چالش‌های موجود در چشم‌انداز انرژی جهانی، که ناشی از اتکای گسترده به منابع سوخت فسیلی و پیامدهای زیست‌محیطی آنها است، به یکی از مسائل اساسی قرن بیست و یکم تبدیل شده است ^.۱ منابع انرژی تجدیدناپذیر نه تنها محدود و رو به اتمام هستند، بلکه به طور قابل توجهی در تشدید تغییرات اقلیمی و آلودگی هوا نیز نقش دارند ^.۲ در نتیجه، افزایش سهم انرژی‌های تجدیدپذیر در ترکیب انرژی جهانی به یک ضرورت انکارناپذیر تبدیل شده است. این استراتژی با اهداف توسعه پایدار (SDGs) و ابتکارات جهانی طراحی شده برای کاهش اثرات زیست‌محیطی سازگار است ^.۳

طبق گزارش سازمان ملل متحد (UN)، تضمین دسترسی جهانی به انرژی پایدار، مقرون به صرفه و پاک تا سال ۲۰۳۰ یکی از مهمترین اولویت‌های جهانی است . ^۴ این هدف نه تنها وابستگی به سوخت‌های فسیلی را کاهش می‌دهد، بلکه شرایط محیطی و اجتماعی را نیز بهبود می‌بخشد. علاوه بر این، دستیابی به انتشار کربن خالص صفر تا سال ۲۰۵۰ به عنوان یک استراتژی کلیدی برای مبارزه با تغییرات اقلیمی شناسایی شده است. در این راستا، بیش از ۴۰۰ میلیارد دلار توسط سازمان‌های بین‌المللی و بخش‌های خصوصی به پروژه‌های انرژی پاک اختصاص داده شده است . ^۵ برای دستیابی به این اهداف، توسعه فناوری‌های نوآورانه انرژی تجدیدپذیر، مانند انرژی خورشیدی، بادی و برق آبی، همراه با بهبود بهره‌وری انرژی در بخش‌های مختلف، ضروری است. به طور کلی، گذار به سمت پذیرش گسترده انرژی‌های تجدیدپذیر نه تنها راه حلی برای چالش‌های زیست‌محیطی است، بلکه به ایجاد شغل ^۶ ، توسعه اقتصادی پایدار ^۷ و افزایش تاب‌آوری جامعه در برابر تغییرات اقلیمی ^۸ نیز کمک می‌کند .

ایران، که به عنوان کشوری با پتانسیل قابل توجه انرژی تجدیدپذیر شناخته می‌شود، به دلیل موقعیت جغرافیایی منحصر به فرد خود، واقع شدن در کمربند خورشیدی و مناطق غنی از باد، ظرفیت‌های گسترده‌ای برای استفاده از منابع تجدیدپذیر دارد.۹ ^در دهه‌های اخیر، افزایش نیاز به انرژی، کاهش منابع سوخت فسیلی و نگرانی‌های فزاینده زیست‌محیطی، بسیاری از کشورها، از جمله ایران، را به سمت توسعه منابع انرژی تجدیدپذیر سوق داده است ^.۱۰ انرژی‌های تجدیدپذیر، با ویژگی‌هایی مانند پاکیزگی، در دسترس بودن و پایداری، به عنوان جایگزینی قابل اعتماد برای سوخت‌های فسیلی در نظر گرفته می‌شوند و به طور قابل توجهی در کاهش انتشار گازهای گلخانه‌ای و پیشبرد توسعه پایدار نقش دارند ^.۱۱

شکل  ۱ روند ظرفیت تولید برق تجدیدپذیر را در جهان و ایران از سال ۲۰۱۴ تا ۲۰۲۳ نشان می‌دهد. در سطح جهانی (میله‌های آبی)، ظرفیت تجدیدپذیر در طول این دوره تقریباً ۱۲۷ درصد افزایش یافته است که نشان دهنده رشد سریع و سرمایه‌گذاری‌های قابل توجه در انرژی‌های تجدیدپذیر است. در مقابل، ظرفیت ایران (خط قرمز) از سال ۲۰۱۴ تا ۲۰۲۳ تنها حدود ۱۶ درصد رشد داشته است که نشان دهنده سرعت توسعه بسیار کندتر نسبت به روندهای جهانی است. بین سال‌های ۲۰۱۴ و ۲۰۱۵ کاهش جزئی مشاهده می‌شود که احتمالاً به دلیل تغییرات سیاست یا کاهش سرمایه‌گذاری در انرژی‌های تجدیدپذیر است. با این وجود، یک روند صعودی تدریجی در پی دارد که نشان دهنده برخی تلاش‌ها برای توسعه این بخش است. این نتایج نشان می‌دهد که برای اینکه ایران بتواند با نرخ رشد جهانی همسوتر شود، سیاست‌های حمایتی قوی‌تر و سرمایه‌گذاری‌های بیشتر در انرژی‌های تجدیدپذیر ضروری است.

ایران قصد دارد ظرف پنج سال آینده ۳۰۰۰۰ مگاوات به ظرفیت انرژی تجدیدپذیر خود اضافه کند ^۱۳ ، هدفی که با افزایش تقاضای انرژی و نیاز به جایگزین‌های پایدار هدایت می‌شود. در میان مناطق بالقوه، ساحل مکران به دلیل موقعیت استراتژیک جنوب شرقی خود در امتداد دریای عمان و تابش شدید خورشید، بادهای مداوم و شرایط مطلوب زمین‌گرمایی، برجسته است. این ویژگی‌ها، همراه با زمین‌های وسیع و بدون مانع، مکران را برای تأسیسات خورشیدی و بادی در مقیاس بزرگ و همچنین بهره‌برداری از انرژی زمین‌گرمایی بسیار مناسب می‌کند. با وجود این پتانسیل قابل توجه، توسعه انرژی تجدیدپذیر در مکران به کندی پیش رفته است، عمدتاً به دلیل زیرساخت‌های محدود و عدم ارزیابی‌های جامع که منابع خورشیدی، بادی و زمین‌گرمایی را یکپارچه می‌کند. انجام ارزیابی‌های دقیق برای برنامه‌ریزی مؤثر، کاهش وابستگی به سوخت‌های فسیلی، ترویج تولید انرژی پاک و حمایت از رشد اجتماعی-اقتصادی در این منطقه توسعه نیافته ضروری است. چالش اصلی در استقرار انرژی تجدیدپذیر، شناسایی مکان‌های بهینه است که نیاز به بررسی دقیق عوامل محیطی، جغرافیایی و اقلیمی دارد. ابزارهای مکانی پیشرفته مانند سیستم‌های اطلاعات جغرافیایی (GIS) و تکنیک‌های تصمیم‌گیری چندمعیاره مکانی (SMCDM)، به ویژه میانگین وزنی مرتب (OWA)، قابلیت‌های قدرتمندی را برای تجزیه و تحلیل معیارهای متنوع و مدل‌سازی ترجیحات تصمیم‌گیرندگان ارائه می‌دهند. ^۱۴٫ هنگامی که OWA با GIS ادغام می‌شود، امکان نقشه‌برداری دقیق از تناسب مکانی را فراهم می‌کند و از برنامه‌ریزی آگاهانه برای توسعه پایدار انرژی در امتداد سواحل مکران پشتیبانی می‌کند . ^۱۵٫ استفاده از این روش‌ها می‌تواند به شناسایی مناطق با پتانسیل بالا برای انرژی خورشیدی، بادی و زمین‌گرمایی کمک کند و در نتیجه سرمایه‌گذاری هدفمند را هدایت کرده و به طور قابل توجهی به گذار انرژی تجدیدپذیر ایران کمک کند.

مطالعات اخیر به طور گسترده پتانسیل انرژی خورشیدی ^{[ ۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ، ۲۰]} ، باد ^{[۲۱ ، ۲۲ ، ۲۳ ، ۲۴ ، ۲۵ ، ۲۶} ] و انرژی زمین گرمایی ^{[۲۷ ، ۲۸ ، ۲۹ ، ۳۰ ، ۳۱]} را با استفاده از تحلیل‌های مکانی مبتنی بر GIS و روش‌های SMCDM در مناطق مختلف جهان ارزیابی کرده‌اند. تحقیقات انجام شده در خاورمیانه و آفریقا نیز به طور مشابه پتانسیل بالای انرژی تجدیدپذیر را نشان می‌دهد که ناشی از تابش شدید خورشید، رژیم‌های بادی پایدار و ساختارهای زمین‌شناسی مطلوب است ^{[۳۲ ، ۳۳]} . در ایران، بیشتر تحقیقات بر مناطق مرکزی و بیابانی متمرکز شده است و از تکنیک‌های SMCDM مانند فرآیند تحلیل سلسله مراتبی (AHP)، تکنیک اولویت‌بندی بر اساس شباهت به راه‌حل ایده‌آل (TOPSIS) و OWA برای ادغام عوامل محیطی و زیرساختی استفاده شده است که اثربخشی این ابزارها را در نقشه‌برداری مناسب بودن تأیید می‌کند ^{[۳۴ ، ۳۵ ، ۳۶ ، ۳۷} ]. با این حال، سواحل مکران علیرغم اهمیت استراتژیک آن، توجه علمی محدودی را به خود جلب کرده است. شاهین و همکاران ^۳۸ از یک رویکرد فازی شهودی مبتنی بر GIS با استفاده از متغیرهای اقلیمی، زمین‌شناسی و زیرساختی استفاده کردند و مناطق وسیعی را که برای توسعه انرژی خورشیدی و بادی مناسب بودند، شناسایی کردند. یوسفی و همکاران ^۳۹ با استفاده از چارچوب GIS-AHP، محدودیت‌های زیست‌محیطی و زیرساختی را در غرب ایران ارزیابی کردند و شش منطقه اصلی با تناسب بالا را برای استقرار مزرعه بادی در مقیاس بزرگ شناسایی کردند. ییلدیز ^۴۰ GIS و AHP را در یک چارچوب SMCDM برای تجزیه و تحلیل معیارهای توپوگرافی، اقلیمی و ساختاری در ترکیه ادغام کردند و نشان دادند که تنها بخش کوچکی از منطقه برای انرژی باد بسیار مناسب است. به همین ترتیب، شورابه و همکاران ^۴۱ فرآیند شبکه تحلیلی (ANP)، منطق فازی و ترکیب خطی وزنی (WLC) را برای ارزیابی پتانسیل انرژی تجدیدپذیر چندگانه در شرق ایران ترکیب کردند و چندین منطقه مطلوب برای مزارع انرژی تجدیدپذیر هیبریدی را شناسایی کردند. منگ و همکاران. ^۴۲ از یک SMCDA مبتنی بر GIS با ترکیب AHP و وزن‌دهی آنتروپی برای ارزیابی پتانسیل زمین‌گرمایی در شمال شرقی چین استفاده کردند و مناطق با پتانسیل بالا را که از طریق موقعیت چاه‌های زمین‌گرمایی موجود اعتبارسنجی شده بودند، مشخص نمودند.

