商業建筑識別方法與商業空間結構分析

何青松 唐歆宇

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

關鍵詞：POI數據;最大熵模型;商業用地;長江流域

中圖分類號：F293 文獻標識碼：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，華中科技大學公共管理學院碩士生導師，博士，副教授。

唐歆宇，華中科技大學公共管理學院碩士研究生，通訊作者。

基金項目：國家自然科學基金（ID：42001334）。

商業是第三產業中一個重要的產業部門，先進發達的商業是現代城市經濟發達的象征。商業用地是指用于開展商業、旅游、娛樂活動所占用的場所。中國自改革開放以來經濟迅速發展，城市化率不斷提高。在此背景下我國城市商業用地面積不斷擴大、商業中心逐步增多、第三產業比重顯著增加，在推動城市經濟持續發展、經濟結構轉型方面發揮了重要支撐作用。與此同時，城市商業用地布局不科學、人地矛盾加劇以及商業區發展與綠色發展的矛盾等問題日趨凸顯。準確有效的城市商業用地識別是科學分析以上問題的重要前提之一。

傳統的商業用地識別方法多利用商業網點數據、經濟調查數據、問卷數據、土地利用數據并與實地調研相結合進行研究分析，且通常以單個城市（區域）作為研究尺度。這不僅效率低下，也不利于實現宏觀區域內不同案例間的對比研究分析。近年來大數據的應用為城市商業用地空間研究帶來了新的數據源。POI （Point of Interest， POI）數據，又稱為興趣點數據，具有數據量大、易獲取、覆蓋范圍廣等優點，開拓了城市土地功能區識別方法的新領域。目前較多學者基于POI數據進行單個城市（區域）功能區的識別，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，由于數據源、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用地識別的結果。近年來，最大熵模型（Maximum entropy model， i.e. Maxent model）除了被應用于物種分布預測以外，也開始被學者應用于地理分布的研究領域。該模型可以利用單期單類樣本和地理環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、精準度高等特點，但國內尚未有學者將其應用到城市地類識別的相關研究中。本文將基于最大熵模型和POI數據對全國省會城市及直轄市商業空間用地進行識別。

長江流域是世界第三大流域，我國正在大力推動長江經濟帶的建設。在快速城鎮化的今天，各大省會城市和直轄市商業用地面積不斷擴大，土地利用低效的問題依然存在，不利于及時開展進一步規劃。因此，明晰長江流域各大省會城市和直轄市中心城區的商業用地空間結構和分布特點，有利于各大城市完善空間結構，提升城市規劃科學性，進而推動長江經濟帶戰略施行，實現長江流域地區經濟的可持續發展。

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

1 研究數據與方法

1.1 研究區域概況

本文用于城市商業建筑物識別和商業用地集聚特征分析的研究區域為長江流域的10個省會城市和直轄市。包括西部地區的昆明、成都、貴陽、重慶，中部地區的長沙、武漢、合肥、南昌和東部地區的南京、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、東部三個經濟區，共流經19個省級行政區域，流域面積達到了180萬平方千米。2017年長江流域人口數量達到4.59億人，約占當年中國大陸總人口數的33.02%，而2020年長江經濟帶GDP占中國大陸GDP的43%。目前，長江流域是我國經濟總量占比最高的流域地區，同時我國提出建立長江經濟帶，研究長江流域的10大城市對區域經濟乃至全國經濟都具有帶動促進作用。

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、隨機森林以及貝葉斯分類在內的多種分類模型進行實驗對比，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行城市商業用地識別訓練，對長江流域10城的城市建筑物進行商業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用地圖斑，最后選取核密度分析法分析各個城市商業用地的集聚特點，并對10大城市商業用地布局特點進行類型劃分。本文研究思路是基于POI數據，最大熵模型，以數據可獲取性為原則選取武漢市作為訓練樣本，對長江流域省會城市和直轄市城市用地的商業建筑物進行空間識別，并對該模型進行分析，最后利用核密度分析法分析各城商業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提出的一種機器學習模型，該模型以JAVA作為編程語言進行程序編寫。其原理是利用樣本空間分布的不確切信息和其相關空間變量之間的關聯，選出預測樣本的最大熵，再對樣本的空間分布進行預測。該模型只需收集單期單類數據，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行商業用地分布預測。

