基于POI大数据划分与识别城市功能区

黄慧敏 龙嘉露 吴宁邦 韦二扬

摘  要：准确识别城市功能用地，有助于了解城市内部空间结构，为城市规划与管理提供决策依据。基于道路网对研究区进行不规则分割，选取地理实体占地面积和公众认知度对各类POI数据核密度进行加权，建立城市功能区定量识别方法，输出城市功能区识别结果并进行分析和研究。研究表明，该方法能对城市功能区进行精细划分和识别，识别的总体精度达到70.56%。

关键词：POI大数据   城市功能区   OSM路网   核密度分析

中图分类号：K901                         文献标识码：A文章编号：1672-3791（2021）05（b）-0001-05

Abstract： Accurate identification of urban functional areas is helpful to understand the urban internal spatial structure and provide decision-making basis for urban planning and management. The study area is segmented irregularly based on the road network， the area of geographical entities and the public recognition are selected to weight the kernel density of various POI data， to create quantitative identification method of urban functional areas and to output and analyze the identification results of urban functional areas. The results show that this method can divide and identify the urban functional areas precisely， and the identification accuracy is 70.56%.

Key Words： Point of Interest（POI）;Urban functional areas;OSM;Kernel Density

城镇化使大量农村人口和资源涌入城市，引发城市粗放扩张、功能不齐、交通拥堵、能源紧缺等问题，城市建设与可持续发展面临新的挑战。城市功能分区是城市规划建设的重要基础，已成为城市规划研究的焦点和热点问题之一。精准识别城市功能区及其空间结构，对提升城市规划、改善城市秩序、协调人地关系具有重要意义。

传统的土地普查数据、土地利用数据和遥感影像等具有获取成本高、数据量庞大复杂、时效性差等不足，对城市功能区的研究多停留在宏观层面。随着大数据时代的到来，各种类型的数据大量涌现，如城市兴趣点数据（Point Of Interest，POI）、手机信令数据、轨迹数据等。其中，POI数据包含地物名称、类型、经度和纬度4个方面信息，具有数据量大、精度高和时效性强等特点，能精细地反映出城市活动。不少学者借助大数据技术，利用POI对城市进行功能分区研究，探索城市土地利用和城市发展模式，为深入了解城市空间结构和指导区域空间优化调控提供科学支撑。

1  研究区概况

南宁是广西壮族自治区首府、国务院批复确定的中国北部湾经济区中心城市、国家“一带一路”有机衔接的重要门户城市。全市下辖7个区、4个县、1个市，总面积22 112 km2，建成区面积372 km2，常住人口791.38万人，城镇人口467.88万人，城镇化率63.7%。《南宁市城市总体规划（2007—2020年）》提出城市的主要发展方向：以邕江为轴线，西建东扩，完善江北，提升江南，重点向南。在总体布局形态中，中心城应突出“一轴两带多中心”的发展模式，逐步形成沿邕江两岸串珠式展开、沿其支流纵深发展的城市布局形态。该文以南宁市邕江为轴线，快速环线内的中心城为研究区域，总面积为178.073 km2，具体见图1。

2  数据来源与研究方法

2.1 數据来源

南宁市路网数据来源于Open Street Map （OSM）地理数据平台，POI数据来源于2019年百度地图，共计43 929条。单体POI数据包括名称、类别、地址、经度、纬度等属性信息，共有三级类别。一级类共15类，如餐饮服务、道路附属、政治机构和社会团体等;二级类包括汽车服务、商务住宅相关和住宅区等;三级类包括二手车交易、汽车维修、洗车场等。参考2011年《城市用地分类标准与规划建设用地标准（GB 50137-2011）》[1]，结合南宁市的实际情况，将功能用地分为商服用地、工业用地、公服用地、居住用地、道路交通设施用地、绿地与广场用地六大类。

