基于深度學習的工業用地動態更新研究

王海君,高 雅

(江蘇省測繪研究所,江蘇 南京 210013)

0 引言

工業企業用地是實體經濟各項生產活動和實體經濟健康運行的重要載體,工業企業用地的精準高效配置是護航實體經濟,保障產業鏈、供應鏈安全穩定,創造高質量工業發展空間的重要途徑之一。工業用地的供應直接決定了產業鏈、供應鏈的現狀。中央經濟工作會議明確,要加快構建以國內大循環為主體、國內國際雙循環相互促進的新發展格局,要緊緊扭住供給側結構性改革這條主線,注重需求側管理,打通堵點,補齊短板,貫通生產、分配、流通、消費各環節,形成需求牽引供給、供給創造需求的更高水平動態平衡,提升國民經濟體系整體效能[1]。

促進工業經濟平穩增長,既是確保宏觀經濟穩定運行的重要抓手,也是提升產業鏈、供應鏈韌性和安全的重要基礎。工業企業用地調查是摸清工業企業用地現狀、掌握工業企業經濟增長勢頭、改革完善工業用地供應政策的有力手段,也是落實黨的二十大提出的構建新發展格局、著力推動高質量發展的總體要求和國家“十四五”規劃提出的深入實施制造強國戰略要求的重要舉措[1]。

按照相關政策要求,自2016年起全國各省市開始全面開展工業用地調查工作,取得了良好的調查成果,其應用也取得了不錯的經濟社會效益。

1 研究區現狀

江蘇既是一個經濟大省,又是一個資源小省,人口密度居全國首位(直轄市除外),人地矛盾十分尖銳。面對經濟總量高速增長、區域發展差異較大、發展空間持續約束、產業結構亟待轉型的多重壓力和嚴峻形勢,適應形態更高級、分工更復雜、結構更合理的經濟新常態發展階段高效率、低成本、可持續發展的本質要求,正確應對,及時轉型,主動調整資源要素配置方式,通過深化改革、創新機制、全面推進土地節約集約利用,已經勢在必行,迫在眉睫。

江蘇省自2016年起開展全省范圍工業用地調查,成為全國首個完成全省域工業用地調查的省份,此后工業用地調查更新成為一項常態化的工作。通過建立動態工業用地時空大數據數據庫,實現對土地資源要素配置效率和產出效益的動態監測評價,為工業用地績效評價、城鎮低效用地再開發、更好地發揮政府對土地資源要素配置的調控作用提供基礎數據和決策支撐[2]。

2 技術流程

工業用地調查更新工作是基于上年度工業企業用地更新調查成果基礎,結合最新的城鎮地籍調查成果、農村建設用地調查成果、供地數據庫、影像圖、工業企業信息、第三次國土調查成果和實地情況等,對行政轄區范圍內所有現狀工業企業用地的利用狀況、用地單位情況、投入產出及能耗進行全面摸底調查及年度工業企業用地更新調查工作。具體的實現流程如下。

2.1 數據準備

工業用地調查更新是在已有數據的基礎上進行的(見圖1),前期數據包括從自然資源部門收集調查年度土地利用現狀圖、高分影像圖、供地數據庫、城鎮地籍數據、農村建設用地調查數據、集體建設用地使用權調查數據、地形圖數據、土地儲備規劃數據、土地登記發證資料(不動產統一登記數據庫)、不動產抵押資料等;從發展改革、工業和信息化、財政、稅務、統計、生態環境、市場監管、社會保障、電力、自來水、燃氣等部門收集工業企業名錄及企業投入產出、用工、能耗等基礎資料。

圖1 數據調查更新流程

前期數據因為數據來源多樣化、數據類型豐富,需要對數據進行統一的預處理,包括數據的匯集、清洗、處理、入庫。首先,進行數據統一格式處理,如將CAD中的dwg格式轉化為shp格式,并建立拓撲關系進行合并、接邊;其次,進行一致性處理,統一空間基準,統一采用2000國家大地坐標系、1985國家高程基準,統一數據結構,方便進行數據對比分析;最后,進行數據空間序化處理,依托地名地址匹配引擎,對數據賦予空間屬性[3],具體操作如圖2所示。