علیرغم حجم فزاینده تحقیقات در مورد انتخاب سایت انرژی تجدیدپذیر، اکثر مطالعات موجود، منابع خورشیدی، بادی یا زمین گرمایی را به صورت جداگانه ارزیابی می‌کنند و فاقد یک چارچوب یکپارچه هستند که بتواند چندین منبع را به طور همزمان ارزیابی کند. کارهای قبلی نیز به ندرت ترجیحات تصمیم‌گیری مبتنی بر سناریو را در نظر می‌گیرند و اغلب به طور کامل به عدم قطعیت مرتبط با ترکیبات معیارهای وزنی نمی‌پردازند. علاوه بر این، مطالعات متمرکز بر منطقه مکران محدود هستند و هیچ ارزیابی جامعی به طور مشترک منابع خورشیدی، بادی و زمین گرمایی را با استفاده از یک چارچوب تصمیم‌گیری چند معیاره مکانی یکپارچه تجزیه و تحلیل نکرده است.

برای رفع این شکاف‌های تحقیقاتی، این مطالعه یک چارچوب ارزیابی مکانی مبتنی بر سناریو توسعه می‌دهد که وزن‌دهی روش سازگاری کامل (FUCOM) را با نگرش‌های تصمیم‌گیری مبتنی بر OWA ادغام می‌کند و امکان ارزیابی همزمان پتانسیل انرژی خورشیدی، بادی و زمین‌گرمایی را در امتداد سواحل مکران فراهم می‌کند. سهم اصلی این کار عبارتند از: (۱) توسعه یک مدل یکپارچه تناسب چند منبعی، (۲) ادغام سناریوهای تصمیم‌گیری بدبینانه به خوش‌بینانه برای در نظر گرفتن عدم قطعیت و ترجیحات ریسک تصمیم‌گیرنده، و (۳) تولید یک نقشه تناسب کلی که مناطق با پتانسیل بالا برای توسعه انرژی تجدیدپذیر چند منبعی را شناسایی می‌کند. علاوه بر این، چارچوب پیشنهادی دقت و کارایی انتخاب مکانی مکان را افزایش می‌دهد، از برنامه‌ریزی پارک‌های انرژی تجدیدپذیر یکپارچه پشتیبانی می‌کند و یک روش‌شناسی عملی و سازگار برای سایر مناطق در سراسر جهان ارائه می‌دهد. با بهبود تخصیص منابع و کاهش ریسک سرمایه‌گذاری، این مطالعه ابزاری قوی برای بهینه‌سازی توسعه و استقرار سیستم‌های انرژی تجدیدپذیر چند منبعی ارائه می‌دهد.

مکران در جنوب شرقی ایران واقع شده و بخش‌هایی از استان‌های سیستان و بلوچستان و هرمزگان را در بر می‌گیرد (شکل  ۲ ). این منطقه با مساحت ۱۵۰۰۰۰ کیلومتر مربع ^، بین عرض جغرافیایی ۲۵ تا ۲۷ درجه شمالی و طول جغرافیایی ۵۹ تا ۶۱ درجه شرقی قرار دارد. این منطقه از بندر جاسک در استان هرمزگان تا خلیج گواتر در استان سیستان و بلوچستان امتداد دارد. این منطقه از جنوب با دریای عمان و از شمال با رشته کوه مکران و دشت‌های داخلی سیستان و بلوچستان هم‌مرز است.

شهرستان‌های مکران شامل: چابهار (۲۰۳۲۹۳ نفر)، دشتیاری (۷۹۹۱۱ نفر)، کنارک (۷۸۰۱۲ نفر)، زرآباد (۲۰۱۹۷ نفر)، جاسک (۵۹۴۹۳ نفر) و سیریک (۴۶۲۸۴ نفر) هستند. این شهرستان‌ها در کنار هم، به تنوع جمعیتی و جغرافیایی منطقه کمک می‌کنند. مکران به دلیل موقعیت استراتژیک، تنوع زیستی منحصر به فرد و جاذبه‌های طبیعی مانند رشته کوه‌های گچی و ماسه‌ای، سواحل شنی و صخره‌ای، آتشفشان‌های گلی و زیستگاه گونه‌های جانوری نادر، از اهمیت قابل توجهی برخوردار است.

منطقه مکران به دلیل موقعیت منحصر به فرد خود در نزدیکی دریای عمان و قرار گرفتن در کمربند گرمسیری، دارای آب و هوای گرم و خشک است که تحت تأثیر بارش‌های موسمی محدود و بادهای فصلی قرار دارد. بارش سالانه کمتر از ۲۰۰ میلی‌متر است که ناشی از بارش‌های تابستانی از اقیانوس هند و بارش‌های زمستانی از سیستم‌های مدیترانه‌ای است. تابستان‌های مکران گرم و مرطوب است و میانگین دما بین ۳۵ تا ۴۰ درجه سانتیگراد است، در حالی که زمستان‌ها معتدل و دلپذیر است و میانگین دما بین ۲۰ تا ۲۵ درجه سانتیگراد است. رطوبت بالا، بادهای موسمی و طوفان‌های فصلی از جمله ویژگی‌های اقلیمی این منطقه هستند. مکران تقریباً ۳۰۰ تا ۳۲۰ روز آفتابی در سال را تجربه می‌کند که آن را برای استفاده از انرژی خورشیدی بسیار مناسب می‌کند. علاوه بر این، میانگین سرعت باد در منطقه ۴ تا ۶ متر بر ثانیه است که ممکن است در تابستان به دلیل بادهای موسمی افزایش یابد و آن را برای پروژه‌های انرژی بادی ایده‌آل می‌کند. بندر چابهار، به عنوان تنها بندر اقیانوسی ایران، در کنار پروژه‌های زیرساختی مانند راه‌آهن چابهار-زاهدان، مکران را به عنوان یک قطب کلیدی برای تجارت بین‌المللی و کریدور شمال-جنوب قرار داده است. با توسعه زیرساخت‌ها و استفاده بهینه از منابع طبیعی و انسانی، مکران پتانسیل تبدیل شدن به یک قطب اقتصادی، فرهنگی و گردشگری در منطقه را دارد.

مجموعه داده‌های جغرافیایی و مرتبط با انرژی از منابع معتبر ملی و بین‌المللی متعددی جمع‌آوری شد تا از ارزیابی مکانی جامع پتانسیل انرژی‌های تجدیدپذیر در منطقه مکران پشتیبانی شود. برای ارزیابی تولید انرژی‌های تجدیدپذیر، مجموعه داده‌ها شامل نقشه‌های پتانسیل فتوولتائیک (PVOUT)، سرعت باد، توان باد و چگالی باد از اطلس جهانی خورشیدی و اطلس جهانی باد؛ نقشه‌های دمای سطح زمین (LST) برگرفته از تصاویر لندست؛ و نقشه‌های زمین‌گرمایی، گسل و گل فشان از سازمان زمین‌شناسی و اکتشافات معدنی ایران بود. گل فشان یک پدیده زمین‌شناسی است که در آن گل، آب و گازها به سطح فوران می‌کنند و اغلب ساختارهای مخروطی شکل کوچکی را تشکیل می‌دهند.

