(1)
摘要 基于 88814 条 POI 数据, 并借助自组织映射网络(SOFM 网络), 对深圳市城市土地利用的功能进行分析和识别, 并与中国基本城市土地利用类型制图(EULUC-China)进行比较验证。结果表明: 1)深圳市城市街区尺度呈现功能混合的特征, 主要分为第二产业和生产性服务业主导、交通设施主导、居住+第二产业及生产性服务业+商业服务业设施混合、居住+公共管理和服务混合以及商业+公共管理和服务混合 5 类空间用地。2)基于 SOFM 网络的用地功能识别模型, 结果更为细致, 混合功能用地的分类更能突出地域特征。
关键词 兴趣点(POI); 自组织映射网络(SOFM)网络; 土地利用; 功能识别; 深圳市
城市的空间规模和空间强度越来越高, 对城市空间的合理利用和高效组织提出了更高要求, 城市功能空间的快速和准确识别变得极为重要。因此, 科学地识别城市不同土地利用功能, 并分析其空间布局, 对优化城市用地布局、指导城市高效建设及实现城市高质量发展具有重要的理论和实践意义[1]。城市用地功能是城市功能在特定地域空间内的体现, 反映城市布局的基本形态以及城市功能区的空间差异。传统的城市用地功能划分的数据采集方法主要有实地调研采样和遥感解译。实地调研一般针对具体项目, 能够及时具详细地反映用地现状, 但工作量大, 耗时长, 调研的空间范围小, 数据重复利用率低。遥感解译数据为各种规划编制提供基础数据, 适用范围广, 但分类较少, 针对相差, 数据的时效性差。同时, 遥感数据也无法描述丰富的室内空间活动。随着新技术的发展, 以城市兴趣点(point of interest, POI)为代表的大数据为城市功能空间识别提供了新的选择。
POI 指“一些与人们生活密切相关的地理实体”[1], 如公司、住宅、学校、医院和公园等。POI数据含有这些实体的位置和属性等丰富的地理信息。无论是微博签到等由用户生产的社交网站数据, 还是电子地图等商业化的数据, POI 数据都强调“人人都是传感器”[2]的理念。以高德 POI 为例, 专业队伍进行采集的数据发布后, 地图后台每天会收到约2300 条互联网用户的信息反馈, 为进一步的修正提供基础[3–4]。高德地图现在拥有全国的 7000 万条POI 数据, 并实现分钟级的更新。这些数据更新快, 精度高, 时效强, 获取成本相对较低。目前, POI 数据已在城市空间格局[5]、城市设施可达性[6]、城市建成区识别[7]、城市中心识别[8]和职住关系[9]等城市规划研究中得到广泛的关注和应用。
针对 POI 数据仅有标签和坐标信息但缺少面积等详细信息的特点, 识别城市建设用地功能的研究主要有两条路径[10–14]。第一条路径是借助多源数据融合的方法, 补充其他信息。如 Liu 等[11]通过高分辨率遥感影像与 POI 数据结合的方式识别街区功能, Zhang 等[12]把 POI 数据与公共自行车租赁数据相结合来确定城市土地利用功能。这些方法数据识别精度高, 但在融合方面需要较复杂的技术作为支撑, 另外, 补充的数据源获取相对困难。另一条路径是通过人工设定标准, 补充经验信息。这些方法操作便捷, 但既要以专家打分等方法人为地赋给土地面积以权重, 又要在确定分类阈值时采取主观的方法判断, 工作量大, 主观性强。因此, 本文尝试提出一种借助自组织映射特征网络(self-organizing feature map, SOFM)充分挖掘 POI 数据特征的方法, 以期实现对街区为单元的城市土地功能识别。
SOFM 网络可以模拟大脑神经网络系统的自组织特征映射功能, 以非参数化的模式识别技术, 能在无监督的情况下进行自组织学习。利用 SOFM机器学习算法, 能够简化大量繁琐的工作, 有助于提高分类的空间精度和客观性, 已得到很多应用。在自然地理领域, 李双成等[15]利用 SOFM 比线性分析具有更强适应性的特点, 对青藏高原生态资产进行地域分类。李爽等[16]通过 SOFM 对中国气候特征进行分类, 结果证明能较好地反映区域差异情况。通过 SOFM 与 SVM 的耦合, 毛褀等[17]对鄂尔多斯气候进行分区, 完成从分类到分区的定量转换, 解决了传统分区方法弱化要素控件属性的问题。在人文地理和城市区域规划研究中, 研究者尝试使用SOFM 网络完成环境–经济综合分区[18]、土地整治分区[19]、乡村地域分区[20]、区域就业结构分析[21]等工作, 结果显示分区功能特征明显, 空间边界清晰, 结果可信度高。但是, 以上研究大多以大尺度和单一要素功能分区为主, 对微观尺度和混合性多要素功能分区的研究不足。
