曹芳洁 邱芸 李纯 王渊洁 姚双燕

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

中图分类号 F301.2文献标识码 A

文章编号 0517-6611（2021）07-0231-06

Abstract With the orderly progress of the preparation of national land spatial planning at all levels，the accuracy requirements for current data such as “the third national land survey” data have become more stringent.The Notice on Carrying Out the Construction of the “One Map” of Land and Space Planning and the Assessment of the Status Quo also clearly states that the first step of the three major steps in the construction of the “One Map” of the land and space planning is to “unify the formation of a base map”.The base map is based on the results of the third national land survey，and integrates the spatial correlation status data and information required for planning and compilation to form a base map with consistent coordinates，coincident boundaries，and continuous up and down.According to the requirements of the central government and relevant ministries and commissions，the results of the third national land survey were used as the basic data for the preparation of the national spatial planning.Due to the difference in the classification of the two，the results of the third national land survey must be classified and converted.Taking the case of Boxing County，Binzhou City as an example，we combined the practice of cardinal conversion of land and space overall planning.On the basis of sorting out the corresponding relationship between“the third national land survey” work classification and the planning purpose classification，relying on big data，machine learning，etc.A set of reusable，highly automated base conversion methods were put forward.

Key words Land space planning;The third national land survey;Cardinal number conversion;Big data;Machine learning

作者簡介 曹芳洁（1993—），女，山东济南人，工程师，硕士，从事时空数据挖掘与分析研究。*通信作者，高级工程师，从事国土空间规划及相关信息化应用、城市设计研究。

收稿日期 2020-08-26

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。

3 博兴县国土空间总体规划基数转换

3.1 研究区概况

博兴县位于鲁北平原黄河下游南岸，与东营市、淄博市相邻，总面积900.7 km.2，人口50.3万，辖9个镇、3个街道、1个省级经济开发区（图6）。2019年，全县完成地区生产总值366.81亿元。博兴历史悠久、文化灿烂，境内有众多名胜古迹;博兴区位优势明显，地处省会城市群经济圈、山东半岛城市群和环渤海经济圈三大经济区结合部，位于山东半岛蓝色经济区和黄河三角洲高效生态经济区两大国家战略的叠加开发区域。

博兴县农用地占土地总面积的70%以上，其中耕地占土

地总面积的50%以上，广泛散布全县;建设用地占土地总面积的20%以上，零星散布全县，其中工矿用地占土地总面积的5%以上，农村宅基地占土地总面积的6%以上，交通用地占土地总面积的2%以上。

博兴县当前规划期间处于城镇化与工业化的高速发展阶段，建设用地供需矛盾突出，从土地资源配置与集约化利用程度来看，长时间的粗放型经济增长方式使得博兴县存在大量低效、分散、闲置的建设用地。同时，博兴县农村居民点存在“空心村”和一户多宅现象，居民点用地管理粗放，挖掘力度有待增加。

3.2 转换结果分析

3.2.1 直接转换与地类归并。

根据梳理的“三调”工作分类与规划用途分类的衔接关系，该研究共计转换71 911块地类图斑，由28类变为26类。试验将直接转换与地类归并再次划分为了3类，其中名称转换类5个、地类归并类4个、直接对应类19个（图7）。

3.2.2 借助机器学习模型细化用地分类。

完成直接转换与归并地类整理后，仍有6 786块地类图斑无法与规划用途分类衔接，需要借助2.2中所述方法进行地类细化。需要细化的图斑共计7类，分别为交通服务场站用地、公园与绿地、公用设施用地、商业服务设施用地、城镇村道路用地、广场用地和科教文卫用地，其空间分布除县城与县域东南部2块集中外，其余图斑零星分布于全县。

3.2.3 基数转换结果。

由于总体规划基数仅用于市县、乡镇总体规划层面，故“三调”工作分类转换至规划用途分类大类或中类即可，试验进行博兴县基数转换，由“三调”工作分类 35类转换为规划用途分类 42类。对应2.1中的基数转换类型，共计转换地类面积1 028.05万km.2。其中转换类型A～F的转换面积分别为91.04、626.45、28.23、2.90、279.42、0 km.2。

