社交媒體位置數(shù)據(jù)支持下的城市功能區(qū)識(shí)別——以上海市為例

牛妍妍， 楊詣成， 於家，2*， 王晨宇， 孫海情

社交媒體位置數(shù)據(jù)支持下的城市功能區(qū)識(shí)別——以上海市為例

牛妍妍1， 楊詣成1， 於家1，2*， 王晨宇1， 孫海情1

（1.上海師范大學(xué) 環(huán)境與地理科學(xué)學(xué)院，上海 200234； 2.上海師范大學(xué) “數(shù)字人文資源建設(shè)與研究”重點(diǎn)創(chuàng)新團(tuán)隊(duì)，上海 200234）

基于社交媒體位置數(shù)據(jù)，采用-means聚類方法，通過分析在500 m×500 m網(wǎng)格尺度上，城市不同時(shí)間的騰訊用戶密度熱力值變化規(guī)律，識(shí)別上海城市功能區(qū)，將不同區(qū)域按功能區(qū)類型劃分為產(chǎn)業(yè)園區(qū)、城市居住區(qū)、郊區(qū)居住區(qū)、城市綜合功能區(qū)、農(nóng)村村落地區(qū)、農(nóng)田、灘涂及未利用地分布區(qū).通過將識(shí)別結(jié)果與高分辨率衛(wèi)星影像和興趣點(diǎn)（POI）數(shù)據(jù)的對比分析，證明了使用社交媒體位置數(shù)據(jù)進(jìn)行城市功能區(qū)識(shí)別的可行性.本方法獲取數(shù)據(jù)成本低，運(yùn)用簡便，為對其他地區(qū)主體功能區(qū)的劃分提供了一種新的思路與方法.

社交媒體位置數(shù)據(jù)； 城市功能區(qū)；-means算法； 上海市

0 引言

隨著人口和產(chǎn)業(yè)在城市的集聚，為了滿足居民不同的生活需求，城市在發(fā)展過程中形成了不同的城市內(nèi)部功能分區(qū)［1］.城市功能是城市整體活動(dòng)特點(diǎn)和類型的體現(xiàn)，識(shí)別城市內(nèi)部功能區(qū)的空間分布結(jié)構(gòu)，能夠?yàn)槌鞘薪Y(jié)構(gòu)優(yōu)化、城市資源的優(yōu)化配置和城市發(fā)展規(guī)劃等提供決策依據(jù)［2］.對城市功能區(qū)的研究多采用土地利用現(xiàn)狀圖、統(tǒng)計(jì)年鑒、調(diào)研問卷等數(shù)據(jù)，通過構(gòu)建指標(biāo)體系劃分城市功能區(qū).WU等［3］基于西安統(tǒng)計(jì)年鑒、土地利用調(diào)查數(shù)據(jù)集及政務(wù)網(wǎng)站公開欄等信息，通過構(gòu)建城市功能分區(qū)指標(biāo)體系，將西安市分成6個(gè)功能區(qū)，對西安市發(fā)展空間分異進(jìn)行研究.WANG等［4］根據(jù)城市已定義的區(qū)劃界限、交通環(huán)線、城廓線等方面劃分西安的城市主要功能區(qū).傳統(tǒng)研究中，數(shù)據(jù)獲取時(shí)間與人力成本較高，且更新不及時(shí)，同時(shí)，在指標(biāo)體系構(gòu)建中也存在權(quán)重系數(shù)設(shè)定的主觀性問題［5］.