圖2 數據預處理流程

2.2 數據處理

數據處理打破原有人工核查的弊端,采用遙感影像深度學習解譯技術,利用高分影像,自動建設用地分類,減少人工處理工作量,降低數據更新成本,具體實現如下。

(1)樣本庫建立。利用多期高分影像、疊加年度土地利用現狀圖、已有工業用地數據等,建立樣本圖庫(見圖3)。為了避免因為季節等變化對影像解譯的影響,樣本庫建立的過程中包含各時期的樣本,同時對樣本進行空間化處理,與前期數據統一基準[4-6]。

圖3 數據處理流程

(2)模型建立。①基于PyTorch框架,利用Transformer網絡模型建立遙感影像自動解譯系統,利用已建立的樣本庫進行模型訓練和測試,根據結果不斷地進行參數調整,并對結果進行降噪處理,提高結果精度[5];②將解譯結果與整合的基礎數據進行疊加分析,按照規范要求設置誤差允許范圍,將在范圍內的數據存儲到更新庫中,將誤差允許范圍外、基礎圖庫、解譯庫中僅一方有的數據存儲到問題數據庫中,后續進行人工核查處理(見圖3)。

(3)Transformer網絡模型主要包含輸入、編碼塊、解碼塊、輸出四部分(見圖4),其中輸入主要包含詞向量以及位置編碼向量兩部分,在影像解譯中主要就是樣本庫中的樣本數據以及待預測數據;編碼塊包含多個Self-Attention(SA)層和Feed Forward Neural Network(FFN)層,SA層通常采用多頭注意機制(Multi-Head Attention),將輸入向量跟多組權重矩陣相乘,計算結果分別進行殘連接和歸一化處理,經過FFN層進行線性變換,最后輸出結果;解碼塊主要包含兩個Multi-Head Attention 層,第1個 Multi-Head Attention 層采用 Masked 操作,第2個 Multi-Head Attention 層的K、V矩陣使用編碼層的編碼信息矩陣進行計算,而Q使用上一個編碼塊的輸出計算,計算結果通過FNN轉化后輸出;輸出通過Softmax層進行預測,就是影像解譯后的結果。

圖4 Transformer網絡模型原理

(4)將問題庫的數據與多期影像數據進行人工比對,確認是工業用地的數據存儲到更新庫中,刪除非工業用地數據,標記有疑問數據。

(5)外業調查人員將標記的疑問數據進行人工核查,并將其中的工業用地數據存儲到更新庫。

2.3 數據質檢與入庫

數據質檢采用抽查方式,從更新庫中抽取10%進行質量檢查,通過抽檢數據與影像數據比對進行判斷,抽檢合格后,將數據按照要求進行屬性完善,并將其按照導則格式要求整理入庫。

3 應用效果

基于深度學習的工業用地動態更新技術在2021年江蘇省工業用地數據更新中進行應用實驗,具體過程如下:

(1)樣本選取。選取江蘇省某縣級市600 km2的區域作為研究區,為了建立適配四季的樣本庫,選取2020年2月、5月、8月、11月4個月精度0.3 m分辨率的高分影像,樣例尺寸為256×256,結合2020年的工業用地數據進行樣本構建,共選取9 000個樣本[7]。

(2)樣本訓練。本次采用7∶2的比例進行訓練和驗證,設置模型迭代次數最大值為2 000。經驗證,當模型迭代次數為1 520時,數據交并比最高,達到85%以上。

(3)利用該實驗區域2021年的影像進行工業用地提取,迭代次數采用模擬訓練的最佳值,將柵格數據轉化為矢量數據,總用時為45 min。與2021年最新調查成果進行比對,該區域2021年工業用地地塊1 678塊,自動提取地塊為1 582塊,交并比為83%。

4 結語

該技術路線是綜合工業用地調查技術流程與目前研究比較成熟的遙感影像解譯技術、多源異構地理空間數據集成整合技術、分布式計算與存儲技術等的基礎上實現的,其效率比人工提高50%以上,不僅縮減項目工期,還節省了人力物力,實驗證明該方法可以在常態化工業用地調查項目中推廣使用。