CN112598263B - 基于城市扩张全局结构的中心性和集聚性测度方法 - Google Patents

基于城市扩张全局结构的中心性和集聚性测度方法 Download PDF

Info

Publication number
CN112598263B
CN112598263B CN202011510014.XA CN202011510014A CN112598263B CN 112598263 B CN112598263 B CN 112598263B CN 202011510014 A CN202011510014 A CN 202011510014A CN 112598263 B CN112598263 B CN 112598263B
Authority
CN
China
Prior art keywords
new
plaque
expansion
centrality
old
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202011510014.XA
Other languages
English (en)
Other versions
CN112598263A (zh
Inventor
焦利民
刘稼丰
毛文婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202011510014.XA priority Critical patent/CN112598263B/zh
Publication of CN112598263A publication Critical patent/CN112598263A/zh
Application granted granted Critical
Publication of CN112598263B publication Critical patent/CN112598263B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了基于城市扩张全局结构的中心性和集聚性测度方法。该方法首先提出位置中心度指标(LCI)，该指标采用“面积‑反距离”加权算法获取城市新增斑块相较于原有城市整体空间结构的位置权重，利用圆的几何特征来捕获城市扩张结构动态特征。该方法还提出了另一个指标——中心聚集指标(LCAI)，该指标在考虑城市扩张全局空间结构的基础上，通过结合新斑块自身的属性来描述城市形态的演化异质性。本发明的方法结合上述指标，通过明确揭示全局结构特征，填补了对城市扩张中心性的动态评估空白，提升了识别城市扩张聚集异质性的性能，明晰了城市新增用地空间的扩张特征类型，满足了自下而上反映不同城市扩张特征的实际应用需求。

Description

基于城市扩张全局结构的中心性和集聚性测度方法
技术领域
本发明属于空间分析技术领域，特别涉及一种基于城市扩张全局结构的中心性和集聚性测度方法。
背景技术
城市化伴随着城市土地的空间扩张，对资源，环境和社会产生了严重影响[1–2]。有一种共识认为，合理利用土地资源需要对城市扩张的过程有一个更好的了解[3–5]。因此，城市扩张过程的定量评估指标被认为是理解城市扩张的有力手段，近年来，这引起了城市科学界的越来越多的关注[6–7]。
景观指数是描述城市扩张空间格局的最广泛使用的方法之一[8–10]，大多数景观指数是根据信息论、分形几何和空间统计数据开发的，而且是通过Fragstats软件计算的[11–13]。然而，景观指数存在一个固有的缺陷：这些指数只能描述单个时间点的静态模式特征，而不能捕获动态过程信息[14]。为了弥补这一不足，基于新增长斑块(新斑块)与现有的城市土地(旧斑块)之间的空间关系提出了一些动态指标。这是因为现有的城市土地通常不会被“移动”或去城市化，并且城市格局的变化会受到新斑块的增长的影响[15]。例如，Xu等(2007)和Sun等(2012年)使用新斑块与旧斑块相交部分长度与新斑块周长之间的共享边界长度之比来识别扩张类型[16–17]。Liu等(2010)通过用缓冲区共享率代替一维边界共享率来设计景观扩张指数(LEI)，以基于两点数据描述新斑块和旧斑块之间的空间关系[18]。Jiao等(2018)提出了多阶景观扩张指数(MLEI)和邻近扩张指数(PEI)，利用多时相数据和多缓冲区来揭示新斑块扩张特征的时间传递性和空间梯度[19]。上述方法的共同点是它们都基于边界共享率(BSR)或类似形式，并且由于空间限制，这些BSR通常仅反映新斑块与其最近的旧斑块之间的空间关系。这些现有的度量标准基于邻域特征来度量新斑块的扩张程度，而忽略了它们与城市结构和形式的空间关系。
