商業(yè)建筑識別方法與商業(yè)空間結(jié)構(gòu)分析

何青松 唐歆宇

摘要：基于POI數(shù)據(jù)和最大熵模型，以數(shù)據(jù)可獲取性為原則，利用武漢市的數(shù)據(jù)進(jìn)行樣本訓(xùn)練，對我國長江流域省會及直轄市城市在建筑物尺度上進(jìn)行商業(yè)用地的識別與分析，并對其商業(yè)用地的影響因素識別和空間集聚特征進(jìn)行了量化分析與表達(dá)。研究結(jié)果表明：（1）最大熵模型可以精準(zhǔn)有效地進(jìn)行商業(yè)建筑物識別。從7個商業(yè)建筑物的環(huán)境影響因子綜合來看，建筑物內(nèi)第三產(chǎn)業(yè)企業(yè)數(shù)量和建筑物樓層對模型構(gòu)建影響最為顯著;（2）影響長江流域各省會及直轄市商業(yè)空間總體格局的因素以地理環(huán)境為主;（3）長江流域10個省會及直轄市的商業(yè)用地空間形態(tài)分為多中心多組團(tuán)式、多中心圈層式、雙核心多組團(tuán)式、雙核心圈層式、單核心多組團(tuán)式5種結(jié)構(gòu)。說明基于POI數(shù)據(jù)和最大熵模型的方法可以精準(zhǔn)有效進(jìn)行大尺度工業(yè)用地識別，同時也為長江流域的城市發(fā)展以及全國的國土空間規(guī)劃提供依據(jù)和參考。

關(guān)鍵詞：POI數(shù)據(jù);最大熵模型;商業(yè)用地;長江流域

中圖分類號：F293 文獻(xiàn)標(biāo)識碼：A

文章編號：1001-9138-（2021）11-0018-27 收稿日期：2021-10-20

作者簡介：何青松，華中科技大學(xué)公共管理學(xué)院碩士生導(dǎo)師，博士，副教授。

唐歆宇，華中科技大學(xué)公共管理學(xué)院碩士研究生，通訊作者。

基金項目：國家自然科學(xué)基金（ID：42001334）。

商業(yè)是第三產(chǎn)業(yè)中一個重要的產(chǎn)業(yè)部門，先進(jìn)發(fā)達(dá)的商業(yè)是現(xiàn)代城市經(jīng)濟(jì)發(fā)達(dá)的象征。商業(yè)用地是指用于開展商業(yè)、旅游、娛樂活動所占用的場所。中國自改革開放以來經(jīng)濟(jì)迅速發(fā)展，城市化率不斷提高。在此背景下我國城市商業(yè)用地面積不斷擴(kuò)大、商業(yè)中心逐步增多、第三產(chǎn)業(yè)比重顯著增加，在推動城市經(jīng)濟(jì)持續(xù)發(fā)展、經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)型方面發(fā)揮了重要支撐作用。與此同時，城市商業(yè)用地布局不科學(xué)、人地矛盾加劇以及商業(yè)區(qū)發(fā)展與綠色發(fā)展的矛盾等問題日趨凸顯。準(zhǔn)確有效的城市商業(yè)用地識別是科學(xué)分析以上問題的重要前提之一。

傳統(tǒng)的商業(yè)用地識別方法多利用商業(yè)網(wǎng)點數(shù)據(jù)、經(jīng)濟(jì)調(diào)查數(shù)據(jù)、問卷數(shù)據(jù)、土地利用數(shù)據(jù)并與實地調(diào)研相結(jié)合進(jìn)行研究分析，且通常以單個城市（區(qū)域）作為研究尺度。這不僅效率低下，也不利于實現(xiàn)宏觀區(qū)域內(nèi)不同案例間的對比研究分析。近年來大數(shù)據(jù)的應(yīng)用為城市商業(yè)用地空間研究帶來了新的數(shù)據(jù)源。POI （Point of Interest， POI）數(shù)據(jù)，又稱為興趣點數(shù)據(jù)，具有數(shù)據(jù)量大、易獲取、覆蓋范圍廣等優(yōu)點，開拓了城市土地功能區(qū)識別方法的新領(lǐng)域。目前較多學(xué)者基于POI數(shù)據(jù)進(jìn)行單個城市（區(qū)域）功能區(qū)的識別，而以大研究范圍（如流域范圍）、小尺度單元（如建筑物尺度）為特點的研究還很少。同時，由于數(shù)據(jù)源、研究時間、分析單元等存在差異，給不同研究案例的比較帶來困難。

