常小；这一发现与在初始保护价值较低的区域内选址能源基础设施的广泛评估结果一致（Holland等人，2019；Carvalho等人，2024）。然而，光伏基础设施的建立可能会改变干旱栖息地的结构和功能（例如，沙漠铺装、沙质沙漠）。这些变化，包括栖息地破碎化和感官干扰，可能会改变野生动物的迁徙路线和关键行为，如觅食和繁殖（Doherty等人，2021；Troia等人，2021）。本地植被的直接移除对像Procapra gutturosa和Gazella subgutturosa这样的食草动物至关重要，同时表面的变化可能会改变局部微气候，从而间接影响相邻区域的栖息地质量（Levin等人，2023）。气候变化作为一个并行和协同的驱动因素，正在积极重塑新疆自治区的物种分布（Wang等人，2025）。本研究的预测表明，气候适宜的栖息地向绿洲-沙漠过渡带转移（图3）——这些景观也成为我们情景中未来光伏扩张的焦点区域。到2100年，在所有气候和发展路径下，光伏设施周围的1公里潜在影响区域与这些气候变迁物种范围的空间重合预计将增加（图4）。因此，在新疆自治区，光伏基础设施与生物多样性的空间重叠不仅通过其物理足迹的扩张，还通过气候驱动的物种重新分布和未来能源基础设施选址的空间收敛而加剧。这项分析量化了空间重叠情况；它并未衡量直接的生态影响，如死亡率或种群下降。

### 4.2. 新疆自治区干旱地区光伏发展的生物多样性保护考虑
在新疆自治区，大规模光伏基础设施的扩张是气候变化缓解的关键措施，但其空间部署需要战略性、基于证据的规划，以平衡可再生能源目标与生物多样性保护。虽然光伏发展可以改变局部条件（如土壤湿度和微气候），从而可能影响栖息地的可用性（图5），但干旱地区生物多样性的长期潜在影响主要源于基础设施与气候变化物种范围的汇聚以及协同压力，特别是在1公里范围内（Gómez-Catasús等人，2024；Xia等人，2024）。这一双重现实强调了需要综合框架来处理不利和有利方面。该研究展示了光伏（PV）部署可能带来的潜在负面影响（例如噪音、辐射、栖息地重叠）和潜在的协同效益（例如微气候改变、局部栖息地提供）。分析表明，在安纳德瓦兰迪地区（ANWC），主要的保护挑战不仅在于与现有光伏基础设施的直接空间重叠，还在于未来与预计的气候避难所和敏感过渡区的对齐。必须优先考虑将开发活动引导远离这些关键区域（Su等人，2025年）。对于那些不可避免的项目，如果位于未来的栖息地中，减少潜在的行为干扰非常重要；需要采取特定物种的干预措施——例如通过野生动物通道增强连通性以及保护本地植被——以减少1公里范围内的回避行为（Hulin等人，2009年；Lafitte等人，2022年）。这里建立的量化栖息地梯度为基于科学的调整和栖息地补偿提供了实证基础。

除了缓解措施之外，光伏基础设施还可以被有意设计来支持生物多样性（图5）。对微气候和土壤湿度的修改可以为干旱敏感物种创建避难所，而保持栖息地异质性和限制面板密度等做法可以将基础设施转变为生物避难所（Ludzuweit等人，2025年；Lyu等人，2025年）。这些协同效益在ANWC尤为重要，因为该地区的水资源和栖息地质量是限制因素。在这一地区，靠近保护区的光伏开发需要加强监管审查（Mcmanamay等人，2021年）。环境影响评估应该要求进行基线和持续监测，以量化1公里范围内的物种反应和累积空间暴露情况（Song等人，2024年），从而实现适应性管理策略。

这些见解与全球政策议程一致，IPCC和IPBES的评估强调需要综合解决方案以避免权衡（Su等人，2025年）。这项分析为ANWC的战略土地利用分区提供了空间上明确的模板；识别出冲突可能性较低的领域，同时利用光伏与生物多样性共存的潜力。实施这样的景观尺度规划对于确保光伏在ANWC的扩张有助于可持续能源转型、同时保持生态系统韧性和保护承诺至关重要（Butchart等人，2010年）。

