山东省国土空间总体规划基数转换方法研究

来源：核心期刊咨询网时间：12

摘要：摘要 随着各级国土空间规划编制工作的有序推进，对第三次全国国土调查数据等现状数据准确性的要求愈发严格。《关于开展国土空间规划一张图建设和现状评估工作的通知》中也明确指出，国土空间规划一张图建设三大步骤的第1步就是统一形成一张底图，这张底图是

　　摘要 随着各级国土空间规划编制工作的有序推进，对第三次全国国土调查数据等现状数据准确性的要求愈发严格。《关于开展国土空间规划“一张图”建设和现状评估工作的通知》中也明确指出，国土空间规划“一张图”建设三大步骤的第1步就是“统一形成一张底图”，这张底图是以第三次全国国土调查成果为基础，整合规划编制所需的空间关联现状数据和信息，形成坐标一致、边界吻合、上下贯通的一张底图。按照中央和相关部委的要求，第三次全国国土调查的成果数据作为国土空间规划编制的基础数据，由于二者分类存在差异，因此需按对第三次全国国土调查的成果数据进行分类处理转换。以滨州市博兴县为例，结合国土空间总体规划基数转换实践，在梳理第三次全国国土调查工作分类与规划用途分类对应关系的基础上，依托大数据、机器学习等方法，提出了一套可复用、自动化程度高的基数转换方法。

　　关键词 国土空间规划;第三次全国国土调查;基数转换;大数据;机器学习

　　作者：曹芳洁

　　党的十八届五中全会以来， “多规合一”的进程不断推进，随着自然资源主管部门机构改革方案的落地实施，提升空间治理能力成为新时期亟待解决的重要问题[1]。国家职能部门整合后，国土空间规划在用地分类体系和制度方面的冲突尚未理顺，特别是用地分类标准与用途管制之间的冲突[2]。国土资源的开发利用对于国民经济增长和社会保障等具有深远的影响，全国国土调查工作为政府职能部门掌握该地区的土地使用状况和分布情况提供了有利条件。新时期国土空间规划背景下，国土空间规划现状用地作为规划重要的基础数据，对城市发展与建设有重要意义。虽然第三次全国国土调查(以下简称“三调”)的精度相较于第二次全国土地调查有了较大改善，但由于调查方式普遍为目视解译，因而仍存在一定的误差[3]。

　　然而，“三调” 数据作为规划工作重要基础数据，其工作分类无法与规划用途分类直接对应，且存在用地类型与土地整治、用地批复等审批管理数据不符的矛盾图斑，大大增加了规划工作在基础数据获取与整理上的重复性工作;同时，规划实施监测与评估、建设用地增长指标核算等工作的准确性很大程度上依赖于基础数据的准确性。因此，迫切需要一种国土空间总体规划基数转换方法，来支撑国土空间规划编制、管理和评估工作的开展[4]。近年来，信息通信技术的进步与普及为定量城市研究提供了大量新的数据来源，构成了了解城市系统运行规律的重要基础[5-6]。同时，随着计算机科学技术的不断发展，机器学习、人工智能在众多领域取得了巨大的成功，也为空间规划工作提供了新的技术手段[7]。鉴于此，笔者在对“三调”工作分类与规划用途分类对应关系的梳理基础上，依托大数据、机器学习等方法，提出了一套可复用、自动化程度高的基数转换方法。

　　1 研究综述

　　近年来，随着定位与通信技术的不断发展，产生了大量例如兴趣点(Point of Interest，以下简称“POI”)、手机信令、交通轨迹等带有地理位置信息的数据[8-9]，已有学者尝试将其应用于社会安全管理、交通以及城市规划等领域[10-18]。例如，龙瀛等[19]利用北京的公交刷卡数据分析职住关系;Jiang等[20]采用出租车GPS轨迹，分析人们的出行特征;Sagl等[21]利用位置大数据识别人群活动特征，从而探究城市空间结构和时空变化特点;钮心毅等[22]利用手机信令数据获取城市之间的人口流动，测算城市联系度，进而测度城镇体系等级结构;潘兰平等[23]提出了利用手机信令分析超大城市职住平衡的方法，并纳入法定空间规划体系。

　　由于大数据具备数据量大、速度快、模态多样、可视化等特点，传统计算方法难以满足其量化分析的需求，机器学习可以使计算机在海量数据中探索数据的特征及规律，模拟人类的学习行为挖掘潜在信息[24]，为大数据分析提供了技术保障。其中，深度学习技术是机器学习掀起的一个浪潮[25]，它能够通过构建多层次的网络结构，在挖掘数据间关系的基础上建立分类器，从而提取图像的高层语义信息，在众多领域，特别是在目标检测中得到了良好的应用[26]，如Girshick等[27]提出的R-CNN。在目标检测领域取得了突破，先后出现了SDD[28]、YOLO[29]、SPP-NET[30]、Fast R-CNN[31]、Faster R-CNN[32]等算法，上述算法都是把传统的计算机视觉领域和深度学习相结合且取得了良好的效能。

