EN中文

GEOGRAPHICAL RESEARCH >

2021 , Vol. 40 >Issue 4: 945 - 957

DOI: https://doi.org/10.11821/dlyj020200237

Recognition and spatio-temporal evolution analysis of production-living-ecological spaces based on the random forest model: A case study of Zhengzhou city, China

  • ZHAO Hongbo , 1 ,
  • WEI Jiachen , 1 ,
  • SUN Dongqi 2 ,
  • LIU Yaxin 1 ,
  • WANG Shuang 1 ,
  • TAN Juntao 3 ,
  • MIAO Changhong 1
Expand
  • 1. Key Research Institute of Yellow River Civilization and Sustainable Development & Collaborative Innovation Center on Yellow River Civilization jointly built by Henan Province and Ministry of Education, Henan University, Kaifeng 475001, Henan, China
  • 2. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 3. School of Geography, Geomatics and Planning, Jiangsu Normal University, Xuzhou 221116, Jiangsu, China

Received date: 2020-03-23

  Accepted date: 2020-11-30

  Online published: 2021-06-10

Copyright

Copyright reserved © 2021
Fold

Abstract

Based on the POI data of Zhengzhou city in 2007 and 2017, the “production-living-ecological” spaces within the city was identified by using random forest model and quadrat proportion method, and the spatial-temporal evolution of “production-living-ecological” spaces in the study area was examined by using nuclear density and other methods. The results show that: First, as a new machine learning algorithm, random forest model can identify “production-living-ecological” spaces with high accuracy. Second, the spatial distribution pattern of “production-living-ecological” spaces in Zhengzhou matched with the urban functional zoning. The production space was concentrated in the industrial agglomeration area, the living space was located in the central urban area with a plane shape, and the ecological space was distributed in a scatter pattern as a whole. Finally, with the development of urbanization and the improvement of infrastructure in Zhengzhou, the spatial distribution pattern of “production-living-ecological” spaces in the city was more reasonable in the past 10 years. The production space was concentrated in the industrial agglomeration area, the living space was gradually dispersed, and the ecological spatial distribution was more balanced. Based on POI data, the method of random forest model to identify “production-living-ecological” spaces within the city was more effective, and the recognition results were more accurate, which can provide data and method support for territorial spatial planning on a smaller scale.

Key words： production-living-ecological space; random forest model; POI data; Zhengzhou

Cite this article

ZHAO Hongbo , WEI Jiachen , SUN Dongqi , LIU Yaxin , WANG Shuang , TAN Juntao , MIAO Changhong . Recognition and spatio-temporal evolution analysis of production-living-ecological spaces based on the random forest model: A case study of Zhengzhou city, China[J]. GEOGRAPHICAL RESEARCH, 2021 , 40(4) : 945 -957 . DOI: 10.11821/dlyj020200237

1 引言

近年来,黄河流域上游生态功能退化、中游黄土高原水土流失严重,下游流量偏低,使得黄河流域成为中国人地关系最紧张的区域[1]。2019年9月黄河流域生态保护和高质量发展上升为国家战略,体现出黄河流域在国家发展中的重要战略地位。郑州市是国家中心城市,也是黄河流域重要的增长极。黄河流域中心城市的高质量发展对整个流域具有引领性和带动性,由“生产-生活-生态”空间（简称“三生空间”）构成的国土空间开发格局是中心城市高质量发展的基本载体,实现中心城市“生产空间集约高效,生活空间宜居舒适、生态空间山清水秀”的国土空间优化目标是黄河流域高质量发展的重要内容。准确地评估中心城市“三生空间”空间格局,对于生态文明建设、国土空间优化、新型城镇化建设以及缓解黄河流域人地矛盾具有重要的应用价值。
当前,对“三生空间”的研究成果很多。研究尺度上,从多个尺度上对“三生空间”展开研究,如国家[2]、省域[3]、城市群[4]、城市边缘区[5]、县域[6]、村镇[7]等。研究内容上,涉及“三生空间”概念内涵、国土空间优化[8]、“三生空间”识别[9]和功能评价[10]等。研究方法上,当前对“三生空间”的识别多采用归并分类的方法,比如刘继来等利用土地利用数据来识别中国“三生空间”的时空格局[2],刘春芳等从居民行为角度提出对“三生空间”进行识别的研究框架[11]。纵观已有研究,“三生空间”优化的前提是如何准确地识别生产、生活、生态空间的数量、范围以及空间格局,但如何采用科学有效的方法对“三生空间”进行准确识别存在不足,特别是城市内部“三生空间”的动态变化和精准识别问题。总之,受制于研究数据的可获取性和精准性,城市内部“三生空间”识别、评价与优化问题还处于起步阶段,亟需采用新的方法与数据进行深入探讨。
近年来,随着地理大数据的发展,POI（point of interest）数据成为精细化分析城市空间的重要数据,也广泛应用于城市功能区的识别[12],POI描述了地理实体的空间和属性信息,如实体的名称、地址和坐标等具有大量化、快速化和多样化特点[13]。如何利用POI数据识别城市“三生空间”布局成为一个重要课题[14]。随机森林模型（random forest,RF）在生态学[15,16]、土壤学[17]和地理学[18,19]等领域均有涉及,在识别方面,赵鹏军等基于该模型算法结合多源地理大数据对地铁乘客出行目的进行识别[20],蒲东川等利用该模型优化了城镇用地提取方法[21]。可见,随机森林模型对于影响因子分析和要素识别均有明显而独特的优势,当前利用大数据对城市“三生空间”进行识别鲜有研究。本文尝试结合POI数据,利用该模型算法确定不同类型POI数据的权重,对城市内部“三生空间”进行精准识别,提高城市内部“三生空间”评价的客观性和科学性。
鉴于此,基于郑州市2007年和2017年POI数据,结合郑州市规划图,运用随机森林模型确定研究尺度和POI权重,利用样方比例法识别“三生空间”,通过核密度分析法和全局自相关对郑州市“三生空间”空间格局与演变进行评价,旨在为城市内部“三生空间”识别提供方法参考。

