نوع مقاله : مقاله پژوهشی
نویسندگان
1 کارشناسی ارشد سیستم های اطلاعات مکانی، گروه مهندسی نقشه برداری، دانشکدۀ مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران"
2 دانشیار گروه مهندسی نقشهبرداری، دانشکدۀ مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران
چکیده
کلیدواژهها
عنوان مقاله [English]
نویسندگان [English]
Abstract
Utilization of solar energy through construction of solar power plants has become a pivotal sector in the global energy landscape. Iran, with its advantageous geographical and climatic conditions, possesses substantial potential for the development of solar power facilities and electricity generation. This study employed a Geographic Information System (GIS)-based Multi-Criteria Decision-Making (MCDM) approach to identify optimal sites for solar power plants in Fars Province. 9 critical criteria identified through prior research were mapped using GIS. The SWARA method was utilized to assign weights to these criteria, establishing a hierarchy of importance with photovoltaic potential ranked highest and altitude ranked lowest. The TOPSIS and EDAS methods were then applied to produce a land suitability map, indicating that 21 and 9% of Fars Province were highly suitable for the construction of solar power plants, respectively. This research prioritized the counties of Fars Province for the establishment of solar energy facilities.
Keywords: Solar Power Plant Site Selection, Multi-Criteria Decision-Making (MCDM), Geospatial Information System (GIS).
Introduction
The demand for renewable energy as a substitute for fossil fuels has been rising in recent years. Solar energy, one of the most prevalent forms of renewable energy, has garnered significant attention in developing countries due to its potential for sustainable, cost-effective, and environmentally friendly energy production. Iran, a major oil and gas producer, primarily generates electricity from fossil fuel power plants, with solar energy representing only a minor portion of its electricity generation. Despite having high solar radiation levels and numerous sunny days throughout the year, Iran has yet to fully capitalize on its solar power potential. Determining the optimal location for a solar power plant is a complex task influenced by environmental, climatic, and topographical factors, requiring scientific approaches. Site selection involves evaluating potential areas and prioritizing locations that ensure high efficiency in electricity generation. By integrating Multi-Criteria Decision-Making (MCDM) methods with Geographic Information Systems (GIS), it becomes possible to effectively manage spatial information, analyze various locations, and assess their suitability for solar power plant establishment.
This study employed an integrated MCDM approach based on GIS for site selection of a solar power plant in Fars Province. GIS was utilized to manage and prepare spatial data, while MCDM methods facilitated criteria weighting and development of a land suitability map. The SWARA method was applied to assign weights to the criteria and two MCDM techniques, TOPSIS and EDAS, were used to integrate the spatial layers.
Materials & Methods
In this study, Geographic Information System (GIS) technology was employed for the collection, management, and visualization of spatial data, while Multi-Criteria Decision-Making (MCDM) techniques were utilized for weighting and integrating the decision-making criteria. Initially, a comprehensive review of existing literature on solar power plant site selection identified 9 key criteria: photovoltaic potential, distance from protected areas, temperature, precipitation, elevation, slope, distance from urban centers, distance from roads, and distance from fault lines. Subsequently, expert opinions were gathered and the SWARA method was applied to establish the weights of the decision-making criteria. Relevant spatial data were collected and spatial layers for each criterion were generated through appropriate analyses within the GIS environment. These spatial layers were then integrated based on the calculated weights using two MCDM methods: TOPSIS and EDAS. The findings were analyzed, conclusions drawn, and results compared with previous studies to identify priority counties for solar power plant establishment.
The SWARA method enhanced decision-making accuracy and efficiency compared to traditional methods like AHP by minimizing the number of pairwise comparisons. In this approach, experts ranked the criteria according to their importance and a reduction coefficient was applied to derive the weights. For generating the land suitability map, the TOPSIS method was employed, evaluating each location based on its proximity to an ideal solution (best conditions) and its distance from a negative ideal solution (worst conditions). The site closest to the ideal solution and farthest from the negative solution was deemed the most suitable. Additionally, the EDAS method was utilized to prioritize sites based on their distance from the average value, incorporating two key measures: Positive Distance from Average (PDA) and Negative Distance from Average (NDA). The site with the highest PDA and the lowest NDA was ranked as the optimal choice.
Research Findings
The results obtained from the SWARA method indicated that photovoltaic potential was the most critical criterion, while elevation was deemed the least significant. For land suitability mapping, both the TOPSIS and EDAS methods were employed. TOPSIS, a widely recognized method for solar power plant site selection, demonstrated high efficiency, while the EDAS method, being relatively newer and less explored, also yielded effective results. The findings from both methods were consistent, showing that the northern and northeastern regions of Fars Province were more suitable for solar power plant development. According to the TOPSIS method, classification of land suitability for Fars Province was as follows: very high suitability (21%), high suitability (45%), moderate suitability (24%), low suitability (8%), and very low suitability (2%). In contrast, the EDAS method classified the province as follows: very high suitability (9%), high suitability (27%), moderate suitability (34%), low suitability (22%), and very low suitability (8%). Additionally, the study prioritized counties in Fars Province for solar power plant development. Both TOPSIS and EDAS methods identified Abadeh, Khorrambid, and Bavanat as the top three priority counties, while Rostam, Mohr, Kuhchenar, Kazerun, and Farashband were ranked as the least suitable locations.
Discussion of Results & Conclusion
This study aimed to identify suitable locations for the establishment of solar power plants in Fars Province. The results demonstrated the effectiveness of integrating Multi-Criteria Decision-Making (MCDM) methods with Geographic Information Systems (GIS) for spatial decision-making. Both the TOPSIS and EDAS methods were employed to analyze and prioritize potential sites. The findings revealed a strong correlation between the results of these two methods, indicating that the northern and northeastern regions of Fars Province were more suitable for solar power plants, while the southern and southwestern areas were less favorable. Additionally, this study highlighted the EDAS method as a more robust and stable alternative to TOPSIS, suggesting that EDAS provides greater decision-making stability and reinforcing its potential for future applications. Given the favorable solar conditions in Fars Province, application of these methodologies could significantly contribute to the development of sustainable energy and enhance energy efficiency in Iran. The comprehensive framework utilized in this study—including problem identification, criteria selection, weighting, and decision-making—can be effectively adapted for solar power plant site selection in other provinces.
