山東省國土空間總體規劃基數轉換方法研究

曹芳潔 邱蕓 李純 王淵潔 姚雙燕

摘要 隨著各級國土空間規劃編制工作的有序推進，對第三次全國國土調查數據等現狀數據準確性的要求愈發嚴格。《關于開展國土空間規劃“一張圖”建設和現狀評估工作的通知》中也明確指出，國土空間規劃“一張圖”建設三大步驟的第1步就是“統一形成一張底圖”，這張底圖是以第三次全國國土調查成果為基礎，整合規劃編制所需的空間關聯現狀數據和信息，形成坐標一致、邊界吻合、上下貫通的一張底圖。按照中央和相關部委的要求，第三次全國國土調查的成果數據作為國土空間規劃編制的基礎數據，由于二者分類存在差異，因此需按對第三次全國國土調查的成果數據進行分類處理轉換。以濱州市博興縣為例，結合國土空間總體規劃基數轉換實踐，在梳理第三次全國國土調查工作分類與規劃用途分類對應關系的基礎上，依托大數據、機器學習等方法，提出了一套可復用、自動化程度高的基數轉換方法。

關鍵詞 國土空間規劃;第三次全國國土調查;基數轉換;大數據;機器學習

中圖分類號 F301.2文獻標識碼 A

文章編號 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 曹芳潔（1993—），女，山東濟南人，工程師，碩士，從事時空數據挖掘與分析研究。*通信作者，高級工程師，從事國土空間規劃及相關信息化應用、城市設計研究。

收稿日期 2020-08-26

黨的十八屆五中全會以來， “多規合一”的進程不斷推進，隨著自然資源主管部門機構改革方案的落地實施，提升空間治理能力成為新時期亟待解決的重要問題[1]。國家職能部門整合后，國土空間規劃在用地分類體系和制度方面的沖突尚未理順，特別是用地分類標準與用途管制之間的沖突[2]。國土資源的開發利用對于國民經濟增長和社會保障等具有深遠的影響，全國國土調查工作為政府職能部門掌握該地區的土地使用狀況和分布情況提供了有利條件。新時期國土空間規劃背景下，國土空間規劃現狀用地作為規劃重要的基礎數據，對城市發展與建設有重要意義。雖然第三次全國國土調查（以下簡稱“三調”）的精度相較于第二次全國土地調查有了較大改善，但由于調查方式普遍為目視解譯，因而仍存在一定的誤差[3]。然而，“三調” 數據作為規劃工作重要基礎數據，其工作分類無法與規劃用途分類直接對應，且存在用地類型與土地整治、用地批復等審批管理數據不符的矛盾圖斑，大大增加了規劃工作在基礎數據獲取與整理上的重復性工作;同時，規劃實施監測與評估、建設用地增長指標核算等工作的準確性很大程度上依賴于基礎數據的準確性。因此，迫切需要一種國土空間總體規劃基數轉換方法，來支撐國土空間規劃編制、管理和評估工作的開展[4]。近年來，信息通信技術的進步與普及為定量城市研究提供了大量新的數據來源，構成了了解城市系統運行規律的重要基礎[5-6]。同時，隨著計算機科學技術的不斷發展，機器學習、人工智能在眾多領域取得了巨大的成功，也為空間規劃工作提供了新的技術手段[7]。鑒于此，筆者在對“三調”工作分類與規劃用途分類對應關系的梳理基礎上，依托大數據、機器學習等方法，提出了一套可復用、自動化程度高的基數轉換方法。

1 研究綜述

近年來，隨著定位與通信技術的不斷發展，產生了大量例如興趣點（Point of Interest，以下簡稱“POI”）、手機信令、交通軌跡等帶有地理位置信息的數據[8-9]，已有學者嘗試將其應用于社會安全管理、交通以及城市規劃等領域[10-18]。例如，龍瀛等[19]利用北京的公交刷卡數據分析職住關系;Jiang等[20]采用出租車GPS軌跡，分析人們的出行特征;Sagl等[21]利用位置大數據識別人群活動特征，從而探究城市空間結構和時空變化特點;鈕心毅等[22]利用手機信令數據獲取城市之間的人口流動，測算城市聯系度，進而測度城鎮體系等級結構;潘蘭平等[23]提出了利用手機信令分析超大城市職住平衡的方法，并納入法定空間規劃體系。

由于大數據具備數據量大、速度快、模態多樣、可視化等特點，傳統計算方法難以滿足其量化分析的需求，機器學習可以使計算機在海量數據中探索數據的特征及規律，模擬人類的學習行為挖掘潛在信息[24]，為大數據分析提供了技術保障。其中，深度學習技術是機器學習掀起的一個浪潮[25]，它能夠通過構建多層次的網絡結構，在挖掘數據間關系的基礎上建立分類器，從而提取圖像的高層語義信息，在眾多領域，特別是在目標檢測中得到了良好的應用[26]，如Girshick等[27]提出的R-CNN。在目標檢測領域取得了突破，先后出現了SDD[28]、YOLO[29]、SPP-NET[30]、Fast R-CNN[31]、Faster R-CNN[32]等算法，上述算法都是把傳統的計算機視覺領域和深度學習相結合且取得了良好的效能。

