基于多源地理大数据的城市空间结构研究

　　摘要：以东莞市主城区为研究区，利用夜光遥感数据、POI数据与手机定位强度数据，采用核密度分析、数据格网化与双因素组合制图方法，获得三种数据空间耦合相同或相异区域，并比较其与城市空间结构的关系。研究表明，三种数据的空间分布趋势总体一致，部分区域出现空间耦合相异：(1)受交通、功能区与夜光遥感数据的“溢出”效应等因素影响，城市道路、商业区以及公共服务业集中区域，夜光遥感与POI耦合相异;在物流工业园、学校以及公园区域，夜光遥感与手机定位强度数据耦合相异。(2)职住地空间分布的差异，造成POI数据与手机定位强度数据空间耦合相异。公共服务与商务区的基础设施完善，POI密度高于手机定位强度数据密度;居住区人口集中分布，但基础设施建设相对薄弱，POI密度低于手机定位强度数据密度。

　　关键词：夜光遥感;POI;手机定位强度数据;空间耦合关系;城市空间结构

　　1引言

　　城市空间结构属于地理学、城市规划以及区域经济学等多学科的重要研究对象之一，因各学科研究角度的差异，使其难以形成一个统一的概念框架[1-2]。国外学者对城市空间结构的概念研究较早，Foley与Webber是其中早期的代表学者，认为城市空间结构的概念框架应包含多个层次，如地理空间实体要素(物质环境、文化观念与功能活动)、空间与非空间属性、空间作用的影响以及时间等四个层面[3-4]。我国针对城市空间结构进行系统性研究始于20世纪80年代，在外国学者研究的基础上，提出城市空间结构是指城市中各种地理空间实体之间分布与组合的表现方式[5-6]。城市空间结构的研究能够为城市功能区密度的调整，避免造成资源浪费，进而更好地进行城市空间规划，推动城市合理发展提供决策[7]。

　　夜光遥感数据、POI数据与手机定位强度数据作为新兴空间数据，与传统数据相比，具有精准定位、数据量大、价值密度高的特点[8]。夜光遥感数据能够捕获夜间地表微光，反映区域经济、人口地理要素的空间分布特征，常用于GDP估算[9]、“鬼城”识别[10]以及生态环境监测[11]方面研究。POI数据包含地理实体空间与属性信息，如经纬度、地址以及类别等，被应用于城市功能区识别[12-13]与产业空间布局[14-15]。

　　手机定位强度数据与常用的百度热力图、“微博签到”数据相比，具有获取成本低、分辨率高的优势，数据来源于使用在线产品的位置信息，并以点要素(空间分辨率为25m)的形式赋予人口热力值，被应用于城市空间结构[16]、职住平衡[17]以及城市活力[18]等方面的研究。以上三种数据，能够反映城市“经济—人口”空间特征，是研究城市空间结构的重要数据源。如王博[19]利用夜间灯光数据，揭示杭州市2012年至2016年城镇空间结构“东密西疏”的分布特征;薛冰等[20]基于POI数据，将东北三省36个城市的内部空间结构划分为团块型、分散组合型、线型以及放射型4种特征;何东等[21]运用“宜出行”数据，识别重庆市主城区“多中心组团式”的城市空间功能体系。

　　综上，大部分学者偏向于采用单一数据源进行城市的相关研究，融合多源地理空间数据在我国城市空间结构的研究相对缺乏。因此，选取东莞市主城区作为研究对象，基于夜光遥感数据、POI数据以及手机定位强度数据三种数据两两空间耦合关系，阐述其与城市空间结构特征之间的关系，并识别城市核心—边缘区、空置区域以及服务业供需不平衡区域，分析城市发展不平衡问题。研究结果对城市规划者了解城市的空间结构，进行城市功能区调整与优化，构建具有活力的现代化城市提供参考。

　　2研究区与数据

　　2.1研究区概况

　　东莞市位于珠江三角洲东岸，是广州和深圳的双辐射城市，为粤港澳大湾区的重要节点城市，同时也是我国5个不设区的地级市之一。中心城区位于东莞市的西北方向，下辖莞城、南城、东城、万江4个街道，总面积222.4km2，常住人口124.66万人(2019年)。在行政区划、自然地理环境以及建成区历史等因素综合影响下，形成“一主三副、十字展开、单元发展”的城市空间结构。

　　“一主三副”中的主核心区位于南城街道，是东莞市行政文化与国际商务的中心，城市特色副核心区则由莞城、东城、万江3个街道组成。“十字展开”指穿过城市主核心区呈十字展开的“东莞大道-东城中路-莞龙路”综合功能发展轴与“松山湖大道八一路-鸿福路-银龙路”山水特色发展轴。“单元发展”则是指依据构建城市15分钟生活圈的要求，划分的19个城市发展单元。东莞市致力于城市功能优化，融入粤港澳大湾区建设，打造多功能、具有活力与生态宜居型现代城市。因此，东莞市中心城区城市空间结构的研究，对中心城区功能优化提升具有较强的现实意义。

