问题地图自动识别的关键问题与应对策略

任加新1,2,5，刘万增3,4*，陈军1,3,4*，

李志林6，尹顺玺7，张嘉栋5

1. 莫干山地信实验室，湖州 313299；

2. 浙江大学地球科学学院，杭州 310058；

3. 国家基础地理信息中心，北京100830；

4. 自然资源部时空信息与智能服务重点实验室，北京100830；

5. 中南大学地球科学与信息物理学院，长沙 410083；

6. 西南交通大学地球科学与环境工程学院，成都 611756；

7. 中国矿业大学环境与测绘学院，徐州 221116

摘  要：问题地图识别是保障国家主权完整、维护地理信息安全和国际形象的重要手段。长期以来，我国问题地图识别工作依赖人工目视判别，成本高、效率低，难以应对日益增长的地图数据量，亟需发展先进技术方法。本文通过对三大类问题地图自动识别现状的调研和分析，指出从人工识别到混合智能计算是问题地图自动识别的必然趋势。在此基础上，明确混合智能用于问题地图自动识别的四个关键问题，即知识凝练依赖专家经验、机器智能和人类智能的耦合模式不明、混合智能计算的形式化描述尚未明晰、缺乏问题地图自动识别的混合智能计算模型；同时，指出需要突破审图知识的自动凝练与解析，构建基于混合智能计算的问题地图自动识别模型，发展基于混合智能计算的问题地图自动识别方法，研制问题地图自动识别原型系统，通过知识–模型–方法–应用四部曲，实现问题地图自动、高精度识别。

关键词：问题地图；地图自然智能；混合智能计算；地图审核；地理信息安全

引用格式：任加新, 刘万增, 陈军, 李志林, 尹顺玺, 张嘉栋. 2025. 问题地图自动识别的关键问题与应对策略. 时空信息学报, 32(6): 606-619

Ren J X, Liu W Z, Chen J, Li Z L, Yin S X, Zhang J D. 2025. Key challenges and countermeasures for automated recognition of problematic maps. Journal of Spatio-temporal Information, 32(6): 606-619, doi: 10.20117/j.jsti.202506002

1  引  言

地图作为一种重要的信息传播工具，承载着大量地理空间数据和人类活动信息，在人们的日常工作、生活中不可或缺。地图不仅为人类提供了对环境的理解和导航指引，更为国防建设、城市规划、应急救援、交通管理等提供基础数据及决策支持，是人们认识周围世界空间分布格局的重要手段，具有无法比拟的优越性（李志林等，2016；Kumar等，2018；卢永华和李爽，2019；Sharma和Patil，2022）。与此同时，地图也是表达地理空间权属的重要手段，通过标注边界、区划、土地权属和资源分布等信息，可以有效地表达地理空间的权属，对地理信息的正确理解和决策制定具有指导作用。

问题地图是指违反了《中华人民共和国测绘法》《地图管理条例》《地图审核管理规定》《公开地图内容表示若干规定》等法律法规，错误表示或表示了不允许表示内容的地图（黄龙，2017；邓国臣和褚雪梅，2018；王明荃，2018；周佳薇和吴晓春，2018；任加新，2019；黄龙和吴佳桐，2020；李展，2021；任加新等，2021；王琴，2021；张聪慧等，2022）。为进一步聚焦研究对象，本文指代的问题地图限定为自然资源部地图技术审查中心重点审核的三大类问题地图（图1）。

（1）图形错绘类。与我国政治与外交主张不一致，存在危害国家统一、主权和领土完整等严重问题的地图。例如，台湾省在地图上的表示违背了一个中国原则；错绘、漏绘我国台湾岛、海南岛、南海诸岛、钓鱼岛及其附属岛屿等；错绘国界线将我国领土表示到国外；南海断续线的表示不符合国家有关规定；错将我国重要岛屿按其他国家主张名称进行标注等。

（2）注记敏感类。标示了危害国家安全、损害国家荣誉和利益等不宜公开信息的地图。例如，标示国防、军事设施、未经公开的港口等秘不外宣的内容等。

（3）尺度涉密类。其他不符合地图管理有关规定的地图和行为。例如，地形图未标识比例尺或错误标识比例尺等关键信息；地名的表示不符合地名管理的要求；其他国家和地区的表示，不符合我国政治外交主张和有关规定；无资质从事地图编制或互联网地图服务；未依法履行地图审核程序公开登载；弄虚作假、伪造申请材料骗取地图审核批准文件，或伪造、冒用地图审核批准文件和审图号等。

问题地图识别是以地图学、计算机视觉、自然语言处理为核心支撑的交叉学科任务，核心目标是通过系统性分析地图的数学基础、符号体系、注记内容和图形表达，识别出涉及国界错绘、敏感地名、比例尺失准、涉密信息泄露等问题地图产品，是地图审核的核心手段。从技术范畴看，问题地图识别包括地图要素的几何特征解析（如边界线型、岛屿形状）、语义信息提取（如注记内容、地名翻译），以及拓扑关系验证，如行政区划相邻关系。从技术目标看，问题地图识别需兼顾高精度（如国界精准定位）、高效率（如海量地图实时筛查）与高稳健性（如图像模糊、变形干扰）。从应用场景看，问题地图识别需兼顾地图生产、出版传播、网络分发的全流程监管，涉及纸质地图、电子地图、动态可视化等多种载体形式，具有跨尺度（从全球到区域）、跨模态（图像、文本、矢量数据）的复杂性，其成果直接服务于地图审核、政策制定与地理信息安全保障（贾宗仁等，2024；李中等，2024；应申等，2025）。

问题地图自动识别是指利用计算机视觉、自然语言处理等人工智能技术，从海量地图数据中自动检测并判定不符合相关法律法规要求的地图内容的过程。其能够提高地图数据的质量和可靠性，确保用户获得准确、可靠的地理信息。然而，受限于地图的多样性、复杂性，以及问题地图识别的主观性和不确定性，开发一个通用且高效的问题地图自动识别系统是一个极其复杂的任务。