除了以上問題，分類算法的有效與否也影響城市商業(yè)用地識別的結(jié)果。近年來，最大熵模型（Maximum entropy model， i.e. Maxent model）除了被應(yīng)用于物種分布預(yù)測以外，也開始被學(xué)者應(yīng)用于地理分布的研究領(lǐng)域。該模型可以利用單期單類樣本和地理環(huán)境空間變量得出研究對象的空間分布概率，以此推算出研究對象的空間分布狀況。該模型具有操作便捷、精準(zhǔn)度高等特點，但國內(nèi)尚未有學(xué)者將其應(yīng)用到城市地類識別的相關(guān)研究中。本文將基于最大熵模型和POI數(shù)據(jù)對全國省會城市及直轄市商業(yè)空間用地進(jìn)行識別。

長江流域是世界第三大流域，我國正在大力推動長江經(jīng)濟(jì)帶的建設(shè)。在快速城鎮(zhèn)化的今天，各大省會城市和直轄市商業(yè)用地面積不斷擴(kuò)大，土地利用低效的問題依然存在，不利于及時開展進(jìn)一步規(guī)劃。因此，明晰長江流域各大省會城市和直轄市中心城區(qū)的商業(yè)用地空間結(jié)構(gòu)和分布特點，有利于各大城市完善空間結(jié)構(gòu)，提升城市規(guī)劃科學(xué)性，進(jìn)而推動長江經(jīng)濟(jì)帶戰(zhàn)略施行，實現(xiàn)長江流域地區(qū)經(jīng)濟(jì)的可持續(xù)發(fā)展。

本文提出了一種利用POI數(shù)據(jù)和最大熵模型進(jìn)行大研究范圍、小尺度單元的土地功能區(qū)識別的新方法。為了探究這種方法的精準(zhǔn)度和可操作性，則使用最大熵模型，對長江流域省會城市和直轄市的商業(yè)用地進(jìn)行識別并進(jìn)行結(jié)果驗證，再提取出長江流域的省會城市和直轄市商業(yè)用地識別結(jié)果，對各個城市商業(yè)空間結(jié)構(gòu)進(jìn)行分析。由于本研究使用的數(shù)據(jù)、方法以及研究尺度均相同，因此有利于展開比較分析，為全國商業(yè)發(fā)展布局和單個城市（區(qū)域）商業(yè)用地布局規(guī)劃提供樣本參考。

1 研究數(shù)據(jù)與方法

1.1 研究區(qū)域概況

本文用于城市商業(yè)建筑物識別和商業(yè)用地集聚特征分析的研究區(qū)域為長江流域的10個省會城市和直轄市。包括西部地區(qū)的昆明、成都、貴陽、重慶，中部地區(qū)的長沙、武漢、合肥、南昌和東部地區(qū)的南京、上海。長江流域始于青藏高原唐古拉山脈，終于東海，由西至東跨越了我國西部、中部、東部三個經(jīng)濟(jì)區(qū)，共流經(jīng)19個省級行政區(qū)域，流域面積達(dá)到了180萬平方千米。2017年長江流域人口數(shù)量達(dá)到4.59億人，約占當(dāng)年中國大陸總?cè)丝跀?shù)的33.02%，而2020年長江經(jīng)濟(jì)帶GDP占中國大陸GDP的43%。目前，長江流域是我國經(jīng)濟(jì)總量占比最高的流域地區(qū)，同時我國提出建立長江經(jīng)濟(jì)帶，研究長江流域的10大城市對區(qū)域經(jīng)濟(jì)乃至全國經(jīng)濟(jì)都具有帶動促進(jìn)作用。

1.2 研究方法

本文使用的研究方法主要有最大熵模型、核密度分析法。本研究在選取最大熵模型前使用Orange軟件（https： //orangedatamining.com/）對包括邏輯回歸、隨機(jī)森林以及貝葉斯分類在內(nèi)的多種分類模型進(jìn)行實驗對比，最后試驗表明最大熵模型的模擬精度最高。因此，本研究利用最大熵模型進(jìn)行城市商業(yè)用地識別訓(xùn)練，對長江流域10城的城市建筑物進(jìn)行商業(yè)建筑物識別并最終得到長江流域省會城市及直轄市的商業(yè)用地圖斑，最后選取核密度分析法分析各個城市商業(yè)用地的集聚特點，并對10大城市商業(yè)用地布局特點進(jìn)行類型劃分。本文研究思路是基于POI數(shù)據(jù)，最大熵模型，以數(shù)據(jù)可獲取性為原則選取武漢市作為訓(xùn)練樣本，對長江流域省會城市和直轄市城市用地的商業(yè)建筑物進(jìn)行空間識別，并對該模型進(jìn)行分析，最后利用核密度分析法分析各城商業(yè)用地集聚特征并歸類。具體方法流程如圖1所示。