近年來，大數(shù)據(jù)的研究方法被廣泛運(yùn)用于人文地理學(xué)的研究中［6］.在大數(shù)據(jù)時(shí)代的背景下，基于多源位置數(shù)據(jù)的社會(huì)感知手段，成為實(shí)時(shí)、高效、客觀地識(shí)別城市用地分類及混合用地、特殊用地的低成本工具［7］.這些數(shù)據(jù)中所包含的時(shí)間和語義特征［8］，有助于深入理解區(qū)域功能結(jié)構(gòu)和人類活動(dòng)之間的相互作用，提供從人類活動(dòng)以及個(gè)體視角進(jìn)行城市空間結(jié)構(gòu)研究的新思路［5］.很多學(xué)者根據(jù)社交媒體位置數(shù)據(jù)、興趣點(diǎn)（POI）數(shù)據(jù)、出租車軌跡數(shù)據(jù)及手機(jī)信令數(shù)據(jù)，進(jìn)行城市功能區(qū)的劃分.NING等［2］基于新浪微博用戶在深圳市的位置簽到數(shù)據(jù)，結(jié)合用戶簽到頻率、POI數(shù)量比例，以及土地利用混合程度，構(gòu)建了POI數(shù)據(jù)模型，綜合POI空間信息和語義信息，實(shí)現(xiàn)了城市空間自組織形態(tài)的功能區(qū)域主體功能識(shí)別.JIANG等［9］基于高德POI數(shù)據(jù)，通過數(shù)據(jù)的重分類與賦值，將上海城市空間分為六大類別，研究不同類別功能區(qū)的功能輻射程度與范圍，并對上海綠地空間結(jié)構(gòu)開展了評價(jià).YAO等［10］使用時(shí)序出租車出行數(shù)據(jù)和POI數(shù)據(jù)對居民出行模式進(jìn)行研究，基于動(dòng)態(tài)時(shí)間規(guī)整和-medoids聚類算法識(shí)別廣州城市功能屬性和空間結(jié)構(gòu).ZHAO等［11］基于手機(jī)數(shù)據(jù)，分析了通信公司漫游用戶數(shù)、基站網(wǎng)流量和話務(wù)量代表實(shí)際游客量的可靠性程度，并基于手機(jī)數(shù)據(jù)的波動(dòng)規(guī)律識(shí)別城市功能區(qū)分布特征.但是，運(yùn)用微博簽到數(shù)據(jù)獲取的用戶覆蓋面較小，且數(shù)據(jù)具有不確定性［12］；POI數(shù)據(jù)在數(shù)據(jù)特性方面與建筑實(shí)體之間的對應(yīng)性更強(qiáng)，并不能直接反映人類活動(dòng)；出租車軌跡數(shù)據(jù)主要分布在中心城區(qū)，其在郊區(qū)較為稀疏；由于通信基站在郊區(qū)的間距較大，導(dǎo)致中心城區(qū)與郊區(qū)的手機(jī)信令數(shù)據(jù)分類結(jié)果具有較大差異.相較于POI、出租車、手機(jī)信令數(shù)據(jù)的局限性，用戶使用社交媒體軟件所產(chǎn)生的位置數(shù)據(jù)在一定程度上能夠揭示城市用地的社會(huì)、經(jīng)濟(jì)功能，如以居住職能為主的區(qū)域和以辦公職能為主的區(qū)域在一天中會(huì)呈現(xiàn)不同的人口活動(dòng)強(qiáng)度和變化特征［7］.

本文作者將騰訊用戶密度熱力值作為數(shù)據(jù)源，以上海市（除崇明區(qū)）的陸域范圍為研究區(qū)域，將其劃分成正方形網(wǎng)格，通過-means聚類方法，挖掘城市中500 m×500 m網(wǎng)格尺度上用戶密度熱力值變化的時(shí)間規(guī)律，實(shí)現(xiàn)上海城市行政地域的城市功能區(qū)識(shí)別.將識(shí)別結(jié)果與遙感影像、POI數(shù)據(jù)進(jìn)行分析對比，驗(yàn)證本方法的可行性，并借此分析了上海城市空間結(jié)構(gòu)，以期為上海城市建設(shè)與規(guī)劃提出可行性建議.

