CN107423416A - 一种基于实例的语义融合及多规空间数据冲突检测方法 - Google Patents

一种基于实例的语义融合及多规空间数据冲突检测方法 Download PDF

Info

Publication number
CN107423416A
CN107423416A CN201710634076.3A CN201710634076A CN107423416A CN 107423416 A CN107423416 A CN 107423416A CN 201710634076 A CN201710634076 A CN 201710634076A CN 107423416 A CN107423416 A CN 107423416A
Authority
CN
China
Prior art keywords
mrow
class
ground
plot
data set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710634076.3A
Other languages
English (en)
Other versions
CN107423416B (zh
Inventor
汪艳霞
陈旭日
高广亮
张平
高昭良
黄磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou Survey Institute Co ltd
Original Assignee
FUZHOU INVESTIGATION AND SURVEYING INSTITUTE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by FUZHOU INVESTIGATION AND SURVEYING INSTITUTE filed Critical FUZHOU INVESTIGATION AND SURVEYING INSTITUTE
Priority to CN201710634076.3A priority Critical patent/CN107423416B/zh
Publication of CN107423416A publication Critical patent/CN107423416A/zh
Application granted granted Critical
Publication of CN107423416B publication Critical patent/CN107423416B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于实例的语义融合及多规空间数据冲突检测方法，属于空间数据融合和规划相结合的领域。所述方法包含以下具体步骤：基于实例实现多规空间数据分类体系的融合；自动化检测多规空间数据的冲突图斑。本方法优点在于提出了一种基于实例的语义融合方法，实现不同规划用地分类体系的融合，然后再应用空间分析方法自动检测在多规中存在用地类别冲突的地块，适用于“多规合一”和“城市空间规划”中多规数据间差异图斑的快速检测与发现，提高多规差异图斑发现的效率。

