1 引 言
城市空间结构属于地理学、城市规划以及区域经济学等多学科的重要研究对象之一，因各学科研究角度的差异，使其难以形成一个统一的概念框架［1-2］。国外学者对城市空间结构的概念研究较早，Foley与Webber［3-4］是其中早期的代表学者，认为城市空间结构的概念框架应包含多个层次，如地理空间实体要素（物质环境、文化观念与功能活动）、空间与非空间属性、空间作用的影响以及时间等4个层面。我国针对城市空间结构进行系统性研究始于20世纪80年代，在外国学者研究的基础上，提出城市空间结构是指城市中各种地理空间实体之间分布与组合的表现方式［5-6］。城市空间结构的研究能够为城市功能区密度的调整，避免造成资源浪费，进而更好地进行城市空间规划，推动城市合理发展提供决策［7］。
夜光遥感数据、POI数据与手机定位强度数据作为新兴空间数据，与传统数据相比，具有精准定位、数据量大、价值密度高的特点［8］。夜光遥感数据能够捕获夜间地表微光，反映区域经济、人口地理要素的空间分布特征，常用于GDP估算［9］、“鬼城”识别［10］以及生态环境监测［11］方面研究。POI数据包含地理实体空间与属性信息，如经纬度、地址以及类别等，被应用于城市功能区识别［12-13］与产业空间布局［14-15］。手机定位强度数据与常用的百度热力图、“微博签到”数据相比，具有获取成本低、分辨率高的优势，数据来源于使用在线产品的位置信息，并以点要素（空间分辨率为25 m）的形式赋予人口热力值，被应用于城市空间结构［16］、职住平衡［17］以及城市活力［18］等方面的研究。以上3种数据，能够反映城市“经济—人口”空间特征，是研究城市空间结构的重要数据源。如王博［19］利用夜间灯光数据，揭示杭州市2012年至2016年城镇空间结构“东密西疏”的分布特征。薛冰等［20］基于POI数据，将东北三省36个城市的内部空间结构划分为团块型、分散组合型、线型以及放射型4种特征。何东等［21］运用“宜出行”数据，识别重庆市主城区“多中心组团式”的城市空间功能体系。
综上，大部分学者偏向于采用单一数据源进行城市的相关研究，融合多源地理空间数据在我国城市空间结构的研究相对缺乏。因此，选取东莞市主城区作为研究对象，基于夜光遥感数据、POI数据以及手机定位强度数据3种数据两两空间耦合关系，阐述其与城市空间结构特征之间的关系，并识别城市核心—边缘区、空置区域以及服务业供需不平衡区域，分析城市发展不平衡问题。研究结果对城市规划者了解城市的空间结构，进行城市功能区调整与优化，构建具有活力的现代化城市提供参考。
2 研究区与数据
2.1 研究区概况
东莞市位于珠江三角洲东岸，是广州和深圳的双辐射城市，为粤港澳大湾区的重要节点城市，同时也是我国5个不设区的地级市之一。中心城区位于东莞市的西北方向，下辖莞城、南城、东城、万江4个街道，总面积222.4 km2，常住人口124.66万人（2019年）。在行政区划、自然地理环境以及建成区历史等因素综合影响下，形成“一主三副、十字展开、单元发展”的城市空间结构。
“一主三副”中的主核心区位于南城街道，是东莞市行政文化与国际商务的中心，城市特色副核心区则由莞城、东城、万江3个街道组成。“十字展开”指穿过城市主核心区呈十字展开的“东莞大道—东城中路—莞龙路”综合功能发展轴与“松山湖大道—八一路—鸿福路—银龙路”山水特色发展轴。“单元发展”则是指依据构建城市15 min生活圈的要求，划分的19个城市发展单元（图1）。
图1
东莞市致力于城市功能优化，融入粤港澳大湾区建设，打造多功能、具有活力与生态宜居型现代城市。因此，东莞市中心城区城市空间结构的研究，对中心城区功能优化提升具有较强的现实意义。
2.2 数据源
研究所选用的数据包括东莞市基础地理数据、夜光遥感影像数据、POI数据以及手机定位强度数据。基础地理数据包括行政区划、道路以及河流水系等矢量数据，来源于国家基础地理信息中心与2020年6月采集的OpenStreetMap数据。夜光遥感影像数据选取2019年1月~12月经过星上校正，但未经标准化处理的NPP-VIIRS月合成影像数据（
表1 POI数据分类类别
Table1
