基于多源数据融合技术和数据可视化的中小城市空间格局优化方法

摘要：为解决中小城市空间格局规划不合理的问题，以成安县为例，提出基于多源数据融合技术和数据可视化的中小城市空间格局优化方法。该方法利用多种采集设备对成安县的GIS数据进行充分采集，利用改进的神经网络对GIS数据进行融合；基于ArcGIS软件运用平均最邻近指数和核密度估计法全方位分析空间格局特征；以绿视率、天空可视率、设施便利性最大化，机动车出现率最小为目标，构建城市空间格局优化模型，获取在最佳城市空间格局优化结果。通过实验结果可以看出采用神经网络对多种GIS数据融合结果较为准确，并能够可视化展现出融合前后的GIS数据特点。城市空间格局优化后，增加了城市绿视率、天空可视率、设施便利性，降低了机动车出现率，能够有效提升城市居民的生活幸福度。

关键词：数据融合；数据可视化；中小城市；空间格局优化；GIS采集；空间分析

中图分类号：TU984 文献标志码：A 文章编号：1001-2443（2024）06-0557-07

引言

城市设计主要是设计城市的空间分布形态以及城市功能［1］。空间格局设计一直在城市设计中起着重要的作用［2-3］。至2018年底，中小城市GDP占全国84.89%。在中国大陆共有中小城市2809个［4］，中小城市发展飞速［5］，潜力巨大，它是改变城乡二元结构［6］，吸纳城镇化人口的主要力量，也是乡镇与大城市的过渡带。现有的中小城市的空间格局设计由于投入资金有限，主要侧重经济层面，改造模式追求利益至上，未充分考虑空间格局中城市居民生活的便利性和生活幸福度［7］。因此，中小城市的空间格局亟待进行设计优化。

针对城市空间格局设计目前有许多学者进行了充分的研究，如：陆化普等人提出的基于TOD模式的城市空间结构优化研究［8］，该方法采用肌理分析方法，对城市的土地极易交通进行了研究和分析，解释了人口分布与交通的耦合关系，分析我国TOD发展的情况，将城市空间以及交通系统二者进行融合，从宏观、中观、微观3个层级着手对城市空间结构进行设计。吴倩莲等人提出空间结构优化方法［9］，该以常州市为例，以城市生态空间和社会服务功能为基础，构建两类生态网络，并对网络进行定量分析保证网络的连通性和稳定性，确保空间优化后能够改变城市居民的生活状态。李震等人研究的城市空间结构优化路径［10］，该方法以城市空间结构发展的矛盾为核心，将制约城市发展的主要问题进行抽象并分为多个方面，提出“融合—适应—协同”的问题解决方式，深度挖掘出供需关系的矛盾根本，从多方面进行问题处理并规划出最大程度降低矛盾的城市空间结构。

以上研究成果未充分融合多源数据，无法为空间优化设计提供良好数据，因此应用在中小城市空间优化设计中的结果并不理想。数据融合能够存在强大的容错性，且数据处理时间短，能量消耗低工作效率高。且得益于云计算平台的完善，数据可视化技术的进步，规划数据更容易获取。为了解决研究中的问题，进一步提升空间格局设计效果，引入数据融合技术提出基于多源数据融合技术和数据可视化的中小城市空间格局优化方法。以成安县为例，首先采用多种方法采集成安县的多种GIS数据，创新性地考虑到先验信息和不变性两个重要的因素改进多层前馈网络，利用改进的多层前馈神经网络进行数据融合，为数据分析提供良好数据。基于ArcGIS软件，采用最邻近点指数和核密度估计法分析融合数据的空间分布特征，构建优化目标对城市的空间格局进行优化。

1 中小城市空间格局优化

1.1 研究区概况

成安县位于河北省邯郸市东南部，坐标为东径114°29'-114°53'，北纬36°18'-36°30'，周边与广平县、魏县、临漳县，邯山区、肥乡区交界。距省会210公里，紧邻邯郸市主城区，区位优势明显，是邯郸主城区与东部地区联动的重要通道，是市区要素紧密流动的核心圈层。全县面积480平方公里。截至2021年10月，成安县下辖6个镇、3个乡，另有1个经济开发区——河北成安经济开发区，共239个行政村。

1.2 成安县整体数据采集与融合

为对成安县的城市空间格局进行优化，需要首先通过GIS对成安县的整体数据进行采集［11］，并进行数据融合从而得到全方面的简洁的成安县数据［12］。

1.2.1 地形数据 根据GDEM30米数字高程数据分析，成安县地势西北略高、东南略低，最高海拔65米；最低海拔50.5米。进一步利用ArcGIS对数字高程栅格进行坡度分析，成安县地形单一且平坦，东北部偏低，因漳河常泛滥改道，造成中小型地貌多而杂乱，可分为二坡地、低平地、缓岗等地形。

