大数据时代的空间交互分析方法和应用再论

空间交互是理解地表人文过程的重要基础,与空间依赖一起共同体现了地理空间的独特性、关联性以及对嵌入该空间的地理分布格局的影响,具有鲜明的时空属性,因此对于地理学研究具有重要意义。大数据为空间交互研究带来了新的机遇,能够使我们在不同时空尺度感知和观察空间交互模式并对其动态演化特征进行模拟和预测,从而为揭示人类活动规律及区域空间结构提供有力支持。本文在探讨空间交互与地理空间模式关系的基础上,描述了利用地理大数据感知空间交互的方式和定量模型,介绍了空间交互分析方法的研究进展及其在空间规划与交通、公共卫生、旅游等领域的应用情况,并就一些基本问题进行了讨论,以期为大数据支持下空间交互相关研究提供指导。     

社会感知与地理空间智能的研究动态与展望——“社会感知与地理空间智能”专栏导读

地理大数据及其提供的社会感知手段为信息地理学、人文地理学带来了全新的研究范式,在“人—地”关系研究中发挥了重要价值。地理空间智能(GeoAI)作为地理空间科学与人工智能相结合的交叉研究方向,有力提升了对于地理现象和地球科学过程的动态感知、智能推理和知识发现的能力。该文系统综述了社会感知与地理空间智能研究的发展动态,在此基础上,对大数据时代社会感知研究面临的挑战和发展趋势进行了展望。     

地理计算及其前沿问题

地理计算是地理信息科学的核心内容之一， 主要研究地理信息科学的方法学问题， 内容 包括建模、算法、计算体系和一般方法学问题。本文介绍了地理计算的五个前沿问题: (1)地学数据 挖掘从地理学问题出发， 对各种数据作地理学的模型处理和结果计算以发现地理知识； (2)空间运 筹在地理学中的应用日益广泛， 它的算法更加简单严密、精度也更高； (3)多自主体系统模拟已经 成为地理学科学研究中除归纳和演绎之外的第三种重要研究方法； (4) 离散空间的定性计算是进 行地理空间计算的必要基础； (5)本体论的发展是地理信息科学乃至整个地理学发展的需要。     

地理空间的尺度-结构分析模式探讨

本文以地理学、景观生态学有关尺度的研究为基础,应用层次理论,在大、中、基本三种尺度上,就有关地理空间研究的一个重要方面-地理空间的尺度-结构分析模式进行了探讨.初步建立了一种有关地理空间结构与功能表达的空间等级序列,该等级序列能够反映地球表层在不同尺度上的空间结构组成以及它们之间的相互转换关系,以其为基础开展地理空间研究有利于发现不同地理现象的内在成因及其发生机理(在基本尺度上),有利于发现区域不同地理现象的表现形式及其变化过程的动力学机制(在中尺度上).与传统地理学对于地理空间研究的宏观有余而微观不足的特点相比,该等级序列能够实现地理学的"宏观机制"研究与"微观机理"研究的结合,是现代地理科学有关"定性与定量综合集成"研究的基础.     

论地理边界的科学属性与表达

地理边界的科学界定体现着对地理对象空间分异规律科学抽象与系统分析的认知水平,是地理学的基础科学问题。本文从地球系统科学的视角,首先阐述了地理边界的基本概念、科学内涵与基本属性等核心概念问题,基于科学性、系统性的基本原则,以内在机理、外在表现以及科学属性等视角为核心依据,对地理边界进行了系统分类。论文分析了地理边界的数学内涵与表达方法,比较了传统地理边界划分法和现代地理边界定量划分方法的特点与差异性,提出了集定性、定量、定位为一体的“地理边界模型”的研究架构。该研究盼在地理边界这个地理学基础理论问题上进行概念辨析与方法分析,丰富地理信息科学的理论与方法。     