| 房地产 | 公共 管理 | 交通 仓储 | 教育 | 金融 保险 | 居民 生活 | 科学 研究 | 批发 零售 | 水利 环境 | 文体 娱乐 | 信息 传输 | 医疗 卫生 | 住宿 餐饮 | 租赁 商务 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 南城 | 1 378 | 978 | 154 | 1 068 | 806 | 6 318 | 192 | 6 311 | 378 | 832 | 80 | 629 | 5 120 | 584 |
| 莞城 | 922 | 662 | 80 | 468 | 249 | 2 275 | 205 | 2 274 | 195 | 317 | 51 | 285 | 1 839 | 489 |
| 东城 | 1 758 | 1 316 | 326 | 1 066 | 561 | 10 612 | 226 | 10 603 | 419 | 841 | 98 | 886 | 7 641 | 602 |
| 万江 | 782 | 993 | 326 | 464 | 215 | 6 741 | 124 | 6 740 | 278 | 327 | 60 | 349 | 3 611 | 312 |
3 研究方法
实验通过分析POI数据、夜光遥感数据以及手机定位强度数据等3组数据的空间耦合关系，探讨其与东莞市主城区的城市空间结构之间的关系。首先，对POI数据、NPP-VIIRS夜光遥感数据以及手机定位强度数据进行预处理；其次，根据行政边界数据创建六边形格网；接着，对栅格数据进行矢量化，与格网数据进行空间连接，并采用分级设色，获得3种数据的规则格网图；最后，对数据进行归一化处理，利用双因素组合制图方法，将数据的空间耦合关系进行可视化。
3.1 数据预处理
首先，将原NPP-VIIRS数据重投影为常用的WGS_1984_UTM_ZONE_49N投影坐标系，接着采用栅格计算器将由火灾、渔船等现象造成的负值区域设置为0，然后利用研究区矢量数据进行裁剪。为降低数据的偶然性误差，对12景夜光遥感数据进行均值计算，合成2019年研究区夜光亮度均值图像，最后重采样至30 m分辨率，用于反映研究区夜光亮度整体空间特征。原POI数据与手机定位强度数据为文本数据，其中POI数据包含经纬度、名字、地址以及城市名称等字段，手机定位强度数据则包含人口热力值、经度、纬度以及时间4个字段。首先，分别将其导入ArcGIS中转为点要素数据，并统一坐标为WGS-84；然后剔除超出研究区边界的误差点，获得有效的POI与手机定位强度数据的点状矢量数据。
3.2 核密度分析
根据已有的研究经验，搜索半径的选择对核密度分析结果起关键作用。因此，实验借助ArcGIS软件经过多次实验（500、800、1 000、1 200 m），选取满足需求的最佳搜索半径：①选取1 200 m为搜索半径，像元大小为30 m，对POI数据进行核密度分析，获得POI数据核密度分析的结果；②当手机定位强度数据的搜索半径为800 m，像元大小为30 m时，将population字段设置为人口热力值字段count，获取的拟合结果与宜出行平台发布的热力图最为接近。接着，采用均值图像合成的方法，计算6月23日、6月25日与6月27日3 d共51 h的平均人口活动强度。该方法可降低因节假日或城市突发事件，引起的高密度人口集聚带来的偶然性误差，获得研究区人口活动强度空间分布特征。
3.3 栅格数据格网化
格网化是指利用空间拓扑关系的分析转换将点定位要素数据转为面要素数据的方法，常用的格网有三角形、正方形、正六边形等形状。与其他形状的格网相比，正六边形具有更接近圆与丰富的拓扑关系的特点［30，31］。克里斯泰勒在其“中心地理论”指出城市空间服务结构，具有显著的六边形形态特征，六边形格网相较于其他形状格网更接近现实城市结构。因此，本文借助北部森林生态系统研究中心的Patch Analyst工具，对东莞市中心城区的矢量边界数据创建正六边形蜂窝图。将2019年平均夜光遥感影像、POI与手机定位强度数据的核密度分析结果进行矢量化，采用叠置分析获得以上3种变量的规则格网图（图2）。由于夜光数据遥感影像的分辨率较低以及栅格、矢量两种数据结构之间的差异，导致矢量化过程中城市边缘区部分格网并未包含遥感影像的中心点，使得格网统计值为0，为保持原数据的结果，保留了值为0的部分格网，并注意其对结果分析的影响。