2 数据来源与研究方法

2.1 研究区概况与数据来源

郑州市地处黄河中下游,是黄河流域重要的中心城市。本文的研究区域为郑州市中心城区,包括金水区、二七区、管城回族区、中原区、惠济区、郑东新区和两个开发区（高新技术开发区与经济技术开发区）。
郑州市中心城区2007年和2017年POI数据均来自于高德地图[22]。郑州市中心城区用地规划图（2010—2020年,2017年修订）来自郑州市人民政府网站。本文借鉴已有成果[14],基于“三生空间”的POI数据分类方法,将郑州市与“三生空间”相关的POI分为7个大类和16个小类,并根据《城市用地分类与规划建设用地标准》（GB50137-2011）[23]划分不同种类POI所处的主要用地类型（表1）。然后选用2007年和2017年郑州市POI数据,对郑州市中心城区“三生空间”进行识别,进而分析其空间格局变化。
表1 基于“三生空间”的POI分类表

Tab. 1 POI classification based on production-living-ecological spaces

三生空间 大类 种类 主要用地类型
生产 生产性服
务业空间		 公司企业 工业用地+商服用地
金融保险 商务设施用地
工业空间 工厂及产业园 工业用地
仓储物流 物流仓储用地
管理空间 政府机构 行政办公用地
交通空间 交通设施 道路与交通设施用地
生活 生活性服务业空间 餐饮服务 商服用地+住宅用地
购物服务 商业设施用地
生活服务 服务设施用地
医疗保健 医疗卫生用地
科教文化 教育科研用地
体育休闲 体育用地
住宿服务 旅馆用地
居住空间 居住区 住宅用地
生态 绿地空间 公园广场 公园绿地+广场用地
风景名胜 风景名胜设施用地

注：用地类型参照《城市用地分类与规划建设用地标准（GB50137-2011）》[23]。

2.2 研究方法

2.2.1 随机森林 随机森林模型是Breiman在2001年开发的一种汇总式自学习数据处理方法,是一种现代分类与回归技术[24]。本文利用R软件中的“randomforest包”实现随机森林模型运算。该模型利用bootsrap重抽样方法从原始样本中抽取多个样本,对每个bootscrap样本进行决策树建模,通过投票得出最终预测结果,可以用来做聚类、判别、回归、生存分析以及评估变量的重要性[25]。具体公式[21]如下：
H ( x ) = argma x y ∑ i = 1 k I ( h i ( x ) = Y )
式中：H(x)表示输出的分类结果;hi是单个决策树分类器;Y表示输出变量;I( ⋅ )是指示函数。其泛化误差的上界为：
P E * ≤ ρ ̅ ( 1 - S 2 ) S 2
式中：PE *是泛化误差的上界;S是决策树的分类强度; ρ ̅ 表示决策树之间的相关性。
平均准确率的减少（mean decrease accuracy,MDA）,可以表示变量的重要性,值越大表示变量越重要。公式[20]如下：
MDA ( v ) = 1 nTrees ∑ t = 1 nTrees ( errOO B t - errOO B t ' )
式中：MDA(v)表示RF分类器特征v的“平均准确率的减少”值;nTrees表示决策树的数量;errOOBt表示决策树t的袋外误差;errOOBt’表示决策树t在袋外样本数据随机打乱后的袋外误差。
2.2.2 核密度分析法 核密度分析能够计算要素在其周围的密度,确定要素分布的集聚区域。具体公式如下：
∫ h ( x ) = 1 n h d ∑ i = 1 n K x - x i h
式中：n为带宽范围内的点数;h为带宽; K x - x i h 为核密度方程;d为数据的维度[22]。利用核密度估计法对“三生空间”分布格局进行分析。经过多次测试得出不同空间类型合适的影响半径,生产空间、生活空间和生态空间的影响半径参数分别设置为1000 m、500 m、和2000 m,其population权重字段分别设置为样方中生产空间、生活空间和生态空间要素POI所占的比例。
2.2.3 全局自相关 全局自相关是基于地理学第一定律提出的,即所有事物都相互联系,离得越近的事物彼此之间的联系就越强[26]。全局空间自相关是对属性在整个区域空间特征的描述,反映空间邻接或空间邻近区域单元观测值的相似程度,以此判定某种现象在空间上是否存在集聚,Moran's I指数是常用的空间自相关测度指标[27,28],具体公式如下：
Moran ' sI = N ∑ i ∑ j w ij ( x i - x ̅ ) ( x j - x ̅ ) ( ∑ i ∑ j w ij ) ∑ i ( x i - x ̅ ) 2
式中：N表示研究对象的数目;xi代表空间单元i的属性值;xj代表空间单元j的属性值; x ̅ 代表所有属性值的平均值;Wij代表空间权重值。