2 基數轉換方法

2.1 技術路線

國土空間總體規劃基數轉換工作流程包括建立“三調”工作分類與規劃用途分類的銜接關系、規劃用途分類轉換、成果建庫與基數轉換成果審查4個環節（圖1）。

2.1.1 建立“三調”工作分類與規劃用途分類的銜接關系。

依據《山東省國土空間規劃用地、用海、用島分類指南（試行）》中附錄G（山東省國土空間規劃用地、用海、用島分類指南（試行）與《第三次全國國土調查工作分類》對照表），梳理“三調”工作分類與規劃用途分類之間對應關系，將地類對應關系分為4類：一對一型、多對一型、一對多型、無對應型。針對不同地類對應關系采取不同方法進行基數轉換，一對一型、多對一型進行直接轉換;“一對多型”無法直接轉換，需要借助衛星遙感影像、POI數據、城鄉用地監測數據、地形圖等輔助數據，并通過外業補充調查進行細化;“無對應型”中，海域利用現狀數據依據海島岸線調查中的潮間帶數據確定，島上用地地類依據地理國情普查的地表覆蓋數據（LCA）確定。

2.1.2 規劃用途分類轉換。

針對地類明顯與實際不符的地塊，總結基數轉換方法，概括用途分類轉換類型包含以下6類：①規劃基期年以前已驗收的土地開發、復墾、整理地塊（如增減掛鉤項目的拆舊、復墾、安置、建新），但在“三調”數據中仍為驗收前地類;②規劃基期年以前已辦理農轉用審批手續、海域使用權審批手續或擁有土地使用權證，但農轉用審批文件、海域使用權證或土地使用權證上所載地類與“三調”數據不一致的;③規劃基期年以前批而未用的土地（包括批而未供、供而未用，如因低效用地二次開發、原拆原建或集體土地預征等原因以先行拆除的土地），土地已征用，有完整合法用地手續，但“三調”中將其調查為農用地或未利用地的;④“三調”數據中的建設用地中地類明顯與實際不符的;⑤現狀城鎮建設范圍內綠地與廣場用地，“三調”調查為林

地;⑥現狀城鄉建設范圍內的河流、湖泊水面，“三調”中調查為綠地與廣場用地。針對不同轉換類型，收集不同的批地文件、矢量數據等證明材料，并進行地類轉換（表1、圖2）。

2.1.3 成果建庫。

依據《山東省國土空間總體規劃基數轉換技術指南（征求意見稿）》對規劃基數成果的要求整理規劃基數成果。①數學基礎（與“三調”數據相同）：滿足國家、山東省相關政策文件中對于數學基礎方面的要求，采用1985

國家高程基準、高斯-克呂格投影分帶、2000國家大地坐標

系;②要素圖層：行政區、基期現狀用地、歸并細化類轉換、管理數據類轉換、糾正類轉換等圖層;③基數轉換成果組成部分及目錄結構（圖3）。

2.1.4 基數轉換成果審查。該階段工作內容包含基數轉換成果的規范性審查和基數轉換成果的內容審查2部分內容。①基數轉換成果的規范性審查：基數轉換成果目錄結構、基數轉換表格成果填寫、基數轉換數據庫構建以及基數轉換附組織;②基數轉換成果的內容審查：成果完整性審查、過程合理性審查和數據邏輯一致性審查。

2.2 關鍵技術

2.2.1 基于SVM分類算法的POI數據分類。

隨著通訊網絡與測繪科學技術的發展，移動設備提供的位置服務（LBS）產生了大量數據，在眾多領域中的應用優勢日益凸顯[33]。其中，POI泛指一切與人們生活密切相關的地理實體，如學校、醫院、商場、酒店等都可以抽象為POI[34]。該研究建立了一種完全利用POI數據進行規劃用途自動化分類的方法，首

先將POI數據分類與規劃用途分類進行初步銜接作為主題

類型分布，同時借助空間分布（用地圖斑）與公眾認知度計算其概率分布概率[35-37]，然后基于POI文本的主題分布，運用SVM分類算法[38]構建規劃用途分類模型（圖4）。