地理学空间研究的转向:从自然到社会、现实到虚拟

在介绍地理空间内涵与学科内分异的基础上,重点介绍了地理学空间研究的两个转向,即从自然空间转向社会空间、从现实空间转向虚拟空间。研究表明:地理空间是一个相对明确的概念,但其内涵也在不断发展之中,特别是在人文地理学从自然地理学中分离出来以后;地理学三大分支所关注的地理空间差别极大,其中自然地理学对应自然空间,人文地理学对应社会空间,地理信息科学对应地理信息空间;地理学空间研究的第一个转向是由自然空间转向社会空间,其包括地理空间研究重点的转变以及对空间本质认知的转变两方面;地理学空间研究的第二个转向是由现实空间转向虚拟空间,这里的虚拟空间包括感知空间和网络空间;地理空间由自然向社会的转向反映了与人类发展的同步性,而由现实向虚拟的转向则反映了与技术进步的一致性。     

“社会感知与地理空间智能”专刊征稿通知

正社会感知(Social Sensing)是借助各类地理大数据研究人类时空间行为特征,进而揭示社会经济现象的时空分布格局、联系以及演化过程的理论和方法。伴随大数据时代的来临,全面涵盖人类活动与地理环境信息的地理大数据突破了传统目的性采样数据在数据范围、时空粒度与信息内涵等方面的局限,为"人—地"关系的全面认知带来了全新的研究范式。近年来,人工智能领域的技术进步给地理空间相关领域研究的智能化发展和融合创新带来了新机遇和新挑战。地理空间智能(GeoAI)作为地理空间科学与人工智能相结合的交叉学科研究方向,有力提升了对地理现象和地球科学过程的动态感知、智能推理和知识发现的能力。因此,在地理大数据社会感知手段的支持下,探讨地理空间智能的关键技术与应用,可为地理学研究提供有力的方法和技术支撑。为此,本刊特邀北京大学刘瑜教授、中南大学邓敏教授、杨学习博士任责任主编(Guest Editor),组织《地理与地理信息科学》"社会感知与地理空间智能"专刊,诚挚邀请海内外学者惠稿。     

中国村域贫困地理格局及其分异机理

贫困与地理环境之间的关系是贫困地理学理论研究的核心。本文以贫困地域系统和区域多维贫困为理论基础,构建了村域贫困化的理论分析框架,以2013年底中国精准扶贫识别的12.4万个贫困村为研究对象,运用空间自相关、核密度分析和地理探测器等方法,刻画了新时期中国贫困村的空间地理格局,定量探测了贫困村地域分异的主导因子,揭示了村域贫困化与地理环境之间的相互作用机理。结果表明：① 贫困化与地理致贫因子相互作用、相互影响,空间上两者的作用路径和表现形式复杂多样。总体上,可从自然和人文2类要素和环境、经济、社会3个维度来综合识别村域致贫因子。地理环境在贫困化过程中发挥着基础性作用,经济要素是重要的致贫因子,社会要素具有贫困放大效应。② 贫困村分布具有明显的空间集聚性特征。全国贫困村空间分布与胡焕庸线和地势三级阶梯所形成的基础地理格局具有高度一致性,村域贫困化具有明显的垂直分异特征和坡度分异特征,在空间上有1个一级核心区、5个二级核心区、7个三级核心区。③ 地形、资源禀赋、劳动力状况、交通条件和公共服务是中国村域贫困化空间分异的主导因子,且省际间各因子驱动大小差异明显。交互探测结果表明,双因子交互驱动力强于单因子作用,交互作用类型以非线性增强为主。     

定性GIS在时空间行为研究中的应用

定性GIS已经成为地理学混合研究方法的重要组成部分,通过扎根理论并与可视化结合、GIS和民族志整合等途径,对时空间行为研究产生了深远的影响。其通过文本或非文本质性材料与GIS地理特征的整合,形成了时空行为研究中独特的地理环境系统与空间机制分析,一个重要的前沿领域就是地理叙事在时间地理学研究中的应用。时间地理学是研究人类时空行为的重要视角,但由于对个体主观性及行为的社会文化因素的相对忽视等原因,受到了一定的质疑。近年来以GIS为代表的地理空间技术的定性分析与表达,为时间地理学融入质性分析提供了方法论基础。关美宝创建的基于GIS的地理叙事方法,通过借鉴叙事分析的一般方法尤其是三维叙事空间分析,结合时间地理学概念框架,开发了基于GIS平台的计算机辅助叙事分析组件(3D-VQGIS),实现了在GIS内可视化的、循环交互的叙事分析,为定性GIS发展中GIS与叙事分析方法的融合做出了贡献。将地理叙事方法用于时空行为研究,可以为时间地理学方法创造一个更便于理解与解释研究对象日常行为的地理环境,为其融入行为与主体的质性分析提供从数据整合、数据分析到解释与展示的一整套研究方法与具体操作工具。     