2.3 “三生空间”识别步骤

在识别“三生空间”之前,首先要确定研究尺度,分析在多大的格网下识别精度更高。将研究范围划分为基本的网格识别单元,利用ArcGIS中的“Create Fishnet”工具条分别创建300 m×300 m,500 m×500 m的正方形网格单元,每个网格具有唯一的标识码。然后将郑州市城市总体规划的中心城区用地规划图与POI数据进行地理配准,根据规划图的用地类型,结合POI数据在空间上均匀选取生产空间、生活空间和生态空间各100个左右作为数据样本,并统计这些网格中公司企业、金融保险等16个小类POI的点数（表2）。以300 m×300 m网格单元和2017年POI数据为例,以规划图用地类型为依据人工判定389个网格单元作为“三生空间”样本数据,将样本数据内的各类POI数量作为变量,将网格的空间类型（分生产空间、生活空间、生态空间三类空间类型）作为因变量,从样本数据中随机抽取70%的样本作训练样本,将数据导入随机森林模型,通过多次测试,节点值为10时错误率最小,模型达到最优,将模型命名为模型1,用同样方法处理500 m×500 m数据,导出模型2。最后对模型进行检验,利用predict( )函数,将各类POI数量和模型分别导入函数中预测网格单元的空间类型,与真实值进行对比（表2）。
表2 不同尺度下随机森林模型预测准确率

Tab. 2 The forecast accuracy of random forests at different scales

空间类型 生产空间 生活空间 生态空间 总量
格网大小(m) 300 500 300 500 300 500 300 500
样本数量(个) 138 39 147 97 104 63 389 199
预测数量(个) 123 31 139 92 101 55 363 178
准确率(%) 89.13 79.49 94.56 94.85 97.12 87.30 93.32 89.45
300 m×300 m网格与500 m×500 m网格相比,除生活空间预测准确率略小外,生产空间、生态空间以及总体预测准确率明显提升,总体预测准确率为93.32%,模型整体预测水平较优。生态空间的预测准确率最高,因为生态空间包含公园广场和风景名胜两种类型,这些类型占地面积大,用地类型单一,其间较少混杂有其他类型POI数据;而生产空间和生活空间中的POI数据类型组合较复杂,预测准确率相对较低。由于在空间上不同类型的POI数据空间组合更加复杂,用模型1预测郑州市总体的“三生空间”分布误差较大,所以下一步利用权重和样方比例法来确定每个网格的空间类型。
确定研究尺度后,实现“三生空间”的识别还需要6个步骤。
① 优化模型参数。在300 m×300 m格网尺度下,以误差率（err.rate）最小为模型参数设置原则,经过多次尝试,节点值（mtry）=10,随机森林包含决策数目（ntree）=600,此时的err.rate最小,为0.186,袋外估计误差率（OOB error rate）为19.7%。② 因子重要性确定。利用importance( )函数计算不同影响因素的重要性,即16类POI对识别“三生空间”的重要性（图1）。图中,IncMSE等价于MDA,表示平均准确率的减少值。某一特征值的MDA数值越大,说明RF估计精度下降越多,该特征越重[29]。③ 选择用于“三生空间”识别的POI类型。从公司企业、金融保险、工厂及产业园、仓储物流、政府机构和交通设施六类POI中选取两类影响度最大的POI作为生产空间识别,从餐饮服务、购物服务、生活服务、医疗保健、科教文化、体育休闲、住宿服务和居住区中选取两类POI作为生活空间识别,将公园广场和风景名胜作为生态空间识别。本文生产空间识别选取“公司企业”和“工厂及产业园”类POI数据,生活空间选择“生活服务”和“居住区”类POI数据。生产和生活空间只选取了六类中的两类作为模型识别主要依据是生态空间识别有两种POI类型,在确定权重进行计算时,生产和生活空间分别选择两种类型能够与之对应。④ 确定影响因子权重,计算格网得分。六类POI数据MDA值按照总分为100分进行标准化,将标准化后的MDA值作为权重（表3）,用各类POI数量乘以其MDA标准化值计算每个格网不同类型POI数据的得分,求出格网中六类POI得分的总值。⑤ 计算“三生空间”得分。不同格网中生产空间得分为“公司企业”和“工厂及产业园”类POI数据的得分之和;生活空间得分为“生活服务”和“居住区”类POI数据的得分之和;生态空间得分为“公园广场”和“风景名胜”类POI数据的得分之和。⑥ “三生空间”识别。分别用生产空间、生活空间和生态空间得分除以总得分计算。如果某一空间类型比例超过50%则判定该网格为该空间类型[30]。例如：某网格生产空间POI比例超过50%则定义该网格的空间类型为生产空间,如果三种空间类型比例都小于50%则定义该网格的空间类型为混合空间。
图1 影响因子重要性排序

