《Energy and AI》：Data-driven landscape scenicness mapping for continental-scale onshore wind resource assessment
编辑推荐：
为量化景观视觉冲击对风电规划的影响，研究者融合众包风景评级与地理空间数据，开发了首个大陆尺度风景秀美度机器学习预测框架。研究发现，优先保护风景优美地区将使部分国家风电潜力减少超60%，但对全欧平准化度电成本影响有限。这为兼顾社会接受度的大规模能源系统规划提供了数据支撑。
随着全球能源转型加速，风能凭借其成本下降、部署灵活及政策支持，成为增长最快的可再生能源技术之一。然而，其大规模部署，特别是陆上风电，常面临公众的强烈反对。其中，对风景优美景观的视觉冲击是最主要的反对原因之一。人们普遍反对在自然和风景价值高的地区建设风电场，但将这类地区排除在发展之外，又可能减少技术潜力和增加总系统成本。这构成了风电开发效率与社会接受度之间的一个基本权衡。由于缺乏大规模、高分辨率的风景秀美度数据，这种权衡的影响以往仅在德国和英国等个别案例研究中得到量化。随着欧洲需要在2030年前大幅扩大风电规模以达成气候目标，一个一致且高分辨率的景观风景秀美度数据集，对于系统分析这些权衡变得至关重要。
为了解决这一问题，由苏黎世联邦理工学院（ETH Zürich）的Ruihong CHEN、Tristan Pelser、Alena Lohrmann、Jann Michael Weinand和Russell McKenna组成的研究团队，在《Energy and AI》上发表了一项研究。他们开发了一种可扩展的机器学习框架，首次生成了覆盖欧洲大陆的风景秀美度地图，并将其集成到陆上风能资源评估中，量化了在不同景观保护情景下的风电潜力与成本影响。
研究者主要运用了几项关键技术方法：1) 利用来自英国的众包风景评级数据集ScenicOrNot作为训练数据，该数据集包含约21.2万张地理标记照片的公众评分（1-10分）；2) 基于荒野框架，计算了自然度、崎岖度、偏远度和人类影响四个地理空间指标，并结合土地利用、地形、基础设施等共十项特征来预测风景秀美度；3) 采用极端梯度提升（XGBoost）分类器处理不平衡数据，并将预测任务构建为分类问题以提高模型在极端值上的表现；4) 将预测的风景秀美度地图与地理空间土地可用性能源系统（GLAES）模型的标准排除标准结合，定义了低、中、高三种景观保护情景；5) 使用可再生能源模拟工具包（RESKit），在三种情景下评估了欧洲29个国家（EU25+4）的陆上风电技术潜力和平准化度电成本（LCOE）。
模型性能与验证
研究人员将风景评级预测构建为分类任务以应对数据偏态问题。他们发现，应用合成少数类过采样技术（SMOTE）可大幅提高对高风景等级类别的召回率，但会轻微降低整体准确度。在所有分类目标中，极端梯度提升（XGBoost）模型 consistently 优于逻辑回归（Logistic Regression）基准模型。最终，二元分类模型“bi-8”（阈值8分）和三元分类模型“tri-7-8”（阈值7分和8分）因在测试集上性能最佳，且与德国独立风景数据集的预测一致性最高（分别为93%和80%），被选为最终模型。特征重要性分析显示，土地利用（CLC）和自然度是最具影响力的预测因子，其次是全球水平辐照度（GHI）和距内陆水体距离。
欧洲风景秀美度预测
研究首次在大陆尺度计算了自然度、崎岖度、偏远度和人类影响四个荒野指标，揭示了欧洲景观的空间格局。基于这些指标，最终模型预测了EU25+4地区的风景秀美度。表现最佳的模型将欧洲17-24%的土地分类为“高度风景优美”，高达14%为“风景优美”，69-76%为“其他”。高度风景优美地区集中在挪威、阿尔卑斯山和苏格兰北部等偏远地区。重要的是，在高度风景优美的景观中，分别有38%（二元）和42%（三元）的土地在技术上适合风电部署，这凸显了潜在的土地利用冲突和社会反对风险。对现有风机位置的分析表明，约80%的风机位于“其他”类别区域，尽管风景优美地区的风速中位数略高，这暗示风电开发更倾向于风景度较低的地区。
景观保护对陆上风电潜力的影响
为了分析风电成本效率与风景景观保护之间的权衡，研究基于三元风景分类定义了三种排除情景。在覆盖473万平方公里土地的EU25+4地区，可用于风电开发的面积比例分别为：低保护情景（不排除任何风景优美区域）下35.20%，中保护情景（排除“高度风景优美”区域）下28.68%，高保护情景（排除“高度风景优美”和“风景优美”区域）下20.11%。随着景观保护变得更加严格，累积发电潜力呈现明显下降趋势，但下降幅度因国家而异。在西班牙、挪威、瑞士和芬兰等国，从低保护到高保护情景，总发电潜力下降显著（西班牙约60%），而德国则下降不到10%。在欧洲大陆尺度，低保护情景下年发电潜力约为26 PWh（拍瓦时），高保护情景下则下降43%。尽管在高保护情景下成本曲线明显变陡，但整个EU25+4地区的LCOE中位数保持相对稳定，从高保护情景的54.1 �2025/MWh到低保护情景的57.4 �2025/MWh。然而，这种总体稳定性掩盖了巨大的次国家差异。在阿尔卑斯山和挪威等山区，风景优美地区往往与优质风资源重叠，排除这些地区导致LCOE急剧上升。相比之下，在瑞典、芬兰、西班牙和葡萄牙等国，尽管发电潜力大幅减少，但区域LCOE中位数保持稳定，意味着保留的地点仍具成本效益，但大量的发电机会因风景区域排除而丧失。
研究的结论与讨论部分强调了其重要意义。这项工作开发了一个结合机器学习预测风景秀美度并进行大陆尺度风能资源评估的框架，首次定量评估了景观保护与可再生能源部署之间的权衡。研究发现，虽然更严格的景观保护最多可减少43%的陆上风电总潜力，但对欧洲范围内发电成本中位数影响有限。然而，次国家级结果表明，在山区和沿海地区，风景排除会移除优质风场址并推高局部成本，而平坦地区则基本不受影响。这凸显了将社会维度与经济技术因素结合进行空间显式规划的必要性。从政策角度看，国家层面的中位数可能掩盖风景秀美度与风资源权衡最激烈的局部热点地区。在实践中，德国等总体成本影响较低的国家，如果项目选址于重要的风景景观，仍可能面临局部反对。而对于挪威等技术潜力大量位于风景优美地区的国家，微选址、风机设计调整或与现有基础设施共址等缓解策略，对于协调开发与公众偏好至关重要。研究所产生的风景秀美度和荒野指标数据集，可广泛应用于能源规划、生态系统服务评估和旅游研究。将这种感知和环境维度整合到空间能源模型中，有助于推动一个不仅低碳、成本有效，而且在文化和审美上可持续的能源转型。
