پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,119,592 |
| تعداد دریافت فایل اصل مقاله | 97,226,002 |
پهنه‌بندی زبری زمین با هدف تعیین مناطق مستعد نصب توربین بادی با استفاده از سنجش از دور ماهواره‌ای-مطالعه موردی: شهرستان کیاشهر | ||
| مهندسی بیوسیستم ایران | ||
| دوره 55، شماره 1، فروردین 1403، صفحه 93-112 اصل مقاله (2.36 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2024.380477.665560 | ||
| نویسندگان | ||
| آرش مصری1؛ فاطمه رحیمی اجدادی* 2؛ ایرج باقری3 | ||
| 1گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی، دانشگاه گیلان، گیلان، ایران. | ||
| 2گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت، ایران | ||
| 3گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی، دانشگاه گیلان، گیلان، ایران | ||
| چکیده | ||
| پایان‌پذیری سوخت‌های فسیلی، مشکلات زیست‌محیطی و تغییر اقلیم، توسعه انرژی‌های تجدید‌پذیر به‌ویژه انرژی باد را ضروری می‌سازد. چالش اصلی در توسعه انرژی بادی انتخاب محل مناسب برای نیروگاه است که زبری زمین نقش مهمی دارد. این پژوهش با هدف اولویت‌بندی مناطق مستعد از نظر زبری زمین با استفاده از سنجش از دور در کیاشهر انجام شد. نتایج طبقه‌بندی کاربری اراضی توسط الگوریتم SVM بین سال‌های 2000 تا 2020 نشان‌دهنده تغییرات 66/2957 هکتاری زمین‌های منطقه بود. برای تهیه نقشه زبری زمین از نقشه‌های پیش‌بینی شده توسط مدل سلول‌های خودکار مارکوف برای سال 2030 استفاده شد تا نتایج برای سال‌های آینده کاربردی باشد. نقشه شبیه‌سازی شده بر اساس اطلاعات طول زبری ویرینگا شبکه‌بندی شد تا نقشه‌های طول زبری و کلاس‌های زبری تولید شود. نتایج نشان داد 84 سلول معادل 98/1363 هکتار در دو کلاس اول و دوم دارای بهترین پتانسیل برای احداث نیروگاه بادی هستند. همچنین، نقشه‌های کاربری اراضی در سال 2030 نشان داد که بخش زیادی از منطقه دارای کاربری زراعی و بیشتر تحت کشت برنج است. این نواحی تنها در 2 ماه از سال دارای طول زبری 25/0 متر بوده و در بقیه سال طول زبری‌های 1/0 متر (کلاس 4) و 03/0 متر (کلاس 3) را تجربه می‌کنند. در مجموع، با در نظر گرفتن طول زبری تا 25/0 متر، 552 سلول معادل 36/8963 هکتار برای احداث نیروگاه بادی مناسب تشخیص داده شد. یافته‌های این تحقیق می‌تواند به شناسایی مناطق مستعد احداث نیروگاه بادی و مدل‌سازی سرعت باد در نزدیکی هاب توربین‌های بادی کمک کند. | ||
| کلیدواژه‌ها | ||
| سلول‌های خودکار مارکوف؛ طبقه‌بندی طول زبری؛ لندست؛ نیروگاه بادی | ||
| عنوان مقاله [English] | ||
| Zoning land surface roughness for wind turbine installation using satellite remote sensing: a case study of kiashahr county | ||
| نویسندگان [English] | ||
| Arash Mesri1؛ Fatemeh Rahimi-Ajdadi2؛ Iraj Bagheri3 | ||
| 1Department of Biosystems Engineering, Faculty of Agricultural Sciences, University of Guilan, Rasht, Iran. | ||
| 2Dept. of Biosystems Engineering Faculty of Agricultural Sciences University of Guilan Rasht, Iran | ||
| 3Department of Biosystems Engineering, Faculty of Agricultural Sciences, University of Guilan, Rasht, Iran | ||
| چکیده [English] | ||
| The depletion of fossil fuels, environmental issues, and climate change make the development of renewable energy, especially wind energy, essential. The main challenge in developing wind energy is selecting suitable locations for power plants, where land roughness plays a significant role. This study aimed to prioritize suitable areas based on land roughness using remote sensing in Kiashahr. Land use classification results by the SVM algorithm from 2000 to 2020 showed changes in 2,957.66 hectares of the region. Predicted maps from Markov Cellular Automata models for 2030 were used to ensure practical application of results for future years. The simulated map was gridded based on Wieringa roughness length data to generate maps of roughness length and classes. Results showed that 84 cells, equivalent to 1,363.98 hectares, in the first and second classes have the best potential for wind power plants. Additionally, land use maps for 2030 indicated