首页 > 专业研究 > 专业解读 > 专业文章

当前位置

23 05

基于开放数据的城市功能识别模型研究

发布时间:2019-05-23


近年来,随着大数据分析方法在城市研究、城乡规划等多领域的深度运用,使尺度更精细、信息更丰富的互联网开放大数据辅助城市用地功能识别成为了可能。为适应新时代国土空间规划的要求,国地科技积极探索数据驱动、智能应用的智慧国土空间规划新模型。本研究以深圳为案例,将宗地作为基本研究单元,通过数据采集、整理、提取城市POI(Point of interest)数据与交通拥堵数据,尝试探索一种更高效、精细的城市功能识别模型。


一、研究思路与技术方法


1.1 研究思路


本研究通过收集POI与交通拥堵两类城市开放数据,提取数据中反映城市建设用地功能与强度信息,并建立城市功能分类体系与识别模型,得到城市功能热点图与城市混合功能空间分布图。


图1 研究思路


1.2 研究方法


1.2.1 点密度分析


图2 POI密度计算示意图


为了统计及描述POI的空间分布,本研究运用以建筑物为统计单元的点密度样方统计法计算POI点密度指数。在传统的样方统计方法基础上,要使研究尺度变得更加精细,城市系统中楼层高度与建筑基底面积成为不可忽略的因素,例如图 2中A建筑与B建筑的POI点数都是五个,但是A建筑高度要高于B建筑,则B的POI在建筑物内部的实际使用密度显然高于A,若使用一定搜索范围内POI数量来计算点密度的方法已无法满足研究需要,因此本研究使用的点密度分析方法可以表述为:以建筑物作为样方,将POI数据与建筑数据进行叠加分析,使用建筑占地面积与楼高乘积的倒数作为POI数量在样方内的权值, 改进后的POI点样方密度指数计算公式如下:


Index_POI = nums_POI /(build_area *build_floor)    


注:式中:Index_POI为某一栋建筑物的POI密度指数,nums_POI为该建筑内某一类型的POI数量,build_area为建筑的占地面积,build_floor为建筑的层数。


1.2.2 道路拥堵分析


本研究使用具有时间和空间变化特征的高德地图拥堵指数分析道路拥堵状况。高德拥堵指数是从高德Web服务API接口提供的交通态势查询服务获得,它描述了某条道路在某个时刻的交通态势情况,数据每两分钟更新一次。通过每隔一小时爬取一次整个深圳市各级道路的高德拥堵指数,在全市构造时间序列化的拥堵指数数据,以此反映城市道路以小时为单位的交通流量变化情况。


3 道路拥堵指数(局部)示意图


二、城市功能分类与开放数据描述


2.1 城市功能分类体系


目前,国家和深圳市层面的国土空间规划用地分类标准尚未出台,为衔接国土空间规划要求,本研究以湖南省自然资源厅最近颁布的《湖南省国土空间规划用地分类(试行)》为参照,并结合百度地图开放平台行业分类体系,建立了城市建设用地三个级别的城市功能分类体系:


表1 城市功能分类体系


2.2 开放数据描述


本研究使用的城市开放数据主要包括深圳市POI数据及深圳市道路拥堵数据。其中,POI是以城市功能分类体系中的三级分类作为标签名称,使用python脚本获取全市的POI,总数据量约为66万个。而道路拥堵数据则是周期性地爬取深圳市各级道路的速度,拥堵等级等信息,获取时间间隔为1小时,获取周期为一个月。


表2 城市感知数据信息


三、研究结果及分析


3.1 局部城市功能识别


城市道路的拥堵情况是否与城市用地功能有关系,本研究使用抽样的方式对周期性的城市道路拥堵情况变化进行分析,并推演出局部范围的城市主要功能。例如,华强北与岗厦为深圳市以金融与信息技术服务为主导的核心功能区,选择其附近的主干道(深南大道,从皇岗立交到宝安大道路段)作为样例(区位如图 3),将该路段连续两周(2019年3月4日至2019年3月17日)的车流量统计为折线图(如图 4):