关于城市空间结构的现有评价技术集中于静态特征，即单中心-多中心，集群，网络和其他层次[20-24]，很少关注于评估城市扩张过程中的动态结构特征。结构从本质意义上讲，即某种事物的构造方式及其组成部分的搭配，可以将城市扩张动态结构定义为与整个旧斑块相比新斑块的组成和布置。因此，新斑块相对于旧斑块中心的位置分布，即中心性，可用于捕获城市扩张动态结构信息。根据经典的区位理论和中心地理论[25-26]，从城市土地位置到“中心”的距离会影响多种资源的分配，使用中心性来衡量城市扩张结构具有地理意义。现有的大多数方法都将中心性视为到一个或几个CBD或市中心的距离[27-29]。然而，城市扩张通常伴随着一些特殊的旧地块的增长，例如扩张的“种子区”和子中心[30]。这些斑块可能很细碎且偏远，但它们可能具有巨大的城市扩张潜力。因此，有必要全面评估新斑块相较于所有旧斑块的位置中心性，而不是通过与单个或几个孤立的静态城市中心的空间关系来反映城市扩张结构。
此外，现有的动态指标几乎不能正确地描述城市形态的演变，即城市形态的变化。这些指标未能直接考虑到新斑块本身的属性，这可能会对城市形态演变测度产生重大影响[16-19]。例如，即使新斑块与所有旧斑块的邻域关系或结构关系薄弱，但由于其可能填补了城市内部空隙并促进了城市形态的整合，此新斑块也将产生实质性的聚集效应。尽管整个城市形态都以“波浪式”的方式发展[15，31-33]，但并不是所有新斑块都处于一致的形态演变阶段。新增城市用地的位置聚集度在斑块水平上是异质的，从而导致城市形态的区域和全局演变存在很大差异。因此，直接地区分由区域之间的不平衡扩张引起的局部形态演变的差异是十分重要的，以便更好地规划和实施可持续的城市发展。
通过对以上内容的了解，大多数现有的城市扩张动态评价指标都集中在斑块水平邻域关系的局部扩张程度评估上，并且在基于全局视角评估扩张斑块的多维特性方面存在差距。由于城市扩张是一个多维过程，基于一维邻域特征将城市扩张分为紧凑性或蔓延性的模糊和简单划分将引起不准确的评价，并妨碍人们更好地理解城市扩张过程的空间特征。相对于“紧凑”或“蔓延”的混淆概念，应更定量地描述清晰而有意义的动态特性。本发明中提出的位置中心性指数(LCI)和位置中心性聚集指数(LCAI)，能够表征城市扩张结构和形态的特征，通过明确揭示全局结构特征，填补了对城市扩张中心性的动态评估空白，提升了识别城市扩张聚集异质性的性能，明晰了城市新增用地空间的扩张特征类型，满足了自下而上反映不同城市扩张特征的实际应用需求。
发明内容
为了解决上述技术问题，本发明的目的在于，针对现有城市扩张动态特征评价技术的不足，提供一种基于城市扩张全局结构特征，结合两个动态维度的中心性和集聚性评价指标的方法。
本发明基于城市扩张全局结构提出了一种测度中心性和集聚性的新方法，虽然描述城市扩张过程的动态指标已经存在，但只关注一维特征，导致对城市扩张过程认识不足。本发明通过设计指标对清晰而有意义的维度特征，如位置中心性和聚集性，进行定量刻画。本发明通过LCI和LCAI在斑块层面测量中心性和聚集性来描述城市扩张结构和形态的动态演变，可以综合反映位置中心度和聚集度的空间渐变性，利于识别在城市扩张结构和形态中识别位置中心度和位置集聚度类型，以反映新斑块的异质性影响。进一步引入LCI和LCAI的两个变体公式，MLCI和MLCAI，可以从自下而上的角度来代表城市扩张的不同全局动态特征。
本发明提供的技术方案如下：
一种基于城市扩张全局结构的中心性和集聚性测度方法，包括以下步骤：
步骤1：获取城市建设用地多时点矢量数据，捕获新增城市建设用地(新斑块)与原有建设用地(旧斑块)空间特征；
步骤2：基于“面积-反距离”加权算法获取城市新斑块相较于原有城市整体空间结构的位置权重；
步骤3：基于圆的几何特性，结合步骤2中得到的空间位置权重，获取每个新增斑块的位置中心度指标值(LCI)；
步骤4：基于新斑块的自身属性特征，捕获旧斑块相较于新斑块的空间位置关系，获取每个新增斑块的位置集聚度指标值(LCAI)；
步骤5：基于物理意义与几何特征对新斑块的扩张类型进行辨识；
步骤5.1：基于LCI结果依照新斑块相较于整体城市扩张结构将位置中心性类型划分为核心型，中心型，邻近型与边缘型四类；
步骤5.2：基于LCAI结果在位置中心性类型的基础上依据引力模型特性将位置集聚性类型划分为高度集聚型，中度集聚型，轻度集聚型与离散型四类；
步骤6：基于算数平均值将LCI和LCAI的结果进行自下而上地汇总统计，计算城市整体扩张中心性与集聚性；
步骤6.1：基于所有新斑块的LCI平均值统计结果获取城市整体扩张中心性；