长期以来，由于缺乏智能化的识别技术和软件、平台支撑，我国的问题地图识别工作严重依赖“专家研判”，即依靠审图专家的经验进行目视判读，发现并评估地图的合规性，成为一项劳动密集型的工作，存在专业性要求高、主观性强、效率低、成本高的突出问题，难以满足全天候、大范围、大批量审图需求，迫切需要发展先进技术方法，从人工识别向自动识别转型（刘万增和彭震中，2016；刘万增等，2023）。究其原因，问题地图识别本质上是主观、客观结合的地图合规性认知过程，是一项知识驱动的高维非线性空间计算、推理和决策活动，充满了极为复杂的外部感知、视觉认知、逻辑判断和实践经验的层次跨越，伴随着尺度转换、知识融合、关联交织的相互作用，很难通过单一的数据、模型和算法，来模拟这种高度复杂的求解过程。采用现有的问题地图识别算法，无论是识别质量还是处理效率，都很难达到人工审图的效果。

混合智能的出现有望解决当前问题地图自动识别的难题。如图2所示，混合智能是一种融合人类智能（如制图规则）和机器智能（如大规模计算）的新型计算范式，通过在机器算法中融合领域专家知识，发挥人机各自的优势，从而实现协同增效（陈军等，2021，2023，2024；刘万增等，2024；Yin等，2025；Zhang等，2025）。这种人机互馈、知识融合的混合智能计算范式，能够弥补纯人工识别效率偏低、纯算法精度不足的缺陷，使问题地图识别从高度依赖专家经验的“人工化”研判，走向基于混合智能的“自动化”治理。在此过程中，不但能保留人类对复杂语义、政策风险的精准把控能力，还能借助机器实现高效筛查与实时预警，最终形成检测—决策—反馈的智能闭环。

为实现基于混合智能的问题地图自动识别，本文通过研判问题地图自动识别的国内外研究现状，找准研究重点、难点和发力点，进而明确发展趋势并厘清关键科学问题。在此基础上，突破审图知识的自动凝练与解析，构建基于混合智能计算的问题地图自动识别模型，发展基于混合智能计算的问题地图自动识别方法，研制问题地图自动识别原型系统，以期形成覆盖要素全面、审核效率高、识别结果可靠的问题地图自动识别新格局。

2  研究现状与发展趋势

围绕三大类问题地图的自动识别难题，现有智能识别法可分为尺度涉密类、注记敏感类和图形错绘类，亟需借助混合智能实现从“人工识别”到“自动识别”的技术跨越。尺度涉密类问题地图的自动识别侧重于通过地图内容推断其比例尺，检测是否超范围表示机密细节；注记敏感类问题地图自动识别侧重于提取和校验地图上的文字标签、地名注记，发现遗漏或错误标注；图形错绘类问题地图的自动识别关注地图图形符号和边界形状的正确性。

2.1  国内外研究现状

2.1.1  尺度涉密类问题地图自动识别

尺度涉密类问题地图自动识别的关键之处在于地图比例尺的估算和判定。这实际上是一个尺度认知问题。在地图比例尺判定方面，智能识别法旨在自动识别地图的比例尺信息，以判断标称的地图比例尺是否准确。传统方法主要通过计算机对地图元数据进行检查，但若元数据被篡改，则会发生误判。

近年来，智能识别法依赖于统计分析的模式，探索地图元素与比例尺的关系。例如，徐根才（1989）对五种比例尺地图进行了量算，通过研究道路交点、经纬网交点和居民地中心点等不同要素的平面位置精度与比例尺的关系，从平面位置精度推算地图比例尺。李雯静和毋河海（2006）借助地图综合中不同类型地图要素，在比例尺由大到小时变化程度和速度各不相同的思路，依据不同地图目标的信息量变化与比例尺之间的关系确定了比例尺。刘鹏程等（2013）使用傅里叶级数描述线状空间目标，以傅里叶级数展开曲线与线状目标原始曲线形成的缝隙面积为参考，建立了比例尺与傅里叶级数展开项数的对应关系，从而推断线状目标的比例尺；进一步地，刘鹏程等（2019）通过将自然曲线最小图形单元的宽度和深度的最小值，作为曲线细节层次参数，根据细节层次参数和最小可分辨距离之间的对应关系估算了曲线的比例尺。肖天元等（2020）通过将方根模型和地理要素频域信息量相结合，构建了曲线频率域信息量分布指数和曲线对应比例尺的信息方根模型，找出了频域信息量与地图比例尺之间的对应关系。刘万增等（2024）基于不同比例尺地形图矢量数据节点密度指数随比例尺变化的特征，利用自然法则和统计学知识确定了不同比例尺、不同类型要素节点密度指数区间的理论值，随后将其与待鉴定地形矢量数据进行比对，进而实现了矢量地形图比例尺的自动判定。

虽然上述方法可在一定程度上推断地图的比例尺，但通常侧重于判断地理要素尺度的一致性，或粗略地判断矢量数据的粒度，且需要专家预先定义特征，直接估算地图比例尺的方法较少；有些方法计算过程甚为复杂，可操作性较弱。因此，需要进一步研究用于地图比例尺估算的模型和方法。

2.1.2  注记敏感类问题地图自动识别

注记敏感类问题地图自动识别的关键之处在于从背景复杂的栅格地图中自动提取和识别文本信息，如地名、标注等，以发现潜在的错误或敏感内容，如地名错误、涉密信息标注和错误的行政区划名称等。这实际上是一个注记认知问题，包括注记解译和敏感性判定。

早期的注记识别方法常利用半自动方式提取注记。例如，利用计算机技术在图上定位注记，主要采用聚类分析（Wang，1994）、形态学操作（Yamada等，1993）、分割（Dori和Velkovitch，1998），以及图像金字塔方法（Tan和Ng，1998）等技术，然后人工进行解译和转换，尽量减少人类参与。这些技术能够自动定位注记，但当注记与地图上其他元素重叠时，通常使得精度较低。随着光学字符阅读器（optical character reader，OCR）识别技术的快速发展，部分研究尝试用其解决地图注记自动识别的问题。如Pouderoux等（2007）、Pezeshk和Tutwiler（2011）使用OCR识别了地图上的文本；Chiang等（2014）利用Tesseract OCR引擎提取了地图中的文字，从而将结构化的地图注记转换为可编辑的文本。然而，因OCR识别技术要求输入图像必须至少为300 点每英寸（dot per inch，dpi），且字符必须足够大，限制了其在注记识别领域的进一步应用。

