城市用地功能是城乡功能在特定地域空间中的体现，反映城市布局的基本形态和城乡功能区的空间差异[1]。在确定城市用地功能时，需综合考量多种因素，通过各维度的协调与平衡，为土地的科学开发和高效利用提供支撑。随着区域经济水平持续提高，城市发展和城市土地利用之间的关系变得越发复杂。城市内部的空间结构发生了明显的调整，土地资源的分配朝着更加集中、高效的方向发展，土地利用效率得到了大幅提高。在此背景下，仅使用常规方法调查的城市用地使用数据逐渐难以满足城市规划建设的需求，急需引入新技术和新方法，来研究城乡土地利用的内涵，识别土地利用的类型[2]。
随着大数据在居民生活中的应用覆盖面越来越广，基于地理数据的耕地与生态空间精准保护、城乡发展格局科学规划等提供了支持。运用大数据进行精准规划，特别是在区域空间布局优化、城乡关系协调和城市空间结构解析等方面，已逐渐成为规划领域的共识与实践方向[3]。以轨迹数据、开放街区数据、地图兴趣点（POI）数据等代表的数据被广泛运用于城乡规划等领域[4]。以大数据为支撑的研究方法，正推动城乡用地功能研究从静态描述走向动态感知，从单一功能判定走向多功能复合识别，从主观经验判断走向量化分析模拟，为更科学地确定城乡用地功能，优化生产、生活空间布局提供支撑[5-6]。
综上，基于POI数据开展城乡用地功能识别及空间布局研究具有可行性。本研究以重庆市中心城区为研究区域，利用该区域的POI空间数据，分别基于1 000 m×1 000 m、500 m×500 m和200 m×200 m 3个尺度，采用频数密度与类型比例法识别城市功能用地，评价不同尺度下城市功能用地识别的精度，选取最优尺度对研究区功能用地进行识别，在此基础上分析各功能用地的空间布局。对充分认识研究区域当前的发展现状，优化土地资源利用与城市规划具有重要参考意义。
1 材料与方法
1.1 数据来源
本次研究所采用的重庆市中心城区的POI数据来自该地区高德地图，以行政区划进行采集，比例尺1∶100万，每条数据包含地理实体的名称、地址和划分类别等属性信息，获取时间为2023年12月，数据更新周期约3个月。原始数据共600 363条，包括居住用地、商业用地、交通设施用地、科教文化用地、餐饮美食用地和休闲娱乐用地等共22个大类，每个大类包含若干个中类和小类。
1.2 研究方法
1.2.1 POI数据预处理
表1 城市用地功能分类体系 |
| 一级类用地 | 二级类用地 | 具体用地范围 |
|---|---|---|
| 居住用地 | 住宅区用地 居民基本生活服务用地 | 各类住宅小区、别墅和居民生活服务设施等用地 |
| 公共管理与服务用地 | 行政办公用地 医疗卫生用地 文化建设用地 教育科研用地 | 事业单位、政府机构、行业协会用地 医院、诊所、卫生防疫、医疗保健、康复用地等 图书馆、博物馆、文化馆等用地 高等院校、职业院校、中学、小学、科研单位用地 |
| 商业服务业设施用地 | 商业设施用地 商务设施用地 体育休闲用地 其他服务设施用地 | 餐饮、购物、宾馆等商业经营活动用地 银行、保险公司、证券公司、商务写字楼等综合性商务办公用地 游乐场、游泳馆、高尔夫球场、大型体育馆等用地 民办培训机构、私人诊所等其他服务用地 |
| 工业用地 | 工厂企业用地 | 公司、生产车间、产业园区等用地 |
| 交通设施用地 | 交通服务设施用地 | 火车站、汽车站、飞机场、客流转运站等交通设施用地 |
| 绿地与广场用地 | 风景名胜用地 公园广场用地 | 旅游景区、名胜古迹用地 公园、城市广场等开放空间用地 |
单元网格中POI数据所代表的地理实体的建筑面积，能够有效反映该单元格内主要的城市用地功能[11]。POI数据的属性特征导致其不能完全准确反映真实物体的基本特征。因此，仅以POI数据点的密度来识别和分析城市用地功能不能很好地体现实际情况。结合2024年《重庆市城市建设统计年报》统计的各类城市建设用地面积和实际采样统计的具有代表性的POI数据的平均占有面积，参考文献[12-13]中POI数据公众认知度排名及相关实证研究，采用频数密度与类型比例方法对二级类POI数据进行计算，确定每个单元网格中二级类用地的个数，在核密度估计和土地利用混合度计算结果的基础上，分析研究区单一功能用地和混合功能用地的空间布局。
