GIS在土地調查中的應用研究

褚喆 毛川

摘要：隨著測繪技術的發展，地理空間數據的分辨率和精度越來越高，數據的覆蓋范圍和數據量也越來越大，全國范圍內各種類型、各種用途的地理空間數據已達到海量規模，對空間數據進行高效率和高可靠性的數據更新的需求越來越迫切，在數據更新或數據融合過程中通常需要判斷圖斑之間的相似性。另外，在變更調查信息套合、違法用地分析等國土業務中，也需要判斷圖斑之間的相似性從而判斷地塊是否變化、審批是否合法等。目前已有的圖斑相似性度量方法存在人為干預多、準確率低、效率慢等問題，無法滿足相關業務管理部門對海量矢量圖斑相似性比對的需求，因此研究如何快速準確有效地計算海量矢量圖斑數據之間的相似性程度具有重要意義。該文以海量矢量圖斑的相似性快速準確度量為出發點，提出基于一種混合索引模型的候選匹配集快速獲取方法和一種基于CDB直方圖的矢量圖斑相似性快速準確度量方法，具有一定的創新性。

關鍵詞：地理空間數據?測繪技術?制圖方法?應用研究

中圖分類號：P228.4?????文獻標識碼：A

Research?on?the?Application?of?GIS?in?Land?Survey

CHU?Zhe??MAO?Chuan

（Henan?College?of?Surveying?and?Mapping，?Zhengzhou，?Henan?Province，?450015?China）

Abstract：?With?the?development?of?surveying?and?mapping?technology，?the?resolution?and?accuracy?of?geo-spatial?data?are?getting?higher?and?higher，?and?the?coverage?and?volume?of?data?are?getting?larger?and?larger.?Geo-spatial?data?of?various?types?and?purposes?nationwide?have?reached?a?massive?scale，?and?the?demand?for?efficient?and?reliable?data?update?of?spatial?data?is?becoming?more?and?more?urgent.?It?is?usually?necessary?to?judge?the?similarity?between?patches?in?the?process?of?data?update?or?data?fusion，?and?in?addition，?in?the?land?business?such?as?the?registration?of?change?survey?information?and?analysis?of?illegal?land，?it?is?also?necessary?to?judge?the?similarity?between?patches?to?determine?whether?the?land?plot?has?changed?and?whether?the?approval?is?legal.?At?present，?the?existing?methods?for?measuring?the?similarity?of?patches?have?many?problems?such?as?human?intervention，?low?accuracy?rate?and?slow?efficiency，?which?cannot?meet?the?needs?of?relevant?business?management?departments?for?the?comparison?of?the?similarity?of?massive?vector?patches，?so?it?is?of?great?significance?to?study?how?to?calculate?quickly，?accurately?and?effectively?the?similarity?degree?of?massive?vector?patch?date.?This?paper?takes?the?rapid?and?accurate?measurement?of?the?similarity?of?massive?vector?patches?as?the?starting?point，?and?proposes?a?method?for?the?rapid?acquisition?of?candidate?matching?sets?based?on?a?hybrid?index?model?and?a?method?for?the?rapid?and?accurate?measurement?of?the?similarity?of?vector?patches?based?on?the?CDB?histogram，?which?are?innovative.

Key?Words：?Geo-spatial?data;?Surveying?and?mapping?technology;?Mapping?method;?Application?research

在第一次、第二次、第三次全國土地調查等國土調查任務中，由于測繪技術的發展和進步、遙感影像分辨率和質量的提高，使基礎地理數據的精度越來越高，數據尺度和覆蓋范圍的不斷加大，數據量也越來越大。如何正確識別不一致圖斑，判斷圖斑之間的相似性，正確處理不一致圖斑的幾何、屬性等信息數據，對保證融合數據的質量和精度具有重要作用。在土地利用變更調查中，新增建設用地、新增耕地信息套合、耕地占補平衡考核以及違法用地分析等專項業務數據處理工作中都需要判斷矢量圖斑之間的相似性，對不同數據集中同一位置的圖斑進行一致性檢查，及時發現不一致圖斑，為土地利用變更、違法用地分析等分析判斷提供技術支持。以二調數據庫為例，全國范圍內一般地區縣市的土地利用現狀圖斑個數可以達到幾萬個，部分地區達到幾十萬個，全國范圍內兩千多縣市的土地利用現狀圖斑總數量級約為108，更有海量的其他類型和用途的矢量圖斑數據。因此，如何快速、準確、有效地計算海量矢量圖斑數據之間的相似性程度具有重要意義。

