EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 10: 1867 - 1882

DOI: https://doi.org/10.12082/dqxxkx.2022.210714

城市活力

基于多维感知的城市活力空间特征研究

  • 吴莞姝 , 1 ,
  • 党煜婷 2 ,
  • 赵凯 , 3, *
展开
  • 1.青岛理工大学建筑与城乡规划学院,青岛市CIM+城市更新技术创新中心,青岛 266033
  • 2.华侨大学建筑学院,厦门 361021
  • 3.华侨大学统计学院,现代应用统计与大数据研究中心,厦门 361021
*赵凯（1982— ）,男,山东青岛人,教授,主要从事时空大数据分析,统计应用研究。E-mail:

吴莞姝（1988— ）,女,河南商丘人,副教授,主要从大数据应用,城乡规划方法与技术研究。E-mail:

收稿日期: 2021-11-06

  修回日期: 2021-12-29

  网络出版日期: 2022-12-25

基金资助

国家自然科学基金项目(51908229)

福建省自然科学基金面上项目(2019J01063)

收起

Spatial Characteristics of Urban Vitality based on Multi-dimensional Perception

  • WU Wanshu , 1 ,
  • DANG Yuting 2 ,
  • ZHAO Kai , 3, *
Expand
  • 1. Qingdao University of Technology,College of Architecture and Urban Planning,The Innovation Center for CIM + Urban Regeneration, Qingdao 266033, China
  • 2. School of Architecture, Huaqiao University, Xiamen 361021, China
  • 3. School of Statistics, Modern Applied Statistics and Big Data Research Center, Huaqiao University, Xiamen 361021, China
*ZHAO Kai, E-mail:

Received date: 2021-11-06

  Revised date: 2021-12-29

  Online published: 2022-12-25

Supported by

National Natural Science Foundation of China(51908229)

General Project of Fujian Natural Science Foundation(2019J01063)

Fold

摘要

基于多维感知对城市活力进行综合评价并探索其用地特征,是提升城市智慧化水平、实现精准规划和有机更新的重要基础。本研究以厦门岛为例,基于社交媒体签到数据、夜间灯光影像数据、POI数据和LBS大数据,从社会、经济、文化和空间4个维度感知城市活力,使用核密度、数据网格化和最优聚类法,分析城市活力的空间特征,并探讨不同活力区域的土地利用结构、功能多样性和开发强度等用地特征。研究发现：① 基于多源数据的城市活力多维感知方法可精准、有效评估城市空间特征和发展动态;② 厦门岛社会、经济、文化和空间维度城市活力的空间分布存在一定差异,4类活力区域呈现出西部连绵成带、东部围绕商务区和大型设施集中的特征;③ 各类活力区域的用地特征存在较大差异。第一类区域的公共管理与公共服务用地占比和第二类区域的商业服务业用地占比最高,均接近20%。集聚可显著提升城市活力,建设用地周边1000 m范围内的功能混合度更为重要。居住和商业服务业设施用地的活力水平随着开发强度的降低而降低,高值区容积率均在2.0以上。

关键词： 城市活力; 多维感知; 精准感知; 有机更新; 空间特征; 用地特征; 多源数据; 厦门岛

本文引用格式

吴莞姝 , 党煜婷 , 赵凯 . 基于多维感知的城市活力空间特征研究[J]. 地球信息科学学报, 2022 , 24(10) : 1867 -1882 . DOI: 10.12082/dqxxkx.2022.210714

Abstract

Comprehensive evaluation of urban vitality and exploration of its land-use characteristics based on multi-dimensional perception is an important foundation for improving the level of urban intelligence, realizing accurate planning and organic renewal. Taking Xiamen Island as a case study, based on social media check-in data, night light image data, POI data, and LBS big data, urban vitality is quantified from four dimensions: society, economy, culture, and space. The spatial characteristics of urban vitality are analyzed by using kernel density, data gridding, and optimal clustering method, and the land use structure, functional diversity and development intensity of different areas are discussed. The findings are as follows: (1) Multi-dimensional perception method of urban vitality based on multi-source data can accurately and effectively evaluate urban spatial characteristics and development trends; (2) There are some differences in the spatial distribution of urban vitality in the social, economic, cultural, and spatial dimensions of Xiamen Island, and the distribution of the these four types of urban vitality are characterized by continuous belts in the west, business districts, and large-scale facilities in the east; (3) There are great differences in land use characteristics of various areas. The proportion of public administration and public service land in the first category and the proportion of commercial services land in the second category are the highest, both close to 20%. Agglomeration can significantly enhance the urban vitality, and the degree of functional mixing within 1000 m around the construction land is important. The vitality of residential and commercial service facility land decreases with the decrease of development intensity, and the plot ratio of high-value areas is above 2.0.

Key words： urban vitality; multi-dimensional perception; accurate perception; organic renewal; spatial characteristic; land use characteristics; multi-source data; Xiamen Island

1 引言

中国城镇化正处于关键转折点,主体越来越多元化,城市治理越来越复杂,需要更精准的规划治理,而“精准规划”要从“精准感知”开始① (①2021年8月29日,吴志强院士受邀参加中国城市科学研究会城市大数据专业委员会2021年会主旨报告。WUPENiCity平台, https://mp.weixin.qq.com/s/IS9JI2wAHRaB2RI04AL8Q。)。以精准的空间和时间分辨率进行衡量和感知,城市活力可以作为城市决策过程的重要考虑因素之一[1⇓⇓-4]。自20世纪70年代末,中国经历了经济结构转型、社会结构变迁以及快速城镇化,城市活力特征与居民活动规律都发生了较大改变。信息通信技术（ICT）和互联网技术的飞速发展,引发实体与虚拟环境的碰撞,进一步带来了活动与空间的“不连续性”,促生了深层次的变化[5-6]。在这种背景下,对城市活力保持客观、实时的全面观测与精准感知,是把握城市发展规律、补短挖潜建设低谷、实现动态可持续有机更新的前置基础,也是通过提升城市活力来完成土地集约高效利用的必要条件。
城市活力是一个复杂概念。城市活动与日常生活既有实体维度（产业与环境）,也有虚拟维度（精神与情感）。基于多维感知的城市活力及其协同关系对于更好地理解城市中的人类动态具有重要意义。目前,城市活力感知的相关研究存在两方面的不足。一方面,部分研究仅基于单一数据源进行单一维度的衡量,或以居民活动为对象,通过活动强度等指标来指代城市活力,或以物质环境为对象,通过功能密度等指标来指代城市活力[7⇓⇓⇓⇓⇓-13]。二者皆难以对研究对象进行全面认知。另一方面,部分研究虽从多个维度分析城市活力,但维度选择各有不同,综合评价方法也存在较大差异。现有指标体系构建方法包括乘积、平均值、相关系数赋权、空间优劣解距离法等,尚未达成定论[2,14⇓⇓-17]。构建综合评价指标体系的前提是假定多维活力变量的贡献度存在差异。然而,每个维度均是城市活力的重要侧面,反映了不同的内涵和本质,难以通过数字定义其重要性。为了进行深化和补足,本研究从“多维感知”的角度来评价城市活力,根据多维感知变量的自身属性进行最优聚类,考察各类城市活力区域在不同感知维度上的特征差异,从而避免赋权和构建指标体系所带来的结果偏差。
作为一种实证方法,通过多源地理大数据以及相应的数据挖掘手段可有效多维感知城市活力。近年来,随着位置感知设备（Location Aware Device,LAD）、基于位置服务技术（Location Based Service,LBS）等进步,基于海量微观个体的多源大数据源涌现[17-18]。“新数据环境”的形成,以及机器学习等数据分析手段的引入,不仅弥补了传统研究只能基于小规模抽样和经验总结对城市活力进行小尺度、单维度评估的缺陷,同时也为研究城市活力提供了新的维度、粒度、尺度和研究对象[9,14]。除了基于实体的、可以直观测度的经济、文化维度,本研究还开发了不易监测、动态特征较强的社会和空间维度。社交媒体数据包含了时空、活动内容、与好友联系、社交网络等丰富的信息,基于该类数据进行文本挖掘和情感分析可以感知社交网络中的社会活力[20]。基于个体精度、长时段累积的LBS大数据可以观测空间使用者的活动情况,从而指代空间活力[7-8,10⇓-12]。
本研究以厦门岛为例,基于社交媒体签到数据、夜间灯光影像数据、POI（Point of Interest）数据和LBS大数据,从社会、经济、文化和空间4个维度感知城市活力,使用核密度分析、数据网格化和最优聚类法,分析城市活力的空间特征,并探讨不同活力区域的用地特征。本研究的意义在于以下三点：① 既有研究多从单一维度感知城市活力,本文基于多源地理大数据,开发了经济、社会、文化和空间的多维感知方法;② 既有多维感知方法包括平均值、构建指标体系等,本研究借助最优聚类法,分析各类城市活力区域在不同感知维度上的特征差异,规避了赋权等方法有可能带来的结果偏差,使得评价结果更加客观、准确;③ 明晰各类城市活力区域的用地特征,为城市有机更新和用地布局提供优化方向。