برای ارزیابی هزینه‌های تولید، توزیع و مصرف، داده‌های مکانی مربوط به جاده‌ها، سکونتگاه‌های شهری و روستایی، مناطق صنعتی، خطوط برق، تأمین‌کنندگان برق و نیروگاه‌های موجود از مرکز نقشه‌برداری ملی و وزارت نیرو، به همراه نقشه‌های ارتفاع و شیب از مدل ارتفاعی رقومی ماموریت توپوگرافی رادار شاتل (SRTM) جمع‌آوری شد. شرایط محیطی مؤثر بر عملکرد انرژی‌های تجدیدپذیر با استفاده از نقشه‌های تراکم پوشش گیاهی از تصاویر لندست، نقشه‌های تراکم گرد و غبار از MODIS و داده‌های دمای هوا و بارندگی از سازمان هواشناسی ایران و همچنین نقشه‌های خط ساحلی از سازمان بنادر و دریانوردی ایران ثبت شد. محدودیت‌های مکانی، از جمله مناطق حفاظت‌شده، فرودگاه‌ها، زمین‌های کشاورزی، باغ‌ها، مناطق اکوتوریسم، مناطق مستعد سیل، تالاب‌ها و دریاچه‌ها، برای حذف مناطق نامناسب در نظر گرفته شدند.

این مجموعه داده‌ها در کنار هم، مبنای محکمی برای ارزیابی امکان‌سنجی، اثرات زیست‌محیطی و مناسب بودن مکان پروژه‌های انرژی خورشیدی، بادی و زمین‌گرمایی در منطقه مورد مطالعه فراهم کردند.

ارزیابی پتانسیل توسعه مکان‌های نیروگاه‌های انرژی تجدیدپذیر نیازمند یک رویکرد سیستماتیک و چند مرحله‌ای است که داده‌های مکانی، تحلیل‌های جغرافیایی و تصمیم‌گیری چند معیاره را ادغام می‌کند. در این مطالعه، از یک روش پنج مرحله‌ای برای شناسایی و ارزیابی مکان‌های مناسب، همانطور که در زیر شرح داده شده است (شکل  ۳ )، استفاده شد.

در مرحله اول، معیارهای مؤثر بر مناسب بودن مکان‌های انرژی تجدیدپذیر چند منبعی از طریق بررسی تحقیقات قبلی، مشاوره با متخصصان و تجزیه و تحلیل شرایط جغرافیایی شناسایی شدند و پس از آن یک پایگاه داده مکانی برای این معیارها ایجاد شد. در مرحله دوم، مجموعه داده‌های جمع‌آوری‌شده تحت پیش‌پردازش قرار گرفتند تا از ثبات و کیفیت آنها اطمینان حاصل شود، پس از آن تجزیه و تحلیل‌های مکانی در محیط GIS برای تولید نقشه‌های نشان‌دهنده هر معیار انجام شد. مرحله سوم شامل تعیین وزن و اهمیت نسبی معیارها و به دنبال آن استانداردسازی نقشه‌های مربوطه بود. در مرحله چهارم، از روش OWA برای ادغام معیارها و تولید نقشه‌های مناسب بودن مکان بالقوه برای هر نوع انرژی تجدیدپذیر تحت سناریوهای مختلف تصمیم‌گیری استفاده شد. در نهایت، مرحله پنجم این نتایج را برای ایجاد یک نقشه توافق مکانی ترکیب کرد و مناطقی را که برای توسعه نیروگاه‌های خورشیدی، بادی و زمین‌گرمایی در تمام سناریوها بسیار مناسب هستند، برجسته کرد.

شناسایی معیارها و حوزه‌های محدودیت

شناسایی مناطق مناسب برای توسعه انرژی‌های تجدیدپذیر متکی بر یک رویکرد تصمیم‌گیری چندمعیاره است که شامل تجزیه و تحلیل دقیق و جامع عوامل مؤثر متعدد است. در این مطالعه، معیارهای مربوطه با مشورت کارشناسان و متخصصان انرژی‌های تجدیدپذیر و با در نظر گرفتن ویژگی‌های جغرافیایی منطقه مورد مطالعه تعیین شدند. این معیارها به دو دسته اصلی طبقه‌بندی شدند: محدودیت‌ها و عوامل ارزیابی. معیارهای محدودیت، مناطقی را نشان می‌دهند که تأسیس نیروگاه‌های انرژی تجدیدپذیر به دلیل مقررات زیست‌محیطی یا استانداردهای ملی و بین‌المللی ممنوع است. چنین مناطقی با استفاده از منطق بولی از تجزیه و تحلیل بیشتر حذف شدند، که کل منطقه مورد مطالعه را به دو گروه مناسب و نامناسب طبقه‌بندی می‌کند. این روش به جلوگیری از اختلافات احتمالی در تصمیم‌گیری کمک می‌کند و تضمین می‌کند که مناطق محدود شده به طور مؤثر از فرآیند انتخاب حذف شوند. در مقابل، از عوامل ارزیابی برای ارزیابی و مقایسه مناسب بودن مکان‌های بالقوه برای توسعه انرژی‌های تجدیدپذیر استفاده می‌شود. این عوامل بر اساس ویژگی‌های فیزیکی، محیطی و زیرساختی هر منطقه، به صورت کمی و کیفی تجزیه و تحلیل شدند. هر عامل ارزیابی نوع خاصی از تأثیر را دارد که نشان می‌دهد مقادیر بالاتر یا پایین‌تر برای مناسب بودن مکان مطلوب‌تر هستند. برای مثال، مقادیر بالاتر PVOUT یا سرعت باد، پتانسیل را افزایش می‌دهند و به عنوان «حداکثر» تأثیر در نظر گرفته می‌شوند، در حالی که مقادیر پایین‌تر فاصله تا جاده‌ها یا خطوط برق موجود ترجیح داده می‌شوند و به عنوان «حداقل» تأثیر در نظر گرفته می‌شوند. این تمایز، فرآیند استانداردسازی را هدایت می‌کند و تضمین می‌کند که همه معیارها به طور مناسب برای تجمیع چند معیاره مقیاس‌بندی شده‌اند. در مجموع، ۲۲ معیار برای ارزیابی مکان‌های مناسب و ۱۶ معیار برای تعریف مناطق محدود شده اعمال شد (جدول  ۱ ).

استانداردسازی معیارها

در فرآیند انتخاب مکان برای نیروگاه‌های انرژی تجدیدپذیر، هر معیار می‌تواند از طریق لایه‌های مکانی مختلف، مانند نقشه‌های طبقه‌بندی‌شده (مثلاً کاربری اراضی) یا نقشه‌های پیوسته (مثلاً شیب) نمایش داده شود. برای امکان‌پذیر کردن مقایسه مؤثر و کاهش پیچیدگی تحلیلی، تمام داده‌های عددی و طبقه‌بندی‌شده باید از طریق فرآیندی که به عنوان استانداردسازی معیارها شناخته می‌شود، به یک مقیاس مشترک تبدیل شوند. این تبدیل، داده‌ها را به مقادیری بین ۰ و ۱ نرمال می‌کند، که در آن ۰ نشان‌دهنده کمترین میزان مناسب بودن و ۱ نشان‌دهنده بیشترین میزان مناسب بودن است. در میان روش‌های مختلف نرمال‌سازی، استانداردسازی Min-Max به دلیل سادگی و اثربخشی آن در همگن‌سازی مجموعه داده‌ها، که امکان ادغام یکپارچه و تحلیل همپوشانی را در محیط GIS فراهم می‌کند، به طور گسترده مورد استفاده قرار می‌گیرد. در این فرآیند، معیارهایی که با مناسب بودن مکان همبستگی مثبت دارند با استفاده از تابع حداکثر استاندارد می‌شوند، در حالی که معیارهای با همبستگی منفی با استفاده از تابع حداقل استاندارد می‌شوند.

فوکام

FUCOM یک رویکرد مدرن و بسیار مؤثر در حوزه SMCDM است. این روش برای استخراج وزن‌های نسبی معیارها با حداکثر سازگاری و در عین حال به حداقل رساندن خطاهای ناشی از قضاوت انسانی طراحی شده است. این روش اولین بار توسط پاموچار و همکاران معرفی شد. ^۶۳ و مبتنی بر مجموعه‌ای از مقایسه‌های زوجی است که فقط به مقایسه نیاز دارند، که در آن نشان دهنده تعداد معیارهای ارزیابی است. کاهش قابل توجه تعداد مقایسه‌های مورد نیاز، FUCOM را در مقایسه با روش‌های کلاسیک مانند AHP و BWM ^{۶۴ دقیق‌تر و نسبت به سوگیری‌های شناختی کارشناسان حساسیت کمتری دارد. فرآیند اصلی در FUCOM با رتبه‌بندی اولیه معیارها توسط کارشناسان آغاز می‌شود} . در این مرحله، معیارها در یک ساختار رتبه‌بندی شده بر اساس قضاوت کارشناسی مرتب می‌شوند و سپس نسبت‌های تسلط بین معیارهای متوالی در این رتبه‌بندی تعیین می‌شوند . این نسبت‌ها به عنوان مبنایی برای فرموله کردن یک سیستم بهینه‌سازی برای استخراج ضرایب وزنی عمل می‌کنند. چارچوب ریاضی FUCOM به گونه‌ای طراحی شده است که ساده اما دقیق باشد و با اعمال محدودیت‌های سازگاری، تعیین وزن‌هایی را امکان‌پذیر می‌کند که نه تنها ترجیحات متخصص را منعکس می‌کنند، بلکه حداکثر سازگاری داخلی را نیز به دست می‌آورند . ^۶۳ یکی از ویژگی‌های متمایز روش FUCOM محاسبه شاخص انحراف از سازگاری کامل (DFC) است که میزان انحراف وزن‌های مشتق شده از سازگاری ایده‌آل را اندازه‌گیری می‌کند و معیار روشنی برای ارزیابی قابلیت اطمینان و اعتبار وزن‌های نهایی ارائه می‌دهد. روش FUCOM در سه مرحله اصلی پیاده‌سازی می‌شود:

مرحله ۱: رتبه‌بندی اولیه معیارها

در مرحله اول، معیارهای ارزیابی بر اساس اهمیت درک شده توسط کارشناسان رتبه‌بندی می‌شوند. این رتبه‌بندی با قضاوت کارشناسی آغاز می‌شود، که در آن مهمترین معیار در ابتدا قرار می‌گیرد و پس از آن معیارهای باقی مانده به ترتیب اهمیت نسبی آنها قرار می‌گیرند. نتیجه این فرآیند، یک سلسله مراتب اولیه از معیارها است که به عنوان پایه و اساس مراحل بعدی روش FUCOM عمل می‌کند. ترتیب معیارها با معادله ( ۱ ) نشان داده شده است:

که در آن، نشان دهنده رتبه هر معیار است. در مواردی که دو یا چند معیار اهمیت یکسانی دارند، از علامت تساوی برای نشان دادن برابری آنها استفاده می‌شود.