1.2.2 频数密度与类型比例法
频数密度与类型比例法常用于研究特定地区的一个部门或产业在该地区的专业化程度，采用一个地区特定部门的产值在该地区总产值中所占比重与全国该部门产值在全国总产值中所占比重的比值来表示。借鉴高一冉[14]的研究，分别基于1 000 m×1 000 m、500 m×500 m和200 m×200 m 3个尺度，利用频数密度与类型比例法识别城市用地功能，计算如式（1 ）～（2 ）。
式中，Fi 为网格单元中第i种一级类用地的POI数量占该类型用地POI总数的频数密度，i为一级类用地类型，ni 为网格单元内第i种类型POI数据的数量，Ni 为第i种类型POI总数；Ci 为第i种一级类用地的频数密度占网格单元内所有类型的POI频数密度的比例。此次研究中将Ci 数值是否大于50%作为划分城市用地功能的依据。
1.2.3 核密度估计
核密度估计法可用来反映点要素的空间分布相对集中程度，是一种从数据样本本身出发研究数据空间分布特征的方法，其计算如式（3） [15]。
式中，f（x）为空间位置x处的核密度函数估计值；n为数据的数量；h为距离衰减阈值； 为核函数。
1.2.4 混合度估计
1.2.5 识别结果检验
对不同尺度下的识别结果进行检验，对比识别的准确度，确定最优尺度并选取部分功能用地对其识别结果进行人工对比。其中，所使用的真实城市用地功能结果参照高分辨率影像，以及研究区域所对应的高德地图和卫星地图中所包含地物的名称、标识等属性信息。在各类用地类型中，分别提取50个地块作为校验样本，计算其总体精度及Kappa系数，并对比不同尺度下的识别精度。
2 结果与分析
2.1 不同尺度下城市用地功能的识别
对研究区进行不同尺度的网格划分后，对每个网格单元进行赋值，统计网格单元中各类用地的数据，计算出频数密度和类型比例，最终获得不同尺度下研究区各功能用地的空间分布（图1）。
在1 000 m×1 000 m尺度网格单元内（图1A），混合功能用地网格占比最高，大多集中分布于研究区中心，单一功能用地占比较少，无数据区零散分布于研究区最外围。具体来看，混合功能用地单元有1 760个，集中分布在几何中心区及中部偏南区域；单一功能用地单元有1 969个，主要分布于北部边缘及南部区域；无数据单元有1 996个，主要分布于研究区最外围。进一步分析发现，该尺度下单一功能用地数量较少，混合功能用地集中连片，可能存在识别距离过大、范围不精确的问题。
在500 m×500 m尺度网格单元内（图1B），混合功能用地集中分布在各区中心地带，单一功能用地多分布于混合功能区外围，无数据区主要分布于研究区最外围。具体来看，混合功能用地主要分布于几何中心偏西区域，单一功能用地在各区均有分布，且集中分布于混合功能区周围。混合功能用地单元有2 461个，单一功能用地单元有6 913个；无数据单元有13 105个，识别范围的精确度有所提高。
在200 m×200 m尺度网格单元中（图1C），对3类不同类型的网格数量进行统计，其中混合功能用地单元有8 501个，多分布于几何中心偏西南部及各区的中心；单一功能用地单元有20 202个，分布范围最广；无数据单元有109 225个，多分布于研究区外围及区域中的一些山地、水体和耕地。该尺度下识别范围更为精确，更加接近真实的用地功能类型。
2.2 不同尺度的识别结果检验
2.2.1 Kappa系数检验
