基于POI數(shù)據(jù)的城市功能區(qū)識別

郭亞峰, 藍(lán)貴文, 范冬林, 杜永良

(桂林理工大學(xué) a.測繪地理信息學(xué)院; b.廣西空間信息與測繪重點(diǎn)實(shí)驗(yàn)室, 廣西 桂林 541006)

0 引 言

隨著城市的發(fā)展, 不同類型的城市功能活動集聚和擴(kuò)散使城市中形成了多種城市功能的混合體, 同時也出現(xiàn)了各種各樣的功能區(qū)。城市功能區(qū)的研究不僅可以解決現(xiàn)有的城市問題[1-3], 如交通擁堵、 房價(jià)上漲等, 還可以優(yōu)化城市的空間結(jié)構(gòu), 為城市的健康發(fā)展提供數(shù)據(jù)支持依據(jù)。目前, 對于城市功能區(qū)的劃分主要采用主觀判別和調(diào)查統(tǒng)計(jì)[4]等方法, 這兩種方法存在著人力、 物力消耗過大、 耗時長、 實(shí)時更新困難等問題。

隨著網(wǎng)絡(luò)技術(shù)和通信技術(shù)的發(fā)展, 使得人們的生活與網(wǎng)絡(luò)緊密相連, 人們出行分享的地址、 公共交通軌跡以及公共設(shè)施位置等各類數(shù)據(jù)信息被記錄在網(wǎng)絡(luò)上, 利用這些數(shù)據(jù)可以方便快捷地分析城市功能區(qū)分布。近年來, 一些學(xué)者使用POI數(shù)據(jù)分別結(jié)合公交車刷卡數(shù)據(jù)[5]、 出租車軌跡數(shù)據(jù)[6-7]和地理監(jiān)測數(shù)據(jù)[8-9]等對城市單一功能區(qū)識別進(jìn)行了研究, 但在城市的實(shí)際功能區(qū)中, 不僅僅存在著單一功能區(qū), 還存在著大量的混合功能區(qū), 混合功能區(qū)的存在體現(xiàn)了現(xiàn)有城市空間結(jié)構(gòu)與城市規(guī)劃之間的差別, 混合功能區(qū)的識別結(jié)果也有助于城市的管理者更好地了解現(xiàn)階段城市功能的分布, 為城市發(fā)展規(guī)劃提供數(shù)據(jù)支持?；谶@種情況, 一些學(xué)者使用POI數(shù)據(jù)分別結(jié)合矢量路網(wǎng)[10-11]、 遙感[12]、 公共自行車庫存[13]等數(shù)據(jù)對城市混合功能區(qū)進(jìn)行了研究, 但存在著數(shù)據(jù)獲取難度大、 成本高、 更新周期長、 操作麻煩等缺點(diǎn); 而開源的POI數(shù)據(jù)容易獲取、 成本低、 動態(tài)更新, 因此本文以開源免費(fèi)的POI數(shù)據(jù)為基礎(chǔ), 利用基于頻數(shù)密度算法的城市功能區(qū)定量分析方法實(shí)現(xiàn)北京市中心城區(qū)的功能區(qū)識別, 再以核密度分析法驗(yàn)證城市各類功能的聚集區(qū)域, 最后利用《北京城市總體規(guī)劃(2004年—2020年)》和2018年谷歌遙感圖像分別對本文識別結(jié)果、 結(jié)合了矢量路網(wǎng)和遙感圖像的城市功能區(qū)識別結(jié)果以及無權(quán)重的城市功能區(qū)識別結(jié)果進(jìn)行精度驗(yàn)證, 證明本文識別方法的有效性。

1 基于POI的定量識別城市功能區(qū)

