大數據時代土地利用優化的機遇、數據源及潛在應用

黃慧萍，李強子

（中國科學院遙感與數字地球研 究所， 北京 100101）

大數據時代土地利用優化的機遇、數據源及潛在應用

黃慧萍，李強子

（中國科學院遙感與數字地球研 究所， 北京 100101）

研究目的：分析大數據技術應用于土地空間優化配置的可能性。研究方法：通過查閱相關文獻，歸納總結前人基于大數據進行土地利用優化的經驗，分析目前可以使用的潛在數據源，在此基礎上提出大數據模式下土地利用空間優化潛在應用的工作思路。研究結果：土地利用空間優化相關的大數據主要包括基礎地理數據、遙感影像數據產品、個體時空數據、手機APP數據、電子地圖數據、社交應用網絡數據、智能交通數據、物聯網傳感器數據、社會經濟統計數據和臺站觀測數據10類，其可能的應用包括空間質量評價、空間用地布局優化和土地空間擴展預測。研究結論：在當前的大數據時代，日益增多的大數據源為土地資源管理和土地優化利用提供了強有力的新數據支撐，為區域/城市土地利用優化帶來新的發展機遇、理念和挑戰。

土地利用；空間優化；大數據；數據源

Abstract:The purpose of this study is to analyze the possibility of applying the big data technology in urban land use structure and spatial pattern optimization. The following methods were used. By means of literature review, the patterns of previous studies utilizing big data to optimize land use were analyzed. On the basis of literature review, potential big data sources for use were investigated, and the workflow of typical application of big data in urban land use structure and spatial pattern optimization was put forward. The results show that the big data associated with urban land use structure and spatial pattern optimization include fundamental geographic data, remote sensing images, individual spatio-temporal data, mobile application data, digital map, social application data, intelligent traffic data, data from internet of things,socio-economic statistics data, and station observation data. The typical application fields of the big data include spatial quality assessment, land use pattern optimization, and prediction of land use evolvement. In conclusion, in the era of big data, big data from more sources provide the strong support for land management and land use optimization as well as bring opportunities, challenges, and new insights to regional / urban land use structure and spatial pattern optimization.

Key words:land use; spatial optimization; big data; data source

1 引言

目前，中國快速城鎮化過程中的土地供需矛盾日益突出，不但大量優質耕地被占用，而且土地利用效率不高，用地結構嚴重失衡。土地利用優化配置是實現土地資源合理利用和區域可持續發展的重要途徑，它能充分發揮土地利用潛力，提高土地聚集效應，保持土地生態系統平衡，實現土地的可持續利用[1]。土地利用數量結構是土地利用合理配置的基礎，因此傳統的土地利用優化多側重于數量結構的優化。相比土地利用數量結構，土地利用空間結構同樣會影響土地利用效率。因此從調整土地利用空間結構的角度進行土地利用類型在地域空間上的合理落位，開展土地利用空間優化工作，在當今社會同樣重要。

土地利用空間優化是將土地利用方式與土地利用的生態和社會經濟適宜性進行優化組合，從而形成協調的用地數量結構和空間布局，實現土地的持續利用[1]。傳統的土地利用空間優化主要基于土地普查、經濟統計、地面調查等土地資源調查數據[2]，幾何粒度粗，調查成本高，更新周期長，且難以考查區域土地利用實體和個體的時空行為，無法支持精細尺度上的用地類型/效率分析以及土地利用優化模擬，因此難以為土地可持續利用提供強有力的支撐。在當前科學發展觀和區域協調可持續發展的大前提下，迫切需要在精細尺度上及時獲取對土地利用現狀、效率和結構優化的分析評估，在傳統數據源的基礎上，建設更為精細、更新更為及時的支撐土地利用空間優化的新數據集。