2 研究方法

2.1 城市活力的内涵与感知方法

2.1.1 城市活力的内涵

从广义上讲,活力是一种环境条件,支持个体的健康和生物功能良好以及物种的生存[21]。它涉及物理环境,为人类提供满足其需求和欲望的机会[22]。而城市活力是指“城市在不同时间和地点的繁忙程度”[23]。关于城市活力的系统思考最早始于20世纪50到60年代,Jacobs[24]、Gehl[25]依靠实地观察和经验总结,从社会、空间,甚至人类学的多重视角,综合解析城市活力的深刻内涵。
目前,学界对于城市活力的解读存在着社会学和建筑学两大视角[26]。社会学一般认为城市活力由经济活力、社会活力、文化活力三者构成,经济活力是基础,社会活力是核心,文化活力是品质要求[27]。建筑学视角下的城市活力反映了活动与环境复杂多样的安排[24,28],以及城市活动与空间之间的相互作用[29],是经济、社会、文化活力的空间表征[30-31]。虽然社会、经济和文化活力均有空间内涵,但空间活力不能简单理解为社会、经济和文化活力的叠加。空间活力是所有空间使用者行为的综合,是城市吸引力的综合反应,是城市活动的空间表征,但该活动不仅限于社会、经济和文化活动。因此,城市活力可从经济、社会、文化和空间4个维度进行综合评价。经济活力是城市在一定时期内经济发展的能力与水平,基础设施建设水平是经济活力的重要表征[32]。文化活力作为城市活力的精神驱动力,是以文化设施为物质载体,以人为核心进行的各类文化活动的反映[33]。社会活力即为社会活动和交往能力,是通过人的社会行为活动产生和激发的活力[27],是人对空间主观感知与情绪的集中反映。空间活力是指城市空间中可以观察到的人及其活动,是各种活动的数量、种类以及持续时间的产物[29,34]。
随着大数据、网络数据等多种数据源的兴起,测度并识别城市活力特征,分析活力构成要素,逐渐成为相关研究的主要技术路径。有少数学者尝试利用社交网络情感分析来评价社会活力[35];夜光遥感数据常被用来刻画经济活力的空间特征[36-37];文化设施的数量、规模、类型等是文化活力的直观体现[13,38];基于手机Apps的位置服务大数据适用于大尺度、精细化的空间活力分析[11,39⇓-41]。然而,多数研究从单一维度出发,或以城市活动为对象,或以物质环境为对象,通过强度、密度等指标来指代城市活力。城市活力并不是由单一因素决定的,其测度应反映出社会经济背景、实体环境,以及社会、经济和实际因素间的相互作用[42]。为了获取更加客观、精确的研究结果,目前对城市活力的测度与评价逐渐由单一指标向多维感知体系发展。

2.1.2 城市活力的感知方法

近年来,学者们开始借助多源大数据,构建综合评价体系来多维感知城市活力,然而方法和标准尚不统一。一些研究从形态、功能、活动、社会、经济、虚拟或文化等不同维度分别评价城市活力,进而计算多维变量的乘积、平均值,或通过加权构建指标体系来综合感知城市活力[2,14,16-17]。也有研究基于公交刷卡数据,借助若干指标衡量交通客流量的稳定性,并以Twitter数据计算的居民活动为因变量构建线性模型,基于系数对客流量指标进行赋权,从而综合评价城市活力[15]。然而,各个维度活力特征的贡献度和重要性难以用数字精确定义。因此,也有一些学者借助POI数据和社交媒体签到数据计算二类空间密度来指代城市活力,不对其进行加权或综合,而是分别从2个角度进行解释分析[43]。
由以往研究可以看到,经济、社会和文化活力既可以用来定义城市整体,也可以进行城市区域内部的刻画。三者均可用于综合评价城市内部的活力水平差异[2,16-17]。不同行政区的发展目标、功能定位和建设水平不同,社会、经济和文化发展水平也会存在差异,导致各维度活力水平不同。同一行政区的老城区和新城区由于建设时序和配置标准不同,也会在社会、经济和文化活力上个形成差异。此外,大型公共设施或功能片区的设置也会影响周边一定范围内的活力水平。由此可见,社会、经济、文化和空间活力在城市内部存在区域差异,应进行多维度的精细化评价。然而,既有研究对于维度的选择各有不同,多选择2~3个维度,未能完全覆盖社会、经济、文化、空间等多个层面。
多维感知方法也未达成定论。在现实生活中,不同维度城市活力变量的重要性难以通过精确的数字来界定,指标体系的构建缺乏可靠依据和统一标准。例如,有些区域的文化和空间活力较高,但经济和社会活力不高;有些区域的经济活力很高,但文化活力不高。对于这种情况并不能简单的通过赋权和汇总来判定城市活力水平的高低,而是应基于这些细化的多维属性,分辨每个区域在不同维度上的活力表征,进而分辨城市活力的空间分布规律,以及对应的用地特征差异。基于此,本研究不采用构建指标体系的方法,而是借助最优聚类方法,基于城市活力的“多维感知”结果,使得研究区域中具有相同活力特征的区域成为一类,进而分析不同类之间的用地特征差异。

2.2 研究方法

2.2.1 多源数据获取

（1）社交媒体签到数据
社会活力反映人在城市中参与社会活动、交往活动所表现出的活跃度,是社会中人的活动主体性的体现[27]。社会活力更强调人的感知与评价,社交媒体签到内容体现的情感评价可用于表征社会活力。新浪微博是国内最具影响力和代表性的社交工具之一,是中国用户量最多也是第一家集大众娱乐、生活、休闲、服务的信息分享和交流平台[44]。截至2020年6月,中国网民规模达9.4亿人,其中,微博使用率达40.4%[45]。截至同年9月,微博月活用户（Monthly Active User, MAU）高达5.11亿,日活用户（Daily Active User, DAU）达2.24亿[46],具有较高的普及率。
基于新浪API,获取微博签到数据,并使用Python语言进行文本挖掘及情感评价（图1）。首先,拆解句子,进行情感词分类。情感词库基于全部评论数据得到,情感分为2种：好评和差评,赋值范围在-10~10之间,其数值大小体现了一篇微博出现该词时判断为好评或者差评的可信度。在-10~10之间的赋值较为繁琐,考虑2点：若一个情感词里出现了其它情感词,则其赋值应当考虑到已有情感词的赋值;情感词赋值大小并非直接看比例,根据可信度来判别。其次,判断程度词。基于知网Hownet情感词典的程度级别词语（中文）,情感词赋值共分为6种：极其（69）,很（42）,较（37）,超（30）,稍（29）,欠（12）。赋值越高,情感程度越大。通过上述方法对全部微博文本进行赋值。再次,根据赋值结果分析误判的样本里有哪些词导致了误判：一种情况为词组表达无感情,但词组中个别字单独看有感情产生了误判,如“微博”中的“微”;另一种情况为词组表达有感情,但未被收入到情感词典中,如“啊啊啊啊”实际表达了一种“极其”的程度。由此形成适合微博文本内容评价的情感程度词典。然后,基于新的情感程度词典和情感分类进行赋值。最后,若一处地点存在多条打卡记录,则求取平均值,由此获得社会活力的空间分布情况。
图1 情感评价体系构架

