郭亞峰, 藍貴文, 范冬林, 杜永良

(桂林理工大學(xué) a.測繪地理信息學(xué)院; b.廣西空間信息與測繪重點實驗室, 廣西 桂林 541006)

0 引 言

隨著城市的發(fā)展, 不同類型的城市功能活動集聚和擴散使城市中形成了多種城市功能的混合體, 同時也出現(xiàn)了各種各樣的功能區(qū)。城市功能區(qū)的研究不僅可以解決現(xiàn)有的城市問題[1-3], 如交通擁堵、 房價上漲等, 還可以優(yōu)化城市的空間結(jié)構(gòu), 為城市的健康發(fā)展提供數(shù)據(jù)支持依據(jù)。目前, 對于城市功能區(qū)的劃分主要采用主觀判別和調(diào)查統(tǒng)計[4]等方法, 這兩種方法存在著人力、 物力消耗過大、 耗時長、 實時更新困難等問題。

隨著網(wǎng)絡(luò)技術(shù)和通信技術(shù)的發(fā)展, 使得人們的生活與網(wǎng)絡(luò)緊密相連, 人們出行分享的地址、 公共交通軌跡以及公共設(shè)施位置等各類數(shù)據(jù)信息被記錄在網(wǎng)絡(luò)上, 利用這些數(shù)據(jù)可以方便快捷地分析城市功能區(qū)分布。近年來, 一些學(xué)者使用POI數(shù)據(jù)分別結(jié)合公交車刷卡數(shù)據(jù)[5]、 出租車軌跡數(shù)據(jù)[6-7]和地理監(jiān)測數(shù)據(jù)[8-9]等對城市單一功能區(qū)識別進行了研究, 但在城市的實際功能區(qū)中, 不僅僅存在著單一功能區(qū), 還存在著大量的混合功能區(qū), 混合功能區(qū)的存在體現(xiàn)了現(xiàn)有城市空間結(jié)構(gòu)與城市規(guī)劃之間的差別, 混合功能區(qū)的識別結(jié)果也有助于城市的管理者更好地了解現(xiàn)階段城市功能的分布, 為城市發(fā)展規(guī)劃提供數(shù)據(jù)支持?；谶@種情況, 一些學(xué)者使用POI數(shù)據(jù)分別結(jié)合矢量路網(wǎng)[10-11]、 遙感[12]、 公共自行車庫存[13]等數(shù)據(jù)對城市混合功能區(qū)進行了研究, 但存在著數(shù)據(jù)獲取難度大、 成本高、 更新周期長、 操作麻煩等缺點; 而開源的POI數(shù)據(jù)容易獲取、 成本低、 動態(tài)更新, 因此本文以開源免費的POI數(shù)據(jù)為基礎(chǔ), 利用基于頻數(shù)密度算法的城市功能區(qū)定量分析方法實現(xiàn)北京市中心城區(qū)的功能區(qū)識別, 再以核密度分析法驗證城市各類功能的聚集區(qū)域, 最后利用《北京城市總體規(guī)劃(2004年—2020年)》和2018年谷歌遙感圖像分別對本文識別結(jié)果、 結(jié)合了矢量路網(wǎng)和遙感圖像的城市功能區(qū)識別結(jié)果以及無權(quán)重的城市功能區(qū)識別結(jié)果進行精度驗證, 證明本文識別方法的有效性。

1 基于POI的定量識別城市功能區(qū)

