基于时间序列相似度的城市功能区识别研究

随着城市化的快速发展,城市空间结构愈发复杂,城市功能区的快速有效识别对资源的有效配置和城市规划具有重要意义.传统的功能区识别缺乏对居民这一城市空间活动主体的动态表征,而长时间序列的出租车数据能动态表征居民出行行为,进而反映城市空间结构.动态时间扭曲(DTW)距离比传统的欧氏距离更能有效挖掘高维数据,泛化后的LB_Keo...     

基于空间格网的城市功能区定量识别

随着城市化进程加快,城市功能区的合理规划和管理愈来愈重要。本文利用北京市西城区20 622条POI数据,将西城区分割为25×25及50×50的空间格网,采用样方密度法,以及频数密度、类型比例两个指标对城市功能区识别及划分,对西城区单一功能区及混合功能区识别和可视化,并探讨其分布规律及影响。将结果进行对比分析:格网大小及数量影响城市功能区的定量识别及划分,在不同的应用环境下需要使用不同大小的空间格网识别城市功能区,从而在宏观上更好地了解城市分布规律,为城市管理及决策提供数据支持。     

基于POI数据的城市功能区识别及主要交通枢纽空间分析

研究利用机器学习中的TF-IDF统计方法,基于POI数据识别北京五环范围内的城市用地功能区。实验从道路网和格网两个层面开展,首先,将两结果与相同地区的遥感影像进行对比与验证,并从中提取属于交通用地范畴中的主要交通枢纽;其次,基于空间服务范围和空间连接强度两个视角对火车站和机场的地理特征进行分析,具体包括空间分布范围的特点、受区域影响的强弱、空间联系强度的差异等内容;最后,进一步对比各重要交通枢纽所在空间单元作为出租车行程起始点和终止点的共性和差异性。     

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。     

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。     

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。     

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。     

大数据构建的赋分评价模型与功能区识别研究

针对如何解决各类兴趣点(POI)的用地面积差异并精确地识别功能区等问题,该文构建了一种新的功能区识别模型.使用网上调查的各类POI的面积数据等,对各类POI的面积大小所处的区间进行赋值,整理出各类POI的面积评分表,并通过对各类POI进行核密度分析得到每个兴趣点的核密度值.通过构建面积评分与核密度值二级赋分评价模型,增加了POI数据的可用性,实现快速获取城市空间结构.经过精度检验,Kappa系数为0.76,功能区识别精度较高.研究结果可用于区位熵指数、土地利用混合度、平均最邻近距离与标准差椭圆等分析,有利于规划人员掌握城市空间结构与进行科学决策.     

基于在线地图数据的城市混合功能二三维划分方法研究

提出了基于规则的混合功能区二三维划分方法：依据提出的三类判别规则,将POI(points of interest)数据与人造区域、绿地、水体及建筑物体数据结合划分评价单元的二三维评价空间面积,以面积占比确定评价单元混合功能类型,并以混合度与混合强度指标分析混合功能区的差异性。结果显示北京市金融街实验区以商务、金融、公管为主,混合度与混合强度识别结果具有一定正相关关系,居住、公管主导的评价单元混合强度较高。与POI数量占比识别法对比,本方法能够合理提升金融、商务、居住等功能类型的面积占比,降低POI数量较多的商服功能的面积占比,能够更为合理精细地揭示城市混合功能的实际混合情况。     

基于决策树和混合像元分解的城市扩张分类

当今,城市扩张备受关注,通过遥感影像可以快速获取土地利用信息,但由于混合像元现象的存在,使得影像分类精度很难提高。首先对影像作决策树分类,获得初步分类结果和混合像元区域,然后利用混合像元线性分解模型对其进行分解,最后利用地学知识和野外调查资料进行结果后处理。实验结果表明:从两年的建筑信息的分类精度基本保持在80%以上,总体分类精度接近90%,Kappa系数达到0.84来看,此结果能够满足城市扩张分析的要求。     

共有建筑面积分摊的城市综合体功能区划分方法

功能区划分直接影响分摊结果,进而影响房产面积的真实性和可靠性。建筑空间或综合体的结构、服务功能、使用对象交织错落,增加了功能区划分的复杂性。本文对一个城市综合体进行了案例分析,提出了共有面积中功能区服务范围为主、用途为辅的划分方法。     

基于夜间灯光遥感数据与POI数据的城市中心识别——以深圳市为例

尝试结合夜间灯光遥感数据(NPP-VIIRS)和POI数据,去识别深圳市的城市中心。首先,通过实验确定了多分辨率分割的最佳参数并确立了统一的空间单元计算POI的密度;其次,通过计算Anselin Local Moran′s I结合人类活动密度把高-高聚类单位定义为城市主中心,并使用地理加权回归模型根据POI密度的平方根与分割单元的几何中心到城市主中心的加权距离来确定子中心,识别出了2个城市主中心和11个城市子中心;最后通过与传统识别城市中心的方法进行对比分析。结果表明：多尺度分割、Anselin Local Moran′s I与地理加权回归结合的方法更好。     

顾及POI与土地利用数据的城市功能区划分

城市功能区划分是落实智慧城市用地政策和用地开发管控的重要前提和基础,科学探测其分类及分布,对于支撑智慧城市空间规划具有重要作用.针对现有方法在功能区划分时受限于格网或者路网的束缚,易出现POI权重设置不科学及划分不精确的问题,提出一种基于聚类分析确定主体功能单元下的功能区划分方法.首先,基于POI数据,综合利用KD-T...     

基于三维模型框架的承德市域生态功能区划研究

运用三维模型框架分析承德市域生态、经济、社会特征,并在此基础上进行承德市域生态功能区划。采用定性与定量分析相结合的方法,结合承德市可持续发展的总体部署、经济和社会发展的现状评价和定位,对承德市域进行生态功能区划。     

基于CityEngine的城市三维快速建模方法及应用

基于CityEngine的规则化建模方法,通过程序编写规则,对构成城市的重要组成部分建筑物、道路、绿化带、地面、水面进行程序化快速三维重建。以赣州市部分地区为例,实现了该地区的快速三维重建。     

基于因子分析法的城市商业中心抽取研究

借助商业POI数据,通过DBSCAN聚类算法,经过处理得到准确度较高的原始数据,并在因子分析算法的基础上,根据武汉市2017年各行政区的地理位置、道路通达性、人口经济情况及相关统计数据,设计了一种密度因子分析算法,并以湖北省武汉市为例,实现了其范围内各地区商业中心的抽取.结果表明该方法是一种有效的商业要素提取方法,可为城市结构改善提供科学有力的参考依据.