時空大數據支持的土地儲備智能決策體系與應用研究

李 軍，劉舉慶，游 林，俞 艷，張曉盼，董 恒

（1.中國礦業大學（北京）地球科學與測繪工程學院，北京 100083； 2.寧波時空數語信息科技有限公司，浙江 寧波 315101；3.武漢理工大學資源與環境工程學院，湖北 武漢 430070）

1 引言

隨著城市化進程的快速推進，土地資源日益緊缺，其科學運營與優化配置是當前社會迫切需要解決的問題。雖然中國國土幅員遼闊，但適宜工業化、城鎮化開發的面積不到20%，除去必須保護的耕地和已有建設用地，今后可用于建設開發的面積只有約28萬km2[1]，部分城市已經出現“無地可用”的局面[2]。此外，2000—2018年，中國城市化率水平從不到37%快速增加到59.58%[3]，并且在未來10～20年，最大的內需潛力在城鎮化，土地資源需求缺口巨大。因此，中共“十九大”報告明確指出，土地作為最基礎的資源，需要對其進行綜合管理與科學配置，提高土地治理水平，以進一步推動供給側結構性改革，推進新型城鎮化進程[4]。

土地儲備是國土資源主管部門為調控土地市場、促進土地資源合理利用，依法取得土地，組織前期開發、儲存以備供應的行為[5]，對科學運營土地、優化土地資源配置具有重要作用。但由于中國城市土地儲備制度長時期處于“邊運作、邊探索，邊總結、邊推進”的發展階段，當前土地儲備工作仍存在一定的問題[6]，比如頂層設計缺位、信息聯動性弱、決策缺少精準科學依據等[7-9]。針對此，國內外學者展開大量研究。在決策方法方面，不同學者分別利用主成分分析、灰色預測GM（1，1）、回歸分析、BP神經網絡以及灰色馬爾柯夫等進行儲備規模、供應時機預測及關聯要素分析[10-13]；也有學者通過建立城市土地儲備潛力評價指標體系，利用GIS空間分析定量化評價指標，確定適宜的待儲備地塊[14-15]；利用地理加權回歸、灰色-Markov預測模型、最大熵法、神經網絡等對未來土地價格進行預測和分析[16-19]。雖然學者們展開一定研究，但大多只是針對土地儲備業務中的某一環節，未能形成系統的土地儲備決策體系，無法提供系列性決策服務。另外，由于過去缺乏海量時空大數據的支撐，評價指標無法真實刻畫現實發展狀況，難以滿足當下對評估與預測結果的高精度要求。在信息化時代，有學者嘗試設計并實現了土地儲備交易信息系統，主要提供基本空間分析工具、土地資源數據管理、儲備信息管理及查詢等功能，并探索性地將土地儲備交易流程系統化和信息化[20-23]，少數學者嘗試融入一些決策分析功能，如通過構建建設用地資源潛力評價指標體系，利用GIS定量分析，對土地資源潛力進行多指標綜合評價，進而實現儲備對象篩選和項目選址功能[24]；通過不同年度征地層疊加（相減）獲取年度總存量用地面積，進而利用模糊規劃方法，預測最優的土地儲備數量[25]。不過現有的系統較為簡易，功能相對單一，難以滿足當下復雜的業務需求。而由自然資源部垂直向下的土地市場動態監測與監管系統（http: //jcjg.mnr.gov.cn/）只是單向的填報系統，只能簡單上傳界址點數據，并未實現土地儲備管理、決策功能等一站式支持。總體上看，國內外學者對土地儲備決策與信息化管理進行了積極的探索與發現，并取得了一定的研究成果，但土地儲備決策方法不成體系，更缺乏系統性的分析及決策服務支持，無法有效地為土地管理部門提供一站式決策支撐。