کلیدواژهها [English]
مقدمه
توسعۀ پایدار، حفظ رفاه انسان و رشد اقتصادی و اجتماعی بهشدت نیازمند وجود انرژی است (Demir et al., 2024, P. 1; Saraswat et al., 2021, P. 865). در دهههای اخیر بهدلیل رشد جمعیت و شهرنشینی و صنعتیشدن کشورهای مختلف تقاضا برای انرژی افزایش چشمگیری داشته است (Imam et al., 2024, P. 2). برق یکی از انواع انرژی است که بهدلیل افزایش مصرف و توزیع آن در سراسر جهان به یک انرژی با تقاضای فزآینده تبدیل شده است (Rashid, 2015, P. 3). در حال حاضر، بیشتر نیروگاههای تولید برق در جهان از سوختهای فسیلی استفاده میکنند که تأثیرات منفی زیستمحیطی دارد (Rana & Moniruzzaman, 2024, P. 1). در حال حاضر، تقریباً 80 درصد از انرژی جهان با سوختهای فسیلی تأمین میشود؛ ولی این منابع محدود بوده است و تأثیرات زیستمحیطی چشمگیری مانند انتشار گازهای گلخانهای دارد (Çolak, 2024, P. 1). علاوه بر این، کاهش ذخایر سوختهای فسیلی، تخریب لایۀ ازون و افزایش بیماریهای ناشی از اثرهای زیستمحیطی سوختهای فسیلی خطرهای چشمگیری را برای جوامع به وجود آورده است (Niajalili et al., 2025). تنها طی سالهای 1973 تا 2015 انتشار CO 2 در اثر سوزاندن سوختهای فسیلی 108 درصد افزایش یافته است (Messaoudi et al., 2019, P. 68). بهطور کلی، مصرف سوختهای فسیلی پیامدهای نامطلوب بسیاری برای محیط زیست و جامعه دارد که ازجملۀ آن میتوان به موارد زیر اشاره کرد (Kuşkaya et al., 2023, P. 859). 1- انتشار CO2 و ایجاد آلودگی هوا؛ 2- افزایش دمای متوسط جهانی؛ 3- ایجاد بحرانهای طبیعی؛ 4- ناامنی غذا، آب و انرژی؛ 5- تهدید رفاه انسان؛ 6- ایجاد مانع برای رشد و توسعۀ پایدار؛ 7- افزایش سرعت کاهش منابع طبیعی. بنابراین توجه به انرژیهای تجدیدپذیر بهعنوان جایگزینی برای سوختهای فسیلی طی سالهای اخیر افزایش یافته است؛ بهصورتی که سرمایهگذاری جهانی در این زمینه در سال 2012 بیش از 269 میلیارد دلار بوده است (BNEF, 2013).
کشور ایران بهعنوان یکی از کشورهای بزرگ تولیدکننده و صادرکنندۀ سوختهای فسیلی در جهان شناخته میشود. این کشور بهدلیل برخورداری از منابع عظیم نفت و گاز بهطور تقریبی تمام برق مورد نیاز خود را با نیروگاههای سوخت فسیلی تأمین میکند. ایران در سال 2022 تنها 18/0 درصد از برق مورد نیاز خود را با انرژی خورشیدی تولید کرده است؛ درحالی که در این سال بهصورت متوسط 53/4 درصد از برق جهان با استفاده از انرژی خورشیدی تولید شده است (LCP, 2023). کشور ایران در سالهای اخیر با مشکل تأمین برق مواجه بوده است. در این کشور با توجه به گستردگی جغرافیایی سکونتگاههای انسانی هزینۀ انتقال برق بهنسبت بالاست. یکی از راههای مقابله با این کمبود برق در کشور و تأمین برق پایدار احداث نیروگاههای انرژی تجدیدپذیر است که نیاز است مورد توجه قرار گیرد.
استفاده از منابع انرژی تجدیدپذیر بهدلیل افزایش مصرف انرژی در جهان روبه افزایش است (Al Garni & Awasthi, 2020, P. 490). امروزه انرژی خورشیدی بهعنوان یکی از منابع انرژی تجدیدپذیر برای تولید انرژی پایدار، مقرونبهصرفه و سازگار با محیط زیست به یک گزینۀ مناسب پیش روی کشورهای درحالتوسعه تبدیل شده است. استفاده از انرژی خورشیدی موجب افزایش کیفیت زندگی، توسعۀ اقتصادی، ایجاد اشتغال و کاهش آلایندهها در محیط زیست میشود (Saraswat et al., 2021, P. 865). ازجمله مزایای انرژی خورشیدی نسبت به سوختهای فسیلی میتوان به موارد زیر اشاره کرد (Tsoutsos et al., 2005, P. 290). 1- کاهش انتشار گازهای سمی مانند SO2 و CO2؛ 2- جلوگیری از کاهش منابع طبیعی؛ 3- انرژی پایدار و ایمن؛ 4- توسعۀ پایدار؛ 5- افزایش کیفیت منابع آب.
براساس نتایج پژوهشها و برآورد انرژی دریافتی از خورشید در مناطق مختلف جهان مدیترانه، استرالیا، خاورمیانه، جنوب غرب آمریکا، چین و بخشهای بیابانی هند نسبت به سایر مناطق برای بهرهبرداری از انرژی خورشیدی تناسب بالاتری دارند (Najafi et al., 2015, P. 933). ایران در موقعیت بسیار مطلوب برای بهرهبرداری از انرژی خورشیدی قرار گرفته است؛ بهگونهای که با حدود 300 روز آفتابی در سال در حدود 2200 کیلووات ساعت تابش خورشیدی در هر متر مربع را دریافت میکند (Najafi et al., 2015, P. 931). بنابراین شرایط جغرافیایی و محیطی ایران موجب ایجاد پتانسیل بسیار بالا درزمینۀ تولید برق با انرژی خورشیدی شده است؛ با این حال بهدلیل شرایط جغرافیایی، محیطی، اقلیمی و توپوگرافی مختلف در کشور تعیین یک مکان بهینه برای احداث نیروگاه خورشیدی بسیار دشوار است؛ زیرا عملکرد نیروگاه بهطور کامل متأثر از مکان احداث آن است. بهمنظور استفادۀ حداکثری از منافع اقتصادی، تولید حداکثری انرژی و کاهش هزینهها و مسائل زیستمحیطی نیاز است که مکانهای مختلف برای احداث نیروگاه خورشیدی ارزیابی و یک مکان بهینه برای استقرار آن انتخاب شود (Agyekum et al., 2021, P. 2). بنابراین شناسایی و اولویتبندی مناطق مستعد یک گام اساسی در احداث نیروگاه خورشیدی است. تعیین مکان بهینۀ احداث نیروگاه خورشیدی یک تصمیمگیری پیچیده بوده و نیازمند در نظر گرفتن معیارهای متنوعی است که به یکدیگر وابسته یا در تضاد هستند (Saraji et al., 2024, P. 2). بنابراین فرآیند تعیین مکان بهینۀ احداث نیروگاه خورشیدی نیازمند استفاده از رویکردهای مؤثر علمی است تا ازطرفی، بتواند به یک تصمیمگیری صحیح و بهینه منجر و از طرف دیگر، علاوهبر جلوگیری از اتلاف منابع منجر به تولید برق حداکثری شود. یکی از رویکردهای مؤثر استفادهشده در فرآیند تعیین مکان بهینۀ احداث نیروگاه خورشیدی تصمیمگیری چندمعیاره (Multi-Criteria Decision-Making) (MCDM) است.
استفاده از MCDM امکان تجزیهوتحلیل مناطق مختلف و ارزیابی تناسب آنها را برای احداث نیروگاه خورشیدی فراهم میکند. MCDM در پژوهشهای مکانیابی نیروگاه خورشیدی همواره مورد استفاده بوده و عملکرد بالایی داشته است (Hooshangi et al., 2023, P. 13).
پیشینۀ پژوهش
ساراجی و همکاران در پژوهشی با عنوان «یک رویکرد تصمیمگیری چندمعیارۀ دو مرحلهای جدید برای انتخاب سایتهای مزرعۀ خورشیدی» برای مکانیابی نیروگاه خورشیدی در لیتوانی از یک رویکرد MCDM دو مرحلهای استفاده کردهاند. در این پژوهش ابتدا وزن معیارهای تصمیمگیری با استفاده از روش وزندهی کریتیک (Criteria Importance Through Intercriteria Correlation) محاسبه و سپس با استفاده از روش تاپسیس (Technique for Order of Preference by Similarity to Ideal Solution) سایتهای کاندید رتبهبندی شده است (Saraji et al., 2024).