本文的研究區(qū)域是北京市中心城區(qū), 包括東城區(qū)、 西城區(qū)、 朝陽區(qū)、 豐臺區(qū)、 石景山區(qū)和海淀區(qū), 面積1 288.84 km2, POI數(shù)據(jù)來源于北京市中心城區(qū)2018年百度地圖數(shù)據(jù), 包括地點(diǎn)名、 類型、 地址、 所在區(qū)域、 坐標(biāo)等公開屬性。這些POI數(shù)據(jù)存在較多的分類和龐大的數(shù)量, 并且POI數(shù)據(jù)的類型之間存在著重疊現(xiàn)象, 如學(xué)校的宿舍會存在于教育科研中, 也會存在于住宅小區(qū)中。如果直接使用此時的POI數(shù)據(jù)進(jìn)行研究, 不僅會增加工作量, 同時也會對功能區(qū)的劃分產(chǎn)生影響, 因此參考《城市用地分類與規(guī)劃建設(shè)用地標(biāo)準(zhǔn)》(GB 50137—2011)并結(jié)合研究區(qū)的實(shí)際情況與功能區(qū)的特點(diǎn), 本文將城市POI數(shù)據(jù)分為公司企業(yè)、 公共管理與醫(yī)療服務(wù)、 休閑娛樂與風(fēng)景名勝、 教育科研、 住宅小區(qū)、 交通樞紐、 商業(yè)金融七大類, 同時基于POI數(shù)據(jù)和研究區(qū)的行政區(qū)劃圖, 建立1 km×1 km的格網(wǎng), 計(jì)算單元格內(nèi)不同類型POI數(shù)據(jù)的頻數(shù)密度比例, 從而研究城市功能區(qū)的劃分。

1.1 POI數(shù)據(jù)的預(yù)處理

共獲取研究區(qū)域內(nèi)1 173 560條POI數(shù)據(jù), 這些數(shù)據(jù)使用的原始坐標(biāo)系是百度坐標(biāo)系, 而本文所采用的坐標(biāo)系是WGS84坐標(biāo)系, 通過坐標(biāo)轉(zhuǎn)換將這些POI數(shù)據(jù)的坐標(biāo)系轉(zhuǎn)換為WGS84坐標(biāo)系。坐標(biāo)轉(zhuǎn)換結(jié)束后, 將POI數(shù)據(jù)中的ATM、 公交站、 道路、 河流、 湖泊等對功能區(qū)劃分無用的數(shù)據(jù)刪除, 同時刪除丟失了坐標(biāo)信息的POI數(shù)據(jù), 確保數(shù)據(jù)的準(zhǔn)確性。

將以上劃分的七大類POI數(shù)據(jù)(公司企業(yè)、 公共管理與醫(yī)療服務(wù)、 休閑娛樂與風(fēng)景名勝、 教育科研、 住宅小區(qū)、 交通樞紐、 商業(yè)金融)， 同時參考趙衛(wèi)鋒等[14]的公眾認(rèn)知度, 對一些重要交通樞紐(火車站、 飛機(jī)場)、 大型商場(購物中心、 百貨商場、 商業(yè)大廈等)、 大學(xué)(國內(nèi)本科高校)、 醫(yī)院(國家二級及以上醫(yī)院)、 政府機(jī)構(gòu)(市委市政府及以上單位, 各國大使館等)、 風(fēng)景名勝(風(fēng)景區(qū)、 古跡、 公園等)等地標(biāo)性POI賦予一定的權(quán)重(表1)。根據(jù)權(quán)重增加地標(biāo)性POI的數(shù)量, 例如某大型商場原有1個POI, 而大型商場的權(quán)重為16, 則該大型商場現(xiàn)在POI的數(shù)量為16個。加入權(quán)重有助于將地標(biāo)性POI與其同類的普通POI之間的影響力有效區(qū)分, 使功能區(qū)的識別更貼合實(shí)際情況(表2)。

表1 地標(biāo)性POI權(quán)重

表2 POI數(shù)據(jù)重分類

1.2 主要研究方法

通過添加漁網(wǎng)將北京市中心城區(qū)劃分為1 km×1 km格網(wǎng), 并基于頻數(shù)密度算法[15], 提出一種城市功能區(qū)的定量識別方法, 計(jì)算公式為

(1)

式中:Ni表示格網(wǎng)單元內(nèi)的第i種POI類型的數(shù)量占該類型的POI總數(shù)的頻數(shù)密度;Ci表示第i種類型POI的頻數(shù)密度占單元內(nèi)所有類型POI頻數(shù)密度的比例。