1.2.1 最大熵模型

最大熵模型（Maximum entropy model， i.e. Maxent model）是由Jaynes提出的一種機(jī)器學(xué)習(xí)模型，該模型以JAVA作為編程語言進(jìn)行程序編寫。其原理是利用樣本空間分布的不確切信息和其相關(guān)空間變量之間的關(guān)聯(lián)，選出預(yù)測樣本的最大熵，再對樣本的空間分布進(jìn)行預(yù)測。該模型只需收集單期單類數(shù)據(jù)，操作方便簡單。本文將利用最大熵模型對長江流域的省會及直轄市進(jìn)行商業(yè)用地分布預(yù)測。

由于官方尚未公布第三次全國土地調(diào)查數(shù)據(jù)，基于數(shù)據(jù)可得性的原則，筆者利用與武漢市開展項目合作的契機(jī)得到了2018年武漢市商業(yè)用地空間分布數(shù)據(jù)。因此，武漢市作為本次研究最大熵模型的訓(xùn)練樣本。通過文獻(xiàn)研究分析和實用性分析，根據(jù)商業(yè)用地內(nèi)部基礎(chǔ)設(shè)施分布和建筑特點來進(jìn)行影響商業(yè)分布的驅(qū)動變量的選取，例如商業(yè)建筑的功能特征明顯，主要以商用為主，娛樂休閑設(shè)施密度較大，則選取了建筑物內(nèi)POI數(shù)量（POINUM）、POI類型數(shù)量（POITYPENUM）、建筑物內(nèi)POI混合度（ENTROPY）3個變量;同時，商業(yè)建筑物的第三產(chǎn)業(yè)數(shù)量應(yīng)當(dāng)高于其他類別的建筑物，因而選擇了建筑物內(nèi)第三產(chǎn)業(yè)的企業(yè)數(shù)量（NTHIRDFIRM）作為第4個變量;再考慮到商業(yè)用地地價房價偏貴，節(jié)約集約性較強(qiáng)，建筑物高度應(yīng)該較其他類別建筑物更高，建筑物集中但單位面積較大，故選擇了建筑物樓層（FLOOR）、建筑物占地面積（AREA）兩個變量;最后，商業(yè)用地多位于城市繁華地段，基礎(chǔ)設(shè)施完備，人流量大，較多建有地下停車場，所以第7個變量選擇的是建筑物與停車場的距離（TOPARK）。以上7個變量計算均在單位建筑物中進(jìn)行。

之后，再依托所選的訓(xùn)練樣本（分別包括了商業(yè)建筑物和非商業(yè)建筑物），利用Maxent軟件實現(xiàn)對模型的訓(xùn)練，最終得到省會城市及直轄市商業(yè)建筑物的分布狀況。

本文使用的軟件版本為Maxent3.4.1 （https：//biodiversityinformatics.amnh.org/open_source/maxent/）。

1.2.2 核密度分析

核密度分析法可以表征空間點要素的集聚程度，被廣泛應(yīng)用于城市空間特征的研究中。本文將識別出的10大城市商業(yè)用地的面矢量數(shù)據(jù)利用ArcGIS對各個城市商業(yè)用地面中心點密度來研究各個城市商業(yè)用地空間集聚特征并可視化。核密度分析的公式如下：

式中：Kj表示研究地理范圍j的空間權(quán)重函數(shù);Dij表示研究范圍的其他空間單元i與研究空間單元j之間的直線距離;R表示核密度分析時的帶寬，本研究帶寬設(shè)置為默認(rèn)帶寬;n表示研究范圍內(nèi)空間點要素的個數(shù)。

1.3 研究數(shù)據(jù)來源與處理

數(shù)據(jù)來源方面，本文的研究區(qū)主要使用到的數(shù)據(jù)有2017年的中國長江流域省會及直轄市的城市建筑物圖斑和行政區(qū)劃，POI數(shù)據(jù)，武漢市商業(yè)用地數(shù)據(jù)。其中，建筑物數(shù)據(jù)來源于中國城市大數(shù)據(jù)分享平臺城市數(shù)據(jù)派（http：//udparty.com），數(shù)據(jù)包括每棟建筑物的矢量底圖、樓層數(shù)等信息，其有效性已經(jīng)在研究中被證實;POI數(shù)據(jù)通過網(wǎng)絡(luò)爬蟲工具從高德地圖抓取，抓取年份為2018年。