本文将 POI 数据与 SOFM 网络相结合, 在快速且准确地提取城市地理信息的基础上, 实现街区尺度城市土地利用类型的识别, 以期为在土地利用调查和建筑物普查等数据难以获取时, 提供一种依托大数据的城市功能区判别方法。将多源大数据与机器学习算法相结合来服务于城市管理的技术创新, 补充了现有文献中数据难获取[22]和研究尺度较大[23]的缺陷, 可有效提升城市功能分区数据的获取效率, 为进一步分析城市空间功能结构和发展路径提供依据。
本文选取深圳市建成区作为案例。深圳市下辖罗湖、福田、南山、宝安、龙岗、盐田、龙华、坪山、光明 9 个行政区以及大鹏新区。截至 2019 年末, 深圳市行政区面积为 1997.47km2, 常住人口为1343.88 万。本研究借助 2018 年 1km 分辨率遥感解译数据[24]提取土地利用建设用地, 以渔网法进行分割, 形成 1km×1km网格, 共 985 个网格, 研究每个单元网格的功能。
POI 数据来源于高德电子地图, 获取时间为2019 年, 总计 1462384 条, 经过对错误信息的清洗以及重复记录的剔除, 最终得到能明显体现城市用地功能的 88814 条作为分析数据。高德地图的 POI经由专业队伍测绘采集, 并经过用户的不断反馈, 加以修改完善, 实现分钟级更新, 数据较为可靠。每条 POI 包含名称、类别、地址、行政区和经纬度等信息。大类标签 17 类, 包括商务住宅、公司企业、餐饮服务、购物服务、住宿服务、金融保险、体育休闲、医疗保健、政府机构、科教文化、交通服务设施、风景名胜、汽车维修、汽车服务、汽车销售、地址信息和公共设施。
本研究将城市用地归为居住用地、第二产业及生产性服务业用地、商业服务业设施用地、公共管理及服务用地、道路及交通设施用地、绿地(生态)用地 6 类功能, 选取不同标签对其进行表征, 并依据标签对 POI 数据进行重分类(表 1)。功能分类与标签的选取参考《城市用地分类与规划建设用地标准》(GB50137－2011)[25]。
1.2.1 Caliński-Harabasz (CH)准则
Caliński-Harabasz 准则[26]又称为方差比例准则(variance ratio criterion, VRC), 在真实标签分类情况未知的前提下, 可以用来评估聚类结果的有效性。VRC 指数越高, 表示 Caliński-Harabasz 得分越高, 即类别内部联系越紧密, 类别与类别之间联系越分散, 该模型聚类的结果越好。计算公式如下:
(1)
其中, SSB 是类别之间的方差, SSw 是类别之内的方差, N 为样本数, k 为分类数目。
1.2.2 SOFM 网络
SOFM 是一种典型的无监督神经网络, 对未知样本的识别率较高, 抗噪声强, 可以对多维数据进行平行高速处理[27], 在无监督的情况下, 通过对输入模式的反复学习, 可以将高维度数据映射到低维度(最典型的是二维), 保持原有数据拓扑结构, 从而实现分类。Kohonen[28]在 20 世纪 80 年代借鉴大脑皮层的工作原理, 最早引入可计算的 SOFM 神经网络模型概念。
区别于其他神经网络(BP 网络)采取的误差纠正反馈学习, SOFM 原理采取竞争学习的方法[29–30]。SOFM 主要有两层网络: 输入层(神经元为高维数据点)和竞争层(神经元为低维度数据点)。初始阶段, 每个竞争层的神经元随机赋给一个权重值(与输入层高维度数据点同维度)。训练阶段, 取出某个输入值神经元, 以每次运算中的获胜单元(即与输入神经元距离最小的竞争层神经元)为基础, 调整获胜单元竞争层邻域内(也可选用高斯函数赋给权重) 其他竞争层单元的权重。对所有输入值进行同样操作, 计为一次迭代。重复上述过程, 直到规定的迭代次数, 训练结束。以最终竞争获胜的神经元作为类别, 实现对输入数据的分类。
表1 POI标签及分类
Table 1 Label and classification of POI