1基于混合索引的候選匹配集快速獲取方法

1.1混合索引模型設計

常用空間數據索引中，格網索引算法相對簡單且擴展性好，但實際應用時不好控制格網大小，格網過大可能導致落入某一網格內的空間數據過多，格網過小會導致索引表過大，降低檢索效率；四叉樹索引可以保證格網內的數據不超過指定的范圍，但樹深度隨空間數據量增大而增大，從而影響數據檢索效率，且當數據新增、刪除、更新時需要調整相關節點索引，靈活性較差；R樹索引的樹結構深度平衡，但由于有節點重疊而導致多路徑查詢，影響查詢效率，R+樹雖然避免了節點間的重疊，但數據動態變化時的索引性能略低。綜上所述，應用目前常用的空間索引對海量空間數據檢索的效率有待進一步提高。該節綜合不同空間索引的優勢，提出一種結合行政區索引、粗分格網索引以及R樹索引的混合索引模型，以提高海量基礎地理信息數據的檢索效率。利用粗分格網索引快速定位圖斑所在區域，縮小圖斑檢索范圍，同時避免因格網太小導致索引空間過大的問題；對每一個格網內的圖斑建立R樹索引降低單個R樹的深度、提高檢索性能，快速查詢空間對象；利用數據所屬行政區字段索引進一步縮小圖斑檢索范圍，提高檢索效率。首先對圖斑數據集屬性中所屬行政區字段建立行政區索引，其次采用較大間隔在數據集四至范圍內建立粗分格網，將粗分格網與數據集的相交結果存儲為粗分格網索引，最后對完全落入同一個粗分格網內的圖斑建立單獨的R樹索引，以減少單樹的節點數量[1]。具體如圖1所示。

1.2?基于混合索引模型的數據檢索方法

基于以上行政區索引、粗分格網索引和?R?樹索引的混合索引模型，對兩矢量圖斑數據集進行相交查詢，快速獲取候選匹配集，獲取流程如圖2所示。

假設t為待比較數據集T中的一個圖斑，S為基礎數據集。圖斑t與S中圖斑的相似性計算步驟如下：首先，由粗分?格網索引的劃分方法計算圖斑t的MBR所在的格網集合G，即分別計算圖斑t的MBR的左上角和右下角兩個頂點所在的格?網編號X1Y1以及X2Y2，則格網集合G={NM|X1≤N≤X2，Y1≤M≤Y2}，如左上角頂點所在格網編號為00右下角所在格網?編號為21，在格網集合G={00，01，10，11，20，21}。然后，遍歷格網集合G，若格網中存在無R樹根節點的圖斑，?即跨格網的圖斑，則依據行政區索引判斷圖斑t是否與該圖斑所屬行政區一致，若一致則進行MBR及精確相交判斷，將相交圖斑納入候選匹配集H，若不一致則判斷下一個無R樹根節點的圖斑；最后，從每一個格網指向的R樹根節點開始，判斷節點的MBR與圖斑t的MBR之間的空間關系，若相交且該節點不是葉子節點，則依次向子節點逐級判斷；若節點是葉子節點，將其匹配行政區索引，所屬行政區相同則進行精確相交判斷，相交則納入候選匹配集H；所屬行政區不同或不相交，則進行兄弟節點的判斷；直到遍歷集合G結束，最終得到候選匹配集H。