步骤6.2：基于所有新斑块的LCAI平均值统计结果获取城市整体扩张集聚性；
步骤7：对城市扩张中心性与集聚性结果进行时空分布制图。
进一步的，步骤1中的方法包括以下子步骤：
步骤1.1：对获取的地理空间数据矢量化，提取连续时点的城市建设用地，运用地理空间分析工具得到新旧斑块即为前一时点矢量数据；
步骤1.2：利用空间数据计算工具获取新旧斑块的自身属性特征。
进一步的，步骤2中所述“面积-反距离”加权算法主要用于揭示新斑块相较于原有城市整体空间结构的位置权重，计算方式如下：
Figure GDA0003553379690000041
式中，Wij为第i个新斑块相较于第j个旧斑块的空间位置关系权重，Aj为第j个旧斑块的面积，dij为第i个新斑块质心到第j个旧斑块边界的距离。对第i个新斑块计算与所有旧斑块的空间位置关系权重，可自下而上获得新斑块相较于原有城市整体空间结构的位置权重。
该加权算法主要基于下面两方面进行考虑：(1)传统的中心地理论，新斑块越接近旧斑块，对新斑块相对于全局城市扩张的空间结构的测量影响越大；(2)规模效应，旧斑块面积越大，对空间结构位置权重测量的影响也越大，因为较大的城市区域可能提供更多的城市服务功能。
进一步的，步骤3中所述位置中心度指标(LCI)主要基于Python进行数据处理和分析，计算方式如下：
Figure GDA0003553379690000042
式中：i为第i个新斑块，j为第j个旧斑块，Aj为第j个旧斑块的面积，Dij为第i个新斑块边界到第j个旧斑块质心的距离,dij为第i个新斑块质心到第j个旧斑块边界的距离。
进一步的，步骤4中所述位置集聚度指标(LCAI)主要基于Python进行数据处理和分析，计算方式如下：
Figure GDA0003553379690000043
式中：ai为第i个新斑块的面积。
进一步的，所述步骤5基于物理意义与几何特征对新斑块的扩张类型进行辨识的方法，依据LCI和LCAI的值域划分对新斑块的扩张特征进行类型划分，包括以下子步骤：
步骤5.1：基于LCI结果可以依照新斑块相较于整体城市扩张结构将位置中心性类型划分为四种位置中心度类型。由于圆是最紧凑的图形，因此可以用旧斑块等面积圆的半径与新斑块到旧斑块质心距离的比值来判别位置中心度类型。
该四种类型的设置如下：
核心类型，是指与旧斑块质心极为接近的新斑块，与旧斑块质心的距离D小于旧斑块等面积圆半径
Figure GDA0003553379690000051
的一半，即LCI>2；
中心型，是指一个新斑块相对靠近旧斑块的位置，R/2≤D<R，1<LCI≤2；
邻接型，是指与旧斑块的质心相邻的新斑块，R≤D<2R，0.5<LCI≤1；
边缘型，是指远离原有建设用地的新斑块，2R<D，LCI≤0.5。
步骤5.2：基于LCAI结果在位置中心性类型的基础上依据引力模型特性将位置集聚性类型主要划分为两大类：集聚型和离散型，其中集聚性又可细化为代表三种不同程度的集聚类型。因此，位置集聚性类型最终划分为四种类型。划分位置集聚类型的LCAI值范围是基于LCI的位置中心性类型的划分范围的平方。位置集聚性类型主要反映了新旧斑块间相对空间关系的结合，即考虑某新增斑块与旧斑块质心的空间位置关系，又顾及旧斑块与该新斑块质心的空间位置关系。
综上，位置集聚性类型中的集聚型可依据新斑块与旧斑块相对空间关系结合的紧密程度从高到低依次划分为三类：高度集聚型，LCAI>4；中度集聚型，1<LCAI≤4；轻度集聚型,0.25<LCAI≤1。
位置集聚性类型中的离散类型表示不与原有城市土地具有紧密空间联系的新斑块，LCAI≤0.25。
进一步，所述步骤6计算城市整体扩张中心性与集聚性方法，包括以下子步骤：
步骤6.1：基于所有新斑块的LCI平均值统计结果获取城市整体扩张中心性；
Figure GDA0003553379690000052
式中，n是新斑块的总数，LCIi是第i个新斑块的LCI值；MLCI值越高，整体扩张结构越集中；MLCI越低，整体扩张结构越分散；
步骤6.2：基于所有新斑块的LCAI平均值统计结果获取城市整体扩张中心性；
Figure GDA0003553379690000053
式中，LCAIi是第i个新斑块的LCAI值；MLCAI值越大，城市形态演化的总体趋势越明显。
进一步，所述步骤7中对城市扩张中心性与集聚性结果进行时空分布制图的方法如下：
首先获取基础地理要素的空间信息，包括行政范围边界、水体区域范围和重要地物的坐标与范围等，利用专业地图软件ArcGIS进行显示和校准；然后基于LCI和LCAI的计算结果，依据位置中心性类型和位置集聚性类型分别对各个时期的新斑块进行分类；再对各分类结果利用渐变色对新斑块按扩张类型的中心性高低或集聚性高低依次进行统一制图表示；最后，在保留基础地理要素的基础上，分图幅对不同时段的新斑块扩张类型进行差异化表达，并添加制图要素，包括指北针、比例尺和图例等。
