基于POI空间度量的城市功能区差异识别：以武汉江汉区为例

《International Journal of Digital Earth》：Uncovering urban functional areas differences through POI-based spatial metrics: evidence from Jianghan district, Wuhan

本文系统分析了城市功能区（UFA）中兴趣点（POI）在密度、多样性和空间分布上的差异，并创新性地提出了沿边分布指数（AED）以量化POI与地块边界的空间关系。研究发现，商业商务设施（CBFL）和居住用地（RL）的POI密度与多样性最高，而工业用地（IL）和绿地广场（GSSL）则呈现稀疏且同质的分布。空间上，居住和商业商务设施内的POI呈聚集分布，而行政公共服务（APSL）和绿地广场则更分散。沿边分布分析进一步揭示，居住和街巷交通（STL）用地中的POI倾向于沿地块边界分布。该研究为构建更具可解释性的UFA识别模型及城市规划应用提供了理论依据。

　　

研究背景与意义

随着城市化进程的加速，城市空间结构日益复杂，对精准城市治理的需求日益增长，准确识别城市功能区（Urban Functional Areas, UFA）成为关键。UFA是城市内部具有特定土地利用模式、人口密度、经济活动和社交互动的地理区域，其空间分布直接影响环境质量（如PM_2.5、城市热岛效应）和公共资源配置。然而，传统的遥感影像在识别UFA时存在物理特征难以区分的问题。兴趣点（Point of Interest, POI）数据作为城市地理信息的重要来源，因其丰富的属性（如设施类型、名称、精确坐标）和直接反映人类活动分布的能力，已成为UFA识别的关键数据源。

尽管现有研究已广泛利用POI数据，但大多侧重于通过增加特征维度来提高模型精度，而忽略了POI特征在不同UFA中差异化的内在机制。此外，复杂的机器学习模型往往被视为“黑箱”，缺乏可解释性，难以理解POI特征如何驱动功能区的划分。因此，本研究旨在系统性地分析POI数据在密度、多样性和空间分布三个维度上的特征差异，并开发新的空间度量指标，以揭示不同UFA的POI分布规律，为构建更透明、可解释的UFA识别模型提供理论支持。

研究区域与数据

本研究以武汉市江汉区为研究区域。江汉区是武汉市的中心城区之一，面积约28.29平方公里，人口超过73万，是武汉市最繁华、人口最密集的区域之一。该区域形成了高度混合的功能结构，商业商务设施与居住区交织共生，是研究复杂城市背景下UFA识别的理想案例。

研究数据主要包括两部分：

1. 1.
   UFA地图：包含578个地块，通过遥感影像人工解译和官方规划图叠加生成，共分为8种功能类型。
2. 2.
   POI数据：来源于高德地图开放平台，经过坐标转换、去重和筛选后，保留了14个类别的21,791个POI点作为基础数据集。

研究方法

本研究从三个维度系统分析POI特征，以揭示不同UFA的差异。

密度特征分析

• •
  点密度（Point Density）：通过计算单位面积内的POI数量，量化不同UFA的POI聚集程度。公式为 f_i= N_i/ S_r，其中N_i为i类POI的数量，S_r为地块r的面积。
• •
  频率密度（Frequency Density）：计算特定POI类型在地块内POI总数中的占比，反映其相对重要性和普遍性。为消除数量不平衡的影响，进一步计算了频率密度富集因子（Enrichment Factor），公式为 EN_rⁱ= (N_rⁱ/ K_r) / (Nⁱ/ K)，其中K为所有地块的POI总数。

多样性特征分析

• •
  吉布斯-马丁多样性指数（Gibbs-Martin Diversity Index）：用于量化UFA内POI类别的丰富度和均匀度。公式为 GM = 1 - ∑f_i²/ (∑f_i)²。该指数越接近1，表示POI类别越多样化且分布越均匀。

空间分布特征分析

• •
  平均最近邻分析（Average Nearest Neighbour, ANN）：用于量化POI点的空间分布模式（聚集、随机或分散）。ANN = D_o/ D_E，其中D_o为实测点与其最近邻点的平均质心距离，D_E为随机分布下的平均质心距离。ANN < 1表示聚集，=1表示随机，>1表示分散。
• •
  沿边分布指数（Along-Edge Distribution Index, AED）：本研究新提出的指标，用于量化POI在地块边界附近的分布情况。通过在地块边界内侧创建缓冲区，计算缓冲区内的POI数量与地块内POI总数的比值。公式为 AED = N_i^q/ N_i。为控制地块大小的影响，缓冲区距离采用地块最小外接圆半径（r）进行标准化。