1.3?候選匹配集快速獲取實驗

在GIS中，空間數據庫是管理各種空間數據的關鍵技術支撐，包括數據存儲和檢索等。目前，Oracle、SQLServer、PostgreSQL等常用數據庫都可以支持空間數據存儲。其中PostgreSQL是一款開源對象關系型數據庫，由于其開源免費、源碼規范清晰、功能強大、跨平臺等特點而應用廣泛，PostGIS是對PostgreSQL數據庫的空間拓展插件，提供各種空間操作函數、索引等功能。PostgreSQL內置的GiST（通用搜索樹）索引可以實現任意的搜索模式，PostGIS在GiST的基礎上實現了R樹空間索引，以下簡稱為GiST索引。該節選用PostgreSQL/PostGIS存儲和檢索空間數據，利用3個縣的土地利用現狀數據以及基本農田圖斑數據對混合索引模型的檢索效率進行實驗測試，并與GiST索引以及ArcGIS的格網索引進行對比分析。土地利用現狀數據和基本農田數據是新增耕地、新增建設用地比對核查、違法用地分析等業務的重要數據源，在這些業務中需要進行圖斑相似性比較。該研究由項目支撐，收集3個縣的不同年度土地利用現狀圖斑數據和基本農田圖斑數據作為實驗數據，對比數據集之間圖斑的形狀相似性可以快速、有效地發現土地利用的變化情況。實驗數據的地區包含多種地形地貌，簡單圖斑與復雜圖斑并存，平均圖斑面積差異大，具有一定的代表性。實驗數據具體情況如下。

（1）縣1，南北跨78?km，東西長71?km，2013年行政區面積2?732.77?km2，區域內地形地貌復雜，地勢東南高、西北低，有山地、丘陵、平原、洼地等；如圖3所示，2013年土地利用現狀數據圖斑個數為55?521個，2012年基本農田數據圖斑個數為14?387個，土地利用現狀數據最大圖斑面積30.64?km2，最小圖斑面積2.71?m2，平均圖斑面積0.05?km2。（2）縣2，南北長74?km，東西寬79?km，2013年行政區面積?2?859.55?km2，區域內地形復雜，西南多為山地，東部地勢低緩，海拔差達1?000多m；2013年土地利用現狀數據圖斑個數為50?434個，2012年基本農田數據圖斑個數為18?829個，?土地利用現狀數據最大圖斑面積26.58?km2，最小圖斑面積2.08?m2，平均圖斑面積0.06?km2。（3）縣3，南北長44?km，東西長30?km，2013年行政區面積744.68?km2，地勢平緩，以平原和丘陵為主；2013年土地利用現狀數據圖斑個數為189?340個，2012年基本農田數據圖斑個數為39?493?個，土地利用現狀數據最大圖斑面積41.70?km2，最小圖斑面積0.12?m2，平均圖斑面積0.004?km2，區域內圖斑個數多，圖斑平均面積偏小[2]。

2?基于CDB直方圖的圖斑相似性快速度量方法

2.1?基于CDB直方圖的圖斑相似性快速度量方法

基于F直方圖的圖斑幾何形狀相似性度量方法基于F直方圖的圖斑幾何形狀相似性度量方法的原理是計算圖斑與其主軸上參考點之間在360°方向上的作用力強度，用F直方圖的形式來刻畫圖斑的幾何形狀，通過歸一化和中值濾?波減少噪聲，然后利用歐氏距離度量圖斑特征向量間的相似程度。其中F直方圖用來描述兩個空間對象之間的空?間方向關系，兩個空間對象A、B間的F直方圖計算公式如式該方法的計算流程是：首先計算圖斑的質心坐標，然后計算圖斑協方差矩陣，得到特征值和特征向量，以此確定圖斑主軸方向，再計算以質心為圓心的圖斑最小外接圓，以主軸與圖斑最小外接圓的兩個交點作為參考點，分別計算兩個參考點與圖斑構成的F直方圖，合并兩個F直方圖并進行歸一化和濾波后得到最終的圖斑F直方圖，如圖3所示。

通過計算兩個圖斑F直方圖間的歐氏距離，?得到兩個圖斑的相似性度量結果。?歐氏距離值越小，兩個F直方圖之間的特征相似度越大，歐氏距離值越大，兩個F直方圖之間的特征相似度越小[3]。基于F直方圖的圖斑幾何形狀相似?性度量方法具有仿射不變性，即平移、旋轉、縮放前后的圖斑F直方圖無明顯變化。該方法的建議相似性判斷閾值為1，即當兩圖斑相似度值小于或等于1時，判斷兩圖斑基本相似；當兩圖斑相似度值大于1時，判斷兩圖斑不相似[4]。