احدی و همکاران پژوهشی با عنوان «انتخاب مکان بهینه برای نیروگاه خورشیدی در ایران ازطریق فرآیند تحلیل سلسلهمراتبی (AHP) » انجام دادند. محققان در این مطالعه برای مکانیابی نیروگاه خورشیدی در ایران مراکز استانها را با استفاده از روش فرآیند تحلیل سلسلهمراتبی (Analytic Hierarchy Process) (AHP) ارزیابی و رتبهبندی کردند. در نتیجۀ این پژوهش شهر زاهدان برای احداث نیروگاه خورشیدی مستعدترین شهر دربین مراکز استانها انتخاب شد (Ahadi et al., 2023).
آیو و همکاران پژوهشی با عنوان «یک روش تعاملی جدید مبتنی بر توابع درجه ترجیحی چندمعیاره برای انتخاب سایت نیروگاه خورشیدی» انجام دادند. محققان در این مطالعه برای مکانیابی نیروگاه خورشیدی در ایران از یک رویکرد MCDM جدید مبتنی بر روش پرامتی (Preference Ranking Organization Method for Enrichment Evaluation) استفاده کردهاند. همچنین، رویکرد استفادهشده در این پژوهش درمقایسه با برخی از روشهای تصمیمگیری ازنظر لحاظکردن ترجیحات تصمیمگیر مقایسه و در آن کارامدری روش مدنظر نشان داده شد (Ayough et al., 2022).
ازدمیر و ساهین پژوهشی با عنوان «تصمیمگیری چندمعیاره در انتخاب مکان برای یک نیروگاه PV خورشیدی با استفاده از AHP» انجام دادند. محققان در این مطالعه برای مکانیابی نیروگاه خورشیدی در ترکیه و برای وزندهی به معیارها و رتبهبندی مکانهای کاندید از روش AHP استفاده کردند (Ozdemir & Sahin, 2018). با توجه به جنبۀ مکانیِ مکانیابی نیروگاه خورشیدی و برای مدیریت اطلاعات فضایی، ترکیب MCDM با سیستم اطلاعات مکانی (Geographic Information System) (GIS) موجب افزایش عملکرد، دقت و سهولت تصمیمگیری شده است (Heidary Dahooie et al., 2022, P. 2).
هوشنگی و همکاران پژوهشی با عنوان «ارزیابی سایتهای بالقوه در ایران برای بومیسازی مزارع خورشیدی با استفاده از TOPSIS فازی Fermatean مبتنی بر GIS» انجام دادند. در این مطالعه ابتدا وزن معیارها با استفاده از روش AHP محاسبه و سپس نقشۀ تناسب اراضی با استفاده از روش تاپسیس و ترکیب آن با اعداد فازی تهیه شد. درنهایت، محققان مکانهای مناسب را برای احداث نیروگاه های خورشیدی پس از بررسی در استانهای جنوبی یافتند (Hooshangi et al., 2023).
آگیکوم و همکاران پژوهشی با عنوان «بهینهسازی انتخاب سایت نیروگاه فتوولتائیک با استفاده از فرآیند سلسلهمراتبی تحلیلی و خوشهبندی مبتنی بر چگالی - پیامدهای سیاست برای گسترش شبکۀ انتقال، غنا» انجام دادند. محققان در این مطالعه برای مکانیابی نیروگاه خورشیدی در غنا از ترکیب GIS، AHP و خوشهبندی مبتنی بر چگالی استفاده کردند (Agyekum et al., 2021).
ساراسوات و همکاران پژوهشی با عنوان «تکنیک مدلسازی مبتنی بر MCDM و GIS برای ارزیابی مکانهای مزرعۀ خورشیدی و بادی در هند» انجام دادند. محققان در این پژوهش ابتدا وزن معیارهای تصمیمگیری را با استفاده از AHP محاسبه و سپس لایههای مکانی معیارها را با استفاده از GIS تهیه کردند. درنهایت، لایۀ مکانی معیارها براساس وزنهای محاسبهشده در محیط GIS تلفیق و نقشۀ تناسب اراضی تهیه شد (Saraswat et al., 2021).
درنهایت، محققان پژوهش حاضر برای مکانیابی نیروگاه خورشیدی Asakereh et al. (2017) از ترکیب GIS با فازی AHP، Günen (2021) و Azizkhani et al. (2017) از ترکیب GIS با AHP و Heidary Dahooie et al. (2022) از ترکیب GIS، روش وزندهی سوارا (Step-wise Weight Assessment Ratio Analysis) و روشهای MCDM همانند تاپسیس استفاده کردهاند.
بهصورت کلی مرور پژوهشهای پیشین نشان میدهد که ترکیب MCDM و GIS بهعنوان یک رویکرد کاربردی و مؤثر در کاربردهای مکانیابی نیروگاه خورشیدی مورد استفاده بوده است. محققان در پژوهشهای پیشین برای انجامدادن فرآیند وزندهی بیشتر از روش متداول AHP استفاده کردهاند و روشهای وزندهی جدید مانند سوارا در پژوهشهای معدودی مانند Heidary Dahooie et al. (2022) استفاده شده است. حال آنکه روش سوارا با کاهش محسوس تعداد مقایسههای زوجی نسبت به روش AHP قابلیت اطمینان نتایج را افزایش داده است و برخلاف سایر روشهای وزندهی با افزایش تعداد معیارهای تصمیمگیری ناسازگاری وزنهای محاسبهشده در این روش افزایش نمییابد (Şimşek & Alp, 2022, P. 3). محققان در پژوهشهای پیشین برای تلفیق لایۀ مکانی معیارها از روشهای MCDM مانند تاپسیس و ترکیب خطی وزندار استفاده کردهاند؛ با این حال روشهای MCDM جدید مانند روش ایداس (Evaluation based on Distance from Average Solution) که مناسب موقعیتهای تصمیمگیری با معیارهای متضاد است (Keshavarz Ghorabaee et al., 2015, P. 435)، مورد توجه قرار نگرفته است؛ بنابراین محققان در پژوهش حاضر با هدف مکانیابی نیروگاه خورشیدی در استان فارس از یک رویکرد ترکیبی MCDM مبتنی بر GIS استفاده کردهاند. در این پژوهش از GIS برای مدیریت و تهیۀ اطلاعات مکانی و از MCDM برای وزندهی به معیارها و تهیۀ نقشۀ تناسب اراضی احداث نیروگاه خورشیدی استفاده شده است. در این پژوهش وزندهی به معیارها با استفاده از روش سوارا و تلفیق لایۀ مکانی معیارها با استفاده از دو روش MCDM شامل تاپسیس و ایداس انجام شده است.
