基于兴趣点(POI)数据的松原市中心功能区定量识别

吕 静 李鲁冰

(吉林建筑大学 建筑与规划学院,长春 130118)

0 引言

兴趣点(point of interest,英文缩写POI)是指所有可以被抽象为点的地理对象,是地理信息系统中用来描述事物或事件地址的术语.随着网络信息技术的发展,以大数据分析为主的城市量化研究逐渐增多,在一系列可获取性强的网络数据中,兴趣点数据凭借其独特的功能标记特征,成为研究城市空间功能分布的有利手段.

1 概述

松原市属吉林省下辖地级市,经济总量位居全省第三位,是哈长城市群与吉林省中部城镇群的次中心城市.本文选取松原市作为研究对象,并确定以《松原市城市总体规划(2011-2030)》[1]中划定的松原市中心城区为研究范围(见图1).截止到2015年底,中心城区约1 250km2,人口约56.9万[2].

图1 兴趣点空间分布Fig.1 Spatial distribution of POI

目前,国内对于兴趣点数据的研究主要集中在对城市功能的识别方面,并与公交刷卡信息等数据相结合,研究人们的出行轨迹及特征.例如,池娇等人利用兴趣点数据识别城市的功能分区,并划分单一功能区和混合功能区[3];韩昊英等人利用兴趣点对北京市功能区进行识别,并依据公交刷卡信息判断人们出行的行为特征[4]等.

本文采用的兴趣点数据获取自2016年高德地图,共计25 877个有效点,每个点包含地址字段、用地类型等信息,通过地址字段进行数据的空间落位使其能在GIS平台下进行空间分析,通过用地类型的人工校准使其与《城市用地分类与规划建设用地标准》[5]相一致,从而进行功能区识别分析,使其与城市总体规划具有可比性.路网数据是在现行谷歌地图基础上,人工绘制后通过Depth Map建立空间句法线段模型,进而生成的拓扑数据.为确保研究的准确性,数据获取区域大于中心城区实际范围.

2 技术路线

本文通过对兴趣点数据的点密度分析和路网数据的线段模型分析,发现松原市中心城区的空间形态特征,并利用网格分析将两者建立空间联系,通过兴趣点的功能识别,得到城市功能分区,进而与城市总体规划进行验证分析,依据得出的松原市中心城区空间形态和功能的特征及问题,提出城市发展的相关建议(见图2).

图2 技术路线Fig.2 Technical route

3 相关分析

3.1 兴趣点数据分析

兴趣点(POI)可以反映餐厅、学校、超市、银行等与人们生活密切相关的城市功能实体,故本研究借助GIS中的点密度分析,获得兴趣点的空间分布密度,并以此分析松原市中心城区空间分布情况.

3.1.1 兴趣点数据处理

由于兴趣点原始数据在功能分类上存在交叉重叠的现象,而且与规划中的分类标准不相一致,因此,对原始数据进行重新分类整理,并参考《城市用地分类与规划建设用地标准》(2011年版),将兴趣点划分为公共管理与公共服务用地(A) 、商业服务业设施用地(B)、绿地与广场用地(G)、工业用地(M)、居住用地(R)、道路与交通设施用地(S)和物流仓储用地(W)等7个大类以及21个中类(见图3).

在此基础上，对重新分类后的兴趣点数据进行统计整理分析(见图4).结果表明,商业设施用地的数量明显居多,其次是其他服务设施用地、娱乐设施用地、二类居住用地等.这说明这些用地占比较大、功能可识别性较强.

图3 兴趣点数据功能分类Fig.3 Functional classification of POI data

图4 不同类型的兴趣点数量统计Fig.4 Statistical graphs of different classes of POI

3.1.2 兴趣点的空间分布特征分析

通过GIS点密度分析工具,计算单位输出栅格像元周围的点要素的密度,进行可视化表达,得到兴趣点的分布密度,并基于人们步行、乘车出行的距离范围远近,划分为500m,1 000m,2 000m 3个半径尺度, 进而得出不同半径下的兴趣点分布密度(见图5).

图5 不同半径下的兴趣点密度分析Fig.5 Density analysis of POI under different radii

由图5观察到:r=500m半径下,兴趣点密度呈现两个核心、多个组团的形态特征.主要核心点显现在江南松原火车站、江南步行街一带,次级核心显现在江北步行街附近,同时金钻百货、欧亚购物中心等均显现出密集状;r=1 000m半径下,兴趣点分布密度的圈层结构开始显现,主次核心加强,金钻百货的密集度仍然较强,但欧亚购物中心的密集度明显降低;r=2 000m半径下,松原市双核心的空间形态完全展现出来,并呈现出明显的圈层结构.

3.2 路网数据分析

空间句法理论由比尔·希利尔(Bill Hillier)创立,是基于城市街道的拓扑关系,揭示城市空间形态和结构特征的一种社会逻辑[6].本文将松原市现状路网导入Depth Map软件,通过构建路网线段模型,并进行整合度计算分析比较,研究城市空间形态特征.

