基于POI数据的上海城市功能区识别与绿地空间评价

姜佳怡 戴 菲 章俊华

国内外城市规划及绿地规划的成功经验表明，在满足城市人口、建筑等基本需求的前提下，城市功能区的混合程度越高，越有利于城市发展，单一功能区的过度集中会明显降低地区活力，影响城市发展[1]；而居住、绿地、办公等密切相关功能类型在时空范围内混合程度越高，越有助于节能减排，降低城市能耗。这一影响在城市中心及副中心的表现尤为明显。对现有城市功能区混合程度的研究有助于有针对性地对城市空间结构及绿地空间结构进行评价与优化[2]。

中国目前城市功能区识别与划分研究主要有2类：1)基于调查统计与专家评价的经验主义模式；2)基于遥感影像，应用RS(Remoting Sense)和GIS(Geography Information System)技术进行城市功能区识别及土地利用变化监控的综合模式。尽管公众参与被纳入传统专家评价体系[3]中作为基础资料收集的重要环节，基于遥感影像及景观格局演变等多种方式结合的手段也弥补了传统方法在客观性上的劣势，但以上方法在实践应用中，仍受到众包数据来源[1]及遥感影像获取与处理难度的限制[4]。基于RS和GIS技术的卫星影像解译模式，只能将景观要素识别为农田、城乡建设用地、水域、疏林草地、森林、裸地6类，更适合进行基于时间维度的城市景观格局演变监控研究，在空间维度上较难细化。

城市兴趣点数据主要是指涵盖城市交通设施、餐饮设施、学校、风景名胜区等具有地理实体的城市设施的位置与属性信息[5]。借助POI数据进行城市功能区识别与划分在精确度、时效性与可操作性上都具有一定优势，表1对目前相关实证研究进行了统计。不同地理要素可识别度的差异决定了POI数据分类与赋值的重要性，风景园林领域尚缺乏相关研究，而城市研究多集中于功能区识别与优化策略的宏观尺度，缺少对其中某一类别功能区现状识别与符合度研究。本研究在城市研究领域POI数据分类与赋值方法基础上，聚焦上海城市绿色基础服务分布与辐射范围，在功能区识别的基础上重点研究实际功能区分布与规划功能区分布的异同，进行城市绿地符合度评价，并基于用地现状图对功能区识别图结果进行验证。

1 研究区域与数据来源

1.1 研究区概况

本研究以上海为研究对象，研究范围包括虹口区、黄浦区、静安区、浦东新区等16个市辖区，总面积6 833km2。

1.2 研究数据

本研究数据来源为高德地图公开的2016年上海市POI数据(共552 385条数据)，每条数据都包含经纬度、行政区及名称等8条基础信息。数据根据线性从属关系，分3个层次：12大类、93中类、432小类，各类别间可能存在重复与交叉。本研究在上海城市定位的基础上，借鉴Frank基于地理信息特殊性提出的适用于GIS的分类方法[12]从POI数据普遍性、一致性、扩展性、延伸性、公共性等特质出发，对以上数据进行再分类(图1)。

2 研究方法

2.1 空间识别方法

本研究认为，单位空间中POI数据点密度与类型可直接反映空间类型。以1km×1km栅格将上海市划分为13 094个研究单元，将POI数据导入ArcGIS后，计算落入每个样方的点数与样方面积的比值。

其计算公式为：

式中，Di为区域的POI数据点密度分数(分/km2)；Ci为区域的POI数据点数量；Si为区域的面积。

2.2 POI点赋值方法

由于现实世界中不同空间类型、面积大小、所在区域等对使用者的影响不尽相同，因此需对不同类型POI数据进行再分类与赋值后才可应用于空间识别。例如，单位空间的实际POI点个数为5个，对POI数据进行分层分类赋值后每个点的值分别为10、10、20、30和30，那么赋值之后单位空间内POI点数量可识别为100个。本研究定义大类数据权重S1=1，同一大类下不同中类两两一组计算权重系数，两者之和为1。其计算公式为：

表1 POI数据在城市研究与风景园林领域的应用现状

图1 POI数据分类与赋值框架(作者根据参考文献[5]、[10-19]绘制)

式中，n为每组大类下中类数目；S2为中类赋值结果。

每个中类之下的小类赋值区间为S3∈(0,100]，每组中类之下各小类内部的POI数据之间存在一定的影响力差异，为使研究结果更加清晰，本研究将内部差异作为可以接受误差忽略。综合权重为3个层次(大类、中类、小类)权重乘积。计算公式为：

由于不同类别的POI数据量纲存在差距，例如绿色基础服务类为8 237个，道路与交通服务区类为66 189个，为了平衡数据量纲差距，需要对综合权重后的POI赋值进行标准化处理[20]。计算公式为：