روششناسی پژوهش
محققان در پژوهش حاضر برای مکانیابی مناطق مستعد احداث نیروگاه خورشیدی در استان فارس از یک رویکرد ترکیبی MCDM مبتنی بر GIS استفاده کردهاند. در این پژوهش برای تهیۀ دادههای مکانی و مدیریت و بصریسازی آنها از GIS و برای انجامدادن فرآیند وزندهی به معیارهای تصمیمگیری و تلفیق آنها از MCDM استفاده شده است. شکل 1 ساختار کلی روششناسی پژوهش حاضر را نشان میدهد. همانگونه که در شکل 1 مشاهده میشود، ابتدا پژوهشهای پیشین درزمینۀ مکانیابی نیروگاه خورشیدی بررسی و سپس معیارهای مناسب برای استفاده در پژوهش تعیین و معیارهای تصمیمگیری براساس نظرهای کارشناسان و با استفاده از روش وزندهی سوارا وزن محاسبه شد. در گام بعد دادههای مکانی مناسب برای تهیۀ لایۀ فضایی معیارهای تصمیمگیری جمعآوری و لایۀ فضایی هر معیار با استفاده از تحلیلهای مکانی مناسب در محیط GIS تهیه شده است. در گام بعد لایههای فضایی معیارها براساس وزنهای محاسبهشده از روش سوارا و با استفاده از دو روش MCDM تاپسیس و ایداس تلفیق و نقشۀ تناسب اراضی برای احداث نیروگاه خورشیدی تهیه و درنهایت، در گام آخر یافتههای پژوهش با پژوهشهای پیشین مقایسه شد. درپایان، شهرستانهای اولویتدار برای احداث نیروگاه خورشیدی تعیین شد.
شکل 1: ساختار کلی روششناسی پژوهش (منبع: نویسندگان، 1403)
Figure 1: Overall structure of the research methodology
منطقۀ مطالعهشده
استان فارس با مساحت 122272 کیلومتر مربع و جمعیتی بالغ بر 4850000 نفر در قسمت جنوبی کشور ایران قرار گرفته است. همانگونه که در شکل 2 مشاهده میشود، این استان در عرض شمالی 27 درجه و 1 دقیقه تا 31 درجه و 42 دقیقه از خط استوا و طول شرقی 50 درجه و 34 دقیقه تا 55 درجه و 44 دقیقه از نصف النهار مبدأ واقع شده است. استان فارس 37 شهرستان، 97 بخش، 121 شهر و 222 دهستان دارد و از شمال با استانهای اصفهان و کهگیلویه و بویر احمد، از شرق با استانهای یزد و کرمان، از غرب با استان بوشهر و از جنوب با استان هرمزگان در مجاورت است. مناطق استان فارس در دامنۀ ارتفاعی 110 تا 3927 متر قرار گرفته و بیش از 70 درصد از آن را مناطق کوهستانی تشکیل داده است. میانگین بارندگی طی 55 سال گذشته در استان فارس برابر با 3/303 میلیمتر بوده است. بهدلیل موقعیت جغرافیایی ویژۀ استان فارس و دریافت میزان بسیار بالای تابش خورشیدی نتایج پژوهشهای مختلف این استان را برای احداث نیروگاه خورشیدی از تناسب بالایی تشخیص داده است ( Hooshangi et al., 2023, P. 12 ; Noorollahi et al., 2016, P. 3).
شکل 2: منطقۀ مطالعهشده (منبع: نویسندگان1403)
Figure 2: Study area
معیارهای تصمیمگیری
کیفیت و نتایج هر فرآیند تصمیمگیری به معیارهای استفادهشده وابسته است و این معیارها باید تا حد ممکن کامل و حداقل باشد. در پژوهش حاضر براساس پژوهشهای پیشین تعداد 9 معیار همانند جدول 1 انتخاب شده است. در انتخاب معیارها سعی شده است پراهمیتترین معیارهای استفادهشده در پژوهشهای پیشین انتخاب شود. بهعبارتی، پس از مرور پیشینۀ پژوهش معیارهایی که بیشترین تکرار را در پژوهشهای پیشین داشتند، بهعنوان معیارهای نهایی در پژوهش حاضر انتخاب شدند. گفتنی است که علاوهبر مورد ذکرشده، دردسترسبودن دادۀ مکانی معیار انتخابشده نیز مورد توجه قرار گرفت. معیارهایی مانند ظرفیت کشاورزی (Effat & El-Zeiny, 2022 Elkadeem et al., 2021; Hashemizadeh et al., 2020) و نوع مالکیت و قیمت زمین (Islam et al., 2024 Xiao et al., 2021) بهدلیل دردسترسنبودن اطلاعات آنها و باوجود پر اهمیتبودن مورد استفاده قرار نگرفتند.
جدول 1: معیارهای استفادهشده در پژوهش
Table 1: Criteria used in the research
|
ردیف |
معیار |
اهمیت |
تأثیر |
|
1 |
پتانسیل فتوولتائیک (Potential Photovoltaic) |
به مقدار انرژی الکتریسیتۀ تولیدشده در واحد سطح از نور خورشیدی پتانسیل فتوولتائیک گفته میشود. با افزایش مقدار پتانسیل فتوولتائیک یک منطقه تناسب آن برای احداث نیروگاه خورشیدی افزایش مییابد (;Ahadi et al., 2023 Ayough et al., 2022; Hassan et al., 2023; Islam et al., 2024; Li et al., 2024; Şahin et al., 2024). |
مثبت |
|
2 |
فاصله از مناطق حفاظتشده |
مناطق حفاظتشده مناطقی هستند که ازنظر زیستگاه گیاهی یا جانوری اهمیت فراوانی دارند. احداث نیروگاه خورشیدی در نزدیکی مناطق حفاظتشده بر زندگی گونههای ساکن در آن تأثیرهای غیرمستقیم داشته است و موجب مهاجرت گونههای خاص و حساس و حتی مرگ آنها میشود (Solangi et al., 2019 Sindhu; et al., 2017). بنابراین با توجه به ارزش اکولوژیکی گونههای جانوری و گیاهی و آسیبپذیری آنها مکان نیروگاههای خورشیدی باید دور از مناطق حفاظتشده انتخاب شود (Zoghi et al., 2017). بهعبارتی، با افزایش فاصلۀ یک منطقه از مناطق حفاظتشده تناسب آن برای احداث نیروگاه خورشیدی افزایش مییابد (Al Garni & Awasthi, 2017 Ayough et al., 2022; Seker, 2020;). |
مثبت |
|
3 |
دما |
عملکرد یک نیروگاه خورشیدی به میزان زیادی از دمای هوا تأثیر میپذیرد. با افزایش دمای یک منطقه تناسب آن برای احداث نیروگاه خورشیدی افزایش مییابد (Ahadi et al., 2023 Hassan ;et al., 2023; Heidary Dahooie et al., 2022; Islam et al., 2024; Li et al., 2024; Şahin et al., 2024; Wang et al., 2021). |
مثبت |
|
4 |
بارندگی |
وقوع بارشهای شدید و طولانیمدت میتواند به صفحات خورشیدی و موقعیت قرارگیری آنها آسیب وارد کند. با افزایش بارندگی در یک منطقه تناسب آن برای احداث نیروگاه خورشیدی کاهش مییابد (عتباتی و عربی، 1403؛Ahadi et al., 2023; Li et al., 2024; Wang et al., 2021). |
منفی |
|
5 |
ارتفاع |
غلظت اتمسفر در مناطق مرتفع کمتر بوده و درنتیجه، میزان نور خورشید دریافتی بیشتر است. با افزایش ارتفاع یک منطقه تناسب آن برای احداث نیروگاه خورشیدی افزایش مییابد (Heidary Dahooie et al., 2022 Rane et al., 2024;;Şahin et al., 2024). |
مثبت |
|