2.2 划分最小研究单元

道路作为城市发展与建设的骨架、建筑与各类活动空间的依托，对城市发展起到引导作用[2]。作为城市区域自然分割的界线，道路形成的不规则格网单元在承载城市功能影响方面是均匀的[3]。该文对OSM数据进行拓扑处理，删除重复线路、延长断头路、补齐缺失道路线，选取高速公路、主干路、次干路和支路，删除小区路、人行横道和其他道路，使其相交形成闭环，生成以道路为边界的地块作为功能区识别的最小单元，具体见图1。

2.3 POI加权叠加

POI是由实际地物抽象而成的点，功能区单元内POI实体面积和密度在很大程度上代表该地块的用地属性，但仅凭POI的数量和密度不能确定该单元地块利用类型。该文根据地理实体的占地面积和公众认知度[4]以及专家分级打分的方法[5]，对各类POI进行权重调和[6]。核密度估计（kernel density estimation，KDE）顾及了地理学第一定律的区位影响，适用于城市设施服务、交通路段风险评估以及商业聚集空间等研究[7]。核密度公式为：

式中，为独立同分布的n个样本点;f（x）核密度估计值;n为样本总数;h为带宽;k为核函数。

在一定带宽区间内产生的核密度分析结果精度相似，核函数对核密度估计结果影响很小，而带宽的影响较大[8]，需选择合适的带宽进行核密度分析。该文经过多次实验分析将研究区带宽区间设置为[300m，400m]。

2.4 功能区复合类型确定

利用不规则道路网划分的城市功能区单元来分割各类型POI的核密度，并计算各地块单元内各类POI核密度所占比例，通过构建类型比例（Category Ratio，CR）来识别城市功能区性质[9]，公式为：

式中：i为POI的类型;n为各类型POI的数量;Ci表示类型比例，表示每一个地块单元内第i种类型POI的频率密度;di为第i类POI在地块单元内的核密度值;D为单元中所有POI类型的核密度总数。

对划分后的每个地块单元进行统计分析，根据公式（2）分别计算出每个单元内6种POI类型的类别比例，将类型比例的阈值设定为50%，以此来区分每个单元的功能区性质。功能区分为3种：（1）单一功能区，一个地块单元内存在一种POI类型的Ci值大于50%，则该地块单元即为单一功能区，功能区性质则由该POI类型决定;（2）混合功能区，一个地块单元内所有POI类型的Ci值均小于50%即为混合功能区，将Ci值按从大到小的顺序排列，功能区性质由Ci值较大的两类POI决定;（3）无数据区，地块单元内不包括任何POI数据，当频率密度为0时，该地块单元则被划分为无数据区。

3  结果分析

3.1 城市功能区识别结果

根据实验结果，南宁市共有20种功能区类型（见图2），包括6类单一功能区和14类混合功能区。在1 341个研究单元中，单一功能区共计850个，占总功能区数的63.4%，混合功能区有444个，占总功能区数量的33.1%，无数据区共计47个，占总功能区总数量的3.5%。

3.2 功能区空间分布特征

单一功能区以居住用地、公服用地和绿地与广场用地为主（见图3）。居住用地数量最多且占地面积最大，地块数共计281块，面积47.58 km2，占研究区总面积26.73%。南北差异明显，邕江以北居住用地地块多、面积小、分散独立，邕江以南则面积大、聚集成片。其次是公服用地，共计162块，面积约为32.04 km2，占研究区总面积为17.97%，主要分布在西乡塘区和青秀区。绿地与广场用地地块共计42块，面积约为21.8 km2，占研究区面积12%，地块单元面积大，分布独立分散。

混合功能区以居住-公服用地和居住-商服用地、商服-公服用地为主（见图4）。（1）居住-公服用地连片簇集，占地面积最大，地块数量共计85块，面积约为23.07 km2，占研究区总面积为12.96%，主要分布在邕江北部。（2）居住-商服用地，地块总共有120块，分散分布在邕江北部。（3）商服-公服用地共计110块，邕江以北地块数量多，多分布于人流密集地段，邕江以南则集中分布在邕江附近，地块数量少、占地面积大。