2.2.2 基于深度學習技術的遙感影像目標檢測。

深度學習技術能夠通過構建多層次的網絡結構，在挖掘數據間關系的基礎上建立分類器，從而提取圖像的高層語義信息，在眾多領域特別是在目標檢測中得到了良好的應用。該研究嘗試將Faster R-CNN目標檢測算法[41]應用于遙感影像目標分類中（圖5），對于“一對多型”中無法通過POI數據細化的地類圖斑進行規劃用途分類轉化，相對于傳統的人工判別效率有了明顯提升[42]。該研究基于卷積神經網絡思想，在深度學習框架下通過多線程迭代訓練，在卷積神經網絡中得到目標特征圖后，通過區域建議網絡RPN和RoIAlign池化操作將特征輸入不同分支，最后得到遙感圖像目標檢測模型。在城鎮與農村場景的遙感圖像中，該模型均可以同時檢測出多個類別的地類目標。

3 博興縣國土空間總體規劃基數轉換

3.1 研究區概況

博興縣位于魯北平原黃河下游南岸，與東營市、淄博市相鄰，總面積900.7 km.2，人口50.3萬，轄9個鎮、3個街道、1個省級經濟開發區（圖6）。2019年，全縣完成地區生產總值366.81億元。博興歷史悠久、文化燦爛，境內有眾多名勝古跡;博興區位優勢明顯，地處省會城市群經濟圈、山東半島城市群和環渤海經濟圈三大經濟區結合部，位于山東半島藍色經濟區和黃河三角洲高效生態經濟區兩大國家戰略的疊加開發區域。

博興縣農用地占土地總面積的70%以上，其中耕地占土

地總面積的50%以上，廣泛散布全縣;建設用地占土地總面積的20%以上，零星散布全縣，其中工礦用地占土地總面積的5%以上，農村宅基地占土地總面積的6%以上，交通用地占土地總面積的2%以上。

博興縣當前規劃期間處于城鎮化與工業化的高速發展階段，建設用地供需矛盾突出，從土地資源配置與集約化利用程度來看，長時間的粗放型經濟增長方式使得博興縣存在大量低效、分散、閑置的建設用地。同時，博興縣農村居民點存在“空心村”和一戶多宅現象，居民點用地管理粗放，挖掘力度有待增加。

3.2 轉換結果分析

3.2.1 直接轉換與地類歸并。

根據梳理的“三調”工作分類與規劃用途分類的銜接關系，該研究共計轉換71 911塊地類圖斑，由28類變為26類。試驗將直接轉換與地類歸并再次劃分為了3類，其中名稱轉換類5個、地類歸并類4個、直接對應類19個（圖7）。

3.2.2 借助機器學習模型細化用地分類。

完成直接轉換與歸并地類整理后，仍有6 786塊地類圖斑無法與規劃用途分類銜接，需要借助2.2中所述方法進行地類細化。需要細化的圖斑共計7類，分別為交通服務場站用地、公園與綠地、公用設施用地、商業服務設施用地、城鎮村道路用地、廣場用地和科教文衛用地，其空間分布除縣城與縣域東南部2塊集中外，其余圖斑零星分布于全縣。

3.2.3 基數轉換結果。

由于總體規劃基數僅用于市縣、鄉鎮總體規劃層面，故“三調”工作分類轉換至規劃用途分類大類或中類即可，試驗進行博興縣基數轉換，由“三調”工作分類 35類轉換為規劃用途分類 42類。對應2.1中的基數轉換類型，共計轉換地類面積1 028.05萬km.2。其中轉換類型A～F的轉換面積分別為91.04、626.45、28.23、2.90、279.42、0 km.2。

經過以博興縣為試點的國土空間規劃基數轉換，認為該研究所提出的方法能夠較好地實現空間數據轉換的流程化與自動化處理，有效保證了轉換成果的質量，避免了最終成果因質量問題出現大量返工的現象。但需要注意的有以下3點：①由于試點區域屬于縣級地區，雖然同時使用了高德地圖與新浪微博簽到2類POI數據源，但仍然難以實現POI類型與規劃用途完全對應以及在全域內完全覆蓋等問題，需要以人機交互的模式進行核查修正;②在建成區范圍外，各類建筑類型差距不大，不易通過遙感紋理特征進行規劃用途細化，因此進行遙感影像目標檢測后還需對上述類型的用地分類人工逐一核查修正;③在轉換過程中，發現輔助數據圖層存在多年數據，存在部分交叉，且不同用地類型數據間存在誤差，產生大量碎多邊形，應提前進行數據源精度驗證。

4 結語

該研究在對“三調”工作分類與規劃用途分類進行對應關系梳理的基礎上，依托大數據、機器學習等，提出了一套可復用、自動化程度高的基數轉換方法，推動了國土空間總體規劃基數轉換工作的高效推進。該研究以山東省博興縣為例，進行基數轉換工作方法驗證，為其他省市的國土空間總體規劃基數轉換工作提供借鑒經驗。

研究表明，基數轉換工作中對于農村與城鎮地區應分類摸清“數據家底”，建立“三調”工作分類與規劃用途分類的銜接關系。對于不同地區國土空間總體規劃基數轉換存在重復性工作，可以通過大數據與機器學習技術方式批量識別與處理，相較于傳統人工轉換的方法，工作效率和準確性都有提升。對于需要進行實地調研判斷用途的圖斑，可以借助低成本、易獲取的無人機遙感數據，進行補充工作。

參考文獻

[1] 司勁松.構建我國國土空間規劃體系的若干思考[J].宏觀經濟管理，2015（12）：14-17.

