三调图斑尖锐角与小缝隙的FME自动化检测修复实战

前几年做三调数据入库和质检的时候，最磨人的不是地类认定，也不是权属争议，反而是看起来特别不起眼的图形质量问题。尖锐角、小缝隙这两个词，干过三调的兄弟应该都不陌生——你辛辛苦苦把图斑矢量化完，一跑质检软件，哗啦啦报出来几百上千个尖锐角、小缝隙，整改起来简直让人怀疑人生。我自己就经历过一个县的数据，面积不大，图斑数量倒不少，光是尖锐角就报了六百多处，小缝隙也有两百多，手动一个一个改，改到后面眼睛都快花了。

后来我花了两个晚上，用FME搭了一套自动检测加批量修复的模板，把这两类问题从“人工逐个处理”变成了“一键扫描、批量修复、自动出报告”。整个过程里踩了不少坑，比如角度计算口径不一致、删点导致面积变化、缝隙归属判定错位等等，今天就把这套思路和具体实现完整拆开来讲，希望能帮到还在跟尖锐角和小缝隙死磕的朋友。

1. 先搞清楚：尖锐角和小缝隙到底是什么，为什么必须处理

1.1 三调成果对图形质量的要求

第三次全国国土调查的成果质量要求里，对图斑的几何形状是有明确规定的。最核心的一条就是图斑边界不允许出现尖锐角，通常以图斑边界上相邻两条边夹角小于15度作为判定标准。为什么卡在15度？因为角度太小，图斑边界在实际用地上基本不可能存在，多数是矢量化过程中手抖或者自动跟踪边界时产生的毛刺。这种毛刺如果不处理，一方面影响图斑面积计算的精度，另一方面在后续的国土变更调查、国土空间规划“一张图”叠加分析时，会产生大量无意义的碎小图形，严重影响数据美观和分析效率。

小缝隙则是另一种常见问题，它指的是相邻图斑之间出现的狭窄空隙。缝隙的成因很多，最常见的是两个图斑由不同作业员分别矢量化，边界描绘的精度不一致，导致本应无缝相接的边界之间留下了一条极窄的空白地带。三调相关标准里对这种情况的容忍度很低，因为整个调查区域应该是被图斑完整无缝覆盖的，任何缝隙都意味着某块土地没有被调查到，直接影响面积汇总和权属认定。

1.2 图形质量问题带来的连锁反应

尖锐角和小缝隙如果不处理，报上去的成果就会被质检环节打回来。这里说的质检不光是国家安排的核查，还包括省级预检、市级复核等多个环节，只要有其中一环发现批量问题，整个批次的数据都会被退回整改，影响的是项目整体进度。

更麻烦的是，这些图形问题不是孤立存在的。尖锐角的折点通常伴随着微小的坐标抖动，处理过程中如果只是简单删点，很有可能改了这头、冒了那头，甚至让图斑面积超差；小缝隙则往往隐藏在三个以上图斑的交界处，你补好了一条缝，旁边又裂开了另一条，工作量和挫败感同时拉满。所以处理这个问题，不能只靠耐心，得靠一套可靠的自动化流程。

1.3 质检规则的标准理解

在做自动处理之前，先把质检规则吃透很重要。15度尖锐角指的是什么角度，是用方位角之差还是内角？很多自动检查工具的实现细节其实不一样，导致同一个图斑在不同软件里检查结果不一致。按三调质量检查的通行做法，尖锐角通常指图斑边界走向发生急剧转折时，相邻两条边之间的夹角小于15度，实际计算时取的是两条边方向角差值的绝对值与180度差值的较小者，也就是说无论边界是左转还是右转，只要转折角度小于15度，都算尖锐角。

小缝隙的判定相对简单，主要看面积大小。三调里常见的阈值是缝隙面积小于0.5平方米（不同地区、不同比例尺可能调整为0.2或1.0平方米），当然也有按图上距离来算的，比如图上0.3毫米以内的缝隙视为拓扑套合误差。具体阈值以项目质检方案为准，这篇文章的模板里会把阈值做成参数，方便不同项目灵活调整。

