融合OSM路网与POI数据的城市功能区识别研究

识别城市功能区的分布特征可为城市空间结构及资源的合理配置等提供帮助。该文以南京市中心城区为研究对象,基于核密度估计算法提出了一种融合OSM路网与POI数据的城市功能区识别方法:利用OSM路网对城市进行自动分割,获得具有相同社会经济功能的研究单元;基于核密度估计算法实现POI设施的影响扩散,削弱了POI点的离散化现象,同时设置核密度带宽对比实验,分析带宽大小对功能区识别结果的影响。结果表明:较大带宽使POI影响范围扩大,功能区混合程度增高,识别精度较低;较小带宽使POI对邻近位置的影响难以扩散,POI自身分布对结果影响较大;而最适带宽组识别效果最好,精度达81.3%;研究区被分为22个功能区类型(6个单一功能区、15个混合功能区和1个综合功能区),识别结果与南京市实际情况相符,可为城市发展规划与管理提供借鉴。     

基于POI数据和Place2vec模型的城市功能区识别研究

功能区识别对于揭示城市的物理和社会特征至关重要。目前,结合大数据和自然语言处理进行城市功能分区和识别是研究的热点。该文以广州市白云区为例,基于道路网络数据将研究区域划分为503个单元,结合POI数据和Place2vec模型对城市功能区进行识别:1)根据兴趣点的语义信息和地理信息构建训练数据集;2)利用SkipGram模型提取POI类型的高维特征向量,通过加权平均法得到各研究单元的特征向量,进而基于K-Means算法对研究单元进行聚类分析;3)利用POI频数密度、百度热力图等指标和方法进行功能区识别和标注,并将识别结果与高德地图进行对比分析。结果表明,该方法能够有效识别出城市功能区,对于低成本、快速有效地识别和理解一个城市的空间结构和功能配置以及城市功能区规划和地理空间分异研究具有参考意义。     

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。     

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。     

基于潜在语义信息的城市功能区识别————广州市浮动车GPS时空数据挖掘

随着中国城市化进程的不断推进和深入,城市内部空间结构正发生不断的变化.城市内部形成的不同功能区标识研究,对城市结构理论以及政策制定,资源配置等方面具有非常重要的意义.这些不同的功能区包括住宅区,工业区,教育区以及办公区等.本文以大数据为依托,重点研究城市功能区的特点和分布状态,选取广州市6个区为样本,以最新道路网络为分割依据把研究样本分为439个区域.对历时一周的海量浮动车(GPS)数据以及兴趣点数据采用时空语义挖掘方法,建立潜在的狄利克雷模型(LDA)以及狄利克雷多项式回归模型(DMR);通过OPTICS聚类方法对不同模型的结果进行聚类,进而利用POI类别密度,居民出行特征等方法进行分区结果识别.同时,参考百度地图的地理信息,将研究得到的广州市功能分区结果与广州市城镇用地现状图,居民日常出行特征进行对比验证分析.研究表明,该方法基本能识别出具明显特征的城市功能区,如成熟居住区,科教文化区,商业娱乐区,开发区等.识别出的广州市不同类型的功能区呈现了以居住区和商业区为主导,其他类型功能区围绕其展开的特点.研究证明,利用大规模,高质量的个体时空数据开展人们移动行为和日常活动组织及社会空间的研究,能从一个新的视角揭示城市功能区的形成及其机制.     

基于POI大数据和可达性双重约束的城市空间结构研究

针对城市空间结构研究现状,将传统的城市空间可达性研究与大数据有机结合,在网格法基础上构建城市空间结构研究新思路.通过空间句法模型计算每个城市网格的空间可达性,应用POI大数据得到每个网格的POI密度,对可达性与POI密度进行交叉对比分析,得到基于POI大数据和可达性双重约束的城市空间结构特征类型和空间分区方案.以合肥市中心城区为例,经分析将中心城区划分为3类空间分区,进而根据每类空间的特点提出针对性的空间发展建议.该研究可为城市空间结构研究及城市空间规划布局提供方法参考和决策依据.     

基于POI与不透水表面指数的城市建成区提取

准确识别城市建成区边界,对科学实施城市规划和建设、促进城乡可持续发展具有重要意义。从城市建成区概念出发,综合考虑建成区连片和公共设施配置,提出一种基于POI核密度与不透水表面指数的建成区边界提取方法。该方法以不透水表面指数和市政公用设施和公共设施POI核密度为主要数据源,通过构建城市建成区综合指数（POI&ISA指数）和最佳阈值选取等步骤可实现较为准确的城市建成区提取。以武汉都市发展区为例,将该方法与基于POI方法的建成区提取结果进行对比,结果表明基于POI&ISA指数的方法提取精度较高。该方法可弥补单一POI数据源在城市尺度建成区提取中的不足,且通过对POI数据类型初选和带宽的适当选取提高对公共设施配置的表征能力,在局部地区可获得更好的建成区提取效果。     