Fig. 1 The importance ranking of influencing factors

表3 影响因子权重表

Tab. 3 The weight of influencing factors

空间类型 生产空间 生活空间 生态空间
POI类型 公司企业 工厂及产业园 生活服务 居住区 公园广场 风景名胜
MDA 30.12 19.63 23.12 42.80 121.04 48.98
MDA标准化值 10.54 6.87 8.09 14.98 42.37 17.14

3 郑州市“三生空间”布局与演变

3.1 “三生空间”识别结果

郑州市中心城区“三生空间”识别结果如图2。首先将地理配准后的中心城区用地规划图（2017年修订版）中的工业用地、居住用地和公园绿地人工矢量化。然后将矢量化的工业用地、居住用地、公园绿地分别与识别出的生产空间、生活空间和生态空间进行叠加验证,具体方法为将验证数据（工业用地、居住用地、公园绿地）与被验证数据（“三生空间”识别结果）相交,相交后重叠的地块便是识别正确的地块,识别匹配度等于重叠地块数量除以验证地块数量。经过对比,工业用地与生产空间的匹配度为86.39%,居住用地与生活空间的匹配度为97.31%,公园绿地与生态空间的匹配度为65.78%,生产空间和生活空间的识别结果比较准确,而生态空间识别匹配度偏低,原因是公园广场在POI数据中是以点状形式存在的,覆盖的范围远小于实际公园广场的边界,影响部分生态空间的识别精度。总体而言,基于POI数据识别的“三生空间”结果比较准确,基本与城市片区功能布局相匹配。比如,生产空间集中分布在郑州市的两个开发区（高新技术开发区和经济技术开发区）呈面状分布,而在三环以内呈零星分布。另外,从图2中可以看出生活空间在三环以内呈面状分布,城市中心向东和向北均有拓展;生态空间镶嵌于生活空间中,呈点状分布;铁路对生活空间的割裂作用最大,而生产空间大多沿铁路线和主干道分布,与规划文件“市域产业空间布局依托快速交通体系”相符。由于老城区内用地类型复杂,较多的混合空间散布在这些区域。
图2 2007年与2017年郑州市“三生空间”识别结果

Fig. 2 Identification of “production-living-ecological spaces” in Zhengzhou city in 2007 and 2017

3.2 “三生空间”的分布格局

上文利用样方比例法已经识别出“三生空间”的分布,但结果不够直观。由于混合空间数量较少,分布无明显规律,本节不再分析,将上文得出的“三生空间”网格转化为点状要素,并将相关属性赋值给每个点,利用核密度分析工具对郑州市“三生空间”分布格局进行分析（图3~图5）。
图3 2007年与2017年郑州市生产空间核密度图

Fig. 3 Kernel density analysis of production space in Zhengzhou city in 2007 and 2017

图4 2007年与2017年郑州市生活空间核密度图

Fig. 4 Kernel density analysis of living space in Zhengzhou city in 2007 and 2017

图5 2007年与2017年郑州市生态空间核密度图

Fig. 5 Kernel density analysis of ecological space in Zhengzhou city in 2007 and 2017