　　2.2数据源

　　研究所选用的数据包括东莞市基础地理数据、夜光遥感影像数据、POI数据以及手机定位强度数据。基础地理数据包括行政区划、道路以及河流水系等矢量数据，来源于国家基础地理信息中心与2020年6月采集的OpenStreetMap数据。

　　夜光遥感影像数据选取2019年1月~12月经过星上校正，但未经标准化处理的NPP-VIIRS月合成影像数据，该数据的空间分辨率为740m，包括了日平均影像与月平均影像两种数据，数据量丰富，连续性好[22]。与DMSP/OLS数据相比，NPPVIIRS数据的空间与时间分辨率都获得了提升，并且消除了像元饱和，夜间灯光探测能力与稳定性更加优越，能更好地反映城市的夜间灯光整体分布特征[23]。

　　POI数据源于高德地图提供的API接口，经数据清洗后，共获取72775条有效数据，依据《国家经济行业分类》(GB/T4754-2017)将其划分为14类。根据已有研究结果：工作日(周一至周五)、休息日(周六、周日)的人口空间特征分别具有相似性[24]。最终，选取2020年6月23日(工作日)、6月25日(端午节)以及6月27日(休息日)三日研究区的手机定位强度数据作为数据源，研究东莞市主城区整体人口集聚特征。其中，采集的时间区间为7：00~24：00，时间间隔为1h，数据经去重、删除超越研究区边界的无效数据后，一共获得1034602条有效数据。由于三天研究区内并无重大自然灾害或极端天气现象，所得数据具有代表性。

　　3研究方法

　　本研究通过分析POI数据、夜光遥感数据以及手机定位强度数据等三组数据的空间耦合关系，探讨其与东莞市主城区的城市空间结构之间的关系。首先，对POI数据、NPP-VIIRS夜光遥感数据以及手机定位强度数据进行预处理;其次，根据行政边界数据创建六边形格网;接着，对栅格数据进行矢量化，与格网数据进行空间连接，并采用分级设色，获得三种数据的规则格网图;最后，对数据进行归一化处理，利用双因素组合制图方法，将数据的空间耦合关系进行可视化。

　　3.1数据预处理

　　首先，将原NPP-VIIRS数据重投影为常用的WGS_1984_UTM_ZONE_49N投影坐标系，接着采用栅格计算器将由火灾、渔船等现象造成的负值区域设置为0，然后利用研究区矢量数据进行裁剪。为降低数据的偶然性误差，对12景夜光遥感数据进行均值计算，合成2019年研究区夜光亮度均值图像，最后重采样至30m分辨率，用于反映研究区夜光亮度整体空间特征。原POI数据与手机定位强度数据为文本数据，其中POI数据包含经纬度、名字、地址以及城市名称等字段，手机定位强度数据则包含人口热力值、经度、纬度以及时间四个字段。首先，分别将其导入ArcGIS中转为点要素数据，并统一坐标为WGS-84;然后剔除超出研究区边界的误差点，获得有效的POI与手机定位强度数据的点状矢量数据。

　　4耦合关系分析

　　4.1总体分布特征与耦合关系

　　夜光亮度值整体分布格局，呈现出由城市中心向四周逐渐减弱的趋势，高值区组团状分布，呈一主三副的空间结构特征。主核心区位于南城的北发展单元，是东莞市的教育、商务服务业以及政治文化中心。酒店和商务服务业集中分布的东城的主山发展单元灯光亮度值仅次于主核心区，属副核心区。商务住宅与购物业分布较集中的万江新中心与中部发展单元的夜光亮度高值，呈同心圆状分布;南城的南发展单元东部的亮度值仅次于核心区，是物流、商务服务业的集中分布地，与东城主山、万江新中心以及中部发展单元，构成了多核心结构。此外，城市边缘区存在零星分布的点状高值区域，与道路的位置相耦合，如城市东北处的高值区域为莞龙路与东宝路的交接处的夜光亮度值高。

　　其整体分布趋势与夜光遥感数据相似，也呈由城市中心向边缘区减弱的趋势。南部的水濂、牛山、同沙与黄旗山发展单元的POI密度较低，属于城市土地利用的空置区域，开发利用程度低，是水库、绿地以及生态保护区的集中分布地区。不同点在于莞城的POI密度仅次于南城，与教育、公共服务业的分布相耦合;南城中、南发展单元的零售业、商务服务业以及物流等行业集聚，土地利用类型混合度高，POI密度表现较好;城市边缘区并未出现零星分布的点状高值区。

　　其高值分布与POI数据密度分布相似，密度值由城市中心向城市边缘区呈递减趋势。人口活动强度越高，该区域的人口集中程度越高。教育用地、大型商业广场以及中心商务区的人口热力密度表现突出，其中商务区的高值区，围绕东莞市人民政府呈环状分布。部分点状高值区域主要位于城市边缘区的道路交汇处，生态保护区与物流工业用地的密度值则较低，人口热力密度值分布特征与其它两种数据总体一致。采用符号计数统计方法计算三种数据两两空间耦合关系相同(低-低、中-中、高-高)区域的占比，其中夜光遥感与POI具有相同空间耦合关系占比为66.37%，与手机定位强度数据具有相同空间耦合关系占比为67.12%，POI数据与手机定位强度数据具有相同空间耦合关系占比为78.67%。