本文的研究區(qū)域是北京市中心城區(qū), 包括東城區(qū)、 西城區(qū)、 朝陽區(qū)、 豐臺區(qū)、 石景山區(qū)和海淀區(qū), 面積1 288.84 km2, POI數(shù)據(jù)來源于北京市中心城區(qū)2018年百度地圖數(shù)據(jù), 包括地點名、 類型、 地址、 所在區(qū)域、 坐標等公開屬性。這些POI數(shù)據(jù)存在較多的分類和龐大的數(shù)量, 并且POI數(shù)據(jù)的類型之間存在著重疊現(xiàn)象, 如學(xué)校的宿舍會存在于教育科研中, 也會存在于住宅小區(qū)中。如果直接使用此時的POI數(shù)據(jù)進行研究, 不僅會增加工作量, 同時也會對功能區(qū)的劃分產(chǎn)生影響, 因此參考《城市用地分類與規(guī)劃建設(shè)用地標準》(GB 50137—2011)并結(jié)合研究區(qū)的實際情況與功能區(qū)的特點, 本文將城市POI數(shù)據(jù)分為公司企業(yè)、 公共管理與醫(yī)療服務(wù)、 休閑娛樂與風(fēng)景名勝、 教育科研、 住宅小區(qū)、 交通樞紐、 商業(yè)金融七大類, 同時基于POI數(shù)據(jù)和研究區(qū)的行政區(qū)劃圖, 建立1 km×1 km的格網(wǎng), 計算單元格內(nèi)不同類型POI數(shù)據(jù)的頻數(shù)密度比例, 從而研究城市功能區(qū)的劃分。

1.1 POI數(shù)據(jù)的預(yù)處理

共獲取研究區(qū)域內(nèi)1 173 560條POI數(shù)據(jù), 這些數(shù)據(jù)使用的原始坐標系是百度坐標系, 而本文所采用的坐標系是WGS84坐標系, 通過坐標轉(zhuǎn)換將這些POI數(shù)據(jù)的坐標系轉(zhuǎn)換為WGS84坐標系。坐標轉(zhuǎn)換結(jié)束后, 將POI數(shù)據(jù)中的ATM、 公交站、 道路、 河流、 湖泊等對功能區(qū)劃分無用的數(shù)據(jù)刪除, 同時刪除丟失了坐標信息的POI數(shù)據(jù), 確保數(shù)據(jù)的準確性。

將以上劃分的七大類POI數(shù)據(jù)(公司企業(yè)、 公共管理與醫(yī)療服務(wù)、 休閑娛樂與風(fēng)景名勝、 教育科研、 住宅小區(qū)、 交通樞紐、 商業(yè)金融)， 同時參考趙衛(wèi)鋒等[14]的公眾認知度, 對一些重要交通樞紐(火車站、 飛機場)、 大型商場(購物中心、 百貨商場、 商業(yè)大廈等)、 大學(xué)(國內(nèi)本科高校)、 醫(yī)院(國家二級及以上醫(yī)院)、 政府機構(gòu)(市委市政府及以上單位, 各國大使館等)、 風(fēng)景名勝(風(fēng)景區(qū)、 古跡、 公園等)等地標性POI賦予一定的權(quán)重(表1)。根據(jù)權(quán)重增加地標性POI的數(shù)量, 例如某大型商場原有1個POI, 而大型商場的權(quán)重為16, 則該大型商場現(xiàn)在POI的數(shù)量為16個。加入權(quán)重有助于將地標性POI與其同類的普通POI之間的影響力有效區(qū)分, 使功能區(qū)的識別更貼合實際情況(表2)。

表1 地標性POI權(quán)重

表2 POI數(shù)據(jù)重分類

1.2 主要研究方法

通過添加漁網(wǎng)將北京市中心城區(qū)劃分為1 km×1 km格網(wǎng), 并基于頻數(shù)密度算法[15], 提出一種城市功能區(qū)的定量識別方法, 計算公式為

(1)

式中:Ni表示格網(wǎng)單元內(nèi)的第i種POI類型的數(shù)量占該類型的POI總數(shù)的頻數(shù)密度;Ci表示第i種類型POI的頻數(shù)密度占單元內(nèi)所有類型POI頻數(shù)密度的比例。

通過上式計算出格網(wǎng)中每個格網(wǎng)單元的POI頻數(shù)密度比例, 用來判斷每一個格網(wǎng)單元的功能?，F(xiàn)有研究大多以0.5為閾值[16], 只要某一類POI頻數(shù)密度比例大于0.5, 就將此區(qū)域劃分為單一功能區(qū), 否則即為混合功能區(qū)。這種方法最終結(jié)果較為準確, 但是在某些特殊情況下會產(chǎn)生錯誤的劃分, 例如當(dāng)7種POI頻數(shù)密度比例中有一類a為0.51, 另一類b為0.49, 其余5類為0時, 如果以頻數(shù)密度比例0.5為劃分依據(jù), 此區(qū)域被劃分為單一功能區(qū), 但實際上此區(qū)域被劃分為ab混合功能區(qū)更為合理。因此, 本文提出將各類POI頻數(shù)密度比例之間的差值作為功能區(qū)劃分依據(jù), 判斷過程如圖1所示。