經过以博兴县为试点的国土空间规划基数转换，认为该研究所提出的方法能够较好地实现空间数据转换的流程化与自动化处理，有效保证了转换成果的质量，避免了最终成果因质量问题出现大量返工的现象。但需要注意的有以下3点：①由于试点区域属于县级地区，虽然同时使用了高德地图与新浪微博签到2类POI数据源，但仍然难以实现POI类型与规划用途完全对应以及在全域内完全覆盖等问题，需要以人机交互的模式进行核查修正;②在建成区范围外，各类建筑类型差距不大，不易通过遥感纹理特征进行规划用途细化，因此进行遥感影像目标检测后还需对上述类型的用地分类人工逐一核查修正;③在转换过程中，发现辅助数据图层存在多年数据，存在部分交叉，且不同用地类型数据间存在误差，产生大量碎多边形，应提前进行数据源精度验证。

4 结语

该研究在对“三调”工作分类与规划用途分类进行对应关系梳理的基础上，依托大数据、机器学习等，提出了一套可复用、自动化程度高的基数转换方法，推动了国土空间总体规划基数转换工作的高效推进。该研究以山东省博兴县为例，进行基数转换工作方法验证，为其他省市的国土空间总体规划基数转换工作提供借鉴经验。

研究表明，基数转换工作中对于农村与城镇地区应分类摸清“数据家底”，建立“三调”工作分类与规划用途分类的衔接关系。对于不同地区国土空间总体规划基数转换存在重复性工作，可以通过大数据与机器学习技术方式批量识别与处理，相较于传统人工转换的方法，工作效率和准确性都有提升。对于需要进行实地调研判断用途的图斑，可以借助低成本、易获取的无人机遥感数据，进行补充工作。

参考文献

[1] 司劲松.构建我国国土空间规划体系的若干思考[J].宏观经济管理，2015（12）：14-17.

[2] 王开泳，陈田.新时代的国土空间规划体系重建与制度环境改革[J].地理研究，2019，38（10）：2541-2551.

[3] 中华人民共和国自然资源部.第三次全国国土调查技术规程：TD/T 1055—2019[S].北京：中国标准出版社，2019.

[4] 陶英胜.新一轮城市总体规划实施体检评估机制研究[C]//中国城市规划学会，重庆市人民政府.活力城乡 美好人居——2019中国城市规划年会论文集（14规划实施与管理）.北京：中国建筑工业出版社，2019：359-369.

[5] 龙瀛，刘伦伦.新数据环境下定量城市研究的四个变革[J].国际城市规划，2017，32（1）：64-73.

[6] 甘欣悦，龙瀛.新数据环境下的量化案例借鉴方法及其规划设计应用[J].国际城市规划，2018，33（6）：80-87.

[7] 李泽荃，杨曌，刘嵘，等.复杂网络与机器学习融合的研究进展[J].计算机应用与软件，2019，36（4）：10-28，62.

[8] 李清泉，李德仁.大数据GIS[J].武汉大学学报（信息科学版），2014，39（6）：641-644，666.

[9] ZIKOPOUPOS P C，EATON C，DE ROOS D，et al.Understanding and streaming data[R].McGraw- Hill Companies，2012.

[10] 佘承其，张照生，刘鹏，等.大数据分析技术在新能源汽车行业的应用综述：基于新能源汽车运行大数据[J].机械工程学报，2019，55（20）：3-16.

[11] 陆化普，孙智源，屈闻聪.大数据及其在城市智能交通系统中的应用综述[J].交通运输系统工程与信息，2015，15（5）：45-52.

[12] 费思源.大数据技术在配电网中的应用综述[J].中国电机工程学报，2018，38（1）：85-96，345.

[13] 胡丽娟，刁赢龙，刘科研，等.基于大数据技术的配电网运行可靠性分析[J].电网技术，2017，41（1）：265-271.

[14] 常杪，冯雁，郭培坤，等.环境大数据概念、特征及在环境管理中的应用[J].中国环境管理，2015，7（6）：26-30.

[15] CHEN M，MAO S W，ZHANG Y，et al.Big data related technologies，challenges and future prospects[J].Inf Technol Tourism，2015，15：283-285.

[16] 熊丽君，袁明珠，吴建强.大数据技术在生态环境领域的应用综述[J].生态环境学报，2019，28（12）：2454-2463.