功能类别高德地图POIPOI数量备注 大类标签中类标签小类标签 居住用地商务住宅住宅区住宅小区、别墅、宿舍13034― 科教文化学校小学、幼儿园参考《城市用地分类与规划建设用地标准》 第二产业及生产性服务业用地公司企业公司企业―59848因为公司企业标签不易区分第二产业及生产性服务业, 因此把这两类放在一起研究 商务住宅产业园、楼宇― 金融保险保险公司、金融保险机构、证券公司― 科教文化传媒机构、科研机构― 商业服务业设施用地餐饮服务中餐厅综合酒楼10619参考《城市用地分类与规划建设用地标准》 购物服务商场、特色商业街、家具建材市场、家电电子卖场购物中心、普通商场、步行街、家具城、综合家电电子卖场(国美、苏宁) 住宿服务宾馆酒店三星级宾馆、四星级宾馆、五星级宾馆 汽车销售 ―– 公共管理及服务用地政府机构与社会团体政府机关国家级机关及事业单位、地市级政府及事业单位、区县级政府及事业单位、外国使领馆3697参考《城市用地分类与规划建设用地标准》 科教文化学校、博物馆、档案馆、科技馆、展览馆、美术馆、会展中心高等院校、职业技术学校、中学、博物馆、档案馆、科技馆、展览馆、美术馆、会展中心 医疗保健急救中心、疾病预防机构、综合医院急救中心、疾病预防机构、综合医院、三级甲等医院 体育休闲运动场馆综合体育馆 交通设施用地交通设施港口码头、机场相关、火车站、过境口岸、长途汽车站; 地铁站―1616参考《城市用地分类与规划建设用地标准》 生态用地 ――――通过遥感影像识别
本文技术路径为如图 1 所示。首先, 以深圳市建设用地为研究对象, 分成 1km×1km 的 985 个网格, 并将分散的 POI 数据网格化。然后, 依据 Caliński-Harabasz 准则, 初步确定 POI 数据聚类的适宜范围。再后, 将处理后的 POI 数据输入 SOFM 网络, 设置运行次数为 2000, 即可得到对全部样本的用地类别划分结果, 对结果进行分析, 并选取中国基本城市土地利用类型制图(EULUC-China)[31]的数据与得到的分类结果进行对比, 检验 SOFM 网络聚类分析的精确度。最后, 根据用地功能结果识别图, 结合深圳市土地利用现存问题, 提出相关政策建议。
图 2 的计算结果显示, 随着聚类数目的增加, VRC 呈现曲折上升–急剧减小–缓慢减小的态势。在聚类数为 4～8 的区间内, VRC 相对较大, 因此可以大致判断分类数为 4～8 较适宜。
据此, 本文选取 3×3 (大于 8 类)的六边形网络, 设置最大循环次数 2000, SOFM 聚类结果为 5 类(不含无数据类和绿地生态类): 第二产业及生产性服务业主导、交通主导、居住+第二产业及生产性服务业+商业混合、居住+公共服务混合、商业+公共服务混合类。分类原则是, 如果某类功能 POI 占比的均值高于总体平均值, 且标准差结果显著, 即将该功能纳入类别名称(表 2)。
图1 技术路径
Fig. 1 Technical path diagram
图2 VRC与聚类数目的关系
Fig. 2 Correlation of VRC and cluster number
第二产业以及生产性服务业类用地占地总面积约为 344km2, 其中第二产业及生产性服务业 POI 个数占该类别中所有 POI 个数的 90.6%, 显著高于64.72%的平均水平(高于两个标准差)。居住+第二产业及生产性服务业+商业服务业设施混合类占地总面积约为 354km2, 其中商业服务业设施类 POI个数占该类别中 POI 总数的 11.7%, 第二产业以及生产性服务业 POI 占比 66.9%, 居住类 POI 占比为 15.87%。交通设施类占地面积约为 18km2, 其中交通设施类 POI 个数占该类别中 POI 总数的 75.7%, 显著高于平均水平(高于两个标准差)。居住+公共管理以及服务混合类占地面积约为 124km2, 其中居住、公共管理及服务用地类 POI 个数的占比分别为40.5%和 12.3%, 均显著高于平均水平(高于两个标准差)。商业服务业设施+公共管理及服务混合类占地面积约为 97km2, 商业服务业设施类 POI 个数占比为 33.8%, 显著高于平均水平, 公共管理及服务占比 33.84%, 略高于平均水平。
从总体上看, SOFM 结果产生的 5 种用地类型中, 两种是单一型用地功能分区, 分别是第二产业及生产性服务业类用地和交通设施类用地, 这与自身性质相关, 例如工业用地一般分布在城市外围, 面积较大, 且多为集中连片式分布, 较少与其他用地相混合。交通设施类占地面积最小, 且没有以交通设施用地为主导功能的混合用地类型。还有 3 种是混合型用地功能分区。由此可以看出城市用地类型之间的混合分布情况: 居住+第二产业及生产性服务业+商业服务业设施混合类用地面积约占总体研究面积的 35%, 在所有类别用地中的面积最大, 是深圳市主要混合用地类型; 公共管理及服务类用地主要和居住、商业服务业设施类用地相混合。3种混合型用地总面积为 575km2, 大于单一型用地总面积。新时期制约深圳市经济和产业发展的重要难题之一就是土地资源不足, 造成部分企业外迁和“飞地”现象, 由此向存量挖潜力、向土地要效率已成为摆在深圳面前的重要课题, 紧凑和多样就是深圳发展的重要方向, 而混合功能用地就是合理紧凑且多样的重要体现。
