EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 5: 1212 - 1228

DOI: https://doi.org/10.12082/dqxxkx.2024.230362

地球信息科学理论与方法

基于多源开放数据的城市多中心定量识别方法

  • 姜永青 , 1 ,
  • 赵新正 , 1, 2, 3, 4, * ,
  • 李培庆 1 ,
  • 相里博晨 1 ,
  • 张得康 1
展开
  • 1.西北大学城市与环境学院，西安 710127
  • 2.西北大学陕西省黄河研究院，西安 710127
  • 3.陕西省情研究院，西安 710127
  • 4.陕西省地表系统与环境承载力重点实验室，西安 710127
*赵新正（1983—），男，河南安阳人，博士，教授，博士生导师，从事城市地理和城乡发展研究。 E-mail:

姜永青（1997—），男，山东威海人，硕士生，主要研究方向为时空数据挖掘与城市空间规划。E-mail:

收稿日期: 2023-07-01

  修回日期: 2023-09-29

  网络出版日期: 2024-05-21

基金资助

国家自然科学基金项目(42371226)

收起

Quantitative Identification Method of Urban Multi-center Based on Multi-source Open Data

  • JIANG Yongqing , 1 ,
  • ZHAO Xinzheng , 1, 2, 3, 4, * ,
  • LI Peiqing 1 ,
  • XiANGLI Bochen 1 ,
  • ZHANG Dekang 1
Expand
  • 1. College of Urban and Environmental Science, Northwest University, Xi'an 710127, China
  • 2. Yellow River Institute of Shaanxi Province, Northwest University, Xi'an 710127, China
  • 3. Shaanxi Institute of Provincial Resource, Environmental and Development, Xi'an 710127, China
  • 4. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Xi'an 710127, China
*ZHAO Xinzheng, E-mail:

Received date: 2023-07-01

  Revised date: 2023-09-29

  Online published: 2024-05-21

Supported by

National Natural Science Foundation of China(42371226)

Fold

摘要

开展城市多中心研究对于优化城市空间结构、合理配置空间要素及加强城市规划管理具有重要意义。现有研究围绕多中心识别进行了大量实证分析，但尚未建立一套统一的评定标准。为此，本文以POI、人口分布、OSM路网等多源开放数据为基础，构建了一套从结构形态到强度等级和功能分类的城市多中心定量识别方法。① 结构形态方面，基于对POI数据的多属性加权分析构建多中心结构特征指标—“中心集群度”，并通过参数优化后的局部等值线树算法识别城市多中心的范围与边界。② 强度等级方面，通过构建多中心综合服务强度指标（UCSI），运用首尾切割规则对多中心内部进行了强度斑块划分并计算多中心强度等级（UCL）。③ 功能分类方面，通过计算融入加权属性后的POI数据的频数占比，识别多中心的功能组合关系与分类。最后以西安市为例进行模拟实证，发现：西安市传统单核心的城市结构表现出明显的扩散趋势，共识别出21个城市中心的位置和边界，分别为3个城市主中心、5个城市副中心以及13个区域中心；各城市中心强度等级呈“核心-外围”圈层式递减特征；识别出4个复合型功能中心、12个双功能中心以及5个单一型功能中心。研究结果表明，本文建立的定量识别方法能够精准、系统地识别城市多中心发展特征。针对大城市多中心发展中的突出问题本文提出了相应的政策建议，以期为城市规划的编制与实施提供借鉴意义。

关键词： 多中心识别; 多源开放数据; 结构形态; 强度等级; 功能分类; 定量识别; 西安市

本文引用格式

姜永青 , 赵新正 , 李培庆 , 相里博晨 , 张得康 . 基于多源开放数据的城市多中心定量识别方法[J]. 地球信息科学学报, 2024 , 26(5) : 1212 -1228 . DOI: 10.12082/dqxxkx.2024.230362

Abstract

Conducting research on urban multi-center is of significant importance for optimizing urban spatial structure, rational allocation of spatial elements, and strengthening urban planning and management. Existing studies have conducted numerous empirical research on urban multi-center identification, but a unified set of evaluation criteria has yet to be established. Therefore, based on multi-source open data such as Points of Interest (POI), population distribution, and road networks, this paper constructs a set of quantitative identification methods for urban multi-center in terms of structural morphology, intensity level, and functional classification. For the structural morphology, based on the multi-attribute weighted analysis of POI data, we constructed a multi-center structural characteristic index "center clustering degree" and identified the scope and boundary of urban multi-center through the parameter-optimized local contour tree algorithm. For the intensity level, by constructing the Urban Multi-center Comprehensive Service Intensity Indicator (UCSI), and according to "Head-Tail Breaks" rule, we divided the intensity patches within the multi-center and calculated the Urban Multi-center Intensity Level (UCL). For functional classification, the functional combination relationship and classification of multi-center was identified by calculating the frequency share of POI data after incorporating weighted attributes. Finally, an empirical simulation was conducted using the city of Xi'an as a case study. Results show that Xi'an city's traditional single-core urban structure exhibited a distinct diffusion trend, having a total of 21 urban centers (three main urban centers, five secondary urban centers, and 13 regional centers) with their locations and boundaries specified. The intensity level of each urban center was characterized by a decreasing "core-periphery" circle. And four urban composite functional centers, 12 urban dual-functional centers, and five urban single-functional centers were identified. The research results show that the quantitative identification method established in this paper can accurately and systematically identify the characteristics of urban multi-center development. This paper also puts forward corresponding policy suggestions for the prominent problems in the process of multi-center development of large cities and provides reference for the preparation and implementation of urban planning.

Key words： multi-center identification; multi-source open data; structural morphology; intensity level; functional classification; quantitative identification; Xi'an city