图2
3.4 归一化处理
表2 POI密度、夜间遥感灯光值和人口活动强度分级
Table 2
| POI数据密度等级 | 夜间灯光亮度等级 | 人口活动强度等级 | ||||||
|---|---|---|---|---|---|---|---|---|
低 <10 | 中 10~27 | 高 >27 | 低 <14 | 中 14~27 | 高 >27 | 低 <10 | 中 10~26 | 高 >26 |
图3
4 耦合关系分析
4.1 总体分布特征与耦合关系
夜光亮度值整体分布格局见图2（b），呈现出由城市中心向四周逐渐减弱的趋势，高值区组团状分布，呈一主三副的空间结构特征。主核心区位于南城的北发展单元，是东莞市的教育、商务服务业以及政治文化中心。酒店和商务服务业集中分布的东城的主山发展单元灯光亮度值仅次于主核心区，属副核心区。商务住宅与购物业分布较集中的万江新中心与中部发展单元的夜光亮度高值，呈同心圆状分布；南城的南发展单元东部的亮度值仅次于核心区，是物流、商务服务业的集中分布地，与东城主山、万江新中心以及中部发展单元，构成了多核心结构。此外，城市边缘区存在零星分布的点状高值区域，与道路的位置相耦合，如城市东北处的高值区域为莞龙路与东宝路的交接处的夜光亮度值高。
图2（c）为POI密度值分布图，其整体分布趋势与夜光遥感数据相似，也呈由城市中心向边缘区减弱的趋势。南部的水濂、牛山、同沙与黄旗山发展单元的POI密度较低，属于城市土地利用的空置区域，开发利用程度低，是水库、绿地以及生态保护区的集中分布地区。不同点在于莞城的POI密度仅次于南城，与教育、公共服务业的分布相耦合；南城中、南发展单元的零售业、商务服务业以及物流等行业集聚，土地利用类型混合度高，POI密度表现较好；城市边缘区并未出现零星分布的点状高值区。
图2（d）的手机定位强度数据，其高值分布与POI数据密度分布相似，密度值由城市中心向城市边缘区呈递减趋势。人口活动强度越高，该区域的人口集中程度越高。教育用地、大型商业广场以及中心商务区的人口热力密度表现突出，其中商务区的高值区，围绕东莞市人民政府呈环状分布。部分点状高值区域主要位于城市边缘区的道路交汇处，生态保护区与物流工业用地的密度值则较低，人口热力密度值分布特征与其它两种数据总体一致。
采用符号计数统计方法计算3种数据两两空间耦合关系相同（低—低、中—中、高—高）区域的占比，其中夜光遥感与POI具有相同空间耦合关系占比为66.37%，与手机定位强度数据具有相同空间耦合关系占比为67.12%，POI数据与手机定位强度数据具有相同空间耦合关系占比为78.67%。夜光遥感与POI数据、手机定位强度数据空间耦合在空间分布上具有相似性，高-高耦合主要分布于南城与东城两个区域，外围则形成了中—中耦合关系，边缘区则以低—低耦合关系为主；POI数据与手机定位强度数据的空间耦合程度较高，高—高耦合呈现多中心分布，多位于购物商场、中心商务区，中—中、低—低空间耦合关系则围绕高—高耦合呈环状分布。总体而言，3种数据的空间耦合关系具有较好的耦合程度，高—高耦合多位于城市的核心区，中—中耦合位于过渡区，低—低则位于边缘区，属于生态保护区，包括同沙、黄旗山、水濂山以及大岭山生态园，不宜进行大面积的城市开发活动。
4.2 夜光遥感与POI数据的耦合关系
4.2.1 夜光亮度值高于POI密度值
除具有相同耦合关系的区域外，还存在小部分非耦合区，主要分布在图4（a）南城与东城。这些耦合异常区域面积虽小，但对分析两种不同数据之间的差异，以及城市空间结构的解读具有重要意义。非耦合关系主要包括中—低、高—低以及高—中三种类型。中—低耦合集中分布于城市边缘地区，高—低耦合则分布核心区外围，分别对应图4（a）处的样本点1和2。两者都沿着城市各级道路分布，夜间车灯使得道路沿岸的夜光亮度值较高，道路设施建设完善，但人口分布较稀疏，城市服务业并未建设完善，POI密度较低。由于夜光遥感数据“溢出”效应，使得夜光亮度高值所表示的人类活动范围要大于实际的范围；高—中耦合则主要分布于城市向郊外的过渡区，经济发展与服务设施建设都比较完善，多位于商业街、房地产的集中分布地区，如东城街道的星河传说、中信御园；南城街道的金域中央等，对应图4（a）的样本点3。此外，空间耦合异常区域分布与过渡区、边缘区的房地产分布具有较高的空间耦合度，现代城市建筑密度较中心区要低，但生态环境较好，是多数东莞富人的集中分布区域。