在1 000 m×1 000 m单元网格中，计算所得的总体精度为75.0%，Kappa系数为0.743；在500 m×500 m单元网格中，总体精度为81.3%，Kappa系数为0.808；在200 m×200 m单元网格中，总体精度为83.3%，Kappa系数为0.828。通常，Kappa值越大分类精度越高[17]，说明此次识别的结果更具可靠性。对比不同尺度下的总体精度值和Kappa值，200 m×200 m网格单元的识别精度和Kappa系数最高。因此，选取200 m×200 m网格进行空间分布研究具有更高的准确度[18]。进一步选取不同尺度识别结果中的相同区域与高分辨率地图和高德地图选区进行对比，检验评价结果是否准确，是否与实际用地相一致，进而确立最终的研究尺度。
2.2.2 人工识别检验
在1 000 m×1 000 m尺度下，选取A区域进行对比（图2）。功能识别图中，A区域绿色网格单元为绿地广场用地，周围为混合功能用地；卫星地图中，2个区域显示与功能识别图大体一致；高德地图中，A区域包括了公园绿地广场用地及建设用地，对比发现识别结果与真实用地情况大体一致，但识别范围较大，不够精确。
在500 m×500 m尺度下，选取A区域进行对比，功能识别图中A区域黄色网格单元为绿地广场用地；卫星地图中2个区域显示与功能识别图一致；高德地图中，A区域显示为沙坪公园，对比发现，真实用地与识别结果一致程度提高，范围较为清晰。
在200 m×200 m尺度下，选取A区域进行对比。在功能识别图中，A区域黄色网格代表绿地广场用地；卫星地图显示与识别结果一致程度高；高德地图中A区域可精确表示为沙坪公园，识别结果准确，可精确到较具体的地理实体。
在1 000 m×1 000 m尺度下，选取B区域进行对比。功能识别图（图3）中，区域B表示混合用地；卫星地图和高德地图中B区域为交通设施用地，商业服务设施用地和交通设施用地的混合用地，识别范围大，各类用地划分不清晰。
在500 m×500 m尺度下，选取B区域进行对比。识别结果中，B区域浅绿色网格代表交通设施用地，周围有交通设施用地；卫星地图和高德地图中B区域为交通枢纽及其广场，识别范围较为精确。
在200 m×200 m尺度下，选取B区域进行对比。识别结果中，B区域浅绿色网格代表交通设施用地；卫星地图和高德地图中B区域为交通枢纽，用地类型代表典型，范围识别准确且识别精度较高。
在1 000 m×1 000 m的尺度下，选取C区域进行对比。在识别结果（图4）中，C区域代表混合用地；卫星地图和高德地图中，C区域显示为旅游景点，对比结果说明识别较为准确。
在500 m×500 m的尺度下，选取C区域进行对比。识别结果中，C区域绿色网格表示混合用地，黄色网格表示绿地广场用地，橙色网格表示公共管理与公共服务用地；卫星地图和高德地图中，C区域显示为旅游景点，识别的准确度增加，但范围仍然不够精确。
在200 m×200 m的尺度下，选取C区域进行对比。识别结果中，C区域橙色网格代表公共管理与公共服务用地；卫星地图显示与识别结果一致；高德地图中C区域为旅游景点，识别结果准确且范围精确。
POI数据本身的特征与此次研究中计算方法和操作的局限性，可能导致用地识别结果产生一定的误差。通过误差矩阵检验和总体精度计算，以及选取区域内部分用地进行人工检验，结果表明，在200 m×200 m网格单元中的识别结果更具准确性，识别范围更加具体。
2.3 研究区功能用地的空间布局
在最终确定的200 m×200 m尺度下，若研究区网格单元内某一级用地类型的Ci 值大于等于50%，则认定这一网格单元的用地类型为这一级用地类型。本研究区，工业用地单元网格数量2 541个，包含工厂用地、公司用地及农林牧渔用地等，主要分布于各区外围，通常分布较为集中且彼此之间存在关联，用地面积大、数量多，多为单一类型分布；公共管理用地与公共服务用地单元网格数量1 860个，包括博物馆、各类学校、科研单位等科教文化用地和医院等医疗保健用地，集中分布在几何中心偏西部，并在其他区域有零星分布，研究区内分布不均衡；交通设施用地单元网格数2 140个，网格数量较多；居住用地网格数量1 108个，包括产业园、住宅区和生活服务用地，形成许多居住组团，呈现出中心较少，中心外围集中，区域外围分散的分布格局；绿地广场用地网格单元数量632个，空间分布较为广泛，各个区内均有分布，以大型公共用地为代表，占比最少；商业服务设施用地单元数量1 562个，包括餐饮美食、酒店居住、休闲娱乐等用地，空间分布较为集中，主要分布在各区的中心地带。