6 |
شیب |
هزینۀ احداث نیروگاه خورشیدی و انتقال برق تولیدی آن ارتباط زیادی به شیب منطقه دارد. با افزایش شیب یک منطقه تناسب آن برای احداث نیروگاه خورشیدی کاهش مییابد (Ayough et al., 2022 Heidary Dahooie; et al., 2022; Islam et al., 2024; Li et al., 2024; Şahin et al., 2024). |
منفی |
|
7 |
فاصله از مراکز شهری |
برق تولیدشده با یک نیروگاه خورشیدی باید برای استفاده به مراکز جمعیتی (مراکز شهری) منتقل شود. با افزایش فاصلۀ یک منطقه از مراکز شهری تناسب آن برای احداث نیروگاه خورشیدی کاهش مییابد (Ayough et al., 2022 Islam et al., 2024;). محققان در پژوهشهای Firozjaei et al. (2019)، Seker (2020) و Shorabeh et al. (2022) بیان کردهاند که نزدیکی نیروگاههای خورشیدی به مراکز شهری نسبت به حالتی که از شهرها دور باشند، مزایای اقتصادی بیشتری به همراه دارد. نزدیکی نیروگاه خورشیدی به شهرها، تلفات انرژی و آلودگی هوا در اثر طولانیبودن خطوط انتقال و (Hafeznia et al., 2017)، وابستگی انرژی به منابع دورتر را کاهش میدهد و صنایع را ترغیب به استفاده از انرژی خورشیدی میکند (Zoghi et al., 2017). |
منفی |
|
8 |
فاصله از راهها |
هزینۀ احداث نیروگاه خورشیدی و بهرهبرداری و انتقال برق تولیدی آن ارتباط زیادی به نزدیکی به راههای ارتباطی دارد. با افزایش فاصلۀ یک منطقه از راهها تناسب آن برای احداث نیروگاه خورشیدی کاهش مییابد (Ayough et al., 2022; Heidary Dahooie et al., 2022; Islam et al., 2024; Li et al., 2024; Rane et al., 2024; Şahin et al., 2024). |
منفی |
|
9 |
فاصله از گسلها |
ایمنی یک نیروگاه خورشیدی باید با حفظ فاصله از مناطق پرخطر تضمین شود. با افزایش فاصلۀ یک منطقه از گسلها تناسب آن برای احداث نیروگاه خورشیدی افزایش مییابد (Besharatifard et al., 2022). |
مثبت |
منبع: نویسندگان، 1403
در این مطالعه دادههای مکانی لازم پس از انتخاب معیارهای مناسب برای مکانیابی نیروگاه خورشیدی و برای تهیۀ لایۀ مکانی معیارها جمعآوری شد. دادههای جمعآوریشده برای هر معیار در جدول 2 ارائه شده است. درادامه، برای تهیۀ لایۀ فضایی هر معیار از تحلیلهای فضایی مناسب شامل Kriging، Slope، Euclidian Distance و Extract by Mask در محیط ArcGIS 10.8 استفاده شده است (شکل 3).
جدول 2: دادههای مکانی لازم برای تهیۀ لایۀ فضایی آنها
Table 2: Spatial data required to prepare their spatial layer
|
اختصار |
معیار |
دادۀ مکانی |
منبع داده |
|
پتانسیل فتوولتائیک |
C1 |
نقشۀ پتانسیل فتوولتائیک |
https://solargis.com |
|
فاصله از مناطق حفاظتشده |
C2 |
نقشۀ مناطق حفاظتشده |
https://map.google.com |
|
دما |
C3 |
نقشۀ دما |
https://solargis.com |
|
بارندگی |
C4 |
دادههای ایستگاههای بارانسنجی |
https://www.irimo.ir |
|
ارتفاع |
C5 |
مدل ارتفاعی رقومی (DEM) |
https://earthexplorer.usgs.gov |
|
شیب |
C6 |
DEM |
https://earthexplorer.usgs.gov |
|
فاصله از مراکز شهری |
C7 |
مراکز شهری کشور |
https://www.openstreetmap.org |
|
فاصله از راهها |
C8 |
راههای کشور |
https://www.openstreetmap.org |
|
فاصله از گسلها |
C9 |
گسلهای فعّال کشور |
www.iiees.ac.ir |
منبع: نویسندگان، 1403
شکل 3: نقشۀ معیارهای استفادهشده در پژوهش (منبع: نویسندگان، 1403)
Figure 3: Map of the criteria used in the research
روش سوارا
Keršuliene et al. (2010) این روش را ارائه کردند. با توجه به اینکه این روش تعداد مقایسههای زوجی را به میزان محسوسی کاهش میدهد و برای محاسبۀ وزن معیارها از محاسبات سادهای استفاده میکند، هزینههای محاسباتی و زمان تصمیمگیری را بهنحو مؤثری کاهش داده است (Şimşek & Alp, 2022, P. 3). تصمیمگیر در این روش قادر است اولویتهای خود را با توجه به هدف مدنظر و براساس دانش و تجربۀ شخصی تعیین کند (Şimşek & Alp, 2022, P. 2). در روش سوارا ابتدا نظرهای تصمیمگیری دربارۀ اهمیت معیارها دریافت و سپس براساس آنها وزن معیارها محاسبه میشود (Chang, 2023, P. 2). مراحل اجرای روش سوارا بهصورت زیر است:
گام اول: تصمیمگیر براساس تجربۀ خود معیارهای تصمیمگیری را رتبهبندی میکند؛ بهگونهای که معیار با رتبۀ اول مهمترین معیار در تصمیمگیری باشد؛
گام دوم: تصمیمگیر اهمیت نسبی (Relative Importance) (Sj) هر معیار را نسبت به معیار قبلی تعیین میکند. اهمیت نسبی برای شاخص با رتبۀ اول محاسبه نمیشود؛
گام سوم: ضریب (Coefficient) (Kj) با استفاده از رابطۀ (1) برای هر معیار محاسبه میشود (Keršuliene et al., 2010). ضریبِ معیار با رتبۀ اول برابر با 1 است.
|
(1) |
|
گام چهارم: وزن اولیۀ (Initial Weight) (Qj) هر معیار با استفاده از رابطۀ (2) محاسبه میشود (Keršuliene et al., 2010). وزن اولیۀ معیار با رتبۀ اول برابر با 1 است.
|
(2) |
|
گام پنجم: وزن نهایی (Wj) هر معیار با استفاده از رابطۀ (3) محاسبه میشود (Keršuliene et al., 2010). در این رابطه m تعداد معیارهاست.
|
(3) |
|
روش ایداس
روش ایداس یک روش تصمیمگیری چندمعیارۀ جدید است که Keshavarz Ghorabaee et al. (2015) آن را توسعه دادهاند. این روش در حل مسائل تصمیمگیری پیچیده کاربرد زیادی داشته است (Torkayesh et al., 2023, P. 3). روش نرمالسازی این روش که با نرمالسازی سایر روشهای تصمیمگیری چندمعیاره متفاوت است، براساس میانگین راهحلهای هر معیار انجام میشود. در روش ایداس بهترین گزینه کمترین فاصله از راهحل میانگین (Average Solution) (AV) را دارد (Keshavarz Ghorabaee et al., 2015, P. 2). در این روش برای ارزیابی گزینهها دو معیار ارزیابیِ فاصلۀ مثبت از راهحل میانگین (Positive Distance from Average) (PDA) و فاصلۀ منفی از راهحل میانگین (Negative Distance from Average) (NDA) برای هر گزینه محاسبه میشود. برای یک گزینه هرچه PDA بیشتر و NDA کمتر باشد، امتیاز آن افزایش مییابد. درادامه، مراحل روش ایداس تشریح شده است.