數(shù)據(jù)處理方面，本文計算出7種POI指標(biāo)，以最大熵模型為訓(xùn)練方法，以武漢市為訓(xùn)練樣本，基于長江流域省會及直轄市建筑物圖斑，識別長江流域省會及直轄市的商業(yè)建筑物。

2 結(jié)果與分析

2.1 商業(yè)建筑物模型驗證及影響因子分析

本研究基于最大熵模型利用2018年武漢市商業(yè)用地數(shù)據(jù)對商業(yè)建筑物識別結(jié)果進(jìn)行驗證，如圖2所示。2389塊武漢市真實商業(yè)用地斑塊中有1894塊存在商業(yè)建筑物分布，即79.28%的真實商業(yè)地塊內(nèi)訓(xùn)練得到了建筑物的分布。從現(xiàn)實情況來看，大量識別為商業(yè)用地的建筑物并非位于真實商業(yè)用地斑塊內(nèi)，這是由數(shù)據(jù)劃分單元不同造成的，前者的劃分單元為建筑物、后者為宗地，真實利用狀況會出現(xiàn)不一致的現(xiàn)象。如一小區(qū)的樓其性質(zhì)屬于商業(yè)綜合體，但在供地階段其真實用途可能作為居住用地的一部分，模型識別就未將其定性為商業(yè)用地的斑塊。

根據(jù)最大熵模型的預(yù)測結(jié)果，如表1所示，可以得知用于模型預(yù)測的7個環(huán)境變量中，應(yīng)用貢獻(xiàn)率依次為：NTHIRDFIRM （34.9%）>POINUM （20.1%）>FLOOR （18.4%）>TOPARK （14.3%）>ENTROPY （9.9%）>AREA（2.3%）>POITYPENUM （0.2%）。其中，貢獻(xiàn)率排前三的影響因子依次為建筑物內(nèi)第三產(chǎn)業(yè)企業(yè)數(shù)量、建筑物內(nèi)的POI數(shù)量和建筑物樓層，三者累計貢獻(xiàn)率為73.4%。置換重要值則與應(yīng)用貢獻(xiàn)率有所不同，置換重要值百分比依次為：NTHIRDFIRM （30.5%）>FLOOR （29.5%）>TOPARK （17.6%）>POINUM （12.5%）>AREA（5.9%）>POITYPENUM （3.7%）>ENTROPY （0.3%）。其中，排前三的為建筑物內(nèi)第三產(chǎn)業(yè)企業(yè)數(shù)量、建筑物樓層和距離停車場的距離，三個變量置換重要值總和為77.6%。綜合來看，商業(yè)建筑物的環(huán)境影響因子中，最大熵模型對建筑物內(nèi)第三產(chǎn)業(yè)企業(yè)數(shù)量和建筑物樓層的依賴性較強(qiáng)，即這兩個環(huán)境影響因子對模型的構(gòu)建影響程度最大。

2.2 長江流域省會城市及直轄市商業(yè)空間結(jié)構(gòu)

本研究利用ArcMap首先將長江流域十個省會及直轄市識別出的商業(yè)建筑物利用“面轉(zhuǎn)點”的方法將商業(yè)建筑物圖斑轉(zhuǎn)換為商業(yè)建筑物網(wǎng)點，再利用軟件里的核密度分析功能對10城的商業(yè)網(wǎng)點進(jìn)行核密度分析，核密度分布結(jié)果，如圖3所示。

2.2.1 10城商業(yè)用地集聚特征研究

一個城市的商業(yè)用地空間集聚特征不僅反映了該城市的商業(yè)發(fā)展特點和規(guī)模，同時也將影響該城市經(jīng)濟(jì)、資源、居民生活甚至區(qū)域發(fā)展的方方面面。商業(yè)集聚中心區(qū)域，也被稱為商業(yè)中心，是一個城市商業(yè)密度和強(qiáng)度的高值區(qū)域。商業(yè)中心的形成有利于實現(xiàn)商業(yè)資源的規(guī)模效應(yīng)，促進(jìn)城市區(qū)域商業(yè)良性競爭。

從長江流域省會及直轄市的總體商業(yè)用地空間分布特征來看，10個城市都形成了一個及以上的商業(yè)用地空間集聚區(qū)，其形成的空間位置、商業(yè)中心的數(shù)量和空間集聚程度均與該市的城市環(huán)境和各區(qū)發(fā)展程度相匹配。