2.2?基于CDB直方圖的圖斑相似性快速度量方法

CDB直方圖原理基于F直方圖的圖斑相似性度量方法需要計算圖斑主軸、圖斑外接圓、主軸參考點以及對F直方圖?進行歸一化濾波等計算，計算量偏大，難以滿足海量圖斑的相似性快速計算需求。由于在變更調查信息套合、違法?用地分析等自然資源監管工作中，主要是計算不同地理數據集或不同年度的同一類型地理數據集中的同一地理位置?的圖斑相似性，可以不考慮因數據集比例尺和投影等的不同導致的圖斑縮放、旋轉、平移等情況，將形狀、大小等?發生變化的圖斑認定為不一致圖斑。因此，研究改進基于F直方圖的圖斑幾何形狀相似性度量方法，結合基于空間數據?幾何圖形相似度模型（SDSM）的特點，提出一種基于質心射線距離直方圖（Histogram?of?Centroid?Distance?to?Boundary，CDB-Histogram）的圖斑相似性度量方法：即以圖斑質心為起點，沿固定間隔旋轉角的射線方向到圖斑輪廓的距離直方圖代替F直方圖，歸一化兩圖斑的CDB直方圖間的歐氏距離作為圖斑相似度值，以減少計算量，提高計算速度，實現相似性快速度量[5]。CDB直方圖計算原理如圖4所示。

首先計算圖斑的質心坐標O（X，Y），如圖5所圖所示，以圖斑質心O為起點計算360°內以固定角a為間隔的質心射線集合R={R1…Rn}，其中n=360/a，射線Ri的方向角為θi=i-1a，其中i從1～n；然后分別計算質心射線Ri與?圖斑輪廓的交點得到集合P={P1…Pn}最后分別計算每一個交點Ri?（XSi，YSi）與質心O的距離得到集合L={L1…Ln}，由集合L組成CDB直方圖。具體情況如圖5所示。

式（1）、式（2）中，a為圖斑的質心射線間隔角，、分別為圖斑A和圖斑B的質心沿其第條射線方向到圖斑輪廓的距離。由式（2）可知，當圖斑A與圖斑B的形狀一致時，圖斑A與圖斑B的質心射線到圖斑輪廓的距離值均相等，其CDB直方圖間的歐氏距離，圖斑相似度值；（2）圖斑A與圖斑B的形狀差異越小，其CDB直方圖間的歐氏距離越接近于0，相似度值越接近于1；圖斑A與圖斑B的形狀差異越大，其CDB直方圖間的歐氏距離越大，相似度值越小，當無限大時，相似度值無限趨近于0。對二維圖斑來說，圖斑質心與重心重合，CDB直方圖法與SDSM法相比，都利用了質心（重心）到圖斑輪廓的距離這一指標，CDB直方圖法是將質心到輪廓距離的差異值的歐氏距離的歸一化值作為相似度值，但SDSM法是將1與歸一化重心到輪廓距離的差異值的差值作為相似度值，且需要參數調節差異距離的大小；CDB直方圖法與F直方圖法相比，都利用了歐氏距離計算圖斑相似性度，但F直方圖法是計算圖斑主?軸參考點到圖斑輪廓的歸一化距離的歐氏距離作為相似度值，且需要計算圖斑主軸、主軸參考點等。總體來說，CDB直方圖法兼具F直方圖法和SDSM法的優點，包括計算量偏小、不需要額外參數等[6]。

2.3?計算流程和方法對比分析

由以上實驗可以得出，圖斑間的CDB直方圖的相似度可以判斷出圖斑形狀相似和圖斑形狀不相似兩種情況，由CDB直方圖可以進一步判斷出形狀不相似圖斑中的縮放、旋轉圖斑，但不能有效識別形狀相似圖斑中的平移圖斑。因為平移圖斑間質心距離大于0，所以對于形狀相似圖斑，可以結合質心距離指標判斷圖斑是否似平移，以避免因圖斑?形狀相似但因所處位置不同等造成的相似性誤判的情況；對于形狀不相似圖斑，可以對CDB直方圖做平移以及比例分析，進而判斷圖斑是否似旋轉或者似縮放[7]。因此，提出CDB直方圖圖斑相似性快速度量方法計算流程：首先分別計算圖斑A和圖斑B的質心坐標OA（XA，YA）、OB（XB，YB）；其次分別計算以質心OA、OB為起點，按固定間隔角a在360°內的質心射線集合RA={RA1…RAn}和RB={RB1…RBn}，其中n=360/a；然后分別計算RA與圖斑A輪廓的交點得到集合PA={PA1…PAn}，RB與圖斑B輪廓的交點得到集合PB={PB1…PBn}，分別計算PA與質心OA的距離?得到集合LA={LA1…LAn}，PB與質心OB的距離得到集合LB={LB1…LBn}；最后計算集合。