گام اول: ماتریس تصمیم از رابطۀ (4) تشکیل میشود (Keshavarz Ghorabaee et al., 2015). رابطۀ (4) یک ماتریس تصمیم برای n گزینه را نشان میدهد که مقدارهای m شاخص برای هرکدام محاسبه شده است. در این رابطه xij مقدار معیار j-ام برای گزینه i-ام است؛
|
(4) |
|
گام دوم: راهحل میانگین هر شاخص (AVj) با استفاده از رابطۀ (5) محاسبه میشود (Keshavarz Ghorabaee et al., 2015). در این رابطه AVj راهحل میانگین شاخص j-ام و n تعداد گزینههاست؛
|
(5) |
|
گام سوم: معیار PDA برای هر درایه ماتریس تصمیم با استفاده از روابط (6) و (7) محاسبه میشود (Keshavarz Ghorabaee et al., 2015). از رابطۀ (6) برای شاخصهای مثبت و از رابطۀ (7) برای شاخصهای منفی استفاده میشود. معیار NDA برای هر درایه ماتریس تصمیم با استفاده از روابط (8) و (9) محاسبه میشود (Keshavarz Ghorabaee et al., 2015). از رابطۀ (8) برای شاخصهای مثبت و از رابطۀ (9) برای شاخصهای منفی استفاده میشود. در روابط (9-6) PDAij فاصلۀ مثبت شاخص j-ام گزینه i-ام از راهحل میانگین شاخص j-ام و NDAij فاصلۀ منفی شاخص j-ام گزینه i-ام از راهحل میانگین شاخص j-ام است؛
|
(6) |
|
|
(7) |
|
|
(8) |
|
|
(9) |
|
گام چهارم: مجموع وزندار PDA (SPi) و NDA (SNi) برای هر گزینه و با استفاده از بردار وزن شاخصها با روابط (10) و (11) محاسبه میشود (Keshavarz Ghorabaee et al., 2015). در این روابط وزن شاخص j-ام است. در این روابط SPi و SNi بهترتیب مجموع وزندار فاصلۀ مثبت و منفی از راهحل میانگین برای گزینه i-ام است؛
|
(10) |
|
|
(11) |
|
گام پنجم: دو بردار SP و SN با استفاده از روابط (12) و (13) نرمالسازی میشوند (Keshavarz Ghorabaee et al., 2015). در این روابط NSPi و NSNi بهترتیب مجموع وزندار نرمالشدۀ مثبت و منفی برای گزینه i-ام است؛
|
(12) |
|
|
(13) |
|
گام ششم: امتیاز ارزیابی (Compromise Score) (AS) گزینهها با استفاده از رابطۀ (14) محاسبه میشود (Keshavarz Ghorabaee et al., 2015). گزینهای که بیشترین مقدار AS را کسب کند، بهعنوان بهترین گزینه انتخاب میشود.
|
(14) |
|
روش تاپسیس
روش تاپسیس یکی از روشهای تصمیمگیری چندمعیارۀ شناختهشده و پرکاربرد است که Hwang & Yoon (1981) ارائه کردند. در این روش امتیاز گزینهها براساس فاصله از راهحل ایدئال مثبت (Positive Ideal Solution) و منفی (Negative Ideal Solution) (PIS و NIS) محاسبه میشود. در روش تاپسیس گزینهای که کمترین PIS و بیشترین NIS را داشته باشد تناسب بالاتری دارد. درادامه، مراحل روش تاپسیس تشریح شده است.
گام 1: ماتریس تصمیم از رابطۀ (4) تشکیل میشود؛
گام 2: برای نرمالسازی ماتریس تصمیم از رابطۀ (15) استفاده میشود (Hwang & Yoon, 1981). در این رابطه xij و rij بهترتیب مقدار معیار j-ام برای گزینۀ i-ام و نرمالشدۀ آن بوده و n تعداد گزینههاست؛
|
|
(15) |
گام 3: ماتریس نرمال وزندار با رابطۀ (16) محاسبه میشود (Hwang & Yoon, 1981). در این رابطه tij مقدار وزندار نرمالشدۀ معیار j-ام برای گزینۀ i-ام است؛
|
(16) |
|
گام 4: راهحل ایدئال مثبت (S+) و راهحل ایدئال منفی (S-) با استفاده از رابطۀ (17) و (18) محاسبه میشوند (Hwang & Yoon, 1981). در این روابط و بهترتیب بهترین و بدترین مقدار معیار i-ام هستند؛
|
(17) |
|
|
(18) |
|
گام 5: فاصلۀ هر گزینه از راهحلهای ایدئال مثبت و منفی با روابط (19) و (20) محاسبه میشود (Hwang & Yoon, 1981). در این روابط و بهترتیب فاصلۀ گزینه i-ام از راهحلهای ایدئال مثبت و منفی است؛
|
(19) |
|
|
(20) |
|
گام 6: تناسب هر گزینه براساس رابطۀ (21) محاسبه میشود (Hwang & Yoon, 1981). در این رابطه تناسب یا امتیاز گزینه i-ام است.
|
(21) |
|
یافتههای پژوهش و تجزیهوتحلیل
وزندهی
در این مطالعه برای محاسبۀ وزن معیارها با استفاده از روش وزندهی سوارا نیاز است که کارشناس ابتدا معیارها را رتبهبندی و سپس اهمیت نسبی هر معیار را نسبت به معیار قبلی تعیین کند. در پژوهش حاضر از 10 کارشناس با تخصصهای GIS، مهندسی برق الکترونیک و فوتونیک درخواست شده است تا پس از رتبهبندی معیارهای تصمیمگیری اهمیت نسبی هر معیار را نسبت به معیار قبلیاش مشخص کنند. سپس برای هر کارشناس مراحل روش سوارا (قسمت 2-4) در محیط برنامهنویسی Matlab 2018 کدنویسی شده و به ازای هر کارشناس یک بردار وزن همانند جدول (3) محاسبه شده است. درنهایت، میانگین هندسی بردار وزن هر 10 کارشناس بهعنوان وزن نهایی معیارها درنظر گرفته شد (ستون آخر جدول 3). همانگونه که در ستون آخر جدول (3) مشاهده میشود، دو معیار پتانسیل فتوولتائیک و دما بیشترین وزن و دو معیار ارتفاع و فاصله از مناطق حفاظتشده کمترین وزن را داشته است.
