EN中文

自然资源学报 >

2024 , Vol. 39 >Issue 12: 2912 - 2923

DOI: https://doi.org/10.31497/zrzyxb.20241211

国土空间规划实施监测

国土空间规划实施监测网络中多源数据融合路径研究——以高铁网络发展评估的应用实践为例

  • 赵毅 , 1 ,
  • 韦胜 1, 2 ,
  • 郑俊 1
展开
  • 1.江苏省规划设计集团有限公司，南京 210036
  • 2.江苏省规划建设数字化工程研究中心，南京 210036

赵毅（1979- ），男，辽宁营口人，博士，研究员级高级城市规划师，研究方向为国土空间规划、国土空间规划实施监测、生态产品价值实现、儿童友好城市建设等。E-mail:

收稿日期: 2024-04-01

  修回日期: 2024-07-23

  网络出版日期: 2024-12-16

基金资助

中国博士后科学基金项目(2022M710669)

江苏省重点研发计划社会发展项目(BE2023799)

江苏省自然科学基金项目(BK20211371)

收起

Exploring the development path of multi-source data fusion for China Spatial Planning Observation Network: Using the application of high-speed railway network development evaluation as an example

  • ZHAO Yi , 1 ,
  • WEI Sheng 1, 2 ,
  • ZHENG Jun 1
Expand
  • 1. Jiangsu Planning and Design Group Co., Ltd., Nanjing 210036, China
  • 2. Jiangsu Provincial Planning and Construction Digital Engineering Research Center, Nanjing 210036, China

Received date: 2024-04-01

  Revised date: 2024-07-23

  Online published: 2024-12-16

Fold

摘要

当前，国土空间规划实施监测网络正处于探索和建设的关键时期，数字化技术在国土空间治理体系中成为前沿焦点。其中，多源数据融合作为国土空间规划实施监测网络建设的基础，对于国土空间规划研究和实践至关重要。然而，当前学界对于多源数据融合内涵的认识和应用路径仍未清晰。为此，提出从数据综合、业务发展和应用场景三个角度出发，建立国土空间规划实施监测背景下数据融合的技术实现路径框架，以高铁网络发展评估为应用案例进行辨析。从基于信息综合处理的数据融合、面向关键业务要素的数据融合以及功能场景驱动下的数据应用连通等三个方面，对具体技术实现路径和实施效果进行了阐述。同时，重点讨论了多源数据融合的关键内容、实践价值以及政策建议，期望为提升国土空间治理现代化水平发挥重要支撑性作用。

关键词： 国土空间规划; 实施监测网络; 多源数据; 数据融合; 大语言模型

本文引用格式

赵毅 , 韦胜 , 郑俊 . 国土空间规划实施监测网络中多源数据融合路径研究——以高铁网络发展评估的应用实践为例[J]. 自然资源学报, 2024 , 39(12) : 2912 -2923 . DOI: 10.31497/zrzyxb.20241211

Abstract

At present, China Spatial Planning Observation Network is in a critical stage of exploration and construction, and the development of digital technology in the transformation of national spatial governance system has become a cutting-edge focus. Among them, multi-source data fusion is crucial for the successful implementation of industry models and applications as the foundation of China Spatial Planning Observation Network. However, the understanding and application paths of different aspects of data fusion have not been fully resolved. Therefore, this study proposes a technical framework for data fusion in the context of land spatial planning implementation monitoring from the perspectives of data integration, business development, and application scenarios, with the high-speed railway network development evaluation as an application case. Then this study elaborates on the specific implementation path and effects of data fusion methods based on data structure features, information integration methods oriented towards key business elements, and data application connectivity methods driven by functional scenarios. Finally, this study discusses the key content, practical value, and policy recommendations of multi-source data fusion, providing fundamental support for improving the modernization level of national spatial governance.