1 引言

全球城市化发展潮流的背景下，城市建设面积的扩张和人类社会活动的激增导致城市空间结构发生了显著变化[1]。为疏解城市发展过度集中造成的空间分异、环境恶化、交通拥堵等“城市病”问题，管控引导多中心式的城市结构发展已成为空间规划的重要手段[2]。Howard[3]提出的田园城市理论表明，为限制城市的自发膨胀，应当以区域综合的思想构建多中心的城市运作系统。之后，沙里宁[4]主张将高度集中的城市功能疏散成多中心布局结构；Harris和Ullman[5]依据划分经济胞体所提出的多核理论模型阐述了城市空间的多节点式发展。为克服单中心模式的弊端，疏解城市核心区职能压力，20世纪后期欧洲、北美和日本等开始引入卫星城理论，倡导城市空间发展模式由单中心主导向多中心结构演变，指出了城市区域向多中心发展的必然趋势[6]。近年来，中国的快速城镇化进程使空间集聚发展的城市要素也面临着多中心结构转型。许多学者就多中心发展的多重内涵[7]和动态特征[8-9]等方面进行理论阐述与探索。部分特大城市在空间规划中均提出“多中心城市模式”的发展战略目标[10]，从而引导优化核心与近郊相融合的新城市网络空间模式。
评估和识别城市多中心已成为当下的热点研究方向。大量学者通过地理学和形态学的方法，就多中心形态识别、多中心等级识别与多中心功能识别[11]等方面对城市多中心开展了深入地研究，并取得了丰富的成果。
多中心结构形态识别方面。作为多中心识别最重要的环节，精准识别城市中心的位置与边界可以反映城市多中心的演化特征。传统方法大多依赖统计调查数据，通过构建多中心模型，从就业模式[12-13]、人口密度[14]等视角反映城市人口与功能要素的多中心程度；近年来随着大数据的发展与广泛应用，研究重点出现了两类新的主流思路。一类是利用POI、夜间灯光、土地利用等数据，通过空间自相关、等值线树算法、自提取识别[15]等方法进行多中心的静态化识别，从而反映城市人口、社会经济规模要素的聚集程度并识别其形态边界；另一类是利用GPS轨迹[16]、手机信令[17]以及APP签到[18]等城市动态流数据的潜在规律分析，基于机器学习算法等分析手段，从通勤模式规律[19]、空间热点交互[20]等多维度的微观人群活动行为去反映不同城市中心或组团之间的空间要素的宏观形态与作用范围。目前形态识别相关实证研究已经涉及重庆[21]、北京[19]和上海[17]等特大城市。
多中心等级识别方面。随着各国大城市多中心规划与政策的实施，许多学者从多个视角对各城市中心的强度等级以及主副关系展开了测算。具体研究多是从衡量空间结构与规划的强度等级的相关变量切入[22-23]，选取反映城市经济社会发展、生活方式规律、交通出行模式、生态环境质量等的数据来构建宏观评价指标模型[24⇓-26]，分析各因素之间的耦合关系及作用机理来表征不同城市中心的综合强度并进行等级划分。例如李欣[27]测度了郑州市各中心综合实力参数； Yang[28]识别并对比了北京、上海、深圳和广州的多中心强度。
多中心功能识别方面。城市多中心的功能分布与布局的识别是衡量、预测一个城市发展定位与方向的关键性手段，对于优化城市人地系统、推动城市功能规划建设具有重要意义。目前多中心功能识别主要包括以下3类。第1类是通过对遥感或土地利用数据的高分辨影像直接进行各功能区的解译与判定[29]；第2类是通过分析不同行业分类属性的POI数据在不同研究单元中的占比阈值来定义空间功能区[30]；第3类是将手机信令数据结合行为空间及行为模式理论，分析不同人群的时空行为特征规律来辨析城市不同类型功能区分布[20]。识别目的是判断城市中心的主体功能定位或多元功能组合。如冉钊[31]运用POI数据实证了长沙市生活性服务业功能的空间格局特征；郜庆科[32]通过多源数据对成都市主城区的功能特性进行识别。
现有研究对城市多中心识别分析虽做出了贡献，但仍可从以下方面进行改进。 ① 大多动态流数据虽解决了传统数据统计口径差异化、空间精度粗略化等问题，但其获取途径存在明显的资金壁垒或合作壁垒，相关数据分析的可推广性受限； ② 对城市多中心性整体特征的分析研究较多，但对多中心的精准定位及分级分类的精准测度还有待加强。由此，本文从城市学研究视角，以西安市主城区为例，基于对多源开放大数据（POI、人口热力图、OSM路网等）的综合分析，运用多尺度切割模型、局部等值线树法等多重集成算法，从多中心结构形态、多中心强度等级以及多中心功能分类3个角度对多中心空间属性进行量化表征，构建一套系统可推广的城市多中心识别与评价体系。以期对城市结构领域研究提供一个方法与案例，为未来城市规划管理提供借鉴依据。

2 研究方法

2.1 技术路线

本文技术路线如图1所示。首先对从多源开放数据库下载的地理信息数据进行异构数据预处理，并构建多源空间信息数据库。其次本文从3个部分构建城市多中心定量识别方法：① 基于POI、人口栅格等数据，运用多尺度切割以及局部等值线树等算法识别城市多中心结构形态；② 基于POI、OSM路网以及GDP栅格等数据构建综合服务强度评定指标，并运用首尾切割规则量化识别城市多中心强度等级及内部发展的空间异质性；③ 根据POI数据属性加权后的频数占比识别城市多中心功能分类组合，并以西安市主城区为例进行实证分析。
图1 城市多中心识别研究技术路线

Fig. 1 Technical route of urban multi-center identification research

2.2 多中心结构形态识别

2.2.1 基于人口栅格数据的识别单元格划分

城市人口及经济活动具有一定的流动性与渗透性，传统以行政边界为划分依据的研究单元显然已经无法准确识别城市社会活动的空间分布特征，需要建立新的空间统计单元。城市人口作为城市劳动力与生产力的代表，其密度分布往往可以表征城市经济活动与空间发展的强弱，是研究城市经济现象的地理规律的起点。Wang[33]等利用人口密度数据划分了城市空间的吸引单元。本文选用eCognition软件模型对人口栅格数据进行多尺度空间分割。该模型通过设置影像中不同波段的尺度、形状以及紧致度3个主要参数，优化控制相邻要素的合并过程，使各对象平均异质性最小化和同质性最大化[34⇓-36]。结合研究特征匹配空间细节水平，完成西安市多中心空间结构识别的研究单元划分。

2.2.2 基于POI数据的中心集群度指标构建

POI数据作为一种携带重要地理空间信息的点数据，其自身的特征属性及聚集程度表征了城市各类要素流动和聚集以及城市功能的空间分布情况。现阶段POI数据已广泛应用于城市空间结构的相关研究当中[21,27,31]。本文基于POI数据的空间聚集度、属性特征值以及公民认知度三个角度[36]，构建多中心结构特征指标—中心集群度：
C l u . = p 1 × A g g . + p 2 × C h a r . + p 3 × R e c .
式中： C l u .为各空间单元的中心集群度指数； A g g .为各空间单元内POI数据的空间聚类值； C h a r .为各空间单元中POI数据的属性特征值；Rec.为各空间单元中POI数据的公民认知度； p 1， p 2和 p 3为其相应的权重系数，总和为1。具体指标变量说明及构建过程如下：
（1）基于空间密度的聚类值计算（ A g g .）。运用局域Getis-Ord Gi*指数法分析各空间单元格内POI点的聚集程度，其标准化得分（Z值）的高低表示POI要素在局部的空间聚集程度。公式如下：
G i * = ∑ j = 1 n w i j x j - X - ∑ j = 1 n w i j ∑ j = 1 n x j 2 n - X - 2 n ∑ j = 1 n w i j 2 - ∑ j = 1 n w i j 2 n - 1
式中： G i *为空间聚集程度Z值得分； x j为POI要素j的空间属性值； w i j为要素i与j之间的空间权重； n 为区域内POI点的总数。
（2）综合个体属性的特征性指标（ C h a r .）。本文选择不同类型POI点的平均建筑面积确定属性特征的加权指标。在城市规划中不同POI要素依据其分属功能、服务等级等特征，其平均建筑面积会随之调整。参照Wang[37]的研究，依据现行规划标准《城市公共服务设施规划标准》（GB50442）（征求意见稿）[38]和《零售业态分类》（GB/T18106-2021）[39]对各类POI数据的平均建设面积进行量化和评级（表2）。
表2 POI数据分类及权重属性

