Turf.js 常用地理空间算法分类解析：测量、转换与聚合

Turf.js 地理空间算法核心架构：从纯数学度量、几何形态重塑到离散要素汇聚

一、测量算法（Measurement）：在球面几何中度量物理世界

在 WebGIS 开发中，测量是最基础但也最容易埋下精度隐患的环节。测量类算法的核心输入通常是基础要素（如 Point、LineString 或 Polygon），输出则是标量数值（如距离、弧度、方位角或面积）。理解测量算法的关键，在于认识到地球是一个近似椭球体，而非笛卡尔平面。

1.1 大圆测距与表面积：turf.distance 与 turf.area

很多初学者在计算两点间距离时，习惯套用平面勾股定理 √(Δx² + Δy²)。然而，经线间距随着纬度升高而急剧收敛：在赤道处 1 经度约合 111 公里，而在北纬 60 度处则收缩至约 55.8 公里。如果直接使用欧几里得距离，在远离赤道的区域将产生灾难性的误差。

turf.distance 采用 Haversine（半正矢公式），假定地球为平均半径 R = 6371.0088 公里的标准球体，计算连接两点的大圆（Great Circle）劣弧长度：

import { point } from '@turf/helpers';
import distance from '@turf/distance';

// 严格遵循 GeoJSON 规范：[经度 longitude, 纬度 latitude]
const shanghai = point([121.4737, 31.2304]);
const beijing = point([116.4074, 39.9042]);

const distKm = distance(shanghai, beijing, { units: 'kilometers' });
console.log(`京沪大圆测距结果: ${distKm.toFixed(2)} km`); // 输出约 1068.18 km

与测距类似，多边形面积测量 turf.area 并不采用平面鞋带公式（Shoelace Formula），而是基于球面多边形立体角（Solid Angle）进行球面积分，默认直接返回以平方米（m²）为单位的物理实测面积。

1.2 沿线切片与航向角：turf.along、turf.lineSlice 与 turf.bearing

在物流轨迹回放、管网资产巡检中，我们经常需要“沿路线行进 X 公里”或“提取指定两点间的路段”。Turf.js 提供了极其简洁的轨迹分析链条：

• turf.bearing(from, to)：计算两点相对于正北方向的顺时针夹角，返回值在 -180° 到 180° 之间，常用于确定车辆图标朝向。
• turf.along(line, distance, options)：沿着 LineString 轨迹线从起点开始测量，返回距离指定物理距离处的插值点。
• turf.lineSlice(startPt, stopPt, line)：寻找起点与终点在折线上的最近正交投影点，并精准切出子折线。

图 1：Turf.js 测量算法原理与球面坐标约束（球面大圆路径与常用几何测度算子）

二、转换算法（Transformation）：形态重塑与拓扑集合运算

转换类算法接收一个或多个几何要素作为输入，输出经过形态畸变、拓扑构造或尺寸缩放后的全新几何要素。这部分算法是 GIS 中计算开销最大、算法结构最复杂的一环。

2.1 缓冲区分析：turf.buffer 的计算开销与精度权衡

turf.buffer 几乎是城市规划、避灾分析中使用率最高的函数。它可以围绕点、折线或多边形向外（或向内负缓冲）扩展指定距离的等距边界。

其底层数学原理基于闵可夫斯基和（Minkowski Sum）：将原始图形上的每个线段向两侧沿单位法向量平移 R，拐角外侧则通过圆弧多边形插补。这里的关键参数是 steps（拐角圆弧细分步数，默认 8）：

import { point } from '@turf/helpers';
import buffer from '@turf/buffer';

const station = point([121.4737, 31.2304]);

// 构建 3 公里半径保护圈，将 steps 设为 16 以获取平滑边缘
const bufferedZone = buffer(station, 3, {
  units: 'kilometers',
  steps: 16
});

2.2 几何抽稀与保真：turf.simplify（道格拉斯-普克算法）

高精度的矢量地图边界（如中国各省界线）往往包含数十万个密集点位，直接在前端图层传输或渲染极其昂贵。turf.simplify 实现了经典的 Ramer-Douglas-Peucker（道格拉斯-普克）算法：

1. 连接折线首尾两点形成基准弦线；
2. 计算折线上所有中间点到该弦线的垂直欧氏距离，找出最大垂直距离点 P_max；
3. 若最大距离小于设定容差 tolerance，则剔除期间所有中间点；若大于容差，则保留该点并在其两侧递归划分区间。

通过合理设置 tolerance: 0.01（度数单位），通常可以在肉眼难以察觉边界畸变的前提下，直接削减 80% 以上的冗余坐标。

2.3 拓扑布尔运算：turf.union、turf.intersect 与 turf.difference

多边形布尔运算基于扫描线（Sweep-line）和多边形裁剪引擎（如 Martinez-Rueda 或 Clipper 算法）。它们负责计算多边形的公共交集（intersect）、合并轮廓（union）以及遮罩扣除（difference）。

import intersect from '@turf/intersect';
import difference from '@turf/difference';

// 计算两个多边形重合的安全隐患重叠区
const dangerArea = intersect(zoneA, zoneB);

// 从行政区总范围中扣除保护区，提取可用建设用地
const availableLand = difference(districtPolygon, protectedZone);

