快速城市化地区农村居住用地布局变化及其影响因素研究——以深圳市龙岗区为例

基于深圳市龙岗区1996年与2006年土地利用数据,应用GIS技术和基于公里格网的多元统计方法定量探讨了龙岗区农村居住用地的布局特征、变化态势及影响因素。研究结果显示:在城镇空间快速扩张的同时,龙岗区农居用地减少有限,且用地地块逐渐破碎与分散化;农居变化是一个大量新建与消失并存的过程,在1996年农居用地消失42%的同时,亦有相近规模的农居新建而成;城镇化对龙岗区农居用地影响显著,消失农居多布局于邻近深圳主城、城镇化进程显著的西南地区;新建农居倾向避开高速城镇化区域,同时在租金利益下集聚于原有城镇空间附近地域;空间要素对农居布局的影响符合一般规律,其中坡度影响最为显著,陡坡地区农居用地显著减少,而交通干线与水系附近则明显增加。     

基于手机数据的城市公共空间活力评价方法研究——以南京市公园为例

针对已有公共空间活力评价方法存在视角单一,对活力多样性体现不足的问题,本文在深入理解活力内涵与特征的基础上,探讨了多维视角下的公共空间活力评价方法。从个体行为、空间活动、空间交互联系网络的复合视角,围绕活力的核心,综合考虑活动类型及空间联系,提出了重访性、混合性、网络交互中心性三项测度评价指标,在此基础上构建了公共空间活力评价方法框架。以南京市公园为例,采用手机大数据,进行了公园活力的综合评价。分析表明：手机数据可从多个维度快速准确的识别城市公共空间活力现状,并展开综合评价。同时,可进一步参照活力不同维度特征的测度结果,提出具有针对性的活力营造及提升策略与路径指导,体现了本方法对已有评价方法具有一定修正和延展作用。     

多源数据在城市体检中的有机融合与应用——以北京市为例

多源数据是当前信息时代下进行城市研究的重要基础和支撑,也是地理学和城市规划学重点研究方向。城市体检作为城市高质量发展背景下的新命题,多源数据在城市体检中的有机融合与科学应用对城市问题的深入剖析及其影响机制的探究中至关重要。从梳理主观和客观两类数据在现有城市研究中的应用出发,结合了2019年、2020年全国城市体检和2018年、2019年、2020年北京城市体检实践工作,探讨了多源数据在城市体检不同空间尺度、不同时间尺度和不同体检维度的应用,辨析了不同数据间的优劣势,提出了多源数据有机融合的方式,并以“城市停车问题”进行案例分析。以期为城市体检中数据应用方式的改进方向提出建议,为城市体检的研究发展提供思路。     

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。     

基于多源数据的东莞城市公共中心体系识别与形成机制研究

基于POI、手机信令、百度建筑等开源数据和传统土地利用数据等多源数据,运用核密度、空间自相关分析等方法全方位、全时态识别东莞城市公共中心体系的空间布局、功能等级和服娱腹地,并从空间形态和功能联系视角评估规划实施效果,最后从政策制度、外资投入、产业经济、土地要素和交通设施等因素探究形成机制。结果发现：1）运用多源数据综合识别东莞城市公共中心体系的技术方法有效、准确且实用,东莞中心体系已初步具有“形态多中心”和“功能单中心”的双重空间特征;2）规划对于东莞城市中心体系的构建具有一定的推动作用,但形态和功能方面的发育情况距规划均有一定差距;3）东莞城市中心体系是政府力与市场力多方博弈的结果,不单取决于政府政策制定、土地投放和设施建设,也与资本投入和产业转移息息相关。     

基于多源遥感数据的城市变化监测研究——以郑州市为例

遥感技术以其具有宏观、快速、准确、及时等特点为城市变化趋势分析提供了快速便捷的途径。选取郑州市1988年TM、2001年ETM+和2007年CBERS遥感数据,经过一系列数据预处理后,采用决策树分类算法,进行基于知识遥感分类及专题图的制作。对分类结果利用土地利用结构变化、动态变化率、转移矩阵等指标进行变化分析,分析结果揭示了不同时期城市扩张与植被、水体和农村居民点的变化关系,对于地区土地可持续利用具有重要参考作用。研究数据表明,20年来郑州市城市用地以年均8%的速度增长,植被减少25%,水体减少30%。     

