基于高德POI数据与卫星遥感影像的“大棚房”提取及精度分析

赵晓燕

(广东省核工业地质局测绘院, 广东 广州 510800)

0 引言

随着互联网地图的不断发展，人们出行越来越方便，可以通过手机快捷地在地图上查找到某个地理位置周边的信息，对于地图产品而言，这些信息称之为兴趣点 (point of interest，POI)。POI是地图服务重要的矢量化形式表达方式，也是地图最鲜活的“血液”，与面向公众的基于位置服务密切相关，它代表一类真实地理实体的地理空间数据。POI主要指人们日常生活中经常遇到的地理场所[1]，如学校、医院、宾馆、餐饮、银行、景点和标志性建筑物等，其在智能交通、应急指挥、公共安全、物流管理、电子商务以及其他各类位置服务(location based services, LBS)领域发挥着重要作用。准确性、现势性、完整性是评价POI数据质量的重要指标[2]，也是影响地理位置服务可用性的重要因素。

2018年8月,农业农村部、自然资源部联合部署在全国开展“大棚房”专项清理整治工作,并于9月份印发《关于开展“大棚房”问题专项清理整治行动坚决遏制农地非农化的方案》的通知,揭开了力度空前的“大棚房”专项整治行动序幕,成为下半年两部委的重点工作任务,引起国内对“大棚房”问题热烈关注[3]。大棚房,是指一些工商企业、个人及组织借建农业设施或农业园区之名,违法违规占用耕地甚至永久基本农田,用于非农业建设的行为。对于“大棚房”调查,以往采取的方式是将调查任务下放到不同的区市,由当地的国土所或者街道办进行调查并上报,其工作流程存在瞒报、漏报以及需要大量外业调查,造成工作效率低下和不能实施有效监管。将POI数据应用于“大棚房”专项行动中,通过信息化的手段提高作业效率,直接提取业务的“靶向”图斑,可以极大地提高工作效率,并且利于区域业务开展总体情况把控和整体统筹协调。

1 技术路线

提取大棚房需要对多种数据进行叠加对比分析,数据包括：POI数据、土地利用现状数据、遥感影像数据等。总体思路是根据POI数据中地名地址的特点及分类,模糊提取具有大棚房特点的地名地址点,并将其与土地利用现状中的设施农用地进行叠加分析,提取占用设施农用地,并且POI中带有“农家乐”“度假村”“庄园”以及住宅等特点的兴趣点。将兴趣点直接叠加时效性强的卫星遥感影像[4],分析其正射影像特点,并进一步筛选具有经营性质的房屋,并勾绘房屋图斑。最终,根据实际外业调查及数据对比分析,对POI的正确性及精度进行分析。主要的技术路线如图1所示。

图1 技术路线

2 数据处理

2.1 POI数据

据某地“大棚房”清理整治专项行动领导小组办公室了解到[5],“大棚房”问题是指一些地方的工商企业和个人借建农业大棚之名,占用耕地建设“私家庄园”、别墅、休闲度假设施、商品住宅等非农设施的违法违规行为。以某区为研究对象,直接抓取高德地名地址POI数据,在对POI筛选时,可以根据兴趣点的性质分类,用ArcGIS提取可能为大棚房数据的“地产小区”“公司企业”“旅游景点”“商务大厦”等兴趣点,如图2所示。

图2 POI点分布示意图

2.2 土地利用现状数据

土地利用数据是反映土地利用系统及土地利用要素的状态、特征、动态变化、分布特点[6],以及人类对土地的开发利用、治理改造、管理保护和土地利用规划等数据资料。现阶段,第三次全国国土调查数据成果并没有正式启用,因此所采用最新土地利用现状数据库为历年年度土地变更调查成果。

将该区历年土地利用现状数据中的设施农用地进行提取,制作单独图层,如图3所示。

图3 某区设施农用地分布

2.3 遥感影像数据

遥感技术具有覆盖范围广、包含地表信息丰富、快速获取、成本低等特点,随着遥感技术的不断成熟,近些年来,遥感影像广泛应用于土地利用现状调查、土地违法用地监测、林业资源调查、水资源调查等方面[7]。目前国产卫星数据广泛应用于土地资源监测调查的多项业务,建立自然资源一体化调查技术体系首先要统一数据源,卫星遥感影像的获取主要采用高分系列卫星为主,对监测区域采用主动的遥感影像采集,数据源以分辨率亚米级为主,2米级为辅,主要为高分一号、北京二号卫星(分辨率为亚米级),高分二号(分辨率为2米级),覆盖不完全或影像质量不高区域用无人机航空摄影测量进行补。现阶段,遥感影像可在自然资源监测监管的多方面应用,对比前后时像影像变化,可以判断地表覆盖的变化[8],例如在土地方面的监测,根据前后时像,并套合土地基础库数据,采用地理信息系统(geographic information system,GIS)软件,通过人工识别为主的方法,提取违法乱建、占压耕地等图斑,如图4所示,将POI直接叠加在卫星遥感影像上[9]。

图4 遥感影像与POI点叠加

无人机航空摄影测量具有灵活机动,精度高的特点,可以对卫星遥感影像覆盖不到的地方进行数据源的补充,因此采用无人机建立补充区域进行监测,并可将卫星影像与无人机航空影像进行镶嵌,形成多源数据的镶嵌影像,如图5所示。

