研究背景与意义
以不规则多边形或线条等矢量要素表征的地理矢量数据是地理信息存储、地学统计与分析以及GIS应用服务等领域的核心数据形式。由于矢量数据在空间实体及属性信息表达上的高准确性，以及其存储方式的简洁性和易用性，使得不管是服务于信息统计的自然资源调查监测图斑，还是服务于规划建设等公共领域的公众测绘数字线划图，大多都是矢量格式。
矢量数据的重要性
自然资源部在2023年发布的《加快测绘地理信息事业转型升级更好支撑高质量发展的意见》中明确提出了"'十四五'95%的用户使用公众测绘成果"的建设目标。因此，如何快速、准确地获取高质量矢量数据，已成为地理信息科学和相关行业发展中的关键任务，而遥感观测技术的持续快速进步，为高质量矢量数据的高效获取提供了坚实数据基础。
当前矢量要素获取方法
当前，自然资源调查监测和公众测绘数据生产等行业的矢量要素大多通过遥感影像的解译生成，解译方法主要分为两种：人工目视解译和遥感智能解译。
人工目视解译
由专业解译人员依据相关规则和操作经验，从超高分辨率遥感影像中手动勾绘地物的矢量要素。这种方式生产的结果具有高质量的地物类别属性、边界以及拓扑特性，并能满足相关规范要求，但其生产过程需耗费大量人力物力。
遥感智能解译
借助遥感智能解译自动生成矢量要素数据成为相关领域和行业部门的研究热点。当前主流的遥感智能解译方法依赖深度学习模型，从超高分辨率遥感图像中提取像素级地物要素，随后通过矢量化简化以及人工干预的后处理，最终生成满足规范要求的矢量要素数据。
人工目视解译与深度学习模型解译的差异
相比于人工目视解译，遥感智能解译方法在一定程度上提高了矢量要素获取的效率，但模型解译转化的矢量要素尚无法完全满足规范要求。通用分割结果存在边界圆滑且不规则、实体间粘连的问题；而建筑物提取模型+矢量后处理的结果虽然能够生成较为简化的多边形，但在复杂形状建筑提取中表现不佳，且尚未考虑建筑物的综合取舍优化。
尽管地理信息领域已经开发了大量后处理自动算法，如多边形化简、折线简化和建筑物直角化等，但这些算法主要针对矢量要素本身进行处理，无法同时对影像和矢量要素进行协同优化，从而导致后处理结果在边界吻合度上有所下降。
制图级矢量要素的定义与质量评价方法
制图级矢量要素数据的定义
在公众测绘产品生产和自然资源调查监测等实际应用场景中，地表要素的成果数据通常以矢量数据形式呈现，是资源普查、业务统计分析以及各类地图制作的基础。尽管面向不同行业部门生产基础地物矢量要素数据的应用目的有所不同，其数据要求和规范约束也存在差异，但这些数据有一些共同的特点，如：属性一致、定位准确、拓扑正确、综合表达等。
制图级矢量要素数据定义
针对公众测绘产品生产和自然资源调查监测等实际场景，本文将"特定比例尺下符合某种制图标准约束的矢量要素数据"统一定义为"制图级矢量要素数据"。
数字线划图生产流程
制图级矢量要素规则约束涵盖的维度
针对特定的业务场景或应用场景，不同地物要素的规则约束往往更加复杂，既包括定性规范，也涉及定量阈值限制。为了简化庞大复杂的规则约束，强化对"制图级矢量要素"的概念理解，本文将制图级矢量要素的规则约束划分为九个维度。
| 序号 | 规则约束类型 | 规则内涵 |
|---|---|---|
| 1 | 矢量类型 | 相应的地物要素在某种规范要求下的矢量表达类型，如点、线、面 |
| 2 | 地物形状 | 相应地物要素的形状特点，如长条形，形状自然平滑，形状规则、角度大多是直角等 |
| 3 | 边界定位 | 地物的边界是内边界还是范围线，高水位线还是低水位线等 |
| 4 | 面积大小 | 面状矢量要素的最小上图面积大小 |
| 5 | 长度大小 | 地物要素的长度约束，如林地在面积可上图条件下，当长度小于阈值时，用中心线而不用面表示 |
| 6 | 宽度大小 | 地物要素的宽度约束，如单体房屋的宽度小于阈值时，用中心线而不用面表示 |
| 7 | 角/弯度 | 地物要素的角度约束。如河流的弯度小于阈值时拉直 |