1 研究區(qū)與數(shù)據(jù)源

1.1　研究區(qū)概況

1.2　數(shù)據(jù)源

選用騰訊用戶密度熱力值作為社交媒體位置數(shù)據(jù)源.騰訊用戶密度熱力值由騰訊公司（http：//www.qq.com）發(fā)布.騰訊用戶密度熱力值記錄了騰訊應(yīng)用（如QQ、微信、騰訊地圖和其他一些提供位置服務(wù)的移動(dòng)應(yīng)用）用戶的位置信息.根據(jù)騰訊公司2016年發(fā)布的大數(shù)據(jù)白皮書（http：//bigdata.qq.com），在北京、上海、廣州等中國一線城市，騰訊應(yīng)用用戶占城市總?cè)丝诘谋壤^93%，可見運(yùn)用騰訊用戶密度數(shù)據(jù)來表達(dá)一線城市人口分布特征具有較高的可行性［13］.此外，根據(jù)騰訊公司2021年度報(bào)告，騰訊公司旗下兩大社交媒體軟件——微信和QQ的月活躍賬號(hào)數(shù)量已分別達(dá)到12.68億和5.52億，有較大的用戶基礎(chǔ)［14］.騰訊用戶的動(dòng)態(tài)分布可以充分體現(xiàn)人口的分布與流動(dòng)特點(diǎn)，是一般人群動(dòng)態(tài)分布的抽樣空間化表達(dá).

本研究運(yùn)用的騰訊用戶密度熱力值來源于微信宜出行公眾號(hào)城市熱力圖，該數(shù)據(jù)主要呈現(xiàn)騰訊公司應(yīng)用用戶的實(shí)時(shí)密度信息，以表征該地區(qū)當(dāng)前人口分布情況［15］.應(yīng)用Python編程語言，以1 h為間隔，獲取了研究區(qū)域2019年8月25日—2019年8月31日，每日5∶00—22∶00共126個(gè)時(shí)刻（每日18個(gè)時(shí)刻）的騰訊用戶密度熱力值.原始數(shù)據(jù)坐標(biāo)系統(tǒng)為國家測繪地理信息局加密的GCJ-02坐標(biāo)系，經(jīng)過數(shù)據(jù)去重、空間化、坐標(biāo)校正、坐標(biāo)轉(zhuǎn)換等處理后，轉(zhuǎn)換為上海城市坐標(biāo)的空間數(shù)據(jù).最終獲得的人口動(dòng)態(tài)分布數(shù)據(jù)精度高，點(diǎn)陣間距為27 m，可以較詳細(xì)地反映特定區(qū)域、特定時(shí)間段的人口分布特征（圖1）.

圖1　騰訊用戶密度熱力值

此外，還運(yùn)用了高分辨率遙感影像與POI數(shù)據(jù)檢驗(yàn)城市功能區(qū)識(shí)別結(jié)果的準(zhǔn)確性和精度.高分辨率遙感影像數(shù)據(jù)來源于谷歌地圖.POI數(shù)據(jù)通過高德地圖采集，共16 514條記錄.將POI數(shù)據(jù)綜合為12類：餐飲購物、生活服務(wù)、體育休閑、醫(yī)療保健、酒店賓館、旅游景點(diǎn)、居民住宅、政府機(jī)構(gòu)、科教文化、交通設(shè)施、公司企業(yè)以及金融保險(xiǎn).

2 研究方法

2.1　數(shù)據(jù)預(yù)處理

2.2　K-means聚類算法

-means聚類算法是一種無監(jiān)督學(xué)習(xí)算法［16］，在1967年由MACQUEEN［17］首次提出.相較于其他聚類算法，-means聚類算法能以較小的計(jì)算開銷，取得較好的聚類效果.

運(yùn)用Python編程語言和第三方開源機(jī)器學(xué)習(xí)算法庫scikit-learn進(jìn)行算法編碼，對預(yù)處理后的網(wǎng)格數(shù)據(jù)使用-means算法進(jìn)行聚類，將網(wǎng)格聚類的結(jié)果作為城市功能區(qū)識(shí)別的結(jié)果.scikit-learn庫囊括機(jī)器學(xué)習(xí)中分類、聚類、回歸、降維四大類模型，集成了-means、支持向量機(jī)（SVM）、決策樹、隨機(jī)森林、主成分分析等常見算法.scikit-learn庫中的Preprocessing data模塊包含了標(biāo)準(zhǔn)化、歸一化、變量轉(zhuǎn)換、異常值處理等預(yù)處理操作的函數(shù)［18］.