Key words： territorial spatial planning; implement monitoring network; multi-source data; data fusion; large language model

2023年9月中华人民共和国自然资源部办公厅印发的《全国国土空间规划实施监测网络建设工作方案（2023—2027年）》，明确提出建设全国国土空间规划实施监测网络的重要任务，旨在通过“数字化”和“网络化”手段，支持实现国土空间规划全生命周期管理的“智能化”，为新发展格局构建和城乡高质量发展提供高效服务，推动美丽中国数字化治理体系的建设以及绿色智慧的生态文明建设[1]。从工作方案的任务和要求来看，国土空间规划实施监测网络对不同类型数据的需求日益增加，使得多源数据融合与协同共享变得更加复杂和紧迫[2]，以便快速响应实践中的复杂需求[3]。
多源数据融合在国土空间规划实施监测网络中发挥着至关重要的作用，贯穿规划实施的全过程。在数据采集、处理和更新的过程中，多源数据融合关注数据的结构、融合方法以及效果[4]。同时，多源数据融合的核心在于将不同信息融合到核心业务数据中，通过特定的融合方法实现关键性业务数据源的集成[5]。为了应对国土空间规划实施监测网络建设过程中不断变化的需求，人工智能技术成为推动数据融合处理的重要发展方向[6]。一般认为，多源数据融合需要与数据生产要素价值研究紧密联系在一起，本文拟通过对多源数据综合、业务场景指引和智能驱动应用转型等方面的探索性分析，构建相关多源数据融合的技术实施路径体系，为国土空间规划实施监测网络中的数据库、评估指标体系、决策模型库、信息系统平台等建设提供一定的借鉴和参考。

1 文献回顾与内涵理解

1.1 文献回顾

结合当前最新的理论与技术发展趋势，本文从数据融合方法、数据生产要素以及人工智能方法等三个方面梳理已有研究成果。
一是多源数据融合方法支撑复杂业务发展。在国土空间规划、地理信息系统、遥感等不同行业的研究和实践中，多源数据融合通常被视为一种数据处理方法和数据产品生成的途径[7]。在这一语境下，强调了数据融合处理的方法和计算过程，主要涉及对不同数据源访问与集成[8]、数据匹配算法的设计与实施以及新数据产品的生成与线下发布等问题的探讨[9]。总体来看，多源数据融合方法多、体系庞大、专业性较强，是支撑复杂业务发展的技术基础。
二是数据生产要素提升数据融合场景价值。近年来，随着数据经济的快速发展，数据生产要素的价值已成为社会经济发展中一项重要的研究和实践探索领域[10]。国土空间规划实施监测网络建设涉及大量多源数据[11]，这些数据本身可被视为一种新的生产资料，推动原有业务的升级和新业务的产生[12]。与其他社会经济数据不同的是，在国土空间规划研究领域，空间数据是其中最重要的组成部分，其价值的发挥离不开多源空间数据的深度融合[13]。从实现价值的角度来看，重点要将原本存储在不同部门和位置的数据流通到需要的应用场景[14]，让不同来源的高质量数据在新的业务需求和场景中汇聚融合[15]，推动创新发展[16]，实现双赢、甚至多赢的价值利用[17]。
三是人工智能驱动数据融合应用转型发展。人工智能的发展正推动着社会经济各个领域的转型。以知识图谱、大语言模型为代表的人工智能技术对不同应用场景的交互方式产生了深远影响，各种数字应用场景可以通过自然语言被触发和控制[18]。在国土空间规划实施监测网络建设中，应用场景驱动下的多源数据融合面临着实时响应的应用需求和智能化发展的挑战[7]。在人工智能等技术的支持下，数据的自动化和智能化采集、传输、处理和操作将构建出新的生产体系[19]，可以实现业务分析和决策的全局优化[20]。基于人工智能的多源数据融合处理和应用正成为决定行业竞争力的重要因素。

