基于POI数据的城市功能区划分和识别——以泉州市主城区为例

毋 亭，汤志伟

(福建农林大学 资源与环境学院，福建 福州350002)

0 引言

城市的功能区，是指城市内部按一定标准和功能类型划分的不同属性的分区，各区域的分布空间及其相应产生的分类子区域各异.它们受自然、历史、经济、社会等诸多因素的影响，随着城市的发展而产生、演进、并与时俱进地变化.

传统的城市功能区划分主要依赖于人工手段，周期长、误差大、工作量也大.随着信息技术的飞速发展，大数据成指数级增长，基于大数据的信息挖掘也越来越多的用于解决各种科学问题.兴趣点(point of interest，POI)是对空间实体的位置描述，在一定程度与角度上能够反映城市空间生产与生活活力.基于兴趣点的城市功能区划分能够克服传统划分方法周期长、误差与工作量大等弊端，因此，近年来被越来越多的相关学者所接受与应用.但此类研究目前仍存在一些待解决问题，比如：研究区域的划分只停留在了相对单一的层面，对于混合区域、无数据区域较少涉略；由于受到噪点的干扰，还存在混合功能区的识别精度较小的问题；由于区域过大，POI数量不充足时会导致功能区划分准确度不高的问题.

本文基于核密度和融合数据构建模型[1]，对泉州市市区进行功能区划分，与传统的城市功能区划分方法相比，本论文的改进之处在于：

1)对不规则路网进行拓扑处理，以处理后形成的封闭区域为研究单元进行功能区的识别，增加功能区划分的合理性.

2)使用核密度方法，在充分考虑混合区影响的基础上，对数据进行处理分析，降低噪声的影响，削弱离散化现象，提高功能区划分的效率与精度.

1 研究区域与数据来源

1.1 研究区

研究区域选取泉州市中心区域的鲤城区和丰泽区为研究区(如图1).泉州市位于我国福建省东南部沿海地区，北接福州，南接厦门，东望台湾，地形以山地、丘陵为主，海岸线曲折迂回，气候属亚热带海洋性季风气候.泉州是全国首个东亚文化之都、福建省三大中心城市(福州、厦门、泉州)之一，GDP总量在全省最高，经济总量连续20年保持全省第一.

图1 研究区域的地理位置

据2019年泉州统计年鉴统计，泉州市总面积11 015 km2，常住人口870万，其中，鲤城区与丰泽区面积约为161.74 km2，常住人口约95.1万，城镇化率高达66.7%，且人口分布较为均质、居住功能相对集中、街道网络较为完整且历史最为悠久.因此，以这两个区域为研究对象，功能区识别的准确率相对较高.另外，这两个区域交通网络形成的地理阻隔明显，可以减少或避免外围公共服务设施对识别过程产生的边缘效应(如图2).

图2 研究区路网

1.2 数据来源

本研究中的POI数据是基于Python语言从高德地图中爬取，共7 543条记录，分13种类型，分别为公共管理和社会组织、公共设施、交通运输和仓储及邮政业、教育、金融、居民生活服务、批发零售、卫生社会保障、文化娱乐体育、住宿餐饮、租货和商业活动、工业、住宅小区.

路网、水域与森林等地理要素矢量数据源自开放社区地图(open street map，OSM).此数据源是由网络大众共同打造的免费、开源、可编辑的地图服务.它依靠公众无偿的贡献，利用集体的力量采集和完善全球相关地理数据，并通过无偿回馈给社会的方式参与并促进相关研究的发展.相比于其他地图服务，OSM对于用户非常友好.

2 研究方法

2.1 基于城市路网生成不规则格网

城市路网是城市交通空间特征的表现，利用路网划分城市空间，形成不规则的多边形区域，这些区域在承载城市影响力方面被认为是均等的.基于路网形成的不规则多边形进行功能区的划分，可提高划分的合理性.