3.3 识别结果精度评价

混淆矩阵是广泛使用的目标分类精度评价方法，该文采用混淆矩阵对识别结果进行验证分析。参照2021遥感影像图、谷歌地图和南宁市城市总体规划（2011—2020年）——中心城用地规划图作为混淆矩阵的真值，从每类功能用地中随机选取30个功能地块建立误差矩阵对分类结果进行评价，具体见表1。

公服用地、工业用地、绿地与广场用地的占地面积大、公众认知度高，权重较大，识别精度较高，分别为0.8、0.7、0.833。居住用地和商服用地主要分布在市中心，功能类型复杂，且多以混合为主，而交通设施用地虽然数量多，但占地面积小且公众认知度低，在城市功能区识别中不具有显著性，故这3类功能用地识别精度较低。

综上所述，基于POI数据定量划分和识别城市功能区的方法是可行并有效的。为了验证识别结果的准确性，将实验得到的功能区分布图与遥感影像地图、百度地图以及南宁市总体规划图（2011—2020年）对照分析，选取典型区域进行验证分析。

图5中选取广西大学作为验证区域，（1）为识别结果，（2）（3）（4）分别为遥感影像图、百度地图和总体规划图。广西大学识别结果为公服用地，周边有商服用地、居住用地、居住-商服用地，对照该区域的百度地图，广西大学旁分布了南都大厦、灵秀公寓、富达花园等，与规划图的功能分区基本一致，功能区识别结果较为准确。

4  结语

（1）与传统的城市功能區识别方法相比，该文的研究方法能够较精准识别出城市各类功能区，且识别效率高，识别的总体精度达到70.56%，混淆矩阵Kappa系数为0.65。

（2）南宁市各类型功能用地大体上空间分布均匀、分散，表明中心城空间结构较合理，产业协同发展。但城市公共资源在新老城区分配不均衡，与规划提出的“一轴两带多中心”的发展模式仍有差距。

（3）该文收集到的城市规划数据、遥感影像等有滞后性，实验结果与其比对存在一定的差异。POI数据核密度权重赋值受主观因素影响较大，部分功能用地识别精度不高。未来将结合多时相POI数据，重点挖掘可信的社交媒体、手机信令、导航GPS、可穿戴设备和群智设备等大数据，全面感知城市功能区演变特征及其驱动机制，为城市土地利用精准规划与可持续发展提供支撑。

参考文献

[1] 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：GB50137-2011[S].北京：中国建筑工业出版社，2011：4-6.

[2] 王俊珏，叶亚琴，方芳.基于核密度与融合数据的城市功能分区研究[J].地理与地理信息科学，2019，35（3）：66-71.

[3] 薛冰，赵冰玉，肖骁，等.基于POI大数据的资源型城市功能区识别方法与实证——以辽宁省本溪市为例[J].人文地理，2020，35（4）：81-90.

[4] 赵卫锋，李清泉，李必军.利用城市POI数据提取分层地标[J].遥感学报，2011，15（5）：973-988.

[5] 胡晓鸣，黎小龙，蔚芳.基于POI的城市功能区及其混合度识别研究——以重庆市核心城区为例[J].西南大学学报：自然科学版，2021，43（1）：164-173.

[6] 李强，郑新奇，晁怡.大数据支持的武汉市功能识别与分布特征研究[J].测绘科学，2020，45（5）：119-125.

[7] 禹文豪，艾廷华，杨敏，等.利用核密度与空间自相关进行城市设施兴趣点分布热点探测[J].武汉大学学报：信息科学版，2016，41（2）：221-227.

[8] 丁彦文，许捍卫，汪成昊.融合OSM路网与POI数据的城市功能区识别研究[J].地理与地理信息科学，2020，36（4）：57-63.

[9] 池娇，焦利民，董婷，等.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.