Description

一种基于实例的语义融合及多规空间数据冲突检测方法
技术领域
本发明属于空间数据融合和规划相结合的技术领域，特别是涉及一种基于实例的语义融合及多规空间数据冲突检测方法。
背景技术
空间数据融合是对同一区域的不同来源的相关空间数据进行融合(Uitermark HT,and Cadastre D.The integration of geographic databases:realising geodatainteroperability through the hypermap metaphor and a mediator architecture[C].Second Joint European Conference&Exhibition on Geographical Information,Barcelona,Spain.1996:92-95；Frank van Wijngaarden,Judith van Putten,Peter vanOosterom,et al.Map integration—update propagation in a multi-sourceenvironment[C].5th ACM international workshop on Advances in geographicinformation systems,LasVegas Nevada,USA:ACM,1997:71-76.)，通过消除数据之间的冲突和信息的集成，以实现数据的一致性、提高数据质量或丰富数据信息。
为了缓解城市建设发展过程中产生的矛盾或问题，各部门制定了各种空间规划来指导和引导城市建设和发展，如主体功能区规划、城乡总体规划、土地利用总体规划、环境保护规划、林地保护规划等，这些规划由于行政职责和关注问题等方面的差异性造成了相互冲突或不一致性。特别是不同行业对国土空间规划的不同表达造成了不同规划之间的语义异构性，即不同规划通常采用各自领域的用地分类标准或体系。针对各类空间规划存在冲突或不一致等“打架”现象，全国各地开展“多规合一”和“城市空间规划”体系建设的研究。然而目前研究主要是以人工判别的方法为主来发现各类空间规划之间的冲突图斑，鉴于此应用需求，本发明创新地提出了一种基于实例的语义融合及多规空间数据冲突检测方法，即在该方法中(1)创新性地提出了基于现状实例的多规空间数据分类标准/体系的语义融合、(2)将空间分析创新性地应用于多规空间数据冲突检测，并对该方法进行了详细而深入地阐述。首先给出针对(1)语义融合、(2)空间数据冲突检测的研究现状阐述。
(一)针对语义融合的研究现状
语义融合是多源空间数据融合中的进行属性融合、消除属性异构的关键问题，已有研究方法比较多，主要包括以下几类：(1)基于本体的语义融合；(2)基于词汇集的语义融合；(3)基于语义自身相似性的语义融合。
基于本体的语义融合一般通过构建通用本体结构树，将语义融合到本体结构中进行语义距离的计算，从而实现语义的融合(Durbha S S,King R L,Shah V P,et al.Aframework for semantic reconciliation of disparate earth observation thematicdata[J].Computers&Geosciences,2009,35(4):761-773.杨娜娜,张青年,牛继强.基于本体结构的空间实体语义相似度计算模型[J].测绘科学,2015,40(3):107-111.)。如通过建立通用地理信息本体结构，将不同地理信息要素分类体系融合到本体结构中根据语义距离来计算语义相似度，实现要素类型的语义融合(李霖,朱海红,王红,等.基于形式本体的基础地理信息语义分析——以陆地水系要素类为例[J].测绘学报,2008,37(2):230-235.)。然而，基于本体的语义融合需要研究城市所有的空间规划类型建立城市空间规划通用的本体结构，同时建立不同规划用地分类标准/体系与通用本体结构之间的融合关系，而在“多规合一”或城市空间体系建立过程中不同城市的空间规划体系构成可能不同，且一般先选择“三规”或“四规”先进行开展，再逐步推进。此外，不同城市可能在某个空间规划上采用不同的分类体系，如环境保护规划只有划定指南，各个省通常制定本省的环境保护规划划定方法，造成了不同省的环境保护规划的分类内容存在不一致。