大數據技術作為當前分析決策的科學手段，整合了來自互聯網、物聯網、全球定位、網絡應用、移動設備、傳感器、攝像頭等渠道的、大量反映土地資源數量及空間結構、土地利用動態、模式與效率的數據，使得土地優化利用工作能夠同時關注城市個體的行為，滿足政府、企業和居民的多樣需求，其影響凸顯。然而大數據面臨著格式多樣、類型復雜、結構不一、時空框架復雜等問題，對數據的存儲管理、整合分析、信息挖掘與知識分析等后續利用帶來了很大的困難[3]。本文的目的在于分析當前大數據技術對土地利用優化帶來的改變，總結潛在數據源，并分析大數據模式下土地利用空間優化的工作思路和潛在應用，為今后的土地優化利用工作提供參考。

2 大數據技術發展對土地利用空間優化帶來的機遇

2.1 大數據技術豐富了土地利用空間優化的數據源

各種傳感器、手機位置、APP應用、電子地圖、社交網絡、智能交通信息均提供了反映土地利用實體和個體行為的時空信息。這些信息互動性高、現勢性強，能夠更好地了解土地利用現狀、居民時空行為和意愿，促進土地利用空間優化從經驗判斷走向數據支撐，實現“以形定流”走向“以流定型”。

2.2 大數據技術增強了土地利用優化配置分析和解決問題的能力

大數據技術有利于找到人口、交通、環境、住房等“城市病”所引起的公共服務、經濟效率、資源供給、生態環境等領域的問題癥結?；诖髷祿夹g的全樣本微觀數據挖掘研究有助于解決土地利用空間優化的應用難題，其所包含的具有公眾強參與、位置/軌跡信息、時空動態信息，有助于解決或協調人口、用地數量、結構及分布、產業及效率、生態環境等方面的配置關系，降低經濟社會運行成本、提高政府決策效率和創新社會公共服務[5]。

2.3 大數據技術帶來了土地利用規劃的新思維或新理念

大數據技術使政府、學者和規劃部門重新認識到居民和企業等主體行為和活動對土地空間發展的影響，從而在土地利用規劃中從人的需求高度思考和解析土地利用管理問題，提供全視角的解決思路與對策，并從傳統的空間規劃向動態的時空規劃轉變，對規劃實施效果進行長期的實時評估和快速優化。傳統的規劃是通過政府設定土地利用總體發展目標，并在不同規劃區域進行土地類型空間控制和布局，規劃的實施效率較低[6]。

3 土地利用空間優化相關的大數據類型分析

大數據技術使得土地利用優化的支撐數據源從傳統的有限數據源向多樣化的信息采集過渡。數據獲取對信息處理軟件和設備的依賴程度逐漸增加，但能夠獲取的數據內容、精確性以及城市土地利用主體的針對性均有大幅提高。土地利用優化涉及的數量結構和空間分布相關的大數據主要包括10個類別。

3.1 基礎地理數據

基礎地理數據主要由自然地理信息中的地貌、水系、植被以及社會地理信息中的居民地、交通、境界、特殊地物、地名等要素構成，描述了地球表面測量控制點、水系、居民地及設施、交通、管線、境界與政區、地貌、植被與土質、地籍、地名等自然和社會要素的位置、形態和屬性等信息，也是進行土地利用空間優化分析的基礎地理單元。在移動互聯時代，土地優化利用所需的城市居民行為信息，離不開基礎地理信息技術和數據。在其支持下，基于地理圍欄技術（按地理空間位置圍出一個虛擬的地理區域）的精準信息推送服務，以及電子商務、線上線下服務等[11]均是許多大數據采集的基礎。

3.2 遙感影像數據產品

遙感技術可以實現對目標區域的多時相、多尺度快速觀測，提供了多傳感器、多用途、多分辨率、多頻率的觀測數據?，F代遙感更以高空間、高光譜、高動態為標志（如中國的高分、資源系列和國外的QuickBird、IRS、IKONOS等衛星），在城市規劃、建設和管理、城市生態系統評估與土地優化利用等各領域得到廣泛使用[12]。各種遙感指數如植被指數、水體指數、建筑指數、不透水面指數、裸土指數、亮溫及濕度指數對于快速監測城市生態系統各要素（綠度、熱度、濕度、不透水率等）的空間格局，城市熱環境狀況，城市生態質量，以及分析城市人居環境適宜性及生態系統評價，具有不可替代的作用[13-14]。經過深層加工的遙感信息產品，如高分辨率土地利用圖、城市生態質量監測產品、城市熱環境分布產品、夜間燈光數據支持的城市擴展和人口分布信息產品等，在土地利用空間格局合理性及功能用地效率評價，以及土地利用類型變化分析等方面意義重大。