3.2.1 生产空间分布格局 从空间布局看,① 2007年生产空间核密度高值区主要集中在中原区的须水镇、西流湖街道和航海西路街道,高新技术开发区的梧桐街道和枫杨街道,金水区北部的杨金街道以及经济技术开发区的明湖街道。② 2017年中原区的生产空间核密度高值区向北迁移,集中分布在高新区的梧桐街道和枫杨街道,经开区由点及面,生产空间四面开花,同时惠济区北部的大河路街道以及管城回族的十八里河镇也开始出现了生产空间的集聚区域。③ 生产空间核密度高值区集中分布在工业园区与产业开发区周围,如十八里河镇的宇通工业园和惠济区北部的河南惠济经济开发区,2017年以科教、创新和高新技术产业为主的高新技术开发区,以及以中高端制造业和进出口贸易为主的经济技术开发区集中了大量的生产空间,为推动郑州市经济发展发挥了重要作用。
格局变化上,10年间郑州市生产空间格局的变化比较大,整体上生产空间向外环发生了迁移,生产空间向郑州市的东部和东南两个方向发展,经济技术开发区建设取得了明显成效。生产空间的格局变化原因与郑州市产业转移是密切相关的,如经济技术开发区形成以汽车及零部件、装备制造与现代物流为主导产业进行招商引资,使得经济技术开发区的生产空间逐渐扩展。
3.2.2 生活空间分布格局 从空间布局看,2007年和2017年生活空间布局比较相似,在三环以内呈面状分布,另外核密度的高值区还分布在中原区北部,高新区中部,惠济区中部,郑东新区东部,在管城回族区南部和二七区南部零星分布。
格局变化上,与2007年相比,2017年三环以内的生活空间核密度值有所降低,导致这种变化的主要原因是郑州市在2010—2020年总体规划上提出“改善居住环境,降低老城区人口密度”,降低三环以内生活空间密度能够缓解由于城区内人口居住密度高所造成的交通拥堵,环境污染、公共设施服务不能满足居民需要等问题。
3.2.3 生态空间分布格局 从空间布局上看,① 2007年,生态空间总体上呈点状分布,生态空间要素以风景名胜为主,黄河沿岸生态空间呈串珠状分布,黄河沿岸也是生态空间分布密集的区域,黄河风景名胜区,黄河花园口风景区都是生态规模相对较大的区域。② 2017年,生态空间总体上沿着市中心周围呈环状分布,生态空间以公园广场绿地为主,生态空间要素也更加丰富多样,为居民提供了更多的选择空间。③ 总体而言,2007年生态空间布局相对分散,数量较少,2017年生态空间布局相对均衡,数量较多,有利于城市可持续发展。
格局变化上,① 生态空间由点状分布转向环状分布,空间布局拓展明显。② 生态空间主要要素由风景名胜转向公园广场绿地,生态要素更加丰富多样。③ 生态空间集聚区由郊区转向市中心,分布更加均衡。这种变化与郑州市坚持绿色发展,加强城市生态网络体系建设有关。

3.3 “三生空间”的演变

采用定量分析手段,从“三生空间”分布格局变化和市辖区“三生空间”数量变化两个方面来进一步分析郑州市10年间“三生空间”的演变。以识别出的“三生空间”网格单元为基础,以“三生空间”比例为评估空间自相关的数值字段,进行全局空间自相关分析（表4）,郑州市及各市辖区“三生空间”数量的变化如表5。
表4 2007年与2017年“三生空间”Moran's I指数

Tab. 4 The Moran’s I of “production-living-ecological spaces” in 2007 and 2017

2007年 2017年
生产空间 生活空间 生态空间 生产空间 生活空间 生态空间
Moran's I
 0.097 0.137 0.219 0.205 0.129 0.160
Z得分 7.367 19.996 1.728 16.491 13.957 4.970
P值 0.000 0.000 0.084 0.000 0.000 0.000
表5 2007年与2017年郑州市各市辖区“三生空间”的变化

Tab. 5 The changes of “production-living-ecological spaces” in different districts of Zhengzhou city in 2007 and 2017

金水区 二七区 管城回族区 惠济区 中原区 郑东新区 高新区 经开区
生产空间2007年 81 99 47 54 150 23 87 36
生产空间2017年 86 157 105 281 100 20 132 110
生活空间2007年 814 504 458 438 423 190 220 253
生活空间2017年 754 466 426 365 417 183 194 224
生态空间2007年 6 1 2 16 8 2 2 3
生态空间2017年 42 40 28 51 30 19 19 11

注：“高新区”指高新技术开发区;“经开区”指经济技术开发区。

从全局自相关指数来看,① 2007年和2017年“三生空间”的Moran's I指数全部为正值,但最大值仅有0.219,说明“三生空间”具有空间正相关性,但相关性不明显。除2007年生态空间外,两个年份的生产、生活和生态空间Moran's I通过了99%的显著性检验,说明“三生空间”具有显著的集聚效应。② 10年间生产空间Moran's I指数增大,生活空间和生态空间相应减小,表明生产空间的空间正相关性增强,生活空间和生态空间的空间正相关性减弱,即生产空间趋向空间集聚,生活空间和生态空间的空间破碎度上升。③ 从Z得分中也可以看出生产空间的空间集聚性明显增强而生活空间和生态空间相应减小,生产空间向产业集聚区集聚能够减小成本,提高规模效益,生活空间和生态空间的扩散能够缓解城市拥堵问题,提高生态资源的利用效率,使生态空间作为一种公共资源更好地为居民服务。
从数量变化上看,① 与2007年生产空间数量相比,2017年金水区和郑东新区数量变化不大,中原区从150个减少到100个,其他区域数量均增加,其中惠济区和经开区增幅最为明显。② 2017年郑州市各市辖区生活空间数量均相对有所减少,数量减少的主要原因是居住区周围生产与生态空间的POI数量在增加,甚至是多种功能POI类型在单元内重叠,使得这部分功能在增加的同时,空间上相应栅格的主导功能发生改变,造成识别的生活空间数量相对减少。③ 生态空间是“三生空间”中数量增幅最大的一类,主要原因是郑州市全面贯彻生态文明发展理念,在加强城市绿地建设方面取得了明显成效。