1.2 内涵理解

伴随着“五级三类”国土空间规划体系的构建和实施，国土空间规划实施监测网络建设提上议事日程，由于其涉及复杂多样的数据源，数据资源共享体系的构建仍然任重道远。因此，数据融合工作的关键，在于确保多源数据整合成可共享的数据源，以满足国土空间规划实施监测在规划实施前、实施过程中、实施后的分析需求[21]。同时，在数据共享基础上，构建可用于国土空间规划实施监测的分析模型，实现科学评估与决策。
当前，在国土空间规划实施监测网络发展中，核心空间要素如何与其他多源数据实现深度融合是一个亟需解决的问题。为此，根据国土空间规划编制及实施监测的核心业务实际需求，应将多源数据与核心业务数据关联，使国土空间规划相关信息系统能够快速地提供多源数据融合成果以支撑使用者决策[22]。
国土空间规划实施监测网络所面临的实际复杂应用场景，无法提前整合所有多源数据，所面对的使用群体在数字技术掌握能力上也存在着较大差异。这就要求国土空间规划实施监测网络可智能和快捷地调用多源数据以满足各项具体应用需求[23]，促进国土空间规划相关数据治理工作的高效发展[24]。这些场景或需求在传统技术方案中较难实现，但随着大语言模型技术发展，自然语言交互下空间分析工具的智能调用正成为现实，并处于快速发展之中。因此，在国土空间规划实施监测网络建设中，数据融合的执行过程具有更加智能化的执行能力表现[25]。
国土空间规划实施监测正面临着从简单叠加多源数据向深度融合发展的挑战。以多源数据综合处理为核心的数据融合，强调在底层技术层面的应对和发展；而以业务需求为核心的数据融合，更加注重数据在生产要素中的价值实现。这种以关键业务需求为导向的数据融合方法，可以在一定程度上引导底层数据综合处理和数据融合技术的提升与发展。此外，人工智能技术的引入，可以显著提升数据融合的智能化应用水平，进一步推动国土空间规划实施监测网络中多源数据的深度融合发展。

2 研究方法

2.1 总体研究思路

多源数据融合可以分三步骤推进（图1）。步骤一，实现数据共享是数据融合的基础。国土空间规划监测网络需要面对多样数据，建立统一的数据目录体系是关键。步骤二，从技术实现路径推动多源数据融合，包括基于数据综合处理的数据融合，关注数据层面的处理方法以形成新的数据成果；面向关键业务的数据融合，强调多源信息汇聚到核心业务要素；场景驱动的数据应用，通过智能化方式满足不同场景的分析需求。步骤三，三种融合路径最终分别导向不同的产品输出，即数据综合产品、业务应用产品、场景融合产品，后两种通常需要数字化信息系统平台支持。
图1 多源数据融合的总体研究思路

Fig. 1 Schematic diagram of overall research

2.2 技术实现路径

2.2.1 基于信息综合处理的数据融合

基于信息综合处理的数据融合是一种整合不同空间数据以生成新数据的过程，旨在提高数据的几何精确性、逻辑一致性、完整性和时效性。国土空间规划实施监测网络涉及多种数据类型和复杂的数据源，底层数据需要进行坐标系转换和字段语义转换等处理，以满足不同规划阶段的需求。例如，“三调”数据需转换用地类型以适应规划编制过程中的需求。然而，国土空间规划实施监测网络建设中还需要通过一定的复杂数据处理和分析过程，形成数据融合后新的成果数据。例如，单一的数据源成果通常无法满足城市高铁站点地区综合发展的监测评估需求，需要利用多源数据构建一套指标体系，并计算出最终的评估结果数据。
该技术实现路径通常包括数据集成、数据匹配和数据融合生成（图2）。数据集成是收集多源数据。这些数据可能具有不同的结构、坐标系和存储位置，为数据融合提供基础资源。数据匹配包括将收集的多源数据进行数据坐标系的统一、空间分析单元划分、字段语义转换等操作，以满足各种数据质量评估要求。其中，多源数据的数据坐标系往往存在不统一的问题，因此需要进行坐标系转换处理。空间分析单元划分是对多源数据统一空间分析基本单元的处理过程，如划定高铁站点指定缓冲区范围为高铁站点地区监测的地理空间范围，则需要将以此缓冲区范围为基本空间分析单元来实现多源数据匹配处理。融合生成阶段通常经过权重设置和空间叠加计算等处理，最终输出数据融合处理后的成果。具体来说，不同类型的数据在经过匹配后，需逐一设置权重（如采用熵值法或AHP层次分析法），并通过空间叠加计算得出最终的评估结果。
图2 基于信息综合处理的数据融合的主要实现过程

Fig. 2 Schematic diagram of the main implementation process of data fusion based on comprehensive data processing