3.3 個體時空數據

主要是指來自智能手機或其他具有全球定位功能的個人終端數據。目前以智能手機的通話數據最典型，具有海量、真實、實時和空間覆蓋廣4大優勢。當用戶接打電話或接發短信時，通過手機基站獲取大量用戶位置，能夠間接分析城市個體的空間分布及動態變化，評價城市人口動態和功能用地效率。帶地理標簽的文本、照片、通話時間、地點以及較為精確的定位數據和用戶地理社會經濟屬性信息，也包含了時間、空間等多重維度。國外有學者嘗試通過智能手機的位置信息進行居民時空行為信息的采集，并在此基礎上分析城市人群個體移動性、居民日常行為、旅游者游憩、出行方式等，服務于城市結構和城市景觀在空間上的適宜性分析工作[15-23]。

3.4 手機APP數據

手機APP包括社交應用、地圖導航、網購支付、通話通訊、生活消費、查詢工具、拍攝美化、影音播放、圖書閱讀、瀏覽器和新聞資訊等類型。主要包括網購支付（淘寶、京東、亞馬遜、當當等）和生活消費類主題網站（攜程、大眾點評、58同城、趕集網、鏈家網等）數據。網購類數據提供了商戶的人氣、環境質量、規模檔次及商戶等級評價[24]，房產主題APP提供了住房區位、買賣租賃價格、用戶關注咨詢信息等，招聘主題APP提供了就業機構、崗位人氣和崗位薪酬信息等。這些APP數據通過統計分析可以獲取土地功能類別的興趣點位置信息、城市中心地帶分布、個體活動熱點及房價分布等信息，反映了局部經濟活躍程度，支持城市土地優化利用的功能用地效率分析。

3.5 電子地圖數據

電子地圖數據是電子地圖提供商提供的POI信息，以及用戶使用電子地圖時獲取到的有關用戶位置等信息，包括百度、高德、谷歌、搜狗、凱立德、天翼等地圖服務產品。電子地圖提供商提供的具有更強現勢性的POI信息（如醫院、大廈、超市、加油站、銀行等）、高速公路、國道、省道等道路信息，鄉、鎮、村等行政點信息，公園、水域等生態用地信息是基礎地理信息數據的有益補充。土地優化利用需要地圖使用中的個體位置、起止點、交通方式、通行速度、時長、路線選擇、擁堵狀況等，對于個體活動行為特征分析、職住分離分析、三生功能用地分布狀況及交通用地合理性分析[22,26-30]，土地功能單元的空間分布、利用效率等評價和空間優化具有支持作用。

3.6 社交應用網絡數據

網絡作為國民經濟和社會發展不可或缺的平臺，全面影響著居民活動和企業經營，因而包含了反映城市空間組織和居民行為特征的社交網絡數據。社交應用網絡如微信、微博、QQ空間、人人網、Twitter、facebook、Flikr等，可提供用戶活動地點、好友、社交信息數量和頻次等結構化、半結構化和非結構化的海量用戶行為數據。利用“網絡爬蟲”（檢索和獲取數據的計算機程序）進行下載、整理，可用于研究用戶活動狀態和特征[31]；通過分析網頁鏈接結構，評估網頁的資源量；挖掘網頁訪問日志記錄，提供個性化的產品和服務。這些工作是城市活躍地點分布監測、居民行為特征分析和土地利用效率評定與空間優化途徑分析的基礎[32-35]。

