پهنه‌بندی زبری زمین با هدف تعیین مناطق مستعد نصب توربین بادی با استفاده از سنجش از دور ماهواره‌ای-مطالعه موردی: شهرستان کیاشهر

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 2957.66 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 1363.98 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 0.25 متر بوده و در بقیه سال طول زبری‌های 0.1 متر (کلاس 4) و 0.03 متر (کلاس 3) را تجربه می‌کنند. در مجموع، با در نظر گرفتن طول زبری تا 0.25 متر، 552 سلول معادل 8963.36 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.

zoning land surface roughness for wind turbine installation using satellite remote sensing: a case study of kiashahr county

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.