王海君,高 雅

(江蘇省測(cè)繪研究所,江蘇 南京 210013)

0 引言

工業(yè)企業(yè)用地是實(shí)體經(jīng)濟(jì)各項(xiàng)生產(chǎn)活動(dòng)和實(shí)體經(jīng)濟(jì)健康運(yùn)行的重要載體,工業(yè)企業(yè)用地的精準(zhǔn)高效配置是護(hù)航實(shí)體經(jīng)濟(jì),保障產(chǎn)業(yè)鏈、供應(yīng)鏈安全穩(wěn)定,創(chuàng)造高質(zhì)量工業(yè)發(fā)展空間的重要途徑之一。工業(yè)用地的供應(yīng)直接決定了產(chǎn)業(yè)鏈、供應(yīng)鏈的現(xiàn)狀。中央經(jīng)濟(jì)工作會(huì)議明確,要加快構(gòu)建以國(guó)內(nèi)大循環(huán)為主體、國(guó)內(nèi)國(guó)際雙循環(huán)相互促進(jìn)的新發(fā)展格局,要緊緊扭住供給側(cè)結(jié)構(gòu)性改革這條主線,注重需求側(cè)管理,打通堵點(diǎn),補(bǔ)齊短板,貫通生產(chǎn)、分配、流通、消費(fèi)各環(huán)節(jié),形成需求牽引供給、供給創(chuàng)造需求的更高水平動(dòng)態(tài)平衡,提升國(guó)民經(jīng)濟(jì)體系整體效能[1]。

促進(jìn)工業(yè)經(jīng)濟(jì)平穩(wěn)增長(zhǎng),既是確保宏觀經(jīng)濟(jì)穩(wěn)定運(yùn)行的重要抓手,也是提升產(chǎn)業(yè)鏈、供應(yīng)鏈韌性和安全的重要基礎(chǔ)。工業(yè)企業(yè)用地調(diào)查是摸清工業(yè)企業(yè)用地現(xiàn)狀、掌握工業(yè)企業(yè)經(jīng)濟(jì)增長(zhǎng)勢(shì)頭、改革完善工業(yè)用地供應(yīng)政策的有力手段,也是落實(shí)黨的二十大提出的構(gòu)建新發(fā)展格局、著力推動(dòng)高質(zhì)量發(fā)展的總體要求和國(guó)家“十四五”規(guī)劃提出的深入實(shí)施制造強(qiáng)國(guó)戰(zhàn)略要求的重要舉措[1]。

按照相關(guān)政策要求,自2016年起全國(guó)各省市開始全面開展工業(yè)用地調(diào)查工作,取得了良好的調(diào)查成果,其應(yīng)用也取得了不錯(cuò)的經(jīng)濟(jì)社會(huì)效益。

1 研究區(qū)現(xiàn)狀

江蘇既是一個(gè)經(jīng)濟(jì)大省,又是一個(gè)資源小省,人口密度居全國(guó)首位(直轄市除外),人地矛盾十分尖銳。面對(duì)經(jīng)濟(jì)總量高速增長(zhǎng)、區(qū)域發(fā)展差異較大、發(fā)展空間持續(xù)約束、產(chǎn)業(yè)結(jié)構(gòu)亟待轉(zhuǎn)型的多重壓力和嚴(yán)峻形勢(shì),適應(yīng)形態(tài)更高級(jí)、分工更復(fù)雜、結(jié)構(gòu)更合理的經(jīng)濟(jì)新常態(tài)發(fā)展階段高效率、低成本、可持續(xù)發(fā)展的本質(zhì)要求,正確應(yīng)對(duì),及時(shí)轉(zhuǎn)型,主動(dòng)調(diào)整資源要素配置方式,通過深化改革、創(chuàng)新機(jī)制、全面推進(jìn)土地節(jié)約集約利用,已經(jīng)勢(shì)在必行,迫在眉睫。

江蘇省自2016年起開展全省范圍工業(yè)用地調(diào)查,成為全國(guó)首個(gè)完成全省域工業(yè)用地調(diào)查的省份,此后工業(yè)用地調(diào)查更新成為一項(xiàng)常態(tài)化的工作。通過建立動(dòng)態(tài)工業(yè)用地時(shí)空大數(shù)據(jù)數(shù)據(jù)庫,實(shí)現(xiàn)對(duì)土地資源要素配置效率和產(chǎn)出效益的動(dòng)態(tài)監(jiān)測(cè)評(píng)價(jià),為工業(yè)用地績(jī)效評(píng)價(jià)、城鎮(zhèn)低效用地再開發(fā)、更好地發(fā)揮政府對(duì)土地資源要素配置的調(diào)控作用提供基礎(chǔ)數(shù)據(jù)和決策支撐[2]。