近年來，以時空大數據、人工智能、云計算為基礎的新一輪科技革命和產業變革方興未艾[26]，時空大數據的產生為現狀精準刻畫及個體行為軌跡分析提供了數據基礎，人工智能及云計算的發展為時空大數據的挖掘分析提供了技術支撐，使系統化、科學化、智能化的政務決策成為了可能。在土地管理利用方面，劉望保等基于百度位置感知數據，通過隨機森林方法模擬識別了廣州市土地利用類型[27]；HUANG等利用語義分析、熱點識別等空間分析方法對工業興趣點（POI）進行挖掘，分析杭州灣工業用地的時空動態變化[28]；PAUDEL等通過分析空間農業區、統計數據、人口密度、土壤類型等，研究了尼泊爾1970—2010年40年間的農業用地時空變化[29]；陳珊珊等將時空大數據應用到存量土地更新規劃研究，存量空間資源評估，更新時段判斷等[30]；OMRANI等將K-means聚類算法集成到Spark高性能計算環境下，對大面積、多個時間步長的土地利用變化進行模擬，大大提高計算效率和準確率[31]；另外，時空大數據在智能交通、智慧醫療、智能旅游、城市規劃等智慧城市建設方面也被大量應用[32]。但以上研究大多集中在土地監測、智慧城市建設等方面，在土地儲備領域研究較少，因此需要建立一套面向土地儲備的時空大數據挖掘算法，構建智能決策支持體系，以促進土地儲備科學智慧決策。

本文針對土地儲備的業務邏輯和需求，以時空大數據為驅動，人工智能為核心，遵循科學性、實用性、先進性、開放性的設計原則，提出面向土地儲備的智能決策服務體系，研究一套面向土地儲備各環節的決策方法集，并設計智能決策支持平臺技術架構，重點研究基于Hadoop/Spark的大數據處理技術、多源異構數據融合技術、智能決策模型集構建等，為土地儲備業務全環節提供科學與智能決策服務。

2 土地儲備智能決策體系設計

土地儲備智能決策體系設計是在遵循科學性、實用性、先進性、開放性的原則上，充分分析其傳統業務流程及決策需求，建立一個集數據資源管理、現狀條件精準刻畫、科學智能決策服務于一體的科學化、智能化的決策支持平臺，為土地儲備決策提供數據支撐、分析依據和決策參考，為土地儲備管理、規劃提供輔助支持。

2.1 設計原則

（1）科學性。在設計土地儲備智能決策體系時，需要重點研究土地儲備作業內容，以其基本流程和業務環節為依據，明確其業務所需，切實能夠解決土地儲備決策所面臨的痛點問題；現狀條件評估需要建立科學、客觀的評價指標體系，并采用合理的空間分析定量化方法，確保其評估結果精確可信；智能決策支持模型構建應采用相對成熟、準確、智能的技術方法，保證模型分析及預測結果具有可靠性和科學性。

（2）實用性。功能設計應緊密結合土地儲備實際業務所需，能夠滿足決策所需，相應技術架構應具備可實施性和再現性。體系結構盡可能簡潔、方便和靈活，既具備反應迅速的特點，又便于工作人員進行業務處理和綜合管理，便于各政府部門、儲備機構同時在線分析，了解發展現狀、規劃方向及決策信息。

（3）先進性。時空大數據的動態更新是保證體系先進性的重要基礎，采用定期更新的基礎地理信息、動態產生的業務數據以及傳感器采集的位置感知數據，可以實現社會、經濟、自然等要素信息的動態更新；在此基礎上，智能決策模型構建方法應以人工智能、空間分析等先進算法為基本原理，可以實現自我學習和優化訓練，不斷提高模型精度，而智能決策體系同步進行滾動更新，以保證智能決策體系的持續可靠；同時需要搭建大數據處理框架為海量數據的彈性存儲和挖掘分析提供計算引擎。

（4）開放性。體系中智能決策支持平臺技術架構應借鑒面向服務的架構（SOA），將評價指標與模型分開處理，構建獨立的評價指標庫和模型庫，擁有低耦合、易拓展、兼容并包的特點，低耦合的特性為后期的維護和迭代升級提供方便，隨著土地儲備制度的發展和需求變化來增加新的指標或構建新的評價模型，以滿足長期發展及各級地方政府多元化的需求；兼容并包則是可以與現有的國土資源管理系統以及其他系統之間協同作業，提高效率。