[2] 王開泳，陳田.新時代的國土空間規劃體系重建與制度環境改革[J].地理研究，2019，38（10）：2541-2551.

[3] 中華人民共和國自然資源部.第三次全國國土調查技術規程：TD/T 1055—2019[S].北京：中國標準出版社，2019.

[4] 陶英勝.新一輪城市總體規劃實施體檢評估機制研究[C]//中國城市規劃學會，重慶市人民政府.活力城鄉 美好人居——2019中國城市規劃年會論文集（14規劃實施與管理）.北京：中國建筑工業出版社，2019：359-369.

[5] 龍瀛，劉倫倫.新數據環境下定量城市研究的四個變革[J].國際城市規劃，2017，32（1）：64-73.

[6] 甘欣悅，龍瀛.新數據環境下的量化案例借鑒方法及其規劃設計應用[J].國際城市規劃，2018，33（6）：80-87.

[7] 李澤荃，楊曌，劉嶸，等.復雜網絡與機器學習融合的研究進展[J].計算機應用與軟件，2019，36（4）：10-28，62.

[8] 李清泉，李德仁.大數據GIS[J].武漢大學學報（信息科學版），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，張照生，劉鵬，等.大數據分析技術在新能源汽車行業的應用綜述：基于新能源汽車運行大數據[J].機械工程學報，2019，55（20）：3-16.

[11] 陸化普，孫智源，屈聞聰.大數據及其在城市智能交通系統中的應用綜述[J].交通運輸系統工程與信息，2015，15（5）：45-52.

[12] 費思源.大數據技術在配電網中的應用綜述[J].中國電機工程學報，2018，38（1）：85-96，345.

[13] 胡麗娟，刁贏龍，劉科研，等.基于大數據技術的配電網運行可靠性分析[J].電網技術，2017，41（1）：265-271.

[14] 常杪，馮雁，郭培坤，等.環境大數據概念、特征及在環境管理中的應用[J].中國環境管理，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] 熊麗君，袁明珠，吳建強.大數據技術在生態環境領域的應用綜述[J].生態環境學報，2019，28（12）：2454-2463.

[17] 于志剛，李源粒.大數據時代數據犯罪的制裁思路[J].中國社會科學，2014（10）：100-120，207.

[18] 胡志風.大數據在職務犯罪偵查模式轉型中的應用[J].國家檢察官學院學報，2016，24（4）：144-153，176.

[19] 龍瀛，張宇，崔承印.利用公交刷卡數據分析北京職住關系和通勤出行[J].地理學報，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] 鈕心毅，王垚，丁亮.利用手機信令數據測度城鎮體系的等級結構[J].規劃師，2017，33（1）：50-56.

[23] 潘蘭平，宋小冬，鈕心毅.大數據支持下的超大城市職住平衡研究[J].上海國土資源，2018，39（3）：83-86.

[24] 楊劍鋒，喬佩蕊，李永梅，等.機器學習分類問題及算法研究綜述[J].統計與決策，2019，35（6）：36-40.

[25] 郭麗麗，丁世飛.深度學習研究進展[J].計算機科學，2015，42（5）：28-33.

[26] 趙永強，饒元，董世鵬，等.深度學習目標檢測方法綜述[J].中國圖象圖形學報，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.基于時空位置大數據的公共疫情防控服務讓城市更智慧[J].武漢大學學報（信息科學版），2020，45（4）：475-487，556.

[34] 嚴瀟，咼維，樊亞新，等.融合空間計算的POI地理編碼方法[J].計算機應用研究，2016，33（9）：2652-2655.

[35] 趙衛鋒，李清泉，李必軍.利用城市POI數據提取分層地標[J].遙感學報，2011，15（5）：973-988.

[36] 池嬌，焦利民，董婷，等.基于POI數據的城市功能區定量識別及其可視化[J].測繪地理信息，2016，41（2）：68-73.

[37] 文聰聰，彭玲，楊麗娜，等.主題模型與SVM組合的小尺度街區用地分類方法[J].地球信息科學學報，2018，20（2）：167-175.

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

[39] 劉威，張東霞，王新迎，等.基于深度強化學習的電網緊急控制策略研究[J].中國電機工程學報，2018，38（1）：109-119，347.

[40] 吳峰，陳后金，姚暢，等.基于網格搜索的PCA-SVM道路交通標志識別[J].鐵道學報，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.