Fig. 1 Emotional evaluation system structure

（2）夜间灯光影像数据
虽然夜间灯光影像数据对经济活动的预测精度随着尺度的增加而不断提升,但在网格、社区等较小尺度上,二者仍呈正相关关系,夜间灯光可作为指示经济活力的指标[47]。已有研究在城市内部或中心城区划分百米级空间单元,使用夜间灯光影像数据识别经济活动,探索城市空间结构、识别城市中心区和发展边界等[48⇓⇓-51]。本研究采用新一代夜光遥感卫星“珞珈一号”（LJ1-01）获取的灯光数据来测度经济活力。该类数据空间分辨率达130 m,与DMSP/OLS（空间分辨率约为750 m）和 VIIRS-DNB（空间分辨率约为2700 m）影像数据相比,珞珈一号影像数据可获取更为高清的空间细节,适用于精细化的经济活力研究[52-53]。
由于大气干扰等不可避免因素,珞珈一号夜间灯光数据像元的DN值（图像灰度值）和空间位置可能存在误差,因此在使用数据前需要进行辐射校正和几何校正。首先,对珞珈一号夜间灯光数据进行辐射校正,校正公式为：
L = D N 3 / 2 · 10 - 10
式中： L为绝对辐射矫正后辐射亮度值/(W/(m2·sr·μm)); D N为图像灰度值。以高分辨率的遥感影像为基础,叠加道路矢量数据,利用重要的道路节点进行几何校正。之后,利用双线性法对影像进行重采样,空间分辨率设为130 m,并以研究区矢量边界为掩膜进行裁剪,由此获得经济活力的空间分布情况。
（3）文化设施POI数据
文化活力以文化设施为物质载体,可使用文化设施POI数据进行测度[16-17]。从原始数据中筛选出科技馆、美术馆、图书馆、博物馆、档案馆、文化宫、展览馆、会展中心等文化设施点,分析其空间分布特征从而指代文化活力。
（4）LBS大数据
空间活力的本质是空间使用者所表现出的特征,是一种基于城市空间形态影响的城市活动[30-31]。空间的活力源于足够多的人,不管这些人以什么目的来到这里,进行何种活动[24-25]。近年来不断有学者借助地理大数据,通过长时段内空间使用者的活动密度或强度来计算城市空间活力[26,41,54-55]。基于手机App的LBS大数据可记录下手机用户GPS精度的位置和相应的时间戳,精度最高可达10 m级。每一条LBS数据指代的正是某个地理位置的空间使用者,并不特指某种类型的活动。这为大尺度、精细化的空间活力分析提供了数据基础。首先,基于LBS大数据,提取各个时间整点空间使用者的时空分布信息;进而,通过长时段的数据累计来反映空间使用的客观情况;最后,利用活动强度的计算来指代空间活力的分布情况。

2.2.2 城市活力的多维感知

核密度分析对数据分布不附加任何假定,是一种从样本本身出发研究数据分布特征的方法,能够表示某一空间地理时间在一定区域内发生概率的大小[56]。对微博情感分析数据、文化设施POI数据和LBS大数据分别进行核密度分析,公式如下：
f ( s ) = ∑ i = 1 n 1 h 2 k s - c i h
式中： f ( s )为空间中城市活力观测点 s的核密度估计值; h为各维度活力感知所选择的最优带宽,表示2个活力观测点间距离衰减值; k为权重函数; n为到观测点 s的距离在阈值范围内的点数; c=1.05×( n的标准差)。
带宽的选择对于核密度分析结果具有重要影响,较的带宽可有效反映局部变化,较大带宽适合反映大尺度空间变化情况[57]。在对不同类型数据进行核密度分析时,既要考虑城市尺度上的分布差异,又要避免周边功能区纳入统一研究范畴,从而避免各维度活力特征过于弱化或强化而无法反映客观差异[58]。选择不同阈值进行多次尝试,最终确定各维度感知数据的合理带宽,并计算社会、经济、文化和空间4个维度城市活力的空间分布情况。

2.2.3 城市活力的空间特征

借助数据网格化,把不同类型数据的属性值连接到统一大小的网格里,从而在空间可视化中进行数据间的比对与分析,提高分析效率[48]。数据网格化有多种形状的网格可以选择,正六边形网格由于空间衔接度高,包含丰富的空间拓扑关系,多被用在相关研究中[59]。由于150~200 m网格常被用于城市级研究[60],因此,可借助ArcGIS软件中渔网工具和泰森多边形工具,基于研究区范围,生成边长为150 m的正六边形网格,将各维度城市活力感知结果进行连接,并通过最优聚类法分析城市活力的空间特征。
作为非监督学习的一种,聚类分析是一种数据规约技术,通过相似性进行分组,使得同一聚类的观测值尽可能相似。K均值聚类（K-means Clustering）是最常用的2种聚类方法之一。经过球形检验,若城市活力各变量符合球形分布,可使用K-means聚类方法。该方法的一个关键问题在于,如何选择聚类数目K。常用方法是根据研究者的专业知识领域（Domain Knowledge）来选择,然而,带有一定的主观性[61]。为克服这一问题,本研究不对K进行假设,基于R语言中的NbClust包提供的30个用于确定聚类数量的指标,借助机器学习算法,通过改变聚类数量和距离度量的所有组合获得不同类的数目来获取最佳聚类方案,进而分析基于多维感知的城市活力空间特征。

2.2.4 各类活力区域的用地特征

在使用最优聚类方法辨别具有同质性的城市活力区域之后,进一步探究每一类城市活力区域的用地特征,从而发现其背后的隐藏机制。用地特征包括用地结构、功能混合度和开发强度3个方面,分别代表了政府调控建设用地的主要维度,可进行对比分析,从而发现用地特征对城市活力的影响。
综上,本文的研究框架详见图2。
图2 城市活力多维感知的研究框架

Fig. 2 Research framework of multidimensional perception of urban vitality

3 研究区概况与数据来源

3.1 研究区概况

厦门是我国改革开放初期设立的4个经济特区之一,是海峡西岸的重要中心城市。厦门岛（含鼓浪屿,面积约157.76 km2）是厦门市的中心城区,四面环海,功能布局与空间结构较为独立,本岛和岛外四区无论从城市功能、交通联系还是人口密度与建设水平上,都存在一定的差异,应区别对待（图3）。厦门岛人口密度大,环境密度高,功能多样且高度混合,城市活力和建成环境具有较好的代表性,以厦门岛为对象来研究城市活力具有典型意义。
图3 厦门岛区位及土地利用现状

注：A1为行政办公用地,A2为文化设施用地,A3为教育科研用地,A4为体育用,A5为医疗卫生用地,A6为社会福利设施用地,A7为文物古迹用地,A8为外事用地,A9为宗教设施用地,B3为娱乐康体用地,B4为公用设施营业网点用地,E1为水域,E2为农林用地,E9为其他非建设用地,G1为公园绿地,G2为防护绿地,G3为广场用地,H2为区域交通设施用地,H4为特殊用地,M为工业用地,R为居住用地,R4为城中村用地,Rx2为服务设施用地,S为道路与交通设施用地,S3为交通枢纽用地,S4为交通场站用地,S9为其他交通设施用地,U为公用设施用地,W为物流仓储用地。