基于增温敏感性指数的城市功能区升温效应空间分异研究

利用福州市三环内的POI数据和Place2vec模型识别城市功能区,并在此基础上分析各功能区的热场等级空间分异特征,借助增强回归树算法（Boosting Regression Tree, BRT）构建功能区增温敏感性指数,对不同功能区在地表升温过程中的敏感性差异进行定量测度,进而对区域尺度上的城市热环境空间分异机制进行深入探讨。结果表明：1）基于Place2vec模型的城市功能区识别结果具有较高的精度;2）除绿地与广场区外的4类功能区均具有高温现象,其中产业区的热场强度最高;3）各类功能区整体增温敏感性由高至低依次是：产业区、生活服务与住宅区、商业区、公共管理与服务区、绿地与广场区;不同升温阶段的功能区增温敏感性存在差异,在高温梯度下差异显著;地表覆被增温敏感性具有明显的功能区域分异特征。     

基于随机森林模型的“生产-生活-生态”空间识别及时空演变分析——以郑州市为例

基于2007年和2017年郑州市POI数据,采用随机森林模型和样方比例法识别其城市内部的“生产-生活-生态”空间,并利用核密度等方法分析研究区“生产-生活-生态”空间的时空演变格局。结果表明：① 随机森林作为新兴的机器学习算法,能够识别“生产-生活-生态”空间且具有较高的精度。② 郑州市“生产-生活-生态”空间分布格局与城市功能分区相匹配,生产空间集聚分布在产业集聚区,生活空间在城市中心城区内呈面状分布,生态空间整体呈点状分布。③ 随着郑州市城镇化建设和基础设施的完善,10年间郑州市“生产-生活-生态”空间的空间分布格局更加合理,生产空间向产业集聚区集聚,生活空间逐渐分散,生态空间分布更加均衡。基于POI数据,利用随机森林模型对城市“生产-生活-生态”空间的识别方法更加有效,识别结果更加精准,能够在更小的尺度上为国土空间规划提供数据与方法支撑。     

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。     

基于POI数据的巨型城市消防站空间优化——以北京市五环内区域为例

消防站的空间布局事关城市发展与城市安全。本文以北京市五环内中心城区为研究区,使用44.34万条POI数据和道路网等相关数据,考虑易燃易爆、人群脆弱等不同特征的火灾风险因子,采用核密度分析、SAVEE模型等方法,识别出研究区内的火灾风险空间分布,进一步借助“位置—分配”模型和网络分析,并结合优化目标对研究区内消防站进行空间优化。主要研究结论为：①按照火灾风险从高到低排序,前10%的火灾风险区域主要集中在CBD—三里屯、北京古玩城—双井、王府井、南锣鼓巷—雍和宫等区域。②现有消防站对全部44.34万个POI请求点5分钟响应时间内的覆盖率为96.46%,总体覆盖效果较好,但在研究区西北和西南部的世纪城—闵庄一带覆盖不足。③综合考虑高火灾风险区、重要火灾风险因子、POI总体覆盖率和个体消防站覆盖面积相关标准等因素,经多次迭加运算分析得到最终需新增15个消防站点。优化后的各指标均有较大提升,可满足研究区的消防需求。     

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。     

基于POI数据的城市用地功能识别与评价研究——以济南市内五区为例

充分利用大数据开展城市用地功能识别,有助于把握城市空间结构,推动城市内部空间合理布局。POI数据是大数据时代一种较易获得且极具代表性的空间点状数据,能够有效地确定城市用地的实际功能。以济南市内五区的185126条POI数据为基础,对所得数据进行去重、纠偏、重分类,构建城市用地功能分类体系,运用频数密度、类型比例及核密度估计,识别济南市内五区城市用地功能并利用误差矩阵对识别结果进行检验。结果表明:①混合功能用地与单一功能用地呈现圈层化地域分布特征,"核心-外围"分异明显;②由内向外单一功能用地集聚趋势减弱,混合功能用地多样性降低,不同用地表现出不同的空间分布模式;③通过误差矩阵及与用地规划图中规划用地及电子地图的实际用地对比,识别总体精度为75. 67%,识别结果较为准确。     

基于大数据的城市功能区人口时空聚散模式研究

城市功能区和人口流动是行为地理学和城市规划领域的研究热点,不同城市功能区的人口聚散现象更是其重点议题。该文基于POI和腾讯位置服务(LBS)大数据,以武汉市主城区为研究区,利用功能密度指数、功能优势指数识别城市功能区,并通过空间关联判断城市功能区人口流动变化规律,采用聚类分析方法归纳人口时空聚散模式。研究结果表明:1)中心城区功能混合度较高;2)受人群时空需求影响,不同城市功能区的人口流动规律呈现一定差异性;3)根据城市功能区人口流动聚散趋势并综合其构成特征,可分为公共主导-聚散波动、商务主导-持续集聚、居住主导-持续集聚、绿地主导-聚散交替、商业主导-动态平衡和工业主导-先聚后散共6种模式。研究结果对于优化城市空间布局、合理配置城市资源以及提升城市运行效率具有参考意义。     