圖1 功能區(qū)劃分流程圖

如果某格網(wǎng)單元內(nèi)數(shù)值最大的POI頻數(shù)密度比例與排名第二的POI頻數(shù)密度比例相差大于20%時, 判定此功能區(qū)為單一功能區(qū), 屬性由頻數(shù)密度比例中數(shù)值最大的POI決定?；旌瞎δ軈^(qū)則由以下規(guī)則判定: 1)如果某格網(wǎng)單元內(nèi)數(shù)值最大的a類POI頻數(shù)密度比例與排名第二的b類POI頻數(shù)密度比例相差小于20%, 但排名第二的b類POI頻數(shù)密度比例與排名第三的c類POI頻數(shù)密度比例相差大于20%時, 稱此格網(wǎng)單元為ab混合功能區(qū); 2)如果某格網(wǎng)單元內(nèi)數(shù)值最大a類POI頻數(shù)密度比例與排名第二b類 POI頻數(shù)密度比例相差小于20%, 且排名第二b類POI頻數(shù)密度比例與排名第三c類POI頻數(shù)密度比例相差小于20%時, 稱此格網(wǎng)單元為abc混合功能區(qū)。例如當(dāng)a是住宅小區(qū)、 b是商業(yè)金融、 c是公司企業(yè)時, 此格網(wǎng)單元的性質(zhì)就由這3種城市POI數(shù)據(jù)類別決定。

當(dāng)此格網(wǎng)單元內(nèi)未包含任何一種城市POI數(shù)據(jù)時, 這種類型的格網(wǎng)單元就被稱為空值區(qū)。

2 城市功能區(qū)識別結(jié)果分析與驗證

2.1 識別結(jié)果與分析

根據(jù)功能區(qū)的判別規(guī)則, 本文共產(chǎn)生了7種單一功能區(qū)和48種混合功能區(qū)。本文圖例作如下統(tǒng)一規(guī)定： A—公共管理與醫(yī)療服務(wù)功能區(qū)； B—公司企業(yè)功能區(qū); C—交通樞紐功能區(qū); D—教育科研功能區(qū); E—商業(yè)金融功能區(qū); F—休閑娛樂與風(fēng)景名勝功能區(qū); G—住宅小區(qū)功能區(qū)。

根據(jù)圖2識別的北京市中心城區(qū)功能區(qū)分布圖, 共有1 412個功能區(qū), 其中中心區(qū)域大部分功能區(qū)為混合功能區(qū), 而單一功能區(qū)的數(shù)量為732個。在單一功能區(qū)中, 休閑娛樂與風(fēng)景名勝功能區(qū)數(shù)量最多, 為175個, 約占單一功能區(qū)數(shù)量的1/4, 這主要是因為休閑娛樂與風(fēng)景名勝功能區(qū)中的景區(qū)、 公園等POI占地面積較大, 且周圍其他類型的POI相對較少, 容易被識別。