自然地理学的大数据研究

大数据给科学研究带来了机遇与挑战,但针对自然地理学的研究很少.基于此,该文结合大数据理念,立足自然地理学特点,分析了自然地理学的大数据源、大数据研究方法及相关变革.认为自然地理研究中的大数据源主要包括遥感大数据、地面传感器数据、自发地理信息和地理成果累积数据,对地观测、自动感知和自发地理信息是其主要生产方式.自然地理的大数据研究方法重点在地理信息科学的升级与变革,集中在数据-信息-知识的处理过程中.大数据背景下自然地理研究将向数据密集型范式转变,地理研究将实现新的综合,应用性地理学得到发展,研究队伍结构更加多元化,众包研究成为新的方式.要在自然地理研究中充分合理地使用大数据,还需要数据开放与共享政策的支撑,同时有必要开展大数据地理学研究.     

Incorporating spatial interaction patterns in classifying and understanding urban land use

Land use classification has benefited from the emerging big data, such as mobile phone records and taxi trajectories. Temporal activity variations derived from these data have been used to interpret and understand the land use of parcels from the perspective of social functions, complementing the outcome of traditional remote sensing methods. However, spatial interaction patterns between parcels, which could depict land uses from a perspective of connections, have rarely been examined and analysed. To leverage spatial interaction information contained in the above-mentioned massive data sets, we propose a novel unsupervised land use classification method with a new type of place signature. Based on the observation that spatial interaction patterns between places of two specific land uses are similar, the new place signature improves land use classification by trading off between aggregated temporal activity variations and detailed spatial interactions among places. The method is validated with a case study using taxi trip data from Shanghai.     

Inferring spatial interaction patterns from sequential snapshots of spatial distributions

Spatial interactions underlying consecutive sequential snapshots of spatial distributions, such as the migration flows underlying temporal population snapshots, can reflect the details of spatial evolution processes. In the era of big data, we have access to individual-level data, but the acquisition of high-quality spatial interaction data remains a challenging problem. Most research has been focused on distributions of movable objects or the modelling of spatial interaction patterns, with few attempts to identify hidden spatial interaction patterns from temporal transitions of spatial distributions. In this article, we introduced an approach to infer spatial interaction patterns from sequential snapshots of spatial population distributions by incorporating linear programming and the spatial constraints of human movement. Experiments using synthetic data were conducted using four simple scenarios to explore the characteristics of our method. The proposed method was used to extract interurban flows of migrants during the Chinese Spring Festival in 2016. Our research demonstrated the feasibility of using discrete multi-temporal snapshots of population distributions in space to infer spatial interaction patterns and offered a general analytical framework from snapshot data to spatial interaction patterns.     

社会化校园与单位式校园空间的环境认知

中国社会转型带来的改革和建设不断促使大学校园走向开放与多元。针对单位式校园向社会化校园转变的趋势,研究两类校园空间的环境认知,对我国高校今后的发展与建设具有重要的理论意义。文章借鉴环境行为学方法,在探索性研究的基础上,采用调查问卷抽取环境认知与空间行为样本,通过边界与中心认知、行为地图缓冲区分析、网格统计和空间叠置等方法进行定性和定量分析,选取湖南师范大学和中南大学的本部校园作为对比案例,得出以下结论：1）社会化校园在被动地适应社会转型中融入城市系统,导致环境认知差于单位式校园;2）自然地理条件、功能格局和使用者主观意识相互交织,在时间因素的推动下,使社会化校园产生有别于单位式校园的空间行为格局;3）学生认知的发展性和社会转型环境影响的持续性,构建了环境认知与空间行为相互作用的机制。最后简单探讨了对大学校园建设的一些看法。     