2. 方案选型：为什么用FME而不是ArcGIS插件或人工编辑

2.1 传统处理方式的局限分析

不少朋友首先想到的是用ArcGIS来处理，网上也能找到各种“arcgis检查尖锐角插件”。这些插件的基本原理是通过遍历节点、计算夹角、选出锐角点，然后交给作业员逐个修改。说实话，单纯做“检查”，这些插件是够用的，但问题在于它们解决不了“批量修复”。一个县动辄几万个图斑，报出来几百上千个尖锐角，人工改不仅慢，而且改完很容易因为相邻图斑的联动关系引入新问题，陷入“改不完、检查不过”的循环。

小缝隙在ArcGIS里也有类似工具，比如拓扑检查里的“不能有间隙”规则，可以快速找出所有缝隙的位置。但找出来之后怎么处理？ArcGIS拓扑修复工具给的方案通常是合并到相邻图斑或创建要素，合并到谁、怎么合并，并没有太多智能化的决策，最后还是得人工逐个判断。再加上拓扑修复在大数据量下性能一般，跑一个县的拓扑检查可能要一两个小时，效率确实不太理想。

2.2 FME处理这类问题的核心优势

FME的强项在于它的“ETL思维”——把数据处理拆解成读取、转换、写出三个阶段，转换阶段可以由几十个转换器（Transformer）自由组合成一条流水线。对于尖锐角和小缝隙处理，这意味着你可以把“检查、筛选、修复、验证、报告”全部串在一个模板里自动完成，而且每一步都有缓存数据，哪一步出了问题，马上能定位到原因。

另外，FME的几何处理转换器非常丰富。处理尖锐角可以用VertexRemover、Generalizer，处理缝隙可以用AreaOnAreaOverlayer、Dissolver、Snapper，检测角度可以用AngleConverter、VertexCreator加数学计算，一个流程走下来基本不需要写复杂代码，纯靠拖拽配置就能完成。当然PythonCaller也可以用来做更自由的控制，比如我今天要讲的角度计算部分，用自定义转换器拆解后逻辑会更清晰。

2.3 整体处理流程设计

这套模板的核心流程可以归纳为三个模块：检查、修复、验证。第一步先读取三调地类图斑数据，比如GDB或SHP格式，统一坐标系，然后分别走尖锐角检查和小缝隙检查；第二步根据检查结果进行自动修复，修复策略可以配置；第三步把修复后的数据重新跑一遍检查逻辑，输出一份“处理前后对比报告”，包括问题数量、修复成功率、剩余问题清单，方便直接附在项目文档里。

整体设计的原则是“宁可保守、不要冒进”。自动修复只处理那些判断条件非常明确的问题，比如角度小于8度的极尖锐角、面积小于0.1平方米且边界极度贴近的微小缝隙，其余会影响到面积或拓扑关系的情况，宁可在报告里列出来交给人工判断，也不能因为自动处理造成更严重的新问题。这个原则大家做的时候一定要记住，自动化的目的是减轻人工负担，而不是完全替代人工。

3. 实操第一部分：基于FME的尖锐角检测与自动修复

3.1 工作台搭建与数据读取

打开FME Workbench，新建一个空白模板。读模块选择你要处理的数据库或要素类，我这边以File Geodatabase为例，读入“DLTB”（地类图斑）图层，坐标系一般是CGCS2000，如果是国家2000大地坐标系，FME会自动识别，不用额外设置。如果数据是地方坐标系，记得提前做转换，否则后面所有距离、面积计算都会不准。

读入数据之后，先加一个Reprojector转换器（如果坐标系需要转换），再加一个AttributeManager，把FME自动生成的fme_geometry、fme_type这些属性在后续用到之前先理清楚。不要小看这步预处理，三调的原始数据经常带着一堆冗余字段，处理前瘦身能让整个模板跑起来更快、排查问题也更容易。建议只保留后续需要用到的字段，以及最后输出时要写回的属性，比如图斑标识码（BSM或TBBSM）、地类编码（DLMC）、图斑面积等。