在圖2a中可以發(fā)現(xiàn), 休閑娛樂與風(fēng)景名勝功能區(qū)分布在研究區(qū)的中心位置、 北五環(huán)周圍及研究區(qū)的西部邊界等位置, 主要對應(yīng)著故宮、 天安門廣場、 中山公園、 北海公園以及大部分的森林公園等景點。單一功能區(qū)中商業(yè)金融功能區(qū)的數(shù)量最少, 僅有52個, 包含二環(huán)內(nèi)較為有名的西單、 王府井等商業(yè)中心。公共管理與醫(yī)療服務(wù)功能區(qū)數(shù)量為63個, 主要分布在二環(huán)內(nèi)和東三環(huán)周圍, 這部分區(qū)域分布著重要的政府機構(gòu)和大使館等POI要素。教育科研的功能區(qū)主要分布在北三環(huán)到北五環(huán)之間的區(qū)域內(nèi), 這部分區(qū)域中主要分布著清華大學(xué)、 北京大學(xué)、中國科學(xué)院生態(tài)環(huán)境研究中心等高校和研究所; 而教育科研功能區(qū)數(shù)量較少主要是由于教育科研POI要素周圍多分布著公司企業(yè)、 商業(yè)金融以及休閑娛樂與風(fēng)景名勝等類型的POI要素, 導(dǎo)致功能區(qū)中教育科研屬性占比較小。公司企業(yè)功能區(qū)數(shù)量為167個, 分布比較分散, 呈現(xiàn)“大分散和小集聚”的特點, 其中主要的聚集點是北四環(huán)周圍的中關(guān)村、 上地等地區(qū)。交通樞紐功能區(qū)數(shù)量為69個, 大部分處于四環(huán)以外, 原因是交通樞紐一般占地面積較大、 人流較多, 其設(shè)在四環(huán)以外有利于緩解城市中心用地壓力, 便于疏通人流。

圖2 功能區(qū)分布圖

在混合功能區(qū)中數(shù)量最多的是公共管理與醫(yī)療服務(wù)公司企業(yè)-住宅小區(qū)混合功能區(qū), 有116個, 主要分布在四環(huán)以內(nèi)。從功能區(qū)統(tǒng)計結(jié)果中可以得出北京市中心城區(qū)的功能區(qū)混合情況, 如在409個混合功能區(qū)之中都出現(xiàn)了公共管理與醫(yī)療服務(wù)屬性, 充分說明了北京市是我國政治中心及擁有完善醫(yī)療保障體系的事實; 在496個混合功能區(qū)中出現(xiàn)了住宅小區(qū)屬性, 顯示了北京市中心城區(qū)的人口密度之高。此外, 在北三環(huán)和北五環(huán)之間的大學(xué)聚集區(qū), 除了單一的科研教育功能區(qū)外, 周邊的混合功能區(qū)大部分都具有科研教育屬性; 而住宅小區(qū)功能往往和商業(yè)金融功能以及公共管理與醫(yī)療服務(wù)功能等混雜在一起; 教育科研功能往往和公司企業(yè)功能、 住宅小區(qū)功能混雜在一起; 單一功能區(qū)周邊的混合功能區(qū)都具有該單一功能區(qū)的屬性。

2.2 城市功能區(qū)識別結(jié)果驗證

2.2.1 城市功能分布情況驗證 核密度分析法是研究地理空間數(shù)據(jù)分布特征的重要方法, 可以挖掘各類要素主要的聚集區(qū)域, 被廣泛應(yīng)用于城市熱點探測[17]、 中心識別[18]等地理空間結(jié)構(gòu)的研究。該方法所得核密度的值越高, 表示此區(qū)域中POI要素分布越密集。依據(jù)這一思想, 本文利用核密度分析法[19-20]對7類POI要素定性分析, 經(jīng)過多次試驗選取最優(yōu)的搜索半徑, 提取核密度分析等值線, 得到7類POI要素的核密度分布圖, 并對其數(shù)值進行歸一化[21], 使7類POI核密度圖之間具有一定的可對比性。從圖3中可看出, 公共管理與醫(yī)療服務(wù)的POI要素主要集中在二環(huán)內(nèi)及東三環(huán)附近； 公司企業(yè)的POI要素主要集中在北四環(huán)和北五環(huán)附近； 交通樞紐POI要素則分散在研究區(qū)域的各個地方, 體現(xiàn)了北京市公共交通的發(fā)達程度； 教育科研的POI要素主要集中在北三環(huán)到北五環(huán)之間的區(qū)域內(nèi), 這里主要分布著北京市各大高校； 商業(yè)金融的POI要素主要分布在東城區(qū)、 西城區(qū)和東三環(huán)周圍的區(qū)域內(nèi), 這部分區(qū)域分布著西單、 王府井、 國貿(mào)等商圈； 休閑娛樂與風(fēng)景名勝的POI要素分布最密集的區(qū)域是研究區(qū)的中心, 這里分布著故宮、 景山公園、 北海公園、 中山公園等風(fēng)景名勝； 住宅小區(qū)的POI要素主要分布在三環(huán)之內(nèi), 占據(jù)了東城區(qū)和西城區(qū)的大部分地區(qū)。7類核密度分布圖中住宅小區(qū)、 休閑娛樂與風(fēng)景名勝、 交通樞紐、 商業(yè)金融和公共管理與醫(yī)療服務(wù)相對密度最大的區(qū)域都集中在三環(huán)以內(nèi), 尤其是公共管理與醫(yī)療服務(wù)核心區(qū)域占據(jù)了東城區(qū)、 西城區(qū)的大部分區(qū)域, 顯示了東城區(qū)、 西城區(qū)行政中心的主要屬性。核密度分布圖中POI聚集結(jié)果與前文城市單一功能區(qū)的識別結(jié)果基本吻合。