深度学习技术的快速发展，特别是其与OCR识别技术的有效融合，让地图注记的自动解译迎来了突破。许多研究逐渐摆脱对规则模板的束缚，转而打造更稳健、更具适应性的深度神经网络模型。例如，Li等（2018）提出了使用Faster R-CNN模型进行注记定位，随后通过图分割和聚类过程将注记从其他地图元素中分离出来，在20幅地图中实现了94.78%的识别精确率。为了实现非结构化地图注记的检测，如Zhai等（2023）提出了一种数据驱动和模型驱动的迁移学习模型，利用数据增强技术和自适应微调将OCR知识迁移到模型中，从而增强了模型的注记检测能力；Rao等（2023）聚焦中文地图，通过合成中文注记样本，提出了一种由改进的EAST（efficient and accurate scene text detector）模型和基于迁移学习的卷积循环神经网络（convolutional recurrent neural network，CRNN）模型组成的注记解译框架，用于从扫描的中文地图中提取文本，其中注记检测和识别的调和平均数（harmonic mean，Hmean）分别达到了86.35%、91.34%。

然而，多数研究聚焦于数字或英文注记，对中文字符的复杂字形和旋转注记的稳健性支持不足。实际上，地图注记的多样性、与背景的融合，以及中文字符特有的字形复杂，都对现有技术提出了严峻挑战（Qiu等，2023；张星怡等，2025）。

2.1.3  图形错绘类问题地图自动识别

图形错绘类问题地图的自动识别，归根结底是一项复杂的图形认知任务。其核心在于捕捉地图中的边界错绘、要素漏绘及符号滥用等错误。传统方法难以识别复杂的图形变形，更多地采用半自动方法进行地图错误的识别。例如，Soeller等（2016）通过持续爬取谷歌和必应等地图服务商的地图瓦片，对比来自同一坐标地图的哈希值，来自动判断地图边界是否存在差异，并将存在差异的瓦片发送到众包平台Amazon Mechanical Turk，利用交替的GIF（graphic interchange format）动画对比已有瓦片和新抓取到的瓦片，使得能够轻易地识别边界差异；Zhou等（2017）也采用类似人机协同的模式进行了地图图形的审查工作，具体地，利用VGG16、ResNet50等卷积神经网络对地图进行二分类，筛选出需要审核的地图，然后交由审图专家进行审核，进而提高了地图审核的效率。此外，在大范围的互联网问题地图识别中，一种典型做法是通过建立样本库进行比对，将待测地图与已知的问题地图模板进行匹配，以发现问题地图。如黄龙（2017）尝试通过建立问题地图样本库，利用“以图搜图”引擎挖掘存在于互联网中的问题地图。然而，模板匹配只能识别出已有案例，难以应对新出现的地图错误类型，识别问题地图的准确率仅10%左右。

近年来，部分研究尝试利用深度学习算法，对地图边界绘制错误进行端到端识别。例如，任加新等（2021）首次采用目标检测算法Faster R-CNN对问题地图进行自动识别，实验通过对版图的关键区域（阿克赛钦、藏南、南海诸岛和钓鱼岛）进行检测，实现了地图合规性智能判定，检测精确率达80%，验证了问题地图自动识别的可行性；Du等（2024）利用RetinaNet检测版图的典型区域（中国大陆、台湾、西藏和河南），随后利用空间关系和共现关系进一步优化检测结果，在精度提高的前提下，结果具有一定的可解释性。

然而，地图图形的复杂性，即要素重叠、虚线边界和多层次注记，常导致相关方法产生漏检或误检。此外，当前技术大多要求识别对象具备特定形态，如在特定比例尺下的规则几何形状，处理的错误类型相当有限，仅能应对常见问题，而实际地图中的同类错误却可能以数十种形态显现。为扩大现有方法的适用对象，需要构建更泛化的问题地图识别模型，以及更加稳健的计算模式。

从对三大类问题地图识别方法的系统性回顾来看，问题地图识别已从人工审核逐步转向智能化方法，并在图形、注记和尺度错误识别上取得了一定进展，但对数据质量的依赖和准确性不足仍限制了实际的应用，有必要将专家知识与机器智能进行有效融合，以构建混合智能计算模型，从而提升问题地图自动识别的可靠性与实用性。

2.2  发展趋势

问题地图识别的发展趋势经历了从人工识别到混合智能的深刻变革，体现了技术进步与应用需求的双重驱动。随着地图数据规模的激增和问题类型的复杂化，传统人工识别已难以满足效率和精度要求，自动识别技术逐渐成为主流。而在此基础上，识别手段从单模态向多模态扩展，从单机操作向多方协同演进，最终从纯数据驱动走向混合智能计算，融合人类知识与机器算法的优势，以应对问题地图识别的多维挑战。

1）从人工识别到自动识别

早期的问题地图识别高度依赖专家的主观判断，尤其在比例尺推估、涉敏注记解译和图形错绘核验等方面，几乎完全依靠人工判识。这虽具有较高准确性，但效率低且受主观偏差影响大。在地图数据规模激增的背景下，已难以满足大规模的问题地图识别需求。自动识别方法的引入显著提升了处理效率，尤其是深度学习在图像分类、目标检测和文本解译方面已达到较高水平，为自动识别问题地图提供了技术基础。

2）从单模态到多模态

传统的问题地图识别方法主要面向单一的静态二维地图，无法有效处理当前表现形式日益多样化、复杂化的趋势地图，如视频地图、三维地图、增强现实及虚拟现实地图等多模态地图数据。其具有明显的空间–时间连续性、立体结构和交互特性，仅依赖二维图像分析已难以满足全面、精准的识别需求。多模态识别方法将空间、视觉、文本和语音等多种信息相融合，构建跨模态的深度融合算法和统一的知识表达体系，可提升问题地图识别算法对复杂场景的感知和理解能力。

3）从单机到协同

随着问题地图识别任务复杂性和数据规模的急剧增加，单一设备与算法难以高效处理庞大的数据量和复杂的问题地图识别任务，亟需建立高效的协同机制。从单机模式向协同模式转变，不仅包括多台机器间的并行与分布式计算，也包括多位专家协同，以及人与机器之间的智能协作。协同模式充分发挥多智能体系统与人类专家团队的群体智能优势，显著提高了问题地图识别的稳健性、精准度和效率，成为未来问题地图识别技术发展的重要方向。