مرحله ۲: تعیین اولویت‌های مقایسه زوجی

در این مرحله، مقایسه‌های زوجی بین معیارهای رتبه‌بندی شده انجام می‌شود و اولویت مقایسه برای هر جفت از معیارها تعیین می‌شود. این مقدار نشان‌دهنده مزیت نسبی یک معیار نسبت به معیار بعدی در سلسله مراتب است. بردار اولویت‌های مقایسه به صورت معادله ( ۲ تعریف می‌شود :

اولویت‌های مقایسه را می‌توان با استفاده از یکی از دو رویکرد زیر تعیین کرد:

1. (الف)بر اساس قضاوت مستقیم تصمیم‌گیرنده: تصمیم‌گیرندگان مقادیر را با استفاده از وزن‌های نسبی مشاهده‌شده تعیین می‌کنند. اگر دو معیار از اهمیت یکسانی برخوردار باشند، .
2. (ب)بر اساس یک مقیاس پیش‌فرض: تصمیم‌گیرندگان معیارها را با استفاده از یک مقیاس عددی برای ارزیابی اهمیت هر معیار مقایسه می‌کنند. معیاری که بالاترین رتبه را دارد با خودش مقایسه می‌شود و مقایسه کافی است.

این مرحله امکان تعیین اولویت‌های مقایسه را با استفاده از اعداد دقیق، مقادیر کسری یا مقیاس پیش‌فرض فراهم می‌کند.

مرحله ۳: محاسبه ضرایب وزنی نهایی و اطمینان از سازگاری

در این مرحله، ضرایب وزنی نهایی برای معیارهای محاسبه می‌شوند. این مقادیر باید دو شرط زیر را برآورده کنند:

1. (الف)نسبت ضرایب وزنی باید با اولویت‌های مقایسه‌ای تعیین‌شده در مرحله ۲ (معادله  ۳ ) مطابقت داشته باشد:
   (۳)
2. (ب)شرط انتقال‌پذیری باید برقرار باشد (معادله  ۴ ):
   (۴)

این شرایط، سازگاری کامل (DFC) را تضمین می‌کنند و مقدار را در حداقل خود نگه می‌دارند . با حل مدل بهینه‌سازی FUCOM، بردار وزن نهایی و DFC تعیین می‌شوند.

روش OWA

روش OWA ابزاری مؤثر برای شناسایی مناطق مناسب برای توسعه انرژی‌های تجدیدپذیر است. این روش که توسط یاگر معرفی شده است ^، جمع وزنی را با اولویت‌بندی معیارها ترکیب می‌کند و به تصمیم‌گیرندگان اجازه می‌دهد تا تحمل ریسک خود را در فرآیند انتخاب نهایی لحاظ کنند. ویژگی منحصر به فرد OWA توانایی آن در تنظیم اولویت‌ها و اختصاص وزن‌های مختلف به معیارها است که امکان ایجاد پیش‌بینی‌ها و سناریوهای مختلف را فراهم می‌کند ^. این روش به ویژه در محیط‌های پیچیده و پرخطر، مانند تصمیمات سرمایه‌گذاری، مفید است، زیرا می‌تواند رفتار تصمیم‌گیرندگان را در مواجهه با عدم قطعیت‌ها و ریسک‌ها مدل‌سازی کند ^.

در این روش، مجموعه‌ای از معیارها به صورت لایه‌های نقشه در محیط GIS نمایش داده می‌شوند و به هر معیار وزن‌های مختلفی اختصاص داده می‌شود. تکنیک OWA این وزن‌های معیار را با مقادیر مکانی مربوطه در هر مکان ادغام می‌کند و عملگرهایی را تولید می‌کند که به طور بهینه نتایج ارزیابی را نشان می‌دهند. در این روش از دو نوع وزن استفاده می‌شود: وزن‌های معیار و وزن‌های مرتب. وزن‌های معیار، اهمیت نسبی هر معیار را تعریف می‌کنند و در کل منطقه مورد مطالعه ثابت می‌مانند. در مقابل، وزن‌های مرتب به ترتیب نزولی بر اساس مقادیر معیار در هر مکان مرتب می‌شوند و مستقل از لایه‌های نقشه اصلی هستند . ^۶۹٫ انتخاب وزن‌های مرتب، نشان دهنده درجه خوش‌بینی یا بدبینی تصمیم‌گیرنده است. با اعمال ترکیب‌های مختلف وزن‌های مرتب، می‌توان عملگرهای مختلفی از جمله عملگرهای WLC و بولی مانند تقاطع (AND) و اتحاد (OR) ایجاد کرد. عملگرهای AND و OR به ترتیب نشان‌دهنده حالت‌های حدی OWA هستند که مربوط به عملگرهای MIN و MAX می‌باشند. در عملگر MIN، بالاترین وزن به کمترین مقدار معیار اختصاص داده می‌شود، در حالی که در عملگر MAX، به بالاترین مقدار معیار ^۲۴ اختصاص داده می‌شود . علاوه بر این، هنگامی که وزن‌های مساوی به همه معیارها اختصاص داده می‌شود، این روش معادل WLC می‌شود که نشان دهنده نقطه میانی طیف OWA بین عملگرهای MIN و MAX ^۷۰ است. این سازگاری، OWA را به ابزاری قوی و انعطاف‌پذیر برای مدیریت فرآیندهای تصمیم‌گیری چند معیاره مکانی پیچیده تبدیل می‌کند.

برای روشن شدن منطق تجمیع در OWA، توجه به این نکته مهم است که تأثیر وزن معیارها در سناریوهای مختلف متفاوت است. در سناریوی بسیار بدبینانه (ORness = 0)، عملگر OWA به تابع MIN نزدیک می‌شود، به این معنی که کمترین مقدار معیار استاندارد شده تا حد زیادی امتیاز نهایی مناسب بودن در هر مکان را تعیین می‌کند. برعکس، در سناریوی بسیار خوش‌بینانه (ORness = 1)، عملگر به تابع MAX نزدیک می‌شود و بالاترین مقدار معیار بر امتیاز نهایی غالب می‌شود. در این دو حالت حدی، نقش وزن‌های معیار حاشیه‌ای می‌شود زیرا وزن‌های مرتب شده بر یک مقدار حدی واحد متمرکز می‌شوند. در سناریوهای میانی (بدبینانه، خنثی و خوش‌بینانه)، هم وزن‌های معیار مشتق شده از FUCOM و هم وزن‌های مرتب شده OWA به طور همزمان مشارکت می‌کنند و منجر به یک تجمیع خطی وزنی می‌شوند که در آن چندین معیار بر امتیاز نهایی مناسب بودن تأثیر می‌گذارند. این ساختار امکان انتقال تدریجی بین نگرش‌های تصمیم‌گیری ریسک‌گریز و ریسک‌جو را بدون تغییر داده‌های اساسی یا وزن معیارها فراهم می‌کند.

در این مطالعه، پنج سناریوی تصمیم‌گیری مبتنی بر OWA با استفاده از پارامتر ORness تعریف شدند که میزان خوش‌بینی در فرآیند تجمیع را کنترل می‌کند. ORness از ۰ تا ۱ متغیر است، که در آن مقادیر نزدیک به ۰ نشان‌دهنده نگرش‌های بسیار بدبینانه و ریسک‌گریز و مقادیر نزدیک به ۱ نشان‌دهنده نگرش‌های بسیار خوش‌بینانه و ریسک‌جو هستند. بر این اساس، پنج سناریو تدوین شد: بسیار بدبینانه (ORness = 0)، بدبینانه (ORness = 0.25)، خنثی (ORness = 0.50)، خوش‌بینانه (ORness = 0.75) و بسیار خوش‌بینانه (ORness = 1). این سناریوها پارامترهای فناوری، اقتصادی یا زیست‌محیطی را تغییر نمی‌دهند. در عوض، وزن‌های مرتب شده مورد استفاده در تجمیع OWA را اصلاح می‌کنند و در نتیجه تأکید را به سمت مقادیر معیار حداقل یا حداکثر تغییر می‌دهند. مقادیر ORness بالا، وزن بیشتری به معیارهای با بهترین عملکرد می‌دهند و مناطقی با تناسب ترکیبی قوی را ترجیح می‌دهند، در حالی که مقادیر ORness پایین بر ضعیف‌ترین معیارها تأکید دارند و ثبات را در اولویت قرار می‌دهند و ریسک را به حداقل می‌رسانند. از آنجا که OWA به جای وزن‌های مستقیم معیارها، به مقادیر مرتب‌شده وابسته است، برخی از مکان‌ها ممکن است در سناریوهای بدبینانه، در صورتی که حداقل مقادیر معیار آنها نسبتاً قوی باشد، امتیاز مناسب‌تری دریافت کنند، که این امر افزایش غیرمنتظره پتانسیل مشاهده‌شده در مناطق خاص را توضیح می‌دهد. این ساختار مبتنی بر ORness به مدل اجازه می‌دهد تا به‌طور سیستماتیک نگرش‌های مختلف تصمیم‌گیری، از ریسک‌پذیری گرفته تا ریسک‌گریزی، را بدون تغییر داده‌های انرژی تجدیدپذیر زیربنایی، نشان دهد.