表2 SOFM分类结果及类别命名
Table 2 Results and category of SOFM
类别面积/km2统计量道路及交通设施/%居住/%公共管理及服务/%第二产业及生产性服务业/%商业服务业设施/% 总体985均值2.7013.883.8564.729.98 标准差1.171.990.656.971.24 第二产业及生产性服务业344均值0.514.560.8290.613.50 标准差0.040.190.040.450.17 商业+居住+产业354均值1.6315.833.9066.9311.71 标准差0.140.550.320.620.39 交通18均值75.720.203.4519.361.26 标准差4.510.010.693.490.10 居住+公共服务124均值3.4740.5112.2335.328.47 标准差0.492.492.481.790.55 商业+公共服务97均值1.7913.345.1145.9233.84 标准差0.210.660.641.551.81
中国基本城市土地利用类型制图(EULUC-China)[31]综合利用 2018 年的 OpenStreetMap 数据、10 米哨兵遥感数据、珞珈一号夜间灯光数据以及腾讯移动定位和高德导航兴趣点(POI)等社会大数据, 并通过两级分类体系的精度检验, 可信度较高。本文利用随机数生成器, 从 1～985 个网格中随机抽选出 50 个网格编号, 并对比分析 SOFM 网络分类结果与 EULUC-China 分类结果。
首先, 共有 12 个网格的识别结果完全一致(占样本总数的 24%)。如图 3(a1)和(a2)所示, SOFM 识别结果为黄色的居住+公共服务混合功能区, 与EULUC-China 识别结果完全一致。该区域位于深圳市高尔夫俱乐部周部, 西北和东北地区以居住为主导功能, 主要有泰然劲松小区、中海华庭、城中雅苑和发展兴苑等, 西南和东南地区除分布广泛的小区和公寓外, 还有人民体育场、沪教院福田实验学校和新洲第一幼儿园等, 滨河大道两侧还分布大量小吃餐饮店及生活服务设施, 混合程度较高。
其次, SOFM 可以成功识别而 EULUC-China 识别失败的功能区域共有 7 个(占样本总数的 14%)。如图 3(b2)所示, SOFM 识别该区域为橙色的居住+第二产业+商业的高度混合区, 而 EULUC-China 识别结果为绿色的绿地或无数据区域。综合百度地图和高德地图可知, 该区域位于深圳市人才公园周边, 南部地区分布深圳湾口岸站、深圳湾公园及内部娱乐、购物、餐饮设施, 西部分布百丽湾花园和三湘海尚住宅区等, 该地区为深圳市后期填海造陆的结果, EULUC-China 因为未能捕捉到更新后的数据而识别失败。用 SOFM 网络得到的分类识别图中, 相应区域的识别结果较为符合实际情况。
同时, 在一些混合功能区的识别中, EULUC-China 和 SOFM 识别的部分功能结果呈现细微的差别, 共计 29 个区域(占样本总数的 58%)。比如图3(c1)中, EULUC-China 识别结果为“居住+商业+公共服务”混合功能区, 而图 3(c2)中, SOFM 的识别结果为“商业+公共服务”混合功能区。该区域为龙华文化广场及其周边地区, 东侧有富士康科技集团大厦, 为富士康集团全球运筹暨制造总部; 西侧分布有新华中学和人民医院以及汇海广场、龙胜时代大厦等写字楼, 楼宇内部集聚各种类型的中小型企业以及配套的交通设施、餐饮设施; 北侧有青年创业园以及娱乐场所; 南侧分布住宅区如龙辉小区、共和小区等以及商住两用大楼等。由此可见, 该区域功能混杂度较高, 且以商业办公为主, SOFM 识别结果更能体现区域特色。
(a1)和(a2)两种识别方法结果显示完全一致的案例; (b1)和(b2)SOFM成功识别到而EULUC-China识别失败的案例; (c1)和(c2)两种识别方法结果呈现细微差别的案例; (d1)和(d2)两种识别方法的结果截然不同的案例
图3 SOFM分类结果与EULUC-China比照
Fig. 3 Comparison of SOFM classification results with EULUC-China