Fig. 3 The location and land use status of Xiamen Island

3.2 数据来源及预处理

研究数据包括社交媒体签到数据、夜间灯光影像数据、POI数据和LBS大数据,如表1所示。
表1 数据来源及获取时间

Tab. 1 Data source and acquisition time

感知维度 数据类型 数据来源 获取时间
社会 社交媒体签到
数据		 新浪API,新浪微博签到数据,包括“用户名”、“时间”、“打卡地点”、“经纬度”以及“微博内容”等自发地理信息 2019年10月1日至2020年10月31日
经济 夜间灯光影像
数据		 珞珈一号夜间灯光影像数据,下载地址 http://59.175.109.173:8888/index.html 2018年10月
文化 POI数据 高德地图API,包括名称、类型、经纬度、详细地址等信息 2020年12月
空间 LBS大数据 极光Aurora Mobile用户匿名地理位置大数据,包括“用户名”、“时间”、“经纬度”等信息 2020年10月17日到30日
（1）社交媒体签到数据
通过新浪API端口,使用Python爬虫程序,爬取厦门市2019年10月1日至2020年10月31日,共13个月的微博签到数据。经过数据检验,发现新冠疫情对厦门市城市活动的影响集中在2020年2月,通过长时段的数据累计可以有效降低疫情对数据的影响。原始数据共计75 131个用户、329 132条记录,字段包括“用户名”、“时间”、“打卡地点”、“经纬度”以及“微博内容”等自发地理信息（Volunteered Geographic Information）,可以折射出用户的社会网络和时空轨迹信息。数据清洗步骤如下：首先,剔除不包含位置信息、即打卡地点为“无”、经纬度为“0, 0”的记录;其次,由于打卡地点为“厦门”的记录,经纬度均为“118.03*, 24.48*”,位于海沧区的某一点,因此,这部分数据也视为无效,予以剔除;然后,如果同一用户ID在同一天相邻整点之间的同一位置有多于两条打卡记录,则保留最接近下一整点的记录;最后,将剩余的数据进行坐标纠偏,获得有效数据。
（2）夜间灯光影像数据
获取厦门市2018年10月高分辨率的“珞珈一号”遥感影像,进行辐射校正,并叠加厦门岛道路矢量数据,利用五通立交、高崎立交、海大立交等六处特征点进行几何校正。之后,利用双线性法对影像进行重采样,并以厦门岛外围矢量边界为掩膜进行数据裁剪。
（3）POI数据
通过高德地图API,利用python爬虫技术,获取2020年12月份厦门市域POI数据,进行初步筛选处理后,获得38.6万条有效数据,厦门岛20.8万条数据,共计14个大类,从中筛选出科技馆、美术馆等417个文化设施点（图4）。
图4 厦门岛文化设施POI数量及占比

Fig. 4 Number and proportion of POI of cultural facilities on Xiamen Island

（4）LBS大数据
本研究使用的LBS大数据为极光Aurora Mobile用户匿名地理位置大数据。极光是以开发者服务平台、数据服务平台、数据商业化平台为中心的数据生态体系,为智能手机应用软件提供SDK定位开发环境,监测约145.2万移动应用程序端（APPs）,包括腾讯、百度、滴滴、淘宝、新浪微博等主流 APPs,具有较强的普及性和较广的覆盖性。数据外包SDK平台可以筛选出只针对手机终端用户的数据,并能够在一定时段内有效采集多个APPs调用的LBS信息。数据采集机制包括周期性位置更新数据（用户打开APP后,其位置数据将以颗粒度为1 h/次的频率向后台SDK平台报送）和事件触发数据（用户在APP登陆、搜索、发送、接收信息和推送等事件形成即时位置数据）。
数据采集时间包含10个工作日和4个休息日,无节假日。在该时段,厦门新冠疫情影响渐弱,居民生活基本正常,加之温度适宜,气温在19.8 ℃~26.9 ℃之间,天气晴或多云,无雨,居民可在城市中自由活动及日常出行。
原始数据处理方法如下：① 选取2020年10月17日至30日所有出现在厦门市域范围内LBS记录,包含130 817 778条记录,共识别出602.09万个用户;② 测算每日白天整点（8:00—22:00）用户的位置记录。将每个用户ID 的位置信息前推1 h,以最接近该整点的记录作为该用户在该时间点的位置。工作日在厦门市域最高识别出32.98万个用户（19:00）,休息日最高识别出30.92个用户（18:00）;③ 将14日内每天8:00—22:00的厦门岛数据进行汇总,结果如图5所示;④ 将工作日和休息日白天整点的多日平均值进行汇总,结果如图6。通过③、④检验结果可见,每日数据量较为稳定,且工作日和休息日时变特征与居民活动规律相符,LBS大数据可有效计算空间活力。本研究最终选取14日内,8:00—22:00各整点多日平均值的总和来计算空间活力。
图5 厦门岛14日全天街道活动总量变化情况

Fig. 5 Changes in the total amount of street activities throughout the day of the 14 days on Xiamen Island

图6 厦门岛工作日和休息日街道活动人数时间变化情况（多日平均值）

Fig. 6 Time change of the number of street antivities on weekdays and rest days(Multi-day average) on Xiamen Island

4 城市活力空间特征

4.1 各维度的城市活力空间特征

在厦门岛生成2602个边长为150 m的正六边形网格,4个维度的城市活力总体呈现出西部连绵成带、东部大型设施和商务区集中的特征（图7）。社会活力高值区包括3类：沿地铁一号线分布的商圈,高校聚集区以及大型居住社区,呈现多中心分布特征;经济活力呈现“多中心,组团式”的特征,环岛路、湖滨路一带为高值区;文化活力空间分布较为均衡;空间活力呈现“一带延伸、多点融合”的空间特征,高值区集中在由中山路-世贸-SM城市广场-前埔等串联的商圈活力带上。除文化活力外,其他各维度城市活力表现出较显著的多中心结构。
图7 厦门岛多维度城市活力空间分布

Fig. 7 The spatial distribution of multi-dimensional urban vitality on Xiamen Island

4.2 各类活力区域空间分布

经过球形检验,厦门岛城市活力各变量符合球形分布,可使用K-means聚类方法。基于NbClust包的30个指标,对2~15类的聚类结果进行投票,结果见图8,最高投票数为9,对应的最优聚类数量为4类。
图8 城市活力聚类数和投票数

Fig. 8 The number of urban vitality cluster and the number of votes

基于城市活力的多维感知结果,厦门岛可分为4类区域,每一类的活力特征均不同（图9）。第一类区域的社会活力、文化活力和空间活力最高,经济活力较高;第二类区域的社会活力、文化活力较高,经济活力最高,空间活力较低;第三类区域的社会活力、文化活力和经济活力较低,而空间活力较高;第四类区域的社会、文化、经济和空间活力均最低。4类区域的空间分布和覆盖区域情况详见图10与表2。总体而言,厦门岛城市活力总体呈现出西部连绵成带、东部围绕商务区和大型设施集中的特征。一类和二类区域整体城市活力较高,覆盖厦门岛主要的商圈和大型公共服务设施,其差异主要在于经济活力的不同。三类和四类区域的整体城市活力较低。三类区域主要覆盖居住用地,但其空间活力水平较高。四类区域主要为区域交通设施以及非建设用地。
图9 4类聚类变量均值变化折线图

Fig. 9 Line chart of changes in the mean of four types of clustering varibles

图10 厦门岛4类城市活力特征区域空间分布

Fig. 10 The spatial distribution of the four types of urban vitality areas on Xiamen Island