2.2.2 面向关键业务要素的数据融合

面向关键业务要素的数据融合至关重要，其实现了业务核心数据与多源数据的无缝衔接。在技术方法上，数据融合涉及坐标系转换、统一空间分析单元等处理过程，但从业务应用角度看，更为关键的是基于现有多源数据成果生成符合实际发展需求的业务指标体系，深度融合不同业务领域的数据成果。此外，数据融合处理结果需要随时间变化而更新，形成不同时间点上的数据融合快照，以满足国土空间规划实施的持续发展监测需求。
该技术实现路径一般包括多源数据集成、数据深度融合以及业务融合产品（图3）。首先，需要汇集多源数据。例如，将国土空间规划地块图斑视为关键业务要素，收集城市经济普查、重大建设项目等多源数据。其次，进行数据深度融合处理。针对所汇聚的各类多源数据成果，构建相关指标体系，并将多源数据和指标都关联至关键业务要素。例如，围绕国土空间规划地块图斑的数据融合处理结果（图4），地块图斑图层汇聚了用地基本信息、人口、经济、社会、生态等多维度评价信息。同时，将居住和教育空间匹配关系、交通可达性等常见的国土空间规划监测评估功能与地块图斑绑定，实现了分析模型与关键业务要素的直接关联。与第一种技术实现路径相比，该路径将多源数据融合提升至业务服务产品的层面，使得多源数据的生产要素价值能够以数据化产品的形式提供服务，而不仅是简单生成多源数据综合成果。
图3 面向关键业务要素的数据融合的主要实现过程

Fig. 3 Schematic diagram of the main implementation process of data fusion for key business elements

图4 以地块为核心的数据融合功能

Fig. 4 Schematic diagram of data fusion function centered on land parcels

2.2.3 功能场景驱动下的数据应用连通

国土空间规划实施监测评估面临复杂的业务分析和智能决策需求。管理者和分析人员通常需要将核心精力集中在国土空间规划实施监测网络的业务分析和决策上。因此，底层数据处理操作如数据融合需要适当封装，以便分析模型能直接调用多源数据和相关数据融合方法。功能场景驱动下的数据融合通过服务封装方式实现，能够调用不同分析模型，并通过系统平台中的数据处理算法和数据服务管理能力来完成多源数据的分析任务，从而让用户专注于应用场景的建设。这种模式有效将数据融合处理与应用场景紧密结合，形成了场景融合产品。
具体实现过程中，首先，通过数据服务管理实现多源数据的在线集成。在当前国土空间云技术的支撑下，多源数据通常通过不同使用者提供的在线数据服务接口实现实时共享。其次，通过数据融合处理实现多源数据的融合计算，提升数据生产要素的价值。最后，通过设计具体的分析模型，将包含多源数据融合处理的功能转化为模型服务，并以模型服务接口形式供给不同应用场景使用（图5）。
图5 功能场景驱动下数据应用连通的主要技术思路

Fig. 5 Schematic diagram of the main technical ideas for data application connectivity driven by functional scenarios

随着大语言模型等人工智能技术的进步，操作的交互方式正呈现智能化发展态势。信息系统平台通过预设提示词进行持续训练，使大语言模型能够准确回答各类问题。尽管系统可能无法完全依赖预先训练来适应所有潜在用户的提问，但在专业应用系统中，持续训练能够满足绝大多数需求。此外，人工智能技术可通过持续训练更新提示词，以响应功能和参数的更新迭代。国土空间规划实施监测网络建设中的人工智能技术需与大语言模型技术的快速发展同步，以满足日益复杂的业务需求。

3 应用案例

本文通过三个案例具体说明前述技术实现路径：第一个案例展示了多源数据融合在城市高铁站点地区活力评估中的应用，强调其为国土空间规划监测网络提供了基础数据处理方法和评估指标支持；第二个案例展示了基于关键业务信息的数据融合，突出数据融合在直接服务业务需求中的作用；第三个案例展示了智能多源数据融合，通过大语言模型智能调用空间分析模型，提升了数据融合在国土空间规划监测网络中的多场景应用价值。