4）从数据驱动到混合智能

纯数据驱动的深度学习方法虽然在通用图像识别领域取得了显著进展，但在问题地图识别任务中，面临数据稀缺和空间语义复杂等多重挑战，表现出识别性能不足且缺乏可解释性的显著局限。混合智能通过融合领域专家知识与深度学习算法优势，能够有效缓解数据驱动方法的不足，提升问题地图识别方法的泛化性能、稳健性和可解释性，已逐渐成为突破当前数据驱动方法瓶颈，实现问题地图自动识别的重要手段（Tao等，2023；Ren等，2024，2025a；Tao等，2025；Yin等，2025）。

3  关键问题

问题地图自动识别任务具有显著的内在复杂性，不仅是数据驱动的模式识别问题，更是知识驱动的认知推理过程。单一的数据驱动模型难以有效融入地图审查中复杂的规则、法规与先验知识，而纯粹的知识工程方法则难以应对海量、异构、多模态的地图数据。因此，融合人类智能的先验知识与机器智能的计算能力，发展面向问题地图自动识别的混合智能计算，已成为突破当前技术瓶颈，实现高精度与高可靠性自动识别的必然选择。然而，将混合智能计算从理念构想推向工程实践，仍面临知识凝练、人机耦合、理论建模与模型构建等多个关键问题，亟待系统性突破。

1）知识凝练依赖专家经验

问题地图识别涉及大量政策法规、地理知识和地图规范等高度专业的先验知识，当前知识的获取和表达主要依赖具有多年经验的地图审核专家进行人工提炼。由于专家知识具有高度主观性与个体差异性，凝练过程难以标准化、自动化，既限制了知识的可扩展性与通用性，也制约了知识在混合智能模型中的高效复用，严重影响了知识驱动机制的系统性和稳定性，成为混合智能在问题地图识别中应用的关键瓶颈之一。

2）机器智能和人类智能的耦合模式不明

混合智能的核心在于人类智能与机器智能的高效耦合与协同增效，但当前研究尚未深入揭示人与机器之间的耦合模式及作用机制。人类智能如何高效地向机器智能转移，机器智能如何有效地反馈与增强人类智能，两种智能体之间的协同策略如何动态优化，这些问题仍处于探索阶段。此外，现有方法中人机交互通常停留于简单的信息传递与决策叠加，缺乏系统性、结构化的深入耦合与动态交互机制，制约了混合智能在问题地图自动识别中的性能提升与推广应用。

3）混合智能计算的形式化描述尚未明晰

混合智能计算的概念已在多个领域中提出，但在问题地图识别任务甚至测绘领域中，缺乏对其内在机理的系统建模和数学描述，尚未形成可复用、可评估、可演化的形式化框架。当前关于混合智能计算的研究多停留于概念定义和应用实例，尚缺乏严谨的计算模型、耦合规则及知识推理过程的统一表述，不仅限制了混合智能计算的工程实现，也使得模型难以进行系统优化与性能量化，制约了其在复杂场景中的实际应用。

4）缺乏问题地图自动识别的混合智能计算模型

现有问题地图识别方法大多采用单一的数据驱动策略，缺乏融合专家知识的统一计算模型。尤其是在地图尺度判定、敏感注记提取、图形错绘检核等核心任务中，仍未构建面向问题地图自动识别的全流程混合智能计算体系。缺乏模型级的集成框架导致知识注入方式割裂、算法流程断裂，无法支持任务驱动下的全局优化，限制了混合智能在问题地图自动识别系统中的落地实施与推广应用。

4  应对策略

如图3所示，为解决目前问题地图识别精度低、缺乏领域专家先验知识指导的问题，进一步提升问题地图识别智能化、自动化水平，本文提出利用混合智能实现问题地图自动识别的总体研究思路。具体地，通过凝练边界形状、空间关系、制图规则等地图知识，利用知识增强模型输入、知识嵌入模型结构、知识优化模型输出等知识融合方式，耦合机器学习、深度学习、强化学习等机器智能算法，形成前馈式耦合、嵌入式耦合、反馈式耦合等混合智能计算模式，解决问题地图识别中的典型问题，如尺度涉密、注记敏感和图形错绘；在此基础上构建相应的地图尺度认知、地图注记认知、地图图形认知的多维度认知模型；以此为指导，实现问题地图识别方法簇，包括地图尺度精准判定方法、敏感注记高效提取方法和版图错绘稳健检核方法，为尺度涉密类、注记敏感类和图形错绘类问题地图自动识别提供理论和技术支撑；同时，利用识别结果反向丰富知识库和样本库。最终形成识别—反馈—再识别的问题地图自动识别闭环，持续提高问题地图识别精度和速度。

4.1  突破审图知识的自动凝练与解析

问题地图自动识别所依赖的审图知识高度抽象、内涵复杂，具有显著的领域专属性与专家依赖性。为突破当前审图知识获取严重依赖人工经验、表达形式难以结构化的瓶颈，需要以问题导向驱动知识重构，聚焦于国家边界线判定、敏感注记识别、尺度规范推理等核心知识要素，构建术语语义建模、图结构关系抽取与规则约束逻辑表达的多层次知识表达体系。通过结合《地图管理条例》《中华人民共和国测绘法》等多源法规文本、标准地图样本和专家批注内容，构建知识要素的自动提取与结构建模机制，实现地图审图知识的规模化抽取、一致化表达与可计算转化。借由该机制在问题地图自动识别任务中实现审图知识的形式化、结构化与自动化，打通从人类认知经验到机器识别算法的知识迁移通道，为后续混合智能计算提供可嵌入、可推理的知识基底。

4.2  构建基于混合智能计算的问题地图自动识别模型

针对当前问题地图识别模型知识融入不足、专家经验难以量化等问题，需要构建面向混合智能计算的统一识别模型架构，引入人类知识嵌入—机器学习建模—专家反馈优化三阶段闭环机制，形成由知识驱动模型改进、数据驱动参数学习、人机协同误差修正的复合式混合智能计算模型KDAS（knowledge-data-algorithm-service）。具体地，通过引入专家知识图谱与注记敏感词库，对神经网络模型进行知识约束强化，以确保模型推理过程不偏离法律标准与制图规范。进一步地，引入强化学习优化策略，结合专家反馈结果调整判定策略，实现对边界错绘、注记敏感、尺度涉密等问题地图的高置信度自动识别。建立可解释、可评估、可扩展的统一模型框架，为问题地图自动识别提供理论基础和计算范式，并为其工程实现与系统优化奠定理论基础。