本发明的优点在于：
(1)现有的动态指标更多的是反映新斑块相对于最近的旧斑块的跳跃或扩展程度，缺乏新斑块相对于整体土地的扩展结构信息，LCI和LCAI弥补了这一缺陷。
(2)本发明提出的LCI和LCAI具有以下优点：(i)由于LCI和LCAI的范围是连续的，因此可以综合反映位置中心度和聚集度的空间渐变性；(ii)LCI反映了“中心性”的地理意义，LCAI在一定程度上代表了新旧斑块之间的物理引力；(iii)基于LCI和LCAI，可以在城市扩张结构和形态中识别位置中心度和位置集聚度类型，以反映新斑块的异质性影响；(iv)LCI和LCAI的两个变体公式，MLCI和MLCAI，可以从自下而上的角度来代表城市扩张的不同全局动态特征。
(3)LCI可以综合识别新斑块相对于主中心、副中心或潜在中心的中心性，从而判断城市的空间增长是否集约、经济。
(4)LCAI能够反映新旧斑块之间类似引力形式的空间相互连接作用力，同时，LCAI结合了新斑块的结构特征和自身属性，最终达到了基于扩张结构揭示城市形态异质性演变的效果。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例的基于物理意义与几何特征对新斑块的扩张类型进行辨识示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
实施例
本发明提供的是一种基于城市扩张全局结构的中心性和集聚性测度方法，流程见图1，包括以下步骤：
步骤1：获取城市建设用地多时点矢量数据，进而通过对比相连时点建设用地空间差异得到新增城市建设用地(新斑块)与原有建设用地(旧斑块)空间范围与自身特征；
步骤1.1：对获取的地理空间数据矢量化，提取连续时点的城市建设用地，在ArcGIS中运用地理空间分析工具(Erase)将后一时点城市建设用地矢量数据擦除前一时点数据得到新斑块，旧斑块即为前一时点矢量数据；
步骤1.2：利用空间数据计算工具获取新旧斑块的自身属性特征，即每个新斑块的面积ai{a1,a2,……，an}，每个旧斑块的面积Aj{A1,A2,……，Am}，新斑块质心到每个旧斑块边界的距离dij{di1,di2,……，dnm}，新斑块边界到每个旧斑块质心的距离Dij{Di1,Di2,……，Dnm}；
步骤2：基于“面积-反距离”加权算法获取城市新斑块相较于原有城市整体空间结构的位置权重；
Figure GDA0003553379690000071
式中，Wi为第i个新斑块的空间权重，Aj为第j个旧斑块的面积，dij为第i个新斑块质心到第j个旧斑块边界的距离。
步骤3：基于圆的几何特性，捕获城市扩张过程中新斑块与每个旧斑块等面积同心圆的空间位置关系，即
Figure GDA0003553379690000072
结合步骤2中得到的空间位置权重，获取每个新增斑块的位置中心度指标值(LCI)；
Figure GDA0003553379690000073
式中：i为第i个新斑块，j为第j个旧斑块，n为新斑块的总个数，Aj为第j个旧斑块的面积，Dij为第i个新斑块边界到第j个旧斑块质心的距离,dij为第i个新斑块质心到第j个旧斑块边界的距离。
步骤4：基于新斑块的自身属性特征，在步骤3的基础上添加新斑块等面积同心圆与每个旧斑块的空间位置关系，即
Figure GDA0003553379690000074
获取每个新增斑块的位置集聚度指标值(LCAI)；
Figure GDA0003553379690000081
式中：ai为第i个新斑块的面积。
步骤5：基于物理意义与几何特征对新斑块的扩张类型进行辨识；
参照附图2，具体实施如下：
步骤5.1：基于LCI结果可以依照新斑块相较于整体城市扩张结构将位置中心性类型划分为四种位置中心度类型。
由于圆是最紧凑的图形，因此可以用旧斑块等面积圆的半径与新斑块到旧斑块质心距离的比值来判别位置中心度类型。
四种类型的具体设置如下：
核心类型是指与旧斑块质心极为接近的新斑块，与旧斑块质心的距离D小于旧斑块等面积圆半径
Figure GDA0003553379690000082
的一半，即LCI>2。
中心型是指一个新斑块相对靠近旧斑块的位置，R/2≤D<R，1<LCI≤2。
邻接型是指与旧斑块的质心相邻的新斑块，R≤D<2R，0.5<LCI≤1。
最后，边缘型是指远离原有建设用地的新斑块，2R<D，LCI≤0.5。