3.7 智能交通數據

智能交通設備和系統，如智能公交、電子警察、交通信號控制、卡口、交通視頻監控、出租車信息服務管理、城市客運樞紐信息化、GPS與警用系統、交通信息采集與發布和交通指揮類平臺等，每天可產生大量位置交通大數據，包含了用戶活動內容和路徑、刷卡地點和時間、乘車時長、司機和車輛編號、行駛軌跡和速度、車輛違章、交通事故、道路擁堵、全時段客運人數及遷移信息、車輛運營效率、換乘信息、交通氣象、停車場信息、出行方式和事件、路線及車次選擇、物流、貨運效率等信息。可用于交通實時監測、交通狀態分析、交通設施評估、居民出行行為研究[36-40]，以及交通與功能用地類型及數量、用地效率之間關系分析，支持城市土地利用空間優化。

3.8 物聯網傳感器數據

服務于城市治安、交通、生態環境質量管理等的城市傳感器網絡，為土地優化利用提供了更具實時性和精確性的高附加信息。海量物聯網節點的實時采集，使得其數據生成頻率遠高于互聯網。這些多樣化數據支持了各種城市管理或服務領域的復雜應用[41]，對城市環境內不同目標和屬性進行有效的描述，如溫度、濕度、光照度、空氣質量、噪音等物理數據，含氧量、二氧化碳等化學數據，細菌數和植被等生物數據。這些數據既包括底層采集的原始數據，也包括經聚合后的高層概括性數據，在城市管理，如貨物流跟蹤、環境監測、氣象監測、城市路燈控制、城市安防監控、車輛監控調度等[42-43]均得到了成功的應用。對于城市功能用地效率、生態環境質量評估，以及進一步的土地利用的空間優化具有重要支持作用。

3.9 社會經濟統計數據

社會經濟統計數據是土地優化利用中效率評價的重要信息。在土地利用優化過程中，需要參考社會經濟統計數據進行不同統計單元尺度的綜合評估。其中最為直接有效的是經濟普查數據，它反映了中國三產發展規模及布局，產業組織、產業結構、產業技術的現狀以及各生產要素的構成，服務業、戰略性新興產業和小微企業的發展狀況。利用地址解析可獲取企業位置，將社會經濟統計數據在格網層次進行降尺度處理。結合人口和用地數據，社會經濟統計數據可以用于人口—產業—用地的關聯分析，研究三生用地的利用效率等[44]。

3.10 臺站觀測數據

臺站觀測是生態、環境、農業、地球物理、海洋、天文、空間等領域獲取第一手真實性科學數據的主要方式。目前中國科學院、水利部、農業部、環境保護部、國土資源部、國家林業局等部門均建立了相應的野外觀測臺站，是野外科學觀測、科學實驗和科技示范的重要基地[46]。如中國科學院先后建立了212個野外臺站[45]，中國生態系統研究網絡則包含8個類別42個生態站。臺站觀測數據對于城市自然、生物環境及人工環境的演變規律分析，資源環境動態，功能用地類型結構，城市社會經濟發展演化，資源利用效率提高與生態環境維護等均有重要支持作用，因而成為土地優化利用中生態環境質量評估與模擬、區域土地利用優化分析不可或缺的重要資料。

4 大數據支持下的土地利用優化工作思路及潛在應用

在大數據的支持下，進行土地利用的優化工作，不僅在支撐數據源方面得到有效的多元化改進，在分析手段方面也必須同時關注政府、企業、居民的共同需求，充分考慮社會、經濟、環境和人文要素，進行多元、多目標約束下的復合分析。利用各種潛在的大數據資源，進行土地利用優化的多方面工作，在空間尺度上細化，以提高優化方案的可行性。

4.1 大數據支持下的土地利用優化工作思路

大數據支持下的土地利用空間優化工作，應當遵循以下思路（圖1）：

（1）大數據獲取。根據土地優化利用的實際需要，利用網絡爬蟲、網站公開API、直接下載或與企業/研究機構合作等方式獲得相應的大數據集。

（2）大數據存儲管理。根據不同來源的大數據類別、格式、更新周期、統計特性等，采用分布式管理系統及合適的數據分片與分配策略，確保對大數據的標準化存儲管理和高效存取。