پس از تجمیع OWA، نقشه‌های تناسب حاصل بر اساس مقادیر تناسب استاندارد از ۰ تا ۱ به پنج کلاس بالقوه طبقه‌بندی شدند. کلاس‌ها به شرح زیر تعریف شدند: خیلی کم (۰٫۰۰-۰٫۲۰)، کم (۰٫۲۰-۰٫۴۰)، متوسط ​​(۰٫۴۰-۰٫۶۰)، زیاد (۰٫۶۰-۰٫۸۰) و خیلی زیاد (۰٫۸۰-۱٫۰۰). این آستانه‌ها به طور مداوم در تمام انواع انرژی‌های تجدیدپذیر و سناریوهای تصمیم‌گیری اعمال شدند تا از مقایسه‌پذیری نتایج اطمینان حاصل شود.

این بخش نتایج تحلیل ما در مورد پتانسیل انرژی تجدیدپذیر را ارائه می‌دهد. ابتدا، معیارهای مورد استفاده در مطالعه وزن‌دهی می‌شوند تا اهمیت نسبی آنها را منعکس کنند (بخش « معیارهای وزن‌دهی »). در مرحله بعد، پتانسیل منابع انرژی تجدیدپذیر منفرد خورشیدی (بخش « انرژی خورشیدی »)، بادی (بخش « انرژی بادی ») و انرژی زمین‌گرمایی (بخش « انرژی زمین‌گرمایی ») مورد تجزیه و تحلیل قرار می‌گیرد. در نهایت، یک نقشه کلی که تمام منابع انرژی تجدیدپذیر را ترکیب می‌کند، برای شناسایی مناسب‌ترین مکان‌ها برای نیروگاه‌های آینده ارائه می‌شود (بخش « نقشه کلی پتانسیل نیروگاه‌های انرژی تجدیدپذیر »). این ساختار، مروری واضح از داده‌ها ارائه می‌دهد و سهم هر عامل را در ارزیابی کلی برجسته می‌کند.

معیارهای وزنی

ماتریس رتبه‌بندی و ماتریس‌های مقایسه زوجی معیارهای ارزیابی، بر اساس قضاوت کارشناسی برای انرژی خورشیدی، بادی و زمین‌گرمایی، در جداول S1 ، S2 و S3 در بخش مطالب تکمیلی ارائه شده‌اند. وزن معیارهای مؤثر بر ارزیابی توسعه نیروگاه‌های انرژی تجدیدپذیر در جدول  ۲ نشان داده شده است . در انرژی بادی، مهم‌ترین معیارها سرعت باد (۰٫۱۳) و توان بادی (۰٫۰۸) هستند، زیرا مستقیماً بر تولید برق تأثیر می‌گذارند. علاوه بر این، عواملی مانند فاصله از شهرها (۰٫۰۶)، فاصله از خطوط انتقال ولتاژ بالا (۰٫۰۸) و شیب زمین (۰٫۰۶) به دلیل نقش آنها در تسهیل انتقال انرژی و دسترسی به زیرساخت‌ها مهم هستند. برای انرژی خورشیدی، PVOUT (0.14) مهم‌ترین معیار است. سایر عوامل مهم شامل فاصله از خطوط برق (۰٫۰۹)، تراکم گرد و غبار (۰٫۰۸۵) و شیب (۰٫۰۶) است، زیرا بر کارایی و عملکرد پنل‌های خورشیدی تأثیر می‌گذارند. در انرژی زمین‌گرمایی، معیارهایی مانند LST (0.085) و گل فشان (۰٫۱۳) بیشترین تأثیر را دارند. علاوه بر این، عواملی مانند فاصله از خطوط برق (۰٫۰۷)، شیب (۰٫۰۴۵) و مناطق زمین‌گرمایی (۰٫۰۹) عناصر کلیدی در انتخاب محل نیروگاه‌های زمین‌گرمایی محسوب می‌شوند. نقشه‌های معیارهای تأثیرگذار (شکل‌های  S1 تا S4 ) و شرح تغییرات مکانی آنها در مطالب تکمیلی ارائه شده است.

انرژی خورشیدی

ارزیابی پتانسیل انرژی خورشیدی در سناریوهای مختلف، تفاوت‌های قابل توجهی را در بین شهرستان‌ها نشان می‌دهد (شکل  ۴ ). زرآباد عموماً پتانسیل پایینی دارد که در کلاس تناسب بسیار پایین قرار دارد. دشتیاری پتانسیل خوبی را نشان می‌دهد و مناطق قابل توجهی در کلاس‌های بالا و بسیار بالا قرار دارند. چابهار و کنارک به طور مداوم به عنوان امیدوارکننده‌ترین شهرستان‌ها ظاهر می‌شوند و بخش‌های بزرگی از زمین به عنوان پتانسیل بالا یا بسیار بالا طبقه‌بندی می‌شوند. سیریک عمدتاً پتانسیل متوسط ​​تا بالا را نشان می‌دهد، در حالی که جاسک الگوی مختلطی را ارائه می‌دهد، از جمله مناطق قابل توجهی با تناسب پایین در کنار برخی از مناطق با پتانسیل بالا. تحت سناریوی بدبینانه، الگوهای کلی مشابه باقی می‌مانند: زرآباد همچنان محدود است، دشتیاری پتانسیل قوی خود را حفظ می‌کند و چابهار و کنارک همچنان تناسب بالایی را نشان می‌دهند. سیریک و جاسک همچنان کمتر مطلوب هستند. در سناریوی خنثی، چابهار و کنارک بالاترین پتانسیل را حفظ می‌کنند، سیریک تناسب متوسطی را نشان می‌دهد و جاسک همچنان ترکیبی از کلاس‌های پایین و متوسط ​​را نشان می‌دهد. در سناریوی خوش‌بینانه، چابهار و کنارک هنوز بهترین گزینه‌ها هستند، سیریک به پتانسیل متوسط ​​و بالا بهبود می‌یابد و جاسک مناطق با تناسب بالا را افزایش می‌دهد. در سناریوی بسیار خوش‌بینانه، چابهار، کنارک و جاسک بیشترین پتانسیل را نشان می‌دهند، در حالی که زرآباد همچنان محدود است و دشتیاری همچنان از شایستگی بالایی برخوردار است.

تحلیل توزیع درصد برای طبقات مختلف پتانسیل انرژی خورشیدی در سناریوهای مختلف، تغییرات قابل توجهی را در سهم طبقات نشان می‌دهد (شکل  ۵ ). در سناریوی بسیار بدبینانه، طبقات «بسیار کم» و «کم» به ترتیب ۲۵٫۴۸٪ و ۲۵٫۵۴٪ از کل مساحت را تشکیل می‌دهند، در حالی که طبقه «متوسط» ۲۷٫۲۲٪ را نشان می‌دهد. طبقات «زیاد» و «بسیار زیاد» به ترتیب سهم کمتری معادل ۱۲٫۶۱٪ و ۹٫۱۴٪ را اشغال می‌کنند. با مساعدتر شدن سناریوها، نسبت طبقات «بسیار کم» و «کم» کاهش می‌یابد و در سناریوی بسیار خوش‌بینانه به ۷٫۵۲٪ و ۱۶٫۵۱٪ می‌رسد، در حالی که طبقه «متوسط» در ۲۶٫۰۷٪ نسبتاً ثابت می‌ماند. در مقابل، طبقات «زیاد» و «بسیار زیاد» به طور قابل توجهی افزایش می‌یابند و به ترتیب ۲۹٫۶۴٪ و ۲۰٫۲۵٪ را تشکیل می‌دهند. به طور کلی، نتایج نشان‌دهنده تغییر آشکار از کلاس‌های مناسب پایین‌تر به کلاس‌های مناسب‌تر تحت سناریوهای بهبود یافته است که فرصت‌های قابل توجهی را برای توسعه انرژی خورشیدی برجسته می‌کند.