式中，Ni为每组大类数据总量。

2.3 叠加分析

空间属性则根据每类P O I数据占比得出，首先计算各大类POI数据空间分布现状，然后叠加分析空间属性。默认某一大类POI数据的C值超过该单元空间50%时，该空间可被识别为该类型，当所有大类叠加占比都分别小于50%时，该空间则被识别为混合功能区。

其计算公式为：

3 结果与讨论

3.1 上海城市功能区划分与识别

按上述方法对上海市域范围内进行六大类功能区识别如图2，图示结果为6类功能区分别识别图及其对应C值范围，每类功能区对应C值范围不同，并以此作为功能区识别的基础。由于本文引入绿地面积，因此结果具有普适性，结果表明，高密度城区城市化程度较高，整体可识别性强，更适合借助POI数据来进行各类城市要素的评价与优化研究。

对不同功能区叠加分析如图3，市域范围共13 094个研究单元，无数据区5 974个，主要分布于湖泊、水系、农田、林地、滩涂等兴趣点缺失地带；混合功能区2 232个，从城市中心地带向外递减。单一功能区4 888个，分布如图4所示，从城市中心向外递增。

3.1.1 单一功能区

表2为单一功能区数量及占比结果，其中，交通类和公共设施类功能区占单一功能区主体，分别为34.6%和20.5%，住宅类和商业类功能区占比重较小。交通类及公共设施类要素占地面积较大，相对容易形成单一功能单元；商业类要素通常分布于混合功能区集中的城市中心地带，有利于丰富购物体验；住宅类单一功能区占比较低，但空间分布集中，需有针对性地进行局部优化。

图2 基于POI数据的上海城市功能区分类识别图(C值)

图3 基于POI数据的上海城市功能区叠加识别图(C值)

图4 基于POI数据的上海城市单一功能区分类识别图

图4结果显示，绿地类单一功能区主要分布于青浦区、松江区、奉贤区、浦东新区的非中心城区及崇明县。青浦区绿地类单一功能区毗邻大量住宅类单一功能区，绿地连接度较弱，限制了绿色基础设施在该区域的辐射作用，整体用地类型较为单一，不利于地区后续发展。

奉贤区城市绿地类单一功能区主要与公共设施、交通类单一功能区相邻，虽然从研究单元(1km×1km)上来看城市绿地与其他功能区混合度较差，但从区划尺度看，能够实现区域内各类城市要素混合分布。构建城市绿道优化奉贤区绿地类单一功能区在空间上的连接度与可达性可以平衡部分因城市用地结构而消减的绿地服务性能。基于区域发展目标，响应保护崇明岛、浦东南部等重点生态岸段，控制岸线开发强度的主要建设要求，该区域单一绿地类功能区分布与发展目标基本同步，未来可在生态建设目标基础上进行绿色岸线完善。

3.1.2 混合功能区

本文定义当一个单元格内没有一个大类的C值大于等于50%，且该单元格非零时，可将其识别为混合功能区。当混合功能区内POI类型比例最高的2类都大于等于30%时，定义该研究单元为低混合区；最高的3类都大于等于10%且小于等于25%时，定义该研究单元为高混合区，仅对含绿地类的混合功能区进行统计如表3。结果显示，绿地类混合功能区以高混合功能区为主，以单一功能区及高混合功能区为主，缺少从单一功能区向高混合功能区过渡部分，针对单一功能区的提升方案较为迫切。

上海中心城区内研究单元共计861个，无数据区32个，主要位于无可识别地理兴趣点的黄浦江河面段；单一功能区，占比11%；混合功能区738个，占比86%。从功能区混合程度来看，上海中心城区中的混合功能区占市域范围内混合功能区总数的37.1%，从区域面积来看，中心城区面积为660km2，占市域范围的9.7%。因此，从上海中心城区功能区识别的最终结果来看，中心城区混合度较高，城市结构较为合理。

3.2 分层识别结果解析

除了结合其他大类数据进行横向对比，POI分层分类特点保证了结果的层次性。以绿地大类下分的4大中类：1)公园绿地(除专类公园以外的部分)，2)专类公园，3)生产、防护、附属绿地，4)其他绿地为例，进行POI数据绿地大类分层分析。

由于3)生产、防护、附属绿地及4)其他绿地缺少可识别的地理兴趣点，POI数据对其识别度较低，而这部分数据恰恰是人眼相对易于识别的农田、林地等区域，可以通过遥感影像补充缺失数据，而位于城市建成区之中的绿地类型则相对难以识别，基于POI数据的城市绿地识别可实现中类数据4类可视化以及小类数据的20类可视化，深化城市绿地评价语优化，对于评价及指导城市绿地，尤其是高密度城区绿地建设具有实际意义。

如图5所示上海城市公园绿地呈现从中心向外围逐渐减弱的趋势，非中心城区绿地连接度低，中心城区内部分布不均，尤其是沿海沿江地带，可依托现有绿地基础，加强沿海防护林带、湿地和水生植物区的生态保护。总体而言，上海目前的城市公园体系距城乡公园体系的建设目标还有较大差距。