從各市商業(yè)用地集聚形態(tài)和商業(yè)用地延伸方向的制約因素來看，地理環(huán)境是最主要的城市商業(yè)用地聚集形態(tài)和延伸方向的“塑造者”。10城商業(yè)用地形態(tài)均大致呈現(xiàn)出面狀發(fā)展的態(tài)勢，空間分布形態(tài)與城建區(qū)域總體匹配，但由于各城地理環(huán)境因素各有差異，因此又表現(xiàn)出不同的發(fā)展特點。

整體而言，商業(yè)用地空間形態(tài)無明顯地理因素影響的城市有昆明（圖3a）、成都（圖3b），這是因為兩城市區(qū)內(nèi)無較大的河湖水系以及山脈分割，地形平坦開闊。

商業(yè)用地總體形態(tài)受河湖因素影響的有武漢（圖3f）和上海（圖3j），武漢地處漢江與長江的交匯處，被分割成漢口、武昌、漢陽三塊，其商業(yè)用地也受長江、漢江的影響在總體形態(tài)上被分割了，同時武漢被稱為“千湖之城”，全市商業(yè)用地空間分布形態(tài)因河湖水系的限制而更加復(fù)雜化;上海因黃浦江分為浦東和浦西兩塊區(qū)域，其商業(yè)用地空間也被黃浦江所分割。

城市商業(yè)用地形態(tài)發(fā)展受山水共同限制的有重慶（圖3c）、長沙（圖3e）、南昌（圖3g）、合肥（圖3h）、南京（圖3i），其中又分為商業(yè)用地形態(tài)較完整（南京），形態(tài)分割（長沙、南昌、合肥）和形態(tài)破碎（重慶）三種形態(tài)。南京受長江所限，其商業(yè)用地在長江東南側(cè)發(fā)展，又因城市東北部玄武湖和鐘山限制因此商業(yè)用地向南延伸發(fā)展，但商業(yè)用地整體形態(tài)較為完整。長沙、南昌、合肥商業(yè)用地形態(tài)被分割但各有不同：長沙主要商業(yè)用地集聚在湘江東側(cè)，少數(shù)分布在城區(qū)西北部，江西地區(qū)由于有岳麓山的阻隔不利于大規(guī)模拓展商業(yè)用地;南昌主要商業(yè)用地位于贛江東側(cè)，西側(cè)為梅嶺所限制，與長沙較為類似;合肥地形平坦，但四周有眾多湖泊，以南面巢湖最為出名，商業(yè)用地形態(tài)因此受限，同時因蜀山位于合肥城區(qū)靠西的原因，西邊商業(yè)用地被分割，形態(tài)完整度受到影響。重慶被稱為“山城”，城區(qū)用地地勢起伏較大，山體較多，同時又有長江、嘉陵江流經(jīng)城區(qū)，是山地城市的典型代表，因此造成重慶市區(qū)商業(yè)用地形態(tài)破碎，完整度較低的發(fā)展態(tài)勢。

商業(yè)用地總體形態(tài)單純受到山體影響較大的城市有貴陽（圖3d）。貴陽屬于喀斯特地貌地區(qū)典型的山地城市，城區(qū)內(nèi)有較多丘陵、山地。商業(yè)用地面積整體較小且集中，形態(tài)較為完整，但商業(yè)用地集聚區(qū)內(nèi)部東南側(cè)仍有黔靈山將商業(yè)用地較明顯地進(jìn)行了分割。

2.2.2 十城商業(yè)用地空間結(jié)構(gòu)研究

一個城市的商業(yè)空間結(jié)構(gòu)可以較好地反映該城市的發(fā)展特點，長江流域10個省會及直轄市具有不同的商業(yè)空間結(jié)構(gòu)，按結(jié)構(gòu)特點主要分為以下5類：多中心多組團(tuán)式結(jié)構(gòu)、多中心圈層式結(jié)構(gòu)、雙核心多組團(tuán)式結(jié)構(gòu)、雙核心圈層式結(jié)構(gòu)、單核心多組團(tuán)式結(jié)構(gòu)。重慶為多中心多組團(tuán)式結(jié)構(gòu)，成都、南京、上海為多核心圈層式結(jié)構(gòu)，武漢為雙核心組團(tuán)式結(jié)構(gòu)，貴陽、合肥為雙核心圈層式結(jié)構(gòu)，昆明、長沙、南昌為單核心多組團(tuán)式結(jié)構(gòu)。