图4 SOFM分类结果
Fig. 4 SOFM classification results
最后, 两种方法的识别结果截然不同的区域共有两处(占样本总数的 4%)。如图 3(d4)所示, SOFM识别结果为棕色的第二产业区域, 而 EULUC-China识别结果为公共服务+居住+商业混合区域。查找地图可知, 该区域内有占地面积极广的华侨城国家湿地公园、民俗文化村、锦绣中华、世界之窗等旅游度假区以及御景东方、东方花园、碧海云天等住宅区, 还有沙河工业园区。综合来看, EULUC-China 识别结果更加符合实际情况。SOFM 网络识别失败与标签选择有关: 旅游度假区和公园等占地面积大, 但是能有效识别出的 POI 标签数量少, 由此造成结果的偏差。
综上所述, 可见 SOFM 网络识别结果与 EULUC-China 识别结果的吻合度大致为 82%, 加上 SOFM成功识别而 EULUC-China 识别失败的功能区域数量后, SOFM 网络识别的精确度达到 96%。由此可见, SOFM 网络识别可信度较强, 且混合功能用地的分类更能突出地域特征。
如图 4 所示, 总体上, SOFM 网络处理后的用地类型以行政区为单位集聚式分布, 且空间分异显著, 各类功能用地的分布呈现如下特征。
首先是单一型用地功能分区。第二产业及生产性服务业类空间分布特征表现为如下特征。1)西北部簇集连续, 东北和西南部独立分散。主要分布在光明、龙岗、南山和龙华区, 集中于西北部光明–沙井, 南山科技园、前海合作区、深圳湾超级总部和宝龙工业区等地区, 这些地区企业集中, 是深圳制造业、生产性服务业的承载地。2)沿着边缘地带和交通干线布局。因为此类用地对规模的需求较大, 出于预算约束和土地租金的考虑, 主要在行政区边缘地带布局, 且多位于交通干道和交通枢纽附近。深莞城际、穗莞深城际线以及轨道交通为深圳湾超级总部基地的发展奠定基础。
交通设施类网点主要位于深圳市宝安国际机场、深圳北站和盐田港等大型交通枢纽处。这类网点的分布较好地反映出深圳市重要交通枢纽的位置: 西部多口岸布局, 公路、铁路、水运和航空口岸作为深圳重要交通枢纽沿海分布, 充分利用深圳临海、毗邻港澳的优势; 内部呈现片区化特点, 多位于城市中心, 如深圳北站作为城市最大高铁枢纽位于龙华及坂田片区、福田站位于福田城市中心地下等, 满足居民日常出行需求。
其次是混合型用地功能分区。居住+第二产业及生产性服务业+商业混合类用地的占地面积最大, 具有以下特征。1)广泛分布在深圳各处。在福田、罗湖、南山、盐田中心城区和宝安、龙华地区大面积集中, 为深圳市的行政、文化、金融、商贸与创意中心。2)呈现多集聚中心的特征。此类用地已经初步形成多个集聚中心, 呈现带状组团式空间结构的特点, 且多在行政区核心、高密度人口分布地带, 说明其区位选择的向心力较强。多中心的商业服务业空间结构, 使得深圳市生活空间和生产空间有机结合, 有助于发挥经济的集聚效应。这类空间体现了深圳城市空间的高度混合性。
然后是面积次之的居住+公共管理及服务混合类用地, 空间分布具有以下特征。1)南北分布差异明显, 南部多而密集, 北部少而分散。北部城中村分布广泛, 存在沙井街道的民主村、坣岗村等多个大面积的城中村, 大部分仅存在居住功能, 是流动人口赖以生存的居住基础, 而南部的罗湖、福田和南山等原二线关以内地区, 由于城市更新的加速, 壹成中心和华润城等公共基础设施配套完善的房地产行业逐渐发展至成熟。2)深圳市具有职住分离、公共服务供给不均衡的历史遗留问题。大部分就业岗位集中于原关内(主要是南山、福田和罗湖)地区, 由于为物价、房价的原因, 深圳大规模的外来居住人口倾向于选择租金低廉且交通便捷的区域, 由此向北部城中村地区转移。南山区与周边的西乡、新安以及福永、民治等地之间存在较大的职住依赖关系, 随着居住成本的不断提高, 南山区职住分离问题愈加严重。
商业服务业设施+公共管理及服务混合类用地的面积最小, 仅占深圳市总研究面积的 10%。出于服务覆盖范围的考虑, 分散地分布于城市核心和边缘地带, 在龙岗一带高度集聚, 主要是因为龙岗区土地储备丰富、平地较多, 且人口庞大, 因此该地区分布大量家具城和 4S 店等商业设施。
本文以深圳市建成区域作为研究对象, 把建成区分为 985 个网格, 对离散的 POI 数据进行格网化处理。基于 Caliński-Harabasz 准则, 划出大致用地分类范围, 再利用 SOFM 神经网络进一步确定最优用地分类。本研究得到以下结论。