انرژی باد

پتانسیل توسعه نیروگاه بادی در شهرستان‌ها تحت سناریوهای مختلف به طور قابل توجهی متفاوت است (شکل  ۶ ). در سناریوی بسیار بدبینانه، زرآباد عمدتاً در کلاس‌های بسیار پایین و پایین قرار دارد، در حالی که دشتیاری، چابهار، کنارک و جاسک پتانسیل متوسط ​​تا بالایی را نشان می‌دهند. چابهار و کنارک با داشتن چند صد کیلومتر مربع در کلاس‌های بالا و بسیار بالا، برجسته هستند، در حالی که سیریک عمدتاً از نظر مناسب بودن، کم تا متوسط ​​است. در سناریوی بدبینانه، پتانسیل بالا و بسیار بالای چابهار تقریباً ۷۸۰۰ کیلومتر مربع است ^و کنارک در کلاس‌های متوسط ​​تا بسیار بالا به حدود ۲۱۰۰۰ کیلومتر مربع می‌رسد ^. جاسک تا حد زیادی کم باقی می‌ماند، در حالی که دشتیاری از نظر مناسب بودن، متوسط ​​تا زیاد را نشان می‌دهد. در سناریوی بینابین، چابهار حدود ۷۴۰۰ کیلومتر مربع ^از مناسب بودن بالا و بسیار بالا را حفظ می‌کند، کنارک با ۲۱۰۰۰ کیلومتر مربع همچنان قوی است ^و دشتیاری افزایش مناطق با پتانسیل بالا را نشان می‌دهد. زرآباد عمدتاً کم باقی می‌ماند و مناطق محدودی به مناسب بودن بالا می‌رسند. تحت سناریوی خوش‌بینانه، چابهار و کنارک همچنان بالاترین پتانسیل را نشان می‌دهند، به طوری که چابهار در کلاس‌های بالا و بسیار بالا از ۷۲۰۰ کیلومتر مربع و کنارک نزدیک به ۱۸۴۰۰ کیلومتر مربع ^است . دشتیاری و زرآباد پیشرفت متوسطی را نشان می‌دهند، در حالی که سیریک عمدتاً در حد متوسط ​​باقی می‌ماند. در سناریوی بسیار خوش‌بینانه، کنارک به طور کلی به بالاترین پتانسیل (بیش از ۲۰۹۰۰ کیلومتر مربع در کلاس‌های بالا و بسیار بالا) دست می‌یابد ^و پس از آن چابهار و دشتیاری قرار می‌گیرند. زرآباد و سیریک، اگرچه پیشرفت‌هایی را نشان می‌دهند، اما نسبتاً محدود باقی می‌مانند. در تمام سناریوها، چابهار و کنارک به طور مداوم به عنوان مناسب‌ترین شهرستان‌ها برای توسعه انرژی بادی ظاهر می‌شوند.

تحلیل سناریو، تغییرات قابل توجهی را در درصد پوشش کلاس‌های پتانسیل انرژی باد نشان می‌دهد (شکل  ۷ ). در سناریوی بسیار بدبینانه، اکثر منطقه در کلاس‌های بسیار کم (۲۴٫۰۸٪) و کم (۳۱٫۶۳٪) قرار می‌گیرد، در حالی که کلاس‌های زیاد و بسیار زیاد هر کدام کمتر از ۱۳٪ از پوشش را تشکیل می‌دهند. در سناریوی بدبینانه، سهم کلاس‌های بسیار کم و کم به ترتیب به ۱۸٫۴۲٪ و ۲۲٫۸۹٪ کاهش می‌یابد، در حالی که کلاس متوسط ​​به ۳۲٫۸۲٪ افزایش می‌یابد و کلاس‌های زیاد و بسیار زیاد به ۱۴٫۹۲٪ و ۱۰٫۹۴٪ گسترش می‌یابند. تحت سناریوی متوسط، کلاس‌های بسیار کم و کم بیشتر به ۱۵٫۱۶٪ و ۱۶٫۶۶٪ کاهش می‌یابند، در حالی که کلاس متوسط ​​با ۳۵٫۱۱٪ بزرگترین می‌شود و کلاس‌های زیاد و بسیار زیاد به ۱۸٫۵٪ و ۱۴٫۵۷٪ می‌رسند. در سناریوی خوش‌بینانه، طبقات بسیار پایین و پایین به ۱۲.۰۶٪ و ۱۳.۱۲٪ کاهش می‌یابند، در حالی که طبقه متوسط ​​۲۸.۱۸٪ را پوشش می‌دهد و طبقات بالا و بسیار بالا به ۲۷.۳۴٪ و ۱۹.۲۹٪ افزایش می‌یابند. در نهایت، در سناریوی بسیار خوش‌بینانه، طبقات بسیار پایین و پایین بیشتر به ۷.۸۲٪ و ۱۲.۵٪ کاهش می‌یابند، در حالی که طبقات متوسط، بالا و بسیار بالا به ترتیب به ۲۲.۵۸٪، ۳۳.۴۹٪ و ۲۳.۶٪ افزایش می‌یابند. به طور کلی، تجزیه و تحلیل نشان دهنده تغییر واضح از طبقات مناسب‌تر به طبقات مناسب‌تر در سناریوهای مطلوب‌تر است که نشان‌دهنده فرصت‌های رو به رشد برای توسعه انرژی بادی است.

انرژی زمین گرمایی

پتانسیل توسعه نیروگاه‌های زمین‌گرمایی به طور قابل توجهی در شهرستان‌ها تحت سناریوهای مختلف متفاوت است (شکل  ۸ ). در سناریوی بسیار بدبینانه، جاسک با تقریباً ۱۳۲۰ کیلومتر ^مربع در کلاس‌های بالا و بسیار بالا پیشتاز است و پس از آن سیریک (حدود ۶۱۹ کیلومتر مربع ^در کلاس‌های بسیار بالا) و کنارک (حدود ۷۲۴ کیلومتر مربع در ^{کلاس‌های} بالا و بسیار بالا) قرار دارند. زرآباد و دشتیاری عمدتاً در کلاس‌های پایین‌تر باقی می‌مانند. در سناریوی بدبینانه، مناسب بودن بالا و بسیار بالای جاسک به حدود ۱۸۴۰ کیلومتر مربع افزایش می‌یابد ^، در حالی که سیریک و کنارک مناطق قابل توجهی را حفظ می‌کنند، در حالی که زرآباد و دشتیاری همچنان محدود هستند. در سناریوی میانی، جاسک تقریباً به ۲۲۴۰ کیلومتر مربع ^در کلاس‌های بالا می‌رسد، سیریک و کنارک پوشش قابل توجهی را نشان می‌دهند و چابهار پتانسیل متوسطی را نشان می‌دهد. زرآباد و دشتیاری همچنان تا حد زیادی در کلاس‌های پایین تا متوسط ​​قرار دارند. در سناریوهای خوش‌بینانه و بسیار خوش‌بینانه، الگو ثابت می‌ماند: جاسک (حدود ۲۴۲۵ کیلومتر مربع ⁾ ، سیریک (حدود ۱۵۰۰ کیلومتر مربع ⁾ و کنارک (حدود ۱۳۵۰ کیلومتر ^مربع ) بالاترین پتانسیل را نشان می‌دهند، در حالی که زرآباد و دشتیاری تنها مناطق محدودی را در کلاس‌های بالا و بسیار بالا نشان می‌دهند. این نتایج نشان می‌دهد که شهرستان‌های جنوب شرقی، به ویژه جاسک، مناسب‌ترین مکان‌ها برای توسعه انرژی زمین‌گرمایی در تمام سناریوها هستند.

تحلیل سناریوهای مختلف، تغییرات قابل توجهی را در درصد پوشش کلاس‌های پتانسیل انرژی تجدیدپذیر زمین‌گرمایی نشان می‌دهد (شکل  ۹ ). در سناریوی بسیار بدبینانه، کلاس‌های متوسط ​​و کم غالب هستند و به ترتیب ۲۶٫۱۵٪ و ۱۹٫۶۰٪ از کل مساحت را تشکیل می‌دهند، در حالی که کلاس بسیار کم ۱۳٫۸۶٪ را نشان می‌دهد. در سناریوی بدبینانه، الگوی مشابهی مشاهده می‌شود، به طوری که کلاس‌های کم و متوسط ​​همچنان بیشترین سهم را دارند و کلاس بسیار زیاد به ۱۵٫۸۰٪ افزایش می‌یابد. در سناریوی متوسط، کلاس‌های با پتانسیل بالاتر پوشش بیشتری به دست می‌آورند، به طوری که کلاس‌های زیاد و بسیار زیاد به ترتیب به ۱۹٫۶۸٪ و ۱۹٫۴۵٪ افزایش می‌یابند. در سناریوی خوش‌بینانه، افزایش کلاس‌های با پتانسیل بالا و بسیار زیاد ادامه می‌یابد و به ۲۰٫۹۷٪ و ۲۴٫۵۷٪ می‌رسد، در حالی که کلاس‌های پایین‌تر به همین ترتیب کاهش می‌یابند. در نهایت، در سناریوی بسیار خوش‌بینانه، طبقه بسیار بالا به ۲۸.۳۸٪ می‌رسد و طبقه بالا نیز به طور قابل توجهی گسترش می‌یابد، در حالی که طبقات بسیار پایین و پایین به ۵.۲۳٪ و ۱۳.۶۵٪ کاهش می‌یابند. به طور کلی، این روندها نشان‌دهنده تغییر آشکار به سمت طبقات مناسب‌تر در سناریوهای مطلوب‌تر است که پتانسیل رو به رشد توسعه انرژی زمین گرمایی را برجسته می‌کند.