通過上式計(jì)算出格網(wǎng)中每個格網(wǎng)單元的POI頻數(shù)密度比例, 用來判斷每一個格網(wǎng)單元的功能?，F(xiàn)有研究大多以0.5為閾值[16], 只要某一類POI頻數(shù)密度比例大于0.5, 就將此區(qū)域劃分為單一功能區(qū), 否則即為混合功能區(qū)。這種方法最終結(jié)果較為準(zhǔn)確, 但是在某些特殊情況下會產(chǎn)生錯誤的劃分, 例如當(dāng)7種POI頻數(shù)密度比例中有一類a為0.51, 另一類b為0.49, 其余5類為0時, 如果以頻數(shù)密度比例0.5為劃分依據(jù), 此區(qū)域被劃分為單一功能區(qū), 但實(shí)際上此區(qū)域被劃分為ab混合功能區(qū)更為合理。因此, 本文提出將各類POI頻數(shù)密度比例之間的差值作為功能區(qū)劃分依據(jù), 判斷過程如圖1所示。

圖1 功能區(qū)劃分流程圖

如果某格網(wǎng)單元內(nèi)數(shù)值最大的POI頻數(shù)密度比例與排名第二的POI頻數(shù)密度比例相差大于20%時, 判定此功能區(qū)為單一功能區(qū), 屬性由頻數(shù)密度比例中數(shù)值最大的POI決定?；旌瞎δ軈^(qū)則由以下規(guī)則判定: 1)如果某格網(wǎng)單元內(nèi)數(shù)值最大的a類POI頻數(shù)密度比例與排名第二的b類POI頻數(shù)密度比例相差小于20%, 但排名第二的b類POI頻數(shù)密度比例與排名第三的c類POI頻數(shù)密度比例相差大于20%時, 稱此格網(wǎng)單元為ab混合功能區(qū); 2)如果某格網(wǎng)單元內(nèi)數(shù)值最大a類POI頻數(shù)密度比例與排名第二b類 POI頻數(shù)密度比例相差小于20%, 且排名第二b類POI頻數(shù)密度比例與排名第三c類POI頻數(shù)密度比例相差小于20%時, 稱此格網(wǎng)單元為abc混合功能區(qū)。例如當(dāng)a是住宅小區(qū)、 b是商業(yè)金融、 c是公司企業(yè)時, 此格網(wǎng)單元的性質(zhì)就由這3種城市POI數(shù)據(jù)類別決定。

當(dāng)此格網(wǎng)單元內(nèi)未包含任何一種城市POI數(shù)據(jù)時, 這種類型的格網(wǎng)單元就被稱為空值區(qū)。

2 城市功能區(qū)識別結(jié)果分析與驗(yàn)證

2.1 識別結(jié)果與分析

根據(jù)功能區(qū)的判別規(guī)則, 本文共產(chǎn)生了7種單一功能區(qū)和48種混合功能區(qū)。本文圖例作如下統(tǒng)一規(guī)定： A—公共管理與醫(yī)療服務(wù)功能區(qū)； B—公司企業(yè)功能區(qū); C—交通樞紐功能區(qū); D—教育科研功能區(qū); E—商業(yè)金融功能區(qū); F—休閑娛樂與風(fēng)景名勝功能區(qū); G—住宅小區(qū)功能區(qū)。

根據(jù)圖2識別的北京市中心城區(qū)功能區(qū)分布圖, 共有1 412個功能區(qū), 其中中心區(qū)域大部分功能區(qū)為混合功能區(qū), 而單一功能區(qū)的數(shù)量為732個。在單一功能區(qū)中, 休閑娛樂與風(fēng)景名勝功能區(qū)數(shù)量最多, 為175個, 約占單一功能區(qū)數(shù)量的1/4, 這主要是因?yàn)樾蓍e娛樂與風(fēng)景名勝功能區(qū)中的景區(qū)、 公園等POI占地面積較大, 且周圍其他類型的POI相對較少, 容易被識別。