2.2 設計內容

遵循以上設計原則，針對土地儲備工作的痛點問題及決策需求，設計土地儲備智能決策體系（圖1），主要包括用戶、智能決策平臺和后端服務三部分內容。用戶是指土地管理部門和各個做地主體，負責土地儲備工作的整體開展。智能決策支持平臺是提供土地儲備智能決策服務的統一“門戶”，通過Web界面直觀地向用戶提供各項功能模塊，如數據資源共享、現狀條件精準刻畫及土地儲備智能決策，對未來土地儲備總量、結構、布局、時序的統籌安排提供決策依據，科學合理地制定土地儲備計劃。智能決策支持平臺后端主要提供數據和技術支撐，通過集群資源將反映社會經濟現狀發展的時空大數據聚合，構建數據倉庫，進而利用基于時空分析、人工智能的決策模型集對其挖掘分析，將現狀刻畫數據和決策模型分析結果反饋給智能決策支持平臺Web端進行展示。

根據土地儲備智能決策體系的整體設計，結合土地儲備各環節工作內容，包括計劃編制及儲備實施，其中計劃編制是土地儲備工作實施的重要指導依據，其基本內容包括基礎資料收集，規劃及現狀分析，分析決策儲備總量、結構、布局、時序，制定三年滾動計劃及年度計劃，而儲備實施主要是在儲備計劃的指導下進行土地收購、平整、入庫、出讓[33]。計劃編制是土地管理部門開展的重點內容，是土地儲備決策的關鍵環節，基于此，設計土地儲備智能決策體系的具體功能（圖2）。

（1）數據資源共享。針對耗時耗力的基礎資料收集環節，設計資源目錄功能模塊，將散落在各部門中的時空數據資源進行聚合，構建土地儲備數據倉庫，主要包括基礎圖層、資源要素圖層、業務圖層和輔助決策圖層，涵蓋基礎地理信息、公共專題數據、國土規劃業務數據及智能感知大數據。倉庫統一提供數據資源服務，包括數據可視化、數據查詢、數據更新、數據調用等，旨在打破“數據孤島”，促進資源流通。用戶利用整合的各項規劃數據和土地現狀數據，能夠全面系統地把控未來發展方向，厘清家底。

圖1 土地儲備智能決策體系Fig.1 Land reserve intelligent decision system

圖2 土地儲備智能決策體系功能設計Fig.2 Functional design of land reserve intelligent decision system

（2）現狀條件精準刻畫。客觀的現狀條件是土地儲備科學決策的重要前提，“一切從實際出發”同樣對客觀現狀的重要性做出了強調。因此，深入了解城市發展現狀一直是土地儲備部門在計劃編制之前開展的重要工作。在數據倉庫基礎上，通過時空分析對各地塊的地理區位條件、社會經濟狀況等量化分析，提供客觀精準的現狀信息，方便用戶對社會經濟發展狀況進行直觀判讀。主要包括各地塊的人口密度、客流密度、建筑密度、建筑體量、土地產出率、周邊配套情況、已出讓價格、已收儲成本、環境景觀品質、交通便利程度、人口畫像等定量化結果，基本涵蓋自然、社會、經濟各個方面。

（3）儲備環節智能決策。在弄清現狀條件后，面對土地儲備三年滾動計劃和年度計劃各決策環節，提供高效便捷、智能化的決策支持，對土地儲備總量、結構、布局、時序等方面做出統籌安排。土地儲備智能決策體系包含基于時空分析、人工智能等技術的智能決策模型集，其通過對多源時空數據的挖掘分析，構建土地儲備智能決策專題應用模塊，包括存量用地監測、收儲成本預測、出讓價格預測、儲備平衡分析、開發時序建議、相似集聚分析及病態地塊識別功能，并利用WebGIS技術將所有地塊的屬性信息和預測結果統一以地圖的形式展示給用戶，用戶可以通過其獲取土地收儲規模、結構、效益、時序等方面的決策信息。決策專題不僅提供模型解算結果，還包括各項指標依據，參考的標準，使用數據的年限等屬性信息，幫助決策者理解和解釋各項內容。以存量用地監測為例，平臺首先調用資源目錄中的城鄉規劃數據、建筑面數據、常住人口、地塊經濟數據、位置感知數據、地籍數據、土地利用現狀、違法用地圖斑、供而未用圖斑、農村集體確權結果等，通過GIS空間分析，借助集群資源，定量化開發容量、建筑密度、建造時間、人口密度、土地產出率、客流量等評價指標，進而通過層次分析法確定指標權重，通過加權疊加得到土地利用效率分布圖（區分用地性質），篩選出低效的商業、居住、工業類型的存量用地，結合其他類型的存量用地，如城中村、違法用地、供而未用土地等，實現存量用地監測功能。

