你有没有发现，正当国土空间规划大力推进之时，你掌握的地图数据和地理信息还是N年前的？
底图不一，底数不清，底线不明等等问题，给你的前期工作带来了很多麻烦，也浪费了大量宝贵时间。
以下内容或许能够为你指点迷津，助力未来的规划工作!
广州大学地理科学学院张新长教授在CUPUM 2019分享了“基础地图数据整合与级联更新”的研究背景、主要研究、应用以及对未来研究的展望。
城市数据派现场报道，为派友们整理了部分演讲精彩内容。该演讲文件共有60页，如需获得授权版的完整PDF，请关注城市数据派微信号，在微信号中回复“张新长”，即可得知。
· 基础地图数据整合与级联更新的应用所整合的空间信息可视化方法，解决了国土空间规划过程中政府管理的深层次决策问题。
· 对国土空间规划中“底图不一、底数不清、底线不明、编管不衔”等难题,提供了一种有效的处理方法。推动了划定城镇、农业、生态空间以及生态保护红线、永久基本农田、城镇开发边界“三区三线”的划定。
· 应关注深度学习的时空信息融合技术，例如多源遥感图像融合，遥感数据与社会数据的融合，以便更好的服务于国土空间规划。
· 应关注大数据的空间数据更新技术，通过不同空间数据的更新、多源异构大数据更新，来解决更新匹配、信息传递、信息综合更新等问题。
· 应关注时空大数据存储与快速检索技术，构建跨结构一体化的时空大数据存储模型，为国土空间规划提供重要的数据支持。
· 应关注国土空间规划与管理智慧化技术体系，以应对大数据的获取、处理、云构架应用服务和行业解决方案。
· 应推动信息综合服务平台面向粤港澳大湾区的应用推广。
合理的开发利用国土空间，建设美好家园，是每个国家空间战略与政策的最高标准。长期以来，由于我国各个规划之间在空间和内容上矛盾突出，“底图不一、底数不清、底线不明、编管不衔”等原因，使之难以适应新时代的发展要求，规划矛盾已非一日之寒。空间规划是一门研究人地关系的学科，要进行科学的国土空间规划，就需要通过现势性强、精度高的地理空间数据去分析“山水林田湖草”的空间分布和发展演变规律，用数据赋能。
目前，我们发现地理空间数据适用性和现势性不强，但数据探测能力很强。而自然资源国土空间规划、第三次土地调查、智慧城市、新型城镇化建设等方面的发展都对地图数据整合及级联更新提出了强烈的需求。如何快速消化多源数据”落图“和快速进行数据融合和更新地理信息已经成为国土空间规划需要解决的一个重大难题。基础地图数据整合及级联更新研究与应用为解决这一重大难题提供了可能。
由于国土空间规划资源与需求归入统一账本统筹配置，尺度不同，其规划结果也不同，多元的地理空间数据表达的”粒度“也不同，引发了地理要素表达的时空多尺度级联问题。因此，多尺度空间数据联动更新的目标是保障空间数据的现势性与尺度一致性的统一。
空间数据自适应动态更新技术的研究主要涉及四个方面:
1）地理空间数据提取，以保证动态变化数据快速“落图”。
2）空间数据一体化整合，以实现各类空间数据快速集成与融合。
3）空间数据动态更新，以保证空间数据多尺度动态更新，各类功能区”粒度“传递。
4）应用服务平台研发，以应对国土空间规划、智慧城市、第三次土地调查、新型城镇化建设。
地理空间数据的提取主要是利用影响进行地物要素识别，例如城市地物要素识别、居民地物要素提取、道路要素提取等。
传统的机器学习方法包括神经网络、支持向量机、决策树、随机森林四种。它往往涉及三个步骤，首先是特征提取，然后是模型训练，最后是输出结果。其中，特征提取是一个非常重要的步骤，因为特征的好坏直接关系最终的分类精度。
深度学习的工作模式与传统机器学习大致相似，其不同之处在于深度学习将特征提取过程与分类统一到了一个框架之下，通过不断的迭代使所提取的特征能够最大程度的表达地物的特性，从而达到区分不同类别的地物的目的。
地物要素的表达取决于网络的结构。全卷积网络（FCN）多为三波段图像，但实际上，我们的遥感影像波段数目远远多于3个，所以我们要把网络的输入调整为多个波段的任意输入，但多个波段的输入会增加训练的困难。卷积神经网络（CNN）通常有一个接收场，不能很好地检测出变量对象的特征，多尺度可以解决这个问题。相关论文有对应的解决办法，具体涉及相同区域、不同分辨率的补丁，以及相同分辨率、不同大小的补丁。