图4
图4
夜光遥感与POI非耦合区域图
Fig.4
The different coupling between nighttime light data and POI data
4.2.2 夜光亮度值低于POI密度值
POI密度高于夜光亮度值的非耦合关系主要包括低—中、中—高耦合，主要分布于图4（b）莞城与万江两个街道，与经济发展水平相关，南城与东城的经济发展水平优于莞城与万江，城市化水平较高。图4（b）样本点4为低—中耦合区域，主要位于城市的边缘地区，集中分布于万江新中心、西北部发展单元。城市边缘区的城镇化建设相对于中心区较为滞后，夜光亮度值较低，但根据POI所反映的城市服务业空间布局特征，边缘区的服务设施建设较为完善，与城市规划的重视力度相关，万江作为研究区的副核心区，具有较好的发展潜力，城镇化水平逐步提高。中—高耦合在莞城处呈片状分布，其余地区则呈带状或点状分布，与公共服务业分布的空间耦合程度较高，侧面反映出行政因素对东莞市主城区城市服务业布局规划的影响。莞城街道属旧城区，表明其仍保留着较强的公共服务与行政职能，公共管理服务业分布集中，基础设施建设完善，图4（b）样本点5处的POI密度值高。随着城市规划重心的南移，南城街道的经济、政治与文化优势逐渐凸显，旧城区的经济、商务职能出现衰退的迹象，夜光亮度值减弱，呈中—高耦合关系。
4.3 夜光遥感与手机定位强度数据的耦合关系
4.3.1 夜光亮度值高于人口活动强度值
图5（a）为夜光亮度值高于人口活动强度值示意图，与夜光遥感高于POI密度的空间分布大致相同，高—中耦合主要分布于城市中心区，中—低耦合则分布于边缘区，高—低耦合面积较小，呈点状零散分布。中—低耦合、高—低耦合与夜光遥感和POI数据中的中—低耦合、高—低耦合的原因相同，夜间车灯亮度与夜光遥感数据“溢出”效应使得道路沿岸灯光亮度值高，但人口活动的强度较低，表明了东莞市道路建设完善，夜间路况优良，较少出现拥堵的情况。在相同区域，夜光遥感和POI数据的中—低耦合区域面积要大于夜光遥感与手机定位强度数据的中—低耦合区域面积，与城市用地利用类型密切相关。其中城市东南部表现尤为突出，该区域是城市交通用地、物流与工业基地的集中地（图5（a）样本点1为大鹏液化天然气有限公司、中电新能源热电公司），人口流动频繁，中等级的人口活动强度面积大于次一级的人口活动强度面积。因此，低人口热力值呈现出零星点状分布而不是片状分布，中—低耦合区域面积小。
图5
图5
夜光遥感与手机定位强度数据非耦合区域
Fig.5
The different coupling between nighttime light data and lacation-based data
4.3.2 夜光亮度值低于人口活动强度值
图5（b）为夜光亮度值低于人口活动强度值示意图，与POI密度和夜光遥感耦合相异的空间分布也大致相同。低—中耦合分布于城市边缘区，经济发展水平相对落后。中—高耦合则主要分布在城市北部地区，与学校（小学、中学以及高等教育）空间分布特征具有相似性，周围房地产、零售业以及生活服务设施齐全，POI密度值高。手机定位强度与夜光遥感数据都是具有时效性，能够反映城市空间结构特征的数据，但两者的数据来源方式不同造成了数据间的差异。夜光遥感数据主要来源于卫星传感器，手机定位强度数据则是一种位置服务数据，人口热力值来源于使用在线产品的人口数量，而在线产品在中老年人群中普及程度远不如青年人群，因此学校集中分布地区记录的人口活动密度值高。其次，郊区的公园、景点因其舒适的环境吸引周边游客的休闲参观，人口活动强度值大，但郊区的城镇化水平较低，夜光亮度值低，呈现出经济发展水平与人口活动强度不相耦合的空间结构特征。
4.4 POI数据与手机定位强度数据的耦合关系