步骤5.2：基于LCAI结果在位置中心性类型的基础上依据引力模型特性将位置集聚性类型主要划分为两大类：集聚型和离散型，其中集聚性又可细化为代表三种不同程度的集聚类型。因此，位置集聚性类型最终划分为四种类型。划分位置集聚类型的LCAI值范围是基于LCI的位置中心性类型的划分范围的平方。位置集聚性类型主要反映了新旧斑块间相对空间关系的结合，即考虑某新增斑块与旧斑块质心的空间位置关系，又顾及旧斑块与该新斑块质心的空间位置关系。
综上，位置集聚性类型中的集聚型可依据新斑块与旧斑块相对空间关系结合的紧密程度从高到低依次划分为三类：高度集聚型，LCAI>4；中度集聚型，1<LCAI≤4；轻度集聚型,0.25<LCAI≤1。
位置集聚性类型中的离散类型表示不与原有城市土地具有紧密空间联系的新斑块，LCAI≤0.25。
步骤6：基于算数平均值将LCI和LCAI的结果进行自下而上地汇总统计，计算城市整体扩张中心性与集聚性；
步骤6.1：基于所有新斑块的LCI平均值统计结果获取城市整体扩张中心性；
Figure GDA0003553379690000091
式中，n是新斑块的总数，LCIi是第i个新斑块的LCI值。MLCI值越高，整体扩张结构越集中；MLCI越低，整体扩张结构越分散。
步骤6.2：基于所有新斑块的LCAI平均值统计结果获取城市整体扩张集聚性；
Figure GDA0003553379690000092
式中，LCAIi是第i个新斑块的LCAI值。MLCAI值越大，城市形态演化的总体趋势越明显。如果城市形态演化趋向于分离，则MLCAI值将较小。
步骤7：对城市扩张中心性与集聚性结果进行时空分布制图。
首先获取基础地理要素的空间信息，例如：行政范围边界，水体区域范围，重要地物的坐标与范围等，利用专业地图软件ArcGIS进行显示和校准；基于LCI和LCAI的计算结果，依据位置中心性类型和位置集聚性类型分别对各个时期的新斑块进行分类；对各分类结果利用渐变色对新斑块按扩张类型的中心性高低或集聚性高低依次进行统一制图表示；最后，在保留基础地理要素的基础上，分图幅对不同时段的新斑块扩张类型进行差异化表达，并添加制图要素，例如：指北针，比例尺，图例等等。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.基于城市扩张全局结构的中心性和集聚性测度方法，其特征在于，包括以下步骤：
步骤1：获取城市建设用地多时点矢量数据，捕获新增城市建设用地——新斑块与原有建设用地——旧斑块的空间特征；
步骤2：基于“面积-反距离”加权算法获取城市新斑块相较于原有城市整体空间结构的位置权重；
步骤3：基于圆的几何特性，结合步骤2中得到的空间位置权重，获取每个新增斑块的位置中心度指标值LCI；
所述位置中心度指标LCI基于圆的几何特性，结合步骤2中得到的空间位置权重，获取每个新斑块在整体扩张的位置中心度指标值LCI，LCI计算方法的公式如下：
Figure FDA0003553379680000011
式中：i为第i个新斑块，j为第j个旧斑块，Aj为第j个旧斑块的面积，Dij为第i个新斑块边界到第j个旧斑块质心的距离,dij为第i个新斑块质心到第j个旧斑块边界的距离；Wij为第i个新斑块相较于第j个旧斑块的空间位置关系权重；n为新斑块的总个数；
步骤4：基于新斑块的自身属性特征，捕获旧斑块相较于新斑块的空间位置关系，获取每个新增斑块的位置集聚度指标值LCAI；
所述位置集聚度指标值LCAI的计算公式如下：
Figure FDA0003553379680000012
式中：ai为第i个新斑块的面积；
步骤5：基于物理意义与几何特征对新斑块的扩张类型进行辨识；
步骤6：基于算数平均值将LCI和LCAI的结果进行自下而上地汇总统计，计算城市整体扩张中心性与集聚性；
步骤7：对城市扩张中心性与集聚性结果进行时空分布制图。
2.根据权利要求1所述的方法，其特征在于：所述步骤1包含以下子步骤：
步骤1.1：对获取的地理空间数据矢量化，提取连续时点的城市建设用地，在ArcGIS中运用地理空间分析工具Erase将后一时点城市建设用地矢量数据擦除前一时点数据得到新斑块，旧斑块即为前一时点矢量数据；
步骤1.2：利用空间数据计算工具获取新旧斑块的自身属性特征，即每个新斑块的面积ai{a1,a2,……，an}，每个旧斑块的面积Aj{A1,A2,……，Am}，新斑块质心到每个旧斑块边界的距离dij{di1,di2,……，dnm}，新斑块边界到每个旧斑块质心的距离Dij{Di1,Di2,……，Dnm}。
3.根据权利要求1所述的方法，其特征在于：所述基于“面积-反距离”加权算法的计算公式如下：
Figure FDA0003553379680000021