地理学视角下犯罪者行为研究进展

犯罪地理学以社会问题为导向,关注犯罪现象的格局、过程与机理,沿着“揭示问题、服务安全、解决问题”的思路,去破解复杂的社会难题,并在公共安全和犯罪防控领域贡献力量。本文基于地理学视角,从犯罪出行、犯罪空间决策、重复犯罪三大研究主题出发,综述了国内外犯罪者行为的研究进展。结果表明,国外研究取得了较多成果,如：①犯罪出行方面发现了就近掠夺和外出犯罪的空间模式;不同犯罪类型的出行距离存在显著差异;以及犯罪出行距离受犯罪者个体特征、地理特征、犯罪收益和情感因素的影响。②犯罪空间决策受经济因素、社会因素以及犯罪者空间意识的影响。③重复犯罪存在时空聚集性和时空临近性。国内研究主要集中在国外理论与经验引介,犯罪时空分布、形成机理与空间防控,以及犯罪模拟与预测方面,而地理学视角下犯罪者行为研究尚处于初始阶段,有许多空白亟需填补。总体而言,在犯罪者研究领域,仍存在以下3点不足：①在犯罪出行方面,综合的视角不多;②在犯罪空间决策方面,尚未涉及犯罪空间决策的时间差异及形成机制;③在重复犯罪方面,尚未考虑过去的犯罪活动和经验。最后,论文从视角、内容、方法及应用上提出未来的研究重点：注重综合性视角的实证分析;开展针对犯罪团伙的研究;合理利用大数据分析犯罪者行为的规律、过程和机理,避免导致推理错误;注重理论研究成果的转化,满足国家社会治安的重大需求,并提升犯罪地理学的学科价值。     

复杂网络视角下的城市人流空间概念模型与研究框架

城市内人流特征研究一直是城市地理学和城市空间研究的重要领域之一。针对已有相关研究存在仅侧重于从人口规模、密度视角分析空间分布及格局特征,而对隐藏于空间分布背后,因人流动而建立的空间交互关系关注不足的问题。本文以流空间理论、复杂网络理论、空间行为交互理论为理论基础,立足基于流、网络剖析城市内部空间中各要素间的相互作用及关系,选取人流为观测研究对象,将城市空间、人、设施、服务和地理环境等要素之间的互动关系抽象为网络,提出了基于复杂网络视角的城市人流空间概念模型。在此基础上,进一步构建了城市人流空间研究框架,即基于理论融合、数据支撑与研究方法的整合创新,以探究人流视角下的城市空间特征、功能结构、人流与建成环境时空耦合关系及流动的时空模拟预测为重点的研究内容体系,并探讨其在规划实践业务中的方法技术支撑与应用拓展。以期为未来开展实证研究提供指导,提升城市感知数据在城市空间规划及管理中的应用价值,丰富“以流定形”的理性城市规划方法体系。     

地理学视角下土地利用/覆被分类发展探讨

随着对地观测和互联网技术的发展,地理大数据时代正在到来,其多尺度、长时序、多模态等海量“超”覆盖数据为土地利用/覆被（Land Use/Land Cover, 简称LULC）分类及变化检测带来巨大的机遇,支撑着新时代人、地两大系统相互作用关系的认知和实践。然而,多数地理学者认为地理学基本原理与核心思想并未因为大数据的到来而发生本质性变化。所以,从地理学基本原理角度理解LULC分类的发展,尤其在地理大数据时代的发展方向,不失为一条可行的途径。为此,本文从区域、尺度、综合三方面的地理学基本原理视角将LULC分类技术的发展划分为地球观测数据匮乏阶段、人类行为数据融合阶段以及地理大数据“超”覆盖阶段分别探讨分析,以期主动把握LULC分类技术及应用的未来发展趋势。研究结果显示：在地球观测数据匮乏阶段,LULC分类多以类型还不丰富的遥感数据源,在空间分辨率较低的像元尺度上,进行以地表覆被状态为主的分类;发展到人类行为数据融合阶段,LULC分类在城市区域率先出现了对地观测数据和人类行为数据相融合,在街区尺度上进行以空间功能异质性划分、识别为主导的城市功能区分类;在地理大数据“超”覆盖阶段,LULC分类将实现多尺度协同、面向全空间的功能异质性划分,并在主体功能的基础上融合“社会-经济-自然”多维定量属性,本文称之为“空间场景”。希望本文的探讨能够为地理大数据时代LULC分类的新技术发展和新产品应用提供有益启示。     