（3）大數據時空尺度標準化。面向土地優化利用目標，確定不同數據的空間統計尺度（如標準格網、街區、街道等）和時間統計尺度，以便與傳統規劃數據、土地利用現狀數據、統計調查數據進行時空匹配和深層次模型分析。

（4）大數據統計處理。根據設定的大數據時空標準尺度，用數據融合、數據匯總、空間分布模式分析、緩沖區分析、空間關聯分析等手段處理各種原始大數據，以供后續數據挖掘和知識發現使用。

（5）大數據分析與知識發現。對大數據進行模型驅動以及空間數據挖掘等，將大數據逐漸升華到支持土地利用優化的信息和知識，如細粒度的不同功能用地效率及空間分布合理性等。

（6）決策支持輔助。在大數據分析與知識發現的基礎上，開展土地利用優化服務，評價土地利用空間質量，分析空間用地布局優劣，并與城市空間擴展預測模型相結合，分析土地利用優化的規?？刂品桨浮⒖臻g布置優化思路，支持不同土地政策可能帶來土地利用問題的情景分析。

圖1 大數據時代土地利用優化的基本思路Fig.1 conceptual framework of land use optimization in the era of big data

4.2 大數據時代的土地優化利用潛在應用分析

目前土地利用優化的工作主要體現在三個方面（表1）。其中，土地利用發展空間質量評價是土地利用現狀評價的重要內容，目的是為了土地合理利用決策提供科學依據，重點關注不同土地利用對象的空間分布現狀及利用潛力的綜合分析，主要基于統計資料和土地利用數據構建指標體系來進行城市宏觀層面統計性評估，而對于微觀層面的城市主體對建成環境的感知或滿意度有所忽略，較難客觀反映城市空間綜合發展質量。

空間用地布局優化是在土地資源用地現狀、未來發展方向及政府目標導向等條件的約束下所做出的空間安排，是土地利用空間規劃的關鍵環節，主要涉及空間結構、功能分區及用地優化布局三個層次[5]。傳統的空間用地布局更多從宏觀層面考慮區域發展/城市需求，著重強調空間的功能分區，忽視不同功能用地的空間優化分布。

城市空間擴展預測涉及人口擴展和用地擴展兩個方面。傳統的人口擴展預測一般是利用歷年人口統計數據，結合未來發展目標和人口增長變化趨勢進行建模預測[46-47]；用地擴展預測則是在分析人口增長的基礎上，結合用地潛力評價，根據近遠期用地發展需求建立模型預測未來一段時間內的用地總量[48-49]。由于人口預測缺少內部空間結構及空間動態變化的準確把握，加之用地潛力與用地現狀的空間描述能力不強，而且較少考慮城市可建用地容量的限制，最終導致用地擴展的預測結果只能局限于行政單元尺度上的總量預測，難以進行準確的空間描述。

表1 大數據支持下的土地利用空間優化潛在應用Tab.1 Potential applications of land use optimization in the era of big data

在大數據的支持下，更豐富的信息支持，細粒度數據的支撐將使這三個方面能夠提供更有價值和可操作性的分析結果。大數據支持下的土地利用空間質量評價將納入居民個體對建成環境的感知作為評價土地利用發展質量的重要指標，通過對居民就業、出行、遷居等行為數據的時空匯總分析，發現城市居民活動—移動系統的時空特征及存在問題，并與城市土地利用圖疊加分析，發現土地利用空間分布、利用效率及發展趨勢中存在的問題，從而在一定程度上提高土地利用空間發展質量評價的效果，對城市空間結構和用地布局進行科學優化和調整[10]。

基于大數據的空間用地布局優化側重政府、企業及居民等土地使用主體的日?；顒臃治瞿M，通過探索不同用地居民活動時空特征，采用聚類算法、支持向量機和隨機森林算法等大數據挖掘方法，實現對土地利用類型和功能分區的動態感知，在此基礎上通過土地的高效使用和混合布局來滿足不同用地群體的空間發展需求，平等享有和便捷、集約利用土地空間，實現土地利用空間布局優化的目標。