4.3  发展基于混合智能计算的问题地图自动识别方法

在统一模型架构支撑下，围绕三大类问题地图自动识别任务，提出融合专家知识与机器智能的混合智能识别方法簇。具体地，分别从尺度判定、注记识别与图形检核三个维度实现系统性突破。

4.3.1  空间尺度知识引导的尺度涉密类问题地图自动识别方法

尺度涉密类问题地图自动识别的核心在于精准鉴定地图的比例尺，实质上是尺度认知问题。地图比例尺是衡量地图内容精度、涉密程度和使用范围的重要属性，直接关系到国家地理信息安全。然而，在实际应用中，有可能被蓄意去除或遮挡比例尺标记、坐标系等显性比例尺信息，形成碎片化的地图数据，传统的人工鉴定方法难以快速应对。如图4所示，以碎片化栅格地形图这一代表性尺度涉密类问题地图为例，借鉴智能化测绘及知识服务的思路，对地形图和深度卷积神经网络（deep convolutional neural network，DCNN）中蕴含的知识进行挖掘、提取、描述与表达，进而归纳凝练出地形图比例尺相关知识，提出空间尺度知识引导的尺度涉密类问题地图自动识别总体思路；通过审图专家知识的深度凝练与有效融入，并结合DCNN与集成推理策略，实现地形图比例尺的高效精准鉴定，为尺度涉密类问题地图自动识别提供关键支持（任加新等，2024）。

具体地，地形图是按照严格的制图规范，依照统一的符号、颜色系统进行绘制的，具有强烈的人为先验知识约束。DCNN特征图的尺寸随网络深度加深而变小，同一对象在不同网络层有不同的表达方式，这与相同地物在不同比例尺地形图上按照面—线—点逐步精简尺寸的特性不谋而合。在专家对地形图知识进行凝练的基础上，结合上述DCNN知识，采用固定尺寸、宽高比等比例切割和固定子图数变形切割两类样本预处理方法，构建专家知识引导的地形图金字塔数据集，放大DCNN对尺寸的敏感性，并利用DCNN对上述数据集进行训练，以显著提高碎片化栅格地形图比例尺的判定精度。

4.3.2  知识图谱驱动的注记敏感类问题地图自动识别方法

注记敏感类问题地图自动识别的核心在于对栅格地图注记进行精准解译并判定其合规性，实质上是注记认知问题，涉及注记解译与语义理解的双重挑战。地图注记作为地图内容的重要组成部分，承载着丰富的地理语义信息，尤其是涉及主权、领土范围和敏感区域的注记信息，如果出现错误标注、敏感区域名称，则可能造成重大政治误导和严重的国家安全风险。如图5所示，融合标准地名库、地缘政治实体关系与行政等级规则构建敏感注记知识图谱，以驱动注记解译模型在识别层、语义层与推理层多维协同；结合专家知识实现算法优选，并结合注记特点对模型进行有针对性的改造，提出改进的注记检测和识别算法，如针对注记可能具有极端宽高比，将路径聚合网络（path aggregation network，PAN）中的卷积核尺寸增大，形成LKPAN（large kernel PAN），以进一步提升特征图每个位置覆盖的感受野，从而捕获更多的上下文信息，更容易检测极端宽高比的敏感注记；随后，通过融合专家知识的敏感注记数据集训练基于混合智能的注记智能解译模型，提高注记解译的精度；通过将非结构化的注记转化为结构化的文本，并利用敏感注记知识图谱进行敏感性判定，最终实现对敏感注记的高效、精准提取（Ren等，2025b）。

4.3.3  空间关系和区域属性知识约束的图形错绘类问题地图自动识别方法

图形错绘类问题地图自动识别的核心在于对版图典型错误区域进行综合研判，实质上是图形认知问题，涉及空间关系和区域属性的复杂分析。由于版图错误类型多样（如边界错绘、重要岛屿漏绘）、区域特征异构及背景干扰，传统目标检测方法难以达成高精度的检核需求。如图6所示，结合版图五大典型错误区域（台湾省、藏南地区、阿克赛钦地区、南海诸岛、钓鱼岛及其附属岛屿）特征，提出一种空间关系和区域属性知识约束的图形错绘类问题地图自动识别方法，旨在应对图形错绘类问题地图自动识别的复杂挑战。具体地，以专家知识驱动的空间关系约束和共现关系约束为核心，在深度学习算法输出的初始识别结果基础上，构建高效的知识反馈优化机制，对图形错绘进行自动化、精细化校正，实现对边界结构形态、拼接拓扑关系与符号标注一致性的系统校核，解决了图形错绘类问题地图识别难题，提升了版图错绘检核的准确性、稳健性及可解释性（任加新，2019，2021；刘万增等，2022）。例如，知识库中包含共现知识“台湾与阿克赛钦应同时出现”，有

其中，I为指示函数，表示上述区域是否同时存在；y为台湾和阿克赛钦在地图上的纵坐标。

当模型的图形识别模块识别出地图包含阿克赛钦区域但未标识台湾时，反馈模块判定该输出不合理。类似地，空间关系知识“台湾必须位于阿克赛钦的右侧（东侧）”，可用于验证识别目标的位置正确与否，如

若模型输出中，台湾的位置不在阿克赛钦东侧，则通过反馈修正模块判定模型输出的位置信息存在错误，触发重新评估或强制校正定位。

4.4  研制问题地图自动识别原型系统

基于上述所述，研制问题地图自动识别原型系统如图7所示，实现以混合智能计算为核心，集成尺度判定、注记提取和图形检核三大功能模块，覆盖尺度涉密、注记敏感和图形错绘的三大类问题地图自动识别需求。通过与地图生产单位和监管机构合作，开展原型系统试点应用，验证其在实际场景中的性能与可靠性，为问题地图自动识别提供可操作的技术平台，推动技术向产业化与标准化迈进。