在圖2a中可以發(fā)現(xiàn), 休閑娛樂與風(fēng)景名勝功能區(qū)分布在研究區(qū)的中心位置、 北五環(huán)周圍及研究區(qū)的西部邊界等位置, 主要對應(yīng)著故宮、 天安門廣場、 中山公園、 北海公園以及大部分的森林公園等景點(diǎn)。單一功能區(qū)中商業(yè)金融功能區(qū)的數(shù)量最少, 僅有52個, 包含二環(huán)內(nèi)較為有名的西單、 王府井等商業(yè)中心。公共管理與醫(yī)療服務(wù)功能區(qū)數(shù)量為63個, 主要分布在二環(huán)內(nèi)和東三環(huán)周圍, 這部分區(qū)域分布著重要的政府機(jī)構(gòu)和大使館等POI要素。教育科研的功能區(qū)主要分布在北三環(huán)到北五環(huán)之間的區(qū)域內(nèi), 這部分區(qū)域中主要分布著清華大學(xué)、 北京大學(xué)、中國科學(xué)院生態(tài)環(huán)境研究中心等高校和研究所; 而教育科研功能區(qū)數(shù)量較少主要是由于教育科研POI要素周圍多分布著公司企業(yè)、 商業(yè)金融以及休閑娛樂與風(fēng)景名勝等類型的POI要素, 導(dǎo)致功能區(qū)中教育科研屬性占比較小。公司企業(yè)功能區(qū)數(shù)量為167個, 分布比較分散, 呈現(xiàn)“大分散和小集聚”的特點(diǎn), 其中主要的聚集點(diǎn)是北四環(huán)周圍的中關(guān)村、 上地等地區(qū)。交通樞紐功能區(qū)數(shù)量為69個, 大部分處于四環(huán)以外, 原因是交通樞紐一般占地面積較大、 人流較多, 其設(shè)在四環(huán)以外有利于緩解城市中心用地壓力, 便于疏通人流。

圖2 功能區(qū)分布圖

在混合功能區(qū)中數(shù)量最多的是公共管理與醫(yī)療服務(wù)公司企業(yè)-住宅小區(qū)混合功能區(qū), 有116個, 主要分布在四環(huán)以內(nèi)。從功能區(qū)統(tǒng)計(jì)結(jié)果中可以得出北京市中心城區(qū)的功能區(qū)混合情況, 如在409個混合功能區(qū)之中都出現(xiàn)了公共管理與醫(yī)療服務(wù)屬性, 充分說明了北京市是我國政治中心及擁有完善醫(yī)療保障體系的事實(shí); 在496個混合功能區(qū)中出現(xiàn)了住宅小區(qū)屬性, 顯示了北京市中心城區(qū)的人口密度之高。此外, 在北三環(huán)和北五環(huán)之間的大學(xué)聚集區(qū), 除了單一的科研教育功能區(qū)外, 周邊的混合功能區(qū)大部分都具有科研教育屬性; 而住宅小區(qū)功能往往和商業(yè)金融功能以及公共管理與醫(yī)療服務(wù)功能等混雜在一起; 教育科研功能往往和公司企業(yè)功能、 住宅小區(qū)功能混雜在一起; 單一功能區(qū)周邊的混合功能區(qū)都具有該單一功能區(qū)的屬性。

2.2 城市功能區(qū)識別結(jié)果驗(yàn)證

2.2.1 城市功能分布情況驗(yàn)證 核密度分析法是研究地理空間數(shù)據(jù)分布特征的重要方法, 可以挖掘各類要素主要的聚集區(qū)域, 被廣泛應(yīng)用于城市熱點(diǎn)探測[17]、 中心識別[18]等地理空間結(jié)構(gòu)的研究。該方法所得核密度的值越高, 表示此區(qū)域中POI要素分布越密集。依據(jù)這一思想, 本文利用核密度分析法[19-20]對7類POI要素定性分析, 經(jīng)過多次試驗(yàn)選取最優(yōu)的搜索半徑, 提取核密度分析等值線, 得到7類POI要素的核密度分布圖, 并對其數(shù)值進(jìn)行歸一化[21], 使7類POI核密度圖之間具有一定的可對比性。從圖3中可看出, 公共管理與醫(yī)療服務(wù)的POI要素主要集中在二環(huán)內(nèi)及東三環(huán)附近； 公司企業(yè)的POI要素主要集中在北四環(huán)和北五環(huán)附近； 交通樞紐POI要素則分散在研究區(qū)域的各個地方, 體現(xiàn)了北京市公共交通的發(fā)達(dá)程度； 教育科研的POI要素主要集中在北三環(huán)到北五環(huán)之間的區(qū)域內(nèi), 這里主要分布著北京市各大高校； 商業(yè)金融的POI要素主要分布在東城區(qū)、 西城區(qū)和東三環(huán)周圍的區(qū)域內(nèi), 這部分區(qū)域分布著西單、 王府井、 國貿(mào)等商圈； 休閑娛樂與風(fēng)景名勝的POI要素分布最密集的區(qū)域是研究區(qū)的中心, 這里分布著故宮、 景山公園、 北海公園、 中山公園等風(fēng)景名勝； 住宅小區(qū)的POI要素主要分布在三環(huán)之內(nèi), 占據(jù)了東城區(qū)和西城區(qū)的大部分地區(qū)。7類核密度分布圖中住宅小區(qū)、 休閑娛樂與風(fēng)景名勝、 交通樞紐、 商業(yè)金融和公共管理與醫(yī)療服務(wù)相對密度最大的區(qū)域都集中在三環(huán)以內(nèi), 尤其是公共管理與醫(yī)療服務(wù)核心區(qū)域占據(jù)了東城區(qū)、 西城區(qū)的大部分區(qū)域, 顯示了東城區(qū)、 西城區(qū)行政中心的主要屬性。核密度分布圖中POI聚集結(jié)果與前文城市單一功能區(qū)的識別結(jié)果基本吻合。