POI密度与人口活动强度两者空间耦合程度较高，非耦合区域占总面积的21.33%。其中，高—中耦合在南城与莞城两个街道呈片状分布，东城与万江则呈点状分布，而图6（a）中的中—低耦合区域在空间分布上比较零散。结合《东莞市城市总体规划（2016-2030）》草案中的城市功能区划图，耦合相异区域主要分布于商业混合使用功能区与公共服务管理功能区，表明了东莞市在满足居民消费与公共服务需求建设方面具有前瞻性，城市核心区服务设施完善。
图6
图6
POI与手机定位强度数据非耦合区域
Fig.6
The different coupling between POI data and lacation-based data
低—中耦合与中—高耦合能够反映城市服务设施分布密度与人口活动强度不相耦合的城市空间结构关系，主要分布在图6（b）的生活居住区，围绕商业服务混合功能区呈环状分布，该区域所能提供的服务较难满足居民的生活服务需求，出现了供不应求的情况。
5 结 语
以东莞市主城区为例，基于夜光遥感、POI数据以及手机定位强度数据等表征人文—经济地理活动的空间数据，采用核密度分析、数据格网化以及双因素组合制图方法，分析不同数据的空间耦合关系与城市空间结构的之间关系，得出以下结论：
（1）夜光遥感、POI以及手机定位强度3组不同类型的空间数据的空间分布总体趋势一致，空间耦合程度较高。具有相同空间耦合关系区域的空间分布特征，能够识别城市核心区、过渡区以及边缘区的空间分布特征，可以有效反映城市空间结构特征。
（2）空间耦合相异区域的存在，有助于对城市部分区域的空间结构进行详细的探讨。夜光遥感亮度值高于POI密度值的空间耦合相异区域的分布，与边缘或过渡区的房地产产业分布相耦合，反映了市中心的居住职能向过渡区与边缘区转移的趋势。而POI密度值高于夜光遥感亮度值的区域则主要分布于莞城，反映旧城区经济与商务职能的衰落；夜光遥感数据与手机定位强度数据空间耦合相异，则主要分布于道路用地、物流工业用地、教育以及休闲用地，反映两组数据结构的差异；POI数据与手机定位强度数据空间耦合相异，则反映了基础设施建设与居民生活服务需求之间的不平衡关系。
（3）3种数据对地理实体要素的表达各有优缺点，夜光遥感能够反映人类夜间活动产生的灯光亮度，但轻度“溢光”效应使得其所表示的人类活动范围要大于实际范围，空间位置上出现了偏移。POI数据是一种具有精确定位功能的点数据，但不能准确反映面状地理实体的空间分布。手机定位强度数据则是一种位置服务数据，能够反映城市人口活动强度的空间特征，但受使用者年龄（微信、微博以及QQ等社交媒体软件在老年人与幼童中普及程度较低）影响，并不能反映城市的实际活动人口数量。融合以上3组空间数据，能够发挥不同数据的优势、弥补不足。结合核密度分析的POI数据，削弱了POI数据反映面状地理实体产生的误差，能够识别夜光遥感数据的“溢光”区域、城市建筑密集区域以及空置区域；手机定位强度数据相对夜光遥感数据，分辨率更高、更加精确，能够精确反映城市全天候人口活动的空间分布特征，与POI数据相结合，则能够反映出城市基础设施建设与人口之间供需平衡的关系。
综上，融合多源地理大数据，改进了采用单一数据源的精度问题。城市空间结构应当是一个动态变化的过程，而本研究选取的年限较短，在时序性上存在不足；分析不同数据空间耦合关系与城市空间结构之间的关系，偏向于定性研究，缺少量化方法的使用。今后，将结合深度学习与时间序列分析方法，对研究区5~10 a城市结构变化进行定量分析与预测，进一步完善融合3组地理大数据在城市空间结构研究中的应用，凸显3组数据表征地理实体功能的优越性。
参考文献
Progress of research on the influence of urban spatial structure on the lcation of emerging industry in China
［J］.
城市空间结构对新兴产业区位影响研究动态与展望
［J］.
Theories and methods of research on urban spatial structure in the west
［J］.