Tab. 2 POI data weighting attributes

一级分类 二级分类 具体备注 参考面积/hm2 公民认知度
消费娱乐类 购物服务 综合商业中心级、超市级、便利店级 5/1/0.02 81.46
餐饮服务 高级餐厅、普通餐厅 0.02/0.01 65.71
休闲娱乐 0.03 50.01
公共服务类 公共设施 2 40.56
体育运动 体育馆、其他体育设施 5/0.1 52.1
医疗保健 综合医院、专科医院、诊所、其他医疗服务 5/2/0.1/0.03 50.6
政府机关及社会团体 0.5 35.5
高等教育 10 67.06
中小学 2
科研单位 0.3
其他文化设施 0.01
生活服务类 生活服务 0.02 71.36
汽车废服务 4S店、汽车服务维修 0.5/0.3 55.62
住宿服务 0.08 44.98
其他商业服务 0.01 28.49
公司商务类 金融保险 金融保险公司、金融保险商铺 0.5/0.02 48.69
法人企业 0.03 34.57
产业园区 4 31.45
工业工厂 2
景观休闲类 旅游景区 2 72.45
公园与广场 城市级公园广场、区域级公园广场 5/2 65.48
交通服务类 停车场 5 88.62
交通服务设施 交通枢纽、其他交通附属设施 5/0.02
（3）考虑公民意愿的功能认知度测算（ R e c .）。公民认知度通常是指具备共同知识的同类人群对现实世界认知过程中情感和行为的表现倾向[40]。公民认知度的高低代表城市居民对各类POI设施不同的参与程度与认可程度，其有助于促进对建成环境的理解与研究。本文通过调查问卷对表2中不同二级分类下POI设施的公民认知度进行分级分类的综合得分统计。问卷内容包括访问频率、喜爱程度、消费认知以及重要级别四大类指标，每类指标都提供1~5分的居民认知赋值。调研共回收有效问卷867份，调研对象主要为具有3年以上城市生活经历的中青年（15~65岁）城市居民，其中不同被访者所属性别、年龄段以及受教育程度分布均匀。最后通过层次分析法对各类指标进行赋权后进行极差标准化处理，得到各空间单元各类POI的认知度量化值（表2）。
（4）加权叠加的多中心结构识别。首先对上述3类指标数据进行归一化处理。其次为确保合理性和真实性，经过多次抽样测试后，最终选用熵权法和层次分析法的均值作为各指标之间的权重（P1：P2：P3=0.320：0.349：0.331），并按照中心集群度指标模型对实验区域每个空间单元格进行加权测算并展示其空间分布情况。

2.2.3 优化的局部等值树法识别多中心

经分析，通过加权叠加后的中心集群度（ C l u .）的空间分布特征与数字高程模型（DEM）极为相似。中心集群度图层中聚集的高值区域对应着DEM图像中的高程值。局部等值线树法已成功应用于利用DEM数据来分析识别空间层次结构[41]。
等值线树是一种以树形图表示的等值线图，由节点和链接所组成。节点表示等值线，链接表示相邻等值线之间的拓扑关系（图2）。局部等值线树算法的构成主要包括3个步骤：定位“种子”等值线、生成规则的局部等值线树、简化等值线树[42]。具体步骤如下：
图2 局部等值线树的形成和简化过程

Fig. 2 The formation and simplification process of the local contour tree

首先在局部定位一条含有峰值且闭合的“种子”等值线（S1、S2、S3），然后以此为起点向外扩展搜索，当邻近的等值线仅包含“种子”等值线且没有拓扑变化，则该外圈等值线视为一级节点。当等值线外扩时所包含不同分支等级的等值线时，则定义为二级节点，并以此迭代过程类推，直到识别完所有等值线。然后通过简化局部等值线树突出层次结构，将城市中心分为基础中心和复合中心。最后一个节点的等值线轮廓即为城市各中心的边界。
此外，本文对3个重要参数进行了改进调整。第一是中心集群度的阈值。由于城市内部发展存在空间关系的异质性，即存在“核心-边缘”的临界面。阈值的作用为确保识别的城市中心位于城市中心区的潜在空间范围。本文构建了一种“集群度面积”曲线拟合方法（X轴为中心集群度值，Y轴为递增的等值线值所围合的总面积），对曲线进行分析，若一次求导为0，则代表城市发展处于均匀平稳扩张的态势。但实际上，城市必定存在单个或多个核心发展区，城市空间发展必然存在“断层”。因此对函数进行二次求导，当出现不可逆的突变拐点时，即为该城市中心集群度阈值。
其他2个参数为多中心最小面积阈值和等值线识别间隔。城市中心必须要具有一定的空间规模，面积较小的“伪中心”则难以承担城市中心的能力。同时等值线间隔的大小会显著影响城市中心范围识别的精度。间隔越小则精度越高，但也会造成工作成本的增加。因此在简化等值线树的过程中，结合现有研究[42-43]和多次检验测算，最终设置 1 km2的最小面积阈值和0.01的中心集群度等值线间隔。需要注意的是，当对识别中心进行去伪处理后，不会改变原来的等值线树层次结构。

2.3 多中心强度等级识别

2.3.1 多中心综合服务强度评定体系

关于多中心综合服务强度模型的构建。本文在中心集群度指标的基础上，融入GDP栅格数据和路网的空间可达性来表征城市中心的服务密度、经济职能强度和空间可达性。为确保城市中心内部强度的空间差异化并消除不同分辨率下的数据异构问题，本文将3类指标数据分别计算后以 100 m×100 m空间渔网单元进行重采样，并通过熵权法建立权重判断矩阵，相互对比最终确定3项指标权重（表1）。其中，中心服务密度和经济职能强度指标分别是中心集群度数据和修正后的GDP数据；空间可达性指标是将获取的OSM路网数据通过空间句法理论模型计算得出的[44]，计算公式如下。
I N i = n l o g 2 n + 2 3 - 1 + 1 M D i - 1 n - 1
S U A = M A X I N i 1 - d a i R i
式中： I N i是指第i条轴线的全局集成度； M D i为第i条轴线的平均深度值 (拓扑空间中相邻道路为1)；n为实验区内的道路总数； S U A是指某单元网格内的交通可达性； d a i为格网单元a与道路i的距离； R i为道路i的影响半径，根据道路等级和周边城市要素聚集程度，通过加权计算得到。
表1 多中心综合服务强度评价指标

Tab. 1 Multi-center comprehensive intensity level evaluation index

一级指标 二级指标 指标详情 权重
中心服务密度 POI中心集群度 消费娱乐类集群度值 0.067 7
公共服务类集群度值 0.043 6
生活服务类集群度值 0.051 6
公司商务类集群度值 0.039 4
景观休闲类集群度值 0.071 1
交通服务类集群度值 0.060 4
经济职能强度 GDP空间分布 渔网内GDP栅格数据 0.192 8
人口空间分布 渔网内人口栅格数据 0.140 2
空间可达性 空间整合度 整合度，亦称集成度，其反映了空间系统区域中各元素间的紧密程度，衡量了该要素在整个系统中的中心程度[45] 0.333 3
空间句法可达性 指将其围合的道路可达性。在空间单元划分的基础上，综合与邻近路网距离、以及路网自身的属性要素，计算出某单元网格的空间句法交通可达性[27]
最终将分析后的各中心内所有单元网格的空间可达性与中心服务密度以及经济职能强度进行加权叠加，得到各城市中心综合服务强度（UCSI）空间分布。

2.3.2 首尾切割规则量化强度等级分布

根据城市各中心综合服务强度测算结果，本文发现结果数据符合“首尾切割规则”[46]。为定量识别各中心以及其内部的发展强度分布与空间差异，本文参考了Yang[28]城市中心水平识别方法。该方法是基于首尾切割规则将各中心区域内部分为不同的等级斑块（图3）。
图3 综合服务强度（UCSI）切割分级的计算过程

Fig. 3 The calculation process of UCSI cutting classification

当切割次数为1（D=1），若首部像素（强度值大于平均值）能够继续切割，则尾部像素（强度值小于平均值）的斑块等级（BL）记为1。以此类推，当最终切割次数为i时（D=i）,首部像素所组成的斑块等级为i+1（BL=i+1），尾部像素组成的斑块等级为i（BL=i）。其中需要注意的是切割阈值（首部像素面积比例）的设定。由于本文选用数据领域更加全面，分析精度更高。经过反复实验，本文选用40%面积作为切割阈值，换句话来说，当某次切割中首部像素面积占比大于总像素面积的40%，则该首部像素数据不符合首尾切割规则，无法进行进一步切割。最后，通过计算各等级斑块和其覆盖面积乘积与城市中心总面积的比值，测度每个城市中心的强度等级（UCL）。