4 结论与讨论

4.1 结论

本文基于2007年和2017年POI数据,以郑州市中心城区为研究区域,利用随机森林模型、GIS空间分析与样方比例等方法识别出郑州市的“三生空间”分布格局,并分析了10年间“三生空间”的空间演变,主要结论如下：
（1）随机森林作为一种新兴的机器学习算法,可以与POI数据结合识别城市内部的“三生空间”分布,并且用此算法计算出的各POI类型的重要性即权重具有统计学意义。
（2）“三生空间”的空间布局基本与城市功能分区相匹配,格局变化与郑州市城市总体规划有关。“三生空间”具有明显的集聚效应,生产空间向产业集聚区集聚,在产业集聚区呈面状分布而在三环以内呈点状分布。生活空间数量最多,集中分布在郑州市三环以内,在其他区域零星分布。生态空间数量最少,镶嵌于生活空间中呈点状分布。
（3）10年间“三生空间”总量略有增加,生态空间增幅最为明显。10年间生产空间向产业集聚区集聚,集聚性明显增强,生活空间的分布格局逐渐分散,生态空间的分布格局更加均衡。

4.2 讨论

基于随机森林模型,运用POI数据识别“三生空间”与根据土地利用类型判别”三生空间”相比具有定量化,操作简便等优势。与已有研究成果相比[14],结论具有一定的相似性,即生产空间在城市外围分布,生活空间在市中心呈面状分布,生态空间呈点状零星分布并具有一定的集聚性,表明该方法具有实用性与可比性。但由于POI数据包含的属性数据不能代表全部的实体数据,如一些防护绿地没有名称无法在地图中检索,另外一些公园广场,风景名胜等面积较大,仅以点状数据表示会导致识别精度的降低。在以后的研究中,需要探索新的研究方法克服POI数据的缺陷问题。
准确地评估中心城市“三生空间”空间格局,对于缓解城市内部人地关系矛盾具有重要的应用价值。郑州市作为国家中心城市与黄河流域重要增长极,应该发挥引领带动作用,优化“三生空间”布局,促进生产空间-生活空间-生态空间协调有序发展。今后应注重挖掘“三生空间”动态演化的驱动因素,分析城市内部“三生空间”演变格局的影响机制。

真诚感谢匿名评审专家在论文题目凝练、“三生空间”识别准确性验证、文章逻辑与思路、结果分析、结论梳理所付出的时间和精力,使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
汪芳, 安黎哲, 党安荣, 等. 黄河流域人地耦合与可持续人居环境. 地理研究, 2020,39(8):1707-1724.

[ Wang Fang, An Lizhe, Dang Anrong, et al. Human-land coupling and sustainable human settlements in the Yellow River Basin. Geographical Research, 2020,39(8):1707-1724.] DOI: 10.11821/dlyj020200217.

[2]
刘继来, 刘彦随, 李裕瑞. 中国“三生空间”分类评价与时空格局分析. 地理学报, 2017,72(7):1290-1304.

[ Liu Jilai, Liu Yansui, Li Yurui. Classification evaluation and temporal and spatial pattern analysis of China's “three living spaces”. Acta Geographica Sinica, 2017,72(7):1290-1304.] DOI: 10.11821/dlxb201707013.

[3]
李欣, 殷如梦, 方斌, 等. 基于“三生”功能的江苏省国土空间特征及分区调控. 长江流域资源与环境, 2019,28(8):1833-1846.

[ Li Xin, Yin Rumeng, Fang Bin. Research on the functional zoning and regulation of Jiangsu province's territorial space based on the “production-living-ecological” function. Resources and Environment in the Yangtze Basin, 2019,28(8):1833-1846.] DOI: 10.11870/cjlyzyyhj201908008.

[4]
陈仙春, 赵俊三, 陈国平. 基于“三生空间”的滇中城市群土地利用空间结构多尺度分析. 水土保持研究, 2019,26(5):258-264.

[ Chen Xianchun, Zhao Junsan, Chen Guoping. Analysis of multi-scale spatial structure of land use based on ecological-production-living spaces in urban agglomeration area of central Yunnan. Research of Soil and Water Conservation, 2019,26(5):258-264.] DOI: 10.13869/j.cnki.rswc.2019.05.038.

[5]
马晓冬, 李鑫, 胡睿, 等. 基于乡村多功能评价的城市边缘区“三生”空间划分研究. 地理科学进展, 2019,38(9):1382-1392.

[ Ma Xiaodong, Li Xin, Hu Rui, et al. Delineation of “production-living- ecological” space for urban fringe based on rural multifunction evaluation. Progress in Geography, 2019,38(9):1382-1392.] DOI: 10.18306/dlkxjz.2019.09.011.