　　夜光遥感与POI数据、手机定位强度数据空间耦合在空间分布上具有相似性，高-高耦合主要分布于南城与东城两个区域，外围则形成了中-中耦合关系，边缘区则以低-低耦合关系为主;POI数据与手机定位强度数据的空间耦合程度较高，高-高耦合呈现多中心分布，多位于购物商场、中心商务区，中-中、低低空间耦合关系则围绕高-高耦合呈环状分布。总体而言，三种数据的空间耦合关系具有较好的耦合程度，高-高耦合多位于城市的核心区，中-中耦合位于过渡区，低-低则位于边缘区，属于生态保护区，包括同沙、黄旗山、水濂山以及大岭山生态园，不宜进行大面积的城市开发活动。

　　5结论与讨论

　　以东莞市主城区为例，基于夜光遥感、POI数据以及手机定位强度数据等表征人文-经济地理活动的空间数据，采用核密度分析、数据格网化以及双因素组合制图方法，分析不同数据的空间耦合关系与城市空间结构的之间关系，得出以下结论：

　　(1)夜光遥感、POI以及手机定位强度三组不同类型的空间数据的空间分布总体趋势一致，空间耦合程度较高。具有相同空间耦合关系区域的空间分布特征，能够识别城市核心区、过渡区以及边缘区的空间分布特征，可以有效反映城市空间结构特征。

　　(2)空间耦合相异区域的存在，有助于对城市部分区域的空间结构进行详细的探讨。夜光遥感亮度值高于POI密度值的空间耦合相异区域的分布，与边缘或过渡区的房地产产业分布相耦合，反映了市中心的居住职能向过渡区与边缘区转移的趋势。而POI密度值高于夜光遥感亮度值的区域则主要分布于莞城，反映旧城区经济与商务职能的衰落;夜光遥感数据与手机定位强度数据空间耦合相异，则主要分布于道路用地、物流工业用地、教育以及休闲用地，反映两组数据结构的差异;POI数据与手机定位强度数据空间耦合相异，则反映了基础设施建设与居民生活服务需求之间的不平衡关系。

　　(3)三种数据对地理实体要素的表达各有优缺点，夜光遥感能够反映人类夜间活动产生的灯光亮度，但轻度“溢光”效应使得其所表示的人类活动范围要大于实际范围，空间位置上出现了偏移。POI数据是一种具有精确定位功能的点数据，但不能准确反映面状地理实体的空间分布。手机定位强度数据则是一种位置服务数据，能够反映城市人口活动强度的空间特征，但受使用者年龄(微信、微博以及QQ等社交媒体软件在老年人与幼童中普及程度较低)影响，并不能反映城市的实际活动人口数量。

　　融合以上三组空间数据，能够发挥不同数据的优势、弥补不足。结合核密度分析的POI数据，削弱了POI数据反映面状地理实体产生的误差，能够识别夜光遥感数据的“溢光”区域、城市建筑密集区域以及空置区域;手机定位强度数据相对夜光遥感数据，分辨率更高、更加精确，能够精确反映城市全天候人口活动的空间分布特征，与POI数据相结合，则能够反映出城市基础设施建设与人口之间供需平衡的关系。

　　地理论文范例：漫谈初中地理教学中的图像教学

　　综上，融合多源地理大数据，改进了采用单一数据源的精度问题。城市空间结构应当是一个动态变化的过程，而本研究选取的年限较短，在时序性上存在不足;分析不同数据空间耦合关系与城市空间结构之间的关系，偏向于定性研究，缺少量化方法的使用。今后，将结合深度学习与时间序列分析方法，对研究区5~10年城市结构变化进行定量分析与预测，进一步完善融合三组地理大数据在城市空间结构研究中的应用，凸显三组数据表征地理实体功能的优越性。

　　参考文献(References)：

　　[1]MaRenfeng，WangTengfei.ProgressofResearchontheIn⁃fluenceofUrbanSpatialStructureontheLocationofEmerg⁃ingIndustryinChina[J].WorldRegionalStudies，2019，28(5)：141-152[.马仁锋，王腾飞.城市空间结构对新兴产业区位影响研究动态与展望[J].世界地理研究，2019，28(5)：141-152.][2]TangZilai.TheoriesandMethodsofResearchonUrbanSpa⁃tialStructureintheWest[J].UrbanPlanningForum，1997，(6)：1-11，63[.唐子来.西方城市空间结构研究的理论和方法[J].城市规划汇刊，1997(6)：1-11，63.]

　　[3]FoleyL.D.(1964)AnApproachtoMetropolitanSpatialStructure，inWebberM.M.etal.(eds.)ExplorationintoUr⁃banStructure[M].UniversityofPennsylvaniaPress，Philadel⁃phia.

　　作者：梁立锋，谭本华，马咏珊，陈漾漾，刘秀娟