3.2.1 集成度计算分析

集成度表示系统中某一空间与其他空间集聚或离散的程度,集成度越高,则集聚度越高[7].本文借助Depth Map软件,分别对6种半径下的局部集成度进行对比计算分析(见图6).

图6 不同半径下集成度分析Fig.6 Analysis on integration under different radii

从整体上看, 松原市中心城区的整体集聚度并不高,相比较而言,江南地区的集聚度高于江北地区.从局部上看:r=500m半径下,江北地区的集聚度主要反映在建设街新城东路与文化路一段,并在松原宁江客运站附近形成小型的集聚中心,而江南地区则在松原站前乌兰大街形成主要的集聚中心,集聚度不是最高,但覆盖区域较大,成片区式网络发展,并在青年大街西侧沿江西路一带形成集聚的发展态势;r=1 000m半径下,双核心特征开始显现,江南和江北地区均呈现出网络化的形态特征,并在江南地区乌兰大街与郭尔罗斯大路交汇处形成较高的集聚度;r=2 000m半径下,江南地区的集聚度开始增高,而江北地区的集聚度则明显降低;r=3 000m半径下,形成单核心形态特征,江南地区的集聚度突显出来,而江北地区集聚度下降到最低;r=5 000m半径下, 江南地区的集聚度逐渐增高,并向江边扩展;r=10 000m半径下, 江南地区的集聚度进一步扩展到江北地区, 此时集聚度最高的是乌兰大街、中山大街,体现其作为两岸交通联系的重要连接枢纽.

综上,松原市中心城区的双核心结构随着尺度的扩大,逐渐演变成单核心结构,圈层式城市形态显著.江南地区的发展由松原站向北逐渐扩展到江边甚至延伸到江北地区, 而向南则无明显变化.江北地区的集聚度随着半径的扩大而逐渐降低,并由老城区向东转移至中山大街.由此看出,空间句法线段模型集成度分析与兴趣点空间分布特征分析的结果具有一致性.

3.2.2 句法修正分析

为将空间句法生成的路网矢量图与GIS生成的兴趣点密度栅格图进行比较,需要利用网格分析,将中心城区划分为边长1 000m的1 023个网格,分别计算每个网格内路网线段模型集成度平均值和每个网格内落入的兴趣点数量,从而建立关联性分析的基础,形成句法修正分析(见图7).从句法修正分析来看,松原市中心城区的空间形态由双核心向单核心转变以及圈层式扩展的特征更加明显.

图7 不同半径下句法修正分析Fig.7 Syntactic modification analysis under different radii

3.2.3 关联性分析

关联性分析表明,不同半径下的空间集成度与兴趣点数量存在线性关联(见图8).r=1 000m,2 000m,3 000m半径下,关联系数分别为0.86,0.84和0.81,关联程度最高;r=500m,5 000m半径下,关联系数分别为0.77,0.73,关联程度较高,在r=10 000m半径下,关联系数为0.58,关联程度一般.

图8 不同半径下集成度与兴趣点数量关联性分析Fig.8 Analysis on the correlation between the integration and the number of POI under different radii

3.3 功能区识别分析

借助GIS空间分析手段,将兴趣点数据与网格分析建立空间连接,计算每个网格内落入的不同功能类型的兴趣点数量占比,如果某一功能类型的兴趣点数量超过该网格内兴趣点总数的50%,则该种功能类型将识别为该网格的功能类型.运用这种方法,得出松原市中心城区功能区识别图(见图9).

图9 功能区识别Fig.9 Functional district recognition

分析中采用两种不同精度的分类标准,一种精确到功能分类的7个大类,另一种精确到功能分类的21个中类.如果功能识别精确到大类,则被识别最多的是商业服务业设施用地(B),而部分公共管理与公共服务用地(A)被识别出,绿地与广场用地(G)和居住用地(R)的识别性较低,工业用地(M)和物流仓储用地(W)以及道路与交通设施用地(S)则几乎识别不出,这与用地性质本身的可识别性相关,也于公众的认知程度相关.在精确到中类的功能识别图中,虽然可识别出的区域较少,但是却更加准确,其中商业设施用地(B1)的形态特征与兴趣点密度和路网句法分析的结果相一致.

4 结果验证

为校核兴趣点功能识别的准确性,将功能识别结果与松原市城市总体规划进行验证分析.

(1) 商业服务业设施用地识别. 功能区识别中,对商业服务业设施用地的识别较为准确,不仅将江南地区松原站前步行街、金钻商圈、欧亚购物中心显现出来,还将沿康宁街、郭尔罗斯大路成轴线发展的城市空间发展轴线呈现出来.江北地区步行街商圈的识别性较强.

(2) 居住用地识别. 对居住用地的识别主要集中在沿江一带,如滨江嘉园、宁江湾等.再如地钻小区.由于处在油田工作区,相对独立,所以被识别出.居住用地的识别主要受地理位置和居住环境的影响,居住用地品质高的则识别性较强.