2.4 多中心功能分类识别

基于已识别出的各基本城市中心，本文在传统方法下通过计算各城市中心范围内各类POI数据的频数和密度占比来识别各城市中心的核心功能服务分类的基础上[47]，融入了各类别POI数据的加权属性，从而解决了单纯依赖“数据密度”而忽视“质量差异”的问题。其中各类POI数据的功能分类及功能组合标准参考表2中的一级分类。各分类属性由特征值和公民参与度以5:5的比例进行加权得出。
F i = n i N i
C i = F i ∑ i = 1 6 F i
式中： F i为第i类POI数据的属性频数密度； n i为该类POI数据在每个单元格内的分类属性； N i为第i类POI数据的总分类属性值； C i为各城市中心内第i类POI数据占6类POI数据的属性密度的比例。当某类POI属性密度比例≥50%时，该中心定义为该类型的单功能城市中心；当中心内某两类POI属性密度介于30%~50%之间时，则定义为具有两种功能类型的双功能城市中心；当各类POI属性密度均未满足上述要求，则定义为复合型城市中心。

3 实验区概况及数据

3.1 区域概况

西安市位于107°40′E—109°49′E，33°39′N—34°45′N之间，是陕西省省会，中国西部最大的中心城市、关中平原城市群的核心城市（图4）。2020年常住人口达1 296万人，全市GDP达到10 020.39亿元[48]。中心城区位于西安市中部，包含新城区、碑林区、莲湖区、雁塔区、未央区以及灞桥区以及部分长安区，总建设面积为1 140 km2。西安市中心城区是市域城镇体系的核心地段，是人口、社会、经济活动高度集中的区域，整体呈“九宫格局，棋盘路网，轴线突出，一城多心”[49]的空间布局特色，其发展态势将引导西安市未来的发展方向。因此本文将以西安市主城区作为实验区域。
图4 实验区及相关背景信息

Fig. 4 Location and range of study area

3.2 数据来源及处理

为保证研究方法的系统性和可推广性，研究数据均属于开放数据（在数据获取前，已参阅各相关平台服务条例，均已满足）。为避免多源数据库所造成的异构问题，本文对携带空间要素信息的相关研究数据进行数据集成和标准处理后构建同一坐标系下的多源空间信息数据库。
（1）人口栅格数据（2020年12月）为在美国能源部橡树岭国家实验室（ORNL）提供的LandScan人口数据集（https://landscan.ornl.gov/）的基础上融合各街道第七次人口普查数据构建关系模型，并进行数据修正运算及重采样。
（2）GDP栅格数据（2020年12月）为在中国科学院资源环境科学与数据中心公布数据基础上，结合统计数据、土地利用类型以及夜间灯光等与GDP具有强互动规律的数据构建关系模型，并进行数据修正运算及重采样。
（3）人口热力图数据（2020年12月）来源于百度地图API接口（https://lbsyun.baidu.com/），通过对12月14日—20日一周内每1 h刷新间隔的热力图进行截取并重新叠加采样。
（4）西安市道路网矢量数据（2021年2月）来自OpenStreetMap（OSM）数据库（https://www.openstreetmap.org//）。通过核对删除部分错误路网后，保留了城市内快速路、主干路、次干路及支路并重新建立空间拓扑关系。
（5）兴趣点POI数据（2021年2月）由高德地图开放平台（https://lbs.amap.com/）获取。通过高德地图提供的API接口，将爬取到的区POI数据进行了清洗，共计369 697条，其包含名称、经纬度、行业分类等属性要素。将错误、缺失的信息进行清洗并根据POI要素的服务能力，参考《国土空间调查、规划、用途管制用地用海分类指南（试行）》[50]对数据进行重新分类。同时根据方法2.2.2节对西安市POI数据的属性权重进行计算（表2）。

4 实证与分析

4.1 多中心结构形态识别与验证

4.1.1 多中心结构形态识别结果

本文将预处理后的人口栅格数据进行不同参数的多尺度切割试验，最终设置尺度因子5、形状因子0.1以及紧凑度0.5作为切割参数。为了确保研究的高精准度以及空间稳定性，将面积<1 hm2的空间单元进行邻近融合处理，最终生成了7 652个空间单元格（图5）。西安市主城区内部切割单元面积整体差异较大，核心密集区的空间切割描述精细化程度更高，外围城郊区单元切割尺度较粗，主要是城市内人口聚集程度的空间分异所造成的。外围地区为了满足切割过程中各单元的方差累积，因此在人口分布强度的识别上需要更大的面积。同时图5表明西安市中心集群度空间分布不均衡，整体呈二环内高度聚集、沿线局部蔓延的放射状空间分布形式。
图5 西安市中心集群度空间分布

Fig. 5 Spatial distribution of central clustering degree in Xi'an

拟合曲线求导结果表明当等值线值为4.69时出现了不可逆的突变点（图6），即城市潜在核心区的发展边界。在此基础上通过对中心集群度等值线树的简化、去伪与识别过程（图7），共识别出21个等值线树“种子”节点之间的嵌套层级结构，其中红色到蓝色的渐变表示等值线值由高到低的过渡。面积最大的等值线树占据了西安市二环内 “老城区”90%以上的面积，其余等值线树多为单中心结构。西安市内共识别出的钟楼、曲江、小寨、高新等21个城市中心（图8），其整体呈“内多外少，轴线分布”的空间格局，各城市中心主要分布在二环内以及城市干道的重要节点处。这种现象可能因为早期西安“摊大饼”的空间发展模式导致城市功能要素的中心集聚化程度较高，随着环形放射状的城市交通系统的规划实施，沿干道的部分节点承担起了疏解城市核心功能的职能。
图6 西安市“集群度面积”拟合曲线及二阶导数结果

Fig. 6 Central clustering area fitting curve and second derivative result in Xi'an

图7 西安市中心集群度等值线树中嵌套关系

Fig. 7 Nested relation graph in central clustering contour tree in Xi'an

图8 西安市多中心结构形态识别结果对比检验

Fig. 8 Comparative test of morphological recognition results of multi-center structure in Xi'an

4.1.2 识别结果检验评估

为检验识别结果的准确性，本文分别以城市规划方案和基于人口热力图的中心识别结果进行了客观性和合理性的验证。
对规划中心的识别结果检验。将识别结果与西安市总体规划进行对比，识别的大多城市中心的分布与规划中心位置基本相匹配（图8(a)），体现了该方法在空间定位方面的精确性。位于主城区的核心地段的城市中心，其各类城市功能要素高度聚集，是城市发展过程中设施规划最全面的区域。后来因为城市的扩张使周边地区开展了以建设多功能中心为目标的空间规划，形成了虽不及核心区城市中心的规模但拥有一定区域聚集效应的外围城市中心。
基于人口热力图数据的中心范围评估。人口热力图是一种基于人口的动态轨迹数据来刻画城市空间结构的时空大数据。参考现有研究利用人口热力分布数据识别城市多中心的研究方法[51]，本文将预处理后的热力图数据利用ArcGIS进行热值提取和空间投影，并进行热点分析（图8(b)）。选用置信度99%的热点区域作为城市潜在中心区的参考范围，将其与本文识别的城市中心范围进行重叠分析，并运用Kappa混淆矩阵模型对本文的识别结果进行叠加精度评价。结果报表显示匹配精度为85.45%，说明本文提出的城市中心准确度较高。