基于词汇集的语义融合根据语义表现的英文和中文两种描述方式，在英文表达时一般采用基于WordNet来计算语义相似性进而实现语义融合和匹配(Budanitsky A,HirstG.Evaluating WordNet-based Measures of Lexical Semantic Relatedness[J].Computational Linguistics,2006,32(1):Budanitsky A,Hirst G.SemanticDistance in WordNet:An Experimental,Application-oriented Evaluation of FiveMeasures[J].2001.Varelas G,Voutsakis E,Raftopoulou P,et al.Semanticsimilarity methods in wordNet and their application to information retrievalon the web[C]//ACM International Workshop on Web Information and DataManagement.DBLP,2005:10-16.)，在中文表达时一般采用基于“知网”HowNet来计算语义相似性进而实现语义融合和匹配(刘群,李素建.基于《知网》的词汇语义相似度计算[J].中文计算语言学,2002.)，主要用于信息检索领域。我国的各类空间规划采用的分类标准/体系基本是采用中文描述，因此基于英文的词汇集语义融合不太适用，而基于《知网》HowNet的词汇集的语义相似性计算主要是用于信息检索方面的应用，而空间规划的分类标准/体系存在某些特殊分类术语在义原词汇结构中不存在，无法进行语义相似性计算，即不能建立所有各类空间规划的分类标准/体系之间的对应关系。
基于语义自身相似性的语义融合又有多种方式，包含：(1)基于字符相似性来计算语义相似性，如基于Levenshtein距离的字符串相似度计算(Hall,P A and Dowling,GR.Approximate string matching[J].ACM computing surveys(CSUR),1980,12(4):381-402.)，根据汉语中语义重点通常集中在后半部分字符串特点的重心后移规律匹配法(王源,吴晓滨,涂从文等.后控规范的计算机处理[J].现代图书情报技术,1993,(2):4-7.吴志强.经济信息后控制词表的研究[D].南京:南京农业大学.1999.)。(2)向量语义相似性，如根据语义的描述信息提取关键词，根据关键词的tf-idf值计算语义向量之间的余弦相似度(Wei H.Semantic integration of geospatial concepts---a study of land use landcover classification systems[J].Dissertations&Theses-Gradworks,2011.)。(3)其他方法，如通过不同分类体系进行进一步细分制定分类体系之间的对应关系等以人工判别为主的语义融合方法(廖琦,苏墨,罗罡辉,等.面向规划国土数据融合的深圳市土地利用分类体系研究[J].中国土地科学,2014,28(5):58-64.)。基于重心后移的匹配方法显然也不适用于规划分类标准/体系之间的语义融合，如土地利用总体规划中的管制区类型分类允许建设区、有条件建设区、限制建设区、禁止建设区，这四类管制区类型的重心都在前半段。向量语义相似性方法需要提取各分类类别的关键词，且要求所有关键词之间尽量为语义相对独立或不存在相关性，此时关键词的选择与“通过不同分类体系进行进一步细分制定分类体系之间的对应关系”的方法类似，即通过细分形成各分类类别的关键词构成，通过计算关键词的tf-idf值等进而获得不同分类标准/体系之间的各类型的语义相似度，存在关键词提取难或者人工参与工作量等问题。
(二)针对空间数据冲突检测的研究现状