大數據支持下的城市空間擴展預測能綜合考慮居民日常出行活動規律，分析各街區人口變化和街區間人口交換情況，通過用戶屬性數據分析常住人口與外來流動人口、青少年人口與中老年人口的比例關系及變化規律[8]，結合基于遙感的用地潛力分析，網絡搜索獲得的居民意愿數據和案例數據，以及勘測、規劃和政策等多重維度的數據，綜合利用統計分析、空間擴展模型等手段來模擬城市不同年份的用地現狀和變化情況[9]，分析城市人口活動范圍，從而科學劃定未來的城市增長邊界。

5 討論

大數據時代的土地資源管理與土地利用優化，更需要關注城市政府、企業及居民的共同需求，充分挖掘反映土地主體行為與活動的網絡、移動設備及傳感器等大數據，結合統計、基礎地理、規劃資料等傳統信息，建立專題數據庫、空間數據庫及規劃數據庫。同時，運用時空行為分析、質性分析等多學科方法來探討土地利用與居民活動之間的密切關系，最終通過空間布局優化來實現土地資源可持續發展的目標。

利用大數據進行土地利用空間優化布局具有較大的優勢，能夠避免傳統土地利用優化的諸多局限性，但是還存在一些問題和挑戰。第一，現有土地資源領域的大數據獲取和處理技術尚未成熟，存在數據有效性、冗余處理、剝離等方面的技術盲點；第二，由于涉及到利益和保密性等原因，土地利用大數據整合共享存在一定難度，限制了空間優化大數據獲取的廣度和深度；第三，土地是各種要素交匯、大量信息交融、多種空間交叉的復雜綜合體，基于大數據的土地利用空間優化成果集中于理論和方法層面，尚未形成完善的技術體系，在模擬和分析要素相關性方面具有較大的局限性，如何與傳統數據分析相結合來避免類似問題還需進一步探索。

大數據時代的到來意味著思維方式的變革，基于全樣本微觀數據挖掘的要素間相關系研究可以把握發展總體規律，發現傳統小數據樣本分析下難以得出的潛在現象，將成為未來土地利用研究的新方向。

（References）:

［1］ 羅鼎，許月卿，邵曉梅，等. 土地利用空間優化配置研究進展與展望［J］ . 地理科學進展，2009，28（5）：791 - 797.

［2］ 倪紹祥，劉彥隨. 區域土地資源優化配置及其可持續利用［J］ . 農村生態環境，1999， 15（2）：8 - 11.

［3］ 李芬，朱志祥，劉盛輝. 大數據發展現狀及面臨的問題［J］ . 西安郵電大學學報，2013，18（5）：100 - 103.

［4］ 秦蕭，甄峰，熊麗芳，等. 大數據時代城市時空間行為研究方法［J］ . 地理科學進展，2013，32（9）：1352 - 1361.

［5］ 秦蕭，甄峰. 大數據時代智慧城市空間規劃方法探討［J］ . 現代城市研究，2014，（10）：18 - 24.

［6］ 王正興. 試論交互式土地利用規劃［J］ . 資源科學，1998，20（5）：78 - 80.

［7］ 丁亮，鈕心毅，宋小冬. 基于移動定位大數據的城市空間研究進展［J］ . 國際城市規劃，2015，30（4）：53 - 58.

［8］ 冉斌，邱志軍，裘煒毅，等. 大數據環境下手機定位數據在城市規劃中實踐［A］ . 中國城市規劃年會（論文集）［C］ .2013.

［9］ 李新運. 城市空間數據挖掘方法與應用研究［D］ . 青島：山東科技大學，2004.

［10］ 甄峰，秦蕭，王波. 大數據時代的人文地理研究與應用實踐［J］ . 人文地理，2014， 29（3）：1 - 6.

［11］ 周星，桂德竹. 大數據時代測繪地理信息服務面臨的機遇和挑戰［J］ . 地理信息世界，2013，20（5）：17 - 20.

［12］ 王?；? 遙感技術在全球變化研究中的應用［J］ . 環境科學與管理，2009， 34（1）：161.

［13］ 肖凡，朱明雅. 歸一化遙感指數的應用發展研究［J］ . 農村經濟與科技，2016，27（1）：47 - 51.