表2 厦门岛四类活力空间覆盖区域及特点

Tab. 2 The coverage areas and characteristics of the four types of urban vitality areas on Xiamen Island

活力区域 覆盖区域 主要特点
第一类 厦门大学城、鼓浪屿、中山路街区、SM-明发-世贸商圈带、国际会议中心 经济活力较低,文化活力、社会活力和空间活力高
第二类 环岛路一侧、湖滨路两侧、五缘湾广场两侧、高崎机场南侧、国际会议中心北侧 经济活力最高,社会活力、文化活力一般,空间活力较低
第三类 居住区、城中村等 经济活力、社会活力和文化活力较低,空间活力较高
第四类 高崎机场、火车站、码头、景区公园、城中村等 经济活力、社会活力、文化活力和经济活力均为最低

5 各类城市活力区域的用地特征

基于2020年厦门市土地使用现状数据和2020年百度地图建筑数据（包含建筑基底与楼层数）计算每一类活力区域的用地特征,包括用地结构、功能混合度和开发强度3个方面。

5.1 用地结构

用地结构是指各种用地类型的面积与比例关系,它反映一定范围内土地利用的合理程度。基于厦门岛土地使用现状,将与城市活力密切相关的居住用地（R）、公共管理与公共服务用地（A）、商业服务业设施用地（B）、工业用地（M）和绿地与广场用地（G）以及其他（O:S/U/W/E/H）类用地的比例进行分析,4类区域的建设用地主要构成情况详见图11。
图11 厦门岛4类活力区域用地结构

Fig. 11 The land structure of the four types of areas on Xiamen Island

将各类区域的建设用地构成比例进行对比： ① 一、二、三类区域的居住用地比例均较高,四类区域的居住用地比例较低。其中,一、二类区域的居住用地以商品房、商住楼宇为主,而三、四类区域包含了大量的城中村和安置房;② 一类区域的公共管理与公共服务用地比例最高,为0.2,二、三类不足0.1,四类最低,为0.05;③ 就商业服务业设施用地而言,二类区域的比例最高,接近0.2,其次为一类区域,接近0.15,四类区域最低;④ 一类区域工业用地比例最低,不到0.01,三类区域的比例最高,为0.1左右;⑤一、二、三类区域的绿地与广场用地比例较为相近,集中在0.1~0.15的区间,而四类区域的比例最高,达到接近0.25。综上,在城市活力相对较高的一类和二类区域,A和B类用地比例远高于三类和四类,公共管理与公共服务设施和商业服务业设施是吸引城市活力的重要因素。

5.2 功能混合度

采用熵值法进行功能混合度（Land Use Mix, LUM）计算。4类城市活力区域的建设用地功能混合度普遍较高,其中第4类活力区域高达0.90（图12）。主要原因在于,第四类区域的居住用地占比较低,且非建设用地占据了较大面积,导致其用地分配比例更加均衡。可见,极高的用地功能混合度并未带来较高的城市活力。在城市宏观尺度上,功能混合度的影响并不十分显著,A和B类用地对城市活动的吸引力更强。
图12 厦门岛4类活力区域功能混合度

Fig. 12 The LUM of the four types of areas on Xiamen Island

对比各类区域不同性质建设用地周边缓冲区内功能混合度的变化情况（图13）。总体而言,一类区域的功能混合度水平低于其他3类区域。除了四类区域的商业服务业设施用地,其他区域各性质的建设用地周边功能混合度随缓冲距离增加呈明显的递增趋势,即缓冲范围越大,功能混合度越高。这进一步印证了前文的分析结论,在较大的空间尺度上,建设用地功能较为混合。在城市宏观层面,商业、服务业和公共服务是吸引城市活力的有效途径。中微观层面用地功能混合度的探讨更有意义。
图13 厦门岛建设用地周边功能混合度随缓冲范围变化情况

Fig. 13 Change of mixture of functions around the construction with buffer distance on Xiamen Island

具体来看,1000 m是较为显著的阈值,超过该阈值后,随着缓冲范围的增加,功能混合度赋值基本保持稳定。除了工业用地,一类区域中的其它建设用地周边功能混合度随缓冲范围的增加呈递增趋势。在二、三、四类区域中,不同性质的建设用地的功能混合度水平在缓冲范围低于1000 m时,差异较明显,之后逐步趋同。此外,四类区域的商业服务业设施用地周边功能混合度随着缓冲范围的增加逐步降低,这与四类区域中存在较大比例的非建设用地有关。
可见,在宏观尺度上,商业和公共服务是提升城市活力、吸引人群活动的重要措施。而在中微观尺度,对于用地周边1000 m范围内功能混合度的探讨更有意义。因此,在城市活力营造的规划工作中,需要更加重视其距离1000 m以内的城市功能的混合布置。

5.3 开发强度

开发强度可反映土地的使用程度和效率。以居住用地（R）、公共管理与公共服务用地（A）、商业服务业设施用地（B）、工业用地（M）4种主要承载城市开发和居民活动的建设用地为分析对象,对比四类区域中各类用地的建筑密度和容积率（图14）。一类区域的公共管理与公共服务用地建筑密度高于其它三类区域,接近0.6。二、三、四类区域的建筑密度基本相似,工业用地最高,居住用地最低。一类区域的居住用地容积率最高,为3左右,公共管理与公共服务用地最低,为0.5左右。一类区域和二类区域的商业服务业设施用地主要是市级商业中心、酒店、娱乐休闲、金融商务场所,二者容积率基本持平。二类区域的公共管理与公共服务用地容积率高于其他三类区域,主要是医院、科教文化机构等。
图14 厦门岛4类区域开发强度

Fig. 14 Development intensity of four types of areas on Xiamen Island

总之,居住用地和商业服务业设施用地的城市活力水平随着开发强度的降低而降低。工业用地的城市活力随开发强度的变化不明显。活力最高区域的公共管理与公共服务设施用地建筑密度最高,而开发强度最低,这与行政办公用地的空间特征有关。
综上,将4类城市活力区域的用地特征进行对比,详见表3。
表3 厦门岛4类城市活力区域的用地特征

Tab. 3 Land use characteristics of 4 types of urban vitality on Xiamen Island

活力区域 用地结构 功能混合度 开发强度
第一类 公共管理与公共服务用地比例最高 最低（约0.79） 公共管理与公共服务用地的建筑密度较高,容积率较低;居住用地的容积率较高
第二类 商业服务业设施用地比例最高 较高（约0.90） 商业服务业设施用地容积率较高;各类用地建筑密度均较低
第三类 工业用地比例最高 较高（约0.87） 建筑密度与容积率在全局为中下水平
第四类 绿地与广场用地比例最高 最高（约0.90） 各类用地的容积率均处于较低水平