從核密度分析結(jié)果來看，重慶已經(jīng)形成較多的商業(yè)中心，并且較均勻地分散在各個城區(qū)，圍繞著多個中心形成個多組團(tuán)商業(yè)空間結(jié)構(gòu)。這是因為重慶受多山地形和河流影響，城區(qū)分布在長江、嘉陵江等較低河流階梯和山體之間的平地上，各區(qū)域之間的交通連結(jié)相對不便。重慶多中心多組團(tuán)的商業(yè)空間結(jié)構(gòu)符合在山形水系制約情況下達(dá)到資源科學(xué)有效配置、各區(qū)域經(jīng)濟(jì)持續(xù)發(fā)展的現(xiàn)實需求。

成都、南京、上海三城經(jīng)濟(jì)總量大，虹吸效應(yīng)強(qiáng)，人口眾多，需要多個商業(yè)中心分?jǐn)傊行某菂^(qū)的壓力。又由于地形平坦，地勢較開闊，利于發(fā)展圈層式城市結(jié)構(gòu)。成都市城市圈層結(jié)構(gòu)明顯，人口不斷增加，傳統(tǒng)的商業(yè)區(qū)域無法承擔(dān)如此龐大的人口消費需求。近年來成都不斷向外圍發(fā)展，設(shè)立天府新區(qū)等區(qū)域分擔(dān)城市壓力，南邊新城區(qū)集聚程度較高，外圍也出現(xiàn)了一些小規(guī)模的商業(yè)集聚區(qū)，形成了多中心圈層式的商業(yè)空間結(jié)構(gòu)模式。南京是中國經(jīng)濟(jì)第二強(qiáng)省——江蘇省的省會城市，位于長三角經(jīng)濟(jì)圈內(nèi)，同時對安徽、江西等周邊省份亦有極強(qiáng)的經(jīng)濟(jì)輻射能力，繁榮的城市經(jīng)濟(jì)促使南京發(fā)展多個商業(yè)中心，南京地處長江中下游平原，地勢平坦和緩，利于城市不斷向外擴(kuò)展發(fā)展新的商業(yè)圈層，由于南邊地勢更加開闊，核密度分析的結(jié)果可見南邊商業(yè)空間擴(kuò)散程度更大。上海是長江流域唯一的超大型一線城市，是我國經(jīng)濟(jì)最發(fā)達(dá)的城市，也是世界知名經(jīng)濟(jì)、金融、商貿(mào)中心，商業(yè)需求極其旺盛，需要發(fā)展多中心的商業(yè)空間結(jié)構(gòu)才能滿足上海市的發(fā)展需要。上海位于長江三角洲，地勢平坦，以浦西老城區(qū)為輻射源點，以黃浦江為主線不斷向外發(fā)展擴(kuò)散，上海（圖3j）商業(yè)集聚程度最高的區(qū)域為黃浦江以西的黃浦區(qū)等區(qū)，沿著黃浦江呈東北-西南橢圓形商業(yè)空間形態(tài)分布，而浦東新區(qū)商業(yè)集聚程度仍不如浦西地區(qū)，由于浦東是改革開放后開發(fā)的新區(qū)，雖與浦西僅一江之隔，仍可以看出浦東、浦西商業(yè)發(fā)展的差距。

武漢（圖3f）由于長江、漢江的原因，劃為“武漢三鎮(zhèn)”，其商業(yè)中心是雙核心的發(fā)展模式。由于漢口經(jīng)濟(jì)最為發(fā)達(dá)，商業(yè)用地集聚程度仍然高于另一個核心武昌，同時由于水系湖泊的限制，武漢市區(qū)內(nèi)的商業(yè)用地發(fā)展了較多的組團(tuán)結(jié)構(gòu)，最終形成了雙核心多組團(tuán)的商業(yè)用地布局。

貴陽、合肥雖然都為雙核心圈層式結(jié)構(gòu)，但雙方的發(fā)展態(tài)勢和方向仍有顯著差別。貴陽受到地形限制城區(qū)相對其他各城較小，商業(yè)集聚區(qū)較緊湊，發(fā)展出了南北兩個商業(yè)中心，不斷向外圍擴(kuò)展。而合肥的商業(yè)用地緊湊度沒有貴陽那么強(qiáng)，這可能是因為合肥相較于貴陽地勢更加開闊平坦，商業(yè)用地集約節(jié)約程度相對較低，同時合肥兩個商業(yè)中心則分別位于廬陽區(qū)和瑤海區(qū)，呈東西向，這也體現(xiàn)出了兩個城市自身商業(yè)用地的擴(kuò)展方向的差異。