| 8 | 拓扑约束 | 地物要素的拓扑约束，如道路网没有独立线和中断线 |
| 9 | 邻接约束 | 地物要素个体与相邻要素的关系约束，如相邻要素共边要求、间距要求等 |
本文对1:10 000地形图制图标准规范中的500余类地物要素进行筛选与归并，形成了相关地物制图规则集。考虑到人类视觉的生理分辨极 限（人类视觉分辨率：0.1~0.2 mm），在实际测绘数据生产场景中，确定比例尺后，遥感数据的空间分辨率将依据理论计算限定在特定区间。
地形图相关地物1:10 000制图规则集示例
下面展示了部分地物要素的规则集示例，包括耕地、园地、林地、水体、建设用地等不同类型地物的各项规则约束。
| 地物要素 | 类型 | 形状 | 边界 | 面积(m²) | 长度(m) | 宽度(m) | 角弯度 | 拓扑 | 邻接 |
|---|---|---|---|---|---|---|---|---|---|
| 耕地 | 面 | 无绝对规则，大多偏向某个方向 | 田块内边界 | >2 500 | - | - | - | 闭合 | 与周边地物共边 |
| 林地-乔木林 | 面 | - | 范围线边界 | >2 500 | - | - | - | 闭合 | - |
| 水体-河流 | 面、有向线 | 长条形 | - | - | >100 | >5 | >50 m的弯度拉直 | 闭合 | 密集河渠间距不小于30 m |
| 建筑物-单体房屋 | 轮廓线构面 | 大多直角，弧线光滑 | - | - | >10 | >7 | 通常无锐角 | 闭合 | - |
| 建筑物-街区 | 范围线构面 | 毗邻成片，按街道分割排列 | - | - | - | - | 凹凸小于10 m可拉直 | 闭合 | 城镇街区内部可进行较大综合，房屋间距小于15 m可综合 |
制图级矢量要素质量评价
为了评估智能解译生成的矢量要素是否满足制图级标准，需要进行质量评价。根据国家标准《测绘成果质量检查与验收》，测绘成果的质量控制通过两级检查（过程检查和最终检查）及一级验收实现。理想情况下，智能解译模型生成的结果应该能够通过自动化的方式进行质量评价，从而实现从模型训练、推理到质量评价的全流程自动化闭环。
类别准确性
类别准确性用于衡量智能解译模型在要素类别提取中的准确性，主要体现在提取要素的类别错误和遗漏情况上。
常用评价指标
- 面状矢量实例：平均精度（AP）和平均精度均值（mAP）
- 线状矢量：像素级指标F1分数（精确率和召回率的调和平均值）
AP = (1/10) * (AP0.50 + AP0.55 + ... + AP0.95)
精确率 = TP / (TP + FP)
召回率 = TP / (TP + FN)
F1 = 2 * 精确率 * 召回率 / (精确率 + 召回率)
位置准确性
位置准确性评估预测矢量结果与真实值之间的位置偏差。依据测绘行业标准，不同比例尺的数字线划图对地物的位置误差阈值有明确规定。
| 比例尺 | 平地、丘陵地(m) | 山地、高山地(m) |
|---|---|---|
| 1:5 000 | 2.5 | 3.75 |
| 1:10 000 | 5.0 | 7.50 |
| 1:25 000 | 12.5 | 18.75 |
| 1:50 000 | 25.0 | 37.50 |
| 1:100 000 | 50.0 | 75.00 |
常用评价指标
- 线矢量：豪斯多夫（Hausdorff）距离和平均距离
- 面矢量：PoLiS（Polygons and Line Segments）指标
拓扑准确性
拓扑准确性要求矢量要素在空间上无重叠，并且路网矢量线应保持完整性和拓扑正确性。
常用评价指标
- APLS（Average Path Length Similarity）：通过比较预测图与真实图中多个顶点对之间的最短路径差异，来衡量拓扑一致性