2 技術(shù)流程

工業(yè)用地調(diào)查更新工作是基于上年度工業(yè)企業(yè)用地更新調(diào)查成果基礎(chǔ),結(jié)合最新的城鎮(zhèn)地籍調(diào)查成果、農(nóng)村建設(shè)用地調(diào)查成果、供地?cái)?shù)據(jù)庫、影像圖、工業(yè)企業(yè)信息、第三次國(guó)土調(diào)查成果和實(shí)地情況等,對(duì)行政轄區(qū)范圍內(nèi)所有現(xiàn)狀工業(yè)企業(yè)用地的利用狀況、用地單位情況、投入產(chǎn)出及能耗進(jìn)行全面摸底調(diào)查及年度工業(yè)企業(yè)用地更新調(diào)查工作。具體的實(shí)現(xiàn)流程如下。

2.1 數(shù)據(jù)準(zhǔn)備

工業(yè)用地調(diào)查更新是在已有數(shù)據(jù)的基礎(chǔ)上進(jìn)行的(見圖1),前期數(shù)據(jù)包括從自然資源部門收集調(diào)查年度土地利用現(xiàn)狀圖、高分影像圖、供地?cái)?shù)據(jù)庫、城鎮(zhèn)地籍?dāng)?shù)據(jù)、農(nóng)村建設(shè)用地調(diào)查數(shù)據(jù)、集體建設(shè)用地使用權(quán)調(diào)查數(shù)據(jù)、地形圖數(shù)據(jù)、土地儲(chǔ)備規(guī)劃數(shù)據(jù)、土地登記發(fā)證資料(不動(dòng)產(chǎn)統(tǒng)一登記數(shù)據(jù)庫)、不動(dòng)產(chǎn)抵押資料等;從發(fā)展改革、工業(yè)和信息化、財(cái)政、稅務(wù)、統(tǒng)計(jì)、生態(tài)環(huán)境、市場(chǎng)監(jiān)管、社會(huì)保障、電力、自來水、燃?xì)獾炔块T收集工業(yè)企業(yè)名錄及企業(yè)投入產(chǎn)出、用工、能耗等基礎(chǔ)資料。

圖1 數(shù)據(jù)調(diào)查更新流程

前期數(shù)據(jù)因?yàn)閿?shù)據(jù)來源多樣化、數(shù)據(jù)類型豐富,需要對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一的預(yù)處理,包括數(shù)據(jù)的匯集、清洗、處理、入庫。首先,進(jìn)行數(shù)據(jù)統(tǒng)一格式處理,如將CAD中的dwg格式轉(zhuǎn)化為shp格式,并建立拓?fù)潢P(guān)系進(jìn)行合并、接邊;其次,進(jìn)行一致性處理,統(tǒng)一空間基準(zhǔn),統(tǒng)一采用2000國(guó)家大地坐標(biāo)系、1985國(guó)家高程基準(zhǔn),統(tǒng)一數(shù)據(jù)結(jié)構(gòu),方便進(jìn)行數(shù)據(jù)對(duì)比分析;最后,進(jìn)行數(shù)據(jù)空間序化處理,依托地名地址匹配引擎,對(duì)數(shù)據(jù)賦予空間屬性[3],具體操作如圖2所示。

圖2 數(shù)據(jù)預(yù)處理流程

2.2 數(shù)據(jù)處理

數(shù)據(jù)處理打破原有人工核查的弊端,采用遙感影像深度學(xué)習(xí)解譯技術(shù),利用高分影像,自動(dòng)建設(shè)用地分類,減少人工處理工作量,降低數(shù)據(jù)更新成本,具體實(shí)現(xiàn)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(xiàn)狀圖、已有工業(yè)用地?cái)?shù)據(jù)等,建立樣本圖庫(見圖3)。為了避免因?yàn)榧竟?jié)等變化對(duì)影像解譯的影響,樣本庫建立的過程中包含各時(shí)期的樣本,同時(shí)對(duì)樣本進(jìn)行空間化處理,與前期數(shù)據(jù)統(tǒng)一基準(zhǔn)[4-6]。

圖3 數(shù)據(jù)處理流程

(2)模型建立。①基于PyTorch框架,利用Transformer網(wǎng)絡(luò)模型建立遙感影像自動(dòng)解譯系統(tǒng),利用已建立的樣本庫進(jìn)行模型訓(xùn)練和測(cè)試,根據(jù)結(jié)果不斷地進(jìn)行參數(shù)調(diào)整,并對(duì)結(jié)果進(jìn)行降噪處理,提高結(jié)果精度[5];②將解譯結(jié)果與整合的基礎(chǔ)數(shù)據(jù)進(jìn)行疊加分析,按照規(guī)范要求設(shè)置誤差允許范圍,將在范圍內(nèi)的數(shù)據(jù)存儲(chǔ)到更新庫中,將誤差允許范圍外、基礎(chǔ)圖庫、解譯庫中僅一方有的數(shù)據(jù)存儲(chǔ)到問題數(shù)據(jù)庫中,后續(xù)進(jìn)行人工核查處理(見圖3)。

