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
伴随着城市化的快速推进,环境问题日益突出,人居环境研究已成为学术界关注的热点。论文以CNKI和Web of Science数据库中关于人居环境的文献为基础,结合CiteSpace软件分析国内外人居环境研究的热点领域,探讨其数据获取方式、研究方法与...伴随着城市化的快速推进,环境问题日益突出,人居环境研究已成为学术界关注的热点。论文以CNKI和Web of Science数据库中关于人居环境的文献为基础,结合CiteSpace软件分析国内外人居环境研究的热点领域,探讨其数据获取方式、研究方法与技术、研究视角3个方面。结果表明:①数据获取方式由传统的抽样调查和官方统计向卫星遥感、电子设备感知及互联网等大数据靠拢,实现传统统计数据向网络大数据获取的转变;②研究方法日趋完善,注重问卷调查、新地理计量模型与GIS相结合,同时引入物联网大数据、人工智能等先进技术,使研究方法更加多样、研究结果更加准确;③社会感知、乡村振兴、拟态人居等成为近年来的研究方向。今后,人居环境研究应综合利用传统方式和现代化技术手段获取的数据,深度学习挖掘大数据,加强乡村振兴、虚拟人居环境等方面的研究。展开更多
土地利用变化研究经历了近30年的快速发展,学者基于不同建模目标构建出多种土地利用变化模型,实现了从数量模拟到时空格局模拟,从单一模型向多种模型耦合的跨越。当前研究主要在元胞自动机(Cellular Automata, CA)模型和CLUE-S(Conversi...土地利用变化研究经历了近30年的快速发展,学者基于不同建模目标构建出多种土地利用变化模型,实现了从数量模拟到时空格局模拟,从单一模型向多种模型耦合的跨越。当前研究主要在元胞自动机(Cellular Automata, CA)模型和CLUE-S(Conversion of Land Use and its Effects at Small region extent)模型的基础上进行改进,马尔科夫模型、系统动力学(System Dynamics, SD)模型、Logistic回归和随机森林等均可计算CA模型和CLUE-S模型中所需的土地利用需求,多标准评价、地理加权回归、多主体模型以及人工神经网络等方法也多被用于CA模型的扩展,而CLUE-S的改进则存在模型本身系列的升级。这些模型广泛应用于各种区域和尺度土地利用变化预测实例研究并研发软件系统和数据集。驱动力分析主要从自然因素与人文因素两方面进行,人文因素是引发土地利用变化的主要因素。在目前的研究中,由于技术手段的限制,仍然存在时空尺度、数据误差、数据整合的不确定性等问题。未来土地利用变化模拟研究应进一步发挥大数据技术优势,推动土地利用变化模拟研究朝向精细化、多元化方向发展。结合生态环境领域实际问题,深挖土地利用变化与其生态环境效应之间的互馈机制,将研究视角从探究人类活动对土地利用变化的影响逐渐转向二者相互作用,最终促进人地关系协调发展。展开更多
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。
文摘伴随着城市化的快速推进,环境问题日益突出,人居环境研究已成为学术界关注的热点。论文以CNKI和Web of Science数据库中关于人居环境的文献为基础,结合CiteSpace软件分析国内外人居环境研究的热点领域,探讨其数据获取方式、研究方法与技术、研究视角3个方面。结果表明:①数据获取方式由传统的抽样调查和官方统计向卫星遥感、电子设备感知及互联网等大数据靠拢,实现传统统计数据向网络大数据获取的转变;②研究方法日趋完善,注重问卷调查、新地理计量模型与GIS相结合,同时引入物联网大数据、人工智能等先进技术,使研究方法更加多样、研究结果更加准确;③社会感知、乡村振兴、拟态人居等成为近年来的研究方向。今后,人居环境研究应综合利用传统方式和现代化技术手段获取的数据,深度学习挖掘大数据,加强乡村振兴、虚拟人居环境等方面的研究。
文摘土地利用变化研究经历了近30年的快速发展,学者基于不同建模目标构建出多种土地利用变化模型,实现了从数量模拟到时空格局模拟,从单一模型向多种模型耦合的跨越。当前研究主要在元胞自动机(Cellular Automata, CA)模型和CLUE-S(Conversion of Land Use and its Effects at Small region extent)模型的基础上进行改进,马尔科夫模型、系统动力学(System Dynamics, SD)模型、Logistic回归和随机森林等均可计算CA模型和CLUE-S模型中所需的土地利用需求,多标准评价、地理加权回归、多主体模型以及人工神经网络等方法也多被用于CA模型的扩展,而CLUE-S的改进则存在模型本身系列的升级。这些模型广泛应用于各种区域和尺度土地利用变化预测实例研究并研发软件系统和数据集。驱动力分析主要从自然因素与人文因素两方面进行,人文因素是引发土地利用变化的主要因素。在目前的研究中,由于技术手段的限制,仍然存在时空尺度、数据误差、数据整合的不确定性等问题。未来土地利用变化模拟研究应进一步发挥大数据技术优势,推动土地利用变化模拟研究朝向精细化、多元化方向发展。结合生态环境领域实际问题,深挖土地利用变化与其生态环境效应之间的互馈机制,将研究视角从探究人类活动对土地利用变化的影响逐渐转向二者相互作用,最终促进人地关系协调发展。