绿洲城市土地利用多目标优化研究——以新疆奎屯市为例

以新疆典型绿洲城市奎屯市为例进行实证分析,耦合资源价值核算方法,设置变量,建立目标函数和约束方程,构建多目标优化线性模型,对干旱区绿洲城市的土地利用优化配置进行方法性的探索,并为其土地可持续利用提供参考.结果表明:多目标优化线性模型可以克服多目标线性规划法中目标函数和评价指标值范围难以确定的缺陷,运用该多目标优化模型的土地利用优化方案保障了研究区经济发展的用地需求,满足了其社会稳定和社会保障所需的土地,改善了研究区较为脆弱的生态环境,使研究区土地利用综合效益得到明显提升,优化结果达到预期目标,多目标优化方法适宜用在绿洲城市土地利用优化配置研究.     

建成环境对城市活力影响的时空异质性研究：基于大数据的分析

城市地理与城乡规划一直关注建成环境对城市活力的影响,但鲜有研究揭示该影响的时空异质性。城市活力表现为居民在实体空间上的分布及其活动,并呈现时间动态变化特征。通过采集广州市中心城区新浪微博签到数据以及建成环境大数据,在1 km×1 km方格网、2 h时间段的时空单元上可视化城市活力的时空动态变化特征,基于时空地理加权回归模型 (GTWR) 揭示区位、功能混合度与密度对城市活力影响的时空异质性,并对比工作日与双休日的差异。研究发现：① 广州中心城区城市活力呈现东西带状的“多节点”空间格局,在24 h内经历“分散-集聚-进一步集聚-分散”的时空动态变化。② 区位、功能混合度与密度对城市活力的边际效应表现出空间和时间双重维度的不稳定性。③ 由于居民活动的时空约束不同,城市活力时空特征及其建成环境影响在工作日与双休日存在差异。     

基于腾讯位置大数据的精细尺度人口空间化——以南京市江宁区秣陵街道为例

精细尺度的人口空间化研究成为当前GIS领域研究的热点。已有的人口空间化方法大多针对区域或城市尺度进行研究,少有对街道、社区甚至住宅小区的亚城市单元人口的研究。该文以南京市江宁区秣陵街道为例,基于腾讯位置大数据,结合人口统计数据、建筑物空间属性数据和住宅小区边界数据,提出了基于腾讯位置大数据的人口空间化方法和住宅小区级别的精细尺度人口估算方法。研究结果表明,该方法在住宅小区空间尺度下的估算结果与实际人口的线性拟合R~2达到0.9494,结果可信度较高,可为今后精细尺度人口空间化研究提供参考。     

基于多源大数据的城市体征诊断指数构建与计算——以上海市为例

基于多源大数据,构建了整合城市活动-移动系统、城市人口系统、城市运行系统、城市环境系统4个系统的城市体征诊断指数体系。该指数体系分解为底力、动力、压力、活力4个维度,具有4个层次和12个时空间尺度。底力指数表征土地、人口等空间单元基本属性,用以把握区域总体特征;动力指数通过企业发展状况、环境质量等反映了空间单元的发展状态;压力指数用以监测城市系统运行状况,起到风险评判与预警的作用;活力指数以活动和流的时空特征进行活动动态展现,反映空间单元的真实活力。最后以2016年4月6日为例,计算和展示了上海各街道的综合和各维度体征诊断指数,说明了体征诊断指数的可应用性和指数计算结果的稳健性。城市体征诊断指数可以辅助于城市网格化管理、压力预警等治理需求。     

基于宜出行大数据的多中心空间结构分析——以重庆主城区为例

多中心已成为中国大多数城市的空间发展战略,多中心结构的有效识别对于规划效果评价、规划策略制定具有重要意义。相比于百度热力与手机信令数据,腾讯宜出行数据具有时空分辨率高、获取成本低的优点,可精细比较城市主副中心的人口集聚能力,为多中心结构的动态识别提供新的手段。论文以重庆主城区为例,基于连续一周的宜出行热力数据,利用核密度分析等方法,识别其多中心城市结构、影响范围与组团发育情况。结果表明：作为山地城市,重庆在自然限制、经济驱动与规划引导下主动选择了“多中心、组团式”结构。重庆内环以内的各个城市中心人口高度集聚、用地规模相近、发育相对成熟,并强于内环以外的副中心。研究指出,西永、茶园副中心及外围组团的发展与人口集聚能力有待提高。     