(3)Transformer網(wǎng)絡(luò)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?jī)刹糠?在影像解譯中主要就是樣本庫中的樣本數(shù)據(jù)以及待預(yù)測(cè)數(shù)據(jù);編碼塊包含多個(gè)Self-Attention(SA)層和Feed Forward Neural Network(FFN)層,SA層通常采用多頭注意機(jī)制(Multi-Head Attention),將輸入向量跟多組權(quán)重矩陣相乘,計(jì)算結(jié)果分別進(jìn)行殘連接和歸一化處理,經(jīng)過FFN層進(jìn)行線性變換,最后輸出結(jié)果;解碼塊主要包含兩個(gè)Multi-Head Attention 層,第1個(gè) Multi-Head Attention 層采用 Masked 操作,第2個(gè) Multi-Head Attention 層的K、V矩陣使用編碼層的編碼信息矩陣進(jìn)行計(jì)算,而Q使用上一個(gè)編碼塊的輸出計(jì)算,計(jì)算結(jié)果通過FNN轉(zhuǎn)化后輸出;輸出通過Softmax層進(jìn)行預(yù)測(cè),就是影像解譯后的結(jié)果。

圖4 Transformer網(wǎng)絡(luò)模型原理

(4)將問題庫的數(shù)據(jù)與多期影像數(shù)據(jù)進(jìn)行人工比對(duì),確認(rèn)是工業(yè)用地的數(shù)據(jù)存儲(chǔ)到更新庫中,刪除非工業(yè)用地?cái)?shù)據(jù),標(biāo)記有疑問數(shù)據(jù)。

(5)外業(yè)調(diào)查人員將標(biāo)記的疑問數(shù)據(jù)進(jìn)行人工核查,并將其中的工業(yè)用地?cái)?shù)據(jù)存儲(chǔ)到更新庫。

2.3 數(shù)據(jù)質(zhì)檢與入庫

數(shù)據(jù)質(zhì)檢采用抽查方式,從更新庫中抽取10%進(jìn)行質(zhì)量檢查,通過抽檢數(shù)據(jù)與影像數(shù)據(jù)比對(duì)進(jìn)行判斷,抽檢合格后,將數(shù)據(jù)按照要求進(jìn)行屬性完善,并將其按照導(dǎo)則格式要求整理入庫。

3 應(yīng)用效果

基于深度學(xué)習(xí)的工業(yè)用地動(dòng)態(tài)更新技術(shù)在2021年江蘇省工業(yè)用地?cái)?shù)據(jù)更新中進(jìn)行應(yīng)用實(shí)驗(yàn),具體過程如下:

(1)樣本選取。選取江蘇省某縣級(jí)市600 km2的區(qū)域作為研究區(qū),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(gè)月精度0.3 m分辨率的高分影像,樣例尺寸為256×256,結(jié)合2020年的工業(yè)用地?cái)?shù)據(jù)進(jìn)行樣本構(gòu)建,共選取9 000個(gè)樣本[7]。

(2)樣本訓(xùn)練。本次采用7∶2的比例進(jìn)行訓(xùn)練和驗(yàn)證,設(shè)置模型迭代次數(shù)最大值為2 000。經(jīng)驗(yàn)證,當(dāng)模型迭代次數(shù)為1 520時(shí),數(shù)據(jù)交并比最高,達(dá)到85%以上。

(3)利用該實(shí)驗(yàn)區(qū)域2021年的影像進(jìn)行工業(yè)用地提取,迭代次數(shù)采用模擬訓(xùn)練的最佳值,將柵格數(shù)據(jù)轉(zhuǎn)化為矢量數(shù)據(jù),總用時(shí)為45 min。與2021年最新調(diào)查成果進(jìn)行比對(duì),該區(qū)域2021年工業(yè)用地地塊1 678塊,自動(dòng)提取地塊為1 582塊,交并比為83%。

4 結(jié)語

該技術(shù)路線是綜合工業(yè)用地調(diào)查技術(shù)流程與目前研究比較成熟的遙感影像解譯技術(shù)、多源異構(gòu)地理空間數(shù)據(jù)集成整合技術(shù)、分布式計(jì)算與存儲(chǔ)技術(shù)等的基礎(chǔ)上實(shí)現(xiàn)的,其效率比人工提高50%以上,不僅縮減項(xiàng)目工期,還節(jié)省了人力物力,實(shí)驗(yàn)證明該方法可以在常態(tài)化工業(yè)用地調(diào)查項(xiàng)目中推廣使用。