圖3 7類POI要素核密度分布圖

2.2.2 城市功能區(qū)識別結(jié)果對比驗(yàn)證 為了充分驗(yàn)證識別出的功能區(qū)結(jié)果的準(zhǔn)確性, 利用加權(quán)POI數(shù)據(jù)結(jié)合矢量路網(wǎng)和遙感數(shù)據(jù)對城市功能區(qū)進(jìn)行識別并將識別結(jié)果的精度與本文識別方法精度對比。其中矢量路網(wǎng)數(shù)據(jù)來自于open street map (osm)網(wǎng)站, 遙感數(shù)據(jù)為谷歌2018年的衛(wèi)星影像圖。利用衛(wèi)星影像圖對矢量路網(wǎng)進(jìn)行修整, 刪減重復(fù)與過于密集的路網(wǎng), 然后對矢量路網(wǎng)數(shù)據(jù)進(jìn)行拓?fù)滢D(zhuǎn)換, 將路網(wǎng)數(shù)據(jù)由線要素轉(zhuǎn)化為面要素, 利用矢量路網(wǎng)單元對城市功能區(qū)進(jìn)行劃分, 得到城市功能區(qū)分布情況, 如圖4所示。同時為了驗(yàn)證POI權(quán)重對城市功能區(qū)識別精確度的重要性, 利用未賦權(quán)重的原始POI數(shù)據(jù)對城市功能區(qū)進(jìn)行識別, 識別結(jié)果如圖5所示。

圖4 采用路網(wǎng)單元的功能區(qū)劃分結(jié)果

圖5 原始POI數(shù)據(jù)功能區(qū)劃分結(jié)果

本文識別方法得到的結(jié)果中混合功能區(qū)單元數(shù)量有680個, 無權(quán)重識別方法的結(jié)果中混合功能區(qū)單元數(shù)量有869個, 路網(wǎng)單元識別方法的結(jié)果中混合功能區(qū)單元數(shù)量有378個, 采用置信度95%的樣本分析方法, 分別抽取246、 267、 191個混合功能區(qū)單元, 同時選擇3種識別方法得到功能區(qū)分布結(jié)果中全部的單一功能區(qū)單元, 以這些功能區(qū)單元作為驗(yàn)證對象, 參照《北京城市總體規(guī)劃》(2004年—2020年)和2018年谷歌遙感圖像, 進(jìn)行人工判斷分區(qū)[3, 5, 9]。而當(dāng)二者區(qū)域?qū)傩圆灰恢聲r, 以2018年谷歌遙感圖像顯示的區(qū)域?qū)傩詾橹?。其中《北京城市總體規(guī)劃》(2004年—2020年)土地類型與本文功能區(qū)類型之間的對應(yīng)關(guān)系為: 公共設(shè)施用地和市政公用設(shè)施用地→公共管理與醫(yī)療服務(wù)功能區(qū), 工業(yè)用地和倉儲用地→公司企業(yè)功能區(qū), 鐵路用地和機(jī)場用地→交通樞紐功能區(qū), 教育科研設(shè)計(jì)用地→教育科研功能區(qū), 商業(yè)金融用地→商業(yè)金融功能區(qū), 體育用地、 綠地、 水域和農(nóng)業(yè)用地→休閑娛樂與風(fēng)景名勝功能區(qū), 居住用地→住宅小區(qū)功能區(qū), 混合用地→混合功能區(qū)。而人工判斷分區(qū)主要采用專家判斷法, 即邀請5位具有相關(guān)專業(yè)知識的專家, 對照《北京城市總體規(guī)劃》(2004年—2020年)和2018年谷歌遙感圖像對所選出的功能區(qū)單元所屬類別進(jìn)行判斷。綜合5位專家判斷結(jié)果, 確定以上所選出的功能區(qū)單元類別, 即功能區(qū)的真值。利用功能區(qū)真值對照3種方法識別出來的功能區(qū)分布結(jié)果, 確定3種方法的功能區(qū)識別精度, 驗(yàn)證本文識別方法的有效性, 3種方法的識別精度如表3所示。