[6]
赵旭, 汤峰, 张蓬涛, 等. 基于CLUE-S模型的县域生产-生活-生态空间冲突动态模拟及特征分析. 生态学报, 2019,39(16):5897-5908.

[ Zhao Xu, Tang Feng, Zhang Pengtao, et al. Dynamic simulation and characteristic analysis of county production-living-ecological spatial conflicts based on CLUE-S model. Acta Ecologica Sinica, 2019,39(16):5897-590 8.] DOI: 10.5846/stxb201901070059.

[7]
李广东, 方创琳. 城市生态-生产-生活空间功能定量识别与分析. 地理学报, 2016,71(1):49-65.

[ Li Guangdong, Fang Chuanglin. Quantitative function identification and analysis of urban ecological-production-living spaces. Acta Geographic Sinica, 2016,71(1):49-65.] DOI: 10.11821/dlxb201601004.

[8]
黄金川, 林浩曦, 漆潇潇. 面向国土空间优化的“三生空间”研究进展. 地理科学进展, 2017,36(3):378-391.

[ Huang Jinchuan, Lin Haoxi, Qi Xiaoxiao. A literature review on optimization of spatial development pattern based on ecological-production-living space. Progress in Geography, 2017,36(3):378-391.] DOI: 10.18306/dlkxjz.2017.03.014.

[9]
柳冬青, 马学成, 巩杰, 等. 流域“三生空间”功能识别及时空格局分析: 以甘肃白龙江流域为例. 生态学杂志, 2018,37(5):1490-1497.

[ Liu Dongqing, Ma Xuecheng, Gong Jie. Function identification and spatiotemporal pattern analysis of production-living-ecological space in watershed scale: A case study of Bailongjiang Watershed in Gansu. Chinese Journal of Ecology, 2018,37(5):1490-1497.] DOI: 10.13292/j.1000-4890.201805.020.

[10]
程婷, 赵荣, 梁勇. 国土“三生空间”分类及其功能评价. 遥感信息, 2018,33(2):114-121.

[ Cheng Ting, Zhao Rong, Liang Yong. Production-living-ecological space classification and its functional evaluation. Remote Sensing Information, 2018,33(2):114-121.] DOI: 10.3969/j.issn.1000-3177.2018.02.018.

[11]
刘春芳, 王奕璇, 何瑞东, 等. 基于居民行为的“三生空间”识别与优化分析框架. 自然资源学报, 2019,34(10):2113-2122.

[ Liu Chunfang, Wang Yixuan, He Ruidong. An analysis framework for identifying and optimizing ecological-production-living space based on resident behavior. Journal of Natural Resources, 2019,34(10):2113-2122.] DOI: 10.31497 /zrz yxb.20191008.

[12]
池娇, 焦利民, 董婷, 等. 基于POI数据的城市功能区定量识别及其可视化. 测绘地理信息, 2016,41(2):68-73.

[ Chi Jiao, Jiao Limin M, Dong Ting, et al. Quantitative identification and visualization of urban functional area based on POI data. Journal of Geomatics, 2016,41(2):68-73.] DOI: 10.14188/j.2095-6045.2016.02.017.

[13]
许泽宁, 高晓路. 基于电子地图兴趣点的城市建成区边界识别方法. 地理学报, 2016,71(6):928-939.

[ Xu Zening, Gao Xiaolu. A novel method for identifying the boundary of urban built-up areas with POI data. Acta Geographica Sinica, 2016,71(6):928-939.] DOI: 10.11821/dlxb201606003.

[14]
曹根榕, 顾朝林, 张乔扬. 基于POI数据的中心城区三生空间识别及格局分析: 以上海市中心城区为例. 城市规划学刊, 2019, (2):44-53.

[ Cao Genrong, Gu Chaoyin, Zhang Qiaoyang. Recognition of “ecological space, living space, and production space” in the urban central area based on POI data: The caes of Shanghai. Urban Planning Forum, 2019, (2):44-53.] DOI: 10.16361/j.upf.201902005.

[15]
张雷, 王琳琳, 张旭东, 等. 随机森林算法基本思想及其在生态学中的应用: 以云南松分布模拟为例. 生态学报, 2014,34(3):650-659.

[ Zhang Lei, Wang Linlin, Zhang Xudong, et al. The basic principle of random forest and its applications in ecology: A case study of Pinus yunnanensis. Acta Ecologica Sinica, 2014,34(3):650-659.] DOI: 10.5846/stxb201306031292.

[16]
项涛, 董响红, 郭超, 等. 基于随机森林模型预测气候变化对黄颡鱼适生区的影响. 水生生物学报, 2019,43(6):1262-1270.

[ Xiang Tao, Dong Xianghong, Guo Chao, et al. The impacts of climate change on the distribution of pelteobagrus fulvidraco by random forest model. Acta Hydrobiologica Sinica, 2019,43(6):1262-1270.] DOI: 10.7541/2019.150.