昆明、長沙、南昌都呈現(xiàn)出“單商業(yè)核心，多商業(yè)用地組團(tuán)”的商業(yè)空間結(jié)構(gòu)現(xiàn)狀特點。三個城市城區(qū)范圍都較小，人口較少，經(jīng)濟(jì)也在不斷發(fā)展中，城市規(guī)劃仍未完成，因此都呈現(xiàn)出單個核心區(qū)域商業(yè)和密度值較高，其他地區(qū)存在密度相對較低的商業(yè)用地組團(tuán)的商業(yè)空間分布格局。其中，昆明呈現(xiàn)南北發(fā)展的態(tài)勢，長沙和南昌分別在湘江、贛江形成商業(yè)核心區(qū)后沿東西向擴(kuò)展商業(yè)用地組團(tuán)。

3 結(jié)論與討論

本文基于POI數(shù)據(jù)和最大熵模型對長江流域省會城市和直轄市商業(yè)用地進(jìn)行識別，再通過核密度分析法對長江流域省會城市及直轄市的商業(yè)用地集聚特點和空間結(jié)構(gòu)進(jìn)行分析，主要得出以下結(jié)論：

（1）最大熵模型可以精準(zhǔn)有效地進(jìn)行商業(yè)建筑物識別。本研究選取的7個商業(yè)建筑物的環(huán)境影響因子中，建筑物內(nèi)第三產(chǎn)業(yè)企業(yè)數(shù)量和建筑物樓層對模型構(gòu)建影響程度最高。

（2）從長江流域各省會及直轄市商業(yè)用地集聚形態(tài)和商業(yè)用地延伸方向的制約因素來看，地理環(huán)境是最主要的城市商業(yè)用地聚集形態(tài)和延伸方向的“塑造者”。主要分為有無明顯地理因素限制（昆明、成都）、河湖限制（武漢、上海）、山水限制（重慶、長沙、南昌、合肥、南京）、山體限制（貴陽）4類。

（3）長江流域10個省會及直轄市的商業(yè)用地空間結(jié)構(gòu)有以下5種形態(tài)：多中心多組團(tuán)式結(jié)構(gòu)（重慶）、多中心圈層式結(jié)構(gòu)（成都、南京、上海）、雙核心多組團(tuán)式結(jié)構(gòu)（武漢）、雙核心圈層式結(jié)構(gòu)（貴陽、合肥）、單核心多組團(tuán)式結(jié)構(gòu)（昆明、長沙、南昌）。

（4）長江流域各城應(yīng)當(dāng)充分利用長江經(jīng)濟(jì)帶的國家戰(zhàn)略部署，結(jié)合自身優(yōu)勢發(fā)展經(jīng)濟(jì)。各市以上海市為龍頭，依托長江黃金水道及其各級支流進(jìn)行有效的資源協(xié)作和整合。商業(yè)經(jīng)濟(jì)還尚未成熟的城市應(yīng)當(dāng)建立發(fā)展規(guī)劃，優(yōu)化商業(yè)用地空間布局，拓展新的商業(yè)網(wǎng)點和組團(tuán)，而商業(yè)用地空間結(jié)構(gòu)成熟的城市（如上海）應(yīng)當(dāng)更加細(xì)化自身商業(yè)網(wǎng)點和組團(tuán)布局。

本文基于POI數(shù)據(jù)和最大熵模型，在建筑物尺度上對長江流域省會及直轄市的商業(yè)用地進(jìn)行識別，并加以驗證分析，結(jié)果科學(xué)、精準(zhǔn)。與傳統(tǒng)方法對比，本文利用大數(shù)據(jù)和機(jī)器學(xué)習(xí)模型進(jìn)行大尺度的地類識別，具有時效性強(qiáng)、效率高、精確、操作簡單等優(yōu)勢，同時僅需從網(wǎng)上爬取單期單類數(shù)據(jù)，獲取途徑簡單。并且與以往建設(shè)用地不同，本次研究利用的是建筑物圖斑使得結(jié)果精確性進(jìn)一步提高。同時，本文對長江流域10個省會及直轄市的商業(yè)用地空間分析有利于推動長江流域各個城市的資源協(xié)同、經(jīng)濟(jì)布局科學(xué)，為長江流域城市的經(jīng)濟(jì)發(fā)展提供科學(xué)參考。但必須指出，本研究所選取的POI數(shù)據(jù)指標(biāo)具有一定主觀性，尚未形成完整科學(xué)的選取標(biāo)準(zhǔn)，日后需要進(jìn)一步進(jìn)行研究，同時，本研究所選的最大熵模型并未進(jìn)行更多地類實驗，適用性仍需繼續(xù)探討。本文對各城市的商業(yè)用地等級以及與人口、居民點等因素并未結(jié)合起來進(jìn)行深入研究，這將是后續(xù)研究的重點。