空间数据冲突检测的方法一般是通过计算不同空间数据中对应目标的相似性来发现冲突，关键在于对应目标之间相似性的计算。空间数据冲突检测主要在数据融合和数据更新两个方面进行研究。在数据融合方面，如基于属性空间的模式结构冲突解决方法(闫健卓,方丽英,史斌,等.异构数据库信息集成冲突检测和消解策略[J].北京工业大学学报,2008,34(1):37-42.)；在数据更新方面，主要是用于变化目标的检测和发现，以识别出更新地物，如不同数据集中对应目标之间的差异度计算方法(Qi,H,Li,Z and Chen,J.Automated change detection for updating settlements at smaller-scale mapsfrom updated larger-scale maps[J].Journal of Spatial Science,2010,55(1):133-146.)、基于扫描线方法的几何图形相似性计算模型(唐炉亮,杨必胜,徐开明.基于线状图形相似性的道路数据变化检测[J].武汉大学学报:信息科学版,2008,33(4):367-370.8)、基于重叠面积的相似性计算方法(应申,李霖,刘万增等.版本数据库中基于目标匹配的变化信息提取与数据更新[J].武汉大学学报:信息科学版,2009,34(6):752-755.)、基于位置、形状、大小、属性等综合加权的相似性计算方法(夏慧琼,李德仁,郑春燕.基于相似度理论的时空变化定量描述方法[J].地理与地理信息科学,2010,26(3):1-5.)等。然而，在多规空间数据中，各类规划空间数据中的地块的粒度和大小并非保持一致，即存在一类规划空间数据中某一地块，可能存在部分地块与另一类规划空间数据中对应地块的用地分类一致，同时也存在部分地块与另一类规划空间数据中对应地块的用地分类冲突，若仅单纯通过对应目标之间的相似度计算来发现和检测冲突，可能造成部分冲突图斑的丢失或部分非冲突图斑的混入。
综上而言，上述语义融合方法和空间数据冲突检测方法在“多规合一”和“城市空间规划体系”的研究中多规空间数据冲突检测中存在不足。
发明内容
针对上述问题，在继承研究现有语义融合及空间数据冲突检测方法的基础上，根据“规划以现状为基础，现状依据规划进行实施”的原则，本发明提出一种基于实例的语义融合及多规空间数据冲突检测方法，通过本方法计算的语义相似性能方便快捷地实现不同规划用地分类标准/体系的融合及对应关系的建立，快速发现多规之间的冲突图斑。
本发明采用以下技术方案实现：一种基于实例的语义融合及多规空间数据冲突检测方法，其特征在于：包括以下步骤：S1：基于实例实现多规空间数据分类体系的融合；设两种规划空间数据集为A1＝{a1,a2,…,ap}和B1＝{b1,b2,…,bq}，采用的用地分类体系分别为A'＝{a1',a2',…,am'}和B'＝{b1',b2',…,bn'}，其中i≠j,ai∈A1,aj∈A1，i≠j,bi∈B1,bj∈B1；设描述城市现状的实例数据集为D＝{d1,d2,…,dr}，其采用的地表覆盖类型为D'＝{d1',d2',…,dr'}，其中：i≠j,di∈D,dj∈D；S2：自动化检测多规空间数据的冲突图斑。
本发明方法能很好地满足采用不同分类标准/体系的多规空间数据冲突自动化检测的需求，特别是几乎不需要进行人工干预，实现了多规空间数据中冲突图斑的精确检测与提取，极大地提高多规空间数据冲突检测的效率与精度，降低了多规空间数据冲突检测的难度。同时本发明方法不局限于特定的空间规划类型，在顾及城市现状的情况下，对城市的各类空间规划之间的冲突检测都适用，且实现简便，结果可靠。
附图说明
图1为本发明的总体流程图。
图2为本发明一实施的数据集A1与现状实例数据集D叠置分析示意图。
图3为本发明一实施的数据集B1与现状实例数据集D叠置分析示意图。
图4为本发明一实施的检测出的多规空间数据的冲突图斑示意图。
图5为本发明方法进行基于实例的不同用地分类体系/标准融合结果图示。
图6为本发明方法进行多规空间数据冲突检测效果图。
具体实施方式
以下结合附图和实施实例对本发明进行详细说明。
本发明提出了一种基于实例的语义融合及多规空间数据冲突检测方法，本发明方法具体包括如下两个大步骤，如附图1所示：S1基于实例实现多规空间数据分类标准/体系的融合；S2自动化检测多规空间数据的冲突图斑。设两种规划空间数据集为A1＝{a1,a2,…,ap}和B1＝{b1,b2,…,bq}，采用的用地分类体系分别为A'＝{a1',a2',…,am'}和B'＝{b1',b2',…,bn'}，其中i≠j,ai∈A1,aj∈A1，i≠j,bi∈B1,bj∈B1；设描述城市现状的实例数据集为D＝{d1,d2,…,dr}，其采用的地表覆盖类型为D'＝{d1',d2',…,dr'}，其中：i≠j,di∈D,dj∈D。
S1包括以下步骤：
将数据集A1与现状实例数据集D进行叠置分析，则数据集A1中地类为ai'的所有地块在现状实例数据集D中对应的实例信息为：