[17]
赵彦锋, 程道全, 巫振富, 等. 基于空间分析的河南省小麦施肥问题诊断与地理优化. 土壤学报, 2020,57(5):1206-1218.

[ Zhao Yanfeng, Cheng Daoquan, Wu Zhenfu, et al. Problem diagnosis and geographic optimization for fertilization of wheat in Henan province based on spatial analysis. Acta Pedologica Sinica, 2020,57(5):1206-1218.] DOI: 10.11766/trxb201906250273.

[18]
王超, 阚瑷珂, 曾业隆, 等. 基于随机森林模型的西藏人口分布格局及影响因素. 地理学报, 2019,74(4):664-680.

[ Wang Chao, Kan Aike, Zeng Yelong. Population distribution pattern and influencing factors in Tibet based on random forest model. Acta Geographica Sinica, 2019,74(4):664-680.] DOI: 10.11821/dlxb201904004.

[19]
Ana Cláudia dos Santos Luciano, Michelle Cristina Araújo Picoli, Jansle Vieira Rocha, et al. A generalized space-time OBIA classification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm. International Journal of Applied Earth Observation and Geoinformation, 2019,80:127-136. DOI: 10.1016/j.jag.2019.04.013.

[20]
赵鹏军, 曹毓书. 基于多源地理大数据与机器学习的地铁乘客出行目的识别方法. 地球信息科学学报, 2020,22(9):1753-1765.

[ Zhao Pengjun, Cao Yushu. Identifying metro trip purpose using multi-source geographic big data and machine learning approach. Journal of Geo-information Science, 2020,22(9):1753-1765.] DOI: 10.12082/dqxxkx.2020.200134.

[21]
蒲东川, 王桂周, 张兆明, 等. 基于独立成分分析和随机森林算法的城镇用地提取研究. 地球信息科学学报, 2020,22(8):1597-1606.

[ Pu Dongchuan, Wang Guizhou, Zhang Zhaoming, et al. Urban area extraction based on independent component analysis and random forest algorithm. Journal of Geo-information Science, 2020,22(8):1597-1606.] DOI: 10.12082/dqxxkx.2020.190385.

[22]
赵宏波, 余涤非, 苗长虹, 等. 基于POI数据的郑州市文化设施的区位布局特征与影响因素研究. 地理科学, 2018,38(9):1525-1534.

[ Zhao Hongbo, Yu Difei, Miao Changhong, et al. The location distribution characteristics and influencing factors of cultural facilities in Zhengzhou based on POI data. Scientia Geographica Sinica, 2018,38(9):1525-1534.] DOI: 10.132 49/j.cnki.sgs.2018.09.016.

[23]
中华人民共和国住房和城乡建设部. 城市用地分类与规划建设用地标准（GB50137-2011）, 北京: 中国建筑工业出版社, 2011.

[ Ministry of Housing and Urban-Rural Development of the People's Republic of China. Code for classification of urban land use and planning standards of development land (GB50137-2011). Beijing: China Architecture & Building Press, 2011].

[24]
金宇, 周可新, 高吉喜, 等. 基于随机森林模型的国家重点保护陆生脊椎动物物种优先保护区的识别. 生态学报, 2016,36(23):7702-7712.

[ Jin Yu, Zhou Kexin, Gao Jixi, et al. Identifying the priority conservation areas for key national protected terrestrial vertebrate species based on a random forest model in China. Acta Ecologica Sinica, 2016,36(23):7702-7712.] DOI: 10.5846/stxb201512082454.

[25]
方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述. 统计与信息论坛, 2011,26(3):32-38.

[ Fang Kuangnan, Wu Jianbin, Zhu Jianping, et al. A review of technologies on random forests. Statistics & Information Forum, 2011,26(3):32-38.] DOI: 10.3969/j.issn.1007-3116.2011.03.006.

[26]
Tobler W. A computer movie simulating urban growth in the Detroit region. Economic Geography, 1970,46(2):234-240.

[27]
Cliff A D, Ord J K. Spatial Process: Models and Applications. London: Pion, 1981: 35-41.

[28]
王劲峰. 空间分析. 北京: 科学出版社, 2006: 76-84.

[ Wang Jinfeng. Spatial Analysis. Beijing: Science Press, 2006: 76-84.]

[29]
Han H, Guo X L, Yu H. Variable selection using mean decrease accuracy and mean decrease Gini based on Random Forest. 2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS). IEEE, 2016, 219-224.

[30]
康雨豪, 王玥瑶, 夏竹君, 等. 利用POI数据的武汉城市功能区划分与识别. 测绘地理信息, 2018,43(1):81-85.

[ Kang Yuhao, Wang Yueyao, Xia Zhujun, et al. Identification and classification of Wuhan urban districts based on POI. Journal of Geomatics, 2018,43(1):81-85.] DOI: 10.14188/j.2095-6045.2016352.

Options
Outlines

/

〈 〉