5  结  语

本文围绕问题地图自动识别这一地理信息安全议题，借鉴智能化测绘理念，以混合智能计算范式为基础，阐明了问题地图自动识别的研究现状和发展趋势，指出了其所面临的关键问题，指出需要构建问题地图自动识别的混合智能计算模型，发展三类典型问题地图自动识别方法，研制问题地图自动识别原型系统。客观来看，问题地图自动识别的智能化发展仍处于起步阶段，关键知识的结构化表达、混合智能模型的标准化构建、人机耦合机制的系统化设计、复杂地图场景的稳健识别等诸多问题尚未得到根本解决，其理论体系、方法体系与工程体系仍需持续完善。

值得期待的是，在建设数字中国和维护总体国家安全观的时代背景下，我国测绘与网信等主管部门正大力推动地理信息安全监管向智能化、主动化方向转型。可以预见，基于混合智能的问题地图自动识别作为核心支撑技术，将在新一代地图安全监管体系构建中发挥更加重要的作用，为筑牢国家地理信息安全防线提供坚实的技术保障。

参考文献（References）

陈军, 王艳慧, 武昊, 刘万增. 2023. 时空信息赋能高质量发展的基本问题与发展方向. 时空信息学报, 30 (1): 1-11[Chen J, Wang Y H, Wu H, Liu W Z. 2023. Basic issues and development directions of high-quality development empowered by spatio- temporal information. Journal of Spatio-temporal Information, 30(1): 1-11 (in Chinese)]

陈军, 刘万增, 武昊, LI Songnian, 闫利. 2021. 智能化测绘的基本问题与发展方向. 测绘学报, 50(8): 995-1005[Chen J, Liu W Z, Wu H, Li S N, Yan L. 2021. Smart surveying and mapping: Fundamental issues and research agenda. Acta Geodaetica et Cartographica Sinica, 50(8): 995-1005 (in Chinese)]

陈军, 艾廷华, 闫利, 刘万增, 李志林, 朱强, 高井祥, 谢洪, 武昊, 张俊. 2024. 智能化测绘的混合计算范式与方法研究. 测绘学报, 53(6): 985-998[Chen J, Ai T H, Yan L, Liu W Z, Li Z L, Zhu Q, Gao J X, Xie H, Wu H, Zhang J. 2024. Hybrid computational paradigm and methods for intelligentized surveying and mapping. Acta Geodaetica et Cartographica Sinica, 53(6): 985-998 (in Chinese)]

邓国臣, 褚雪梅. 2018. 学术论文中避免出现“问题地图”的建议. 科技与出版, (1): 50-55[Deng G C, Chu X M. 2018. Suggestions on avoiding “problem map” in academic papers. Science-Technology & Publication, (1): 50-55 (in Chinese)]

黄龙. 2017. 一种快速挖掘互联网问题地图图片的方法. 测绘与空间地理信息, 40(11): 92-93, 96[Huang L. 2017. Research on the method of fast mining Internet problem map picture. Geomatics & Spatial Information Technology, 40(11): 92-93, 96 (in Chinese)]

黄龙, 吴佳桐. 2020. 图像识别在互联网“问题地图”监控中的应用. 测绘通报, (6): 145-148[Huang L, Wu J T. 2020. Application of image recognition in Internet “problem map” monitoring. Bulletin of Surveying and Mapping, (6): 145-148 (in Chinese)]

贾宗仁, 张璐, 周夏, 徐坤, 章炜. 2024. 国外主要地理信息安全管理模式分析与启示. 时空信息学报, 31 (2): 282-291[Jia Z R, Zhang L, Zhou X, Xu K, Zhang W. 2024. Analysis and insights on major geoinformation security management models foreign countries. Journal of Spatio-temporal Information, 31(2): 282-291(in Chinese)]

李雯静, 毋河海. 2006. 地图信息衰减中关键比例尺的研究. 武汉大学学报(信息科学版), 31(12): 1116-1119[Li W J, Wu H H. 2006. On catastrophe-scale in course of map-information attenuation. Geomatics and Information Science of Wuhan University, 31(12): 1116-1119 (in Chinese)]

李展. 2021. 浅谈“问题地图”的识别和预防. 测绘与空间地理信息, 44(8): 204-206[Li Z. 2021. Identification and prevention of incorrect maps. Geomatics & Spatial Information Technology, 44(8): 204-206 (in Chinese)

李志林, 刘启亮, 高培超. 2016. 地图信息论: 从狭义到广义的发展回顾. 测绘学报, 45(7): 757-767[Li Z L, Liu Q L, Gao P C. 2016. Entropy-based cartographic communication models: Evolution from special to general cartographic information theory. Acta Geodaetica et Cartographica Sinica, 45(7): 757-767 (in Chinese)]

李中, 王丹, 任福, 牛笛扬, 李石标, 秦雨, 李博辉. 2024. 基于纸质出版地图集的在线定制式地图服务研究. 时空信息学报, 31 (2): 302-310[Li Z, Wang D, Ren F, Niu D Y, Li S B, Qin Y, Li B H. 2024. Online customized map services based on printed atlas: A case study of the Atlas of Guangdong Province. Journal of Spatio-temporal Information, 31(2): 302-310 (in Chinese)]

刘鹏程, 艾廷华, 毕旭. 2013. 傅里叶级数支持下的等高线多尺度表达模型. 武汉大学学报(信息科学版), 38(2): 221-224[Liu P C, Ai T H, Bi X. 2013. Multi-scale representation model for contour based on Fourier series. Geomatics and Information Science of Wuhan University, 38(2): 221-224 (in Chinese)]

刘鹏程, 李精忠, 艾廷华. 2019. 数字地图要素的细节层次一致性评价模型研究. 中国矿业大学学报, 48(2): 437-444[Liu P C, Li J Z, Ai T H. 2019. Evaluation model of level of detail consistency of the features on digital maps. Journal of China University of Mining & Technology, 48(2): 437-444 (in Chinese)]

刘万增, 彭震中. 2016. 我国测绘地理信息成果保密政策分析及对策. 地理信息世界, 23(4): 54-58[Liu W Z, Peng Z Z. 2016. Analysis and countermeasures for secrecy policy on mapping geographic information results of China. Geomatics World, 23(4): 54-58 (in Chinese)]