P(ai')＝{(d1',Arai'(d1')),(d2',Arai'(d2')),…,(dr',Arai'(dr'))} (7)
其中d'k∈D'，Arai'(d'k)为地类ai'在数据集D中对应的地表覆盖类型为d'k的所有地块面积；
与此类似，数据集B1中地类为bj'的所有地块在现状实例数据集中对应的实例信息为：
P(bj')＝{(d1',Arbj'(d1')),(d2',Arbj'(d2')),…,(dr',Arbj'(dr'))} (8)
其中dk'∈D'，Arbj'(dk')为地类bj'在数据集D中对应的地表覆盖类型为dk'的所有地块面积；
地类ai'与地类bj'的语义相似度为：
其中wk为地表覆盖类型dk'在地类ai'与地类bj'语义相似度计算中的权重，根据地表覆盖类型dk'的重要性进行赋值，且fk(ai')和fk(bj')分别为地表覆盖类型dk'在地类ai'与地类bj'中占据的频率，其计算公式为：
若S(ai',bj')≥θ，θ为语义相似度阈值，则地类ai'与地类bj'对应，据此建立用地分类体系A'与B'的映射关系，实现多规用地分类体系的语义融合。
S2包括以下步骤：
S21：在数据集B1中搜索与地块ai(ai∈A)存在相交的地块，构成地块ai的冲突检测候选集，即
S22：地块ai的冲突检测候选地块将地块ai进行切分，形成检测集，即
ai＝{ai1,ai2,…,aiv} (12)
S23：判断地块ai的用地类别与候选检测地块的用地类别是否具有映射关系，若二者不为映射关系，则检测地块aih∈ai(1≤h≤v)为冲突图斑，反之为非冲突图斑；
S24：搜索地块ai检测集中其他检测地块，重复S23，直至所有检测地块判断完毕；
S25：搜索数据集A1中的其他地块，返回S21，重新进行以上处理，直至数据集A1中所有地块都搜索执行完毕，发现数据集A1与数据集B1中的所有冲突图斑。
本发明一具体实施例参见附图2-4。进行多规空间数据冲突检测的两种规划空间数据集分别为A1＝{a1,a2,a3,a4,a5,a6}和B1＝{b1,b2,b3,b4}，采用的用地分类体系分别为A'＝{a1',a2',a3',a4'}和B'＝{b1',b2',b3'}，将现状实例数据集设为D＝{d1,d2,d3,d4,d5,d6}，其采用的地表覆盖类型为D'＝{d1',d2',d3'}。
具体实施方式如下：
步骤1，基于实例实现多规空间数据分类标准/体系融合，执行以下步骤：
步骤1.1，将空间规划数据集A1与现状实例数据集D进行叠置分析，计算数据集A1中地类为ai'的所有地块在现状实例数据集D中对应的实例信息。
如附图2所示，数据集A1中地类a1'、a2'、a3'所对应的现状实例数据集D中对应的地表覆盖类型d1'、d2'、d3'实例信息分别为：
其中Ar(ai∩dj)表示空间地块ai与dj相交部分的面积。
步骤1.2，与步骤1.1类似，将数据集B1与现状实例数据集D进行叠置分析，计算数据集B1中地类为bj'的所有地块在现状实例数据集D中对应的实例信息。
如附图3所示，数据集B1中地类b1'、b2'、b3'所对应的现状实例数据集D中对应的地表覆盖类型d1'、d2'、d3'实例信息分别为：
其中Ar(bi∩dj)表示空间地块bi与dj相交部分的面积。
通过公式(1)和(2)分别获得用地分类体系A'中所有地类和用地分类体系B'中所有地类在现状实例数据集中各类地表覆盖类型的实例信息，可称为在各类地表覆盖类型“属性值”，可以在后续通过“属性值”的相似度从而判断不同分类体系中地类的语义相似度，实现语义融合。
步骤1.3，计算地类ai'与地类bj'的语义相似度。
如图2-4，以地类a1'和地类b2'为例，二者的语义相似度为：
其中，
公式(4)和(5)是分别计算地类a1'和地类b2'在各类地表覆盖类型“属性值”中比率，即实现“属性值”的归一化处理，避免当某一地类占地面积大小造成的各类“属性值”大小相差较大造成相似度计算失误。
步骤1.4，比较语义相似度与阈值之间的大小，从而确定是否具有语义一致性。
设语义相似度阈值为0.5，当地类a1'和地类b2'的语义相似度S(a1',b2')≥0.5，则地类a1'和地类b2'对应，即具有语义一致性；当S(a1',b2')<0.5，则地类a1'和地类b2'没有对应关系，即为语义冲突。
步骤1.5，对用地分类体系B'中的其他地类，重复步骤1.2～1.4，直至发现用地分类体系B'中与地类ai'所有对应的地类，建立二者映射关系。