最后，結合基本分析工具和管理模塊，將以上基礎數據管理功能、空間分析功能、智能決策功能等核心功能集成開發，建立土地儲備智能決策“一張圖”支持平臺，實現智能決策體系的工程化應用，促進相關部門協同作業，方便管理者統籌安排，并滿足各級土地儲備機構的決策需求。

3 土地儲備智能決策技術方法

3.1 技術架構

針對智能服務體系的設計，土地儲備智能決策支持平臺整體采用面向服務的大數據挖掘技術架構（圖3）。其中基于Hadoop/Spark大數據處理技術為數據處理與模型解算提供存儲和計算資源支撐，根據不同的計算需求合理安排計算與存儲資源；通過數據融合驅動將多源時空大數據進行聚合與集成，構建土地儲備專項數據倉庫，為下一步的數據挖掘分析提供數據支撐，進而利用人工智能、時空分析等技術構建智能決策模型集，實現對多源時空大數據挖掘分析，并將模型計算結果寫入數據倉庫；最后利用WebGIS技術實現對數據資源管理、現狀條件評估及決策模型的綜合應用，實現時空環境下的多源異構、大規模、動態信息資源“一張圖”綜合展示與智能決策專題應用，為土地儲備工作開展提供智能決策。

3.2 關鍵技術

圖3 土地儲備智能決策體系技術架構Fig.3 Technical framework of land reserve intelligent decision-making system

隨著大數據分布式處理框架快速發展，高性能、高并發計算能力得到增強，而SVM、神經網絡、聚類分析等人工智能算法的興起，為決策模型智能化提供了可能。因此，云計算、大數據、人工智能、GIS等技術必將成為土地儲備智能決策中的關鍵技術方法。

3.2.1 基于Hadoop/Spark的大數據處理技術

面對海量的時空數據處理，許多大數據分布式計算框架被開發，目前國內外分布式系統大多使用Hadoop系列開源系統[34]，但其默認支持的MapReduce是一種基于磁盤的分布式并行計算模型，僅支持Map和Reduce兩種操作，且處理效率低、不適合迭代運算等；研究者們進一步開發了基于內存運算的Spark大數據處理引擎，其相比MapReduce運行效率提高10～100倍[35]，且兼容Hadoop核心文件系統HDFS，具有高吞吐量的技術優勢，隨著快速迭代開發，也形成了自己的生態系統，包括支持SQL查詢的SparkSQL、流式計算的Streaming等[36]。隨著海量流數據的產生，一些流式大數據處理框架也應運而生，如Storm、Samza及Flink，但其主要面向流數據的快速處理，目前在數據吞吐量、數據批處理、社區活躍度等方面略遜色于Spark[37-38]。

本系統定位面向多源、海量的時空大數據和多樣化的數據處理方式，因此采用“Double Win”的Hadoop/Spark框架，集成批處理和流處理兩種計算模式，以及Hadoop的高吞吐量分布式存儲，Spark的高效內存計算，進而建立面向土地儲備管理的大數據挖掘資源池，提供多源異構大數據的融合集成能力及智能決策模型的并行計算和管理能力。Hadoop中的分布式文件系統HDFS為系統提供海量數據存儲資源，具有的高容錯、高可靠性、高可擴展性、高吞吐率等特征，實現海量數據物理上分布、邏輯上統一；對于小體量數據則采用空間型數據庫，比如PostgreSQL、MongDB等。Spark為系統提供數據挖掘計算引擎，Spark Coro分布式集群計算框架實現智能決策模型的并行式計算，解決模型應用多源大數據的計算負擔問題；流式計算方法對實時數據流進行處理和控制，允許程序處理實時數據，實現房產實時交易數據、位置感知數據等動態接入與實時計算，保證系統的滾動更新與自我學習。