3 實(shí)驗(yàn)結(jié)果

3.1　聚類簇結(jié)果識(shí)別

根據(jù)相同類型城市功能區(qū)可能具有相似人類活動(dòng)特征的原理，使用-means聚類方法，分別對研究區(qū)內(nèi)21 582個(gè)網(wǎng)格進(jìn)行聚類.經(jīng)過多次測試與對比，當(dāng)聚類簇的數(shù)量設(shè)為6，即將網(wǎng)格分為6類功能區(qū)時(shí)，劃分的結(jié)果最為合理.

圖2顯示了將網(wǎng)格聚類為6種類型后，不同類型區(qū)域內(nèi)的騰訊用戶密度熱力值的變化特征.

圖2　6類功能區(qū)騰訊用戶密度熱力值變化.

（a） 休息日；（b） 工作日

類型1中騰訊用戶密度熱力值變化在工作日起伏不大，但日間（10∶00—17∶00）會(huì)出現(xiàn)明顯的低谷，與類型6的特征比較相似，且低于類型6.結(jié)合遙感影像將其判別為郊區(qū)居民區(qū)，生活在該功能區(qū)的居民夜間至清晨在家休息，日間出門上班工作，動(dòng)態(tài)人口呈現(xiàn)波動(dòng)特征.但由于遠(yuǎn)離市中心，人口密度較低，呈現(xiàn)低騰訊用戶密度熱力值的特征.

類型2中騰訊用戶密度熱力值始終保持在0附近，說明該功能區(qū)人類活動(dòng)較少，將其歸為農(nóng)田、灘涂及未利用地分布區(qū).

類型3中休息日騰訊用戶密度熱力值明顯低于工作日.工作日5∶00—9∶00騰訊用戶密度熱力值呈現(xiàn)增長趨勢，10∶00—15∶00騰訊用戶密度熱力值明顯高于其他時(shí)間段，16∶00—22∶00騰訊用戶密度熱力值迅速下降至低值，具有明顯的通勤特征；休息日的騰訊用戶密度熱力值在全天呈現(xiàn)較低值.該變化模式與產(chǎn)業(yè)園區(qū)中人口變化模式較為吻合，將類型3歸類為產(chǎn)業(yè)園區(qū).

類型4中，休息日從10∶00開始都呈現(xiàn)穩(wěn)定的中高騰訊用戶密度熱力值的特征，并一直持續(xù)到夜間；工作日10∶00—15∶00騰訊用戶密度熱力值明顯高于其他時(shí)間段，16∶00以后出現(xiàn)下降趨勢，但在夜間未降至低值，說明依然有大量市民在活動(dòng).城市中心的綜合功能區(qū)往往存在寫字樓、商場、居民區(qū)混合在一個(gè)區(qū)域的情況，與類型4的騰訊用戶密度熱力值波動(dòng)模式相吻合，將類型4劃分為城市綜合功能區(qū).

類型5的騰訊用戶密度熱力值在工作日和休息日都穩(wěn)定在較低值，說明人類活動(dòng)規(guī)模較小，經(jīng)過與遙感影像的對照，將其劃分為農(nóng)村村落地區(qū).

類型6中騰訊用戶密度熱力值呈現(xiàn)雙峰特征.工作日8：00騰訊用戶密度熱力值有一個(gè)高峰，17∶00—22∶00存在另一個(gè)高峰，下午12∶00—14∶00處于全天最低值；休息日上午的騰訊用戶密度熱力值峰值時(shí)刻為9：00，晚于工作日，日間7∶00—17∶00的騰訊用戶密度熱力值一直高于工作日.城市居民區(qū)中由于要承擔(dān)居住的功能，在晨間與夜間會(huì)有大量人聚集，在中午或者下午居民存在出行的需求，人數(shù)會(huì)有短時(shí)的下降，這與類型6的特征相似，將類型6歸類為具有高人口密度的城市居民區(qū).

3.2　識(shí)別結(jié)果驗(yàn)證

將分類結(jié)果進(jìn)行可視化，并疊加高分辨率遙感影像與POI數(shù)據(jù)對分類結(jié)果進(jìn)行驗(yàn)證.分類結(jié)果如圖3所示.