6 讨论与展望

借助新数据和新技术的导入,通过智能方法挖掘规律,并基于规律进行空间诊断和场景推演,是城市发展和规划的方向。城市活力与土地使用规律的精准感知,是智能规律挖掘的第一步,也是智慧城市建设的基础。虽然许多研究就此做出了不断的探索,但仍存在一定局限性。既有方法或借助单一数据源,仅从单一维度感知城市活力,难以全面认知研究对象;或通过构建指标体系来综合评价城市活力,但缺乏可靠依据和统一标准,容易导致结果偏差。本研究使用多源大数据,从社会、经济、文化和空间多个维度感知城市活力,并借助最优聚类方法有效规避赋权带来的计算偏差。在不预先假设指标权重和分类数量的情况下,根据观测对象本身的特性来判定最优的评价结果,从而达到更加科学、客观的研究目的。
本研究仍存在一定不足。首先,对用地特征的分析并未采用模型方法。主要原因在于,通过最优聚类得到的各类观测值本就具有同质性,不适合回归分析。此外,本研究使用了网格单元,与街区单元相比,同一网格内的用地特征难以保持一致性,不利于深入挖掘某种用地特征对城市活力的影响。加之用地结构、功能混合度和开发强度分别代表了政府调控建设用地的主要维度,可进行对比分析。其次,各维度活力的时间属性存在差异,因此,本研究未考虑城市活力的时间特征。社会和空间活力的时变、日变特征显著,但经济和文化活力难以以小时和日为单位进行统计。后续可借助更长时段的数据累计,统一各维度的时间单元,进而分析其细化特征。
在信息和数字时代,科技塑造了新的城市维度,人对城市感知的终端在不断变化,城市认知地图因虚拟体验而不断扩展。大数据、人工智能和智慧城市的持续发展,使得空间的数字化与数字技术的空间化趋势愈发显著。人对于城市和空间的多维感知需要创新性的技术方法与研究设计进行回应,强调人群交互,提升空间的可感知性,从而为未来的城市发展提供更加科学、精准的空间资源配置方案,提升城市智慧化水平。因此,“感知”也成为地理学、城乡规划学等学科新的活跃领域。本研究开发的感知技术对城市进行大规模定量的展示和论证,可辅助未来的城市土地利用效率评估和活力场所营造,为以人为本的城市有机更新提供方法支撑,对提升城市高质量发展和智能化建设均具有现实意义。

7 结论

本研究的主要结论包括以下3点：
（1）基于多源地理大数据,通过多种数据挖掘和分析手段开发的城市活力多维感知方法可精准而有效的评估城市空间特征和发展动态,在城市的精细化管理和规划中具有较强的适用性。从经济、社会、文化和空间4个维度对城市活力进行感知,不仅能够实时、全面的获取实体维度的活力情况,也可以监测动态特征较强的虚拟维度,从而把握城市发展现状,盘活土地利用效率,指导城市有机更新,提高城市智慧化水平。
（2）厦门岛社会、经济、文化和空间维度城市活力的空间分布存在一定差异。社会活力以商圈、高校为核心呈多中心分布;经济活力以大型公共服务区域为核心呈组团分布;文化活力围绕文化设施,总体分布较均衡;空间活力体现为商圈活力带的连绵特征。依据各维度活力感知划分的4类区域呈现出西部连绵成带、东部围绕商务区和大型设施集中的特征。社会、文化和空间活力的空间分布较为一致,高值区域覆盖厦门岛主要的商圈和大型公共服务设施;经济活力与其它维度的空间分布不统一。各维度活力均较低的区域主要为城中村、区域交通设施和非建设用地。
（3） 4类活力区域的用地特征存在较大差异。第一类区域的公共管理与公共服务用地占比和第二类区域的商业服务业用地占比最高,均接近20%。在宏观层面,公共设施以及商业服务业的集聚是提升城市活力的有效途径。经典理论所提倡的功能混合度在城市层面效用有限,用地周边1000 m范围内的功能混合度变化显著,应着重调控该范围内的用地性质和功能配置情况。开发强度的作用与用地性质有关。第一、二类区域的居住用地和商业服务业设施用地容积率均在2.0以上,2类用地的城市活力水平随着开发强度的降低而降低。
在当前的城市有机更新背景下,集聚依然是提升城市活力的有效手段。但城市活力是一个复杂多元的问题,厦门市中心城区各维度城市活力的空间分布差异较大,而各区域之间的活力水平差异也较大。因此,应借助多源数据开展城市活力的多维度、精细化感知,把握城市发展现状,评估区域发展潜力,探明建设开发低谷,从而明确城市的职能定位与基础条件,积极引入营造城市活力的相关要素,为城市有机更新指明方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
童明. 城市肌理如何激发城市活力[J]. 城市规划学刊, 2014(3):85-96.

[ Tong M. How urban fabric can help sustain the vitality of cites[J]. Urban Planning Forum, 2014(3):85-96. ] DOI: 10.3969/j.issn.1000-3363.2014.03.011

DOI

[2]
Kim Y L. Seoul's Wi-Fi hotspots: Wi-Fi access points as an indicator of urban vitality[J]. Computers, Environment and Urban Systems, 2018, 72(11):13-24. DOI: 10.1016/j.compenvurbsys.2018.06.004

DOI

[3]
Lopes M N, Camanho A S. Public green space use and consequences on urban vitality: An assessment of European cities[J]. Social Indicators Research, 2013, 113(3),751-767. DOI: 10.1007/s11205-012-0106-9

DOI

[4]
刘瑜, 詹朝晖, 朱递, 等. 集成多源地理大数据感知城市空间分异格局[J]. 武汉大学学报·信息科学版, 2018, 43(3):327-335.

[ Liu Y, Zhan C H, Zhu D, et al. Incorporating multi-source big geo-data to sense spatial heterogeneity patterns in an urban space[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3):327-335. ] DOI: 10.13203/j.whugis20170383

DOI

[5]
甄峰, 翟青, 陈刚, 等. 信息时代移动社会理论构建与城市地理研究[J]. 地理研究, 2012, 31(2):197-206.

[ Zhen F, Zhai Q, Chen G, et al. Mobile social theory construction and urban geographic research in the information era[J]. Geographical Research, 2012(2): 197-206. ] DOI:1000-0585(2012)02-0197-10

[6]
杜晓娟, 甄峰. 南京市居民购物行为的影响因素和空间效应——基于四种商品的对比研究[J]. 地理研究, 2017, 36(5):957-971.

DOI

[ Du X J, Zhen F, Cao J. Influential factors and spatial effects of individuals' shopping behavior in Nanjing: A comparative study on four types of goods[J]. Geographical Research, 2017, 36(5):957-971. DOI: 10.11 821/dlyj201705012

DOI

[7]
钟炜菁, 王德. 上海市中心城区夜间活力的空间特征研究[J]. 城市规划, 2019, 43(6):97-114.

[ Zhong W J, Wang D. A study on the spatial characteristics of nighttime vitality in the city center of Shanghai[J]. City Planning Review, 2019, 43(6):97-114. ] DOI: 10.11819/cpr20190615a

DOI

[8]
Yue Y, Zhuang Y, Yeh A G O, et al. Measurements of POI-based mixed use and their relationships with neighborhood vibrancy[J]. International Journal of Geographical Information Science, 2017, 31(4):658-675. DOI: 10.1080/13658816.2016.1220561

DOI

[9]
Long Y, Huang C. Does block size matter? The impact of urban design on economic vitality for Chinese cities[J]. Environment and Planning B: Urban Analytics and City Science, 2017, 25(5):353-359. DOI:10.1177/2399808317 715640

[10]
Ye Y, Li D, Liu X. How block density and typology affect urban vitality: An exploratory analysis in Shenzhen, China[J]. Urban Geography, 2018, 39(4):631-652. DOI: 10.1080/02723638.2017.1381536

DOI

[11]
Wu W, Niu X. Influence of built environment on urban vitality: A case study of Shanghai using mobile phone location data[J]. Journal of Urban Planning and Development, 2019, 145(3):04019007. DOI: 10.1061/(asce)up.1943-544 4.0000513

DOI

[12]
Lu S, Huang Y, Shi C, et al. Exploring the Associations Between Urban Form and Neighborhood Vibrancy: A Case Study of Chengdu, China[J]. International Journal of Geo-Information, 2019, 8:165. DOI: 10.3390/ijgi8040165

DOI

[13]
Montalto V, Moura C J T, Langedijk S, et al. Culture counts: An empirical approach to measure the cultural and creative vitality of European cities[J]. Cities, 2019, 89:167-185. DOI: 10.1016/j.cities.2019.01.014

DOI

[14]
Jin X, Long Y, Sun W, et al. Evaluating cities' vitality and identifying ghost cities in China with emerging geographical data[J]. Cities, 2017, 63:98-109. DOI: 10.1016/j.cities.2017.01.002

DOI

[15]
Sulis P, Manley E, Zhong C, et al. Using mobility data as proxy for measuring urban vitality[J]. Journal of Spatial Information Science, 2018, 16(6):137-162. DOI: 10.5311/josis.2018.16.384

DOI

[16]
塔娜, 曾屿恬, 朱秋宇, 等. 基于大数据的上海中心城区建成环境与城市活力关系分析[J]. 地理科学, 2020, 40(1):60-68.