针对路网中存在的拓扑错误，依据下面规则，对路网首先进行拓扑修复和纠正.

1)对于孤立的道路，如果其与相邻路网之间的距离小于20 m，则进行双向延长直至也相邻路网连接；若大小20 m，才进行删除.

2)对于悬挂的道路，进行延长至与其相邻路网连接.纠正后对比泉州市的实时路况进行校验.

最后，基于拓扑修复后的路网将研究区域切割成若干不规则格网(图).

2.2 POI的重分类

原始POI数据中存在数据冗余问题，需要进行重分类处理[2]，主要解决的问题包括：

1)POI数据名称完全相同的[3].

2)POI数据的空间属性完全一样的，即经纬度字段值相同.

之后，剔除掉公众认知度较低[4]处在城市中心边缘且数量极少的点要素类，只保留对于城市功能区有显著代表作用的点要素类，如交通汽车站、工业园等.最后，重分类结果如表1所示(L：large-scale，大尺度分类；M：medium-scale，中尺度分类；S：small-scale，小尺度分类)：

表1 POI数据重分类

2.3 分类权重

不同的兴趣点要素，其建筑面积与公众认知度等的不同导致其在城市空间中的影响力各不相同.我们用权重的形式来刻画该影响力，并基于此对城市空间进行识别[5].

本研究城市功能区划分为6类，分别为：居住区、商业区、交通用地、绿地广场、公共用地、产业区，每个功能区内部所有POI大类类型的总权重为1，公式为

∑Li=1i∈(1，2，…，6)

(1)

式中，Li为大尺度分类中第i类的权重.

在同一大尺度类型中，对不同的中类进行两两比较，根据相对影响力为比较对中每个中类进行权重赋值，两中类的总权重之和为1.各中类的最终权重为在所有比较对中获得的权重的平均值，公式为

(2)

式中，Mj为特定大类下第j中类权重，km为第j中类与第m中类进行比较后的权重取值，n为该特定大类下中类的数量.

同一中尺度类型中不同小尺度分类之间也存在空间特征影响力的差异，为使研究结果科学合理，本研究设置每个中尺度类型下的第g小尺度类型的权重为Sg，且Sg∈(0，100).

最终，对于某一个POI，它属于第i大类下的第j中类的第g小类，则其综合权重为

Sig.=Li×Mj×Sg

(3)

式中Sig.为每一个POI数据点经过修正后的综合权重系数.

表2是本次研究中各大类的POI数据综合权重值：

表2 POI数据的综合权重

2.4 核密度估计

核密度估计是一种从数据样本出发研究数据分布特征的方法.该方法充分利用数据原始的信息，对数据的分布不附加任何假定.根据地理学第一定律，任何事物都是与其相邻近的事物相关的，且距离越近关联性越大.核密度估计正是基于此定律，利用核函数计算一定空间范围内兴趣点的密度，其核心的影响强度随距离减弱，因此能够体现较强的空间差异性，，适合于城市空间分布特征的表示.核密度估计公式为[6]

(4)

式中，f(x)是位置x处的核密度估计函数；h是带宽；ci为为宽带内第i个POI点的空间位置；n是与位置x的路径距离小于或等于h的POI点数；φ函数是空间权重函数，本研究选择四次权重方程，公式为

(5)

考虑到不同POI点的分布情况，带宽h的计算公式为

(6)

2.5 城市功能区定量识别

基于六大类要素的核密度图，以及城市路网生成的不规则多边形，计算各大尺度分类在各区域的核密度占比.计算公式为[7]

(7)

式中，Ck，i为第k个多边形区域内第i类要素的分布密度占比，Fi为第i类要素在区域单元中的核密度总和，Sk为第k个多边形区域内所有兴趣点类的核密度总和.当某一大类密度占比大于50%时，则该区域被识别为这一类型的单一功能区；当某一大类密度占比大于35%而小于50%时，该区域被识别为混合功能区，混合功能区主要由区域内占比较大的两种POI大类决定.其余的区域则统一识别为多类型混合功能区.