圖3 7類POI要素核密度分布圖

2.2.2 城市功能區(qū)識別結(jié)果對比驗證 為了充分驗證識別出的功能區(qū)結(jié)果的準確性, 利用加權(quán)POI數(shù)據(jù)結(jié)合矢量路網(wǎng)和遙感數(shù)據(jù)對城市功能區(qū)進行識別并將識別結(jié)果的精度與本文識別方法精度對比。其中矢量路網(wǎng)數(shù)據(jù)來自于open street map (osm)網(wǎng)站, 遙感數(shù)據(jù)為谷歌2018年的衛(wèi)星影像圖。利用衛(wèi)星影像圖對矢量路網(wǎng)進行修整, 刪減重復(fù)與過于密集的路網(wǎng), 然后對矢量路網(wǎng)數(shù)據(jù)進行拓撲轉(zhuǎn)換, 將路網(wǎng)數(shù)據(jù)由線要素轉(zhuǎn)化為面要素, 利用矢量路網(wǎng)單元對城市功能區(qū)進行劃分, 得到城市功能區(qū)分布情況, 如圖4所示。同時為了驗證POI權(quán)重對城市功能區(qū)識別精確度的重要性, 利用未賦權(quán)重的原始POI數(shù)據(jù)對城市功能區(qū)進行識別, 識別結(jié)果如圖5所示。

圖4 采用路網(wǎng)單元的功能區(qū)劃分結(jié)果

圖5 原始POI數(shù)據(jù)功能區(qū)劃分結(jié)果

本文識別方法得到的結(jié)果中混合功能區(qū)單元數(shù)量有680個, 無權(quán)重識別方法的結(jié)果中混合功能區(qū)單元數(shù)量有869個, 路網(wǎng)單元識別方法的結(jié)果中混合功能區(qū)單元數(shù)量有378個, 采用置信度95%的樣本分析方法, 分別抽取246、 267、 191個混合功能區(qū)單元, 同時選擇3種識別方法得到功能區(qū)分布結(jié)果中全部的單一功能區(qū)單元, 以這些功能區(qū)單元作為驗證對象, 參照《北京城市總體規(guī)劃》(2004年—2020年)和2018年谷歌遙感圖像, 進行人工判斷分區(qū)[3, 5, 9]。而當(dāng)二者區(qū)域?qū)傩圆灰恢聲r, 以2018年谷歌遙感圖像顯示的區(qū)域?qū)傩詾橹鳌Ｆ渲小侗本┏鞘锌傮w規(guī)劃》(2004年—2020年)土地類型與本文功能區(qū)類型之間的對應(yīng)關(guān)系為: 公共設(shè)施用地和市政公用設(shè)施用地→公共管理與醫(yī)療服務(wù)功能區(qū), 工業(yè)用地和倉儲用地→公司企業(yè)功能區(qū), 鐵路用地和機場用地→交通樞紐功能區(qū), 教育科研設(shè)計用地→教育科研功能區(qū), 商業(yè)金融用地→商業(yè)金融功能區(qū), 體育用地、 綠地、 水域和農(nóng)業(yè)用地→休閑娛樂與風(fēng)景名勝功能區(qū), 居住用地→住宅小區(qū)功能區(qū), 混合用地→混合功能區(qū)。而人工判斷分區(qū)主要采用專家判斷法, 即邀請5位具有相關(guān)專業(yè)知識的專家, 對照《北京城市總體規(guī)劃》(2004年—2020年)和2018年谷歌遙感圖像對所選出的功能區(qū)單元所屬類別進行判斷。綜合5位專家判斷結(jié)果, 確定以上所選出的功能區(qū)單元類別, 即功能區(qū)的真值。利用功能區(qū)真值對照3種方法識別出來的功能區(qū)分布結(jié)果, 確定3種方法的功能區(qū)識別精度, 驗證本文識別方法的有效性, 3種方法的識別精度如表3所示。