جدول 3: نتایج روش وزندهی سوارا
Table 3: Results of the weighted svara method
|
معیار |
کارشناس 1 |
کارشناس 2 |
کارشناس 3 |
کارشناس 4 |
کارشناس 5 |
کارشناس 6 |
کارشناس 7 |
کارشناس 8 |
کارشناس 9 |
کارشناس 10 |
وزن نهایی |
|
C1 |
172/0 |
175/0 |
177/0 |
168/0 |
171/0 |
167/0 |
173/0 |
175/0 |
173/0 |
173/0 |
172/0 |
|
C2 |
081/0 |
088/0 |
081/0 |
087/0 |
095/0 |
087/0 |
084/0 |
081/0 |
085/0 |
086/0 |
086/0 |
|
C3 |
141/0 |
130/0 |
137/0 |
133/0 |
125/0 |
141/0 |
150/0 |
128/0 |
145/0 |
146/0 |
137/0 |
|
C4 |
112/0 |
121/0 |
120/0 |
097/0 |
142/0 |
113/0 |
111/0 |
143/0 |
129/0 |
114/0 |
119/0 |
|
C5 |
075/0 |
079/0 |
076/0 |
077/0 |
077/0 |
076/0 |
077/0 |
078/0 |
076/0 |
078/0 |
077/0 |
|
C6 |
124/0 |
110/0 |
102/0 |
123/0 |
098/0 |
122/0 |
103/0 |
114/0 |
119/0 |
098/0 |
111/0 |
|
C7 |
113/0 |
118/0 |
127/0 |
114/0 |
111/0 |
115/0 |
129/0 |
104/0 |
100/0 |
130/0 |
116/0 |
|
C8 |
095/0 |
094/0 |
095/0 |
112/0 |
089/0 |
087/0 |
092/0 |
091/0 |
082/0 |
084/0 |
092/0 |
|
C9 |
086/0 |
085/0 |
085/0 |
088/0 |
092/0 |
092/0 |
082/0 |
086/0 |
091/0 |
089/0 |
088/0 |
منبع: نویسندگان، 1403
تهیۀ نقشۀ تناسب اراضی
در این پژوهش برای تهیۀ نقشۀ تناسب اراضی احداث نیروگاه خورشیدی با استفاده از دو روش تصمیمگیری چندمعیارۀ تاپسیس و ایداس مراحل هر دو روش در محیط برنامهنویسی Matlab 2018 کدنویسی شده است. پس از محاسبۀ تناسب اراضی برای کل استان فارس نتایج هر روش تصمیمگیری چندمعیاره به روش Natural Breaks به پنج کلاس با تناسب خیلی کم، کم، متوسط، زیاد و خیلی زیاد کلاسهبندی و در شکل 4 نشان داده شده است. همانگونه که مشاهده میشود مناطق شمالی و شامل شرقی استان فارس در هر دو روش تناسب خیلی زیاد و مناطق غربی تناسب کمتری داشته است. همانگونه که در شکل 5 مشاهده میشود براساس نتایج روش تاپسیس بیشترین مساحت استان فارس بهترتیب در کلاسهای تناسب زیاد (45 درصد)، متوسط (24 درصد)، خیلی زیاد (21 درصد)، کم (8 درصد) و خیلی کم (2 درصد) بوده است. همچنین، براساس نتایج روش ایداس بیشترین مساحت استان فارس بهترتیب در کلاسهای تناسب متوسط (34 درصد)، زیاد (27 درصد)، کم (22 درصد)، خیلی زیاد (9 درصد) و خیلی کم (8 درصد) بوده است.
|
|
|
|
الف |
ب |
|
|
|
شکل 4: نقشۀ تناسب اراضی با استفاده از روش: الف) تاپسیس، ب) ایداس (منبع: نویسندگان، 1403)
Figure 4: Land suitability map using the method: a) TOPSIS, b) EDAS
شکل 5: درصد کلاسهای تناسب در روشهای تاپسیس و ایداس (منبع: نویسندگان، 1403)
Figure 5: Percentage of fitness classes in TOPSIS and EDAS methods.
اولویتبندی شهرستانها
در این پژوهش برای اولویتبندی شهرستانهای استان فارس جهت احداث نیروگاه خورشیدی میانگین تناسب پیکسلهای هر شهرستان بهعنوان معیار اولویتبندی محاسبه شده است (شکل 6). در پژوهش حاضر میانگین تناسب پیکسلهای هر شهرستان با ابزارZonal Statistics در محیط ArcGIS 10.8 محاسبه شده است. همانگونه که در شکل 6 مشاهده میشود، در هر دو روش تاپسیس و ایداس دو شهرستان آباده و خرمبید در اولویتهای ابتدایی و شهرستانهای رستم، مهر، کوه چنار، کازرون و فراشبند در اولویتهای انتهایی قرار گرفته است.
|
|
|
|
الف |
ب |
|
|
|
شکل 6: اولویتبندی شهرستانهای استان فارس بر اساس روش: الف) تاپسیس، ب) ایداس (منبع: نویسندگان، 1403)
Figure 6: Prioritization of counties in Fars province based on the method: a) TOPSIS, b) EDAS
نتیجهگیری
منابع سوخت فسیلی منبع اصلی تولید برق در جهان هستند و این منابع علاوهبر محدودیت و تجدیدناپذیربودن پیامدهای زیستمحیطی و اثرهای مخرب بر سلامتی انسان دارند. جوامع امروزی با توجه به محدودیتها و اثرهای منفی سوختهای فسیلی درپی استفاده از منابع انرژی تجدیدپذیر و جایگزینی آن با سوختهای فسیلی است. انرژی خورشیدی یکی از منابع انرژی تجدیدپذیر پایدار است. براساس نتایج پژوهشها و برآورد انرژی دریافتی از خورشید کشور ایران بهعنوان یکی از کشورهای خاورمیانه برای بهرهبرداری از انرژی خورشیدی تناسب زیادی دارد (Najafi et al., 2015, P. 931). کشور ایران در یک موقعیت جغرافیایی بینظیر واقع شده است و با داشتن تعداد ساعتهای آفتابی بهنسبت زیاد انرژی خورشیدی فراوانی دریافت میکند (Najafi et al., 2015, P. 931). با این حال، بهدلیل برخورداری کشور ایران از منابع عظیم نفت و گاز از این پتانسیل عظیم در کشور استفادۀ مطلوب نشده است؛ بنابراین برنامهریزی برای استقرار نیروگاههای خورشیدی در کشور میتواند این پتانسیل را در کشور مورد بهرهبرداری قرار دهد و منافع اقتصادی و توسعۀ پایدار را برای کشور ایران به ارمغان آورد. پژوهش برای تعیین مناطق مستعد احداث نیروگاه خورشیدی در استان فارس انجام شده است. محققان در این پژوهش با توجه به عملکرد زیاد رویکرد ترکیبی MCDM و GIS برای مدیریت و تهیۀ اطلاعات مکانی از GIS و برای وزندهی به معیارها و تلفیق آنها از روشهای MCDM استفاده کردهاند. روش وزندهی سوارا در پژوهشهای پیشین بهندرت مورد استفاده قرار گرفته و با تعداد مقایسههای زوجی کمتر به نتایج قابل اطمینانتری منجر شده است (Zandi et al., 2024, P. 12). بنابراین محققان در پژوهش حاضر وزن معیارهای تصمیمگیری را با استفاده از روش وزندهی سوارا و براساس نظرهای تعداد 10 کارشناس درزمینههای تخصصی مرتبط با انرژی خورشیدی محاسبه