1.2.2 交通数据 县域交通便捷通达，距邯郸马头机场仅15公里。青兰高速、邯郸绕城高速纵横交汇，曹前线（G515）、邯临快速路、茶柳公路（S212）贯通南北，邯大公路（S313）、馆峰公路（S347）、成峰公路（S315）、魏峰公路（S349）连接东西，形成“连接东西的大交通网络及半小时上高铁，1小时进机场，3小时进北京的便利交通条件。成安县的路网体系在20世纪90年代基本构建完成，城区有主要街道11条，总长度8.4公里，整体呈现东西走向和南北走向的方格式道路网络，经过30年发展，按照三级路网体系，城区构建起来了“一环、七横、十纵”骨架网络结构。“一环”以德圣路、平安大街、聚安路、东环路形成小外环；“七横”即邯大公路（城区段）-北环路、学苑路、新兴路、有所为路、朝阳路、玄武路、聚安路；“十纵”即聚良西街、聚良大道、彭魏街、平安大街等。

1.2.3 建筑数据 1950年，城区东南角建设工人俱乐部、音乐厅、图书室等，1963年建成安剧院，面积1200平方米。1985年，公共建筑总占地面370398平方米，建筑面积94158平方米；1990年建筑总占地面积69.03万平方米。2018年，成安县境内城镇化水平达到了51.11%，城镇面积扩大到了19km2。在成安县共铺设各类管网72公里，完成10条道路的竣工通车。

1.2.4 GIS数据融合 采用神经网络对上述各种GIS数据进行融合形成地形、交通、建筑等融合图［13］。

神经网络的结构确定如下：为了让神经网络结构训练简单，本文数据融合采用多层前馈网络进行数据融合。多层前馈网络结构可以不经过学习便可确定数据关系，但存在融合漏洞。为了提升融合效果，因此改进多层前馈网络，在网络的设计中着重考虑到先验信息以及不变性两个重要的因素。采用任意中心向量与输入向量二者距离进行判断输入向量属于某一类别，利用公式表达为

[fX=αexp-X-P21μ2] （1）

式中：输出向量采用[X]表示；任意类中心向量用[P]表示；宽度[1μ]；系数[α]；式（1）中的宽度系数以及变量中心可通过网络的权值衡量，由此可以根据这些参数确定该层的神经元个数，使得该层具有明确的含义。在此基础上建立网络结构。将网络中的隐含层权值设为式（1）中的宽度系数，以及变量中心。通过3层多个神经元的转换，各层对应连接，隐含层最后为输出向量属于某一类的程度，根据加权平均计算得到最终的成安县城市GIS数据融合结果。

上述神经网络结构中每层的含义如下所示：

[A]层（输入层）代表了向神经网络中输入的各种成安县的GIS数据（[x1]、[x2]...[xn]代表不同GIS数据），[A]层与[B]层二者之间[Pi]为权值表示中心向量；将[B]层神经元输出视为不同中心向量与输入的向量值之间的距离；高斯函数及其系数分别为[B]层与[C]层之间、[C]层与[D]层之间的权值；通过输出层[E]最终输出融合后的成安县数据。

1.3 基于ArcGIS的成安县城市格局空间要素分析

对于融合后的成安县数据需要对其进行分析之后才能对成安县的城市空间格局进行优化，采用ArcGIS软件对融合后的数据进行全面分析。该软件对城市的空间分析最常用的两种算法是平均邻近指数法以及密度估计法。

1.3.1 平均最邻近指数法 我们可以将一栋独立的建筑视为一个点，采用最邻近点指数公式便可以表明这些点的空间分布特征［14-15］。计算成安县建筑空间凝聚特征，公式为

[R=rr′=2D=2nA]" " " " " " " " " " "（2）

式中：理论最近距离为[r′]；建筑点的密度为[D]；邻近点指数采用[R]表示；区域面积采用[A]表示；[n]为点数；实际最近距离为[r]。当[Rlt;1]时，建筑点呈现凝聚状态分布；[R=1]时，建筑点呈随机分布；其余状态建筑点呈均匀分布。

1.3.2 核密度估计法 该方法的主要作用是用来描述在一定空间内，任意事件在空间中发生的概率。该方法以数据作为基础，能够避免参数估计的缺点，对成安县的建筑空间分布的程度进行测度。将空间内任意的一个点设为[X]，并设置多个采样点分别为：[X1]、[X2]、[X3]、...、[Xn]，和密度估计公式为