刘万增, 陈杭, 任加新, 张兆江, 李然, 赵婷婷, 翟曦, 朱秀丽. 2024. 基于混合智能的街景影像知识提取方法. 测绘学报, 53(9): 1817-1828[Liu W Z, Chen H, Ren J X, Zhang Z J, Li R, Zhao T T, Zhai X, Zhu X L. 2024. Research on knowledge extraction from street scene images based on hy-brid intelligence. Acta Geodaetica et Cartographica Sinica, 53(9): 1817-1828 (in Chinese)]

刘万增, 陈军, 赵勇, 李然, 章炜, 翟曦, 王新鹏, 王勇. 2023. 地理信息保密安全评估的基本问题与对策. 时空信息学报, 30(4): 474-481[Liu W Z, Chen J, Zhao Y, Li R, Zhang W, Zhai X, Wang X P, Wang Y. 2023. Fundamental issues and countermeasures of geographic information security assessment. Journal of Spatio- temporal Information, 30(4): 474-481 (in Chinese)]

刘万增, 王新鹏, 赵婷婷, 翟曦, 李然, 朱秀丽, 蒋志浩, 彭云璐, 张晔. 2024. 碎片化地形矢量数据比例尺评估方法. 测绘学报, 53(6): 1013-1024[Liu W Z, Wang X P, Zhao T T, Zhai X, Li R, Zhu X L, Jiang Z H, Peng Y L, Zhang Y. 2024. Scale evaluation method for fragmented terrain vector data. Acta Geodaetica et Cartographica Sinica, 53(6): 1013-1024 (in Chinese)]

刘万增, 陈军, 任加新, 徐琛, 李然, 翟曦, 蒋志浩, 张晔, 彭云璐, 王新鹏. 2022. 基于混合智能的地图自动审核技术框架. 武汉大学学报(信息科学版), 47(12): 2038-2046[Liu W Z, Chen J, Ren J X, Xu C, Li R, Zhai X, Jiang Z H, Zhang Y, Peng Y L, Wang X P. 2022. Hybrid intelligence-based framework for automatic map inspecting technology. Geomatics and Information Science of Wuhan University, 47(12): 2038-2046 (in Chinese)]

卢永华, 李爽. 2019. 改进G2SFCA的深圳市室内应急避难场所空间可达性研究. 武汉大学学报(信息科学版), 44(9): 1391-1398 [Lu Y H, Li S. 2019. Spatial accessibility of indoor emergency shelters based on improved G2SFCA in Shenzhen City. Geomatics and Information Science of Wuhan University, 44(9): 1391-1398 (in Chinese)]

任加新. 2019. 基于卷积神经网络的多尺度特征融合自适应智能“问题地图”识别. 硕士学位论文. 成都：西南交通大学[Ren J X.2019. Adaptive intelligent recognition of “problematic map” based on multi-scale feature fusion and convolutional neural network. Master Dissertation. Chengdu: Southwest Jiaotong University(in Chinese)]

任加新, 刘万增, 李志林, 李然, 翟曦. 2021. 利用卷积神经网络进行“问题地图”智能检测. 武汉大学学报(信息科学版), 46(4): 570-577[Ren J X, Liu W Z, Li Z L, Li R, Zhai X. 2021. Intelligent detection of “problematic map” using convolutional neural network. Geomatics and Information Science of Wuhan University, 46(4): 570-577 (in Chinese)]

任加新, 刘万增, 陈军, 张蓝, 陶远, 朱秀丽, 赵婷婷, 李然, 翟曦, 王海清, 周晓光, 侯东阳, 王勇. 2024. 知识引导的碎片化栅格地形图比例尺智能识别. 测绘学报, 53(1): 146-157[Ren J X, Liu W Z, Chen J, Zhang L, Tao Y, Zhu X L, Zhao T T, Li R, Zhai X, Wang H Q, Zhou X G, Hou D Y, Wang Y. 2024. Knowledge-guided intelligent recognition of the scale for fragmented raster topographic maps. Acta Geodaetica et Cartographica Sinica, 53(1): 146-157 (in Chinese)]

王明荃. 2018. 新媒体报道中“问题地图”的传播分析与应对思考. 浙江国土资源, (8): 34-35[Wang M Q. 2018. Communication analysis and countermeasures of “problem map” in new media reports. Zhejiang Land & Resources, (8): 34-35 (in Chinese)]

王琴. 2021.“问题地图”危害与防控. 测绘, 44(2): 91-93[Wang Q. 2021. Harm and prevention of “problem map”. Surveying and Mapping, 44(2): 91-93 (in Chinese)]

肖天元, 刘鹏程, 艾廷华, 李精忠. 2020. 一种傅里叶信息度量的曲线分形描述与多尺度表达方法. 武汉大学学报(信息科学版), 45(1): 119-125[Xiao T Y, Liu P C, Ai T H, Li J Z. 2020. A fractal description and multi-scale expression method of Fourier information metrics. Geomatics and Information Science of Wuhan University, 45(1): 119-125 (in Chinese)]

徐根才. 1989. 中、小比例尺地形图平面位置精度分析. 武汉测绘科技大学学报, 14(2): 59-68[Xu G C. 1989. The analysis of planimetric accuracy for topographic map series at medium and small scales. Journal of Wuhan Technical University of Surveying and Mapping, 14(2): 59-68 (in Chinese)]

应申, 邱牧原, 陶璐. 2025. 自动驾驶高精地图智能审查方法. 时空信息学报, 32(5): 516-526[Ying S, Qiu M Y, Tao L. 2025. Intelligent review method for high-definition maps in autonomous driving. Journal of Spatio-temporal Information, 32(5): 516-526 (in Chinese)] 

张聪慧, 李仁杰, 李家慧. 2022. 英文论文中使用中国地图存在的问题及解决对策——基于代表性地学期刊的论文分析. 编辑学报, 34(4): 388-395[Zhang C H, Li R J, Li J H. 2022. Problems and solutions in using Chinese maps in English articles: A literature analysis based on representative geoscience journals. Acta Editologica, 34(4): 388-395 (in Chinese)]

张星怡, 张雅欣, 陈璐, 徐世光, 王鑫瑞, 郑坤, 赵飞. 2025. 一种基于文本要素的栅格地质图文本提取与图文检索研究. 时空信息学报, 32(3): 266-275 [Zhang X Y, Zhang Y X, Chen L, Xu S G, Wang X R, Zheng K, Zhao F. 2025. A study on text extraction and graphic retrieval from raster geological maps based on textual elements. Journal of Spatio-temporal Information, 32(3): 266-275 (in Chinese)]