2.3.1 单一功能用地的空间布局
研究区各类单一功能用地的核密度分布如图5所示。其中工业用地与商业服务业设施用地分布较为广泛，居住区多集中分布在中心区域偏西南部；公共管理与公共服务用地集中分布于区域几何中心偏西南部，且北部、南部、东部也有零散分布区；交通运输用地的核心集中分布于偏西部。综合来看，离中心区越近，用地功能所受影响程度越大，反之则越小。
2.3.2 混合功能用地的空间布局
若单元网格内一级用地的Ci 值均小于50%，则将Ci 排列前三的用地类型定为混合功能区。混合功能区集中分布在研究区中心。其中，以居住用地为主的混合功能区数量最多，有152个；以公共管理与服务用地为主的混合功能用地有104个；以交通设施用地为主的混合功能用地有92个；以商业服务业用地为主的混合功能用地有132个；以工业用地为主的混合功能用地有96个；以绿地与广场用地为主的混合功能用地有57个。
根据混合度计算模型，研究区土地多功能利用混合度如图6所示。混合度高的区域主要集中在几何中心偏西，并向其他区域发散分布；混合度较高的区域主要呈散落式分布在混合度高区域附近；混合度一般的区域主要分布在混合度较高和较低区域的周围；混合度较低的区域主要围绕着混合度较高和一般的区域分布；混合度低的区域主要分布在各区外围。研究区中心是居住、商业、公共服务等功能的主要承载区；在混合度较高区域的周围区域的功能混合度相对较低。从空间分布来看，研究区用地功能混合度与其与城市中心的距离相关，离中心区的距离越近，其所包含的功能越复杂，混合度越高。
3 结论与讨论
本文以重庆市中心主城为研究对象，利用该区域的POI空间数据，分别基于1 000 m×1 000 m、500 m×500 m和200 m×200 m 3个尺度，采用频数密度与类型比例法识别功能用地，评价不同尺度下功能用地识别的精度，选取最优尺度对研究区功能用地进行识别，在此基础上分析单一功能用地和混合功能用地的空间布局，得出如下结论。
（1）城市用地功能识别需更精确的尺度。3种尺度下的功能用地识别结果显示，随着尺度的缩小，识别精度呈递增趋势，但增加幅度呈递减趋势。在1 000 m×1 000 m尺度下，城市功能用地识别总体精度为75.0%，Kappa系数为0.743；在500 m×500 m的尺度下，总体精度为81.3%，Kappa系数为0.808；在200 m×200 m尺度下，总体精度为83.3%，Kappa系数为0.828。与真实用地进行对比，在200 m×200 m尺度下，所选区域的识别结果更准确且识别精度高，识别结果具有更高的可信度。考虑到更小尺度的计算量大，精度提高的幅度很小，最终选取200 m×200 m为最佳研究尺度。
（2）城市功能用地的分布具有明显的区域差异性。混合功能用地分布于研究区域核心地区，单一功能用地分布于混合功能区外围，呈现出核心—外围分布的特征，并且以中部偏西区域为核心向四周区域发散分布；越往外围，混合功能用地减少，用地功能混合度降低。
（3）基于POI数据对城市用地功能识别具有可行性。利用POI数据开展城市用地功能识别，有助于更加直观地了解区域用地类型及城市空间结构，弥补了常规研究方法中研究区域小或仅聚焦典型功能区的不足，且POI数据获取难度小，便于更新。
基于POI数据的城市用地功能识别及空间布局有诸多优势和应用前景，然而在实际应用中还面临一些挑战。例如，如何确保POI数据的完整和准确、如何处理和分析海量的POI数据以提高分析效率和精度、如何与其他数据源有效整合以实现更全面的城市用地功能识别，这些问题都有待在未来的研究中不断探索和解决。本研究为突出城市用地功能的空间布局，仅针对重庆中心城区开展分析，难以精准呈现全市用地功能及其分布特征。后续研究可开展多维度的对比检验，以提升准确度，深入分析各区单一和混合用地功能，为区域生态空间优化等提供科学依据。