计算地类a1'与用地分类体系B'中其他地类b1'、b3'的语义相似度，并与阈值进行比较，确定地类a1'与其他地类b1'、b3'的映射关系。
步骤1.6，返回步骤1.1，对数据集A1采用的分类体系中其他地类重新进行以上处理，直至获得所有的地类与数据集B1采用的分类体系具有映射地类。
确定用地分类体系A'中其他地类a2'、a3'、a4'与用地分类体系B'中地类b1'、b2'、b3'的映射关系。
步骤1.7，对数据集B1采用的分类体系进行搜索：若地类bj'不存在与之对应的地类，则将将数据集B1和其分类体系B'与数据集A1和其分类体系A'的顺序相互调换进行逆向操作，执行以上步骤1.1～1.5，发现用地分类体系A'与地类bj'的所有对应的地类；若地类计算地类bj'存在与之对应的地类，则搜索分类体系B'中下一个地类；直至分类体系B'中所有地类搜索完毕。此时，建立了用地分类体系A'与用地分类体系B'之间的映射关系。通过正向和逆向相结合的语义融合操作策略，能更全面地发现存在映射关系的不同分类体系中的用地类别。
搜索用地分类体系B'，地类b1'、b2'、b3'是否都有在用地分类体系A'中有对应地类，若存在对应为空的地类，则按照步骤1.1～1.5，计算发现与之对应的地类，直至用地分类体系B'中所有地类搜索计算完毕，完成语义融合的逆向操作，建立二者之间的映射关系。
步骤2，自动化检测多规空间数据的冲突图斑，包含以下子步骤，
步骤2.1，在数据集B1中搜索与地块ai(ai∈A)存在相交的地块，构成地块ai的冲突检测候选集。
步骤2.2，地块ai的冲突检测候选地块将地块ai进行切分，形成检测集。以附图4为例，地块a1被冲突候选地块切分后的检测候选集为：
a1＝{a11,a12,a13} (7)
步骤2.3，判断地块ai的用地类别与候选检测地块的用地类别是否具有映射关系，若二者不为映射关系，则检测地块为冲突图斑，反之为非冲突图斑。
如附图4所示，检测地块a1被候选匹配集中的地块b1,b2,b3切分，形成了切分图斑a11,a12,a13。对于切分图斑a11，判断其在数据集A1中用地类别a1'与在数据集B1中用地类别b1'是否具有映射关系，即若S(a1',b1')<θ，则a11为冲突图斑；若S(a1',b1')≥θ，则a11为非冲突图斑，换言之，为一致性地块。通过对地块进行切分的方式实现了以最小粒度的图斑作为冲突检测单元，将多规空间数据中用地分类一致的图斑排除，避免了以地块单元直接作为冲突检测单元时将用地分类一致的城市空间误入冲突图斑。
步骤2.4，搜索地块ai检测集中其他切分图斑，重复步骤2.3，直至所有检测地块判断完毕。
与切分图斑a11的冲突判断类似(步骤2.3)，对其他切分图斑a12,a13进行类似用地类别的映射关系判别，从而确定切分图斑a12,a13是否为冲突图斑。
步骤2.5，搜索数据集A1中的其他地块，返回步骤2.1，重新进行以上处理，直至数据集A1中所有地块都搜索执行完毕。此时，发现数据集A1与数据集B1中的所有冲突图斑。
如附图4所示，对数据集A1中的其他地块a2,a3,a4,a5,a6进行冲突检测(步骤2.1-2.5)，根据二者的用地分类映射关系，检测出所有的冲突图斑。
基于上述的具体步骤，以地理国情普查的地表覆盖数据为现状实例数据。小片区内城乡规划的控制性详细规划中用地类别包含A、B、E、G、H、R、S、U等8类，土地利用总体规划中包含010、020、030等3类，地理国情普查的地表覆盖类型包含01、03、04、05、06、07、08、09、10等9类。鉴于其执行步骤方法已如上清晰且详细阐明，故此不详述，仅列出计算结果。
通过基于实例的语义相似度计算，控制性详细规划的用地分类与土地利用总体规划的用地分类之间的映射关系如附图5所示。
基于控制性详细规划与土地利用总体规划之间用地分类的映射关系，进行自动化冲突图斑检测，如附图6所示，检测总图斑169个，一致性图斑144个(蓝色图斑)，冲突图斑25个(红色图斑)，经过规划专业人士进行人工判别，检测出的冲突图斑中有6个实际为一致性图斑。则对于冲突图斑检测的准确率为76％，召回率为100％，F1分值为86.36％；一致性图斑检测的准确率为100％，召回率为96％，F1分值为97.96％。对于冲突图斑的检测，利用本发明方法在实例中可以检测出所有冲突图斑；对于一致性图斑的检测，利用本发明方法在实例中可以实现所有检测出的一致性图斑为正确结果，仅需少量人工工作从冲突图斑中剔除部分误入的一致性图斑即可。