圖3　城市功能區(qū)分類結(jié)果

A地區(qū)為桂林路地鐵站附近的上海漕河涇新興技術(shù)開發(fā)區(qū)，公司企業(yè)與交通設(shè)施的POI占比分別達(dá)到了47.5%與11.9%，本研究將該地區(qū)歸為產(chǎn)業(yè)園區(qū)，這與實(shí)際情況相一致.B地區(qū)為人民廣場地鐵站附近區(qū)域，通過對遙感影像與POI數(shù)據(jù)的分析，發(fā)現(xiàn)該地區(qū)聚集著來福士廣場、上海市人民政府、上海博物館等商業(yè)、辦公、文化場所，同時(shí)也分布著均樂小區(qū)、順天村等居民區(qū)，混合了多種城市功能，餐飲購物、生活服務(wù)、公司企業(yè)、居民住宅的POI占比分別達(dá)到44.4%、13.1%、15.1%及6.3%，是上海的城市中心，本研究將其歸為城市綜合功能區(qū)，分類結(jié)果準(zhǔn)確.C地區(qū)為通河新村地鐵站附近區(qū)域，位于上海主城區(qū)北部外環(huán)內(nèi)，匯集了通河新村、民悅苑、共和新苑、寶宸共和家園等多個(gè)住宅小區(qū)，居民住宅與生活服務(wù)類型的POI在此區(qū)域內(nèi)占比分別達(dá)到40.6%與14.3%，本研究將該地區(qū)歸為城市居民區(qū)，分類結(jié)果與實(shí)際相符.D地區(qū)為浦東新區(qū)三林鎮(zhèn)黃浦江沿岸地區(qū)，該地區(qū)位于上海市2035規(guī)劃的城市副中心前灘南部，目前是未開發(fā)的城鄉(xiāng)結(jié)合部，由于該地塊的區(qū)位優(yōu)勢以及處于房租的價(jià)格洼地，在舊式住宅聚集了不少租客，形成了郊區(qū)低密度居民區(qū)，本研究將其歸為郊區(qū)居民區(qū)，分類結(jié)果較為準(zhǔn)確.E地區(qū)為奉賢區(qū)泰日鎮(zhèn)樂善村的村落區(qū)域，研究將其歸為農(nóng)村村落地區(qū)，結(jié)果合理.F地區(qū)為松江區(qū)小昆山鎮(zhèn)西部的一片農(nóng)田，由于地處偏遠(yuǎn)，未被用于城市建設(shè)，本研究將其歸為農(nóng)田、灘涂及未利用地分布區(qū)，結(jié)果與實(shí)際比較相符.除上述典型樣本外，共抽取100個(gè)隨機(jī)樣本，經(jīng)高分辨率遙感影像結(jié)合POI數(shù)據(jù)分類結(jié)果檢驗(yàn)，所提算法的檢驗(yàn)精度達(dá)到78%，具有較好的可信度.

3.3　上海城市空間結(jié)構(gòu)

以上海城市坐標(biāo)原點(diǎn)（東經(jīng)121°28'12"，北緯31°13'48"）為中心，5 km為間隔半徑，生成13級(jí)緩沖區(qū)，并依次與網(wǎng)格進(jìn)行疊置分析，統(tǒng)計(jì)每一級(jí)緩沖區(qū)中的功能區(qū)網(wǎng)格數(shù)量.