式中，Wij为第i个新斑块相较于第j个旧斑块的空间位置关系权重，Aj为第j个旧斑块的面积，dij为第i个新斑块质心到第j个旧斑块边界的距离；对第i个新斑块计算与所有旧斑块的空间位置关系权重，可自下而上获得新斑块相较于原有城市整体空间结构的位置权重。
4.根据权利要求1所述的方法，其特征在于：基于物理意义与几何特征对新斑块的扩张类型进行辨识的方法，依据LCI和LCAI的值域划分对新斑块的扩张特征进行类型划分，包括以下子步骤：
步骤5.1：基于LCI结果可以依照新斑块相较于整体城市扩张结构将位置中心性类型划分为四种位置中心度类型，该四种类型的设置如下：
核心类型，与旧斑块质心的距离D小于旧斑块等面积圆半径R的一半，
Figure FDA0003553379680000022
即LCI>2；
中心型，R/2≤D<R，1<LCI≤2；
邻接型，R≤D<2R，0.5<LCI≤1；
边缘型，2R<D，LCI≤0.5；
步骤5.2：基于LCAI结果在位置中心性类型的基础上依据引力模型特性将位置集聚性类型主要划分为四种类型；
高度集聚型，LCAI>4；中度集聚型，1<LCAI≤4；轻度集聚型,0.25<LCAI≤1；离散型，LCAI≤0.25。
5.根据权利要求1所述的方法，其特征在于：所述计算城市整体扩张中心性与集聚性方法，包括以下子步骤：
步骤6.1：基于所有新斑块的LCI平均值统计结果获取城市整体扩张中心性；
Figure FDA0003553379680000023
式中，n是新斑块的总数，LCIi是第i个新斑块的LCI值；MLCI值越高，整体扩张结构越集中；MLCI越低，整体扩张结构越分散；
步骤6.2：基于所有新斑块的LCAI平均值统计结果获取城市整体扩张中心性；
Figure FDA0003553379680000031
式中，LCAIi是第i个新斑块的LCAI值；MLCAI值越大，城市形态演化的总体趋势越明显。
6.根据权利要求1所述的方法，其特征在于：所述步骤7中对城市扩张中心性与集聚性结果进行时空分布制图的方法如下：
首先获取基础地理要素的空间信息，包括行政范围边界、水体区域范围和重要地物的坐标与范围，利用专业地图软件ArcGIS进行显示和校准；然后基于LCI和LCAI的计算结果，依据位置中心性类型和位置集聚性类型分别对各个时期的新斑块进行分类；再对各分类结果利用渐变色对新斑块按扩张类型的中心性高低或集聚性高低依次进行统一制图表示；最后，在保留基础地理要素的基础上，分图幅对不同时段的新斑块扩张类型进行差异化表达，并添加制图要素，包括指北针、比例尺和图例。
CN202011510014.XA 2020-12-19 2020-12-19 基于城市扩张全局结构的中心性和集聚性测度方法 Expired - Fee Related CN112598263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011510014.XA CN112598263B (zh) 2020-12-19 2020-12-19 基于城市扩张全局结构的中心性和集聚性测度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011510014.XA CN112598263B (zh) 2020-12-19 2020-12-19 基于城市扩张全局结构的中心性和集聚性测度方法

Publications (2)

Publication Number Publication Date
CN112598263A CN112598263A (zh) 2021-04-02
CN112598263B true CN112598263B (zh) 2022-04-29

Family

ID=75200049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011510014.XA Expired - Fee Related CN112598263B (zh) 2020-12-19 2020-12-19 基于城市扩张全局结构的中心性和集聚性测度方法

Country Status (1)

Country Link
CN (1) CN112598263B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269825B (zh) * 2021-04-06 2022-07-12 云南师范大学 基于地基激光雷达技术林木胸径值提取的方法