نقشه پتانسیل نیروگاه‌های انرژی تجدیدپذیر

نقشه پتانسیل جمعی مکانی کلاس‌های توسعه نیروگاه‌های انرژی تجدیدپذیر در سناریوهای مختلف (شکل  ۱۰ ) نشان داد که در سناریوهای خوش‌بینانه‌تر، مساحت مناطق مناسب برای توسعه افزایش و مناطق نامناسب کاهش یافته است. در سناریوی بسیار بدبینانه، مساحت کلاس نامناسب ۲۶۹۹۴٫۷۵ کیلومتر ^مربع بود که در سناریوهای خوش‌بینانه‌تر به ۲۴۲۰۲٫۷۵ کیلومتر مربع کاهش یافت ^. مساحت کلاس فقط بادی از ۱۴۵٫۲۵ کیلومتر ^مربع در سناریوی بسیار بدبینانه به ۳۲۱ کیلومتر ^مربع در سناریوی بسیار خوش‌بینانه افزایش یافت. برای انرژی زمین‌گرمایی، این مقدار از ۱۰۲۷٫۲۵ به ۱۹۴۰ کیلومتر مربع افزایش یافت ^که نشان دهنده گسترش تدریجی مناطق مناسب است. در مقابل، مساحت کلاس فقط خورشیدی از ۳۳۲ به ۱۷۷٫۲۵ کیلومتر مربع کاهش یافت ^که نشان دهنده تأکید کمتر بر این منبع انرژی در شرایط خوش‌بینانه است. مساحت کلاس‌های ترکیبی نیز در سناریوهای خوش‌بینانه افزایش یافت. کلاس باد-زمین‌گرمایی از ۳۱ کیلومتر ^مربع در سناریوی بسیار بدبینانه به ۱۹۷.۵ کیلومتر مربع ^در سناریوی بسیار خوش‌بینانه افزایش یافت. کلاس خورشیدی-زمین‌گرمایی از ۱۰۱ به ۲۶۰ کیلومتر مربع افزایش یافت ^، در حالی که کلاس خورشیدی-بادی از ۴۵۳.۲۵ به ۸۳۵.۵ کیلومتر مربع گسترش یافت ^. قابل توجه‌ترین افزایش در کلاس خورشیدی-بادی-زمین‌گرمایی مشاهده شد که از ۳۷۸.۷۵ کیلومتر ^مربع در سناریوی بسیار بدبینانه به ۱۵۲۹.۲۵ کیلومتر ^مربع در سناریوی بسیار خوش‌بینانه افزایش یافت. این تغییرات نشان دهنده بهبود شرایط توسعه انرژی‌های تجدیدپذیر در سناریوهای مثبت‌تر و افزایش همپوشانی مکانی بین منابع مختلف انرژی است.

انتخاب و وزن‌دهی معیارها، مرحله‌ای حیاتی در ارزیابی پتانسیل نیروگاه‌های انرژی تجدیدپذیر است، زیرا به شدت بر دقت و قابلیت اطمینان نتایج تأثیر می‌گذارند. معیارهای انتخاب‌شده‌ی مناسب، عملکرد کارآمد سیستم‌های انرژی تجدیدپذیر را در شرایط محیطی متنوع تضمین می‌کنند. این مرحله به ویژه برای تولید انرژی از منابع خورشیدی، بادی و زمین‌گرمایی اهمیت دارد. برای نیروگاه‌های خورشیدی، یک معیار کلیدی PVOUT است که به عواملی مانند تابش خورشیدی و ویژگی‌های جغرافیایی بستگی دارد. در مناطق خشک و نیمه‌خشک، مانند بسیاری از مناطق ایران، گرد و غبار می‌تواند به طور قابل توجهی راندمان پنل‌های خورشیدی و توربین‌های بادی را کاهش دهد. همانطور که توسط ون در زوان و همکاران. ^۷۱ برجسته شده است ، گرد و غبار تابش خورشیدی را کاهش داده و سایه را افزایش می‌دهد و در نتیجه خروجی انرژی کمتری ایجاد می‌کند. برای انرژی باد، مهم‌ترین معیارها سرعت باد و قدرت باد هستند که با یافته‌های شورابه و همکاران. ^۲۴ و دمیر و همکاران. ^۲۶ مطابقت دارد. در مورد انرژی زمین‌گرمایی، عوامل مهم شامل فاصله از مناطق گل فشان، مناطق زمین‌گرمایی، خطوط گسل و LST، مطابق با یوسفی و همکاران. ^۷۲ و Coro & Trumpy ^۷۳٫ علاوه بر این، نزدیکی به مراکز جمعیتی و زیرساخت‌های شهری یک عامل اساسی برای هر سه نوع انرژی است. فاصله از خطوط برق و تأمین‌کنندگان برای کارایی سیستم و کاهش هزینه بسیار مهم است. در حالی که نزدیکی به مناطق مسکونی و صنعتی از مصرف انرژی پشتیبانی می‌کند، ممکن است چالش‌های اجتماعی و زیست‌محیطی نیز ایجاد کند. همانطور که توسط Rediske و همکاران اشاره شده است. ^۷۴ ، افزایش فاصله از مناطق پرجمعیت می‌تواند پذیرش اجتماعی را افزایش داده و هزینه‌های اجتماعی مرتبط را کاهش دهد. بنابراین، ارزیابی زیرساخت‌ها و دسترسی، به ویژه در مناطق دورافتاده، به دلایل عملی و اقتصادی، یک ملاحظه کلیدی است.

روش FUCOM، به عنوان یکی از جدیدترین تکنیک‌ها در زمینه SMCDA، محبوبیت قابل توجهی در بین محققان و متخصصان کسب کرده است. این روش از منطق فازی برای کاهش عدم قطعیت‌ها در فرآیند وزن‌دهی معیارها و انتخاب بهترین گزینه‌ها استفاده می‌کند. برخلاف روش‌های دیگر مانند AHP یا Fuzzy AHP که به تعداد زیادی مقایسه زوجی نیاز دارند، روش FUCOM فقط به مقایسه نیاز دارد. این ویژگی به ویژه هنگام مواجهه با تعداد زیادی معیار مفید است، زیرا می‌تواند منجر به صرفه‌جویی قابل توجهی در زمان و منابع شود. علاوه بر این، FUCOM با به حداقل رساندن عدم قطعیت‌ها و بهبود دقت نتایج، تصمیم‌گیری را بهبود می‌بخشد. این روش به ویژه زمانی مفید است که تصمیم‌گیرندگان با اطلاعات متناقض یا نامشخص روبرو هستند. در پروژه‌های پیچیده و چند بعدی که نیاز به ارزیابی و مقایسه معیارهای مختلف و همچنین ادغام نظرات کارشناسان دارند، FUCOM به عنوان ابزاری مؤثر برای دستیابی به تصمیمات واضح و قابل اعتماد عمل می‌کند. علاوه بر این، FUCOM با الگوریتم‌های ریاضی ساده و قابلیت‌های تحلیلی خود، اعتبارسنجی و پایداری نتایج را تضمین می‌کند. در مجموع، در مقایسه با روش‌های سنتی، FUCOM خود را به عنوان یک رویکرد جامع و کارآمد تثبیت کرده است و آن را به انتخابی برجسته برای سناریوهای پیچیده تصمیم‌گیری تبدیل کرده است.

برای به حداقل رساندن عدم قطعیت در تصمیم‌گیری برای توسعه انرژی‌های تجدیدپذیر، استفاده از مدل‌های SMCDA در مقیاس بزرگ یا مبتنی بر اجماع می‌تواند بسیار مؤثر باشد. این مدل‌ها به ویژه برای مسائل پیچیده و چند بعدی که در آن‌ها به ورودی از ذینفعان متعدد نیاز است، مناسب هستند. یکی از مزایای کلیدی آن‌ها، توانایی حل اختلافات و تناقضات بین گروه‌های مختلف و در نتیجه افزایش اعتبار تصمیمات حاصل است. با این حال، این مدل‌ها می‌توانند پرهزینه و زمان‌بر باشند، زیرا به جمع‌آوری داده‌های گسترده، تجزیه و تحلیل کامل و ایجاد اجماع بین ذینفعان، به ویژه در پروژه‌های بزرگ با منافع متنوع، نیاز دارند. با وجود این چالش‌ها، آن‌ها همچنان ابزارهای ارزشمندی برای بهبود کیفیت تصمیم‌گیری و تضمین همسویی ذینفعان هستند. در مقابل، تکنیک‌های یادگیری ماشین (ML)، مانند جنگل تصادفی و ماشین تقویت گرادیان (GBM)، در شناسایی الگوهای پیچیده و ارائه پیش‌بینی‌های بسیار دقیق، برتری دارند. با این حال، رویکردهای ML به مجموعه داده‌های بزرگ، مهارت‌های برنامه‌نویسی تخصصی نیاز دارند و اغلب در مقایسه با مدل‌های GIS-SMCDA شفافیت کمتری ارائه می‌دهند که ممکن است قابلیت تفسیر آن‌ها را برای تصمیم‌گیرندگان محدود کند.