DOI

[ Ta N, Zeng Y T, Zhu Q Y, et al. Relationship between built environment and urban vitality in Shanghai downtown area based on big data[J]. Scientia Geographica Sinica, 2020, 40(1):60-68. ] DOI: 10.13249/j.cnki.sg s.2020.01.008

DOI

[17]
唐璐, 许捍卫, 丁彦文. 融合多源地理大数据的城市街区综合活力评价[J]. 地球信息科学学报, 2021.

[ Tang L, Xu H W, Ding Y W. Comprehensive Vitality Evaluation of Urban Blocks based on Multi-source Geographic Big Data[J/OL]. Journal of Geo-information Science, 2021. ] DOI: 10.12082/dqxxkx.2022.210226

DOI

[18]
刘瑜, 肖昱, 高松, 等. 基于位置感知设备的人类移动研究综述[J]. 地理与地理信息科学, 2011, 27(4):8-31.

[ Liu Y, Xiao Y, Gao S, et al. A review of human mobility research based on location aware devices[J]. Geography and Geo-information Science, 2011, 27(4):8-31. ] DOI:1672-0504(2011)04-0008-06

[19]
秦昆, 林珲, 胡迪, 等. 空间综合人文学与社会科学研究综述[J]. 地球信息科学学报, 2020, 22(5):912-928.

DOI

[ Qin K, Lin H, Hu D, et al. A review of spatially integrated humanities and social sciences[J]. Journal of Geo-information Science, 2020, 22(5):912-928. ] DOI: 10.12082/dq xxkx.2020.200232

DOI

[20]
刘坚, 孟斌, 陈思宇, 等. 多源大数据下的北京市居民就餐活动与城市空间关系探究[J]. 人文地理, 2021, 36(2):63-73.

[ Liu J, Meng B, Chen S Y, et al. Study of the relationship between dining activities of Beijing residents and urban space based on multi-source big data[J]. Human Geography, 2021, 36(2):63-73. ] DOI: 10.13959/j.issn.1003-2 398.2021.02.009

DOI

[21]
Lynch K. Good city form[M]. Cambridge: The MIT Press, 1984.

[22]
Smith T, Nelischer M, Perkins N. Quality of an urban community: A framework for understanding the relationship between quality and physical form[J]. Landscape and Urban Planning, 1997,39(2-3):229-241. DOI:10.1016/s0169- 2046(97)00055-8

[23]
Ravenscroft N. The vitality and viability of town centers[J]. Urban Studies, 2000, 37(13),2533-2549. DOI: 10.1080/00420980020080681

DOI

[24]
Jacobs J. The death and life of great American cities[M]. New York: Random House LLC, 1961.

[25]
Gehl J. Life between buildings[M]. Copenhagen: Arkitektens Forlag, 1971.

[26]
叶宇, 庄宇, 张灵珠, 等. 城市设计中活力营造的形态学探究——基于城市空间形态特征量化分析与居民活动检验[J]. 国际城市规划, 2016(1):26-33.

[ Ye Y, Zhuang Y, Zhang L Z, et al. Designing urban spatial vitality from morphological perspective: A study based on quantified urban morphology and activities' testing[J]. Urban Planning International, 2016(1):26-33. ] DOI:1673-9493(2 016)01-0026-08

[27]
蒋涤非, 李璟兮. 当代城市活力营造的若干思考[J]. 新建筑, 2016(1):21-25.

[ Jiang D F, Li J X. Several thoughts about the making of vitality in contemporary cities[J]. New Architecture, 2016(1):21-25. ] DOI: 10.3969/j.iss n.1000-3959.2016.01.004

DOI

[28]
Chion M. Producing urban vitality: The case of dance in San Francisco[J]. Urban Geography, 2009, 30(4):416-439. DOI: 10.2747/0272-3638.30.4.416

DOI

[29]
Montgomery J. Editorial urban vitality and the culture of cities[J]. Planning Practice & Research, 1995, 10(2):101-110. DOI: 10.1080/02697459550036649

DOI

[30]
Lees L. Planning urbanity[J]. Environment and Planning A, 2010, 42(10): 2302-2308. DOI: 10.1068/a43360

DOI

[31]
Marcus L. Spatial capital[J]. The Journal of Space Syntax, 2010, 1(1):30-40. DOI: 128.40.150.106

DOI

[32]
金延杰. 中国城市经济活力评价[J]. 地理科学, 2007(1):9-16.

[ Jin Y J. Study on urban economic vitality index in China[J]. Science Geographica Sinica, 2007(1):9-16. ] DOI: 10.3969/j.issn.1000-0690.2007.01.002

DOI

[33]
赵宏波, 余涤非, 苗长虹, 等. 基于POI数据的郑州市文化设施的区位布局特征与影响因素研究[J]. 地理科学, 2018, 38(9):1525-1534.

[ Zhao H B, Yu D F, Miao C H, et al. The location distribution characteristics and influencing factors of cultural facilities in Zhengzhou based on POI data[J]. Scientia Geographica Sinica, 2018, 38(9):1525-1534. ] DOI: 10.13249/j.cnki.sgs.2018.09.016

DOI

[34]
Bentley I, McGlynn S, Smith G, et al. Responsive environments[M]. Oxford: Butterworth-Heinemann, 1985.

[35]
曾宪宪, 林怡. 基于网络情感分析的城市景观照明对环境感知的影响研究——以上海外滩景观照明改造为例[J]. 城市建筑, 2020, 17(354):176-182.

[ Zeng X X, Lin Y. Research on influence of urban landscape lighting on environmental perception based on network sentiment analysis: A case of the landscape lighting renovation in Shanghai Bund[J]. Urbanism and Architecture, 2020, 17(5):176-182. ] DOI: 10.19892/j.cnki.csjz.2020.13.036

DOI

[36]
王旭, 吴吉东, 王海, 等. 基于夜间灯光和人口密度数据的京津冀GDP空间化对比[J]. 地球信息科学学报, 2016, 18(7):969-976.

DOI

[ Wang X, Wu J D, Wang H, et al. Comparison of GDP spatialization in Beijing-Tianjin-Hebei based on night light and population density data[J]. Journal of Geo-information Science, 2016, 18(7):969-976. ] DOI: 10.3724/SP.J.1047.2016.00969

DOI

[37]
杨任飞, 罗红霞, 周盛, 等. 夜间灯光数据驱动的成渝城市群空间形成过程重建及分析[J]. 地球信息科学学报, 2017, 19(5):653-661.

DOI

[ Yang R F, Luo H X, Zhou S, et al. Restoring and analyzing the space forming process of Chengdu- Chongqing urban agglomeration by using DMSP/OLS night-time light data[J]. Journal of Geo-information Science, 2017, 19(5):653-661. ] DOI: 10.3969/j.is sn.1560-8999.2017.05.009

DOI

[38]
Jackson M R, Kabwasa-Green F, Herranz J. Cultural vitality in communities: Interpretation and indicators[M]. Washington, DC: The Urban Institute, 2006.

[39]
郝新华, 龙瀛, 石淼, 等. 北京街道活力:测度、影响因素与规划设计启示[J]. 上海城市规划, 2016(3):37-45.