3.1 基于多源数据综合的高铁站点地区发展评估

实现城市高铁站点地区的规划实施前和实施中发展评估，需要综合考虑高铁站点地区不同维度的发展状况。不同维度的发展状况分析依赖于多源数据的采集和处理。为此，本文整合了POI、大众点评、在线导航道路网等多种类型数据，构建了长三角高铁站点地区发展评估的监测指标体系。在数据融合处理过程中，首先，通过坐标系转换、POI类型转换等处理过程，解决了多源数据在坐标系、数据类型和指标值含义上的不一致性问题。其次，以站点周边500 m和1500 m缓冲区范围作为高铁站点地区交通与功能评估的空间分析单元，计算各类评价指标结果。最后，通过熵值法得出高铁站点地区的动态发展评估综合评价结果（图6）。这一研究方法有效克服了单一数据来源可能引起的评估结果偏颇问题，为国土空间规划实施监测网络中特定空间对象实体的动态评估研究和实践提供了技术实现路径的参考依据。同时，该案例数据融合成果是一种经过综合性计算后的数据综合产品。
图6 基于多源数据融合的长三角高铁站点周边地区发展评估结果

Fig. 6 Development evaluation results of high-speed rail station areas based on multi-source data fusion

3.2 基于关键业务的数据融合处理与应用

在该案例中，高铁站点作为业务核心关注对象，扮演着集成多源数据的重要角色。首先，需要将高铁站点相关的多源数据进行集成，如站点基本信息、客流量、站点地区发展评估指标值等。其次，构建高铁站点的业务信息指标体系，将不同类型的数据融合处理成果直接关联至高铁站点这一关键业务对象上。最后，通过数字化信息系统产品的开发，实现了多维度数据资源与高铁站点这一关键业务要素的融合（图7）。这种数据融合的技术实现路径不仅提供了全面的站点信息，还提供了便捷的查询途径，使用者无需翻阅多个资料即可获取多方面信息，如站点的全景、三维、视频等资料。该方法在国土空间规划实施监测网络建设中具有重要意义，提升了数据更新效率和信息应用的便捷性，为规划决策和实际应用提供了更为可靠和便捷的监测数据支持。同时，该案例的成果已经不是单纯的某一种数据融合结果，而是与关键业务中核心数据关联的多源数据集合。某种意义上，该案例的结果是一种通过基础数据融合处理而得到的业务融合产品。
图7 以高铁站点为核心的多源数据融合应用案例

Fig. 7 Schematic diagram of multi-source data fusion application case with high-speed rail stations as the core

3.3 面向智能交互操作的多源数据融合应用

在该案例中，大语言模型的智能交互式操作能力与多源数据融合应用紧密联系在一起。首先，各种多源数据，例如POI、高铁站点基本信息、高铁客流量等，被发布为在线数据服务。这些在线数据服务组合形成了一套完整的数据源，实现了数据集成的目标。其次，不同应用场景根据具体分析需求访问这些在线数据服务，并对数据服务中的数据进行格式转换、数据融合计算等处理，以满足具体分析模型构建需求。最后，专业分析需求被封装为独立的空间分析模型，由数字化系统平台调用具体空间分析模型，以满足国土空间规划实施监测网络中各种实际应用需求。由于实际应用场景是复杂多样且不断变化的，数字化系统平台需要组合不同的空间分析模型以满足多应用场景需求。为此，本案例利用大语言模型技术实现了自然语言交互下的专业分析模型自动调用处理，使得多源数据融合处理模型可被更便捷地推广应用。在长三角地区，由于高铁站点数量众多，站点之间在不同维度上存在一定的特征相似性。基于站点之间的特征相似性，可以开发出相似特征站点推荐的系统功能模块。只需简单输入“某个站点的相似站点”类似语句，系统即可列举出相似站点并在地图上展示（图8）。针对高铁站点地区的发展评估需要融合多源数据处理，这对一般使用者而言过于复杂。在本案例中只需输入类似语句如“请计算南京站周边地区的用地混合度”，系统将自动进行调用POI数据，并通过专业分析模型实现南京站周边地区用地混合度计算（图9）。
图8 大模型问答方式调用“某些特征相似高铁站点推荐”的功能演示

Fig. 8 Demonstration of using the large model Q&A method to call for the function of "recommending high-speed rail stations with similar features"

图9 大模型问答方式调用“高铁站点周边地区用地混合度计算”的功能演示

Fig. 9 Demonstration of using the large model Q&A method to call the function of "calculation of land mixing degree in the surrounding areas of high-speed rail stations"