图4 深南大道(从深南皇岗立交到宝安大道)两周车速统计


从统计结果来看,深南大道(深南大道从皇岗立交到宝安大道路段)在一周之内的车速变化具有一定的规律性,具体表现为每天车速的最低值出现在上下班高峰期的频数最多,第一周每天车速最低点(在18:00)出现六次,早上9:00出现两次(不在高峰期出现拥堵的情况为周六);第二周每天车速最低点(在18:00)出现7次,两周车速的变化趋势具有相似性,且周末与工作日车速变化的趋势具有明显的不一致,说明该地点的车流量受上班通勤行为影响较大,能基本判断出该地点附近的用地功能以商务办公为主,也印证了城市拥堵情况的时间、空间分布规律可以反映城市功能类型。


3.2 全市功能热点识别


通过计算各类POI密度指数在空间上的集聚程度,并识别深圳市的城市功能热点。为了更直观地反映POI密度指数在空间上的热点,计算落在建筑中心200米缓冲半径区域的POI密度指数均值,在全市范围内筛选出各类用地功能的POI密度指数最高的3-4个点,将其识别为某类用地功能的热点。从识别结果来看,福田站识别为福田区的交通热点中心,南山区后海一带则识别为住宅热点中心,城市功能热点的识别结果与一般认识基本一致。


图5 城市功能热点识别图


3.3 全市混合功能识别


以城市的宗地为研究单元往往具备一种或以上的城市功能,将高德拥堵指数叠加POI密度指数,使识别结果既能反映不同时间的城市人流分布也能具有城市功能属性。为了更便于将混合功能区可视化与分析,对原始的22个混合功能区分类编码进行归并处理,归并后的类型有商业商务区、综合居住区、新型居住区、物流仓储区、工业混合区、村镇混合区、自然开敞或未利用区共七类,混合功能类型编码与描述见表 3,编码的混合用地空间分布见图 6,划分后的混合用地结果见图 7。


表3 混合功能区用地编码及描述

注:表中编码为6位0-1组合的数字,除了百万位上的1起占位作用以外,其他位置由高到低分别对应的用地功能为工业、公共、交通、商服、居住。


图6 城市混合功能分区编码


图7 城市混合功能分区


3.4 结果验证


将商服用地POI密度指数与深圳市高分一号卫星影像提取的NDVI图作对比(如图8)。NDVI指数描述的是深圳市植被的覆盖情况,而大片的植被覆盖说明了该片区为自然开敞空间,社会经济活动少,土地被开发利用的程度较小,反之若植被覆盖较低说明社会经济比较发达,极有可能为商业与人流集中的城市地区。对比发现,商服用地POI密度指数图与NDVI指数图的空间分布呈现出互斥的态势,也就是说商服用地POI密度指数高的区域则NDVI指数低,商服用地POI密度指数低的区域则NDVI指数高,说明了该指数在一定程度上能反映深圳市的各类土地利用方式的空间分布。


图8 商服用地POI密度指数与NDVI对比图


四、总结


本研究通过采集、整理、提取城市开放大数据,并分析数据中反映城市居民出行与用地属性特征,构建城市功能识别模型,识别出城市道路拥堵特征、城市功能热点和城市混合功能分区。


相比于利用传统数据进行土地调查存在尺度粗、耗费大和保密性等缺点,利用互联网与大数据技术进行城市功能识别以及其他人居环境、人地关系等相关研究,则具有更低的成本、较强的开放型与更细致的尺度,也可以为智慧国土空间规划作辅助与参考。


作者简介:


崔学森,国地科技大数据中心大数据工程师,地图学与地理信息系统硕士,主要研究方向为城市大数据分析与智慧国土空间规划模型研发。


马昊翔,国地科技大数据中心大数据工程师,地图学与地理信息系统硕士研究生,主要从事时空大数据分析、国土空间规划信息化、智慧城市等研究。

更多
财神猪卡通图片