图 2：空间几何转换与拓扑简化执行流程（原始清洗 → 法向偏移 → 布尔相交消歧 → 容差精简）

三、聚合算法（Aggregation）：离散数据的空间重组与统计

在海量点位（如数万辆共享单车分布、城市物联网传感器）场景下，单独渲染点标记会导致图层完全遮挡并耗尽显存。聚合类算法的核心任务是将高密度的离散几何重组为结构化、具备统计价值的聚合要素。

3.1 空间包含与属性归集：turf.pointsWithinPolygon 与 turf.collect

判断点是否在多边形内部是空间查询的基本操作，底层采用射线投射法（Ray-Casting Algorithm）：从目标点向水平方向引一条无限长的射线，计算该射线与多边形边界的相交次数——奇数次则在内部，偶数次则在外部。

turf.collect(polygons, points, inProperty, outProperty) 则进一步建立了空间关联：将落在各多边形内部的点要素的特定属性（如订单金额、污染指数）收集为一个数组并写入多边形的 properties 中，为后续求和或求均值提供数据基础。

3.2 离散蜂窝网格剖分：turf.hexGrid 的几何优势

在空间统计中，除了常规的矩形方格（turf.squareGrid），更受推崇的是正六边形蜂窝网格（turf.hexGrid）。

六边形剖分具备一个独特的几何特性：它到其相邻的全部 6 个邻居中心的距离是完全相等的。相比之下，四边形网格存在“正交邻居（距离 d）”与“对角线邻居（距离 √2 d）”的各向异性偏差。在模拟污染物扩散、城市打车热点时，六边形能够有效消除边界方向性偏倚。

import hexGrid from '@turf/hex-grid';
import collect from '@turf/collect';

const bbox = [121.30, 31.10, 121.65, 31.40]; // 城市外包框
const cellSide = 2; // 六边形边长 2 公里

// 1. 生成规则蜂窝网格
const grid = hexGrid(bbox, cellSide, { units: 'kilometers' });

// 2. 将离散的传感器点数据聚合归集到蜂窝单元中
const aggregatedGrid = collect(grid, sensorPoints, 'pm25', 'values');

// 3. 计算每个蜂窝内的均值
aggregatedGrid.features.forEach(cell => {
  const vals = cell.properties.values || [];
  cell.properties.avgPm25 = vals.length 
    ? vals.reduce((a, b) => a + b, 0) / vals.length 
    : 0;
});

3.3 空间密度聚类：turf.clustersDbscan

与基于固定网格的机械剖分不同，DBSCAN（基于密度的聚类算法）属于自适应的无监督聚类。它无需预先指定要生成几个簇（区别于 K-Means），而是由两个空间物理参数决定：

• maxDistance：邻域搜索半径 ε（如 2.5 公里）。
• minPoints：构成核心点（Core Point）所需的最低点密度（如 5 个点）。

DBSCAN 会自动识别出高密度聚集簇，并将孤立点标记为 noise: true。聚类完成后，可使用 turf.convex 对每个簇的点集求解凸外包络面，直接在地图上勾勒出城市热点活跃区域。

图 3：空间聚合与聚类机制架构对比（DBSCAN 密度挖掘 vs HexGrid 蜂窝网格归集）

四、工程落地选型与性能避坑指南

将 Turf.js 算法落地到千万级或高实时性业务系统中时，开发者不仅要掌握 API 的功能调用，更要对各类算法的时间复杂度与计算边界保持清醒认知。

4.1 生产环境关键避坑要诀

综合众多团队在地理计算中的实际踩坑经历，以下三条法则是保障前端应用平稳运行的底线：

• 1. 绝不跨线程阻塞 UI 渲染： 虽然 Turf.js 运行在纯 JS 环境中，但当参与布尔相交或聚合的点数超过 5,000 时，单次计算时间极易超过 50ms。务必利用 Web Worker 将空间计算任务移入后台线程，仅将最终结果通过 postMessage 回传给主线程。
• 2. 复杂布尔运算前的“预净化”： 第三方传入的 GeoJSON 常常存在自相交、零长度线段或首尾未闭合的脏数据。在执行 turf.union 或 turf.intersect 之前，先调用 turf.cleanCoords 清洗，必要时先跑一遍容差极微小的 turf.buffer(polygon, 0) 修复自交环。
• 3. 空间索引预过滤： 在执行多边形包含判断 turf.pointsWithinPolygon 时，不要拿一万个点与上百个多边形直接进行暴力双重循环（复杂度为 O(M × N)）。应先用轻量的 turf.bbox 提取外包矩形，或使用 Flatbush / RBush 构建 R-Tree 二维空间索引，快速筛除不在候选区内的点位后再进行精确射线测试。

图 4：Turf.js 常用空间算法全景与工程选型指南（三大类别矩阵与生产落地黄金法则）

结语

Turf.js 将专业的地理信息系统（GIS）算法降维普及到了通用 JavaScript 开发者手中。掌握测量、转换与聚合这三大算法分类的本质差异与运行成本，能够帮助我们在面对复杂空间分析需求时，精准选择出最兼顾数学严谨性与运行时性能的技术实现方案。