3.2 节点角度检测的两种实现方式

检测尖锐角，核心问题是怎么计算图斑边界上每个节点的转角。这里有两种思路：

第一种是使用FME自带的AngleConverter转换器，它可以根据三个坐标点计算中间点的角度值。具体做法是先通过CoordinateExtractor把图斑的所有顶点坐标提取出来，然后用VertexCreator生成前一个点、当前点、后一个点的三元组，最后用AngleConverter算出当前点的夹角。这种方式的优点是代码量少、速度快，但要注意AngleConverter返回的角是0到360度之间的方位转角，需要做一步换算才能得到两个边之间的锐角值。

第二种是使用PythonCaller，灵活度更高，可以一次性遍历整个几何对象的所有节点，计算每个节点的转角并标记超限点。我个人推荐这种方式，因为一个图斑往往有几十个节点，用CoordinateExtractor拆解后在Workbench里处理会让数据流变得非常庞大，而PythonCaller可以在一个转换器内部完成遍历，数据流简洁，调试也更方便。

这里简单说一下用PythonCaller计算转角的核心思路：先把图斑边界折点坐标取出来，对每个节点（去掉首尾两个端点）计算前一条边的方位角、后一条边的方位角，然后取两个方位角差值的绝对值与180-差值中较小的那一个，得到的就是该节点处的边界转折角。如果这个角度小于15度，就说明该节点是一个尖锐角折点。

import math import fmeobjects class FeatureProcessor(object): def __init__(self): pass def input(self, feature): geom = feature.getGeometry() if geom is None: return coords = [] if isinstance(geom, fmeobjects.FMEPolygon): boundary = geom.getBoundary() for i in range(boundary.numPoints()): p = boundary.getPoint(i) coords.append((p.getX(), p.getY())) else: return sharp_list = [] n = len(coords) if n < 4: self.pyoutput(feature) return for i in range(1, n - 1): x0, y0 = coords[i - 1] x1, y1 = coords[i] x2, y2 = coords[i + 1] az1 = math.atan2(y1 - y0, x1 - x0) az2 = math.atan2(y2 - y1, x2 - x1) diff = abs(az2 - az1) if diff > math.pi: diff = 2 * math.pi - diff angle = math.degrees(diff) # 边界转向角 interior_angle = 180.0 - angle # 图斑内角 if interior_angle < 15.0: sharp_list.append((i, interior_angle, x1, y1)) if sharp_list: feature.setAttribute('sharp_count', len(sharp_list)) feature.setAttribute('sharp_detail', str(sharp_list)) else: feature.setAttribute('sharp_count', 0) self.pyoutput(feature)

注意几个容易踩坑的点：第一，多边形的边界是闭合的，最后一个点和第一个点重复，遍历时要排除重复的端点；第二，FME的坐标提取顺序不一定和几何边界形态完全一致，如果遇到带孔洞的多边形，getBoundary拿到的只是外环，内环需要额外处理，三调图斑一般不带孔洞，但保险起见可以先测试几个要素确认；第三，角度计算是弧度制，转换角度时不要忘了乘以180除以π。

3.3 尖锐角的三种修复策略

检测到尖锐角之后，怎么修是关键。我试过几种方式，分别适用于不同的场景。

第一种是删除折点。对于角度特别小、边界明显是矢量化毛刺的图斑，直接把尖锐角对应的那个节点删掉，前后两个节点直接用直线连接。在FME里可以用VertexRemover，配合前面PythonCaller输出的节点序号，把对应位置的点移除。这个方式最简单、效果最直接，但要注意删点后图斑面积会变化，尤其是图斑面积本来就不大的时候，可能一个点删掉面积差就超过允许范围了。所以删点前要先计算原面积和删点后的面积，如果面积差超过0.05平方米（通常的限差值），就放弃自动修复，转到人工处理队列。

第二种是折点加密后轻量平滑。对边界进行密集插值（Densify），然后用Generalizer转换器做一次轻量平滑，让尖锐角被稀释成一段平缓的连续折线。这种方式对面积影响较小，但会额外增加节点数量，如果数据是要入库的，节点数过量也会给数据检查带来新问题。一般我只在面积敏感的小图斑上使用这个策略。

