城市POI火灾风险评估与消防设施布局优化研究——以武汉市主城区为例

以武汉市中心城区为研究区,以电子地图兴趣点(POI)数据为研究对象,运用层次分析法进行区域POI火灾风险评估,并引入区位配置模型(LA模型)的最小化设施点模型、最大化覆盖模型和最大化有容量限制的覆盖模型,对武汉市现有消防设施进行空间评估以及多重情境的空间优化布局调整。结果表明:(1)城市不同类型POI火灾风险存在较大差异;(2)现有条件下武汉市中心城市消防设施的服务缺口巨大;(3)在5 min消防队到达条件下,短期内亟待新建7座消防站,以保证超过90%的社区、居民点、商业网点、公共设施服务点等POI位置得到保护覆盖;(4)远期需要建设4座特勤消防站,39座一级普通消防站和29座二级普通消防站,其中新增45座消防站,改建27座,以保证武汉市中心城区97.24%的区域能够及时得到保护,同时需要完善武汉市的交通路网建设。     

城市医疗机构分级可达性与空间公正研究——以西安市为例

医疗机构可达性是衡量医疗服务均等化的重要指标,均衡的可达性水平是实现空间公正的基础。利用医疗机构、居住点POI数据以及腾讯点位数据,采用基于空间格网的最近设施点法分析,探索了西安市不同层级医疗机构的空间可达性及空间公正格局。结果表明：西安市医疗可达性呈现“中心-外围”的空间结构。其中,三级医院的15 min圈层分布于主城区;一、二级医院的可达性格局相似,30 min圈层覆盖率超过70%;基层医疗卫生机构的15 min圈层覆盖率达到71.02%,仅有2.04%的居住点未被覆盖。医疗资源空间公正形成了4类区域：综合医疗空间公正区范围覆盖90.88%的居住点,48.13%的城市空间;高等医疗资源空间非公正区主要位于城郊地带;基本医疗资源空间非公正区范围狭窄,仅于行政区交界处分布;整体医疗资源空间非公正区主要分布在西安市南部和东部的秦岭山区。     

西安城市旅游休闲业态空间热点特征及形成机制

判识城市旅游休闲业态热点的空间规律,对于高效配置旅游休闲要素和优化城市功能结构具有重要意义。利用机构兴趣点(POI)数据,结合Getis-Ord G ^*指数等方法探究西安城市旅游休闲业态空间热点特征及形成机制。结果显示,西安旅游休闲总体业态热点区分别位于钟楼中心区、曲江-小寨区域和高新区电子城3个区域,各热点对应的业态集聚等级和空间尺度依次递减;与总体业态热点分布基本一致,各细分业态空间热点也主要集中在钟楼、曲江-小寨和高新区电子城等城市核心区。本质上,城市旅游休闲热点形成是由城市发展导向所决定的,即作为地理要素的城市空间在服务转型导向下,结合旧城改造与新区建设等城市核心区发展优化过程,对作为人文要素的旅游休闲业态施加作用,使其向城市核心区定向集中的结果。通过合理引导旅游休闲业态集聚发展,则可有效实现旧城区增长活力重塑和新城区空间品质优化。     

基于POI数据的郑东新区服务业空间聚类研究

探讨城市新区的服务业空间格局,对城市新区规划和服务业空间布局的优化具有重要指导意义。采用POI数据对郑东新区服务业的总体、分行业空间布局进行聚类,结果显示：① 在总体上,聚类呈现“414”的空间体系,各聚类所在区域的通达性较好;服务业在功能区内部聚集和跨越功能区聚集并存;噪声点分布零散,局部出现了服务业聚集的潜力区域;空间临近效应、行政力量带动和市场导向作用导致服务业空间极化特征明显。② 从分行业来看,部分行业的重要空间节点分布存在一定差异,CBD核心区和商住物流区成为各行业空间节点的分布区域;部分行业的空间节点与功能区的产业定位存在吻合与错位特征。最后,从规划视角提出了郑东新区不同功能区产业结构优化的方向。     