[Fnx=1nhi=1mkx-xih] （3）

式中：[x-xi]表示事件[x]与事件[xi]距离；[k]表示核心；[h]表示带宽，[h]越小结果越准确。

根据以上两个指标的计算结果，采用ArcGIS软件对成安县的建筑、绿地等城市格局进行空间分析，并根据分析结果进行成安县的城市空间格局优化。

1.4 成安县城市空间格局优化

考虑城市居民的生活便利性和幸福感，基于绿视率、天空可视度、设施便利性、机动车出现率建立空间格局优化目标函数，实现空间格局优化。

1.4.1 绿视率 生活街道绿视率指生活街道空间中人视野范围内所能看到的绿色植物占整个视野面积的比例，即绿色植物等要素在图像中所占的比例。具体计算公式为

[绿视率=绿化面积城市总面积×100%] （4）

以往研究中所涉及的绿化指标中的“绿化覆盖面积”“绿地率”等是从鸟瞰视角出发来计算绿化程度与场地面积之间的关系。然而，绿视率则是基于人视角的大规模绿化程度的评估。绿视率体现的是三维的视觉感受，能最大程度地反映人的使用感受。生活街道空间中的绿视率水平直接影响着空间品质。研究表明，街道绿视率水平会不同程度地影响着使用者的心理感受和生理反映。绿视率水平高的生活街道空间，该空间中的绿化效果普遍更好，提供使用者更多停留的机会，也会对该空间微气候产生积极影响。

绿视率能够反映出生活街道空间中使用者对于绿量的真实感知情况，是衡量生活街道空间品质的重要指标。日本学者折原夏志以人视角的感知角度，将街道空间绿视率进行等级分类，分别为不同等级：绿视率区间分别为[（0，5%]]、[（5%，15%）]、[[15%，25%）]、[[25%，∞）]时，对应的绿化感知水平分别为差、较差、一般、较好。

1.4.2 天空可视度 生活街道天空可视度是指生活街道空间中裸露出的天空面积占整个视野面积的比例，能直接地反映出该空间的视线开敞程度，即能够看到的天空面积在图像中所占比例。具体计算公式为

[天空可视度=天空面积城市总面积×100%] （5）

生活街道天空可视度受街道天际线形态和两侧建筑高度等因素直接影响，该指标的水平影响使用者视觉感知与空间体验。开敞的空间以及开阔的视野会给予人以身心愉悦之感，但过于开阔的天空会降低生活街道空间使用体验。若该指标过低会造成使用者视觉上的阻塞感与心理上的压抑感，同时会阻碍空气流通，不利于良好的城市环境营造。因此，过度的天空可视度水平会降低生活街道空间的品质。

天空是生活街道空间的视线背景，其与街道空间两侧建筑、绿化种植相呼应，丰富了生活空间的视觉层次。古时街道两侧建筑密度、高度均很低，百姓可以拥有较开敞的天空视野。如今，飞速发展的城市建设使得高楼林立，生活街道空间的天空开敞度也不断被压缩。生活街道空间中适宜的天空可视度会给使用者良好的生理及心理上的保障，良好的视觉效果使人身心放松、心情愉悦。良好的通风环境会减少低空污染物、缓解热岛效应。

1.4.3 设施便利性 生活街道设施便利性是指生活街道空间中为使用者行为活动提供方便的设施水平，是居民行为和互动的基础，即路灯、桌子、椅子、楼梯等要素在图像中所占比例。具体计算公式为

[设施便利性=设施面积城市总面积×100%]" " " "（6）

生活街道设施便利性水平会影响该空间活力以及使用者在该场所内的停留时间，研究表明，公共空间中的休憩长椅可以增大人的停留时间，从而增加空间的使用率。基于生活街道空间的特性，使用者大部分的日常活动和社会性互动发生在街旁墙边、商业服务门旁以及服务设施旁（长椅、桌子、路灯、楼梯等）。该空间中的设施方便居民使用的同时也增加了生活街道空间的活力与品质水平。

1.4.4 机动车出现率 生活街道机动车出现率是指生活街道空间中来往机动车的流量水平。在本研究中，通过某一时刻定格下的街景图片中机动车在图像中的面积占比。具体计算公式为

[机动车出现率=机动车面积城市总面积×100%] （7）

生活街道机动车出现率水平能反映出城市机动化水平的发展，该水平过高既不利于城市环境的绿色发展，亦对步行者及非机动车使用者带来一定困扰和安全隐患。机动车出现率较高的街道空间，一般通过增加绿化量与服务设施，来改善使用者的出行方式，从而降低机动车出现率。机动车出现率水平与该生活空间品质水平呈负相关。