在距上海城市坐標(biāo)原點(diǎn)5 km之內(nèi)的區(qū)域，城市綜合功能區(qū)的數(shù)量占比最高，距離中心越遠(yuǎn)，占比越低.城市綜合功能區(qū)是城市居民的綜合活動(dòng)場所，集商業(yè)、辦公、居住等多類功能于一體.城市中心由于交通便利、公共服務(wù)設(shè)施健全，對城市居民的吸引力大，易形成城市綜合功能區(qū).城市居民區(qū)的數(shù)量占比峰值出現(xiàn)在距上海城市坐標(biāo)原點(diǎn)5～10 km的區(qū)域，說明上海的城市居民區(qū)主要分布在城市綜合功能區(qū)周圍，這些地區(qū)由于毗鄰城市綜合功能區(qū)，交通便捷，易吸引大量居民居住，形成城市居民區(qū).產(chǎn)業(yè)園區(qū)主要分布在距城市中心15 km以外的城市近郊與郊區(qū)新城附近，由于其對勞動(dòng)力的需求，往往毗鄰居民區(qū).郊區(qū)居民區(qū)則多位于距城市中心20 km之外的區(qū)域，其位置相對偏遠(yuǎn)、交通相對不便，人口密度較低.農(nóng)田、灘涂及未利用地分布區(qū)大多位于30 km之外的偏遠(yuǎn)地區(qū)，人口較少，與主城區(qū)的聯(lián)系程度較低.

上海城市主城區(qū)的空間布局形成了類似同心圓的結(jié)構(gòu)，以上海城市坐標(biāo)原點(diǎn)為中心由內(nèi)向外依次為城市綜合功能區(qū)、城市居民區(qū)、產(chǎn)業(yè)園區(qū)、郊區(qū)居民區(qū)、農(nóng)村村落地區(qū)和農(nóng)田、灘涂及未利用地分布區(qū)，各個(gè)區(qū)之間呈現(xiàn)“點(diǎn)-軸-面”的空間結(jié)構(gòu)特征.在圖3中，A，B，C和D地區(qū)所組成的區(qū)域范圍內(nèi)，綜合功能區(qū)、城市居民區(qū)具有較大的面積分布，且呈現(xiàn)較為明顯的同心圓結(jié)構(gòu)，這與上海市中心城區(qū)高度城市化有關(guān)，說明上海市中心城區(qū)的城市功能已經(jīng)呈現(xiàn)高度混合狀態(tài)，大量城市綜合功能區(qū)的形成，標(biāo)志著該區(qū)域不再是單一的功能區(qū).而郊區(qū)新城則大多由單一功能區(qū)組合而成，如圖3中E，F(xiàn)所在的城市西北部和東南部，分布著較大面積的農(nóng)田、灘涂及未利用地分布區(qū)，其余區(qū)域也多以產(chǎn)業(yè)園區(qū)、郊區(qū)居民區(qū)、農(nóng)村村落地區(qū)這些單一功能區(qū)為主，有別于上海市中心城區(qū)出現(xiàn)的功能混合情況.

經(jīng)過幾十年的發(fā)展，在上海幾個(gè)郊區(qū)形成了規(guī)模較大的衛(wèi)星城：青浦新城、嘉定新城、松江新城、南匯新城和奉賢新城，在上海的“十四五規(guī)劃”中也明確提出要加強(qiáng)推進(jìn)“五大新城”的建設(shè)和發(fā)展.這些新城具有一定的規(guī)模與發(fā)展?jié)摿ΓF(xiàn)如今已吸納了不少居民與產(chǎn)業(yè)入駐，但是總體上尚未形成完善的城市功能，新城更多是主城區(qū)的“睡城”與承接主城區(qū)產(chǎn)業(yè)外溢資源的產(chǎn)業(yè)園區(qū)復(fù)合體，缺乏獨(dú)立性.從圖3中也可以看出，5個(gè)新城的城市范圍內(nèi)尚未形成連片分布的城市綜合功能區(qū).鑒于此，在未來的新城建設(shè)中應(yīng)進(jìn)一步加強(qiáng)城市核心功能的建設(shè)，如引導(dǎo)優(yōu)質(zhì)醫(yī)療、教育、商業(yè)落戶五大新城，通過政策吸引科研院所與高端產(chǎn)業(yè)進(jìn)駐，加快推進(jìn)新城內(nèi)部的公共交通建設(shè)等，推進(jìn)新城的合理規(guī)劃與發(fā)展，增強(qiáng)上海整個(gè)城市網(wǎng)絡(luò)的張力和競爭力.