表3 不同識別方法的功能區(qū)識別結(jié)果精度評價(jià)

可知, 本文識別方法中功能區(qū)識別精度最高的是休閑娛樂與風(fēng)景名勝功能區(qū), 為93.14%, 最低的是交通樞紐功能區(qū), 為79.71%。交通樞紐功能區(qū)識別精度最低主要是由于交通樞紐要素周邊往往聚集著物流公司、 商店和住宅小區(qū)等POI要素, 導(dǎo)致交通樞紐功能區(qū)被識別為公司企業(yè)功能區(qū)、 商業(yè)金融功能區(qū)或住宅小區(qū)功能區(qū)。同樣地, 在路網(wǎng)單元識別方法中交通樞紐功能區(qū)識別精度較低的原因也是如此。此外, 休閑娛樂與風(fēng)景名勝功能區(qū)在本文功能區(qū)識別方法和路網(wǎng)單元識別方法中識別精度都較高, 主要是因?yàn)樾蓍e娛樂與風(fēng)景名勝要素周邊其他類型POI要素較少, 因此休閑娛樂與風(fēng)景名勝功能區(qū)的識別精度也會隨之增加, 這也造成了無權(quán)重識別方法中休閑娛樂與風(fēng)景名勝功能區(qū)的識別精度達(dá)到了82.42%的較高水平。3種方法對于混合功能區(qū)的識別, 其中精度最低的是無權(quán)重識別方法, 僅為26.97%, 證明了權(quán)重對于混合功能區(qū)識別的重要性, 而本文功能區(qū)識別方法中混合功能區(qū)的識別精度為83.74%, 比路網(wǎng)單元識別方法中的混合功能區(qū)的識別精度高了1.02%, 主要是由于本文識別方法與路網(wǎng)單元識別方法采用的評價(jià)尺度不一樣, 本文識別方法采用的是1 km×1 km的單元格網(wǎng), 而路網(wǎng)單元識別方法采用的是北京市的真實(shí)路網(wǎng), 而路網(wǎng)單元的面積不固定, 在路網(wǎng)稀疏的部分會造成功能區(qū)識別精度的下降。這說明了本文功能區(qū)識別方法對于混合功能區(qū)識別的有效性以及增加權(quán)重的必要性,從總體上來看, 無權(quán)重識別方法的平均精度最低, 僅為59.43%, 證明了通過賦權(quán)重增加城市功能區(qū)識別精度的必要性; 而本文功能區(qū)識別方法和路網(wǎng)單元識別方法精度相差不大, 分別為84.88%、 85.61%, 總體精度良好。

3 結(jié)束語

本文以北京市中心城區(qū)的POI數(shù)據(jù)為基礎(chǔ), 提出了一種基于頻數(shù)密度算法的城市功能區(qū)定量分析識別方法, 并對識別結(jié)果進(jìn)行了精度驗(yàn)證。從驗(yàn)證結(jié)果來看, 本文提出的基于POI數(shù)據(jù)的城市功能區(qū)劃分方法對城市功能區(qū)的識別有較高的精確度, 驗(yàn)證了該方法的可行性， 但由于POI數(shù)據(jù)幾何特征為點(diǎn)狀類型, 導(dǎo)致在識別大面積地物類別時精度稍顯不足, 如在路網(wǎng)識別方法中公共管理與醫(yī)療服務(wù)功能區(qū)、 教育科研功能區(qū)等識別精度要略高于本文識別方法精度, 因此在今后的研究中將會結(jié)合POI數(shù)據(jù)的實(shí)際面積來實(shí)施功能區(qū)識別。本研究有助于人們對城市空間結(jié)構(gòu)的了解和管理者更好地了解城市功能的分布, 提高土地利用效率, 為城市的發(fā)展提供數(shù)據(jù)支持, 并進(jìn)一步提供輔助決策支持。