周佳薇, 吴晓春. 2018.“问题地图”现状分析及对策. 测绘技术装备, 20(4): 42-43, 41[Zhou J W, Wu X C. 2018. Analysis and countermeasures of “problem map”. Geomatics Technology and Equipment, 20(4): 42-43, 41 (in Chinese)]

Chiang Y Y, Moghaddam S, Gupta S, Fernandes R, Knoblock C A. 2014. From map images to geographic names//Proceedings of the 22nd ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. 581-584

Dori D, Velkovitch Y. 1998. Segmentation and recognition of dimensioning text from engineering drawings. Computer Vision and Image Understanding, 69(2): 196-201

Du K X, Ren F, Wang Y, Che X H, Liu J P, Hou J X, You Z W. 2024. Integration of spatial and co-existence relationships to improve administrative region target detection in map images. ISPRS International Journal of Geo-Information, 13(6): 216

He K M, Zhang X Y, Ren S Q, Sun J. 2016. Deep residual learning for image recognition//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 770-778

Kumar P M, Devi G U, Manogaran G, Sundarasekar R, Chilamkurti N, Varatharajan R. 2018. Ant colony optimization algorithm with Internet of Vehicles for intelligent traffic control system. Computer Networks, 144: 154-162

Li H L, Liu J, Zhou X R. 2018. Intelligent map reader: A framework for topographic map understanding with deep learning and gazetteer. IEEE Access, 6: 25363-25376

Lin T Y, Goyal P, Girshick R, He K M, Dollár P. 2017. Focal loss for dense object detection//2017 IEEE International Conference on Computer Vision (ICCV). 2999-3007

Pezeshk A, Tutwiler R L. 2011. Automatic feature extraction and text recognition from scanned topographic maps. IEEE Transactions on Geoscience and Remote Sensing, 49(12): 5047-5063

Pouderoux J, Gonzato J C, Pereira A, Guitton P. 2007. Toponym recognition in scanned color topographic maps//Ninth International Conference on Document Analysis and Recognition (ICDAR 2007). 531-535

Qiu Q J, Tan Y J, Ma K, Tian M, Xie Z, Tao L F. 2023. Geological symbol recognition on geological map using convolutional recurrent neural network with augmented data. Ore Geology Reviews, 153: 105262

Rao X, Wang J S, Ran W J, Sun M Z, Zhao Z. 2023. Deep-learning-based annotation extraction method for Chinese scanned maps. ISPRS International Journal of Geo-Information, 12(10): 422

Ren J X, Liu W Z, Chen J, Yin S X. 2025a. HI4HC and AAAAD: Exploring a hierarchical method and dataset using hybrid intelligence for remote sensing scene captioning. International Journal of Applied Earth Observation and Geoinformation, 139: 104491

Ren J X, Liu W Z, Chen J, Yin S X, Tao Y. 2024. Word2Scene: Efficient remote sensing image scene generation with only one word via hybrid intelligence and low-rank representation. ISPRS Journal of Photogrammetry and Remote Sensing, 218: 231-257

Ren J X, Liu W Z, Chen J, Zhu X L, Li R, Zhao T T, Zhang J D, Tao Y, Yin S X, Zhai X, Peng Y L, Wang X P. 2025b. HI-CMAIM: Hybrid intelligence-based multi-source unstructured Chinese map annotation interpretation model. Remote Sensing, 17(2): 204

Sharma G, Patil G R. 2022. Spatial and social inequities for educational services accessibility — A case study for schools in Greater Mumbai. Cities, 122: 103543

Shi B G, Bai X, Yao C. 2017. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(11): 2298-2304

Simonyan K, Zisserman A. 2014. Very deep convolutional networks for large-scale image recognition. arXiv: 1409.1556. https://arxiv.org/abs/1409.1556

Soeller G, Karahalios K, Sandvig C, Wilson C. 2016. MapWatch: Detecting and monitoring international border personalization on online maps//Proceedings of the 25th International Conference on World Wide Web. 867-878

Tan C L, Ng P O. 1998. Text extraction using pyramid. Pattern Recognition, 31(1): 63-72

Tao Y, Liu W Z, Chen J, Gao J X, Li R, Ren J X, Zhu X L. 2023. A self-supervised learning approach for extracting China physical urban boundaries based on multi-source data. Remote Sensing, 15(12): 3189

Tao Y, Liu W Z, Chen J, Gao J X, Li R, Wang X P, Zhang Y, Ren J X, Yin S X, Zhu X L, Zhao T T, Zhai X, Peng Y L. 2025. A graph-based multimodal data fusion framework for identifying urban functional zone. International Journal of Applied Earth Observation and Geoinformation, 136: 104353

Wang H. 1994. Text extraction from color map images. Journal of Electronic Imaging, 3(4): 390

Wang Z, Yan H W, Wang X L, Wang B X, Ying S. 2024. The assessment of wemaps audit requirements based on deep learning. Cartography and Geographic Information Science, 51(6): 797-812

Yamada H, Yamamoto K, Hosokawa K. 1993. Directional mathematical morphology and reformalized Hough transformation for the analysis of topographic maps. IEEE Transactions on Pattern Analysis and Machine Intelligence, 15(4): 380-387

Yin S X, Liu W Z, Chen J, Ren J X, Tao Y, Wang Y L, Zhang J D. 2025. HIUFE: Hybrid intelligence-based unauthorized farmland excavation scene cognition. ISPRS Journal of Photogrammetry and Remote Sensing, 227: 276-296

Zhai Y R, Zhou X R, Li H H. 2023. Model and data integrated transfer learning for unstructured map text detection. ISPRS International Journal of Geo-Information, 12(3): 106

Zhang J D, Chen J, Fan H C, Zhou X G, Hou D Y, Ren J X, Yin S X, Hou M L. 2025. Shp2gml: Semantic 3D model generation for Ming and Qing historical buildings at multiple LoDs using domain knowledge and multi-source data. International Journal of Digital Earth, 18(2): 2564910

Zhou X Y, Yao C, Wen H, Wang Y Z, Zhou S C, He W R, Liang J J. 2017. EAST: An efficient and accurate scene text detector//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2642-2651