4.2 多中心强度等级测算与空间量化

从识别准确性对比来看，UCSI密集区的分布基本与4.1章节中城市多中心结构形态识别结果高度一致（图9(a)）。虽然研究发现城市边缘区出现了少量的离散高强度区，但通过与实际情况对比，发现主要是部分工业企业外迁开发，所造成的局部空间强度“突变点”。其功能单一，服务设施完善度不高，不能作为新的城市中心点，因此进一步验证了本文的多中心结构与分布识别的准确性。从等级分布情况来看（图9(b)），西安市主城区斑块强度等级呈圈层式递减的分布特征，即“核心-外围”效应分化明显。二环内斑块等级跨度最高且聚集程度最为明显，部分边缘区城市中心虽然已经形成了一定的空间规模，但从斑块等级分布上看并未达到上位规划中应有的核心区功能疏散职责。
图9 西安市综合服务强度及多中心切割等级空间分布

Fig. 9 Spatial distribution of UCSI and multi-center cutting grade in Xi'an

从多中心强度等级来看（表3），西安市主城区各城市中心的UCL指数分布区间为1.065~2.553。利用自然断点法将各城市中心等级分为三类：城市主中心、城市副中心、区域级中心。结果显示西安市构成了钟楼、南稍门、曲江3个城市主中心，小寨、未央凤城、高新、幸福林带（东二环）、大明宫五个城市副中心以及多个区域中心的城市多中心空间发展格局。与以往研究相比[52]，西安市单核心的空间结构特征出现明显的空间扩散现象。钟楼（UCL为2.553）依旧是西安主城区最核心的城市中心，其内部强度等级的空间异质性较低，可见各服务功能产生了高密度的空间关联性，并且呈现以其为核心向外层递减过渡的趋势。南稍门（UCL为2.425）作为新的城市名片，凭借空间区位、功能融合等优势，已经形成了拥有新动能的经济地理空间。曲江（UCL为2.233）作为西安历史文脉传承的缩影，已经打造为现象级的城市文旅产业空间。三者共同构成了新的西安市空间结构中的多核主中心节点。各城市副中心的分布大多邻近城市主中心，其之间UCL差值较小，依次为幸福林带（1.807）、小寨（1.626）、未央凤城（1.611）、大明宫（1.605）、以及高新（1.562）。此类多中心强度的均衡分布代表西安市副中心发展规划取得了一定的成效。城市区域级中心大多数分布在城郊区域，其内部强度要素聚集程度上都低于城市级中心，服务覆盖范围与服务能力通常比较有限。其中发展年代较久的土门、纺织城片区的UCL较低、一定程度上表征居民对传统区域中心的认知程度与活动频率存在降低趋势。同时近年来大力发展的浐灞片区并没有取得较好的空间成效，这也反映出部分西安市多中心的实际发展情况相比于规划定位存在一定的滞后性，亟需进一步的发展调配与管控。
表3 西安市各城市中心等级分类和UCI值

Tab. 3 Urban centers classification and UCI values in Xi'an

ID 城市中心等级 UCL ID 城市中心等级 UCL
a 城市主中心 2.553 l 区域中心 1.065
b 2.425 m 1.092
c 2.233 n 1.452
d 城市副中心 1.626 o 1.097
e 1.611 p 1.348
f 1.562 q 1.091
g 1.807 r 1.135
h 1.605 s 1.123
i 区域中心 1.081 t 1.300
j 1.246 u 1.092
k 1.181

4.3 多中心功能混合与分类识别

按照表2中的POI功能分类标准，对西安市主城区识别出的21个城市中心进行功能分类识别（图10）。结果显示，共识别出4个复合功能中心，其主要分布在二环核心区以内且空间连贯性较好；5个单一功能中心分散分布在二环外城郊区；12个双功能中心中消费娱乐类与公共服务类功能模式重叠性最高，主要在二环外沿城市干道呈放射状分布。各城市中心的功能分布走向基本与西安市南北向的商业服务业发展轴线相吻合。高新区作为西安市最早建立的国家级高新技术产业开发区，已经发展为一定规模的公司商务类功能组团。景观休闲类功能中心混合模式较为单一，主要分布在曲江和大明宫2个重要的旅游文化产业园区。作为西安市重要的交通枢纽，北客站、纺织城两个边缘城市中心承担了较为明显的交通服务功能。生活服务功能虽然没有较为明显的代表性城市中心，但在分析过程中发现，其占比在各中心内都相对平均并且功能融合度高，这代表西安市生活服务设施规划实施逐渐完善。值得注意的是，近年来在郊区化进程引导下，城市边缘中心的各类经济社会功能占比也开始上升，各城市中心的功能发展也逐渐均衡化，例如纺织城由传统交通服务功能主导开始向多功能发展过渡。
图10 西安市多中心功能识别分类结果

Fig. 10 Classification results of multi-center function identification in Xi'an

城市的功能发展应当是由单一向混合的空间模式过渡。城市多中心形态分布应与功能多中心相匹配[40]。分析结果表明西安市城市各中心功能分布呈现较为均衡的态势、与城市规划匹配度较高。但部分区域在功能上依然重合性较强，尤其是二环内复合中心对于城市整体的功能承载压力依旧很重，未来需要进一步加强城市内各城市中心资源要素协调发展。

4.4 讨论与建议

实验区定量识别分析。本文对西安市进行模拟实证。首先通过构建城市集群度指标，识别出西安市21个城市中心的范围和分布。总体来说西安市多中心结构特征呈“内多外少，放射分布”的空间分布形式。这是西安市传统“摊大饼”式建成模式以及后续规划发展引导下的综合作用结果。在此基础上，一方面通过对各城市中心的强度等级进行测度，发现其整体强度呈“核心-外围”的圈层式递减的分布特征，各级城市中心发展差异化明显。西安市传统单核心的城市空间结构有了扩散现象，共识别出了3个城市主中心、5个城市副中心以及13个区域中心。其中主副中心之间的地理邻近关系较为明显，除曲江片区外大多分布在内环与二环区域附近。区域中心主要分布在二环外的城郊区域，这类中心大多服务范围及强度都远低于城市级中心。与城市规划相比，“一城多心”的发展规划模式显然对西安市城市增长与结构调整取得了一定的成效，但部分城市中心并未满足分散城市核心功能、疏解城市压力的职能要求。另一方面，将识别出的各城市中心进行功能混合与分类识别。结果显示，共识别出4个复合型功能中心、12个双功能中心以及5个单一型功能中心。复合型功能中心主要分布在二环核心区内，功能组团特征明显，单一型功能中心散布在二环外城郊区，双功能中心均包含消费娱乐或公共服务功能，其在二环外沿各交通干线呈放射状分布。高新区形成了明显以商务服务为主的多功能组团；景观休闲与交通服务类等功能中心识别要素单一且分布较为分散。
大城市多中心发展特征及建议。自我国强调实施“多中心发展模式”以来，北京、上海、深圳等特大城市已经形成明显的多中心结构发展特征，大量的学者已经就一系列城市“分散-集中”理论的影响机制与空间成效展开了测度。其结果表明：研究上整体肯定了多数城市多中心空间发展的必要趋势以及多中心发展模式在缓解“城市病”的空间成效。然而国内部分城市的规划引导效应并不显著[53]，部分地区单中心的极化效应造成的城市问题并未取得有效解决，这一现象在特大城市的发展演化中尤为明显。例如上海、北京等城市的就业中心分布仍旧受到传统经济结构的限制，多中心发展模式对于通勤时耗的降低并未出现明显效果[26]。同时，西安近年来虽也在城市规划引导下，在城市形态、功能上有明显的多中心发展迹象，产生了多个新的城市中心，但从等级梯度与功能组合上来看，三桥、浐灞以及郭杜等新外围区域城市中心较钟楼、小寨等主次中心存在较大差距，传统核心区的服务压力仍旧居高不下。这些都是传统单中心发展模式背景下，高密度的人口与产业要素的疏散演化相比于城市多中心郊区化建设现状仍存在一定的滞后性的结果。基于此类问题，本文提出以下建议。 ① 加强城市多中心绩效评估，破解城市空间发展痛点。在城市化进程当中，城市的多中心发展的优劣不应单纯依靠“经济面板”的数值来评判，针对城市空间结构扩张演化所带来的绩效影响应当建立一套更有现实意义的评估体系，精准把握多中心发展模式背景下衍生的“城市痛点”并剖析其背后的动因，避免盲目进行城市空间扩张所造成的低效发展。 ② 遵循城市发展规律，制定特色多中心空间规划。一方面城市的发展模式并不是千篇一律的，在保障各级城市中心功能正常运转的前提下应当因地制宜，考虑不同城市的经济发展阶段，尊重城市发展的地域性与差异性。另一方面，应当根据城市特点制定体现地方特色的多中心空间规划政策，将宏观视角下的政策理论指导与实际空间发展态势相结合，从而更有针对性地引导、调控各城市多中心发展，准确缓解地方城市问题。 ③ 注重空间要素资源的合理分配，推动城市多中心协调联动。未来在城市多中心空间规划建设中，需要注重各空间层次要素资源的“分享”与“匹配”，避免出现各次级中心向主中心资源回流的现象。同时既要注重提高土地复合利用效率，也要紧扣各区域发展定位；既要满足基本社会经济活动，又要防止出现城市内部功能的过度同质化问题。其次要加强各城市中心的绩效联动，提升各中心集聚要素的“内生循环”动力，确保城市多中心协调联动发展。

