地图综合是在尺度变换时对地图进行有序信息提炼的关键过程，对地图分析与更新具有重要意义。近年来，深度学习显著推动了智能地图综合的发展，但在综合质量稳定性、多目标协同和尺度适应性等方面仍面临挑战。同时，遥感影像作为制图的重要数据源，蕴含丰富的尺度信息，但长期以来未得到充分利用。为此，本研究提出一种基于多模态Transformer的居民地综合方法，融合栅格居民地地图的空间形状信息与遥感影像的尺度信息，在端到端框架下统一建模居民地的聚合、选取和简化等综合子过程。模型采用双向交叉注意力机制实现地图与影像之间的跨模态特征融合，并结合Transformer编码与渐进式上采样解码策略生成目标比例尺的居民地栅格掩码。实验基于纽约市多源遥感影像与3D-GloBFP建筑物数据集开展，并探讨了影像分辨率与目标比例尺之间的匹配关系。结果表明，本方法在1:10k与1:25k两个目标比例尺下均取得优异性能。与单模态输入相比，多模态融合显著提升了综合精度与稳定性。本研究突破了单一模态数据在地图制图中的限制，为时空智能背景下的多模态地图综合提供了新思路。
 

居民地综合；尺度变换；多模态；Transformer模型