以示例圖斑數據作為實驗數據，取射線間隔角等于12°為例，對比CDB直方圖、F直方圖及SDSM法圖斑相似性度量結果。從相似性度量結果來看：對于平移圖斑（a1/b1/c1/d1），SDSM法和CDB直方圖法計算的相似度?值均為1，F直方圖法計算的相似度值為0，表明圖斑形狀相似，即3種方法均可以將平移圖斑識別為相似圖斑；對于旋轉圖斑（a2/b2/c2/d2）和縮放圖斑（a3/b3/c3/d3），SDSM法和CDB直方圖法計算的相似度值較小（除圓形以外），可以識別旋轉和縮放圖斑為不相似圖斑，其中SDSM法計算的相似度值出現負值，表明調節差異距離的系數不太合理；F直方圖法計算的相似度值接近于0說明直方圖法不能有效識別旋轉和縮放圖斑；對于頂點偏移圖斑（a4/a5/a6/b4/b5/b6/c4/c5/c6/d4/d5/d6），頂點坐標偏移值越大，圖斑的相似性越差，SDSM法和CDB直方圖法計算的?相似度值越小，其中CDB直方圖法相似度值差異較為明顯，但SDSM法相似度值差異不明顯；F直方圖法計算的相似度?值則沒有明顯規律，不能直觀體現出偏移量的細微變化對相似度值的影響；對于形狀不一致圖斑（e1/e2/e3/e4/e5/e6），SDSM法計算的相似度接近于0或者小于0，CDB直方圖法計算的相似度值接近于0，表明圖斑形狀不相似，F直方圖法計算的相似度值均大于1，這3種方法均可以將識別形狀不相似圖斑；從計算效率來說，F直方圖法的相似度計?算平均耗時845.124?ms，SDSM法的計算平均耗時6.986?ms，而CDB直方圖法的計算平均耗時6.971?ms，可見CDB直方圖法?的計算效率最高[8]。

對比這3種方法計算圖斑相似度結果表明，F直方圖法不能有效識別平移、旋轉、縮放圖斑，SDSM法和CDB直方圖?法能夠識別旋轉和縮放圖斑，但無法有效識別平移圖斑；SDSM法和F直方圖法對圖斑形狀的微小差異不敏感，其中?SDSM法需要參數調節差異距離的大小，參數設置不合理時相似度值會出現負值，而CDB直方圖法能夠較為準確的識別?出圖斑形狀的微小差異，且不需要額外的計算參數，其計算效率也最高[9]。

3?海量矢量圖斑相似性快速度量系統

3.1系統功能需求分析

海量矢量圖斑相似性快速度量系統主要功能需求如下：（1）基礎數據管理以基礎地理數據的讀取以及導入導出為目標，開發基礎數據管理模塊，能夠導入導出基礎地理數據，瀏覽基礎地理數據的元數據、圖形以及屬性數據等[10]；（2）數據索引管理實現基于行政區索引、粗分格網索引以及R樹索引的混合索引算法，能夠創建、更新、刪除?空間數據的混合索引等；（3）矢量圖斑相似性快速度量基于CDB直方圖圖斑相似性快速度量方法，開發矢量圖斑相?似性快速度量模塊，在混合索引的基礎上快速獲取候選匹配集，采用并行計算的方式進行圖斑相似性計算，實現候?選匹配集中矢量圖斑的相似性快速度量[11]；（4）相似性度量結果查詢與分析能夠對矢量圖斑相似性度量結果進行查詢?和定位，分析相似圖斑的似平移、似旋轉、似縮放情況，查看矢量圖斑相似性度量結果等；（5）制圖與輸出能夠對矢量圖斑相似性度量結果制作專題圖，并導出專題圖。