An approach to metropolitan spatial structure
［M］∥ Webber M M.（eds.）
Progress on studies of urban spatial structure in China
［J］.
中国城市空间结构研究评述
［J］.
Research on urban structure in Beijing based on housing prices
［J］.
基于住宅价格的北京城市空间结构研究
［J］.
Spatial coupling analysis between POI， luminous remote sensing and weibo sign-in data： a case study of Beijing
［J］.
兴趣点、夜光遥感和微博签到的空间耦合分析——以北京市为例
［J］.
Geographic big-data： a new opportunity for geography complexity study
［J］.
地理大数据为地理复杂性研究提供新机遇
［J］.
Research of GDP spatialization based on multisource information coupling: a case study in Beijing
[J].
多源信息耦合的GDP空间化研究—以北京市为例
[J].
Process funding evaluating cities' vitality and identifying ghost cities in China with emerging geographical data
［J］.
Urban expansion dynamics and natural habitat Loss in China： a multiscale landscape perspective
［J］.
Identify urban functional zones using multi-feature latent semantic fused information of high-spatial resolution remote sensing image and POI data
[J].
融合高分辨率遥感影像和POI数据的多特征潜在语义信息用于识别城市功能区
[J].
Research on urban functional integrating OSM road network and POI data
［J］.
融合OSM路网与POI数据的城市功能区识别研究
［J］.
Study on spatial pattern of consumer service industry in Changsha based on POI data
［J］.
基于POI数据的长沙市生活性服务业空间格局研究
［J］.
Spatial clustering analysis of service industries in Zhengdong new district based on POI data
［J］.
基于POI数据的郑东新区服务业空间聚类研究
［J］.
Measuring polycentric urban structure using Easygo big data： a case study of Chongqing Metropolitan Area
［J］.
基于宜出行大数据的多中心空间结构分析——以重庆主城区为例
［J］.
Jobs-housing balance comparative analyses with the LBS data： a case study of Beijing
［J］.
基于多源LBS数据的职住平衡对比研究——以北京城区为例
［J］.
Study on urban vitality based and LBS data： a case of Beijing within 6th ring road
［J］.
基于位置服务数据的城市活力研究——以北京市六环内区域为例
［J］.
Analysis of urban structure development in Hangzhou based on NPP-VIIRS night lighting remote sensing image
［D］.
基于NPP-VIIRS夜间灯光遥感影像的杭州城市结构发展变化分析
［D］.
Analysis of spatial economic structure of northeast China cities based on Points of interest big data
［J］.
基于兴趣点（POI）大数据的东北城市空间结构分析
［J］.
Polycentric spatial structure analysis of mountains cities based on multi-source data—a case study of the central urban area of Chongqing
［J］.
基于多源数据的山地城市多中心空间结构分析——以重庆主城区为例
［J］.
An overview on data mining of nighttime light remote sensing
［J］.
论夜光遥感数据挖掘
［J］.
Variation of night light index based on NPP-VIIRS data： a case study on the Xiahe Ms5.7 earthquake
［J］.
基于NPP-VIIRS数据的夜间灯光指数变化分析——以夏河Ms5.7地震为例
［J］.
China polycentric cities based on Baidu heatmap
［J］.
基于百度热力图的中国多中心城市分析
［J］.
Comparison of random forest algorithm and space-time Kernel density mapping for crime hotspot prediction
［J］.
基于随机森林和时空核密度方法的不同周期犯罪热点预测对比
［J］.
A novel method for identifying the boundary of urban built-up areas with POI data
［J］.
基于电子地图兴趣点的城市建成区边界识别方法
［J］.
Spatial-temporal patterns of robbery， snatch and theft at multi-scale in the main urban area of chengdu dity
［J］.
成都市主城区“两抢一盗”犯罪的多尺度时空格局研究
［J］.
GIS-based analysis of cultural landscapes for settlement names on the northern slope of the Tianshan Mountains
［J］.
基于GIS的天山北坡聚落地名文化景观分析
［J］.
Spatial pattern and influencing factors of retailing industries in Xi’an based on POI data
［J］.
基于POI数据的西安市零售业空间格局及影响因素研究
［J］.
A data- synthesis-driven method for detecting and extracting vague cognitive regions
［J］.
Urban spatial structure of port city in South China sea based on spatial coupling between nighttime light data and POI
［J］.
基于夜光遥感与POI数据空间耦合关系的南海港口城市空间结构研究
［J］.