表3 不同識別方法的功能區(qū)識別結(jié)果精度評價

可知, 本文識別方法中功能區(qū)識別精度最高的是休閑娛樂與風(fēng)景名勝功能區(qū), 為93.14%, 最低的是交通樞紐功能區(qū), 為79.71%。交通樞紐功能區(qū)識別精度最低主要是由于交通樞紐要素周邊往往聚集著物流公司、 商店和住宅小區(qū)等POI要素, 導(dǎo)致交通樞紐功能區(qū)被識別為公司企業(yè)功能區(qū)、 商業(yè)金融功能區(qū)或住宅小區(qū)功能區(qū)。同樣地, 在路網(wǎng)單元識別方法中交通樞紐功能區(qū)識別精度較低的原因也是如此。此外, 休閑娛樂與風(fēng)景名勝功能區(qū)在本文功能區(qū)識別方法和路網(wǎng)單元識別方法中識別精度都較高, 主要是因為休閑娛樂與風(fēng)景名勝要素周邊其他類型POI要素較少, 因此休閑娛樂與風(fēng)景名勝功能區(qū)的識別精度也會隨之增加, 這也造成了無權(quán)重識別方法中休閑娛樂與風(fēng)景名勝功能區(qū)的識別精度達到了82.42%的較高水平。3種方法對于混合功能區(qū)的識別, 其中精度最低的是無權(quán)重識別方法, 僅為26.97%, 證明了權(quán)重對于混合功能區(qū)識別的重要性, 而本文功能區(qū)識別方法中混合功能區(qū)的識別精度為83.74%, 比路網(wǎng)單元識別方法中的混合功能區(qū)的識別精度高了1.02%, 主要是由于本文識別方法與路網(wǎng)單元識別方法采用的評價尺度不一樣, 本文識別方法采用的是1 km×1 km的單元格網(wǎng), 而路網(wǎng)單元識別方法采用的是北京市的真實路網(wǎng), 而路網(wǎng)單元的面積不固定, 在路網(wǎng)稀疏的部分會造成功能區(qū)識別精度的下降。這說明了本文功能區(qū)識別方法對于混合功能區(qū)識別的有效性以及增加權(quán)重的必要性,從總體上來看, 無權(quán)重識別方法的平均精度最低, 僅為59.43%, 證明了通過賦權(quán)重增加城市功能區(qū)識別精度的必要性; 而本文功能區(qū)識別方法和路網(wǎng)單元識別方法精度相差不大, 分別為84.88%、 85.61%, 總體精度良好。

3 結(jié)束語

本文以北京市中心城區(qū)的POI數(shù)據(jù)為基礎(chǔ), 提出了一種基于頻數(shù)密度算法的城市功能區(qū)定量分析識別方法, 并對識別結(jié)果進行了精度驗證。從驗證結(jié)果來看, 本文提出的基于POI數(shù)據(jù)的城市功能區(qū)劃分方法對城市功能區(qū)的識別有較高的精確度, 驗證了該方法的可行性， 但由于POI數(shù)據(jù)幾何特征為點狀類型, 導(dǎo)致在識別大面積地物類別時精度稍顯不足, 如在路網(wǎng)識別方法中公共管理與醫(yī)療服務(wù)功能區(qū)、 教育科研功能區(qū)等識別精度要略高于本文識別方法精度, 因此在今后的研究中將會結(jié)合POI數(shù)據(jù)的實際面積來實施功能區(qū)識別。本研究有助于人們對城市空間結(jié)構(gòu)的了解和管理者更好地了解城市功能的分布, 提高土地利用效率, 為城市的發(fā)展提供數(shù)據(jù)支持, 并進一步提供輔助決策支持。