that a large part of the region is used for agriculture, mostly rice cultivation. These areas have a roughness length of 0.25 m for only two months of the year, and for the rest of the year, they have a roughness length of 0.1 m (class 4) and 0.03 m (class 3). Overall, considering a roughness length of up to 0.25 meters, 552 cells, equivalent to 8,963.36 hectares, were identified as suitable for wind power plants. The findings of this research can help identify suitable areas for wind power plant construction and assist in modeling wind speed near the hub of tall wind turbines. | ||
| کلیدواژه‌ها [English] | ||
| Classification, Landsat, Markov Cellular Automata, Roughness Length, Wind Power Plant | ||
| مراجع | ||
|
Ayodele, T., & Ogunjuyigbe, A. (2015). Mitigation of wind power intermittency: Storage technology approach. Renewable and sustainable energy reviews, 44, 447-456. doi:https://doi.org/10.1016/j.rser.2014.12.034 Ayodele, T., & Ogunjuyigbe, A. (2016). Wind energy potential of Vesleskarvet and the feasibility of meeting the South African׳ s SANAE IV energy demand. Renewable and sustainable energy reviews, 56, 226-234. doi:https://doi.org/10.1016/j.rser.2015.11.053 Baban, S. M., & Parry, T. (2001). Developing and applying a GIS-assisted approach to locating wind farms in the UK. Renewable Energy, 24(1), 59-71. doi:https://doi.org/10.1016/S0960-1481(00)00169-5 Baležentis, T., & Zeng, S. (2013). Group multi-criteria decision making based upon interval-valued fuzzy numbers: an extension of the MULTIMOORA method. Expert Systems with Applications, 40(2), 543-550. doi:https://doi.org/10.1016/j.eswa.2012.07.066 Bañuelos-Ruedas, F., Angeles-Camacho, C., & Rios-Marcuello, S. (2010). Analysis and validation of the methodology used in the extrapolation of wind speed data at different heights. Renewable and sustainable energy reviews, 14(8), 2383-2391. doi:https://doi.org/10.1016/j.rser.2010.05.001 Carvalho, D., Rocha, A., Santos, C. S., & Pereira, R. (2013). Wind resource modelling in complex terrain using different mesoscale–microscale coupling techniques. Applied Energy, 108, 493-504. doi:https://doi.org/10.1016/j.apenergy.2013.03.074 Dale, S. (2021). BP statistical review of world energy. BP Plc, London, United Kingdom, 16-34. Danish Wind Industry Association. (2003). The Roughness Rose. Retrieved from http://www.xn--drmstrre-64ad.dk/wp-content/wind/miller/windpower%20web/en/tour/wres/rrose.htm Đurišić, Ž., & Mikulović, J. (2012). A model for vertical wind speed data extrapolation for improving wind resource assessment using WAsP. Renewable Energy, 41, 407-411. doi:https://doi.org/10.1016/j.renene.2011.11.016 Eastman, J. R. (2003). IDRISI Kilimanjaro: guide to GIS and image processing (Vol. 328). Clark University Worcester: Clark lab. Gkeka-Serpetsidaki, P., & Tsoutsos, T. (2021). Sustainable site selection of offshore wind farms using GIS-based multi-criteria decision analysis and analytical hierarchy process. Case study: Island of Crete (Greece). In Low Carbon Energy Technologies in Sustainable Energy Systems (pp. 329-342): Elsevier. Gorsevski, P. V., Cathcart, S. C., Mirzaei, G., Jamali, M. M., Ye, X., & Gomezdelcampo, E. (2013). A group-based spatial decision support system for wind farm site selection in Northwest Ohio. Energy Policy, 55, 374-385. doi:https://doi.org/10.1016/j.enpol.2012.12.013 Guo, X., Zhang, X., Du, S., Li, C., Siu, Y. L., Rong, Y., & Yang, H. (2020). The impact of onshore wind power projects on ecological corridors and landscape connectivity in Shanxi, China. Journal of Cleaner Production, 254, 120075. doi:https://doi.org/10.1016/j.jclepro.2020.120075 IEA. (2015). World Outlook Energy 2015. Paris: IEA. Inman, M. (2011). Planting Wind Energy on Farms