3.2.2 多源時空大數據融合

土地儲備時空大數據主要包括基礎地理信息、國土規劃業務數據、公共專題數據及智能感知大數據（圖4），涵蓋社會、經濟、人口、環境各個方面。其中基礎地理信息、國土規劃業務數據、公共專題數據屬于相對傳統的空間分析數據，但其具有高精度，覆蓋面廣的數據優勢，是城市管理、重大項目落地、國土規劃等工作的重要分析依據和決策參考；而新興的智能感知數據可以實時、動態地反映人們的個體行為軌跡，展現實時人口變化，為地塊內人口畫像、OD分析、職住分析、客流分析、時空聚類等現狀條件的精細刻畫提供數據基礎。

圖4 時空大數據Fig.4 Spatiotemporal big data

多源大數據的產生為智能決策分析提供了數據支撐，但其多源性、異構性、多尺度的特點為數據的組織和使用同樣帶了一定的挑戰，如何有效地將多源數據融合，并高效地進行組織利用是數據挖掘與分析的一項基礎性工作。數據融合大致分為抽取、轉換、清洗、載入及數據空間化。數據抽取是指從原始的數據源中獲取數據內容，遷移到數據倉庫中，以使數據倉庫開始運轉，或通過讀取記錄中包括日期時間標記、相應數據更新日志等；數據轉換是對原始數據進行轉換處理，如坐標轉換，以符合系統應用和進一步數據挖掘分析的需求；數據清洗主要是填充缺失的數值、光滑噪聲并識別離群點、糾正數據中的不一致，去除“臟數據”；數據載入是通過基本轉載、追加和更新三種數據載入方式，完成數據更新。對于有價值但無空間位置坐標信息的統計數據，需要對其進行數據空間化。數據空間化是利用地名地址匹配的技術方法，將匯聚后的數據進行時空定位尋址，如常住人口統計數據、經濟普查數據、土地出讓案例等。當數據不直接含有地名地址時，需要針對潛在地址信息或地名基因，利用分詞與數據對比技術，結合語義鄰近分析，提取地名地址，實現精確匹配。

3.2.3 智能決策模型集構建

通過對土地儲備各環節進行深入的分析，充分結合土地儲備相關部門面臨的問題和需求，建立了一套相對完備的智能決策理論體系，利用人工智能、時空分析、知識建模等技術構建了智能決策模型集（圖5），實現地塊尺度下的各儲備環節的科學決策。首先利用GIS空間分析，采用多指標定量綜合評價方法構建存量土地監測模型，抓取低效閑置地塊；通過市場比較法，構建收儲成本預測模型，對土地收儲成本進行快速精準預測；利用支持向量機構建出讓價格預測模型，預測土地出讓價格，結合收儲成本預測結果，解決資金平衡問題。在此基礎上，利用灰色預測、多元統計構建儲備平衡分析模型，對未來幾年的收儲規模進行預測；利用密度制圖算法、凸包算法和聚類算法等建立相似地塊分析模型，識別潛在大區塊開發區域，促進規模開發，防止破碎化問題，并構建開發難易度評價指標體系，結合成本和收益預測結果，建立開發時序分析模型，明確經濟社會效益最優的開發時序。通過位置查詢、沖突檢測等方法，檢查各做地主體年度計劃，并提取時間沖突、與上位規劃用地性質沖突等病態地塊，最終實現儲備計劃的科學編制。

圖5 土地儲備智能決策模型集Fig.5 Land reserve intelligent decision model set

3.2.4 GIS技術

時空大數據的兩個重要特點是同時具備空間位置和時間屬性[26]，而GIS技術具有強大的空間數據管理能力、空間分析能力以及基于地圖的可視化能力，能夠為時空大數據的管理和分析提供技術手段和展示平臺。目前，隨著計算機的快速發展，GIS技術正逐漸滲透到各個領域，尤其在國土規劃方面已經展開了大量應用。本文利用GIS空間分析能力對多源時空數據進行挖掘分析，如揭示常住人口空間分布及地塊周邊區位條件狀況，并以GeoServer、Arcgis for server等地圖服務引擎進行空間數據渲染、地圖發布，將空間分析結果展示給用戶，提供空間特征專題服務。