2.6 研究结果检验

为了验证本次实验的城市功能区识别是否准确，将研究结果与高德地图进行对比分析，选择20个街区，检验研究结果的准确度[8].在准确度的评分标准中，十分符合设置为3分，较为符合为2分，一般符合为1分，完全不符合为0分.总体准确率的计算公式为

(8)

式中，k为十分符合时的评分分数，xi为第i个街区的符合度实际评分分数，n为抽取的总街区数量.

3 结果与分析

3.1 六大类兴趣点要素分布密度的空间特征

图3～图8分别是居民区、商业区、绿地和广场、交通、公共服务以及产业区分布密度图.从总体上看，研究区域中的西南、东北区域的核密度分布相对稀疏，而中心区域和东南区域相对密集.

图3 居民区分布密度图图4 商业区分布密度图

图5 绿地和广场分布密度图图6 交通分布密度图图7 公共服务分布密度图图8 产业区分布密度图

商业区主要分布在晋江两岸，其中商业区高密度分布区域与居民区的高密度分布区域混合发生于城市中心.公共服务核密度呈现一强核与若干弱核组成的空间分布特征，符合城市公共服务资源配置的基本规律，即公共服务资源从城市中心到城市边缘逐渐递减.

与其他功能区密度相比，绿地和广场高密度聚集区域面积较小，且高密度区域与低密度区域的密度值相比有显著差异.高密度区主要集中在城市的中心区域，呈点状分布，镶嵌在商业区、公共用地、居民区的高密度区域中.其分布状况一方面反映城市的绿色空间分布特征为点缀式分布，另一方面也反映广场与城市土地利用的关系，即广场的属性与城市土地类型具有高度相关性.根据poi的属性可以发现，镶嵌在商业区的高密度广场多为商业型广场，而镶嵌在公共服务用地的高密度广场区多为集散或公共活动类广场等.

交通在城市的中心和边缘分别有两个高密度区域.其中，位于城市边缘的两个高密度区域分别是泉州动车站、泉南高速枢纽所在地，位于城市中心的是泉州汽车站、泉州客运中心汽车站所在地.通过计算密度数据可知，城市中心的密度高于边缘密度，从侧面反映，公路运输是泉州市对外交通的主要方式.根据《泉州市2018年交通运输工作总结》的统计数据，公路运输方式在完成货物运输量和旅客运输量上分别占比 55.75% 、69.67%.但是随着泉州市经济发展，公路运输的占比将逐渐减少，同比去年的数据，公路运输在完成旅客运输量的占比上负增长15.6%，在各种运输方式中下滑最多.而从2015年到2018年间，铁路、民航、水运占比逐年增长.说明泉州市的交通运输结构正在发生改变，快速交通方式运输成本低、能耗低、运量大的优点，大大提高了交通便利性，促进经济的发展.表明泉州市即将步入经济活动快速发展的阶段.

高密度的产业区主要以机械汽配、纺织服装业、包装鞋业、石油化石等产业为代表，占泉州市国民经济总产值的76.84%(依据《2018年泉州市国民经济和社会发展统计公报》计算).这些产业主要分布在邻接水域的地方，如：机械制造业集中于沿海区域，纺织服装业、包袋鞋业则主要集中于晋江两岸下游地区.可见，泉州市的主要工业活动呈现沿河或沿海线状分布的特征.

3.2 泉州市主城区功能区划分结果

图9为泉州市主城区城市功能分区分布图.在研究区域中，混合功能区的数量为98个，面积占比约为14.86%，大部分集中在城市的中心区域，以公共服务、居住区、绿地和广场和商业区的混合功能区类型为主.