第三种是“吸附到邻近”。如果尖锐角的出现是因为相邻图斑边界套合不准，比如两个图斑的公共边界应该完全重合，但一个以某个节点为界，另一个节点位置略微偏移，产生了角度突变，这时候单纯删点或平滑都会破坏公共边界的一致性。正确的做法是用Snapper把两个图斑的公共节点吸附到一起，让边界完全重合，尖锐角自然就消失了。实现时可以用AnchoredSnapper，以参考图层为基准，将候选图斑的对应边界吸附上去。

3.4 修复后面积和拓扑的验证环节

修复不能修完就算完事，验证环节必不可少。我把面积验证放在整个流程的最后一道：用AreaCalculator计算修复后图斑面积，和原始面积做差值，差值超过限差的图斑进入“人工待处理”列表，不直接输出到成果图层；同时用一次快速的拓扑自相交检查（FME内置的SelfIntersection检测）确保修复后的图斑没有出现自相交或边界交叉，这两个问题一旦出现，比尖锐角严重得多，会造成数据无法入库。

自动修复完成后，我会输出两个图层：一个是已修复的“通过”图层，另一个是“待人工复核”图层。这样做的好处是风险可控，交付给甲方时可以说“这些问题已经自动优化，这些问题需要人工进一步确认”，处理过程透明、结果可信。三调的那帮质检专家最怕的就是数据被黑盒自动化处理过、说不清楚变化情况，有了这个分层输出，沟通成本低很多。

4. 实操第二部分：小缝隙的识别与消除方案

4.1 小缝隙的类型与成因分析

小缝隙比尖锐角要隐蔽得多，因为尖锐角还能靠肉眼明显看出来，缝隙在屏幕上不放大到一定程度根本看不见。我在项目里总结出三类最常见的缝隙：第一种是相邻图斑公共边不重合产生的条带状缝隙，多见于不同作业员分别矢量化同一区域；第二种是三个以上图斑交汇处产生的点状“小三角”缝隙，本质上是因为各图斑的边界在该点没有精确汇聚于同一个坐标位置；第三种是数据编辑操作留下的“无主”区域，比如从原图斑形状更新地类边界时，旧边界擦除后新边界没有完全闭合，留下一条细长三角带。

这三种缝隙的检测方法略有不同，但处理策略可以统一：先识别缝隙多边形，再按一定的归属规则把这些缝隙融合到相邻图斑中，保证整个调查区域被图斑无缝完整覆盖。

4.2 用AreaOnAreaOverlayer提取缝隙多边形

FME里识别小缝隙的最经典做法是使用AreaOnAreaOverlayer转换器。这个转换器可以将所有输入面要素进行两两叠加，输出所有重叠区域、覆盖区域和未覆盖区域。在缝隙处理的场景下，我们把所有图斑要素输入AreaOnAreaOverlayer，它会把图斑之间的“未覆盖区域”作为重叠多边形输出，这些区域就包括了所有缝隙。

具体操作流程是：把所有图斑输入AreaOnAreaOverlayer，生成的输出中，重叠候选多边形里那些“不归属于任何输入图斑”的多边形，其实就是图斑之间的缝隙。我一般会用一个Tester筛选出这些缝隙多边形，然后用AreaCalculator计算面积，再用Tester筛出面积小于阈值的部分，比如0.5平方米以下的，这就是需要处理的缝隙清单。

这里有一个细节容易忽略：AreaOnAreaOverlayer在处理大数据量时内存占用非常高。一个县的图斑数如果超过十万，直接全局overlay很可能把内存撑爆。我的做法是先按网格分块，比如把整个县域按公里格网切成若干个Tile，在每一个Tile内部做overlay，最后再合并结果。用TileManager或者自己根据坐标范围分块都可以，速度能提升好几倍。

4.3 缝隙自动归属与边界融合

拿到缝隙多边形之后，怎么决定它归哪个图斑？我用的规则是“共享边界最长优先”：分别计算缝隙多边形与每个相邻图斑的公共边界长度，公共边界最长的那个图斑“继承”这个缝隙。这个规则的合理性在于，缝隙本就是公共边界不密合导致的，哪条公共边界占主导，这个缝隙在空间上就更贴近谁，也最可能是谁在矢量化时留下的缺口。