CN113205042B (zh) * 2021-04-30 2022-07-19 武汉大学 一种城市多层次边界的识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090624A (zh) * 2017-12-30 2018-05-29 武汉大学 一种改进元胞自动机的城市生态安全模拟与预测的方法
CN109190161A (zh) * 2018-07-27 2019-01-11 广州蓝图地理信息技术有限公司 基于斑块元胞自动机和港口城市规划的港城发展模拟方法
CN110598513A (zh) * 2019-05-24 2019-12-20 南京大学 一种基于sleuth模型的城市开发边界预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7349831B2 (en) * 2003-01-31 2008-03-25 Fmsm Engineers, Inc. River assessment, monitoring and design system
US10922589B2 (en) * 2018-10-10 2021-02-16 Ordnance Survey Limited Object-based convolutional neural network for land use classification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090624A (zh) * 2017-12-30 2018-05-29 武汉大学 一种改进元胞自动机的城市生态安全模拟与预测的方法
CN109190161A (zh) * 2018-07-27 2019-01-11 广州蓝图地理信息技术有限公司 基于斑块元胞自动机和港口城市规划的港城发展模拟方法
CN110598513A (zh) * 2019-05-24 2019-12-20 南京大学 一种基于sleuth模型的城市开发边界预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Proximity Expansion Index: An improved approach to characterize evolution process of urban expansion;Jiao, L.;《Comput. Environ. Urban Syst.》;20181231;全文 *
Urban expansion modes of major cities in China in the past four decades;Fang Liu;《2016 Fourth International Workshop on Earth Observation and Remote Sensing Applications》;20161231;全文 *
一种新的城市景观扩张过程测度方法：多阶邻接度指数;刘稼丰;《地理科学》;20181130;全文 *
长沙市城市扩张对边缘区景观格局的影响;陈永林;《地理与地理信息科学》;20160331;全文 *

Also Published As

Publication number Publication date
CN112598263A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
Fleischmann et al. Morphological tessellation as a way of partitioning space: Improving consistency in urban morphology at the plot scale
Cai et al. Using multi-source geospatial big data to identify the structure of polycentric cities
Sui et al. Modeling the dynamics of landscape structure in Asia’s emerging desakota regions: a case study in Shenzhen
Longley et al. On the fractal measurement of geographical boundaries
Martin et al. Refining population surface models: experiments with Northern Ireland census data