[ Hao X H, Long Y, Shi M, et al. Street vibrancy of Beijing: Measurement, impact factors and design implication[J]. Shanghai Urban Planning Review, 2016(3):37-45. ] DOI:1673-8985(2016)03-0037-09

[40]
Yue Y, Zhuang Y, Yeh A G O, et al. Measurements of POI-based mixed use and their relationships with neighborhood vibrancy[J]. International Journal of Geographical Information Science, 2017, 31(4):658-675. DOI: 10.1080/13658816.2016.1220561

DOI

[41]
Wu W, Niu X, Li M. Influence of built environment on street vitality: A case study of West Nanjing Road in Shanghai based on mobile location data[J]. Sustainability, 2021, 13(4):1840. DOI: 10.3390/su13041840

DOI

[42]
Landry C. Urban vitality: A new source of urban competitiveness[J]. Archis, 2000, 12:8-13.

[43]
朱婷婷, 涂伟, 乐阳, 等. 利用地理标签数据感知城市活力[J]. 测绘学报, 2020, 49(3):365-374.

[ Zhu T, Tu W, Le Y, et al. Use geographic label data to perceive the vitality of the city[J]. Journal of Surveying and Mapping, 2020, 49(3):365-374. ] DOI: 10.11947/j.AGCS.2020.20190051

DOI

[44]
马斌斌, 陈兴鹏, 陈芳婷. 基于社交大数据的敦煌旅游流多尺度时空分异特征[J]. 经济地理, 2021, 41(3):202-212.

[ Ma B B, Chen X P, Chen F T, et al. Multi-scale temporal and spatial differentiation characteristics of Dunhuang tourism flow based on social big data[J]. Economic Geography, 2021, 41(3):202-212. ] DOI: 10.15957/j.cnki.jjdl.2 021.03.021

DOI

[45]
中国互联网络信息中心. 第46次中国互联网络发展状况统计报告[R]. 2020.

[ China Internet Network Information Center. The 46th statistical report on internet development in China[R]. 2020. ]

[46]
微博数据中心. 微博用户发展报告[R]. 2020.

[ Weibo Data Center. Weibo user development report[R]. 2020. ]

[47]
陈世莉, 陈浩辉, 李郇. 夜间灯光数据在不同尺度对社会经济活动的预测[J]. 地理科学, 2020, 40(9):1476-1483.

DOI

[ Chen S L, Chen H H, Li X. The ability of nighttime imagery in monitoring economic activity in different scales[J]. Scientia Geographica Sinica, 2020, 40(9):1476-1483. ] DOI: 10.13249/j.cnki.sgs.2020.09.009

DOI

[48]
于丙辰, 陈刚. 基于腾讯区域热力图的庐山核心景区客流研究[J]. 国土与自然资源研究, 2017, 39(2):83-89.

[ Yu B C, Chen G. Research on visitor flows of Lushan core scenic area using Tencent regional heatmap[J]. Territory & Natural Resources Study, 2017, 39(2):83-89. ] DOI: 10. 3969/j.issn.1003-7853.2017.02.022

DOI

[49]
陈斌, 徐尚昭, 周阳阳, 等. POI与NPP /VIIRS 夜光数据空间耦合关系下的城市空间结构分析——以武汉市主城区为例[J]. 测绘通报, 2020(7):70-75.

[ Chen B, Xu S Z, Zhou Y Y. Analysis of urban spatial structure under the spatial coupling relationship of POI and NPP/VIIRS luminous data: A case study over Wuhan city[J]. Bulletin of Surveying and Mapping, 2020(7):70-75. DOI: 1013474 /j.cnki.11-2246.2020.0217.

DOI

[50]
王毓乾, 王紫锟, 邓志杰, 等. 兴趣点、夜光遥感和微博签到的空间耦合分析——以北京市为例[J]. 遥感信息, 2019, 34(6):18-26.

[ Wang Y Q, Wang Z K, Deng Z Z, et al. Spatial coupling analysis of points of interest, night-light remote sensing and Microblog check-in: A case study of Beijing[J]. Remote Sensing Information, 2019, 34(6):18-26. ]

[51]
王娜, 吴健生, 李胜, 等. 基于多源数据的城市活力空间特征及建成环境对其影响机制研究——以深圳市为例[J]. 热带地理, 2021, 41(6):1280-1291.

DOI

[ Wang N, Wu J S, Li S, et al. Spatial features of urban vitality and the impact of built environment on them based on multi-source data: A case study of Shenzhen[J]. Tropical Geography, 2021, 41(6):1280-1291. ] DOI: 10.13284/j.cnki.rddl.003406

DOI

[52]
Li X, Zhao L, Li D, et al. Mapping urban extent using Luojia 1-01 nighttime light imagery[J]. Sensors, 2018, 18(11):3665. DOI: 10.3390/s18113665

DOI

[53]
Shi K, Huang C, Yu B, et al. Evaluation of NPP-VIIRS night-time light composite data for extracting built-up urban areas[J]. Remote Sensing Letters, 2014, 5(4):358-366. DOI: 10.1080/2150704x.2014.905728

DOI

[54]
Wu C, Ye X, Ren F, et al. Check-in behaviour and spatio-temporal vibrancy: An exploratory analysis in Shenzhen, China[J]. Cities, 2018, 77:104-116. DOI: 10.1016/j.citie s.2018.01.017

DOI

[55]
王伟强, 马晓娇. 基于多源数据的滨水公共空间活力评价研究——以黄浦江滨水区为例[J]. 城市规划学刊, 2020, 9(1):48-56.

[ Wang W Q, Ma X J. Vitality assessment of waterfront public space based on multi-source data: A case study of the Huangpu River waterfront[J]. Urban Planning Forum, 2020(1):48-56. ] DOI: 10.16361/j.up f.202001007

DOI

[56]
王鹤饶, 郑新奇, 袁涛. DMSP/OLS数据应用研究综述[J]. 地理科学进展, 2012, 31(1):11-19.

DOI

[ Wang H R, Zheng X Q, Yuan T. Overview of researches based on DMSP/OLS nighttime light data[J]. Progress in Geography, 2012, 31(1):11-19. ] DOI: 10.11820/dlkxjz.2012.01.002

DOI

[57]
Heidenreich N B, Schindler A, Sperlich S. Bandwidth selection for kernel density estimation: A review of fully automatic selectors[J]. Advances in Statistical Analysis, 2013, 97(4):403-433. DOI: 10.1007/s10182-013-0216-y

DOI

[58]
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[J]. 地理学报, 2016, 71(6):928-939.

DOI

[ Xu Z N, Gao X L. A novel method for identifying the boundary of urban built- up areas with POI data[J]. Acta Geographica Sinica, 2016, 71(6):928-939. ] DOI: 10.11821/dlxb201606003

DOI

[59]
Gao S, Janowicz K, Montello D R, et al. A data-synthesis driven method for detecting and extracting vague cognitive regions[J]. International Journal of Geographical Information Systems, 2017, 31(6):1245-1271. DOI: 10.1080/13658816.2016.1273357

DOI

[60]
杜志强, 黄冬宁, 丁火平, 等. 融合POI数据的建成区人口数据空间化方法——以武汉市为例[J]. 地理信息世界, 2021, 28(1):21-25.

[ Du Z Q, Huang D N, Ding H P, et al. Spatialization of population data in built-up Area merging with POI data: A case study over Wuhan city[J]. Geomatics World, 2021, 28(1):21-25. ] DOI:1672-1586(2021)01-0021-05

[61]
陈强. 基于聚类技术的多阈值图像分割技术[J]. 太赫兹科学与电子信息学报, 2018, 16(4):715-718.

[ Chen Q. Multi-threshold image segmentation based on clustering method[J]. Journal of Terahertz Science and Electronic Information Technology, 2018, 16(4):715-718. ] DOI: 10.11805/TKYDA201804.0715

DOI

Options
文章导航

/

〈 〉