基于POI数据的南京市空间格局定量研究

从语义属性、几何形态等方面对典型城市空间格局要素进行定量化抽取及特征分析,总结归纳出城市空间格局要素间的关联特征。在此基础上,将POI数据进行分类,设计了基于平面核密度估计算法、空间聚类与双重密度因子分析分析算法,并以南京市为例,通过栅格叠加计算，提取边界，分类渲染以及栅格重分类等步骤,实现南京城市空间格局及商业中心抽取。结果发现城市商业中心有效地反映了城市空间总体格局的区域分布，提取出的南京市商业中心基本符合2000—2020年的南京市总体规划，但文本并不能直接体现城市各商业中心的定位，城市中除了主城区这个集聚且组团的单中心商业模式，各个县城、开发区、高新区都有各自形成的商业中心，符合城市的多商业模式。较传统的城市商业空间研究来说，基于POI数据的定量研究对城市总体格局及商业空间的认知更为精细，有助于商业中心的识别及行业特征的分析，便于政府部门对现有规划功能区的发展方向进行调整，使得不同功能区空间结构与特征关系更加合理。     

基于POI数据的广州零售商业中心热点识别与业态集聚特征分析

商业中心是城市零售活动的重要载体,优化商业资源在城市内部空间的合理配置,摸清不同零售经营形态的区位选择,显得尤为重要。以面向公众服务的商业机构兴趣点（POI）数据为研究对象,提出一种城市商业中心与零售业态集聚区识别的方法;以广州市为例,分析商业活动的热点地区以及零售业态集聚区的空间分布特征。研究表明：① 根据核密度估计法提取的商业中心在等级上表现出由城市中心圈层向外围圈层扩散的趋势,结果符合客观事实。② 以街区为单元,商业网点密度符合局域Getis-Ord G^*指数统计特征的热点区域主要分布在越秀区和天河区,广州市零售业发展的双核心空间格局已经形成。③ 不同的零售业态对商业集聚的区位选择具有显著差异性,百货商店、超市、便利店等零售经营形态的空间集聚特征与该业态的市场定位、经营模式及选址策略基本吻合。总体来看,基于POI数据的广州零售业集聚空间分析结果能够反映实体零售企业行为与广州商业经济分布的相关性,有助于提高政府部门商业规划和零售商选址前期研究的客观性和科学性。     

上海中心城区海外游客兴趣点(POI)时空分布特征研究

上海中心城区有着丰富的旅游资源及众多的商业区、历史文化街区等,吸引了大量的海内外游客造访。本文通过网络爬虫方式,从社交网络Panoramio获取海外游客相关兴趣点(POI)数据,在地理学第一定律的理论基础上,运用ArcGIS空间热点分析、空间趋势面建模等方法,探索上海中心城区海外游客兴趣点(POI)的时空分布特征。研究发现,上海中心城区各区POI的数量和密度分布极不均衡,高级别的旅游区、大型商业区、娱乐区、历史街区等区域POI集聚度较高,密集住宅区、城市公园、商业设施、娱乐设施的区域密集度很低。随着月份与每日时段变化,游客POI数量分布也发生很大变化。研究旨在探索海外游客偏好空间行为特征,以期为上海世界著名旅游城市建设中目的地营销、公共服务布局、大游客疏导提供借鉴。     

POI数据在中国城市研究中的应用

兴趣点（Point of Interest,POI）数据的兴起带动了城市研究的革新。为梳理中国POI数据在城市研究的应用进展,阶段性总结其应用方向、数据分析方法及尚存不足,并为未来POI数据在中国城市发展中的应用提供思路和借鉴。应用CiteSpace工具对中国知网2010—2019年625篇相关文献进行知识图谱分析,结合分析结果对POI数据应用方向和数据分析方法进行梳理总结。结果表明:时间上,国内应用POI数据进行城市研究的文献在2013年后大量涌现,2017年呈现爆发式增长;应用上,主要用于城市功能区划分、城市中心区和边界识别、查明业态集聚分布以及兴趣点推荐4个方面;方法上,常用的有核密度分析、DBSCAN聚类分析和空间自相关分析3类。研究表明,POI地理大数据是一种研究城市发展的有效数据,有助于研究者深入了解城市的空间结构、分布格局和发展规律,未来可进一步与机器学习等算法结合,为城市外部扩张和内部功能结构调整在更长期的发展上提供一个决策分析手段,但POI数据尚无法代替面数据,研究时也要充分考虑到公众认知度高低对研究的影响。     