4 結(jié)論與討論

采用-means聚類方法，通過分析城市500 m×500 m的網(wǎng)格尺度內(nèi)，騰訊用戶密度熱力值在時(shí)間上的變化規(guī)律，識(shí)別上海城市功能區(qū)，并將上海市的城市行政地域劃分為產(chǎn)業(yè)園區(qū)、城市居住區(qū)、郊區(qū)居住區(qū)、城市綜合功能區(qū)、農(nóng)村村落地區(qū)和農(nóng)田、灘涂及未利用地分布區(qū)六大城市功能區(qū).將識(shí)別結(jié)果與高分辨率衛(wèi)星影像及POI數(shù)據(jù)進(jìn)行了對比檢驗(yàn)，符合區(qū)域的實(shí)際情況，證明本算法具有較好的可行性和實(shí)用性.本算法數(shù)據(jù)獲取成本較低、實(shí)施較簡單，可用于監(jiān)測城市用地變化及結(jié)構(gòu)的相關(guān)工作中.通過對城市功能區(qū)的識(shí)別與可視化，使決策者能夠更好地掌握城市復(fù)雜的空間結(jié)構(gòu)，有利于對不同的城市功能區(qū)進(jìn)行合理的城市規(guī)劃與管理.同時(shí)，識(shí)別結(jié)果也可為城市不同公共服務(wù)設(shè)施的選址提供決策依據(jù)，進(jìn)一步推動(dòng)城市功能區(qū)結(jié)構(gòu)調(diào)整，促進(jìn)區(qū)域協(xié)調(diào)發(fā)展.

此外，本研究尚有不足之處，今后將進(jìn)一步完善研究內(nèi)容：1） 精細(xì)化劃分城市功能區(qū)，基于路網(wǎng)數(shù)據(jù)將城市劃分為街區(qū)單元，使用真實(shí)的街區(qū)作為功能區(qū)識(shí)別的最小單元，進(jìn)行功能區(qū)識(shí)別，使功能區(qū)劃分結(jié)果更接近于實(shí)際情況；2） 獲取更長時(shí)間序列的騰訊用戶密度熱力值，進(jìn)一步融合多源數(shù)據(jù)（出租車GPS數(shù)據(jù)、公交數(shù)據(jù)、地鐵數(shù)據(jù)及手機(jī)信令數(shù)據(jù)等）進(jìn)行探討.

［1］ CHI J， JIAO L M， DONG T， et al. Quantitative identification and visualization of urban functional area based on POI data ［J］. Journal of Geomatics， 2016，41（2）：68-73.

［2］ NING P F， WAN Y， SHEN Y R， et al. Identification of urban interest function region by using social media check-in data ［J］. Journal of Geomatics， 2018，43（2）：110-114.

［3］ WU W H， XU J W， YANG J X. Quantitative research of spatial development differentiation in Xi’an from the perspective of urban functional zoning ［J］. Geographical Research， 2012，31（12）：2173-2184.

［4］ WANG H， TIAN P P， LIU H. Spatial structuring of ‘new economies’ in Xi’an and its mechanisms［J］. Geographical Research， 2006（3）：539-550.

［5］ CHEN S L， TAO H Y， LI X L， et al. Discovering urban functional regions using latent semantic information： spatiotemporal data mining of floating cars GPS data of Guangzhou ［J］. Acta Geographica Sinica， 2016，71（3）：471-483.

［6］ ZHONG B， DENG H K， AN N， et al. The re-examination of human geography research and the research methods in the context of big data ［J］. Human Geography， 2019（3）：14-21，90.

［7］ XU J G， YANG F. A study of urban functional area identification methods based on big data of social sensing ［J］. Urbanism and Architecture， 2017，260（27）：32-36.

［8］ KNOR E M， NG R T， TUCAKOV V. Distance-based outliers： algorithms and applications ［J］. The VLDB Journal， 2000，8（3）：237-253.

［9］ JIANG J Y， DAI F， ZHAN J H. Urban functional zone recognition and green space evaluation of Shanghai based on POI data ［J］. Chinese Landscape Architecture， 2019，35（10）：113-118.

