基于多源数据的城市功能区识别及相互作用分析

随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点（points of interest,POI）进行分析,识别城市功能区,并结合出租车轨迹数据进行时空挖掘,定量分析典型城市功能区交通吸引规律及其相互作用强度和方向。以北京市五环内主城区为例进行分析,可得:①该方法可以识别典型功能区西单、国贸、中关村是以商业为主的混合城市功能区,望京是以居住为主的混合功能区,且居民通勤出行特征明显;②国贸对自身的引力较强（39.4%）,说明国贸区域城市功能更加齐全;③典型功能区对居民出行距离范围内的区域吸引力随着距离的增加而减弱,符合经验认知和地理空间衰减规律。结果表明,利用POI和移动大数据采用重尾打断分类法和核密度聚类法进行城市功能区识别与分析是可行和有效的。     

兴趣面数据和随机森林方法的城市功能区划分

针对传统城市功能区研究探索了利用兴趣点、遥感影像等数据进行城市功能区自动划分的方法,但分类精度仍有待进一步提高的问题,该文提出一种基于兴趣面数据和随机森林算法的城市功能区自动划分方法,首先对城市道路网络数据运用形态学运算方法自动构建交通分析区,然后从其区域内的兴趣区等多源数据中提取4类41项特征,最后结合地理国情普查数据和人工识别选取476个样本数据,构建基于随机森林分类器的城市功能区识别模型。结果表明,随机森林模型能够准确地识别城市功能区,识别模型预测精度为87.67%,支持向量机模型精度为83.71%,未引入兴趣面数据的模型精度为78.72%。利用上述模型对北京市内4 112个单元进行功能区识别,准确率达81.37%。该研究方法有较好的重复性和推广性,有助于对城市功能区进行定量、客观的研究。     

基于多源数据的城市功能区的识别与分析

随着城市化进程的不断推进，城市功能区作为城市规划中重要的基础组成部分，对城市功能区的空间布局现状进行研究是十分必要的。文中基于POI数据、手机信令数据、土地利用数据等多源数据，通过对POI数据构建“空间面积—人口热度”二元权重计算模型，滨城区进行功能区划分并分析结果。经过精度检验，Kappa系数为0.772,功能区的识别精度较高。结果表明，主城区的混合度较高，其承载着主要的居住和生活服务；滨城区功能的空间分布具有一般集聚的特点，呈东南—西北分布趋势，且在各个方向上发展较为均衡。功能区划分能够为城市科学合理的规划提供借鉴，及时发现城市规划中的问题并能够优化解决。     

基于POI数据的城市功能区识别研究

基于兴趣点数据与道路网络数据,选取济南市中心城区为研究区域,通过频数密度与类型比例计算,以街区为研究单元对济南中心城区功能区进行定量识别,并验证识别精度。将识别结果与《济南市城市总体规划（2011-2020年）》对比,提出功能区优化对策。研究结果表明：城市功能区自西向东呈现多中心分布特征,单一功能区呈现圈层分布特征。构建混淆矩阵,计算出功能区总体精度为83.34%,可为济南市功能区空间规划提供新的思路。     

基于轴线法和POI数据双重视角的城市空间协调性研究

城市空间结构的合理性影响城市的持续稳定发展。本文使用格网法、核密度分析以及空间句法的轴线模型,将POI大数据与交通路网数据相结合,基于格网尺度对可达性与POI密度进行交叉对比分析,进而得到双重约束下的武汉市中心城区空间结构特征类型与空间分区方案。结果表明:1)武汉市中心城区POI密度呈“一心独大”的非均衡式分布,可达性则呈现“一核两翼”的空间结构;2)在双重约束下武汉市中心城区可划分为三类空间,总体呈“两带多区”的空间结构形态。该研究基于网格尺度构建了城市空间结构研究新思路,可为城市规划布局及国土空间格局优化提供方法参考和决策依据。     

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

基于logistic回归模型的城市功能区识别

通过构建兴趣点与城市功能区之间的logistic回归模型进行功能区识别,以武汉市主城区为例进行试验分析,将识别结果可视化并与《武汉市城市总体规划图(2010—2020)》进行对比,通过百度地图进行验证。研究结果表明,logistic回归模型与兴趣点数据相结合能基本识别居住用地、商业服务业设施用地、工业用地、公共管理与公共服务用地,准确率较高。     

POI与NPP/VIIRS夜光数据空间耦合关系下的城市空间结构分析——以武汉市主城区为例

城市兴趣点（POI）和夜光遥感影像能够直观反映城市社会经济等实体要素的空间分布特征,在城市空间结构研究中发挥着重要作用。本文首先选取长江中游城市群的典型城市代表——武汉市作为研究区,选用研究区2016年POI和NPP/VIIRS夜光遥感数据作为基础研究数据,采用GIS分析工具对POI数据进行了空间核密度分析;然后分别对POI核密度分析结果和NPP/VIIRS夜光遥感数据进行了空间网格化处理;最后采用双因素制图和栅格叠加分析方法对两类数据的空间耦合关系进行了探讨,并在此基础上进一步分析了城市空间结构特征。研究表明,武汉市POI数据和夜光遥感数据的空间耦合性整体较好,空间耦合相一致区域占比为82.15%;但POI数据和夜光遥感数据的空间耦合性在长江沿岸地区也存在部分差异,如硚口区、汉阳区夜光遥感数据和POI数据多以低—中的空间耦合模式为主,而青山区、武昌区和汉口区则多以中—低的空间耦合模式为主。武汉市作为中原城市群的核心城市之一,其城市内部空间结构与长江经济带发展关联密切,通过对POI和夜光遥感数据的空间耦合关系探讨,能够对武汉市空间实体要素的空间结构特征有更加深入的了解。本文结果可为沿江城市内部空间结构的研究提供一种崭新的视角。     

基于GIS和兴趣点(POI)数据的城市中心体系识别方法研究——以上海市为例

城市公共中心高度聚集了各类城市公共管理与公共服务设施。近年来城市建设发展迅速,传统的抽样调查等方法已不能满足新时代需要。互联网与计算机技术的发展给城市研究提供了新思路:城市兴趣点(POI)数据涵盖了广泛的地理空间和位置属性并且对公众开放。本研究使用POI数据,结合核密度估算(KED)模型定量研究其空间分布规律并对上海市城市中心体系的识别。结果显示,根据POI数据分析识别的上海市城市中心体系整体呈现单中心发展态势,城市副中心与郊区中心发展力度不足,尚有待进一步建设。将结果与《上海市城市总体规划(1999—2020年)》确定的城市公共中心体系进行对比,提出优化建议。     

等高线树法的多商业中心提取方法研究

针对以往利用人口、产业等数据采用传统调查统计、专家知识的方法识别商业中心范围存在粒度粗、周期长的问题,城市大数据的出现为其识别提供了契机且更加精细高效准确,该文以城市POI为基本数据源,利用核密度分析结果,通过将城市商业空间结构与地形地貌类比,构建基于等高线树提取商业中心的方法。并以北京市核心区为例,采用百度地图商业POI数据,实现对实验区商业中心更加精细高效的提取,其在一定的宏观尺度上揭示了商业中心之间的群体嵌套、组合关联以及空间层次结构,为城市商业规划等提供了有益借鉴。