供需视角下老城区通风空间识别与匹配研究

城市通风空间作为风环境优化的场所,亦是热岛效应缓解、居民舒适度提高的重要载体。从供需视角下开展老城区通风空间研究,能够为城市应对全球气候变化采取的适应性与低碳发展策略提供支撑和指引。论文以上海徐汇区、广州荔湾区、南京鼓楼区以及武汉硚口区为例,基于建筑形态数据、遥感数据、POI数据以及常住人口密度数据等多源数据,分别构建通风供给系数(ventilation supply index, VSI)与通风需求系数(ventilation demand index, VDI)评估老城区的通风供给能力和需求水平,同时采用双变量局部空间自相关模型测度通风供给空间与需求空间的匹配关联程度,识别不同类型通风供需区域并划分管控干预优先级。结果表明：(1)老城区整体通风供给能力较低,整体通风需求水平较高,二者在空间上具有显著的错落异质性,供给系数高值区主要分布在蓝绿空间等开阔场所,需求系数高值区主要集聚在高密度、高开发强度空间。(2)老城区通风供需区域涵盖高供给—高需求、低供给—低需求、高供给—低需求以及低供给—高需求4种类型,其中处于供不应求(低供给—高需求)状态的空间单元比例约占14.9%～19.7%,...     

基于电子地图兴趣点的城市建成区边界识别方法

城市建成区边界是认识和研究城市的重要基础性信息,也是落实城市功能空间布局、实施界限管控的前提。但是,以往通过夜间灯光的强度、土地覆被或建筑覆盖率等信息获取城市空间范围的方法,由于受到数据精度和尺度限制,对城市社会经济活动的解释性不强,因而存在较大局限性。电子地图兴趣点（POI）作为城市空间分析的基础数据之一,直观且有效地反映了各类城市要素的集聚状况。本文基于POI与城市空间结构和城市要素空间分布的关联性,提出了一种新的通过POI密度分布来判别城市建成区边界的技术方法。为此,开发了Densi-Graph分析方法,用来分析POI密度等值线的变化趋势,在此基础上对城乡过渡地带的阈值识别的方法进行了理论分析,并讨论了单中心圆结构、双中心“鱼眼型”结构、双中心“子母型”结构等各类城市POI密度等值线的生长规律,证明了Densi-Graph分析方法的适用性。较之以往的城市建成区边界识别方法,这种方法的基础数据更加直观可信,分析结果也更加客观。运用这种方法,本文对全国地级以上城市的建成区边界进行了实证分析,探索了城市建成区边界的阈值及其与城市人口规模、城市所在区域之间的关系。     

基于POI的土地利用与轨道交通客流的空间特征

城市轨道交通及其沿线土地一体化发展是城市可持续发展的关键问题。提高城市轨道交通可持续性和土地资源配置合理性的关键需掌握轨道交通客流与土地功能之间的依赖关系,而回归分析是研究二者关系的主要方法。既有研究对于土地利用的描述多基于用地面积等概略数据,难以揭示各类属性的用地对客流的影响机理及其空间效应。采用百度地图POI数据以刻画用地信息,提出城市轨道交通车站吸引范围内用地功能的细粒度描述方法,基于全局常参数和局部变参数的回归模型研究车站早高峰出站客流与粗细粒度土地利用的相互依赖关系及其空间效应。针对北京地铁的案例研究表明：车站出站客流与不同功能用地及POI的依赖程度和空间特征存在显著差异。早高峰出站客流更多地受到与就业通勤相关的商业服务业设施用地、公共管理与公共服务用地的影响。在细粒度层面上,出站客流对写字楼和政府机构的依赖性更大,二者显著分布在就业岗位密集的中心城区功能分区和城市核心区。基于细粒度POI的局部变参数模型能较好地识别各类土地利用对车站客流的影响及其空间异质性,案例研究表明车站客流与土地利用的依赖关系是各类属性功能用地影响及其空间效应的叠加。     

Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model

Urban land use information plays an essential role in a wide variety of urban planning and environmental monitoring processes. During the past few decades, with the rapid technological development of remote sensing (RS), geographic information systems (GIS) and geospatial big data, numerous methods have been developed to identify urban land use at a fine scale. Points-of-interest (POIs) have been widely used to extract information pertaining to urban land use types and functional zones. However, it is difficult to quantify the relationship between spatial distributions of POIs and regional land use types due to a lack of reliable models. Previous methods may ignore abundant spatial features that can be extracted from POIs. In this study, we establish an innovative framework that detects urban land use distributions at the scale of traffic analysis zones (TAZs) by integrating Baidu POIs and a Word2Vec model. This framework was implemented using a Google open-source model of a deep-learning language in 2013. First, data for the Pearl River Delta (PRD) are transformed into a TAZ-POI corpus using a greedy algorithm by considering the spatial distributions of TAZs and inner POIs. Then, high-dimensional characteristic vectors of POIs and TAZs are extracted using the Word2Vec model. Finally, to validate the reliability of the POI/TAZ vectors, we implement a K-Means-based clustering model to analyze correlations between the POI/TAZ vectors and deploy TAZ vectors to identify urban land use types using a random forest algorithm (RFA) model. Compared with some state-of-the-art probabilistic topic models (PTMs), the proposed method can efficiently obtain the highest accuracy (OA = 0.8728, kappa = 0.8399). Moreover, the results can be used to help urban planners to monitor dynamic urban land use and evaluate the impact of urban planning schemes.     

