多源数据融合在房屋建筑普查中的应用

王忠芳 张浩 陈功勋

引言

2020年6月，国务院办公厅发布关于开展第一次全国自然灾害综合风险普查的通知，明确普查内容包括：主要自然灾害致灾调查与评估，房屋建筑等承灾体调查与评估，历史灾害调查与评估，综合减灾能力调查与评估，重点隐患调查与评估，主要灾害风险评估与区划以及灾害综合风险评估与区划等。房屋建筑普查是承灾体调查的重要内容之一，调查信息包含：基本信息、建筑信息、使用情况和房屋照片等，可谓普查内容多、工作任务重、专业要求高。此次普查不仅对我国自然灾害防治和应急管理工作具有重要价值，而且对我国经济社会的可持续发展意义重大。

在普查工作中，若无相关成果基础，传统普查方法是通过内业收集资料和外业现场调查，逐个填报调查信息表，这种方式效率低、难度大、成本高。若开展过相关工作，则可将现有成果融合成所需信息。

考虑到全国各地已开展过“第三次全国国土调查”（“三调”）和不动产登记工作，“三调”数据中包含的地类信息以及不动产登记数据中包含的权利人和地址信息，可作为房屋基本信息填报数据源；自然资源部门拥有的大比例尺地形图数据，包含精确的房屋轮廓图形以及高分辨率遥感影像解译的房屋图形，均可作为调查底图；住建部门拥有丰富的档案资料和相关名录资料，包含房屋的结构类型、用途、减隔震等信息，可作为建筑信息填报数据源。

本文通过多源数据融合对这些数据进行分析处理，将融合结果应用到房屋建筑普查中，能够提高工作效率，减轻外业工作量，降低人力成本，取得事半功倍的效果。

普查内容及流程

房屋建筑普查工作基于住建部开发的“全国房屋建筑和市政设施调查系统”开展，总体流程为：底图制备、资料收集、数据融合和外业调查。

（一）普查内容

调查系统原始底图仅包含房屋图斑和编号。房屋建筑普查信息包括：基本信息、建筑信息、使用情况和房屋照片。

基本信息包括：所属行政区划、房屋类别、建筑名称、小区名称（城镇住宅）、建筑地址、户数（城镇住宅建筑）、单位名称（非住宅建筑）、产权单位、是否进行产权登记和户主姓名（农村住宅）等。其中，所属行政区划包含所属省、市、区县、街镇和村居；建筑地址根据房屋类别分为城镇房屋所在路（街/巷）、号和栋，农村房屋所在组、路（街/巷）和号；房屋类别根据用地类型分为城镇房屋和农村房屋，根据用途又分为住宅和非住宅。

建筑信息包括：建筑层数、建筑面积、建筑高度、建造时间/年代、结构类型、房屋用途（非住宅建筑）、是否采用减隔震、是否为保护性建筑、是否专业设计建造和安全鉴定情况（农村房屋）等。

使用情况包括：变形损伤、改造情况、抗震加固情况和物业管理情况。

房屋照片包括：现场照片、抗震措施照片和变形损伤照片。

（二）普查技术流程

调查系统原始底图是通过解译2019—2020年不同时相的遥感影像制备，仅包含房屋图斑，且存在部分图斑现势性不满足调查时点（2020年12月31日）要求，部分图斑与房屋实际不符，应合并未合并、应拆分未拆分等问题。如果对所有信息都逐栋房屋调查，会增加工作难度，降低工作效率，提高人力成本。

在此情况下，依据内外业一张图的原则，我们制定了一套调查技术流程，主要工作是：数据收集与分析、多源数据融合、外业调查（图1）。其中，多源数据融合具体包括底图优化和内业信息填报：底图优化是对原始底图的房屋图形进行优化，内业信息填报是增加房屋基本信息、建筑信息等调查内容。具体技术流程图如图2所示。

图1 外业调查

图2 技术流程图

多源数据及用途介绍

（一）图形数据源

（1）大比例尺地形图：大比例尺地形图位置精度高，能够用精确的图形表示单栋房屋轮廓。本次房屋建筑普查的对象是房屋建筑单体，即单栋房屋，而国家下发的工作底图为房屋图斑，存在一个图斑包含多栋房屋、多个图斑表示一栋房屋的情况。因此对于大比例尺地形图覆盖良好的区域，可用其替换国家工作底图的房屋图斑。

（2）高分辨率遥感影像：国家工作底图大多采用2019年遥感影像制备，现势性不强。2020年遥感影像与2019年遥感影像相比，包含2019—2020年间新建的房屋，对于2020年拆除的房屋不再显示，同时高分辨率遥感影像能够清晰显示每栋房屋的轮廓。因此，通过解译2020年高分辨率遥感影像，可对原始工作底图进行优化，从而得到符合现实情况的底图。