基于POI数据的城市用地功能识别与评价研究

充分利用大数据开展城市用地功能识别，有助于把握城市空间结构，推动城市内部空间合理布局。POI数据是大数据时代一种较易获得且极具代表性的空间点状数据，能够有效地确定城市用地的实际功能。以济南市内五区的185126条POI数据为基础，对所得数据进行去重、纠偏、重分类，构建城市用地功能分类体系，运用频数密度、类型比例及核密度估计，识别济南市内五区城市用地功能并利用误差矩阵对识别结果进行检验。结果表明：①混合功能用地与单一功能用地呈现圈层化地域分布特征，“核心-外围”分异明显；②由内向外单一功能用地集聚趋势减弱，混合功能用地多样性降低，不同用地表现出不同的空间分布模式；③通过误差矩阵及与用地规划图中规划用地及电子地图的实际用地对比，识别总体精度为75.67%，识别结果较为准确。     

城市分形中心与占优标度区选择

用回转半径法研究城市分形特征时,中心点位置的选择至关重要。以反映城市基础设施情况的兴趣点(point of interest,POI)作为基础数据,分析中心点位置对标度区识别的影响。将POI几何中心、重心、密度中心、中心城区几何中心和重心5种统计中心作为待选中心,给出辐射范围、核心密度与分形维数、中心漂移度等标度区相关指标,提出判断占优标度区的POI数量最大化原则。通过统计中心与地标中心标度区对比,确定城市分形中心和占优标度区。省会城市及直辖市标度区分析结果显示:统计中心各有优劣,占优中心总体上更倾向于POI几何中心和密度中心,地标中心有时优于统计中心;密度中心对应的占优标度区半径维数较低,若半径维数太低则容易陷入局部密度中心;中心漂移度指标表明可能存在更好的分形中心选择方案。     

武汉市城市空间集聚要素的分布特征与模式

不同城市要素的集聚现象具有不同的空间模式,定量化研究城市要素集聚模式的差异和联系对于理解城市发展机理、合理制定城市规划具有重要意义。本文以武汉市为例,获取不透水表面、商业服务业网点（POI）、人口、容积率、城市道路等城市要素数据;采用核密度估计法识别城市主次中心,从城市要素的分布形态、集聚程度、集聚模式等来研究城市要素的空间分布格局特征。研究发现,武汉市呈现“一主七副”的多中心结构,各城市要素从城市中心向外呈反S型的圈层递减。采用集聚度指数衡量城市要素的集聚水平,结果显示商业POI、人口密度的集聚程度最大,其次是容积率、道路密度、不透水表面占比。高度集聚的商业POI、人口密度呈现出点状模式与带状模式相结合的分布模式,中度集聚的道路密度、容积率呈现点状模式、环状模式与轴状模式相结合的分布模式,低度集聚的不透水表面密度主要表现为环状模式。城市中心的吸引、立体空间开发等促进了城市要素的向心集聚,交通干线、稀缺景观资源的廊道效应等重塑了城市要素的空间分布形态。     

基于大数据的上海中心城区建成环境与城市活力关系分析

运用大众点评数据、出租车到达数据与文化设施POI数据测度城市活力的经济、社会和文化维度,在街区和街道层面分析城市活力的空间结构特征,建立计量模型分析城市建成环境对城市活力的影响关系。结果表明：①上海中心城区城市活力表现出明显的空间差异,主要表现为由中心向四周递减、浦西优于浦东的总体特征;②街区和街道尺度影响城市活力的建成环境因素存在差异;③街区尺度建成环境对城市社会、经济和文化活力的影响存在差异：提升人口密度对经济活力具有正面影响,过高的人口密度可能不利于社会和文化活力发展;增加POI密度、路网密度和POI混合度有利于城市活力的提升;建筑层数和建筑密度的增加会降低街区的社会活力和文化活力,但会提升街区的经济活力;交通可达性有利于经济活力的提升。     

广州市多类型商业中心识别与空间模式

不同职能类型商业中心识别对研究城市商业空间结构有重要意义。与传统识别方法相比,大数据的分析更为精确和便捷。本文以广州市核心区59125条城市热点(POI)数据为基础,利用核密度分析、统计分析、最邻近距离分析等方法识别广州市多类型商业中心的边界,探索其商业空间结构与模式。结果表明：①广州市商业结构呈现明显双核集聚式分布,传统的越秀分区与现代的天河分区构成当前广州市商业空间的双中心;②不同类型的商业中心在空间上呈现显著分异,其中城市生活与公共服务中心在越秀区,商务与金融中心在天河区,休闲娱乐中心呈现分散集聚式特征;③广州市商业结构的空间模式是“圈层+组团”式分布,其中,生活、公共服务、商务职能集中分布于内圈层,娱乐休闲职能呈组团状镶嵌于各圈层中。