1)深圳市城市街区尺度呈现功能混合的特征, 主要分为第二产业及生产性服务业主导、交通设施主导、居住+第二产业及生产性服务业+商业服务业设施混合、居住+公共管理和服务混合、商业+公共管理和服务混合 5 类空间用地, 空间分异显著。深圳市存在不同程度的混合功能特征, 高度混合功能区约占研究区域的 35%。
2)与 EULUC-China 相比, 基于 SOFM 网络的用地功能识别模型的结果显示用地空间布局基本上符合实际情况, 且更为细致, 混合功能用地的分类更能突出地域特征。在数据量大而复杂的情况下, SOFM 具备较强的模式识别和信息处理能力, 对土地利用功能识别定量研究和城市规划政策制定具有重要价值。
本研究存在以下不足。首先, 对 SOFM 分类结果的验证工作不足。由于缺少城市街区实际功能的数据及可靠的分类标准, 仅随机抽取样本区域进行验证。如有细致的建筑普查数据以及可靠的分类标准, 研究结果将得到进一步验证。其次, 遥感数据采用公里网格数据, 对少量街区的建设用地解译结果与实际存在偏差, 精度尚显不足, 而更高精度的遥感数据将提升分类结果的可靠性。未来将进一步细化研究尺度, 提高识别精度, 探讨内在驱动机制, 进一步深化城市用地功能识别研究。
基于深圳市用地功能识别分析, 对深圳市城市未来发展, 从土地利用效率、交通路网建设和打造“细胞城市” 3 个角度提出以下建议。
1)加强各类土地功能混合, 提高土地利用效率。根据城市发展的目标, 在城市用地总量不会大幅度增加的背景下, 加强各类土地的功能混合性, 增加混合功能用地的比例, 集约节约利用土地。
首先, 在未来的城市发展中, 可以加强居住用地与生态绿地之间的复合联系, 增强城市的宜居性; 加强居住用地和公共服务用地、商业用地之间的复合, 方便居民的日常工作生活; 加强产业用地和公共服务用地之间的复合, 减少产业生产的成本。其次, 强化多中心组团式的空间发展格局, 加大龙华中心、光明中心、龙岗中心、空港中心和盐田中心等的组团力度。目前, 与南山、福田等关内地区相比, 该地区居住与公共管理服务混合用地面积较小, 以后应重点提高原特区关外基础设施水平和产业建设力度, 增加居住+公共服务功能区的比重, 疏散罗湖、南山和福田等的就业和居住人口压力, 实现原特区关内外职住均衡发展。
2)强化交通路网建设, 提高城市综合实力。充分利用深圳市毗邻香港、海陆兼备的地理优势资源, 积极推动城市交通路网建设, 促进要素流动。一方面, 在不断完善城市交通设施的基础上, 更加注重交通用地与其他各类公共服务用地之间的联系, 增加东部地区交通用地的建设; 另一方面, 加强城市交通网和周边城市(如东莞、佛山和惠州等)交通网的联系和衔接, 从而带动城市其他要素的流动, 达到提高城市整体功能的目的, 增强深圳在珠江三角洲城市群中的核心竞争力。
3)打造“细胞城市”, 推动城市功能区的合理规划。如同生物体的基本结构和功能单元是细胞, 城市作为复杂有机体的基础功能细胞就是基础单 元[32]。作为超大城市之一的深圳, 其各项经济活动的运转都是牵一发而动全身, 只有充分调动每一个“城市细胞”的积极参与, 才能事半功倍。在正确、充分识别居住生活、商业娱乐、公共服务以及工业产业等不同类别的标准单元的基础上, 加强生产功能、生活功能和生态功能的相互协调, 建立国土空间规划标准单元制度, 推动城市功能区的合理规划。在探索创新引领型发展模式的基础上, 加强发展绿色经济, 加强生态功能和社会经济功能的协调统一, 促进城市的高质量、可持续发展。
参考文献
[1]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. 测绘地理信息, 2016, 41(2): 68–73
[2]Goodchild M F. Citizens as voluntary sensors: spatial data infrastructure in the world of web 2.0. Interna-tional Journal of Spatial Data Infrastructures Resear-ch, 2007, 2: 24–32
[3]Ifanr. 高德数据生产基地探秘: 地图是如何制成的？[EB/OL]. (2021–05–01) [2012–11–08]. https:// www.ifanr.com/191272