基于多源大数据的深圳市生活性服务业空间格局及影响因素研究

基于生活性服务业POI、手机信令和管理人口数据等大数据,采用最邻近指数、核密度、熵指数及地理探测器方法,探究深圳市生活性服务业的空间格局及影响因素。结果表明：1）深圳市生活性服务业空间分布不均衡,主要集中在中、西部地区,总体呈现“两核-三带”的空间集聚特征;空间上呈带状发展形态,主要集聚在交通主干道及轨道线周边区域。2）大多数服务业类别的空间特征与总体生活性服务业的空间分布特征基本一致,少数区域因产业发展导致空间分布集聚的差异化。3）生活性服务业混合度在罗湖区、福田区、南山区类别相对均衡,在宝安区、龙华区等其他区类别相对单一,混合度高的区域大多集中在“两核”外的边缘区域,而不是POI密度最高的“两核”核心处。4）人口因素是影响生活性服务业空间格局的最主要因素,其次为交通因素,经济因素和空间因素的影响程度较低。5）各探测因子对各类生活性服务业空间分布的影响程度存在差异,不同年龄段因需求不同影响到各类别生活性服务业的空间分布。     

北京轨道交通换乘站点对办公空间集聚的影响

随着城市轨道交通建设的不断推进,其对城市空间布局与重构的影响越来越显著,剖析交通与城市经济活动及其功能区集聚之间的关系一直是地理学研究的重要内容。以北京城市商务办公空间为研究对象,重点分析2008 年前后商务办公空间格局和集聚程度随轨道交通变化情况,并进一步探讨不同发展阶段轨道交通换乘站点对商务办公空间集聚程度的影响机制。结果表明：① 办公集聚区等级随着轨道交通换乘站点等级的提升而提升。轨道交通换乘站点对办公区位选择有正向的引导作用,使得办公集聚区的规模和等级有不同程度的提升,集聚效应更为显著。② 北京轨道交通换乘站点周边所形成的办公集聚区在数量和规模上存在明显的区域差异。在500 m、800 m以及1500 m半径范围内,随着换乘站点辐射范围的扩大,其涵盖的高等级办公集聚区的数量也呈现增多现象。③ 轨道交通换乘站点的功能属性对办公集聚区的形成具有一定的空间引导作用。④ 历史惯性、距离衰减、外部效应和主导功能差异是影响轨道交通换乘站点周边、不同半径范围内办公集聚区数量和等级的主要作用因素。     

基于LGCP的城市管理事件空间点模式分析

数字化城管系统累积了大量城管事件历史数据,充分挖掘事件背后的空间分布模式和事件成因机制能够为城管部门的管控工作提供决策支持。论文利用Log Gaussian Cox Processes(LGCP)模型分析了西北某地H市P区的街面秩序类、市容环境类和宣传广告类城管事件之间的空间分布差异和事件成因影响差异。研究发现：① 3类城管事件都呈现出明显的空间聚集,其空间聚集尺度最远不超过924 m;② 各类事件聚集的特征各不相同,街面秩序类贴近城区主要干道,呈路网状。市容环境类表现出在城区中心块状聚集,周边地区零星分散的特征。宣传广告类靠近交通干线呈长条状,靠近商业中区域呈块状分布;③ 城区内不同类别的POI对城管事件的影响大小不同。购物服务类、医疗保健类和居民住宅类表现出最显著的影响,说明特定区域内人群的流量和密度是影响城管事件分布的重要因素,人群的流动和聚集会加剧城管事件数量的增加。研究结果能够满足城管部门的城管事件空间分布热点识别以及事件成因分析的需求。     