［14］ 徐涵秋. 城市遙感生態指數的創建及其應用［J］ . 生態學報，2013，33（24）： 7853 - 7862.

［15］ 郭文伯，張艷，柴彥威，等. 基于GPS數據的城市郊區居民日常活動時空特征——以北京天通苑、亦莊為例［J］ . 地域研究與開發，2013，32（6）：159 - 164.

［16］ Sagl G, Resch B, Hawelka B, et al. From social sensor data to collective human behaviour patterns: Analysing and visualising spatiotemporal dynamics in urban environments［A］ . In: Proceedings of the GI-Forum 2012: Geovisualization, Society and Learning［C］ .2012： 221 - 230.

［17］ Ellega°d K. A, et al. time-geographic approach to the study of everyday life of individuals-a challenge of complexity［J］ . Geo Journal,1999， 48（3）：167 - 175.

［18］ Papinski D, Scott D. M, Doherty S. T. Exploring the route choice decision-making process: A comparison of planned and observed routes obtained using per-son-based GPS［J］ . Transportation Research Part F: Traffic Psychology and Behaviour，2009，12（4）： 347- 358.

［19］ 郭遲，劉經南，方媛，等. 位置大數據的價值提取與協同挖掘方法［J］ . 軟件學報，2014，25（4）：713 - 730.

［20］ 任頤，毛榮昌. 手機數據與規劃智慧化——以無錫市基于手機數據的出行調查為例［J］ . 國際城市規劃，2014，（6）：66 - 71.

［21］ Sagl G. Delmelle E, Delmelle E, et al. Mapping Collective Human Activity in an Urban Environment Based on Mobile Phone Data［J］ .Cartography and Geographic Information Science, 2014，41（3）： 272 - 285.

［22］ Manfredini F, Pucci P, Tagliolato P, et al. Toward a systemic use of manifold cell phone network data for urban analysis and planning［J］ .Journal of Urban Technology, 2014， 21（2）： 39 - 59.

［23］ John D, Peter H., Ronan F, et al. Population mobility dynamics estimated from mobile telephony data［J］ . Journal of Urban Technology， 2014， 21（2）： 109 - 132.

［24］ 秦蕭， 甄峰， 朱壽佳，等. 基于網絡口碑度的南京城區餐飲業空間分布格局研究［J］ . 地理科學，2014，34（7）：810 - 817.

［25］ Roth C, Kang S. M, Batty M, et al. Structure of urban movements: Polycentric activity and entangled hierarchical plows［J］ . Plos One，2011， 6（1）： 1 - 8.

［26］ 鈕心毅，丁亮，宋小冬. 基于手機數據識別上海中心城的城市空間結構［J］ . 城市規劃學刊，2014，（6）：61 - 67.

［27］ 席廣亮，甄峰，汪俠，等. 南京市居民網絡消費的影響因素及空間特征［J］ . 地理研究，2014，33（2）：284 - 295.

［28］ Javier P. H， Roc í o S. M. To have or not to have Internet at home: Implications for online shopping［J］ . Information Economics and Policy，2011，（23）：13 - 226.

［29］ 孫智群，柴彥威，王冬根. 深圳市民網上購物行為的空間特征［J］ . 城市發展研究，2009，16（6）：106 - 112.

［30］ 王波，甄峰，張浩. 基于簽到數據的城市活動時空間動態變化及區劃研究［J］ . 地理科學，2015，35（2）：151 - 160.

［31］ Becker R A, Caceres R, Hanson K, et al. A tale of one city: Using cellular network data for urban planning［J］ . IEEE Pervasive Computing， 2011， 10（4）：18 - 26.

［32］ Naaman M, Zhang A X, Brody S, et al. On the study of diurnal urban routines on Twitter［J］ . 6th International AAAI Conference on Weblogs and Social Media（ICWSM - 12）. Dublin， Ireland，2012，（6）： 4 - 7.

［33］ 王波，甄峰，席廣亮，等. 基于微博用戶關系的網絡信息地理研究：以新浪微博為例［J］ . 地理研究，2013，32（2）：380 - 391.