(3) 绿地与广场用地. 对绿地及广场用地的识别均集中在沿江两侧,被识别出的有扶余公园、松花江森林公园等,而像镜湖公园、中山公园等位于城市中心地段的绿地并没有被识别出.

(4) 工业及物流仓储用地. 相较于其他功能类型而言,工业和物流仓储等用地类型由于本身的可识别性不强,又远离城市中人流较多的区域,因此,通过兴趣点识别功能比较困难.在松原市的功能识别中,仅识别出松原石化等大型工业片区.

5 结论

5.1 主要结论

在量化分析结果基础上,对1 023个网格的用地识别分析中可知,有用地功能的有效网格为293个,其中对功能区大类的识别数为248个,识别率为84.6%,对功能区中类的识别数为147个,识别率为50.2%.从总体上看:

(1) 通过兴趣点识别功能区的方法是可行的,且识别的精度越高,识别率会有所降低,但是准确性会提高.

(2) 对不同的用地性质具有不同程度的识别率,其中商业服务业设施用地的识别率最高,准确性也最强,其次是居住用地、绿地与广场用地,而对工业及物流仓储用地的识别率非常低.

(3) 部分没有被识别的地区是因为其用地混合度较高,无法满足某一种功能的兴趣点数量占比超过50%的要求.

(4) 可以通过功能区识别,反映城市空间形态和用地功能的特征及问题.

在空间形态上,松原市中心城区由于江南和江北各中心的发展不足,使得整体上呈现出由“双中心”向“单中心”转变的圈层式发展的空间形态特征,并形成以松花江为发展轴线,江南和江北为发展两翼的空间结构,但由于历史原因和松花江的阻隔,使得江南和江北两个地区呈现出一种不平衡的发展状态,并且空间结构松散[8].在大尺度上,江南地区具有绝对的中心性,但是在小尺度上,多中心的形态并没有完全形成.

在用地功能上,商业设施相对完善,但是缺少城市公共中心,滨江区的开发建设过于依赖居住功能,使得公共服务中心以及滨江绿道的建设受到很大程度的影响.绿地及广场的分布较少且不均匀,人均绿地较低.工业用地出现与商业、居住等用地混合的现象.

5.2 发展策略

本研究对松原市中心城区进行一系列量化分析,从研究结果来看,松原市的城市空间形态和功能均存在单一、不平衡的问题,不能满足松原市作为次级中心城市的发展需求,因此,在此提出具有针对性的发展策略.

(1) 空间形态转变. 城市未来发展应由封闭式的单核心向开敞式的多核心转化,逐步形成双中心为主的多中心组团式带形发展的空间发展格局.强化江南和江北的区域中心性,形成商业、居住、公共服务等不同功能的多中心组团结构,并实现沿江轴线的带形扩展.

(2) 功能布局调整. 整体上利用江南与江北的老城区和滨江区的优势条件,打造城市公共中心,形成两岸连接的功能联系,通过功能布局,加强融合感.

① 对于商业服务业设施用地,应加强对金钻商圈、欧亚购物中心等新商圈的培育,同时增强江北地区步行街商圈的吸引力,使其成为带动江北地区发展的核心力量.

② 对于居住用地,着重改善老城区的居住环境,提高生活设施配套建设,特别是江北地区,应提高居住用地品质,减少滨江区房地产开发,将优质的滨江环境作为公共服务的共享场所.

③ 对于绿地与广场用地,需提升现有绿地和广场的公共服务功能,以吸引居民,提升利用率和可识别性,建设街头绿地,形成多点式的居民活动场所.

④ 对于工业用地、物流仓储用地,应逐步向外转移,并集中成片发展.

(3) 发展差异改善. 着重加强江北地区的发展建设,提高江北地区的中心性地位;通过加强内部联系,缩小江南与江北地区的发展差异,实现两岸联动、平衡发展.

参 考 文 献

[1] 松原市人民政府.松原市城市总体规划(2011-2030).http://www.jlsy.gov.cn,2014.

[2] 吉林省统计局.2016吉林统计年鉴[M].北京:中国统计出版社,2016.

[3] 池娇,焦利民,董婷,谷岩岩,马雅兰.基于POI数据的城市功能区定量识别及其可视化[J].测绘地理信息,2016,41(2):68-73.

[4] 韩昊英,于翔,龙瀛.基于北京公交刷卡数据和兴趣点的功能区识别[J].大数据研究,2016,40(6):52-60.

[5] 中国城市规划设计研究院.城市用地分类与规划建设用地标准[M].北京:中国建筑工业出版社,2011.

[6] 比尔·希利尔.空间是机器——建筑组构理论[M].北京:中国建筑工业出版社,2008.

[7] 徐国威.基于空间句法的小城镇空间网络形态研究—以朝阳镇为例[D].大连:大连理工大学,2015.

[8] 范默.基于地域特征的松原城市发展变迁及规划对策研究[D].长春:吉林建筑大学,2014.