图9 泉州市主城区城市功能分区分布图

单一功能区的数量为250个，面积占比约为84%.居民区、公共服务类用地分布比较均匀.在城市边缘分布的绿地和广场一般面积大但数量少，而在中心区域分布的绿地和广场相对面积小但数量较多.产业区主要集中在晋江下游，交通功能区分布与其核密度分布高度一致.各类单一功能区的占地面积见表3，面积最大的是绿地和广场，其次是商业区.面积最小的是产业区，其次是交通.

表3 单一功能区占地面积

商业区在研究区域占地面积为36.57平方公里，位于区域中心的占比大约为30%，西南区域占比大约为38%.一般来说，城市的中心对商业活动的吸引力是巨大的.但是在分布图的西南区域却有着大片区域的商业区.西南区-鲤城区是泉州市最大的商业聚集地，以汽车服务、保险金融、购物服务为主，商业活动频繁.从其地理区位来看，该地区内商业较为密集的原因在于：1)该地区为多级行政区的交界处，西北、西南与东北分别与南安市、晋江市和丰泽区接壤，往来流动人口较多；2)与泉南高速枢纽与晋江机场邻近，交通便利.

城市人口是由不同职业、不同社会阶层的人组成，形成了不同社会处境，相应形成了不同级别的居民区[9].在研究区域中，高等住宅小区附近一般有公园和森林，或者其本来就建设在环境优美的区域中.而普通住宅小区则多数位于与商业、公共服务等其他类型混合的功能区.

在边缘地带，单一功能区出现的频率较高.一方面是因为近几十年以来，随着城市城镇化率逐渐上升，城市内部空间逐渐压缩，以至于一些社会组织和公共机构开始撤离城区、往市区边缘聚集，例如泉州市政府和一些医院学校；另一方面也是因为在城市边缘区域，政府更容易制定与实施较大规模的单一功能区的发展规划与政策，例如泉州火车站的建设和高等住宅小区.

3.3 结果检验

本研究选择30个街区检验分区结果，如表4所示：

表4 城市功能区分区符合评分表

由检验公式得到研究区域识别准确率为80.0%.30个街区中十分符合的有22个，占比73.33%，完全不符合，即分值为0的有3个，占比10%.这三个划分错误的原因是受到外界因素影响，三个研究单元的附近，存在综合权重相对大的其他类型数据，使三个研究单元真实属性的核密度占比过小，造成划分错误.

单一功能区的识别准确率为84.84%，其中，交通、绿地和广场的识别准确率最高，达到了100%.混合功能区的识别准确率为70.83%，其中，多类型混合区识别率达到了80%.混合功能区的识别准确率低的主要原因有两点，1)研究单元位于城市边缘，POI数据少且单一，导致混合功能区识别成单一功能区.2)在研究单元内部，同一小类的POI数据影响力不同，权重系数相同，造成混合功能区识别出错.

整体来说本次城市功能区划分识别具有较高的准确度，说明本研究探索的分区方法科学合理.

4 结论

本次研究以城市路网划分的不规则多边形作为研究单元，基于核密度估计方法，对泉州市鲤城区与丰泽区进行功能区划分.划分结果基本与泉州市主城区的总体规划相契合，表明泉州市主城区的空间规划相对合理，充分利用土地的资源，提高土地利用的收益，同时也证明划分方法切实可行.本研究的划分方法显著提高了单一功能区的识别精度.另外，因为将混合功能区纳入考虑范畴，城市内部空间功能组合更加多样，也因此更加清晰，为今后的城市规划建设提供了理论依据.

本研究仍存在不足之处，比如：POI数据的权重赋值和选取的验证单元不足够客观.实际上，即使是同一小类的POI数据之间，依然存在影响力不同.其次，在城市的边缘地带，POI数据量少，存在少量POI数据识别一大片区域的问题.这些情况都需要进一步的研究和改进.本研究可为城市管理与规划、政府决策、居民服务和“智慧城市”建设等提供科学的服务.以后还可以利用高分辨率的遥感影像改善数据融合的模型，提高识别精确度.