Claims (4)

1.一种基于实例的语义融合及多规空间数据冲突检测方法，其特征在于：包括以下步骤：
S1：基于实例实现多规空间数据分类体系的融合；设两种规划空间数据集为A1＝{a1,a2,…,ap}和B1＝{b1,b2,…,bq}，采用的用地分类体系分别为A'＝{a1′,a2′,…,am′}和B'＝{b1',b2',…,bn'}，其中i≠j,ai∈A1,aj∈A1，i≠j,bi∈B1,bj∈B1；设描述城市现状的实例数据集为D＝{d1,d2,…,dr}，其采用的地表覆盖类型为D'＝{d1',d2',…,dr'}，其中：i≠j,di∈D,dj∈D；
S2：自动化检测多规空间数据的冲突图斑。
2.根据权利要求1所述的一种基于语义融合的多规空间数据冲突检测方法，其特征在于：S1包括以下步骤：
S11:将数据集A1与现状实例数据集D进行叠置分析，则数据集A1中地类为ai'的所有地块在现状实例数据集D中对应的实例信息为：
P(a′i)＝{(d′1,Arai'(d′1)),(d′2,Arai'(d'2)),…,(d′r,Arai'(d′r))} (1)
其中d'k∈D'，Arai'(d'k)为地类a′i在数据集D中对应的地表覆盖类型为d'k的所有地块面积；
S12：数据集B1中地类为bj'的所有地块在现状实例数据集中对应的实例信息为：
P(b'j)＝{(d′1,Arbj'(d′1)),(d'2,Arbj'(d'2)),…,(d′r,Arbj'(d′r))} (2)
其中d'k∈D'，Arbj'(d'k)为地类bj'在数据集D中对应的地表覆盖类型为d'k的所有地块面积；
S13：地类ai'与地类bj'的语义相似度为：
<mrow> <mi>S</mi> <mrow> <mo>(</mo> <msup> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>&amp;prime;</mo> </msup> <mo>,</mo> <msup> <msub> <mi>b</mi> <mi>j</mi> </msub> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>r</mi> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>*</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>b</mi> <mi>j</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>{</mo> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>b</mi> <mi>j</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mo>}</mo> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中wk为地表覆盖类型d'k在地类ai'与地类bj'语义相似度计算中的权重，根据地表覆盖类型d'k的重要性进行赋值，且fk(a′i)和fk(b'j)分别为地表覆盖类型d'k在地类ai'与地类bj'中占据的频率，其计算公式为：
<mrow> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>Ar</mi> <mrow> <msup> <mi>ai</mi> <mo>&amp;prime;</mo> </msup> </mrow> </msub> <mrow> <mo>(</mo> <msubsup> <mi>d</mi> <mi>k</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>r</mi> </munderover> <msub> <mi>Ar</mi> <mrow> <msup> <mi>ai</mi> <mo>&amp;prime;</mo> </msup> </mrow> </msub> <mrow> <mo>(</mo> <msubsup> <mi>d</mi> <mi>t</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
S14：若S(ai',bj')≥θ，θ为语义相似度阈值，则地类ai'与地类bj'对应，据此建立用地分类体系A'与B'的映射关系，实现多规用地分类体系的语义融合。
3.根据权利要求1或2所述的一种基于语义融合的多规空间数据冲突检测方法，其特征在于，S2包括以下步骤：
S21：在数据集B1中搜索与地块ai(ai∈A)存在相交的地块，构成地块ai的冲突检测候选集，即
Cai＝{bi1,bi2,…,biu},bij∈B(1≤j≤u) (5)
S22：地块ai的冲突检测候选地块将地块ai进行切分，形成检测集，即
ai＝{ai1,ai2,…,aiv} (6)
S23：判断地块ai的用地类别与候选检测地块的用地类别是否具有映射关系，若二者不为映射关系，则检测地块aih∈ai(1≤h≤v)为冲突图斑，反之为非冲突图斑；
S24：搜索地块ai检测集中其他检测地块，重复S23，直至所有检测地块判断完毕；
S25：搜索数据集A1中的其他地块，返回S21，重新进行以上处理，直至数据集A1中所有地块都搜索执行完毕，发现数据集A1与数据集B1中的所有冲突图斑。
4.根据权利要2所述的一种基于语义融合的多规空间数据冲突检测方法，其特征在于，S1还包括以下步骤：
S15：对用地分类体系B'中的其他地类，重复步骤S12～S14，直至发现用地分类体系B'中与地类ai'所有对应的地类，建立二者映射关系；
S16：返回S11，对数据集A1采用的分类体系中其他地类重新进行以上处理，直至获得所有的地类与数据集B1采用的分类体系具有映射地类；
S17：对数据集B1采用的分类体系进行搜索：若地类bj'不存在与之对应的地类，则将将数据集B1和其分类体系B'与数据集A1和其分类体系A'的顺序相互调换进行逆向操作，执行以上步骤S11～S15，发现用地分类体系A'与地类bj'的所有对应的地类；若地类计算地类bj'存在与之对应的地类，则搜索分类体系B'中下一个地类；直至分类体系B'中所有地类搜索完毕，建立了用地分类体系A'与用地分类体系B'之间的映射关系。
CN201710634076.3A 2017-07-29 2017-07-29 一种基于实例的语义融合及多规空间数据冲突检测方法 Active CN107423416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710634076.3A CN107423416B (zh) 2017-07-29 2017-07-29 一种基于实例的语义融合及多规空间数据冲突检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710634076.3A CN107423416B (zh) 2017-07-29 2017-07-29 一种基于实例的语义融合及多规空间数据冲突检测方法