May Help Crops, Say Researchers. Retrieved from https://www.nationalgeographic.com/science/article/111219-wind-turbines-help-crops-on-farms IRENA. (2021). Renewable capacity statistics 2021 International Renewable Energy Agency (IRENA). Abu Dhabi. Lettau, H. (1969). Note on aerodynamic roughness-parameter estimation on the basis of roughness-element description. Journal of Applied Meteorology (1962-1982), 8(5), 828-832. Liu, J., Gao, C. Y., Ren, J., Gao, Z., Liang, H., & Wang, L. (2018). Wind resource potential assessment using a long term tower measurement approach: A case study of Beijing in China. Journal of Cleaner Production, 174, 917-926. doi:https://doi.org/10.1016/j.jclepro.2017.10.347 Lukač, N., Štumberger, G., & Žalik, B. (2017). Wind resource assessment using airborne LiDAR data and smoothed particle hydrodynamics. Environmental Modelling & Software, 95, 1-12. doi:https://doi.org/10.1016/j.envsoft.2017.05.006 Mortensen, N. G., Rathmann, O., & Nielsen, M. (2008). WAsP 9 course notes. Technical University of Denmark: Risø National Laboratory. Murthy, K., & Rahi, O. (2017). A comprehensive review of wind resource assessment. Renewable and sustainable energy reviews, 72, 1320-1342. doi:https://doi.org/10.1016/j.rser.2016.10.038 Naghinezhad, A., Saeidi, M. S., Norouzi, M., & Faridi, M. (2006). Contribution to the vascular and bryophyte flora as well as habitat diversity of the boujagh national park, n. Iran. 5, 100-125. Nayyar, Z. A., & Ali, A. (2020). Roughness classification utilizing remote sensing techniques for wind resource assessment. Renewable Energy, 149, 66-79. doi:https://doi.org/10.1016/j.renene.2019.12.044 Panwar, N., Kaushik, S., & Kothari, S. (2011). Role of renewable energy sources in environmental protection: A review. Renewable and sustainable energy reviews, 15(3), 1513-1524. doi:https://doi.org/10.1016/j.rser.2010.11.037 Sefeedpari, P., Keyhani, A., Pishgar Komleh, S. H., Khanali, M., & Akram, A. (2016). Evaluating the potential of wind energy generation through statistical analysis of wind characteristics – case study: Eqlid county of fars province. iranian journal of biosystems engineering (iranian journal of agricultural sciences), 47(3), 469-483. Retrieved from https://www.sid.ir/en/journal/ViewPaper.aspx?ID=545210 (in persion) Tiseo, I. (2021). Carbon dioxide emissions in 2010 and 2020, by select country (in million metric tons). Retrieved from https://www.statista.com/statistics/270499/co2-emissions-in-selected-countries/ Troen, I., & Petersen, E. L. (1989). European wind atlas: Risø National Laboratory. Van Haaren, R., & Fthenakis, V. (2011). GIS-based wind farm site selection using spatial multi-criteria analysis (SMCA): Evaluating the case for New York State. Renewable and sustainable energy reviews, 15(7), 3332-3340. Wieringa, J. (1992). Updating the Davenport roughness classification. Journal of Wind Engineering and Industrial Aerodynamics, 41(1-3), 357-368. doi:https://doi.org/10.1016/0167-6105(92)90434-C Wieringa, J., & Van der Veer, P. (1976). Nederlandse windstations 1971-1974: KNMI. world weather online, w. ( 2024). Annual Weather Averages. Retrieved from https://www.worldweatheronline.com/kiashahr-weather-averages/gilan/ir.aspx Zeynali, B., & Azimi, A. (2017). Evaluation of wind energy potential in the north-west of iran by using fuzzy algorithm. JOURNAL OF REGIONAL PLANNING, 6(24), 73-87. Retrieved from https://www.sid.ir/en/journal/ViewPaper.aspx?ID=522679 (in persion) Zhang, F., Sha, M., Wang, G., Li, Z., & Shao, Y. (2017). Urban Aerodynamic Roughness Length Mapping Using Multitemporal SAR Data. Advances in Meteorology. doi:https://doi.org/10.1155/2017/8958926 | ||
|
آمار تعداد مشاهده مقاله: 61 تعداد دریافت فایل اصل مقاله: 49 |
||