论文标题：Sky-Scanning for Energy: Unveiling Rural Electricity Consumption Patterns through Satellite Imagerys Convolutional Features

论文链接：https://doi.org/10.3390/ijgi13100345?n1=43&_utm_from=315ffb84f5

期刊名：ISPRS International Journal of Geo-Information (ISPRS IJGI)

期刊主页：https://www.mdpi.com/journal/ijgi?n1=43&_utm_from=315ffb84f5

如何在缺乏传统统计数据的农村地区实现精准的能源预测？中山大学李郇教授、黄耀福博士、许伟攀博士、邓伟环博士联合德国慕尼黑工业大学陈栋胜博士、香港科技大学（广州）李秋蒙博士等人近期在国际期刊 ISPRS International Journal of Geo-Information 上发表题为《Sky-Scanning for Energy: Unveiling Rural Electricity Consumption Patterns through Satellite Imagery’s Convolutional Features》的研究成果，提出了一种基于高分辨率遥感图像深度卷积特征的可解释性模型，精准预测乡村用电水平，为实现联合国可持续发展目标（SDG7）提供了创新的测度手段与理论支持。

研究背景与意义

截至2018年，全球仍有约7.89亿人无法稳定获得电力供应，尤其是在数据匮乏的农村地区，这一问题严重阻碍了人道主义援助和区域能源政策的制定。本研究瞄准“数据不可得”与“模型不可解释”这两大挑战，尝试用可获取的卫星图像特征对农村用电行为进行建模分析。

技术路径与创新方法

本研究提出了一个三阶段的“可解释回归”（XRegression）框架：（1）特征提取：利用深度学习模型 Mask R-CNN 与特征金字塔网络（FPN）提取高分辨率图像中的多尺度空间特征。（2）特征筛选：使用随机森林回归结合 SHAP 模型，识别对用电预测影响最大的关键图像特征。（3）特征可视化解释：通过特征图激活分析，结合乡村地理知识，揭示图像中“新建农房”“道路通达性”“农田林地”等地理要素与用电水平之间的关系。该方法以广东省新兴县547个500m×500m栅格为样本单元，模型预测精度达到 0.797 的相关系数水平，显著优于传统方法。

电力预测与特征解释分析流程图

SHAP模型识别的前20个相关性特征图

研究发现与应用前景

研究发现：（1）房屋密度和新房分布与电力消费呈显著正相关，反映人居活动与能源需求之间的强耦合；（2）道路网络密度提升通达性，间接提高村庄用电；（3）林地与耕地覆盖率则与用电呈负相关，体现出生态空间与生活空间的分离。本研究不仅实现了从“图像特征”到“行为预测”的跨模态建模，更在解释性方面迈出了关键一步，构建了从深度特征到地理语义的“可解释遥感”桥梁，为数据稀缺地区的能源监测、基础设施规划提供了新路径。

特征图 M165 反映了房屋信息（激活区域主要对应建筑屋顶）

特征图 M80 反映了道路信息（靠近道路的建筑更容易被激活）

特征图 M122 反映了林地和农田的信息（激活区域主要对应森林和农田）

研究总结

该成果以XAI（可解释人工智能）视角解读遥感图像中的电力消费线索，突破传统夜间灯光数据精度局限，为实现 SDG7 提供了高分辨率、具备推理能力的数据支撑方法。未来，研究团队计划扩展至更大区域与跨区域模型迁移，并引入非线性回归与图神经网络以进一步提升预测与解释能力。