我们的策略是利用多模态数据组合，多尺度过滤。输入数据支持多个波段，包括光学影像，LiDAR数据以及一些实现提供的手工特征。为了能够更好的感受不同的地物，我们设计了3个尺寸的filter的FCN，他们可以感受不同的尺寸的地物及邻域，比如有一条路和房屋的一角，虽然在小尺寸上看不出来，但是我们可以通过大的尺寸的地物走向进行判别。当网络结构设计好了之后，要考虑深度学习的另外一个问题，即损失函数。我们设计了两种损失，一种是单个滤波器的损失，另外一种是融合损失，两种损失函数进行梯度回传，共同修正网络的权值。
在比较不同模型精度之后，发现与传统方法相比，多尺度卷积神经网络（CNN）具有更好的效果。
当建筑物的灰度接近背景时，往往容易被忽略，为解决这个问题，我们利用归一化数字表面模型（NDSM）对建筑物进行提取，通过多尺度卷积神经网络（CNN）与ACM的结合对建筑物的脚点进行探测。这两个内容是一个互补的操作。
在以下图中可以看到，引入ACM之后，可以很好的识别建筑物，但也对处理屋顶有植被的情况稍逊色，单独的CNN和RF都表现出了椒盐噪声（黑白相间的亮暗点噪声）。另外在简单结构建筑物场景下，RF在表现也不错。
除上述居民地物要素的提取之外，道路网络信息也是城市规划、城市管理、交通导航、应急求援等业务的基础数据，是保障城市正常运营的大动脉。因此，保持道路信息的现势性至关重要。
传统的道路信息提取和更新主要采用遥感影像目视解译与外业测绘相结合的方法，该方法更新周期长、成本高，难以满足经济社会快速发展的用图需求。随着遥感技术的发展，出现了能够清晰观测道路细节信息的高精度空间分辨率遥感影像和具有三维特性的机载LiDAR点云数据，为道路信息自动提取和更新提供了强有力的数据保障。
基于多深度学习网络集成的道路提取方法，首先通过波段叠加实现数据融合，然后选用SegNet、U-Net、FRRN三种典型深度学习网络，依次设置3×3/5×5/7×7的卷积核，获取9种单一网络的道路提取结果，最后制定集成策略，实现道路提取结果的决策级融合，获取最终的道路提取。
以下是以广州市从化区为实验区（蓝色框所示区域为测试区域），包括主城区及其周边区域，制作数据集并进行方法验证。实验数据包括高分辨率遥感影像、机载LiDAR点云和矢量道路数据，采集时间为2015年12月-2016年2月。
本实验区共包含47幅4000×5000的影像数据。首先选取其中的35幅作为训练数据，将其剪切为250×250的子块，剔除其中完全不含道路的7432个子块，并从剩余的3858个子块中随机选取658个作为验证数据，对剩余的3200个子块进行增强处理，扩充为12800个，将其作为训练数据。最后将12幅测试区域进行剪切，获得3840个子块，作为测试数据。
这里对比分析了9种单一网络模型的道路提取。对比不同尺度的卷积核，我们发现：3×3的卷积核能取得相对较好的道路提取结果，而5×5尺度卷积核的道路提取结果相对较差。对比三种典型深度学习网络，FRRN具有相对较好的连续性和完整性，但错误检测较多，U-Net的错误检测最少，但道路的连续性最差，SegNet能够较好地平衡道路提取的完整性和正确性。
我们还采用两个实验数据集进行方法验证，一个位于美国纽约的数据集，影像空间分辨率为0.15 m，包含红、绿、蓝、近红外四个波段。另一个是ISPRS数据集。
美国纽约数据集的道路提取结果包括道路网络提取结果以及道路中心线提取结果。结果显示：多尺度分割-分类方法和基于规则的道路提取方法，在有干扰因素存在的道路交叉路口可能存在错误检测，但在提取道路中心线方面，连通性更强且更加规则。ISPRS数据集的道路及道路中心线提取结果显示，我们使用的方法相比多尺度分割分类方法、几何连接方法，在完整率、准确率以及质量上都有不俗的表现。