Meng et al. Sensing urban poverty: From the perspective of human perception-based greenery and open-space landscapes
Liu et al. Road selection based on Voronoi diagrams and “strokes” in map generalization
CN112598263B (zh) 基于城市扩张全局结构的中心性和集聚性测度方法
Dutta et al. Exploring the dynamics of urban sprawl using geo-spatial indices: a study of English Bazar Urban Agglomeration, West Bengal
CN111984701B (zh) 乡村聚落演化的预测方法、装置、设备及存储介质
Ye et al. Urban commerce distribution analysis based on street view and deep learning
CN113240257A (zh) 一种基于最小累积阻力模型的国土空间分区方法和装置
Liu et al. New indices to capture the evolution characteristics of urban expansion structure and form
Sapena et al. Analysis of urban development by means of multi-temporal fragmentation metrics from LULC data
Liang et al. Modeling urban growth in the middle basin of the Heihe River, northwest China
Langford Refining methods for dasymetric mapping using satellite remote sensing
Preston et al. Not all brownfields are equal: A typological assessment reveals hidden green space in the city
Li et al. Spatial evolution of cultivated land in the Heilongjiang Province in China from 1980 to 2015
Guo et al. Combining Luojia1-01 nighttime light and points-of-interest data for fine mapping of population spatialization based on the zonal classification method
Eckman et al. Methods of geo-spatial sampling
Xi et al. A Bayesian model for estimating the effects of human disturbance on wildlife habitats based on nighttime light data and INLA-SPDE
Lin et al. Day and night: Impact of 2D/3D urban features on land surface temperature and their spatiotemporal non-stationary relationships in urban building spaces
Smith et al. From buildings to cities: techniques for the multi-scale analysis of urban form and function
CN113344436A (zh) 一种基于gis格网化拟合分析的旅游资源评价方法及系统
CN115186074A (zh) 基于Meta分析的模拟土壤pH值空间分布格局的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220429

CF01 Termination of patent right due to non-payment of annual fee