构建上海1 km CO2排放网格,分析市域（UB1）、市辖区（UB2）、建成区（UB3）和城区（UB4）4个城市范围的CO2排放特征.上海市域CO2排放空间格局是以中心城区为核心,排放水平向外递减,形成了3个梯度.空间自相关分析表明,排放在空间上存在...构建上海1 km CO2排放网格,分析市域（UB1）、市辖区（UB2）、建成区（UB3）和城区（UB4）4个城市范围的CO2排放特征.上海市域CO2排放空间格局是以中心城区为核心,排放水平向外递减,形成了3个梯度.空间自相关分析表明,排放在空间上存在显著的集聚效应,部分地区高强度的经济活动和能源活动对周边区域的排放有显著影响.UB4是上海城市的最佳表征,2007年UB4内CO2排放达到1.89亿t,人均排放12.04t;UB4排放占UB1排放的75.40％,UB1人均排放比UB4人均排放高12％.上海城市化和工业化在空间上的高度重合,导致高排放源集聚于UB4内,形成UB4的高排放特征.个别网格的排放量已经占到区域或者城市总排放量的10％ ～ 20％;前10高和前100高排放网格,其累积排放总量分别占据了3个城市范围（UB1、UB3和UB4）总排放量的60％和80％以上.展开更多
兴趣点(Point of Interest,POI)数据的兴起带动了城市研究的革新。为梳理中国POI数据在城市研究的应用进展,阶段性总结其应用方向、数据分析方法及尚存不足,并为未来POI数据在中国城市发展中的应用提供思路和借鉴。应用CiteSpace工具对...兴趣点(Point of Interest,POI)数据的兴起带动了城市研究的革新。为梳理中国POI数据在城市研究的应用进展,阶段性总结其应用方向、数据分析方法及尚存不足,并为未来POI数据在中国城市发展中的应用提供思路和借鉴。应用CiteSpace工具对中国知网2010—2019年625篇相关文献进行知识图谱分析,结合分析结果对POI数据应用方向和数据分析方法进行梳理总结。结果表明:时间上,国内应用POI数据进行城市研究的文献在2013年后大量涌现,2017年呈现爆发式增长;应用上,主要用于城市功能区划分、城市中心区和边界识别、查明业态集聚分布以及兴趣点推荐4个方面;方法上,常用的有核密度分析、DBSCAN聚类分析和空间自相关分析3类。研究表明,POI地理大数据是一种研究城市发展的有效数据,有助于研究者深入了解城市的空间结构、分布格局和发展规律,未来可进一步与机器学习等算法结合,为城市外部扩张和内部功能结构调整在更长期的发展上提供一个决策分析手段,但POI数据尚无法代替面数据,研究时也要充分考虑到公众认知度高低对研究的影响。展开更多
文摘构建上海1 km CO2排放网格,分析市域（UB1）、市辖区（UB2）、建成区（UB3）和城区（UB4）4个城市范围的CO2排放特征.上海市域CO2排放空间格局是以中心城区为核心,排放水平向外递减,形成了3个梯度.空间自相关分析表明,排放在空间上存在显著的集聚效应,部分地区高强度的经济活动和能源活动对周边区域的排放有显著影响.UB4是上海城市的最佳表征,2007年UB4内CO2排放达到1.89亿t,人均排放12.04t;UB4排放占UB1排放的75.40％,UB1人均排放比UB4人均排放高12％.上海城市化和工业化在空间上的高度重合,导致高排放源集聚于UB4内,形成UB4的高排放特征.个别网格的排放量已经占到区域或者城市总排放量的10％ ～ 20％;前10高和前100高排放网格,其累积排放总量分别占据了3个城市范围（UB1、UB3和UB4）总排放量的60％和80％以上.
文摘兴趣点(Point of Interest,POI)数据的兴起带动了城市研究的革新。为梳理中国POI数据在城市研究的应用进展,阶段性总结其应用方向、数据分析方法及尚存不足,并为未来POI数据在中国城市发展中的应用提供思路和借鉴。应用CiteSpace工具对中国知网2010—2019年625篇相关文献进行知识图谱分析,结合分析结果对POI数据应用方向和数据分析方法进行梳理总结。结果表明:时间上,国内应用POI数据进行城市研究的文献在2013年后大量涌现,2017年呈现爆发式增长;应用上,主要用于城市功能区划分、城市中心区和边界识别、查明业态集聚分布以及兴趣点推荐4个方面;方法上,常用的有核密度分析、DBSCAN聚类分析和空间自相关分析3类。研究表明,POI地理大数据是一种研究城市发展的有效数据,有助于研究者深入了解城市的空间结构、分布格局和发展规律,未来可进一步与机器学习等算法结合,为城市外部扩张和内部功能结构调整在更长期的发展上提供一个决策分析手段,但POI数据尚无法代替面数据,研究时也要充分考虑到公众认知度高低对研究的影响。