［34］ 孫拔群. 社交網絡中的多媒體數據挖掘［D］ . 哈爾濱：哈爾濱工業大學，2011.

［35］ Pei T, Sobolevsky S, Ratti C, et al. A New insight into land use classification based on aggregated mobile phone data［J］ . International Journal of Geographical Information Science， 2014，（5）： 1 - 20.

［36］ 龍瀛，張宇，崔承印. 利用公交刷卡數據分析北京職住關系和通勤出行［J］ . 地理學報，2012，67（10）：1339 - 1352.

［37］ Zhou J, Wang M, Long Y. Big data for intrametropolitan human movement studies: A case study of bus commuters based on smart card data ［EB/OL］ . https：//www. beijingcitylab. com/working-papers-1/wp41-60/， 2014 - 01 - 01/2016 - 09 - 21.

［38］ Long Y, Liu X, Zhou J, Gu Y, et al. Profiling underprivileged residents with mid-term public transit smartcard data of Beijing［J/OL］ .https：//arxiv. org/abs/1409. 5839， 2014 - 09 - 20/2016 - 10 - 08.

［39］ 龍瀛，孫立君，陶遂. 基于公共交通智能卡數據的城市研究綜述［J］ . 城市規劃學刊， 2015，（3）：70 - 77.

［40］ Roth C, Kang S. M, Batty M, et al. Structure of urban movements: polycentric activity and 18 entangled hierarchical flows［J/OL］ . http：//journals. plos. org/plosone/article?id=10. 1371/journal. pone. 0015923， 2011 - 01 - 07/2016 - 10 - 22.

［41］ 宗威，吳鋒. 大數據時代下數據質量的挑戰［J］ . 西安交通大學學報（社會科學版），2013，33（5）：38 - 43.

［42］ Long Y, Wang J, Wu K, et al. Population Exposure to Ambient PM 2.5 at the Subdistrict Level in China ［J/OL］ . https：//papers. ssrn.com/sol3/papers. cfm?abstract_id=2486602， 2014 - 08 - 25/2016 - 11 - 10.

［43］ Sagl G, Resch B, Hawelka B, et al. From social sensor data to collective human behaviour patterns: Analysing and visualising spatiotemporal dynamics in urban envi-ronments［J］ . GI-Forum 2012: Geovisualization，Society and Learning. Berlin: Wich-mann Verlag：54 - 63.

［44］ 金美琳. 大數據時代的經濟普查數據分析與研究［J］ . 科技傳播，2016，8（9）： 67 - 88，162.

［45］ 牛棟. 中國科學院野外臺站網絡建設與研究進展［J］ . 林業科技管理，2003，（2）： 27 - 30.

［46］ 蘇昌貴. 湖南省未來人口預測與發展趨勢［J］ . 經濟地理，2014，（7）： 20 - 27.

［47］ 馮守平. 中國人口發展預測模型的構建與應用［J］ . 統計與決策，2010，（15）： 24 - 27.

［48］ 王偉武，金建偉，肖作鵬，等. 近紅外8年來杭州城市用地擴展行征及其驅動機制［J］ . 地理研究，2009，（3）： 685 - 695.

［49］ 王貞超. 基于GIS和MAS的城市用地擴展模擬研究［D］ . 南京：南京大學，2012.

（本文責編：王慶日）

Opportunities, Data Sources, and Potential Applications of Land Use Optimization in the Big Data Era

HUANG Hui-ping, LI Qiang-zi
（Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China）

F301.2

A

1001-8158（2017）07-0074-09

10.11994/zgtdkx.20170814.135044

2017-02-24；

2017-06-29

國土資源部公益性行業科研項目“京津冀土地優化利用一體化管控關鍵技術與應用”（201511010-05）。

黃慧萍(1973-), 女,浙江余姚人，博士, 副研究員。主要研究方向為遙感應用與大數據融合技術。 E-mail: huanghp@radi.ac.cn

李強子(1970-)，男，河南新安人，博士，研究員。主要研究方向為遙感應用。E-mail: liqz@radi.ac.cn