（二）属性数据源

（1）第三次全国国土调查数据（简称“三调”）：“三调”数据包含丰富的地类信息，反映了全国地类分布及利用状况，还包含国、省、市、县及村级的行政范围界线。

本次房屋建筑普查需要按土地所有权将房屋分为城镇房屋和农村房屋，按用途将房屋分为住宅和非住宅，填报不同的调查表，待填信息包含房屋所属行政区划。因此，考虑根据“三调”数据地类图斑层中的城镇村属性码、地类编码区分城镇房屋、农村房屋及住宅和非住宅，根据行政区层中的乡镇级行政区代码、乡镇级行政区名称和村级调查区层中的坐落单位代码、坐落单位名称确定房屋所属的镇街、村居。

（2）不动产登记数据：不动产登记数据中权利人图层的权利人名称信息，宗地基本信息图层的坐落信息，自然幢图层的房屋结构、建筑物高度、竣工日期、实测建筑面积、地上层数、地下层数信息，可作为房屋建筑普查中户主姓名、单位名称、建筑地址、结构类型、建成时间、调查面积、层数等的权威信息源。

（3）城建档案馆资料：包括总平面图、竣工验收报告、测绘面积表、建筑竣工图等。可利用的信息有：建筑面积、建筑结构、建筑层数、建筑年代、建筑用途、是否减隔震、建筑高度、套数、是否抗震加固及加固时间。

（4）文物保护单位名录：文物保护单位名录中可用信息包含房屋的单位名称、时代、详细地址、面积等，与房屋建筑普查中的单位名称、户主姓名、建成时间/建造年代、建筑地址、调查面积、是否保护性建筑等信息对应。

（5）校安工程名录：校安工程名录中可用信息包含房屋的学校名称、建筑物用途、校安工程、校安年度、建筑物名称、竣工日期、建筑层数、建筑面积、危房鉴定等级、危房鉴定日期等，与房屋建筑普查中的单位名称、房屋用途、是否进行过抗震加固、加固时间、建成时间/建造年代、建筑名称/房屋名称、层数、调查面积、是否经过安全鉴定、鉴定或评定结论、鉴定时间等信息对应。

（6）农村危房改造资料：包括农户档案信息、危房改造资料、农房抗震资料。可用信息包含：户主姓名、地址、房屋安全性等级、结构类型、施工方式、设计方式、改造后房屋面积、建成时间和是否抗震加固及加固时间。

数据融合方法及效果

在对不同数据源进行融合时，要处理好坐标不一致、格式不一致、空间图形不匹配、属性不匹配等问题。正如将基础地理信息数据与地理国情普查数据进行融合时，对于属性不一致与图形不一致的情况要采取模式融合和实例要素融合处理。将多源数据融合为房屋建筑普查信息时也需要进行图形、属性处理。

（一）图形处理方法

1. 底图优化

房屋建筑普查要求工作底图用矢量图形表示单栋房屋轮廓。原始工作底图存在部分图斑现势性不满足调查时点要求，未标绘20平方米以下的房屋，对连片建筑未拆分等问题。

对2020年高分辨率遥感影像进行机器解译和人工解译，将解译结果与原始底图对比，通过图斑变化检测、识别原始底图中缺失、多出、应合并未合并和应拆分未拆分的房屋图斑。然后，通过GIS软件的矢量新增、删除、合并和拆分等编辑操作，对原始底图的房屋图形进行优化，底图优化流程如图3所示。

图3 原始底图优化流程图

2. 格式转换

由于不动产登记数据为dwg格式，与房屋建筑普查数据要求的shapefile格式不一致，需要进行格式转换。具体操作流程如下。

首先使用ArcGIS的CAD to Geodatabase工具将不动产登记数据转换为File GeoDatabase格式，得到面、线和注记数据；然后对面数据使用Feature to Polygon工具转为shapefile格式的面数据，对注记数据使用Feature to Point工具转为shapefile格式的点数据；再根据属性对点数据进行数据清洗和分类；最后将点数据的属性赋值到面数据，得到包含丰富属性信息的shapefile格式不动产登记数据。

3. 空间分析

调查时需要填报房屋所属的行政区划信息，由于调查以区县为单位，房屋所属省、市、区县已确定，还需确定所属街镇、村居。

考虑到“三调”结束后，各地存在行政区划调整情况，因此，首先需要结合民政部门最新的行政区划范围和代码，对“三调”数据的行政区范围及代码进行调整；然后将房屋图形数据与调整后的行政区范围进行空间叠加分析，根据行政区层中乡镇级行政区名称和代码确定房屋所属镇街名称及编码；最后根据村级调查区层中的坐落单位名称和代码确定房屋所属村居名称和编码。