4 结论与讨论

当前，城市发展正从外延式扩张向内涵式提升转变，亟需融合多源数据来提升信息系统的决策辅助和智能管理能力。本文通过高铁站点地区发展评估案例，深入探讨了在国土空间规划实施监测网络建设中数据融合的内涵、技术路径和实现效果。首先，基于数据综合处理的数据融合路径主要关注数据处理方法，包括数据集成、数据匹配和新类型数据生成等。这些方法为关键业务要素的数据融合奠定了基础。其次，数据融合的核心在于确保业务核心要素经过具体的数据处理分析后，可以直接连接多源数据信息，从而简化监测、评估、管理和决策处理的数字化操作。最后，场景驱动的数据应用路径强调以应用场景为中心，使得用户无需深入了解数据融合处理方法，只需专注于业务逻辑的处理。总之，基于数据综合处理的数据融合路径为关键业务要素的数据融合和场景驱动的数据应用提供了技术支持。大语言模型等技术的应用，为国土空间规划实施监测网络建设中的数据融合带来了新的智能化发展方向。
本文在以下两方面具有一定参考价值：一是强调国土空间规划监测网络中的多源数据融合应从数据生产要素的业务价值出发，创建整合后的数字化产品，而不仅仅是分散的数据集合。二是数据融合的技术路径应聚焦于核心业务需求和智能化发展，为实现“可感知、能学习、善治理”的目标提供有力支撑。只有将数据融合的焦点拓展至核心业务数据要素，才能实现多源数据融合与国土空间规划实施监测网络建设的有机统一。
本文对国土空间规划实施监测网络建设具有以下推广意义：一是提升数据协同共享能力。当前，提升数据集成是关键，未来需增强不同系统平台间的数据集成与共享能力，以支持国土空间规划的有效实施。二是实现多源数据的无缝关联。核心业务数据的无缝关联和共享是监测网络建设的关键。现有系统通过不同图层展示不同来源数据，但这仅是初步数据集成，未实现数据深度融合。未来需推动以业务应用为导向的数据融合。三是简化复杂数据处理。在监测网络建设中，应通过模型封装和人工智能技术，简化复杂的数据融合过程，使系统平台操作更为简便，降低用户使用门槛。
要实现上述目标，需在以下三个方面提供制度保障：一是提升多源数据集成和共享能力。在保障数据安全的前提下，增强空间规划系统中多源数据的灵活、安全访问能力。复杂场景需要跨部门合作，通过制度和技术实现数据集成，确保数据融合的可操作性。二是汇聚核心业务数据，要以核心业务要素为基础，汇集多源数据，实现动态更新和高效数据治理。国土空间规划实施监测网络的目标是要通过多源数据的分析来为实践服务，而不仅是简单的数据汇集。三是应用大语言模型简化操作，扩大大语言模型在监测网络中的应用，通过自然语言交互降低复杂数据处理和模型应用的门槛，使其能根据指令自动执行空间分析。
未来将从以下三个方面展开深入研究：一是数据融合的成功实施离不开数据共享水平，但目前在这一领域仍面临严峻挑战，因此数据融合与空间数据底座中的数据共享能力建设密不可分。二是加强数据融合中知识图谱的构建及其应用推广能力，实现数据向知识的有效转化。知识图谱将成为国土空间规划实施监测网络中数据融合的关键技术发展方向。三是数据融合与大语言模型等人工智能的深度融合与推广需要进一步从技术实现和应用路径方面展开广泛实践探索。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
钟镇涛, 张鸿辉, 刘耿, 等. 面向国土空间规划实施监督的监测评估预警模型体系研究. 自然资源学报, 2022, 37(11): 2946-2960.

DOI

[ZHONG Z T, ZHANG H H, LlU G, et al. Research on model system of monitoring-evaluation-warning for implementation supervision of territory spatial planning. Journal of Natural Resources, 2022, 37(11): 2946-2960.]

[2]
王伟. 国土空间整体性治理与智慧规划建构路径. 城乡规划, 2019, (6): 11-17.

[WANG W. Holistic governance of territorial spatial planning and construction path of smart planning. Urban & Rural Planning, 2019, (6): 11-17.]