现今城市中的生活街道空间的通行方式大多以机动车为主，且对于生活街道的建设大多以机动车优先，这很不利于慢行交通的发展。但为满足人们的高效率出行与环保出行的不同需求，生活街道空间中的机动化程度与慢行系统的完善程度应保持一种动态与尺度的平衡。然而，机动车数量的剧增，显然打破了这种平衡，亦给交通带来巨大压力，且机动车出现率水平较高也会降低使用者的出行安全性，因此，对于成安县生活街道空间的机动车出现率进行测度可以直观地展示街道的机动车交通情况，反映空间机动化水平。

1.4.5 城市空间格局优化模型 根据上述的条件建立城市空间格局优化模型。

[maxF1maxF2maxF3minF4] （8）

其中：[F1]代表绿视率；[F2]代表天空可视度；[F3]代表设施便利性；[F4]代表机动车出现率；

公式（8）的约束条件为

[m≠ejxjejm≤1;∀j∈D] （9）

[mxjum≤1;∀j∈U] （10）

[sj+i∈Bjmxium≥bmxjum;∀j∈U] （11）

[xjum∈0，1;xjejm∈0，1;xjk∈0，1] （12）

其中：土地利用位置为[j]；土地利用类型为[m，m=1，2，…，k]；土地利用面积为[k]，已利用土地集合为[D]；未利用土地面积为[u]，其集合为[U]；[Bj]表示[j]周围未利用土地集合；[j]土地类型为[ej]；[j]周围已利用土地距离为[sj]；[j]距最近已利用土地为[dj]；[j]周围最低利用土地数[b]。

式（9）确保土地建筑规划距离，式（10）改变当前土地类型最小花费，式（11）使周围环境兼容最大化，式（12）保证土地建筑类型单一。

1.5 可视化展示

基于上述的市空间格局优化模型对城市进行充分的空间格局优化，并采用CityEngine可视化平台进行全面展示，通过该平台能够快速准确地显示出成安县目前详细的城市空间格局，以及成安县的多方面数据，例如建筑高度、城市绿地范围、交通规划、人口密度等，并可以展现出规划完成后的成安县各种数据。

2 实验分析

通过多种方式采集成安县的GIS数据并利用CityEngine可视化平台对数据进行充分展示。其中成安县地形、建筑、交通、绿地等GIS数据如图1所示。

通过图1可以看出成安县的GIS数据采集的十分详细，城区内部各种建筑高度较高，天空可视度不足，道路走势复杂，通过机动车辆较多。但以上数据未经过整合对于规划成安县的城市空间格局存在难度。

为降低由于多GIS图像造成的城市空间格局优化难度，对上述多种GIS图像进行数据融合，并通CityEngine进行展示（图2）。

通过图2可以看出，输入成安县水网、绿化、建筑高度以及路网等GIS数据，经过神经网络融合后，输出的一幅图像融合了上述多种图像的特点，对于成安县的空间格局优化便可以仅通过该图像完成。量化测试本文方法的数据融合准确度，文献［8］方法和文献［9］方法测试结果如图3所示.

由图3可知，随着数据量的增加，三种方法的数据融合准确度均出现下降趋势。但本文方法的融合准确度保持在90%以上，而其他两种方法的融合准确度降至90%以下，说明本文方法的融合准确度较高。这是因为本文方法创新性地考虑到先验信息和不变性两个重要的因素改进多层前馈网络，利用改进的多层前馈神经网络进行数据融合，提升了数据融合准确度。

经过本文方法数据融合之后能够准确了解成安县目前城市空间格局的全貌，对现有的城市空间进行分析后，根据本文的优化方法对成安县进行全方位的空间格局优化，经过优化后的成安县空间格局如图4所示。

图4的空间格局优化效果量化表达数据如表1所示。

通过表1可以看出在优化前成安县的绿视率、天空可视度、设施便利性，表明了成安县内绿化程度低、建筑群过于密集、便民设施建设不足等问题，机动车出现率较高表明了城市部分路线规划存在不合理的问题。在优化后通过提升城市绿化程度、重新规划建筑位置、完善城市慢行系统、合理规划道路交通，提升了成安县的绿视率、天空可视度、设施便利性，降低了机动车出现率，使得成安县的城市空间得到了合理优化。这是因为本文方法基于ArcGIS软件，采用最邻近点指数法和核密度估计法充分分析空间分布特征，从绿视率、天空可视度、设施便利性、机动车出现率四个角度构建优化目标，从而实现了这四个目标的合理优化。