具体实现时，用SpatialRelator把缝隙多边形与图斑关联，计算相交部分的边界长度，然后排序取最大值，把缝隙唯一归属到那个图斑。接下来用DonutBridgeBuilder或者简单的Dissolver把归属图斑和缝隙多边形融合成一个新的面。如果缝隙与某个图斑只有点接触，没有公共边界，就不要做自动融合，这种缝隙通常分布在多个图斑的交汇点，自动归属误差较大，需要人工判断。

边界融合之后，还有一步很关键：检查相邻图斑有没有因为这次融合产生新的重叠。因为A图斑把缝隙吸收了，边界向外扩了一点，可能正好和另一边的B图斑边界交叉了。所以我最后还会用AreaOnAreaOverlayer跑一次重叠检测，只要发现重叠图斑进入“人工复核”列表。虽然步骤多了一点，但每一步都能保证数据的稳定性和可靠性。

4.4 面向整库数据的批处理操作

县级的图斑数据动不动几十万条，单独跑一个模板都会很慢，更不用说处理完再手动画图检查了。我这里分享几个批量操作的优化经验。

第一，先跑一次全量检测，把问题图斑的数量和分布摸清楚，然后只对问题图斑所在区域进行局部修复，不要把完全没有问题的图斑也拖进来重新计算一遍。用FME可以先执行“尖锐角检测+小缝隙检测”，把检测结果中涉及的图斑ID列表传给后续修复流程，做到“有问题才处理，没问题不碰”。

第二，如果在Workbench里跑得太慢，可以考虑用FME Server的订阅功能调度任务，或者直接用命令行fme.exe运行模板，并传入不同的输入路径参数，分乡镇、分图幅并行处理。我实际测试过，一个几十万图斑的县，串行跑大概要一个多小时，切成8个片区并行跑，能压缩到十二分钟左右。

第三，处理完成后务必保留过程数据。我会在模板输出端增加三个数据集：修复前的原始副本、检测出来的问题列表、修复后的成果数据。这样一旦甲方对某个图斑的处理结果提出质疑，我可以立刻调出当初的问题定位和修复参数，证明处理的合理性，而不是支支吾吾说不清楚。

5. 常见问题与排查技巧实录

5.1 删点修复后图斑面积超限

这是我在初版模板里踩过最大的坑。当时为了追求修复率，把角度阈值设得比较松，大量删点修复后，很多图斑的面积变化超过了允许范围，差幅在0.5%到1%左右。后来分析发现，问题出在图斑边界本身是平滑曲线被手工矢量化成了折线，折点间距本来就大，删掉其中一个点后，直线直接从上一个折点拉到下一个折点，把一大块弓形区域给削掉了。

解决办法是在修复前先做一步“需不需要删点”的预判：先计算删点后的新边界与旧边界围成的弓形面积，如果这个面积超过限差，就不删点，而是改用加密点后平滑的策略。另外，删点处理只建议针对“局部极小毛刺”，也就是角度小于8度且参与构成尖锐角的边都很短的情况，其他情况宁可多留一点给人工判断。

还有一个细节是面积比较基准：用图斑的原始面积和修复后面积做差，还是用面积限差百分比？实际质检里一般都允许一定范围的比例误差，比如1%，但不同地方要求可能不同。所以模板里建议把面积容差做成用户参数，不要写死。

5.2 缝隙消除后出现新的重叠

小缝隙处理最常见的连锁反应是重叠。一开始我直接把缝隙融合到相邻图斑，结果第二批数据检查时发现很多图斑“涨胖”了，边界挤进了远处的另一块图斑里。后来仔细看才发现，这些缝隙通常位于狭长的地类边界附近，缝隙吸收进A图斑后，A图斑的边界向外凸出，恰好越过了B图斑的某个拐角，产生了新的压盖。

遇到这个情况，我的排查步骤是：先通过SpatialRelator找到融合缝隙后新增了重叠区域的图斑对，然后用聚类分析找出这些重叠的共同特征。绝大多数情况下，这些图斑都是狭长条状的，比如公路、河流这类线性地物，它们本身宽度就很小，稍微向外多出一个缝隙的距离，就会越界。对这种图斑，我会把修复策略从“融合缝隙”切换到“调整公共节点”，也就是把缝隙两侧的图斑边界节点吸附到缝隙的中轴线上，让两个图斑各让一半，而不是让一方完全吸收缝隙。