4. 地名地址匹配

由于收集的文本资料没有空间信息，无法与房屋图形进行关联。因此，需要通过GIS的地名地址匹配方法，确定文本资料中地址的空间坐标，进而关联到对应房屋图形。

（二）属性处理方法

1. 数据清洗和分类

不动产登记数据与房屋建筑普查的信息项非一一对应，且存在不合格信息，需要进行数据清洗和分类。以“权利人”字段为例，其中包含“未申报”等非法字符，还分为户主姓名、单位名称、小区名称、建筑名称等多类信息，首先要剔除非法字符，然后按字符长度和关键字将权利人属性内容进行归类。

2. 语义匹配

多源数据与房屋建筑普查数据同类属性的含义范围不同，需要进行语义匹配。

（1）通过“三调”数据区分房屋类别。

通过将“三调”数据的用地类型与土地所有权（“国有土地”或“集体土地”）进行语义匹配，区分房屋类别。

首先根据地类图斑层中的城镇村属性码区分城镇、农村房屋。城镇村属性码字段值“201或201A”表示“城镇用地”，字段值“202或202A”表示“建制镇用地”，字段值“203或203A”表示“村庄用地”，字段值“204”和“205”分别表示城镇村外部的盐田及采矿用地和特殊用地。为了确保区分城镇和农村房屋时不遗漏房屋，按城镇村属性码字段条件选取字段值为“201、201A、202、202A”的图斑，融合得到城镇范围界线。界内的房屋类别为城镇房屋，界外的房屋类别为农村房屋。

然后根据地类图斑层中的地类编码区分住宅、非住宅房屋。地类编码字段值“05H1”表示“商业服务业设施用地”，“0508”表示“物流仓储用地”，“0601”表示“工业用地”，“0602”表示“采矿用地”，“08H1”表示“机关团体新闻出版用地”，“08H2”表示“科教文卫用地”，“0809”表示“公用设施用地”，“1005”表示“交通服务场站用地”，“1202”表示“设施农用地”。为了确保区分住宅和非住宅房屋时不遗漏房屋，按地类编码字段条件选取字段值为“05H1、0508、0601、0602、08H1、08H2、0809、1005、1202”的 图斑，融合得到非住宅范围界。界内的房屋类别初定为非住宅，界外的房屋类别初定为住宅。“三调”数据与房屋建筑普查数据的字段对应关系如表1所示。

表1 “三调”数据与房屋建筑普查数据字段对应表

（2）通过不动产登记数据提取房屋基本信息和建筑信息。

将不动产登记数据中权利人、宗地基本信息、自然幢图层与房屋建筑普查数据图层进行字段关联和语义匹配，可提取房屋的基本信息和建筑信息，其与房屋建筑普查数据的字段关联如表2所示。

表2 不动产登记数据与房屋建筑普查数据字段关联表

（三）融合效果

通过多源数据融合，城镇房屋39个调查项，有7项信息全部房屋已填报，23项信息部分房屋已填报，剩余9项需现场调查；农村住宅44个调查项，有7项信息全部房屋已填报，21项信息部分房屋已填报，剩余16项需现场调查；农村非住宅44个调查项，有7项信息全部房屋已填报，21项信息部分房屋已填报，剩余16项需现场调查。

以南通市海门区为例，通过对不动产登记数据融合信息进行分析统计，将信息分为房屋单位名称、小区名称、户主姓名等名称类信息和所处路、号、组、栋等地址类信息，将房屋按“含名称类、地址类信息”、“仅含名称类信息”、“仅含地址类信息”和“其他”分为四类，各类房屋分布如图4所示。按“城镇房屋”“农村住宅”“农村非住宅”类型统计，各类房屋数量和所占比例如表3所示。

图4 房屋数据融合程度分布图

表3 房屋数据融合程度表

由图表得出，通过融合不动产登记数据，占总量23%的房屋含有名称类和地址类信息，占总量36%的房屋仅含有名称类信息，占总量5%的房屋仅含有地址类信息。总的来说，约65%的房屋含有名称类或地址类信息，且主要分布在农村区域。原因是不动产登记数据主要为农村不动产数据，农村房屋信息丰富，城镇房屋信息较少。

通过多源数据融合，形成外业调查工作一张图。外业调查人员只需核实补充部分属性和现场拍照，极大减轻了外业工作量，提高了普查效率，保障了成果质量。

此方法在普查国家试点中摸索，并形成了推广经验，在普查全面铺开中得到了良好应用。

结束语

房屋建筑普查是自然灾害风险普查中的一项系统性工程，需要多方协同，收集资料，开展多源数据融合、外业数据采集、数据关联建库等工作。

在自然灾害风险普查等相关工作中，测绘地理信息行业大有可为。在信息获取方面，传统测绘、无人机测绘和遥感影像解译可以助力底图制备和普查信息采集；在多源数据融合方面，GIS能发挥空间信息融合能力，对数据进行清洗、转换和重组。通过空间和属性一体化的多源数据融合方法，能够实现多项信息的内业填报，减轻外业调查负担，提高普查工作效率，保证普查成果质量，可作为同类普查的高效技术路线。