图5 无人机航空摄影补充数据

3 POI大棚房数据分析

根据实际工作需要提取研究区域的“地产小区”“公司企业”“旅游景点”“商务大厦”等兴趣点,共计4 563个。

采用土地利用现状数据,提取研究区域设施农用地图斑共计712宗,经二者叠加分析,共计有826个兴趣点落在设施农用地图斑范围内。根据数据分析,由于兴趣点的位置存在一定的误差,后续会根据实际外业调查,进一步进行分析兴趣点与设施农用地的叠加相交点。将叠加分析后的数据与遥感影像进一步对比分析,用ArcGIS软件,通过遥感影像进一步进行判定,剔除明显为养殖、种植的图斑,即通过POI数据及遥感影像就可以判断非“大棚房”调查范畴内图斑,如图6,减少外业调查工作量,共计剩余提取623个图斑在“大棚房”调查范畴。

图6 非“大棚房”调查范畴内图斑

4 POI数据的精度分析

文中,POI数据与大棚房数据的吻合度,即POI数据精度。POI数据精度分析主要分为两个方面,一是坐标信息的准确性,二是属性信息的准确性。

4.1 位置精度分析

坐标信息的准确性是指POI能落在目标物上或者周边范围,对于大棚房数据,POI坐标数据位置精度是指点位坐标恰好位于正射影像的“大棚房”建筑物上或者临近范围内,对提取的623个图斑进行点位分析。

首先是对提取的623个点旁边的建筑物轮廓根据遥感影像进行勾绘,就能获取建筑物的位置信息,将POI与勾绘出的建筑物轮廓进行分析,计算其POI到面的最短距离,如图7所示。

(a)POI在建筑物(厂房)影像图范围内

(b)POI在建筑物(厂房)影像图范围外

图7(a)中POI在建筑物正射影像图范围内,图7(b)中POI则在建筑物影像范围外,因此图7(a)中的POI为位置坐标准确点,图7(b)点的位置坐标存在偏差,经分析,623个点中,共计有562个点位落在建筑物图斑范围内,其坐标距离记为0,其余点位,则计算其到目标建筑物的最短距离。采用ArcGIS对点位于建筑物面文件进行分析,计算点到面的最短直线距离,其距离d分布如表1所示。

表1 POI点的位置分析

对表1中POI点的坐标进行分析可知,有90.21%的点是落在区域范围内的,仅有0.80%的点位于距离建筑物10 m范围外,其发生的概率极小。

4.2 属性精度分析

采用POI数据进行大棚房业务开展仅作为辅助手段,其真实数据是该区各街道的调查人员进行实际外业调查获得的,采用的主要方法：

(1)基于POI分析的数据,对分析的623个数据直接到现场,对其属性信息进行分析,包括名称、分类、用途等,共计有606个数据基本正确,正确率为97.27%,分析其余17条POI不正确的主要原因为：①POI地名地址数据为时效性较差的数据,实际建筑物已经改了名字,而POI数据不能及时更新;②一个建筑物具有不同的属性,对于一个建筑物,实际上有很多家不同性质的企业或者经营单位,POI数据不能全面显示其属性信息。

(2)在POI数据外,对满足大棚房条件的建筑物构筑物直接上报,其建筑物构筑物在当地的地名地址分别具有“农家乐”“度假村”“庄园”以及住宅等特点,共计在POI数据外8条,换而言之,POI数据并不完全,仍有很多数据不能收录到数据库中,就大棚房数据而言,其遗漏的数据条数约为1.28%。

综上分析,POI数据与大棚房数据吻合度非常高,对于“大棚房”专项整治行动,POI数据对于解决实际业务需求具有重要的意义。但POI数据的位置精度及属性精度对业务开展的影响较大,因此可进一步提高POI数据精度,主要措施为采取精度可靠的兴趣点采集方法,可以对多种方式采集的POI数据点进行对比分析,查找差异点,不断优化POI数据位置精度,现阶段的POI数据主要生成方式是源于基础测绘成果数字线划地图(digital line graphic,DLG)中的点类要素数据集,现阶段,随着互联网电子地图的飞速发展,电商经济、共享经济、互联网社交、快递服务等都有大量的POI数据信息,其数据量十分巨大且丰富,因此可以结合不同方式获取的POI数据进行整合分析,对于差异较大的POI数据也可采用现场调查的方式进行外业实际采集其坐标,满足精度要求。对于POI数据的属性正确性,也可采用多源数据对比的方式进行分析,及时更新数据,保持数据有效性,也可进行实际走访,实地了解存在疑问的POI数据,保持数据的时效性。

5 结束语

目前国内的POI数据具有覆盖范围广、数据量大、准确度高、更新频率快等特点,高德地图在国内有超过6 000万条的POI数据,多用于电商经济、共享经济、互联网社交、快递服务、导航等商业活动,其坐标信息及属性信息对于辅助开展“大棚房”整治活动具有明显的优势。将POI数据与土地业务数据库、遥感影像相结合,能快速准确地提取目标物。在本次实验中,提取带有“大棚房”属性特征的点共计4 563个,经与土地利用现状调查数据叠加分析,并结合遥感影像和POI数据的属性信息剔除不在“大棚房”范畴内的图斑,共计623个,其中仅有5个图斑在建筑10 m范围之外,其POI数据位置精度较高,结合外业调查,共计有17条数据记录属性存在误差,主要原因为数据时效性差或者数据记录不全,此外根据实际调查,有8条明显具有“大棚房”特点的建筑物并没有在POI数据中。通过以上数据分析,基于POI数据辅助开展“大棚房”综合整治是可行的,其数据的坐标精度及属性精度满足业务需求。