基于多源数据和深度学习的城市边缘区判定

城市边缘区的定量分析及判定,对城市发展评价和规划,或是城市空间结构研究都具有重要意义。然而现有研究的边缘区判定指标选择过于单一,判定结果过于破碎,城市预设边界、水体及城市绿地对边缘区判定结果干扰大。针对上述问题,从自然、人口、社会经济的视角出发,以遥感影像、人口数据、POI大数据为数据基础,结合深度学习技术,构建基于多源数据和深度学习的城市边缘区判定方法,进行广州市城市边缘区判定及城市结构空间分布特征分析。结果表明：① 此方法能将城市划分为核心区-边缘区-外缘区,判定结果不会受到预设边界范围的影响,且消除了城市内部水体和城市绿地所造成的破碎化;② 城市边缘区与路网耦合良好;③ 广州市的城市核心区空间分布合理。综上所述,此方法能有效检测城市边缘地带,且结果符合实际情况,能为城市规划、政府决策提供参考。     

基于POI大数据的城市新区住房租赁需求偏好研究——以天津市滨海新区为例

根据2019年天津市滨海新区住房意向调研问卷微观调查数据与城市生活设施相关的POI数据,利用Hedonic模型探讨我国城市新区租赁群体居住需求偏好,并进行群体异质性分析。结果发现:城市新区租赁群体对较短通勤时间的租赁住房支付意愿更高,居住区到新区中心的直线距离对租金溢价不存在显著影响;随年龄增长、家庭财富积累及租赁时间延长,租赁群体改善性需求增加,更注重居住区生活配套设施的多样性。基于此,提出调整租赁住房供给、推进职住平衡的具体建议。     

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。     

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。     

大数据与小数据结合：信息时代城市研究方法探讨

信息技术的快速发展引起了城市研究领域的“大数据”热潮,并带来了传统城市研究方法的变革。但是,其自身存在的诸多缺陷使得学者不得不重新考虑传统小数据的应用角色。但是,传统小数据并没有失去其应用价值,相反,以城市与居民行为活动关系研究为主体的信息时代的城市研究必要充分结合大数据与小数据,并探讨适宜的方法论与方法框架,从而应对日益复杂的城市问题和居民需求。提出“物质空间与活动空间结合”、“相关关系与因果关系结合”、“宏观分析与微观挖掘结合”的3个方法论,并在此基础上构建了“大样本空间发展评价+空间差异与联系发现+小样本影响因素探究”、“小样本模型构建+影响因素发现+大样本验证及挖掘”、“微观活动分析+活动空间界定+影响因素探究”3种方法框架,且分析了这些框架的具体应用,以期为未来的城市研究提供思路和方法借鉴。     

基于多源数据的城市活力空间特征及建成环境对其影响机制研究

采用城市POI、手机信令数据及夜间灯光遥感数据,以深圳市为例,构建城市活力度量指标分析城市活力的空间特征。构建“5D”指标体系度量城市建成环境,并运用地理探测器,探究建成环境对城市活力的影响机制。结果表明：1）深圳市城市综合活力显示出“南强北弱,西强东弱”的空间分异特征,空间分布极不均衡。城市综合活力最主要反映的是社会活力。2）城市综合活力、经济活力、社会活力、文化活力均受到建成环境的显著影响。高POI密度、高建筑密度、高平均建筑层数和高土地利用混合度对城市活力具有显著促进作用。3）居住人口密度与路网密度、土地利用混合度与路网密度等交互作用对城市活力产生更为积极的影响。4）在影响机制中,建筑密度、平均建筑层数为底层支撑因素,POI密度、土地利用混合度为直接驱动因素,居住人口密度为诱发因素,距行政区中心距离、交叉口密度、路网密度、地铁站点密度和公交站点密度为调节因素。