[4]阿里巴巴. 高德开放平台[EB/OL]. (2021–05–07) [2021–06–01]. https://lbs.amap.com/home/advantage? active=data
[5]杨子江, 何雄, 张堃, 等. POI视角下的外卖与城市空间关联性分析研究——以昆明主城区为例. 城市发展研究, 2020, 27(2): 13–17
[6]刘正兵, 张超, 戴特奇. 北京多种公共服务设施可达性评价. 经济地理, 2018, 38(6): 77–84
[7]许泽宁, 高晓路. 基于电子地图兴趣点的城市建成区边界识别方法. 地理学报, 2016, 71(6): 928–939
[8]吴康敏, 张虹鸥, 王洋, 等. 广州市多类型商业中心识别与空间模式. 地理科学进展, 2016, 35(8): 963–974
[9]林勋媛, 王广兴, 胡月明. 基于开放大数据的广州市中心城区职住平衡特征研究. 热带地理, 2020, 40(2): 254–265
[10]Jiang S, Alves A, Rodrigues F, et al. Mining point-of-interest data from social networks for urban land use classification and disaggregation. Computers Environ-ment & Urban Systems, 2015, 53: 36–46
[11]Liu X, He J, Yao Y, et al. Classifying urban land use by integrating remote sensing and social media data. International Journal of Geographical Information Science, 2017, 31(8): 1675–1696
[12]Zhang X, Li W, Zhang F, et al. Identifying urban functional zones using public bicycle rental records and point-of-interest data. International Journal of Geo Information, 2018, 7(12): no. 459
[13]曹根榕, 顾朝林, 张乔扬. 基于 POI 数据的中心城区“三生空间”识别及格局分析——以上海市中心城区为例. 城市规划学刊, 2019(2): 44–53
[14]罗伟玲, 王艳阳, 张恒. 基于多源数据的主体功能区划分方法——以广州市为例. 热带地理, 2020, 40(1): 110–118
[15]李双成, 郑度, 张镱锂. 青藏高原生态资产地域划分中的 SOFM 网络技术. 自然资源学报, 2002, 17(6): 750–756
[16]李爽, 王羊, 李双成. 中国近 30 年气候要素时空变化特征. 地理研究, 2009, 28(6): 1593–1605
[17]毛祺, 彭建, 刘焱序, 等. 耦合 SOFM 与 SVM 的生态功能分区方法——以鄂尔多斯市为例. 地理学报, 2019, 74(3): 460–474
[18]冯喆, 蒋洪强, 卢亚灵. 基于大数据方法和 SOFM聚类的中国经济–环境综合分区研究. 地理科学, 2019, 39(2): 242–251
[19]江志猛, 陈文波, 郑蕉. 基于 SOFM 神经网络的土地整治时空配置分区研究. 中国土地科学, 2019, 33(11): 89–97
[20]刘玉, 刘彦随, 郭丽英. 基于 SOFM 的环渤海地区乡村地域功能分区. 人文地理, 2013, 28(3): 114–120
[21]张丹, 韩茂莉, 李国平. 首都圈区域空间就业分布结构分析. 城市问题, 2012(4): 46–49
[22]杨振山, 苏锦华, 杨航, 等. 基于多源数据的城 市功能区精细化研究——以北京为例. 地理研究, 2021, 40(2): 477–494
[23]李恒凯, 王利娟, 肖松松. 基于多源数据的南方丘陵山地土地利用随机森林分类. 农业工程学报, 2021, 37(7): 244–251
[24]中国科学院资源环境科学数据中心. 2018年中国土地利用遥感监测数据[EB/OL]. [2019–07–15](2021–05–01). https://www.resdc.cn/data.aspx?DATAID=264