3.3 符合度研究

图5 基于POI数据的上海城市绿地中类识别图

图6 基于POI数据、遥感影像的上海城市功能区识别对比图

图6基于遥感影像地图、公园绿地现状分布图、2015年上海城市用地规划现状图和POI数据的城市绿地及其他功能区识别图，对比不同类型的城市功能区识别与绿地优化策略研究可以发现，相较于传统的专家评审模式，POI数据更加直观；对比遥感数据进行景观要素提取的城市绿地研究后也可以发现，遥感进行景观要素提取时在分类方面局限于建设用地、裸地、疏林草地、森林、农田、水域几类，POI数据再分类后可以细化到3个层次、上百个类别，弥补了遥感数据在空间上的细化程度。

为保证基于POI数据的城市功能区识别与绿地空间评价结果在微观街区尺度上的准确度，本研究对上海功能区识别结果进行符合度验证，分别在中心城区及非中心城区选取25个单元(地球坐标系)，随机获取所有研究单元及对应坐标，转换成百度坐标系后，通过坐标反查结果进行对比研究。符合度打分共4个层次，0代表完全不符合，1代表较为不符合，2代表较为符合，3代表完全符合。符合度计算公式为：

式中，n为抽样单元数，Xi为街区符合度得满分，xi为街区符合度的实际得分。

表4符合度结果显示，上海功能区识别总体准确率为90.67%，证实了基于POI数据的城市功能区识别模型的准确度。其中，抽样结果中的低符合度区域主要位于远郊地带，如永安居住小区、济阳路跨线桥和松江老城等地，这一差异主要受低密度城区POI数据量少的影响，总体而言，基于POI数据的城市功能区识别与空间优化具备可信度。

4 总结

4.1 基于POI数据的城市绿地空间研究优势

POI数据具备时效性强、成本低、易获取等优势，监控城市用地变化与绿地结构的成本较低，在推广上具有一定优势。但受数据分析方法的影响，街区尺度应用尚有局限。基于POI数据与GIS的城市空间识别可以实现不同空间类型和同一空间类型2个层面上绿地建设现状分析与把控。在一致性方面，城市不同发展阶段的绿地建设要求存在差异，但整体来说，城市建设需要具备连续性与一致性。基于POI数据可以实现在城市绿地建设多尺度监控，实现城市绿地在时间与空间范围上的连续性与一致性。

表2 上海市市域范围内各单一功能区识别结果分析

表3 上海市市域范围内各混合功能区识别结果分析

表4 上海市市域范围内各混合功能区识别结果分析

4.2 POI数据应用的局限性

在数据分类与赋值方面，不同城市在城市定位、人口组成、出行模式等方面都具备地域特点，因此，POI数据分类与赋值需要更具地域特性。在研究区域选择方面，针对不同研究对象，街区尺度划分依据或栅格单元大小选择上的机动性要求更高。在数据特性方面，POI数据与建筑实体之前的对应性更强，因此，POI数据应用于城市绿地时，在分类赋值方面的要求更高。

4.3 可改进的方向

在数据分类与赋值方面，可将城市发展定位与城市类型纳入赋值中来。例如，旅游型城市的风景类POI数据赋值比重及细化程度更高，国际化都市的数据综合性要求更高。在研究区域选择方面，基于栅格与街区单元的样方密度法、基于街道的核密度法直接决定于城市发展定位与城市都市区面积。区划尺度与街区尺度可依据路网密度和道路结构等信息，灵活选择。例如，北京城市路网密度较低，在进行中观区划尺度与微观街区尺度的研究时，以道路作为单元划分依据会出现单元过大研究不够深入的问题。这种情况下可以考虑设置栅格大小进行研究区域划分的方式，而结合核密度法的数据分布现状则可以更直观地以引力模型的结果呈现城市空间现状。在数据特性方面，POI数据与建筑实体之间的对应性更强，在利用POI数据进行城市绿地相关研究时，引入“用地面积”增加绿地可识别性。

4.4 未来可发展的方向

对比POI数据在城市规划领域的研究，风景园林领域对POI数据的应用尚处于起步阶段，在POI数据分类与赋值部分仍存在一定的主观性，本研究为避免这一问题，通过用地现状图与遥感影像图对数据运算结果进行复查与检验。虽然复查结果反证了本研究分类赋值框架的准确度，但城市绿地空间的POI分类与赋值在针对：1)不同面积(结合遥感影像，进行面积赋值)、2)研究重点(某一类别POI数据可视化分析)及3)研究视角(结合街道尺度人口普查数据、不同出行模式的多视角交叉分析)分类与赋值框架构建尚存在可探讨空间。而从数据收集方面来说，结合手机信令数据、建筑传感器、移动媒体等多源地理大数据的交叉研究在未来将会得到更多应用。

注：文中图片均由姜佳怡绘制。

致谢：感谢国家留学基金委公派研究生项目对本研究的资助。