5 结论与展望

本文从地理学和规划学等视角分析，运用多源开放大数据，提出一套系统可推广的城市多中心的综合评定方法，定量识别了城市多中心的结构形态、强度等级和功能分类。
关于研究方法构建与优势。 ① 对于多中心结构形态识别，本文首先运用人口栅格数据进行研究单元切割，突破了传统普查统计或行政单元划分下的边界限制；其次，基于对POI数据空间聚集度、属性特征以及公民认知度3个方面的加权分析构建指标—“中心集群度”，并通过优化参数后的局部等值线树法识别出各城市中心的具体空间位置及范围边界。相比于现有研究中大多仅通过核密度等方法计算POI、夜间灯光等数据的密度分布进行识别的方法，进一步提高了多中心结构形态的识别精度。 ② 对于多中心等级强度识别，首先选取了服务职能强度、经济职能强度和空间可达性三大类测评指标构建多中心综合服务强度指数（UCSI），不同于传统单一评价模型下的指标体系，本文构建的城市中心强度测评方法更具有现实意义。同时，运用“首尾切割规则”对城市中心内部进行了强度斑块等级划分并计算各多中心强度等级（UCL），相比于传统方法利用多中心覆盖面积或累计总强度的平均值衡量城市中心最终强度的方法，本文综合分析内部等级分布层次的识别方法更能够精准反映其城市中心的综合强度以及内部发展差异。 ③ 对于多中心功能分类的识别，基于对融入加权属性后的POI数据的频数占比定量识别各城市中心的功能组合关系与分类情况。相比于传统识别方法，解决了数据分析因缺少“属性质量”而造成的要素同质化问题。
此外，虽然本文提出的多中心识别方法对于识别评估城市多中心特征具有重要的现实意义。但由于篇幅限制，后续可以从以下展开重点研究： ①研究方法应用范围的优化。由于相关多源数据具有高精度性、广覆盖性等特点，研究范围将不局限于城市内部。未来可以从更多的多中心发展城市，或从经济发展关联较强的都市圈、城市群等更大的区域视角去识别不同空间层次下的区域多中心发展特征规律，并横向对比其发展差异。 ② 研究结果的潜在应用。将研究结果与各地城市规划进行对比，剖析、解释其空间差异性并提出具体的发展对策。同时，科学评估建成区现有的空间结构特征和经济发展态势，有利于预测模拟未来城镇开发边界内的城市发展诉求与详细的空间战略部署，进而对国土空间总体规划的科学编制提供借鉴意义。
本文图文责任编辑：蒋树芳

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Bai X M, Shi P J, Liu Y S. Realizing China's urban dream[J]. Nature, 2014, 509(7499):158-160. DOI:10.1038/50 9158a

[2]
吴一洲, 吴次芳, 李波, 等. 城市规划控制绩效的时空演化及其机理探析——以北京1958—2004年间五次总体规划为例[J]. 城市规划, 2013, 37(7):33-41.

[Wu Y Z, Wu C F, Li B, et al. Research on spatial-temporal evolution and its mechanisms for urban planning control performance: A case study on five master plans of Beijing during 1958-2004[J]. City Planning Review, 2013, 37(7):33-41.]

[3]
Howard E. Garden Cities of Tomorrow[M]. LaVergne: Nabu Press, 2010

[4]
伊利尔. 沙里宁. 城市:它的发展、衰败与未来[M]. 北京: 中国建筑工业出版社, 1986.

[Saarinen E. City:Its Development, Decline and Future[M]. Beijing: China Architecture & Building Press, 1986.]

[5]
Harris C D, Ullman E L. The nature of cities[J]. The ANNALS of the American Academy of Political and Social Science, 1945, 242(1):7-17. DOI:10.1177/000271624524200103

[6]
杨振山, 蔡建明. 国外多中心规划理念与发展经验对中国的借鉴作用[J]. 国际城市规划, 2008, 23(4):71-77.

[Yang Z S, Cai J M. Implications of the concept and experiences on polycentric spatial planning in developed regions to China[J]. Urban Planning International, 2008, 23(4):71-77.] DOI:10.3969/j.issn.1673-9493.2008.04.016

[7]
罗震东, 朱查松. 解读多中心:形态、功能与治理[J]. 国际城市规划, 2008, 23(1):85-88.

[Luo Z D, Zhu C S. Understanding polycentricity by configuration, function and governance[J]. Urban Planning International, 2008, 23(1):85-88.] DOI:10.3969/j.issn.1673-9493.2008.01.012

[8]
孙铁山, 王兰兰, 李国平. 北京都市区人口—就业分布与空间结构演化[J]. 地理学报, 2012, 67(6):829-840.

DOI

[Sun T S, Wang L L, Li G P. Distributions of population and employment and evolution of spatial structures in the Beijing metropolitan area[J]. Acta Geographica Sinica, 2012, 67(6):829-840.] DOI:10.11821/xb201206010

[9]
吴一洲, 赖世刚, 吴次芳. 多中心城市的概念内涵与空间特征解析[J]. 城市规划, 2016, 40(6):23-31.

[Wu Y Z, Lai S G, Wu C F. Research on polycentricity: Concept, connotation, and spatial features[J]. City Planning Review, 2016, 40(6):23-31.] DOI:10.11819/cpr20160605a

[10]
孙斌栋, 魏旭红. 多中心结构:我国特大城市的未来形态[J]. 人民论坛·学术前沿, 2015(17):6-15.

[Sun B D, Wei X H. Multi-centered structure: The future pattern of mega-cities in China[J]. Frontiers, 2015(17):6-15.] DOI:10.166 19/j.cnki.rmltxsqy.2015.17.001

[11]
杨俊宴, 章飙, 史宜. 城市中心体系发展的理论框架探索[J]. 城市规划学刊, 2012(1):33-39.