基于多源数据的城市功能区精细化研究——以北京为例

城市功能分区研究在时空尺度上不断细化,多源数据融合有利于推动城市功能分区研究的精细化发展。本文对比国内外城市功能区研究中对多种新型地理数据的内涵挖掘和应用,通过融合北京市2017年14400个栅格区域的手机信令数据和2016年高德地 图380975条兴趣点（POI）数据,量化区域功能使用强度的日夜差异和内部功能混杂程度,完成区域主导功能类型判定及功能混合度评价,并对北京城市功能区划分结果进行分析与验证,主要结论：① 北京的日间活跃区域面积是夜间活跃区域面积的3倍,其中餐饮、生活等服务设施的夜间使用强度更高,金融、旅游、公共服务设施的日间使用强度更高;② 北京市面积占比最大的三类功能区是旅游（28.2%）、居住（12.1%）、交通（11.4%）,面积占比最小为金融功能区（2.8%）,在空间上呈现出旅游、金融、公共功能区聚集,其他功能区具有离散分布的特征;③ 居住、餐饮、生活等功能服务存在较强的依赖性,而旅游、企业功能服务存在较强的排他性,北京中心城区内除旅游功能区外均存在不同程度的复合功能特征,高度功能混合区约占研究区域的24.6%。功能区划分结果对于北京城市规划具有较强的现实意义,也为今后深入研究城市功能区提供了有效方法和新的视角。     

地理单元划分对城市热环境响应规律的影响——以北京为例

尺度效应及空间异质性决定了同一种影响因子在不同地理单元中对生态过程的作用程度存在差异。论文选择城市热环境效应这一典型城市生态过程为研究对象,针对地理单元划分对热环境效应响应规律研究较少的现状,选择土地利用分类、网格、街区、局地气候区4种地理单元,选取常用景观组分指标——归一化差值植被指数(normalized difference vegetation index, NDVI)、不透水面比例(impervious surface area, ISA)和改进的归一化差值水体指数(modified normalized difference water index, MNDWI)为热环境影响因子,探究不同地理单元中城市热环境对景观组分响应规律的差异。以POI数据重新定义的北京市城区为研究区,结果表明：① 单因子与地表温度Pearson相关性分析得出街区和网格作为划分单元,各影响因子与地表温度相关性较高;② 利用多因子回归方法更适合于地表温度空间分异的解释,植被和不透水面比例因子的组合在4 km网格单元,植被、水体组合及植被、水体、不透水面比例的因子组合在局地气候区单元对地表温度空间分异的解释力度最强。论文为北方大城市热岛影响因素选择提供依据,充实了不同尺度热环境效应响应规律的案例研究,并为城市生态环境效应选择适当研究单元提供依据。     

基于GIS场模型的城市餐饮服务热点探测及空间格局分析

餐饮服务是城市生活的重要组成部分,提取城市餐饮服务热点并识别其空间分布模式,对于理解城市形态结构具有重要意义。针对过去基于POI进行城市形态特征定量分析的不足,利用GIS场模型对城市特征要素的空间分布模式进行识别,并采用地学信息图谱对其模式进行可视化和分析。以济南市主城区4.71万个餐饮服务POI作为主要数据源,首先基于密度场热点探测模型提取餐饮服务热点并按照密度值进行等级划分;然后采用广义对称结构图谱和数字场层次结构图谱表达餐饮服务热点的空间分布结构特征和规模等级结构特征,并构建其分布模式图谱;最后对结果展开讨论。研究表明：① 数字场热点探测模型能够有效地从POI中识别出不同等级的热点。② 广义对称结构图谱和基于GIS场模型的层级结构图谱能够分别从纵横两个方面分析和表达餐饮热点的空间分布结构和层次等级结构特征。综上所述,本研究为基于POI的城市特征要素提取和城市形态研究提供了一种有效的定量分析思路,其方法也可以推广至其他城市特征要素的提取、分析和表达当中。     

Geometric-based approach for integrating VGI POIs and road networks

Integrating heterogeneous spatial data is a crucial problem for geographical information systems (GIS) applications. Previous studies mainly focus on the matching of heterogeneous road networks or heterogeneous polygonal data sets. Few literatures attempt to approach the problem of integrating the point of interest (POI) from volunteered geographic information (VGI) and professional road networks from official mapping agencies. Hence, the article proposes an approach for integrating VGI POIs and professional road networks. The proposed method first generates a POI connectivity graph by mining the linear cluster patterns from POIs. Secondly, the matching nodes between the POI connectivity graph and the associated road network are fulfilled by probabilistic relaxation and refined by a vector median filtering (VMF). Finally, POIs are aligned to the road network by an affine transformation according to the matching nodes. Experiments demonstrate that the proposed method integrates both the POIs from VGI and the POIs from official mapping agencies with the associated road networks effectively and validly, providing a promising solution for enriching professional road networks by integrating VGI POIs.