[3]
孔宇, 甄峰, 李兆中, 等. 智能技术辅助的市(县)国土空间规划编制研究. 自然资源学报, 2019, 34(10): 2186-2199.

DOI

[KONG Y, ZHEN F, LI Z Z, et al. Research on smart technology-assisted territorial spatial planning: A case study at city and county level. Journal of Natural Resources, 2019, 34(10): 2186-2199.]

DOI

[4]
WU X, OU J, WEN Y, et al. Developing a data-fusing method for mapping fine-scale urban three-dimensional building structure. Sustainable Cities and Society, 2022, 80: 103716, Doi: 10.1016/j.scs.2022.103716.

[5]
刘俊楠, 刘海砚, 陈晓慧, 等. 面向多源地理空间数据的知识图谱构建. 地球信息科学学报, 2020, 22(7): 1476-1486.

DOI

[LlU J N, LlU H Y, CHEN X H, et al. The construction of knowledge graph towards multi-source geospatial data. Journal of Geo-information Science, 2020, 22(7): 1476-1486.]

[6]
甄峰, 张姗琪, 秦萧, 等. 从信息化赋能到综合赋能: 智慧国土空间规划思路探索. 自然资源学报, 2019, 34(10): 2060-2072.

DOI

[ZHEN F, ZHANG S Q, QlN X, et al. From informational empowerment to comprehensive empowerment: Exploring the ideas of smart territorial spatial planning. Journal of Natural Resources, 2019, 34(10): 2060-2072.]

DOI

[7]
WANG W, HEI M, PENG F, et al. Development of "air-ground data fusion" based LiDAR method: Towards sustainable preservation and utilization of multiple-scaled historical blocks and buildings. Sustainable Cities and Society, 2023, 91: 104414, Doi: 10.1016/j.scs.2023.104414.

[8]
向雨, 张鸿辉, 刘小平. 多源数据融合的城市体检评估: 以长沙市为例. 热带地理, 2021, 41(2): 277-289.

DOI

[XIANG Y, ZHANG H H, LIU X P. Urban physical examination evaluation based on multisource data: A case study of Changsha city. Tropical Geography, 2021, 41(2): 277-289.]

DOI

[9]
刘春杉, 曾元武, 罗宏明, 等. 广东省国土空间规划“一张图”实施监督信息系统下的海洋数据融合研究与实践. 测绘通报, 2022, (6): 154-157.

DOI

[LIU C S, ZENG Y W, LUO H M, et al. Research and practice on marine spatial data integration based on Guangdong territory spatial planning "one map" implementation supervision information system. Bulletin of Surveying and Mapping, 2022, (6): 154-157.]

[10]
何苏燕. 数据生产要素化及其价值创造机制研究. 企业经济, 2023, 42(1): 79-87.

[HE S Y. Research on data production factor and its value creation mechanism. Enterprise Economy, 2023, 42(1): 79-87.]

[11]
李满春, 陈振杰, 周琛, 等. 面向“一张图”的国土空间规划数据库研究. 中国土地科学, 2020, 34(5): 69-75.

[LI M C, CHEN Z J, ZHOU C, et al. "One Map" oriented database investigation for territorial space planning. China Land Science, 2020, 34(5): 69-75.]

[12]
赵毅, 周秦, 袁新国, 等. 国土空间规划引领生态产品价值的实现路径. 城市规划学刊, 2022, (5): 59-66.

[ZHAO Y, ZHOU Q, YUAN X G, et al. Realizing the ecological value through territorial spatial planning: A research on path finding. Urban Planning Forum, 2022, (5): 59-66.]

[13]
徐猛. 基于数据融合和规划场景设定建设多源数据规划应用平台. 上海城市规划, 2018, (1): 57-62.

[XU M. Multi-source data planning application platform based on data fusion and planning scenarios. Shanghai Urban Planning Review, 2018, (1): 57-62.]

[14]
荣慧芳, 陶卓民. 基于网络数据的乡村旅游热点识别及成因分析: 以江苏省为例. 自然资源学报, 2020, 35(12): 2848-2861.

DOI

[RONG H F, TAO Z M. Hotspot identification and cause analysis of rural tourism based on website data: Take Jiangsu province as an example. Journal of Natural Resources, 2020, 35(12): 2848-2861.]