Depicting urban boundaries from a mobility network of spatial interactions: a case study of Great Britain with geo-located Twitter data

Existing urban boundaries are usually defined by government agencies for administrative, economic, and political purposes. However, it is not clear whether the boundaries truly reflect human interactions with urban space in intra- and interregional activities. Defining urban boundaries that consider socioeconomic relationships and citizen commute patterns is important for many aspects of urban and regional planning. In this paper, we describe a method to delineate urban boundaries based upon human interactions with physical space inferred from social media. Specifically, we depicted the urban boundaries of Great Britain using a mobility network of Twitter user spatial interactions, which was inferred from over 69 million geo-located tweets. We define the non-administrative anthropographic boundaries in a hierarchical fashion based on different physical movement ranges of users derived from the collective mobility patterns of Twitter users in Great Britain. The results of strongly connected urban regions in the form of communities in the network space yield geographically cohesive, nonoverlapping urban areas, which provide a clear delineation of the non-administrative anthropographic urban boundaries of Great Britain. The method was applied to both national (Great Britain) and municipal scales (the London metropolis). While our results corresponded well with the administrative boundaries, many unexpected and interesting boundaries were identified. Importantly, as the depicted urban boundaries exhibited a strong instance of spatial proximity, we employed a gravity model to understand the distance decay effects in shaping the delineated urban boundaries. The model explains how geographical distances found in the mobility patterns affect the interaction intensity among different non-administrative anthropographic urban areas, which provides new insights into human spatial interactions with urban space.     

空间数据统计分析的思想起源与应用演化

系统总结了空间数据统计分析的发展历程,并分为五个时期：① 早期孕育（计量革命之前）,其重要思想是19世纪初德国的区位论;② 计量革命（1950-1960年代）,主要是经典统计学的应用和理论探索;③ 空间统计学（1970-1980年代）,重点是空间点数据、面数据和空间连续性数据的分析;④ 成熟与扩散（1990-2000年代）,空间数据统计分析发展成熟并快速向其他领域扩散;⑤ 时空大数据（2010年以后）。换句话说,计量革命开始后的空间数据统计分析大约每20年有重要的新技术或方法出现,到现在已经具有成熟、系统化的方法和显著的社会效益。而在当前的时空大数据时期,其发展需要计算机科学家、统计学家和地理学家等不同学科领域人员的共同努力。     

乡村生活空间研究进展及展望

乡村生活空间是一定地域乡村居民居住、就业、消费和休闲等日常活动迭置而成的空间聚合体,也是一定乡村地域空间形式、空间内涵和空间意义内在关联的有机统一体。近期西方学术界对乡村生活空间的关注主要集中于两个方面：一是后生产主义乡村的生活主体多元化和生活空间异质化,二是被城市社会生活他者化和空间边缘化的不同弱势群体的乡村生活体验及空间建构。国内乡村生活空间研究具有两个鲜明特点：从研究内容看,注重乡村居民居住及就业空间变化研究,但乡村消费空间和休闲空间研究成果很少见;从研究方法看,空间形式的实证分析始终占据主导地位,空间内涵的结构分析和空间意义的人本分析有待深化。乡村生活空间研究能够丰富乡村地理学的研究视角,并可能为乡村发展政策制定提供理论指导。西方乡村生活空间研究难以提供标准模版,中国乡村生活空间研究资源得天独厚,“形式-内涵-意义”相统一的空间观能够帮助构造有效分析框架,基于空间行为分析的多种方法集成能够提供有力分析工具。