空间数据一体化整合主要是特征空间的建模以及特征提取。更新信息的判断以一系列指标作为评价依据，特征空间就是从不同角度描述新旧对象的差异性。
对图层、实体、图元，从不同角度描述其差异，其具体描述如下图所示。之后，再结合不同时相居民地数据的元数据、计算整体统计指标；比较实体——图元的匹配关系，判断实体本身的属性等等。
空间数据一体化整合包括数据规整、数据检查、数据编辑以及数据转换四个步骤。其中，数据规整是指数据的分层分类和实体赋值；数据检查是对空间参考、拓扑关系和属性结构的检查；数据编辑是对数据进行添加、删除、合并和修改；数据转换涉及CAD和GIS的转换，非空间数据成图。
多层级映射的异构空间数据整合技术，一方面是图层级别可逆映射，即将dwg地形图数据转化为shp格式；一方面是多维度空间数据分类概念模型，涉及编码赋值、图层筛选、模糊筛选、要素编辑等数据规整工具，再是异构数据映射关系，最后到地形图数据和规划数据等标准入库数据，以便对地上地下，以及历史、现状、未来的数据进行一体化管理。异构空间数据属性融合技术，是对应字段的数据融合以及属性融合。
目前的自适应增量更新面临着很多问题，例如如何进行局部区域的更新？如何保证更新后的数据准确无误？如何记录变化信息？如何管理历史数据？而现状的技术应用，是将数据批量入库或基于图幅进行更新，缺乏更新数据冲突的检查，以入库时间区分变化信息，历史与现状数据同库存储。空间数据自适应动态更新技术，将有效应对空间数据增量更新、空间冲突自动处理，以及基于变化信息回溯历史。
矢量数据变化信息检测中，基于神经网络决策树的变化信息检测模式识别，包括输入距离、空间、几何、方向等特征，输出分解、合并、聚合和多因素变化等变化信息类型。对于同尺度矢量数据自适应增量更新方法，是通过新旧数据之间的实体匹配检测空间对象的变化信息，然后根据变化信息的分类采取增加、删除、修改等更新操作。主要包括实体匹配、更新信息检测、面向对象的增量更新方法等。基于图符的增量更新则包括输入数据、挖空源数据、填入新数据、接边处理四部分。
空间冲突检测包括居民地间的冲突检测、居民地与等高线的冲突检测、居民地与河流间的冲突检测。以下列出了点、线、面三类要素之间可能存在的问题，以及删除冲突要素、删除重叠部分、合并、更换、翻译、校正六种空间冲突自动处理方法。
空间数据自适应动态更新技术还可自动适应接边处理、追溯历史数据、在同一尺度上自适应增量更新矢量数据，以及变化信息快速定位。
多尺度联动更新的方法流程如下，是从大比例尺变化信息检测，到多尺度空间匹配，再到更新信息尺度传递，最后是空间冲突检测与处理。其中，多尺度空间信息匹配，对于多尺度居民地和多尺度道路来说，又涉及动态权重模型、特征测度方法、实体合并算法等方法。
增量制图综简单的说，就是构建制图综合规则库，采用6元组的方法描述综合规则；面向更新要素进行局部制图综合，以提高工作效率，保证尺度一致性。例如建立模型、算法、规则于一体的自动制图综合体系，用数字形态学、模式识别等方法，建立图形形状变化与尺度变化的数量关系，运用人工神经网络等智能化算法，实现自动制图综合。
增量制图综合包括四个部分的内容，即组合关联要素、构建约束Delaunay三角网、裁剪Delaunay三角网、重构小比例尺要素。信息转换包括对旧数据的要素匹配、小尺度的要素变化、以及小规模信息的重新定义等内容。
广州增城区利用该技术，在不增加土地利用指标的前提下，整合了173公顷适合建设的土地。创造经济效益8亿元，实现土地集约利用。
佛山市利用该技术建立了三旧改造管理系统，对三旧改造项目信息进行了空间定位与追踪管理，并能实现对改造区工程信息的精细化管理与多元化查询统计，以及通过多维展示的方式，形象直观地展现改造区全貌。为合理设置安置房数量和位置，制定补偿标准提供了决策支持，降低了改造成本，加快了拆迁的速度。
商业合作、投稿等，请联系客服小派派微信号 xiaopaipai_udparty，加好友必须备注：合作+机构名称/个人姓名
原文始发于微信公众号（城市数据派）：张新长：如何整合基础地图数据并进行级联更新应用丨城市数据派
规划问道