تحقیقات قبلی از روش‌های مختلف SMCDA برای ارزیابی پتانسیل توسعه نیروگاه‌های انرژی تجدیدپذیر استفاده کرده‌اند. در این مطالعه، از روش OWA برای ارزیابی پتانسیل انرژی تجدیدپذیر در منطقه مکران استفاده شد. OWA به دلیل انعطاف‌پذیری و ویژگی‌های منحصر به فردش، به ویژه در ارزیابی‌های چندمعیاره ارزشمند است و آن را برای شناسایی مکان‌های بهینه برای پروژه‌های انرژی تجدیدپذیر مناسب می‌سازد. یکی از ویژگی‌های برجسته OWA، انعطاف‌پذیری بالای آن در ترکیب معیارهای مختلف و ایجاد مدل‌های تصمیم‌گیری چندبعدی است که می‌توانند به راحتی با داده‌های پیچیده و متنوع سازگار شوند. یکی دیگر از ویژگی‌های مهم OWA، توانایی آن در مدیریت عدم قطعیت‌ها و ترجیحات ذهنی متخصص است. در طول فرآیند ارزیابی، تصمیم‌گیرندگان ممکن است ترجیحات یا ناسازگاری‌های متفاوتی در ارزیابی خود از معیارها داشته باشند. OWA با استفاده از وزن‌های مرتب شده و مقایسه‌های زوجی، می‌تواند این ناسازگاری‌ها را به حداقل رسانده و آنها را به طور بهینه ترکیب کند. این ویژگی به ویژه در پروژه‌هایی که نیاز به ارزیابی‌های دقیق و بی‌طرفانه دارند، اهمیت دارد. OWA همچنین امکان دستیابی به نتایج متفاوت را بسته به سطح خوش‌بینی یا بدبینی تصمیم‌گیرنده فراهم می‌کند. این انعطاف‌پذیری به ویژه در پروژه‌های تصمیم‌گیری پیچیده، مانند ارزیابی انرژی تجدیدپذیر در مناطقی با ویژگی‌های جغرافیایی و محیطی متفاوت، سودمند است.

این مطالعه با چالش‌ها و محدودیت‌های متعددی مواجه است که باید در تحقیقات آینده به آنها پرداخته شود. نگرانی اصلی، دقت و قابلیت اطمینان داده‌های مکانی مورد استفاده در تحلیل‌های GIS است. نقشه‌ها و تصاویر ماهواره‌ای می‌توانند تحت تأثیر تغییرات فصلی یا محدودیت‌های فناوری قرار گیرند و به طور بالقوه دقت نتایج را کاهش دهند. علاوه بر این، از نظرات کارشناسان برای تعیین وزن معیارهای ارزیابی استفاده شد که ممکن است باعث ایجاد سوگیری ذهنی و ناهماهنگی شود و بر ارزیابی پتانسیل منطقه‌ای برای توسعه انرژی‌های تجدیدپذیر تأثیر بگذارد. محدودیت دیگر، فقدان داده‌های جامع اقتصادی و اجتماعی است که در این مطالعه به طور کامل به آنها پرداخته نشده است. به طور مشابه، شکاف‌های داده‌های زیست‌محیطی، به ویژه در مناطق دورافتاده یا مناطق کم‌داده، ممکن است قابلیت اطمینان نتایج را کاهش دهد. برای غلبه بر این چالش‌ها، مطالعات آینده باید استفاده از مجموعه داده‌های دقیق‌تر و به‌روزتر، مانند تصاویر ماهواره‌ای با وضوح بالا، و استفاده از مدل‌های مبتنی بر یادگیری ماشین برای افزایش دقت پیش‌بینی را در نظر بگیرند. همچنین باید به جنبه‌های اقتصادی و اجتماعی پروژه‌های انرژی تجدیدپذیر، از جمله تحلیل‌های هزینه-فایده، مدل‌سازی اقتصادی و ارزیابی‌های تأثیر اجتماعی، توجه بیشتری شود تا ارزیابی کامل‌تری از مکان‌های بالقوه ارائه شود. علاوه بر این، ادغام مدل‌های زیست‌محیطی، اجتماعی و اقتصادی می‌تواند تحلیل‌های جامع‌تری را امکان‌پذیر کند. انجام تحلیل‌های حساسیت و عدم قطعیت می‌تواند به کاهش اثرات وزن‌دهی ذهنی و محدودیت‌های داده‌ها کمک کند و منجر به تصمیم‌گیری قابل اعتمادتری شود. در نهایت، به‌کارگیری مدل‌های پیشرفته شبیه‌سازی و بهینه‌سازی می‌تواند ارزیابی منابع انرژی تجدیدپذیر را بهبود بخشد و از توسعه نیروگاه‌های مناسب در مقیاس‌های منطقه‌ای و فرامرزی پشتیبانی کند.

این مطالعه پویایی فضایی توسعه پتانسیل انرژی تجدیدپذیر را در سناریوهای مختلف بررسی می‌کند و اهمیت برنامه‌ریزی یکپارچه برای بهره‌برداری بهینه از منابع خورشیدی، بادی و زمین‌گرمایی را برجسته می‌کند. نتایج نشان می‌دهد که در سناریوهای خوش‌بینانه‌تر، نه تنها مساحت مناطق نامناسب برای توسعه انرژی تجدیدپذیر به طور قابل توجهی کاهش می‌یابد، بلکه توافق فضایی بین منابع انرژی مختلف نیز افزایش می‌یابد. این تغییرات نشان‌دهنده فرصت‌های قابل توجهی برای توسعه پایدار انرژی در منطقه مکران ایران است. هنگام تغییر از سناریوی بسیار بدبینانه به سناریوی بسیار خوش‌بینانه، سهم مناطق با پتانسیل بسیار بالا در هر سه منبع انرژی تجدیدپذیر به طور قابل توجهی افزایش یافت. به طور خاص، مناسب بودن انرژی خورشیدی از ۹٫۱۴ به ۲۰٫۲۵ درصد، مناسب بودن انرژی بادی از ۹٫۱۴ به ۲۳٫۶ درصد و مناسب بودن انرژی زمین‌گرمایی از ۱۰٫۹۶ به ۳۰٫۱۳ درصد افزایش یافت. علاوه بر این، کل مساحت طبقه‌بندی شده به عنوان نامناسب از ۲۶۹۹۴ کیلومتر مربع ^در سناریوی بسیار بدبینانه به ۲۴۲۰۲ کیلومتر مربع ^در سناریوی بسیار خوش‌بینانه کاهش یافت. کلاس مجموعه چند منبعی نیز به طور قابل توجهی گسترش یافت، به طوری که همپوشانی انرژی خورشیدی-بادی-زمین گرمایی از ۳۷۸.۷۵ به ۱۵۲۹.۲۵ کیلومتر مربع افزایش یافت ^.این نتایج کمی، بهبود آشکاری را در شرایط توسعه انرژی‌های تجدیدپذیر نشان می‌دهد، زیرا تصمیم‌گیرندگان ترجیحات سناریوی خوش‌بینانه‌تری را اتخاذ می‌کنند. در سناریوی بسیار بدبینانه، مساحت مناطق نامناسب برای توسعه همچنان به طور قابل توجهی بالا است که چالش‌های ناشی از محدودیت‌های زیست‌محیطی، اقتصادی و زیرساختی را آشکار می‌کند. با این حال، سناریوهای مطلوب‌تر، افزایش قابل توجهی در پتانسیل توسعه انرژی‌های تجدیدپذیر را نشان می‌دهند. به طور خاص، همپوشانی منابع انرژی خورشیدی، بادی و زمین‌گرمایی در این سناریوها به طور قابل توجهی افزایش یافته است و فرصت‌هایی را برای پروژه‌های انرژی چند منبعی ایجاد می‌کند که می‌توانند کارایی و بهره‌وری سیستم را افزایش دهند. افزایش مساحت طبقات با پتانسیل بالا برای منابع بادی و زمین‌گرمایی در سناریوهای خوش‌بینانه، ضرورت سرمایه‌گذاری هدفمند در این مناطق را برجسته می‌کند. از سوی دیگر، کاهش مناطق اختصاص داده شده به منابع خورشیدی، نشان‌دهنده تغییر در استراتژی‌های یکپارچه انرژی است که بر هم‌افزایی بین منابع مختلف تأکید دارند. این رویکرد یکپارچه، بهره‌برداری از مزایای چند منظوره را امکان‌پذیر می‌کند و بهره‌وری انرژی را بهبود می‌بخشد. این یافته‌ها بر نقش کلیدی برنامه‌ریزی مبتنی بر سناریو در شناسایی و بهینه‌سازی فرصت‌های انرژی تجدیدپذیر تأکید دارند. علاوه بر این، اهمیت تدوین سیاست‌ها و ارائه مشوق‌ها برای غلبه بر محدودیت‌ها در سناریوهای نامطلوب و استفاده کامل از پتانسیل انرژی‌های تجدیدپذیر در ایران برجسته شده است. با بهره‌گیری از هم‌افزایی مکانی بین منابع مختلف انرژی، می‌توان وابستگی به سوخت‌های فسیلی را کاهش داد، تاب‌آوری زیست‌محیطی را افزایش داد و پایداری اقتصادی را افزایش داد. برای تحقیقات آینده، توصیه می‌شود عوامل بیشتری در تحلیل‌ها لحاظ شوند، از داده‌های مکانی و زمانی دقیق‌تری استفاده شود و تأثیرات اجتماعی-اقتصادی توسعه انرژی‌های تجدیدپذیر به طور جامع‌تری بررسی شود. این اقدامات می‌تواند مسیر توسعه پایدار انرژی در ایران را تقویت کند و از تصمیم‌گیرندگان در برنامه‌ریزی استراتژیک پشتیبانی کند.