[Yang J Y, Zhang B, Shi Y. On theoretical frameworks of urban center system development[J]. Urban Planning Forum, 2012(1):33-39.] DOI:10.3969/j.issn.1000-3363.2012.01.005

[12]
赵渺希. 多中心城市就业—居住的非完全结构匹配模型[J]. 地理研究, 2017, 36(8):1531-1542.

DOI

[Zhao M X. Hypothesis of incomplete-structural matching job-housing in a polycentric city[J]. Geographical Research, 2017, 36(8):1531-1542.] DOI:10.11821/dlyj201708011

[13]
Small K A, Song S F. Population and employment densities: structure and change[J]. 1994, 36(3):1-313. DOI:10.1006/juec.1994.1037

[14]
孙斌栋, 石巍, 宁越敏. 上海市多中心城市结构的实证检验与战略思考[J]. 城市规划学刊, 2010(1):58-63.

[Sun B D, Shi W, Ning Y M. An empirical study on the polycentric urban structure of Shanghai and strategies in future[J]. Urban Planning Forum, 2010(1):58-63.] DOI:10.3969/j.issn.1000-3363.2010.01.011

[15]
Zhu J E, Sun Y Z. Building an urban spatial structure from urban land use data: An example using automated recognition of the city centre[J]. ISPRS International Journal of Geo-Information, 2017, 6(4):122. DOI:10.3390/ijgi6040122

[16]
周素红, 郝新华, 柳林. 多中心化下的城市商业中心空间吸引衰减率验证——深圳市浮动车GPS时空数据挖掘[J]. 地理学报, 2014, 69(12):1810-1820.

DOI

[Zhou S H, Hao X H, Liu L. Validation of spatial decay law caused by urban commercial center’s mutual attraction in polycentric city: Spatio-temporal data mining of floating cars’ GPS data in Shenzhen[J]. Acta Geographica Sinica, 2014, 69(12):1810-1820.] DOI:10.11821/dlxb201412007

[17]
丁亮, 钮心毅, 宋小冬. 上海中心城就业中心体系测度——基于手机信令数据的研究[J]. 地理学报, 2016, 71(3):484-499.

DOI

[Ding L, Niu X Y, Song X D. Measuring the employment center system in Shanghai central city: A study using mobile phone signaling data[J]. Acta Geographica Sinica, 2016, 71(3):484-499.] DOI:10.11821/dlxb201603011

[18]
王波, 甄峰, 张浩. 基于签到数据的城市活动时空间动态变化及区划研究[J]. 地理科学, 2015, 35(2):151-160.

DOI

[Wang B, Zhen F, Zhang H. The dynamic changes of urban space-time activity and activity zoning based on check-in data in sina web[J]. Scientia Geographica Sinica, 2015, 35(2):151-160.] DOI:10.13249/j.cnki.sgs.2015.02.004

[19]
龙瀛, 张宇, 崔承印. 利用公交刷卡数据分析北京职住关系和通勤出行[J]. 地理学报, 2012, 67(10):1339-1352.

[Long Y, Zhang Y, Cui C Y. Identifying commuting pattern of Beijing using bus smart card data[J]. Acta Geographica Sinica, 2012, 67(10):1339-1352.] DOI:10.11821/xb201210005

[20]
Scholz R W, Lu Y M. Detection of dynamic activity patterns at a collective level from large-volume trajectory data[J]. International Journal of Geographical Information Science, 2014, 28(5):946-963. DOI:10.1080/13658816.2013.869819

[21]
段亚明, 刘勇, 刘秀华, 等. 基于POI大数据的重庆主城区多中心识别[J]. 自然资源学报, 2018, 33(5):788-800.

DOI

[Duan Y M, Liu Y, Liu X H, et al. Identification of polycentric urban structure of central Chongqing using points of interest big data[J]. Journal of Natural Resources, 2018, 33(5):788-800.] DOI:10.11849/zrzyxb.20170945

[22]
方煜, 石爱华, 孙文勇, 等. 粤港澳大湾区多维空间特征与融合发展策略[J]. 城市规划学刊, 2022(4):78-86.

[Fang Y, Shi A H, Sun W Y, et al. Multi-dimensional spatial characteristics and integrated development strategy of Guangdong-Hong Kong-Macao greater bay area[J]. Urban Planning Forum, 2022(4):78-86.] DOI:10.16361/j.upf.202204010

[23]
张宸铭, 李灵军, 高尚, 等. 交通土地一体化的开封市多中心结构分形研究[J]. 城市规划, 2022, 46(3):63-73.

[Zhang C M, Li L J, Gao S, et al. Fractal study on the multi-center urban structure with land and traffic integration: A case study of Kaifeng city[J]. City Planning Review, 2022, 46(3):63-73.] DOI:10.11819/cpr20211727a

[24]
王旭辉, 孙斌栋. 特大城市多中心空间结构的经济绩效——基于城市经济模型的理论探讨[J]. 城市规划学刊, 2011(6):20-27.

[Wang X H, Sun B D. The economic performance of the polycentric spatial structure of mega-cit-ies: Based on the models of urban economics[J]. Urban Planning Forum, 2011(6):20-27.] DOI:10.3969/j.issn.1000-3363.2011.06.004

[25]
李顺成, LEE Sewon, 刘晓晨. 城市区域尺度下多中心空间结构的经济绩效影响[J]. 中国人口·资源与环境, 2021, 31(11):123-133.

[Li S C, Sewon L, Liu X C. Economic performance of polycentric spatial structure based on city? region scale[J]. China Population Resources and Environment, 2021, 31(11):123-133.] DOI:10.12062/cpre.20210416

[26]
孙斌栋, 涂婷, 石巍, 等. 特大城市多中心空间结构的交通绩效检验——上海案例研究[J]. 城市规划学刊, 2013(2):63-69.

[Sun B D, Tu T, Shi W, et al. Test on the performance of polycentric spatial structure as a measure of congestion reduction in megacities: The case study of Shanghai[J]. Urban Planning Forum, 2013(2):63-69.] DOI:10.3969/j.issn.1000-3363.2013.02.009

[27]
李欣. 基于引力势力范围的郑州城市多中心空间形态识别[J]. 地理学报, 2022, 77(6):1475-1489.

DOI

[Li X. Recognition of Zhengzhou urban multi-center spatial form based on influence sphere of gravity[J]. Acta Geographica Sinica, 2022, 77(6):1475-1489.] DOI:10.11821/dlxb202206 012

DOI

[28]
Yang Z W, Chen Y B, Guo G H, et al. Using nighttime light data to identify the structure of polycentric cities and evaluate urban centers[J]. Science of the Total Environment, 2021,780:146586. DOI:10.1016/j.scitotenv.2021.146586

[29]
高子为, 孙伟伟, 程朋根, 等. 融合高分辨率遥感影像和POI数据的多特征潜在语义信息用于识别城市功能区[J]. 遥感技术与应用, 2021, 36(3):618-626.

[Gao Z W, Sun W W, Cheng P G, et al. Identify urban functional zones using multi feature latent semantic fused information of high-spatial resolution remote sensing image and POI data[J]. Remote Sensing Technology and Application, 2021, 36(3):618-626.] DOI:10.11873/j.issn.1004-0323.2021.3.0618

[30]
李强, 郑新奇, 晁怡. 大数据支持的武汉市功能识别与分布特征研究[J]. 测绘科学, 2020, 45(5):119-125.