Publications (2)

Publication Number Publication Date
CN107423416A true CN107423416A (zh) 2017-12-01
CN107423416B CN107423416B (zh) 2020-09-18

Family

ID=60430917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710634076.3A Active CN107423416B (zh) 2017-07-29 2017-07-29 一种基于实例的语义融合及多规空间数据冲突检测方法

Country Status (1)

Country Link
CN (1) CN107423416B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829024A (zh) * 2019-01-21 2019-05-31 辽宁省国土资源调查规划局 一种空间规划冲突诊断方法及系统
CN112085357A (zh) * 2020-08-27 2020-12-15 东南大学 一种出让地块规划条件冲突要点识别与处理的系统与方法
CN113420642A (zh) * 2021-06-21 2021-09-21 西安电子科技大学 一种基于类别语义特征重加权的小样本目标检测方法及系统
CN114155433A (zh) * 2021-11-30 2022-03-08 北京新兴华安智慧科技有限公司 一种违法土地的检测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120281014A1 (en) * 2010-01-07 2012-11-08 Suzhou Xintu Grographic Information Technology Co., Ltd. Method and apparatus for detecting and avoiding conflicts of space entity element annotations
CN102799621A (zh) * 2012-06-25 2012-11-28 国家测绘局卫星测绘应用中心 矢量时空数据变化检测方法及其系统
CN105512163A (zh) * 2015-09-28 2016-04-20 张新长 一种自适应的矢量数据增量更新的方法
CN105630988A (zh) * 2015-12-23 2016-06-01 中山大学 一种快速检测空间数据变化并更新的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120281014A1 (en) * 2010-01-07 2012-11-08 Suzhou Xintu Grographic Information Technology Co., Ltd. Method and apparatus for detecting and avoiding conflicts of space entity element annotations
CN102799621A (zh) * 2012-06-25 2012-11-28 国家测绘局卫星测绘应用中心 矢量时空数据变化检测方法及其系统
CN105512163A (zh) * 2015-09-28 2016-04-20 张新长 一种自适应的矢量数据增量更新的方法
CN105630988A (zh) * 2015-12-23 2016-06-01 中山大学 一种快速检测空间数据变化并更新的方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUNJUN JIN等: "The research of collision detection algorithm based on spatial subdivision", 《2009 INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING & TECHNOLOGY》 *
李靖涵: "居民地增量更新中空间冲突检测与处理方法研究", 《中国优秀硕士学位论文数据库 基础科学辑》 *
汪艳霞: "基于GIS的多规合一信息平台设计与实现", 《城市勘测》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829024A (zh) * 2019-01-21 2019-05-31 辽宁省国土资源调查规划局 一种空间规划冲突诊断方法及系统
CN112085357A (zh) * 2020-08-27 2020-12-15 东南大学 一种出让地块规划条件冲突要点识别与处理的系统与方法
CN113420642A (zh) * 2021-06-21 2021-09-21 西安电子科技大学 一种基于类别语义特征重加权的小样本目标检测方法及系统
CN114155433A (zh) * 2021-11-30 2022-03-08 北京新兴华安智慧科技有限公司 一种违法土地的检测方法、装置、电子设备及存储介质
CN114155433B (zh) * 2021-11-30 2022-07-19 北京新兴华安智慧科技有限公司 一种违法土地的检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN107423416B (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
US11270397B2 (en) Automatic urban land identification system integrating business big data with building form
CN107423416A (zh) 一种基于实例的语义融合及多规空间数据冲突检测方法
CN108898605A (zh) 一种基于图的栅格地图分割方法
CN106095953A (zh) 一种基于gis的不动产数据整合方法
CN105809350A (zh) 面向建设用地整治的自然村空心化程度及类型识别方法
Su et al. Urban scene understanding based on semantic and socioeconomic features: From high-resolution remote sensing imagery to multi-source geographic datasets
Mesev Remote sensing of urban systems: hierarchical integration with GIS
Guo et al. Urban impervious surface extraction based on multi-features and random forest
CN113761971A (zh) 一种遥感影像目标知识图谱构建方法及装置
Zhang et al. Distance Weight-Graph Attention Model-Based High-Resolution Remote Sensing Urban Functional Zone Identification.
CN116522272A (zh) 一种基于城市信息单元的多源时空数据透明融合方法
Comber et al. Assessment of a semantic statistical approach to detecting land cover change using inconsistent data sets
Dehbi et al. Robust and fast reconstruction of complex roofs with active sampling from 3D point clouds
Du et al. Regional water resources security grading evaluation considering both visible and virtual water: a case study on Hubei province, China
Du et al. Similarity measurements on multi‐scale qualitative locations
Guo et al. Construction of Knowledge Graph Based on Geographic Ontology
CN116187812A (zh) 基于地理知识的耕地资源可持续利用评价方法及系统
CN115470363A (zh) 基于Unity的三维地图语义注释方法
Wang et al. Hierarchical stroke mesh: A new progressive matching method for detecting multi-scale road network changes using OpenStreetMap
Guo et al. Combined matching approach of road networks under different scales considering constraints of cartographic generalization
Hess et al. Towards effective geographic ontology matching
Hajiheidari et al. Cadastral and urban maps enrichments using smart spatial data fusion
Deng et al. Homestead Engineering Planning Based on CAD Internet of Things Technology
CN116578676B (zh) 一种地名时空演化查询方法及系统
Zheng et al. A Knowledge-Based Multi-Scale Adaptive Classification Approach for Mobile Laser Scanning Point Clouds in Urban Scenes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: No. 1, Gaoxin Avenue, Shangjie Town, Minhou County, Fuzhou City, 350000, Fujian Province

Patentee after: Fuzhou Survey Institute Co.,Ltd.

Address before: No. 1, Gaoxin Avenue, Shangjie Town, Minhou County, Fuzhou City, 350000, Fujian Province

Patentee before: Fu Zhoushikanceyuan

CP01 Change in the name or title of a patent holder