[15]
王炼军, 徐恺阳, 蒋源, 等. 成都市实时体检评估体系与技术方法. 规划师, 2024, 40(1): 122-128.

[WANG L J, XU K Y, JIANG Y, et al. The real-time examination evaluation system and technical method in Chengdu city. Planners, 2024, 40(1): 122-128.]

[16]
潘家栋, 肖文, 唐楠. 数据要素赋能创新模式演进. 社会科学战线, 2024, (3): 51-58.

[PAN J D, XIAO W, TANG N. A research on data elements enabling the evolution of innovation mode. Social Science Front, 2024, (3): 51-58.]

[17]
项波, 温婷, 郭汉, 等. 时空数据融合的自然遗产地监测与保护管理平台设计方案研究. 中国园林, 2020, 36(11): 95-99.

[XIANG B, WEN T, GUO H, et al. Research on platform design scheme of natural heritage monitoring and protection management based on spatiotemporal data fusion. Chinese Landscape Architecture, 2020, 36(11): 95-99.]

[18]
蒋秉川, 万刚, 许剑, 等. 多源异构数据的大规模地理知识图谱构建. 测绘学报, 2018, 47(8): 1051-1061.

DOI

[JIANG B C, WAN G, XU J, et al. Geographic knowledge graph building extracted from multi-sourced heterogeneous data. Acta Geodaetica et Cartographica Sinica, 2018, 47(8): 1051-1061.]

DOI

[19]
陈彪, 彭欣月, 周素红, 等. 基于多源数据融合的农村建筑智能识别与三维建模方法研究. 热带地理, 2023, 43(2): 190-201.

DOI

[CHEN B, PENG X Y, ZHOU S H, et al. Intelligent recognition and 3D modeling of rural buildings based on multi-Source data fusio. Tropical Geography, 2023, 43(2): 190-201.]

[20]
白婷, 邓实权, 熊花, 等. 基于人工智能和遥感技术的城市更新单元识别方法研究及应用. 自然资源学报, 2023, 38(6): 1517-1531.

DOI

[BAl T, DENG S Q, XlONG H, et al. Research and application of urban renewal unit recognition method based on AI and remote sensing. Journal of Natural Resources, 2023, 38(6): 1517-1531.]

DOI

[21]
张良培, 何江, 杨倩倩, 等. 数据驱动的多源遥感信息融合研究进展. 测绘学报, 2022, 51(7): 1317-1337.

DOI

[ZHANG L P, HE J, YANG Q Q, et al. Data-driven multi-source remote sensing data fusion: Progress and challenges. Acta Geodaetica et Cartographica Sinica, 2022, 51(7): 1317-1337.]

DOI

[22]
刘纪平, 王勇, 胡燕祝, 等. 互联网泛在地理信息感知融合技术综述. 测绘学报, 2022, 51(7): 1618-1628.

DOI

[LlU J P, WANG Y, HU Y Z, et al. A review of web-based ubiquitous geospatial information discovery and integration technology. Acta Geodaetica et Cartographica Sinica, 2022, 51(7): 1618-1628.]

DOI

[23]
吴欣玥, 廖家仪, 张晓荣. 基于多源数据融合的成都市职住空间特征及影响因素研究. 规划师, 2023, 39(1): 120-127.

[WU X Y, LIAO J Y, ZHANG X R. Study on employment-residence space characters and their influencing factors in Chengdu based on multi-sourced data integration. Planners, 2023, 39(1): 120-127.]

[24]
赵毅, 郑俊, 徐辰, 等. 县级国土空间总体规划编制关键问题. 城市规划学刊, 2022, (2): 54-61.

[ZHAO Y, ZHENG J, XU C, et al. Key issues in the making of county-level territorial spatial master plans. Urban Planning Forum, 2022, (2): 54-61.]

[25]
辛鲁斌, 韩玲, 李良志. 基于多源数据融合的滑坡智能识别. 地球科学与环境学报, 2023, 45(4): 920-928.

[XIN L B, HAN L, LI L Z. Landslide intelligent recognition based on multi-source data fusion. Journal of Earth Sciences and Environment, 2023, 45(4): 920-928.]

Options
文章导航

/

〈 〉