　　2 基数转换方法

　　2.1 技术路线

　　国土空间总体规划基数转换工作流程包括建立“三调”工作分类与规划用途分类的衔接关系、规划用途分类转换、成果建库与基数转换成果审查4个环节(图1)。

　　2.1.1 建立“三调”工作分类与规划用途分类的衔接关系。

　　依据《山东省国土空间规划用地、用海、用岛分类指南(试行)》中附录G(山东省国土空间规划用地、用海、用岛分类指南(试行)与《第三次全国国土调查工作分类》对照表)，梳理“三调”工作分类与规划用途分类之间对应关系，将地类对应关系分为4类：一对一型、多对一型、一对多型、无对应型。针对不同地类对应关系采取不同方法进行基数转换，一对一型、多对一型进行直接转换;“一对多型”无法直接转换，需要借助卫星遥感影像、POI数据、城乡用地监测数据、地形图等辅助数据，并通过外业补充调查进行细化;“无对应型”中，海域利用现状数据依据海岛岸线调查中的潮间带数据确定，岛上用地地类依据地理国情普查的地表覆盖数据(LCA)确定。

　　2.1.2 规划用途分类转换。

　　针对地类明显与实际不符的地块，总结基数转换方法，概括用途分类转换类型包含以下6类：①规划基期年以前已验收的土地开发、复垦、整理地块(如增减挂钩项目的拆旧、复垦、安置、建新)，但在“三调”数据中仍为验收前地类;②规划基期年以前已办理农转用审批手续、海域使用权审批手续或拥有土地使用权证，但农转用审批文件、海域使用权证或土地使用权证上所载地类与“三调”数据不一致的;③规划基期年以前批而未用的土地(包括批而未供、供而未用，如因低效用地二次开发、原拆原建或集体土地预征等原因以先行拆除的土地)，土地已征用，有完整合法用地手续，但“三调”中将其调查为农用地或未利用地的;④“三调”数据中的建设用地中地类明显与实际不符的;⑤现状城镇建设范围内绿地与广场用地，“三调”调查为林

　　地;⑥现状城乡建设范围内的河流、湖泊水面，“三调”中调查为绿地与广场用地。针对不同转换类型，收集不同的批地文件、矢量数据等证明材料，并进行地类转换(表1、图2)。

　　2.1.3 成果建庫。

　　依据《山东省国土空间总体规划基数转换技术指南(征求意见稿)》对规划基数成果的要求整理规划基数成果。①数学基础(与“三调”数据相同)：满足国家、山东省相关政策文件中对于数学基础方面的要求，采用1985

　　国家高程基准、高斯-克吕格投影分带、2000国家大地坐标

　　系;②要素图层：行政区、基期现状用地、归并细化类转换、管理数据类转换、纠正类转换等图层;③基数转换成果组成部分及目录结构(图3)。

　　2.1.4 基数转换成果审查。该阶段工作内容包含基数转换成果的规范性审查和基数转换成果的内容审查2部分内容。①基数转换成果的规范性审查：基数转换成果目录结构、基数转换表格成果填写、基数转换数据库构建以及基数转换附组织;②基数转换成果的内容审查：成果完整性审查、过程合理性审查和数据逻辑一致性审查。

　　2.2 关键技术

　　2.2.1 基于SVM分类算法的POI数据分类。

　　随着通讯网络与测绘科学技术的发展，移动设备提供的位置服务(LBS)产生了大量数据，在众多领域中的应用优势日益凸显[33]。其中，POI泛指一切与人们生活密切相关的地理实体，如学校、医院、商场、酒店等都可以抽象为POI[34]。该研究建立了一种完全利用POI数据进行规划用途自动化分类的方法，首

　　先将POI数据分类与规划用途分类进行初步衔接作为主题

　　类型分布，同时借助空间分布(用地图斑)与公众认知度计算其概率分布概率[35-37]，然后基于POI文本的主题分布，运用SVM分类算法[38]构建规划用途分类模型(图4)。

　　2.2.2 基于深度学习技术的遥感影像目标检测。

　　深度学习技术能够通过构建多层次的网络结构，在挖掘数据间关系的基础上建立分类器，从而提取图像的高层语义信息，在众多领域特别是在目标检测中得到了良好的应用。该研究尝试将Faster R-CNN目标检测算法[41]应用于遥感影像目标分类中(图5)，对于“一对多型”中无法通过POI数据细化的地类图斑进行规划用途分类转化，相对于传统的人工判别效率有了明显提升[42]。该研究基于卷积神经网络思想，在深度学习框架下通过多线程迭代训练，在卷积神经网络中得到目标特征图后，通过区域建议网络RPN和RoIAlign池化操作将特征输入不同分支，最后得到遥感图像目标检测模型。在城镇与农村场景的遥感图像中，该模型均可以同时检测出多个类别的地类目标。

　　推荐阅读：《中国国土资源经济》(月刊)创刊于1983年，是由中华人民共和国国土资源部主管、中国地质矿产经济学会和中国国土资源经济研究院共同主办的、向国内外公开发行、刊载国土资源经济领域最新研究成果的学术性期刊，是中国地质矿产经济学会会刊。荣获中文核心期刊(2004)。

转载请注明来自：http://www.qikan2017.com/lunwen/nye/19468.html