- TOPO指标：通过随机选取实际道路中的初始节点和预测道路的最临近节点，沿道路方向和距离进行节点采样，并根据阈值计算节点匹配情况，从而综合考虑节点的缺失率与多余率
综合取舍合理性
综合取舍合理性主要指在制图级别规则约束下，多个地物要素合并的合理性，以及要素的面积、长度、宽度是否符合规定的阈值。
评估方面
- 取舍合理性：依据制图级矢量要素的规则约束，通过空间几何计算来判断要素的几何尺度是否满足面积、长度和宽度的阈值要求
- 综合合理性：基于邻接约束，评估要素之间的间隙是否符合规定的阈值。若间距小于阈值，则需要进行综合
例如，当两个或多个房屋间距小于阈值时，应综合表示为一个街区。当街区的凹凸部分尺寸小于阈值时，采用一根直线段来简化表示凹凸部分。
深度学习遥感影像的矢量提取方法
深度学习矢量提取方法包括：通过深度学习模型直接生成矢量要素结果，或在深度学习模型获取的中间结果基础上进行进一步的算法设计，最终生成矢量要素结果。制图级指的是矢量提取结果需达到的标准，这是本文中提出的概念。然而，现有的矢量提取研究通常并未明确提出制图级的要求，因此这些研究的结果不一定符合制图级标准。尽管如此，这些研究方向与制图级矢量提取的目标是一致的，都致力于生成矢量结果，并为制图级标准的实现奠定了基础。
深度学习遥感矢量提取方法框架
由于深度学习语义分割技术在遥感地物提取中的显著效果，最为直接的方法是分割后处理，即通过后处算法将分割结果转换为矢量数据。然而，由于遥感影像的复杂性，这种方法常常会面临拓扑错误、几何失真以及矢量数据与影像不对齐等问题，限制了其在高精度矢量提取中的应用。
为了解决上述问题，研究人员提出了迭代式方法和并行式方法。迭代式方法通过多次迭代优化矢量结果，而并行式方法则同时进行像素级分割和矢量特征提取，两种方法都旨在提高矢量提取的精度和效率。
三类矢量提取方法详细介绍
分割后处理方法
分割后处理方法是将深度学习语义分割与传统的矢量化后处理算法相结合，先通过深度学习模型获取像素级分割结果，然后通过一系列后处理算法将分割结果转换为矢量数据。
优点： 实现简单，可以直接利用现有的语义分割模型和矢量化算法。
缺点： 分割结果的质量直接影响矢量化效果，且后处理过程可能引入新的误差。
应用： 适用于形状相对简单、边界清晰的地物要素提取，如规则建筑物、道路等。
迭代式方法
迭代式方法通过多次迭代优化矢量结果，每次迭代都会根据当前矢量结果与原始影像的差异，对矢量进行调整和优化，直到达到预设的精度要求或迭代次数。
优点： 能够逐步优化矢量结果，提高精度，特别适合复杂形状的地物提取。
缺点： 计算复杂度高，训练和推理时间长，可能存在局部最优解问题。
应用： 适用于形状复杂、边界模糊的地物要素提取，如不规则建筑物、自然边界等。
并行式方法
并行式方法同时进行像素级分割和矢量特征提取，通过多任务学习或特殊的网络结构，直接从影像中提取矢量特征，减少了中间处理环节。
优点： 端到端的训练和推理，减少了中间处理环节，提高了效率和精度。
缺点： 网络结构复杂，需要大量标注数据，训练难度大。
应用： 适用于各类地物要素的提取，特别是需要同时考虑像素级和实例级特征的场景。
三类方法的比较
| 方法类型 | 基本思路 | 提取矢量的特点与精度 | 灵活性 | 计算效率 |
|---|---|---|---|---|
| 分割后处理 | 先分割后矢量化 | 精度受分割结果和后处理算法影响，边界平滑度和规则性较差 | 灵活性高，可应用于多种地物类型 | 推理速度快，但后处理可能耗时 |
| 迭代式方法 | 通过多次迭代优化矢量结果 | 精度高，能够处理复杂形状，边界规则性好 | 灵活性中等，需要针对特定地物类型设计 | 计算复杂度高，推理时间长 |
| 并行式方法 | 同时进行像素级分割和矢量特征提取 | 精度较高，能够同时考虑像素级和实例级特征 | 灵活性较低，网络结构复杂，适应性需要进一步提高 | 端到端推理，效率较高 |
当前面向制图级矢量要素遥感智能解译方法的不足
制图级解译能力不足