研究结果

密度特征差异

• •
  点密度：POI密度在UFA间差异显著。商业商务设施（CBFL）的平均POI密度最高（17.90个/公顷），其次是居住用地（RL，11.90个/公顷），两者属于“密集”分布。而绿地广场（GSSL）的密度最低（1.02个/公顷），与街巷交通（STL）同属“稀疏”分布。值得注意的是，尽管RL和CBFL的密度范围有重叠，但其分布模式存在差异，表明仅靠密度难以完全区分这两类功能区。
• •
  频率密度：不同UFA的POI类别分布存在显著差异。居住和商业商务设施内的POI类别分布相对均衡，而行政公共服务（APSL）、工业用地（IL）、街巷交通（STL）和绿地广场（GSSL）则表现出明显的类别偏向性。例如，APSL以科教文化服务类POI为主，IL以公司企业类为主，STL以交通设施服务类为主，GSSL以风景名胜类为主。频率密度富集因子有效揭示了特定POI类别在不同UFA中的富集程度，是区分UFA的重要指标。

多样性特征差异

• •
  吉布斯-马丁多样性指数：居住用地（RL）的POI多样性指数最高（平均0.7424），其次是商业商务设施（CBFL，0.6728），表明这两类区域功能混合度高。而街巷交通（STL）的多样性最低（0.4530），功能较为单一。值得注意的是，行政公共服务（APSL）的多样性指数分布较为均匀，表明POI多样性对于识别APSL的区分能力较弱。

空间分布特征差异

• •
  平均最近邻分析（ANN）：居住用地（RL）和商业商务设施（CBFL）中超过50%的地块呈现POI聚集分布模式，反映了其强调可达性和服务集中的特点。而行政公共服务（APSL）和绿地广场（GSSL）中超过50%的地块呈现分散分布模式，这与服务覆盖要求或开放空间性质有关。工业用地（IL）和街巷交通（STL）的分布模式则相对均衡。然而，ANN指标在区分具有相似分布模式（如RL和CBFL均为聚集）的UFA时存在局限性。
• •
  沿边分布指数（AED）：本研究提出的AED指数揭示了POI与地块边界的空间关系。研究发现，居住用地（RL）和街巷交通（STL）中的POI倾向于沿地块边界分布，这与其强调可达性和边界支持功能相符。而商业商务设施（CBFL）、行政公共服务（APSL）、工业用地（IL）和绿地广场（GSSL）中的POI则更倾向于在地块内部均匀分布。这一空间位置关系为区分POI密度和多样性特征相似的RL和CBFL提供了关键证据。

讨论与结论

本研究系统揭示了POI在密度、多样性和空间分布三个维度上的特征差异，为UFA识别提供了更全面的视角。研究发现，商业商务设施（CBFL）和居住用地（RL）在POI密度和多样性上高度相似，但它们在空间分布上存在显著差异，特别是通过沿边分布指数（AED）可以清晰地区分两者。这表明，在构建UFA识别模型时，需要综合考量POI的统计特征和空间特征。

本研究提出的沿边分布指数（AED）是一个创新性的空间度量指标，它通过标准化缓冲区距离（基于最小外接圆半径），实现了不同尺度UFA边界效应的跨尺度比较。该指标有效弥补了ANN分析在量化边界效应方面的不足，为理解POI与UFA边界的空间交互关系提供了新的工具。

尽管本研究取得了重要发现，但仍存在一些局限性。例如，研究仅使用了POI数据，未来可结合遥感影像、社交媒体等多源地理空间大数据进行综合分析。此外，本研究未考虑UFA内部的异质性，未来可进一步探索同一功能区内POI特征的变异性。

综上所述，本研究通过系统分析POI特征差异，深化了对城市功能区空间分异的理解。特别是沿边分布指数（AED）的提出，为构建更具可解释性和准确性的UFA识别模型提供了新的理论依据和方法支持，对优化城市公共资源配置和提升城市空间治理水平具有重要的实践意义。