4 應用實例—寧波市土地儲備智能決策支持平臺

為了驗證本文決策體系的科學性與可行性，選擇寧波市6區作為研究范圍，依托寧波市積累的大量土地儲備案例、規劃數據及基礎地理信息，根據其具體業務開展流程，設計了土地儲備智能決策體系，并采用SOA架構設計搭建了土地儲備智能決策支持平臺（圖6（a）），系統集成各項管理與決策支持功能。用戶通過平臺可以實現對數據資源的統一管理，對現狀條件的量化分析，獲取智能決策模型結果作為決策依據，以科學制定土地儲備計劃。

在智能決策專題模塊，用戶可以實現各環節的科學高效決策，包括存量低效地塊監測、土地收儲成本、出讓價格預測、收儲規模和時機預測、開發時序與相似性分析及病態地塊識別。如圖6（b）為居住用地利用效率分布圖，在此基礎上選出低效閑置的存量建設用地（圖6（c））進行優先收儲。

圖6 應用實例Fig.6 Application example

5 結論與討論

本文以土地儲備具體內容及流程為重要依據，從土地儲備科學決策需求出發，以多源時空大數據為基礎，遵循科學性、實用性、先進性及開放性原則，設計了土地儲備智能決策體系，針對土地儲備的每一環節進行功能設計，并集成到土地儲備智能決策支持平臺，實現多源時空大數據共享，發展現狀精準刻畫，儲備環節智能決策，為土地儲備各環節提供科學決策服務。在此基礎上，設計了土地儲備智能決策體系技術架構，并重點研究了基于Hadoop/Spark的大數據處理技術、多源時空大數據融合技術、智能決策模型集。解決了海量數據存儲和計算的高性能要求問題，并實現對集群資源、決策模型、用戶任務信息化集中管理；并在此基礎上，對多源異構數據進行抽取、轉換和清洗等處理，將多源時空數據融合集成，構建了土地儲備專題數據倉庫，提供數據支撐；進而利用人工智能、時空分析等技術方法，構建了智能決策模型集，設計了土地儲備智能決策專題模塊，針對各環節提供科學決策信息，輔助土地管理部門和做地主體制定各項儲備計劃，以進一步指導實踐。在以上體系及技術的研究基礎上，為驗證其科學性及可行性，應用于寧波市進行實例驗證。結果表明，本文土地儲備智能決策體系的研究為土地儲備工作的科學開展提供了決策支持，提高了土地儲備的科學性和運作效率，對促進土地資源的科學運營與優化配置，合理利用有限的土地資源具有一定意義。

通過本文研究可以發現，土地儲備智能決策體系本身具有一定的復雜性和困難度，因此，未來還有一些工作可以進一步開展，主要有以下幾個方面：（1）提高決策模型結果的準確性。模型結果的準確性對土地儲備決策與計劃的制定至關重要，是下一步研究的重點優化內容，如存量用地監測模型中的低效用地評價，可以考慮進一步進行關聯要素分析，完善土地利用效率評價指標體系，其關聯度也將指導權重的確定；收儲成本與出讓價格預測模型應進行精度驗證，以已收儲的地塊作為驗證依據，進而不斷優化模型預測精度；開發時序分析模型是本文提出的核心模型之一，目前研究較少，其具有一定復雜性，主要體現在因時序的不同，評價指標定量化結果會跟隨動態變化，結果也會千差萬別；還有一些零星地塊的高精度抓取等。（2）智能決策體系應用需要“因地制宜”。雖然自然資源部在2018年頒發了新修版《土地儲備管理辦法》，但是各地方經濟狀況、社會背景存在較大差異，其開展模式并不統一。雖然本文提出的決策體系是建立在統一的土地儲備框架下，但還是需要進一步結合自身的業務需求來拓展應用，如構建新的評價指標、決策模型等。不過體系具有開放性、易拓展的特點，可以實現體系應用上“因地制宜”。