［10］ YAO Y， ZHANG Y T， GUAN Q F， et al. Sensing multi-level urban functional structures by using time series taxi trajectory data ［J］. Geomatics and Information Science of Wuhan University， 2019，44（6）：875-884.

［11］ ZHAO Y， ZHANG C Z， JIN Y H. How reliable are cellular positioning data in tourism environments？An exploration of functional regions ［J］. Human Geography， 2018，33（3）：137-144.

［12］ SUI Z W， WU Y， LIU Y. Clustering LBSNS users based on check-in records ［J］. Geomatics World， 2013，20（3）：26-30.

［13］ YAO Y， LIU X， LI X， et al. Mapping fine-scale population distributions at the building level by integrating multisource geospatial big data ［J］. International Journal of Geographical Information Systems， 2017，31（5/6）：1220-1244.

［14］騰訊控股有限公司. 騰訊控股有限公司2021年報(bào)［EB/OL］. （2021-12-31） ［2022-04-15］. https：//www.tencent.com/zh-cn/investors.html#investors-con-2.

［15］ ZHANG X D， HAN H Y， SHU X F. Influencing factors on the vitality of five commercial complexes in Hangzhou： based on the heat maps analysis ［J］. Journal of Geo-information Science， 2019，21（11）：1745-1754.

［16］ SARO J， KAVIT A. Review： study on simple K-means and modified K-means clustering technique ［J］. International Journal of Computer Science Engineering and Technology， 2016，6（7）：279-281.

［17］ MACQUEEN J. Some methods for classification and analysis of multivariate observation ［C］// Proceeding of Berkeley Symposium on Mathematical Statistics and Probability. Berkeley： University of California Press， 1967：281-297.

［18］ YANG Y， ZHAO C. Survey on K-means clustering algorithm［J］. Computer Engineering and Applications， 2019，55（23）：7-14，63.

Identification of urban functional areas based on social media location data： a case study of Shanghai

NIUYanyan1， YANGYicheng1， YUJia1，2*， WANGChenyu1， SUNHaiqing1

（1.School of Environmental and Geographical Science， Shanghai Normal University， Shanghai 200234， China； 2.Key Innovation Group of Digital Humanities Resource and Research， Shanghai Normal University， Shanghai 200234， China）

Based on social media location data，this paper uses-means clustering method to achieve the identification of urban functional areas in Shanghai by analyzing the change pattern of Tencent user density heat values at the grid scale of 500 m×500 m at different times in the city. The different areas of Shanghai are divided into industrial areas，urban residential areas，suburban residential areas，integrated urban functional areas，rural village areas，agricultural land，mudflat and unused land areas based on the functional area types. The feasibility of using social media location data for urban functional area identification is demonstrated by comparing and analyzing the identification results with high-resolution satellite images and point of interest（POI） data. The cost of data acquisition of this method is low. And it is easy to be used，which provides a new idea and methodology for the division of the main functional areas in other urban regions.

social media location data； urban functional area；-means algorithm； Shanghai

10.3969/J.ISSN.1000-5137.2022.04.019

2022-05-17

國家自然科學(xué)基金（72074151）； 上海自然科學(xué)基金（20ZR1441500）； 國家社會(huì)科學(xué)基金（18ZDA105）

牛妍妍（1998—）， 女， 碩士研究生， 主要從事空間優(yōu)化與選址、 應(yīng)急疏散方面的研究. E-mail：2097585146@qq.com

於 家（1982—）， 男， 教授， 主要從事空間優(yōu)化與選址、 應(yīng)急疏散方面的研究. E-mail： yujia@shnu.edu.cn

牛妍妍， 楊詣成， 於家， 等. 社交媒體位置數(shù)據(jù)支持下的城市功能區(qū)識(shí)別——以上海市為例 ［J］. 上海師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022，51（4）：531?538.

NIU Y Y， YANG Y C， YU J， et al. Identification of urban functional areas based on social media location data： a case study of Shanghai ［J］. Journal of Shanghai Normal University（Natural Sciences）， 2022，51（4）：531?538.

P 208； TU 984

A

1000-5137（2022）04-0531-08

（責(zé)任編輯：包震宇）