3.2?主要系統架構功能設計

系統整體將采用?C/S?模式的?4?層體系結構進行設計和開發，包括基礎設施層、數據資。具體如圖6所示。

根據系統功能需求分析，設計系統的主要功能模塊如圖7所示。

3.3圖斑相似性度量計算流程設計，系統性能測試

系統中矢量圖斑相似性度量計算流程，具體過程如下。（1）數據入庫。分別將基礎數據集A和待比較數據集B導入數據庫。（2）候選匹配集快速提取。對兩個數據集建立基于行政區索引、粗分格網索引以及R樹索引的混合索引；然后依據混合索引，對兩數據集進行相交查詢，快速獲取候選匹配集。（3）并行管理[12]。根據設定的并發線程數量以及最大占用內存，利用C#線程池合理地分配和管理并發線程，以多線程的方式進行圖斑相似性并發計算。（4）矢量圖斑相似性快速計算。采用該文提出的基于CDB直方圖的圖斑相似性快速度量方法對候選匹配集進行圖斑相似性度量；利用并行計算提高計算效率，最后輸出保存相似性度量結果[13]。通過對比分析計算結果發現，當圖斑相似時，F直方圖法相似度值接近于0，SDSM法和CDB直方圖法相似度值接近于1；當圖斑不相似且圖斑輪廓差異較小時，F直方圖法相似度值仍接近于0，SDSM法相似度值仍接近于1，且差異不明顯，而CDB直方圖法相似度值與1的差異較為明顯，表明CDB直方圖法相似度值對圖斑輪廓差異較為敏感；當圖斑不相似且圖斑輪廓差異較大時，F直方圖法相似度值大于0，SDSM法相似度值小于1，CDB直方圖法相似度值則接近于0，與理論公式相符。分別以不同的相似度閾值對3個縣的CDB直方圖法圖斑相似度計算結果作出相似性判斷，從圖斑相似和圖斑不相似兩類中分別隨機抽取100個樣本，統計樣本的圖斑相似性度量結果的正確率，可以得出相似度閾值過大或過小都會降低CDB直方圖法10圖斑相似性度量結果的正確率，相似度閾值取0.80時正確率最高。響應時間測試，測試系統滿足在用戶進行任何操作的時候，系統反應的時間在?3?s以內。系統能夠監測出各種非正常情況，如無法連接數據庫服務器、數據異常等情況，避免出現長時間等待，以及請求無響應等情況[14]。可靠性測試，測試系統可以保證24?h不間斷可靠運行，正確提示相關正確或錯誤信息；系統支持數據的導入與導出，便于故障恢復；系統具有完備的日志記錄，方便系統維護以及管理人員分析系統的使用情況等。系統功能測試和性能測試結果表明系統各功能單元正常，系統能夠可靠、高效地運行[15]。

4?結語

快速、準確、有效地計算海量矢量圖斑之間的相似性可用于地圖數據精確融合、空間數據快速更新、國土資源動態監管等，對提高數據利用率、降低數據獲取成本、縮短數據獲取周期、不一致圖斑檢測、違法用地分析等具有重要意義。該文綜合不同索引的優點，研究了一種混合索引模型，通過該混合索引可以快速檢索空間數據，提高數據集相交查詢效率，快速獲取候選匹配集；提出了一種基于質心射線距離直方圖（CDB直方圖）的矢量圖斑相似性快速度量方法，通過計算矢量圖斑CDB直方圖和質心距離可以判斷兩圖斑是否相似以及是否似平移、似旋轉或者似縮放，實現矢量圖斑相似性快速準確度量；設計并研發了海量矢量圖斑相似性快速度量系統，利于研究成果的應用。通過該研究，以圖斑相似性快速準確度量為目標，提出了基于一種混合索引模型的候選匹配集快速獲取方法和基于CDB直方圖的矢量圖斑相似性快速度量方法，具有一定的創新性。

參考文獻

[1] 林鵬.傾斜攝影測量技術在不動產測繪中的應用[J].城鎮建設，2021（1）：377.[2] 薛東方.現代信息測繪新技術在工程測量中的應用改造對策研究[J].磚瓦世界，2021（4）：83，85.