[25]GB50137―2011, 城市用地分类与规划建设用地标准. 北京: 中国城市规划设计研究院, 2011
[26]Caliński T, Harabasz J. A dendrite method for cluster analysis. Communications in Statistics, 1974, 3(1): 1–27
[27]张治国. 人工神经网络及其在地学中的应用研究[D]. 长春: 吉林大学, 2006
[28]Kohonen T. Self-organized formation of topologically correct feature maps. Biological Cybernetics, 1982, 43(1): 59–69
[29]周志华. 机器学习. 北京: 清华大学出版社, 2018
[30]李双成. 自然地理学研究范式. 北京: 科学出版社, 2019
[31]Chen B, Xu B, Gong P. Mapping essential urban land use categories (EULUC) using geospatial big data: progress, challenges, and opportunities. Big Earth Data, 2021, 5(3): 410–441
[32]深圳市规划和自然资源局. “城市细胞”——深圳市国土空间规划标准单元制度探索[EB/OL]. (2021–03–09) [2021–05–01]. http://www.sz.gov.cn/cn/xxgk/zf xxgj/ghjh/csgh/zxgh/content/post_8592057.html
Analysis of Urban Land Use Function Identification in Shenzhen Based on SOFM Network
Abstract Based on 88814 POI data and with the help of Self-Organizing Feature Map (SOFM), the functions of urban land use in Shenzhen are analyzed and identified, and compared with China’s basic urban land use type mapping (EULUC-China). It is found that 1) the urban block scale of Shenzhen presents the characteristics of mixed functions, which is mainly divided into five types of spatial land, such as secondary industry and producer service industry, transportation facilities, residence + secondary industry and producer service industry + commercial service industry facilities, residence + public management and service, commerce + public management and service. 2) The land use function identification model based on SOFM network has more detailed results, and the classification of mixed function land can highlight the regional characteristics.
Key words POI; SOFM; land use; urban functional area identification; Shenzhen city
doi: 10.13209/j.0479-8023.2022.060
国家自然科学基金(42071204)、广东省基础与应用基础研究基金(2019A1515011661)和北京大学未来城市实验室(深圳)铁汉科研开放课题基金项目资助
收稿日期: 2021-07-17;
修回日期: 2021-08-16