3 结论

通过实验可以看出，成安县的多方面GIS数据采集准确清晰，利用神经网络融合后的GIS数据能够精确详细地展现出成安县内城市规划的特点，通过ArcGIS软件对成安县进行空间分析，对成安县空间格局进行重新规划，规划后明显提升了成安县绿视率、天空可视率、设施便利性，并降低了机动车出现率，多方面提升成安县居民的幸福程度，并且全方面地优化了成安县的城市空间格局。

参考文献：

［1］ 陈晨.城市设计与详细规划［J］.城市规划学刊，2022，272（6）：119-120.

［2］ 孜比布拉·司马义，杨胜天，杨晓东，等.环塔里木盆地绿洲城市发展与水环境质量协调度［J］.中国沙漠，2020， 40（1）：88-96.

［3］ 王刚，李丽，单晓刚，等.城市性的识别与建构——收缩城市城市设计方法研究［J］.城市发展研究，2022， 29（5）：8-13.

［4］ 彭道月.中小城市公交优先发展策略研究［J］.公路交通科技，2022，39（7）：172-180.

［5］ 向进，沈青，胡宏.国内外中小城市居民出行特征与模式选择研究［J］.现代城市研究，2021（4）：2-10.

［6］ 高帆.数字经济如何影响了城乡结构转化？［J］.天津社会科学，2021，240（5）：131-140.

［7］ 邓明，周慧.谁从贸易中获益更大：大城市还是小城市？［J］.厦门大学学报（哲学社会科学版），2021， 264（2）： 111-124.

［8］陆化普，刘若阳，张永波，等.基于TOD模式的城市空间结构优化研究［J］.中国工程科学，2022，24（6）：137-145.

［9］ 吴倩莲，李飞雪，张启舜，等.基于网络分析的城市生态空间结构优化——以常州市为例［J］.应用生态学报， 2022， 33（7）：1983-1992.

［10］ 李震，曾卫，马晨曦.复杂地形条件约束下的城市空间结构优化路径思考［J］.城市发展研究，2020， 27（8）： 8-13.

［11］ 车森，杨辉，葛磊，等.一种面向在线地图叠加的GIS数据几何校正方法［J］.测绘科学技术学报，2020， 37（4）：421-424+433.

［12］ 崔建勇，刘晓东，岳增友，等.多源海洋遥感叶绿素数据融合［J］.遥感信息，2020，35（3）：31-36.

［13］ 季彪，陈泽宏，王萌，等.基于神经网络的不确定电路网络电流预测算法［J］.计算机仿真，2020，37（1）： 407-410.

［14］ 傅连珍，胡道功，张绪教，等.基于GIS空间分析模型的祁连山多年冻土研究［J］.地质力学学报，2015， 21（3）：371-377.

［15］ 吴建华，余梦娟，刘强，等.基于ArcGIS与Speech SDK的中文语音交互式GIS实现方法［J］.地理与地理信息科学，2016，32（5）：76-80.

Spatial Pattern Optimization Method of Small and Medium-Sized Cities Based on Multi-Source Data Fusion Technology and Data Visualization： A Case Study of Cheng 'an County

LIU Jian， TANG Bao-wen

（School of Architecture and Art， Hebei University of Engineering， Handan 056000，China）

Abstract： To solve the problem of unreasonable spatial pattern planning in small and medium-sized cities， taking Cheng'an County as an example， a method for optimizing the spatial pattern of small and medium-sized cities based on multi-source data fusion technology and data visualization is proposed. This method utilizes multiple collection devices to fully collect GIS data in Cheng'an County， and utilizes an improved neural network to fuse GIS data; Using ArcGIS software to comprehensively analyze spatial pattern characteristics using the average nearest neighbor index and kernel density estimation method; Build an urban spatial pattern optimization model with the goal of maximizing green visibility， sky visibility， facility convenience， and minimizing the occurrence of motor vehicles， in order to obtain the optimal results of urban spatial pattern optimization. Through the experimental results， it can be seen that using neural networks to fuse multiple GIS data is more accurate and can visually display the characteristics of GIS data before and after fusion; After optimizing the urban spatial pattern， it has increased the city's green visibility， sky visibility， and facility convenience， reduced the occurrence of motor vehicles， and effectively improved the happiness of urban residents' lives.

Key words： data fusion; data visualization; small and medium-sized cities; spatial pattern optimization; GIS collection; spatial analysis

（责任编辑：巩 劼）