[Li Q, Zheng X Q, Chao Y. Research on function identification and distribution characteristics of Wuhan supported by big data[J]. Science of Surveying and Mapping, 2020, 45(5):119-125.] DOI:10.16251/j.cnki.1009-2307.2020.05.018

[31]
冉钊, 周国华, 吴佳敏, 等. 基于POI数据的长沙市生活性服务业空间格局研究[J]. 世界地理研究, 2019, 28(3):163-172.

[Ran Z, Zhou G H, Wu J M, et al. Study on spatial pattern of consumer service industry in Changsha based on POI data[J]. World Regional Studies, 2019, 28(3):163-172.] DOI:10.3969/j.issn.1004-9479.2019.03.2018225

[32]
郜庆科. 基于多源时空数据的城市功能区识别方法研究[D]. 武汉: 武汉大学, 2019:35-37.

[Gao Q K. Research on the identification method of urban functional area based on multi-source spatiotemporal data[D]. Wuhan: Wuhan University, 2019:35-37 ]

[33]
王法辉, 金凤君, 曾光. 区域人口密度函数与增长模式:兼论城市吸引范围划分的GIS方法[J]. 地理研究, 2004, 23(1):97-103.

[Wang F H, Jin F J, Zeng G. Analyzing regional density functions and growth patterns in China with a GIS-based method delineating influential regions of cities[J]. Geographical Research, 2004, 23(1):97-103.] DOI:10.3321/j.issn:1000-0585.2004.01.012

[34]
Zhang Q L, Schaaf C, Seto K C. The Vegetation adjusted NTL Urban Index: A new approach to reduce saturation and increase variation in nighttime luminosity[J]. Remote Sensing of Environment, 2013, 129:32-41. DOI:10.1016/j.rse.2012.10.022

[35]
王文宇, 李博. 基于eCogniton的高分辨率遥感图像的自动识别分类技术[J]. 北京建筑工程学院学报, 2006, 22(4):26-29.

[Wang W Y, Li B. Auto-identify classification technology adopted to high-resolution remote sensing image by eCognition software[J]. Journal of Beijing Institute of Civil Engineering and Architecture, 2006, 22(4):26-29.] DOI:10.3969/j.issn.1004-6011.2006.04.007

[36]
赵卫锋, 李清泉, 李必军. 利用城市POI数据提取分层地标[J]. 遥感学报, 2011, 15(5):973-988.

[Zhao W F, Li Q Q, Li B J. Extracting hierarchical landmarks from urban POI data[J]. Journal of Remote Sensing, 2011, 15(5):973-988.]

[37]
Wang Z Y, Ma D B, Sun D Q, et al. Identification and analysis of urban functional area in Hangzhou based on OSM and POI data[J]. PLoS ONE, 2021, 16(5):e0251988. DOI:10.1371/journal.pone.0251988

[38]
中华人民共和国住房和城乡建设部. 《城市公共服务设施规划标准GB50442》[S]. 2018.

[Ministry of Housing and Urban-Rural Development of the People’s Republic of China, Standard for urban public Service facilities planning[S]. 2018.] https://www.mohurd.gov.cn/gongkai/fdzdgknr/zqyj/201805/20180522_236167.html

[39]
中华人民共和国商务部. 《零售业态分类(GB/T18106-2021)》[S]. 2021.

[Ministry of Commerce of the People's Republic of China. Classification of retail formats (GB/T18106-2021)[S]. 2021.] http://ltfzs.mofcom.gov.cn/article/bi/202105/20210503061390.shtml

[40]
Lynch K. The image of the city[M]. Cambridge, Mass.: M.I.T. Press, 1964.

[41]
Wu Q S, Liu H X, Wang S J, et al. A localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high-resolution topographical data[J]. International Journal of Geographical Information Science, 2015,29:2041-2060. DOI:10.1080/13658816.2015.1038719

[42]
Chen Z Q, Yu B L, Song W, et al. A new approach for detecting urban centers and their spatial structure with nighttime light remote sensing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(11):6305-6319. DOI:10.1109/TGRS.2017.2725917

[43]
康翔, 潘剑君, 朱燕香, 等. 一种基于POI大数据的城市核心区识别方法[J]. 遥感技术与应用, 2021, 36(1):237-246.

[Kang X, Pan J J, Zhu Y X, et al. A method for identifying the urban nuclei based on POI big data[J]. Remote Sensing Technology and Application, 2021, 36(1):237-246.] DOI:10.11873/j.issn.1004-0323.2021.1.0237

[44]
李江, 郭庆胜. 基于句法分析的城市空间形态定量研究[J]. 武汉大学学报(工学版), 2003, 36(2):69-73.

[Li J, Guo Q S. Quantitative research of urban spatial morphology based on syntactic analysis[J]. Engineering Journal of Wuhan University, 2003, 36(2):69-73.] DOI:10.3969/j.iss n.1671-8844.2003.02.017

[45]
Hillier B, Hanson J. The social logic of space[M]. Cambridge [Cambridgeshire]: Cambridge University Press, 1984.

[46]
Jiang B. Head/Tail breaks: A new classification scheme for data with a heavy-tailed distribution[J]. The Professional Geographer, 2013, 65(3):482-494. DOI:10.1080/00330124.2012.700499

[47]
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[J]. 测绘地理信息, 2016, 41(2):68-73.

[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.] DOI:10.14188/j.2095-6045.2016.02.017

[48]
国家统计局西安调查队. 西安统计年鉴-2021[M]. 北京: 中国统计出版社, 2021.

[Xi'an Investigation Team of the National Bureau of Statistics. Xi'an statistical yearbook-2021[M]. Beijing: China Statistics Press, 2021.]

[49]
西安市自然资源局. 《西安市城市总体规划(2008-2020年)》[S]. 2022.

[Xi'an Natural Resources Bureau. Xi'an urban general planning(2008-2020)[S]. 2022.] http://zygh.xa.gov.cn/ywpd/cxghgsgb/ghcggs/62876060f8fd1c0bdc995ed3.html

[50]
中华人民共和国自然资源部. 《国土空间调查、规划、用途管制用地用海分类指南(试行)》[S]. 2020.

[Ministry of Natural Resources of the People's Republic of China, Land and space survey,planning, land use control sea classification guide (Trial)[S]. 2020.]https://www.gov.cn/zhengce/zhengceku/2020-11/22/content_5563311.html

[51]
段亚明, 刘勇, 刘秀华, 等. 基于宜出行大数据的多中心空间结构分析——以重庆主城区为例[J]. 地理科学进展, 2019, 38(12):1957-1967.

DOI

[Duan Y M, Liu Y, Liu X H, et al. Measuring polycentric urban structure using Easygo big data: A case study of Chongqing metropolitan area[J]. Progress in Geography, 2019, 38(12):1957-1967.]

DOI

[52]
郑晓伟. 基于开放数据的西安城市中心体系识别与优化[J]. 规划师, 2017, 33(1):57-64.

[Zheng X W. Identification and optimization of Xi'an urban center system based on open data[J]. Planners, 2017, 33(1):57-64.] DOI:10.3969/j.issn.1006-0022.2017.01.009

[53]
王晓红, 李宣廷, 张少鹏. 多中心空间结构是否促进城市高质量发展?——来自中国地级城市层面的经验证据[J]. 中国人口·资源与环境, 2022, 32(5):57-67.

[Wang X H, Li X T, Zhang S P. Has the polycentric spatial structure promoted high-quality urban development? empirical evidence from prefecture-level cities in China[J]. China Population, Resources and Environment, 2022, 32(5):57-67.]

Options
文章导航

/

〈 〉