کردند که بهعنوان مشارکت اول قابل ذکر است. تلفیق لایههای فضایی معیارهای تصمیمگیری در پژوهشهای پیشین بیشتر با استفاده از روش ترکیب خطی وزندار و تاپسیس انجام شده است؛ با این حال روشهای تصمیمگیری جدید مانند روش ایداس مورد توجه قرار نگرفته است. روش ایداس نسبت به روشهای رایج MCDM مانند تاپسیس و ویکور عملکرد و پایداری بیشتری دارد (Keshavarz Ghorabaee et al., 2015). بنابراین محققان در این مطالعه از روش ایداس برای مکانیابی نیروگاه خورشیدی استفاده و نتایج آن را با روش متداول تاپسیس مقایسه کردند که بهعنوان مشارکت دوم حاضر قابل ذکر است. در پژوهش حاضر براساس پژوهشهای پیشین تعداد 9 معیار برای انجامدادن فرآیند مکانیابی انتخاب شده است. نتایج وزندهی معیارها با استفاده از روش سوارا نشان داد که معیارهای پتانسیل فتوولتائیک و ارتفاع بهترتیب مهمترین و کماهمیتترین معیار در مکانیابی نیروگاه خورشیدی بوده است. پتانسیل فتوولتائیک میزان برق تولید از انرژی خورشیدی را نشان میدهد و بهطور طبیعی، مهمترین معیار درزمینۀ مکانیابی نیروگاه خورشیدی است. این نتایج با نتایج پژوهشهای نیسانی سامانی و طاحونی (1398)، Zoghi et al. (2017) و Imam et al. (2024) مطابقت دارد. این درحالی است که در پژوهش کریمیپور و آل شیخ (1399) تعداد ساعتهای آفتابی و در پژوهش Islam et al. (2024) تابش خورشیدی بهعنوان مهمترین معیار تعیین شده بود. براساس نتایج روش وزندهی در پژوهش حاضر ترتیب اهمیت معیارها بهصورت زیر است: پتانسیل فتوولتائیک (172/0)، دما (137/0)، بارش (119/0)، فاصله از مراکز شهری (116/0)، شیب (111/0)، فاصله از راهها (092/0)، فاصله از گسلها (088/0)، فاصله از مناطق حفاظتشده (086/0) و ارتفاع (077/0).
در پژوهش حاضر برای تهیۀ نقشۀ تناسب اراضی از دو روش تاپسیس و ایداس استفاده شده است. روش تاپسیس یکی از روشهای موجود درزمینۀ مکانیابی نیروگاه خورشیدی در پیشینۀ پژوهش است که عملکرد زیادی دارد و روش ایداس یک روش تصمیمگیری مؤثر است که کمتر مورد توجه بوده است. با توجه به اینکه در پژوهشهای متعدّد مبنای عملکرد بهینه یک روش جدید در یک کاربرد مشخص، شباهت نتایج روش جدید با نتایج روشهای متداول است (Bošković et al., 2023, P. 39503)، در این پژوهش همبستگی میان نتایج دو روش ایداس و تاپسیس محاسبه شده است. بهصورت کلی، نتایج دو روش مشابه بوده و همبستگی پیرسن 8517/0 داشته است؛ بنابراین عملکرد روش ایداس نیز درزمینۀ مکانیابی نیروگاه خورشیدی مطلوب است. در هر دو روش ایداس و تاپسیس قسمتهای شمالی و شمال شرقی استان فارس نسبت به سایر مناطق تناسب فراوانی داشته است. این نتایج با نتایج کریمیپور و آل شیخ (1399) تطابق دارد. گفتنی است که پژوهش حاضر برخلاف پژوهش کریمیپور و آلشیخ (1399) که با هدف کاهش حجم محاسبات ابتدا از روش سادۀ ترکیب خطی وزندار برای تعیین پهنههای مستعد استفاده و سپس تعداد سایتهای محدودی را با روش تاپسیس رتبهبندی کردند، در این پژوهش تمام سلولهای منطقه با روشهای مؤثر ایداس و تاپسیس رتبهبندی و پهنههای مستعد تعیین شد. گفتنی است که مناطق شمالی و شمال شرقی استان فارس نسبت به سایر مناطق پتانسیل فتوولتائیک بیشتری دارد و در ارتفاعات استان قرار گرفته است؛ با این حال بهدلیل اینکه وزن معیار ارتفاع نسبت به معیار پتانسیل فتوولتائیک بسیار کمتر است، تأثیر آن در نقشۀ تناسب اراضی خیلی کم بوده است. براساس نتایج روش تاپسیس بیشترین مساحت استان فارس در کلاس تناسب زیاد (45 درصد) و کمترین آن در کلاس تناسب خیلی کم (2 درصد) بوده است. براساس نتایج روش ایداس بیشترین مساحت استان فارس در کلاس تناسب متوسط (34 درصد) و کمترین آن در کلاس تناسب خیلی کم (8 درصد) بوده است. این نتایج با نتایج کریمیپور و آل شیخ (1399) تطابق دارد که این میتواند بهدلیل استفادۀ مشترک از روش تاپسیس باشد. همچنین، نتایج پژوهش حاضر با نتایج عبدالهی (1397) در تناقض است که این میتواند ناشی از تفاوت در معیارهای استفادهشدۀ روش وزندهی متفاوت و روش تصمیمگیری مختلف باشد. محققان در پژوهش حاضر شهرستانهای استان فارس را ازنظر تناسب برای احداث نیروگاه خورشیدی اولویتبندی کردند. براساس نتایج حاضر و پژوهش کریمیپور و آل شیخ (1399) شهرستانهای کوهستانی استان فارس، یعنی آباده، خرمبید و بوانات در اولویت اول تا سوم بوده است. این درحالی است که در پژوهش عبدالهی (1397) شهرستانهای نیریز، استهبان و فسا بهعنوان اولویتهای اول تا سوم تعیین شده بود. محققان در پژوهش حاضر برای مکانیابی نیروگاه خورشیدی در استان فارس از یک چارچوب علمی کامل شامل مطالعۀ مسئله، تعیین معیارهای مؤثر، وزندهی به معیارها و تلفیق معیارهای تصمیمگیری استفاده کردند. این چارچوب علمی بهخوبی میتواند برای مکانیابی نیروگاه خورشیدی در سایر استانهای کشور مورد استفاده قرار گیرد. بهعنوان پیشنهاد برای پژوهشهای آینده میتوان موارد زیر را توصیه کرد: 1- با توجه به اینکه در پژوهشهای پیشین از روشهای وزندهی عینی که قادر هستند براساس ماتریس تصمیم وزن معیارها را استخراج کنند، استفاده شده است، توصیه میشود روش وزندهی سوارا درمقایسه با اینگونه روشها ارزیابی شود؛ 2- از سایر روشهای تصمیمگیری چندمعیاره مانند روش ارائهشده در Stević et al. (2020) برای تلفیق لایههای مکانی معیارها استفاده شود و نسبت به دو روش تاپسیس و ایداس مقایسه و ارزیابی شود؛ 3- برای کاهش هزینههای انتقال و توزیع برق تولیدشده معیار نزدیکی به نیروگاههای سوخت فسیلی در تصمیمگیری مورد توجه قرار گیرد.
)