參考文獻(xiàn)：

1.YANG J ZHU J SUN Y et al. Delimitating Urban Commercial Central Districts by Combining Kernel Density Estimation and Road Intersections：A Case Study in Nanjing City，China.ISPRS International Journal of Geo-Information.2019.8（2）

2.李龍 吳大放 王芳 等.中國快速城市化區(qū)域生態(tài)系統(tǒng)服務(wù)價值預(yù)測及權(quán)衡研究——以佛山市為例.生態(tài)學(xué)報.2020.40 （24）

3.周春山 羅彥 尚嫣然.中國商業(yè)地理學(xué)的研究進(jìn)展.地理學(xué)報.2004.06

4.李衛(wèi)東 張銘龍 段金龍.基于POI數(shù)據(jù)的南京市空間格局定量研究.世界地理研究.2020.29 （02）

5.吳康敏 張虹鷗 王洋 等.廣州市多類型商業(yè)中心識別與空間模式.地理科學(xué)進(jìn)展.2016.35 （08）

6.LIU X JIAO P YUAN N et al. Identification of multi-attribute functional urban areas under a perspective of community detection：A case study.Physica A：Statistical Mechanics and its Applications.2016.462

7.林耿 閻小培.廣州市商業(yè)功能區(qū)空間結(jié)構(gòu)研究.人文地理.2003.03

8.QIAO L HUANG H TIAN Y.The Identification and Use Efficiency Evaluation of Urban Industrial Land Based on Multi-Source Data. Sustainability.2019.11（21）

9.WU Y QIAO Y YANG J.Urban Functional Area Division Based on Cell Tower Classification. IEEE Access.2019.07

10.張華 趙浩翔 王浩.基于Maxent模型的未來氣候變化情景下胡楊在中國的潛在地理分布.生態(tài)學(xué)報.2020.40 （18）

11.顏明艷 李瓊珍 宋潔 等.基于MAXENT模型評估北部灣潮間帶中國鱟和圓尾鱟稚鱟的潛在地理分布及種群保育對策.生態(tài)學(xué)報.2019.39 （09）

12.WACHTEL I ZIDON R GARTI S et al. Predictive modeling for archaeological site locations： Comparing logistic regression and maximal entropy in north Israel and north-east China.Journal of Archaeological Science.2018.92

13.吳瑞嬋 甘淑 于麗君 等.最大熵模型的巴基斯坦遺址預(yù)測分布研究.測繪科學(xué).2021.46 （03）

14.張亦漢 劉小平 陳廣亮 等.基于最大熵的CA模型及其城市擴(kuò)張模擬.中國科學(xué).地球科學(xué).2020.50 （03）

15.周曉艷 王詩琪.基于GTWR模型的長江經(jīng)濟(jì)帶生態(tài)系統(tǒng)服務(wù)價值對城鎮(zhèn)擴(kuò)張的時空響應(yīng).水土保持研究.2021.28 （04）

16.MORENO R ZAMORA R MOLINA J R et al. Predictive modeling of microhabitats for endemic birds in South Chilean temperate forests using Maximum entropy （Maxent）.Ecological Informatics.2011.6 （6）

17.ELITH J H.GRAHAM C P.ANDERSON R et al.Novel methods improve prediction of species' distributions from occurrence data. Ecography （Copenhagen）.2006.29 （2）

18.曹元暉 劉紀(jì)平 王勇 等.基于POI數(shù)據(jù)的城市建筑功能分類方法研究.地球信息科學(xué)學(xué)報.2020.22 （06）

19.葉強(qiáng) 趙垚 譚暢 等.新時期沿黃省會城市商業(yè)空間結(jié)構(gòu)及其空間服務(wù)能力.自然資源學(xué)報.2021.36 （01）

20.RAO Y ZHOU J ZHOU M et al. Comparisons of three‐dimensional urban forms in different urban expansion types：58 sample cities in China. Growth and Change.2020.51 （4）

21.龍瀛 李派 侯靜軒.基于街區(qū)三維形態(tài)的城市形態(tài)類型分析——以中國主要城市為例.上海城市規(guī)劃.2019.03

22.陳蔚珊 柳林 梁育填.基于POI數(shù)據(jù)的廣州零售商業(yè)中心熱點識別與業(yè)態(tài)集聚特征分析.地理研究.2016.35 （04）

23.賀中華 梁虹 黃法蘇 等.基于DEM的喀斯特流域地貌發(fā)育影響因素分析.測繪科學(xué).2008.04

3127501908228