[17] 于志刚，李源粒.大数据时代数据犯罪的制裁思路[J].中国社会科学，2014（10）：100-120，207.

[18] 胡志风.大数据在职务犯罪侦查模式转型中的应用[J].国家检察官学院学报，2016，24（4）：144-153，176.

[19] 龙瀛，张宇，崔承印.利用公交刷卡数据分析北京职住关系和通勤出行[J].地理学报，2012，67（10）：1339-1352.

[20] JIANG B，YIN J J，ZHAO S J.Characterizing the human mobility pattern in a large street network[J].Phys Rev，2009，80（2）：1711-1715.

[21] SAGL G，DELMELLE E，DELMELLE E.Mapping collective human activity in an urban environment based on mobile phone data[J].Cartogr Geogr Inf Sci，2014，41（3）：272-285.

[22] 钮心毅，王垚，丁亮.利用手机信令数据测度城镇体系的等级结构[J].规划师，2017，33（1）：50-56.

[23] 潘兰平，宋小冬，钮心毅.大数据支持下的超大城市职住平衡研究[J].上海国土资源，2018，39（3）：83-86.

[24] 杨剑锋，乔佩蕊，李永梅，等.机器学习分类问题及算法研究综述[J].统计与决策，2019，35（6）：36-40.

[25] 郭丽丽，丁世飞.深度学习研究进展[J].计算机科学，2015，42（5）：28-33.

[26] 赵永强，饶元，董世鹏，等.深度学习目标检测方法综述[J].中国图象图形学报，2020，25（4）：629-654.

[27] GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE conference on computer vision and pattern recognition（CVPR）.Columbus，OH，USA：IEEE，2014.

[28] DARWICHE A.SDD：A new canonical representation of propositional knowledge bases[C]//Proceedings of the 22nd international joint conference on artificial intelligence.Barcelona，Catalonia，Spain：AAAI Press，2011.

[29] REDMON J，FARHADI A.YOLO9000： Better，faster，stronger[C]// 2017 IEEE conference on computer vision and pattern recognition（CVPR）.Honolulu，HI，USA：IEEE，2017.

[30] PURKAIT P，ZHAO C，ZACH C.SPPNet：Deep absolute pose regression with synthetic views[EB/OL].[2020-03-25].https：arxiv.org/pdf/1712.03452.pdf.

[31] GIRSHICK R.Fast RCNN[C]//2015 IEEE international conference on computer vision（ICCV）.Santiago，Chile：IEEE，2015.

[32] REN S，HE K，GIRSHICK R，et al.Faster RCNN：Towards realtime object detection with region proposal Networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[33] 李德仁，邵振峰，于文博，等.基于時空位置大数据的公共疫情防控服务让城市更智慧[J].武汉大学学报（信息科学版），2020，45（4）：475-487，556.

[34] 严潇，呙维，樊亚新，等.融合空间计算的POI地理编码方法[J].计算机应用研究，2016，33（9）：2652-2655.

[35] 赵卫锋，李清泉，李必军.利用城市POI数据提取分层地标[J].遥感学报，2011，15（5）：973-988.

[36] 池娇，焦利民，董婷，等.基于POI数据的城市功能区定量识别及其可视化[J].测绘地理信息，2016，41（2）：68-73.

[37] 文聪聪，彭玲，杨丽娜，等.主题模型与SVM组合的小尺度街区用地分类方法[J].地球信息科学学报，2018，20（2）：167-175.

[38] CORTES C，VAPNIK V.Supportvector networks[J].Machine learning，1995，20（3）：273-297.

[39] 刘威，张东霞，王新迎，等.基于深度强化学习的电网紧急控制策略研究[J].中国电机工程学报，2018，38（1）：109-119，347.

[40] 吴峰，陈后金，姚畅，等.基于网格搜索的PCA-SVM道路交通标志识别[J].铁道学报，2014，36（11）：60-64.

[41] HE K M，GKIOXARI G，DOLLR P，et al.Mask RCNN[C]// 2017 IEEE international conference on computer vision （ICCV）.Venice，Italy：IEEE，2017.

[42] ZHANG S，HE G H，CHEN H B，et al.Scale adaptive proposal network for object detection in remote sensing images[J].IEEE Geoence and Remote Sensing Letters，2019，16（6）：864-868.