当前的遥感智能解译方法主要关注像素级或实例级的地物提取，缺乏对制图级矢量要素规则约束的考虑，导致提取结果难以直接满足制图标准要求。
- 边界不规则，缺乏几何简化
- 未考虑最小上图面积、长度、宽度等阈值约束
- 拓扑关系错误，如重叠、间隙等
- 缺乏综合取舍能力，无法处理密集地物的合并需求
制图级规则耦合不足
现有方法缺乏将制图规则有效融入深度学习模型的机制，规则约束主要通过后处理实现，导致规则应用与影像解译分离，影响结果质量。
- 规则约束与深度学习模型分离，难以实现端到端优化
- 后处理规则应用可能导致与原始 影像不匹配
- 缺乏可解释的规则融合机制，难以调整和优化
- 不同地物类型的规则约束差异大，难以统一处理
遥感可解译性不足
遥感影像的复杂性和多样性使得某些地物类别在影像中难以准确识别和解译，尤其是对于需要外业调查确认的地物类型。
- 部分地物类别在遥感影像中表现相似，难以区分
- 影像质量、大气条件、季节变化等因素影响解译效果
- 缺乏多源数据融合机制，无法充分利用多模态信息
- 对于需要专业知识判断的地物类型，智能解译能力有限
技术挑战总结
制图级矢量要素遥感智能解译面临的主要挑战在于如何将制图规则有效地融入深度学习模型中，实现端到端的制图级矢量要素提取。这需要解决以下关键问题：
- 建立标准化、可量化的制图级规则集，便于模型学习和应用
- 设计能够同时考虑像素级特征和矢量级规则约束的网络结构
- 开发高质量的制图级矢量要素样本集，支持模型训练和评估
- 探索多模态数据融合方法，提高遥感影像的可解译性
- 构建面向多要素的制图级矢量要素提取框架，适应不同地物类型的规则约束
制图级矢量要素智能解译的未来研究方向
构建广泛且开放的制图规则集
针对不同比例尺、不同应用场景下的制图规则，构建标准化、可量化的制图级规则集，为智能解译模型提供明确的学习目标和评价标准。
研究方向：
- 建立多比例尺制图规则知识库，涵盖不同地物类型的规则约束
- 开发规则量化方法，将定性规则转化为可计算的数学表达
- 设计规则适应性机制，根据应用场景自动调整规则参数
- 构建规则验证框架，评估矢量结果是否符合制图标准
构建并共享制图级矢量要素样本集
建立高质量、多样化的制图级矢量要素样本集，包含不同地物类型、不同地理区域、不同影像条件下的制图级矢量要素标注数据。
研究方向：
- 开发高效的制图级矢量要素标注工具，提高标注效率和质量
- 构建多源、多尺度、多时相的样本集，增强模型的泛化能力
- 设计样本质量评估机制，确保样本符合制图标准
- 建立样本共享平台，促进学术界和产业界的合作与交流
发展面向多要素的制图级矢量要素提取框架
设计能够同时处理多种地物类型、适应不同规则约束的制图级矢量要素提取框架，实现端到端的制图级矢量要素生成。
研究方向：
- 开发多任务学习框架，同时进行像素级分割和矢量特征提取
- 设计规则约束层，将制图规则融入深度学习模型
- 探索图神经网络在矢量要素提取中的应用，提高拓扑正确性
- 研究注意力机制和自监督学习方法，提高模型的泛化能力
探索多模态耦合语义规则潜力
结合多源遥感数据、地图数据、文本描述等多模态信息，提高遥感影像的可解译性，增强制图级矢量要素提取的准确性和完整性。
研究方向：
- 开发多模态数据融合方法，整合光学、雷达、高程等多源信息
- 探索大语言模型在遥感解译中的应用，利用文本描述辅助矢量要素提取
- 研究知识图谱和地理本体在制图规则表达中的作用
- 设计可解释的多模态学习框架，提高模型的透明度和可信度
结语
制图级矢量要素遥感智能解译是一个充满挑战但前景广阔的研究方向。随着深度学习技术的不断发展和遥感数据获取能力的提升，将制图规则有效融入智能解译模型，实现高质量、高效率的制图级矢量要素提取将成为可能。这不仅能够大幅提高公众测绘产品生产和自然资源调查监测的效率，也将为地理信息科学和相关行业的发展提供强有力的技术支撑。未来的研究需要多学科交叉合作，共同推动制图级矢量要素遥感智能解译技术的进步和应用。