4.3. 不确定性和局限性

本研究评估了ANWC地区生物多样性可能受到光伏系统空间暴露的情况，重点关注了模型化栖息地重叠的空间模式。虽然它为该地区光伏与生物多样性的相互作用提供了重要见解，但在数据完整性、分类范围、物种特征的表现以及建模假设方面仍存在一些不确定性。关键的是，这项研究量化的是空间重叠（即潜在暴露），而不是直接生态影响，如死亡率、种群下降或栖息地退化。所呈现的距离梯度模式和ANOVA结果源自堆叠物种分布模型（SDMs）和光伏选址预测。尽管SDMs已经通过来自ANWC的实地数据进行了独立验证，但检测到的统计关联反映了模型化的空间关系，应被视为需要未来基于实地测试因果机制的假设，而不是物种反应的直接测量结果。一个主要限制是关于光伏系统的生命周期数据不完整。现有的数据集缺乏涵盖所有阶段的详细生态指标——包括建设期间的土壤扰动、运行期间的微气候改变以及退役后的栖息地恢复（Winter等人，2017年；Dunnett等人，2022年）。因此，分析局限于空间范围，而没有具体到特定阶段，这就留下了一个问题：建设阶段的栖息地退化是否比运行期间的干扰带来更大的长期生态风险。分类覆盖受到数据可用性的限制，主要关注的是干地哺乳动物，因为它们的分布记录更为详尽。鸟类、爬行动物和无脊椎动物由于记录不足而被排除在外（Levin等人，2023年）。这种遗漏可能导致对这些分类单元的潜在暴露被低估；鉴于它们在授粉和生态系统功能等过程中的重要作用。此外，缺乏特定物种的生活史信息也增加了不确定性。ANWC的许多干地物种会进行季节性迁徙以追踪资源可用性；但关于迁徙走廊和景观连通性的数据非常稀缺。没有这些信息，我们无法评估光伏建设是否成为迁移障碍；可能会低估广泛分布物种的连通性损失。此外，空间建模假设了物种-栖息地的关系是时间上稳定的；忽略了气候变化可能导致的栖息地变化，这可能会改变该地区光伏扩张与生物多样性热点之间的未来重叠（Xia等人，2024年）。这种动态给长期空间重叠的预测增加了不确定性。为了解决这些空白，未来的ANWC和类似干旱地区的研究应该：（1）通过整合公民科学和遥感数据来扩大分类覆盖；（2）通过景观遗传学或遥测研究整合物种特征和迁移数据；（3）开发考虑气候驱动的栖息地动态的空间模型；（4）进行有针对性的实地研究，以测试模型化暴露的空间模式是否能转化为可测量的生态效应，如物种数量变化、繁殖成功率或群落组成。填补这些知识空白将提高暴露评估的准确性和生态相关性，支持在ANWC更可持续地部署光伏系统。

5. 结论

本研究通过量化与建设和运行阶段相关的生物多样性的潜在空间暴露，为ANWC干旱生态系统中光伏能源的规划、选址和部署提供了定量见解，从而明确了栖息地重叠和保护规划的影响。具体来说，它加深了我们对大规模光伏开发如何与栖息地质量、物种组成以及ANWC长期韧性在空间上重叠的理解。当前和预计到2100年的光伏基础设施扩张已被量化。目前的光伏足迹约为300平方公里，预测显示到本世纪末将增加到2600-5200平方公里——在经济增长情景下增加了14倍。ANWC中光伏设施与高生物多样性区域之间的潜在空间重叠有限（100-400平方公里），并且预计在2100年之前会保持较低水平。在区域尺度上，所有情景下，光伏设施1公里范围内的模型化物种栖息地比例均低于1%。这一较低数字主要反映了选址模式避开了具有高模型化栖息地适宜性的区域，而不是物种层面的反应强度。然而，这一总体区域数字并不排除局部空间重叠的可能性；对于栖息地与光伏足迹相交的物种，即使有限的暴露也可能导致边缘效应和栖息地破碎化，需要采取主动的缓解措施。需要注意的是，这项研究量化的是潜在的空间暴露；它没有测量直接生态影响，如死亡率、种群下降或栖息地退化。这些发现强调了在ANWC的光伏规划中需要进行综合的、空间明确的评估，涵盖建设和运行两个阶段。这样的方法有助于识别潜在的空间冲突，并支持旨在使可再生能源扩张与气候变化下的生物多样性保护目标相一致的土地利用规划。