5.3 ArcGIS插件与FME检查结果不一致

有个朋友拿着ArcGIS检查尖锐角的插件结果来问我，说为什么FME检测出来的尖锐角数量和ArcGIS差了很多。这种情况多半是计算口径不一致导致的。ArcGIS插件通常使用图形学里的最小旋转角作为夹角，也就是不管边界往哪边转，只取最小的那个转向角；而如果你在FME里用方位角差值直接判断，可能把个别钝角、平角附近的点也误判为锐角了。此外，ArcGIS插件有可能会跳过闭合线的起始点，而我的PythonCaller实现里如果没排除首尾重复点，会在同一个位置重复计数。

排查经验是不要把两个工具的结果当矛盾，而是把它们当成互相补充的检查项。我一般在FME模板里选了“最小转向角小于15度”的标准后，还会把FME能识别但ArcGIS不能识别的疑似点单独存成一个图层，人工抽查一部分，确认是冗余还是FME误报。三调的图斑边界比较复杂，多一个维度的检查，总比后来被质检软件抽查到问题要踏实。

5.4 常见问题速查表

5.5 报告输出与项目验收建议

自动处理做完之后，光给一份成果数据是不够的，需要配套一份处理报告。我这边的模板会在最后使用StatisticsCalculator统计各类问题的处理数量、自动处理通过率、人工复核数量，再用TextFileWriter输出一份Markdown或CSV格式的处理清单。清单里至少包含三列：图斑标识码、问题类型、处理动作（自动修复/人工复核）。有了这个清单，你去对接质检单位或者领导汇报时，能非常直观地展示自动化处理带来的效率提升，也能清楚交代哪些地方还需要人工把关。

报告里还可以附上处理前后的问题分布图，用FeatureReader读回修复后的数据，结合HTMLReportGenerator生成一个带地图和统计图表的质检报告页面，这个在项目验收阶段非常加分。试想一下，别人汇报的时候还在一张一张贴截图，你直接甩出一个自动生成的交互式处理报告，高下立判。

6. 给刚接触FME的朋友几句实在话

如果你刚接触FME，看到这么一大堆转换器可能会有点劝退。我给新手的建议是：别急着一次性搭一个全自动的复杂模板，先从最基础的“读数据—处理—写数据”三步走练习起，比如先做一次简单的属性筛选或坐标转换，把FME的基本数据流跑通。然后再去研究今天讲的这些核心转换器，PythonCaller等高级功能可以放到后面逐步掌握。

另外，网上关于FME入门视频教程挺多的，但我个人觉得最好的学习材料还是自己手头的数据。拿一个县的真实三调数据，你今天把我上面说的尖锐角检测流程手动搭一遍，跑出结果，再对比质检软件的报告，这个过程比看十遍教程都管用。FME和ArcGIS处理地理数据是两种完全不同的思维模式，ArcGIS强调交互式编辑和逐要素操作，FME强调批量化的数据流处理，一旦适应了后者的思维方式，很多以前觉得不可能自动化的流程，都会发现新的解决方案。

我自己处理三调数据那段时间，最大的体会是：数据质量问题的处理，核心不在于某一个软件或某一个技巧多高明，而在于你有没有把“检测—修复—验证—报告”这个闭环完整地建立起来。人工逐个改作业的方式，不管改得多么仔细，都很难在质检标准和交付效率之间找到平衡点。而FME这套方案真正解决的，就是把重复劳动变成自动化流程，把可能出错的环节用程序强制校验，把不可控的人为因素降到最低。

最后再分享一个小技巧：我一般会在模板参数里把角度阈值、缝隙面积阈值、面积容差都设置成公开参数，每次启动模板时先确认一遍。不同项目、不同地区的质检要求可能会有细微差异，参数外置后，换一个项目只需要在运行窗口里改几个数字，不需要去修改复杂的转换器逻辑。这个习惯帮我节省了大量的重复调试时间，你也不妨试试。