由于官方尚未公布第三次全國土地調查數據，基于數據可得性的原則，筆者利用與武漢市開展項目合作的契機得到了2018年武漢市商業用地空間分布數據。因此，武漢市作為本次研究最大熵模型的訓練樣本。通過文獻研究分析和實用性分析，根據商業用地內部基礎設施分布和建筑特點來進行影響商業分布的驅動變量的選取，例如商業建筑的功能特征明顯，主要以商用為主，娛樂休閑設施密度較大，則選取了建筑物內POI數量（POINUM）、POI類型數量（POITYPENUM）、建筑物內POI混合度（ENTROPY）3個變量;同時，商業建筑物的第三產業數量應當高于其他類別的建筑物，因而選擇了建筑物內第三產業的企業數量（NTHIRDFIRM）作為第4個變量;再考慮到商業用地地價房價偏貴，節約集約性較強，建筑物高度應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，商業用地多位于城市繁華地段，基礎設施完備，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行。

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

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大城市商業用地的面矢量數據利用ArcGIS對各個城市商業用地面中心點密度來研究各個城市商業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的空間權重函數;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，本研究帶寬設置為默認帶寬;n表示研究范圍內空間點要素的個數。

1.3 研究數據來源與處理

數據來源方面，本文的研究區主要使用到的數據有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劃，POI數據，武漢市商業用地數據。其中，建筑物數據來源于中國城市大數據分享平臺城市數據派（http：//udparty.com），數據包括每棟建筑物的矢量底圖、樓層數等信息，其有效性已經在研究中被證實;POI數據通過網絡爬蟲工具從高德地圖抓取，抓取年份為2018年。

數據處理方面，本文計算出7種POI指標，以最大熵模型為訓練方法，以武漢市為訓練樣本，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建筑物。

2 結果與分析

2.1 商業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年武漢市商業用地數據對商業建筑物識別結果進行驗證，如圖2所示。2389塊武漢市真實商業用地斑塊中有1894塊存在商業建筑物分布，即79.28%的真實商業地塊內訓練得到了建筑物的分布。從現實情況來看，大量識別為商業用地的建筑物并非位于真實商業用地斑塊內，這是由數據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不一致的現象。如一小區的樓其性質屬于商業綜合體，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用地的斑塊。

根據最大熵模型的預測結果，如表1所示，可以得知用于模型預測的7個環境變量中，應用貢獻率依次為：NTHIRDFIRM （34.9%）>POINUM （20.1%）>FLOOR （18.4%）>TOPARK （14.3%）>ENTROPY （9.9%）>AREA（2.3%）>POITYPENUM （0.2%）。其中，貢獻率排前三的影響因子依次為建筑物內第三產業企業數量、建筑物內的POI數量和建筑物樓層，三者累計貢獻率為73.4%。置換重要值則與應用貢獻率有所不同，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第三產業企業數量、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，商業建筑物的環境影響因子中，最大熵模型對建筑物內第三產業企業數量和建筑物樓層的依賴性較強，即這兩個環境影響因子對模型的構建影響程度最大。

2.2 長江流域省會城市及直轄市商業空間結構

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建筑物利用“面轉點”的方法將商業建筑物圖斑轉換為商業建筑物網點，再利用軟件里的核密度分析功能對10城的商業網點進行核密度分析，核密度分布結果，如圖3所示。

2.2.1 10城商業用地集聚特征研究

一個城市的商業用地空間集聚特征不僅反映了該城市的商業發展特點和規模，同時也將影響該城市經濟、資源、居民生活甚至區域發展的方方面面。商業集聚中心區域，也被稱為商業中心，是一個城市商業密度和強度的高值區域。商業中心的形成有利于實現商業資源的規模效應，促進城市區域商業良性競爭。

從長江流域省會及直轄市的總體商業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用地空間集聚區，其形成的空間位置、商業中心的數量和空間集聚程度均與該市的城市環境和各區發展程度相匹配。

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

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

商業用地總體形態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，其商業用地也受長江、漢江的影響在總體形態上被分割了，同時武漢被稱為“千湖之城”，全市商業用地空間分布形態因河湖水系的限制而更加復雜化;上海因黃浦江分為浦東和浦西兩塊區域，其商業用地空間也被黃浦江所分割。

城市商業用地形態發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），其中又分為商業用地形態較完整（南京），形態分割（長沙、南昌、合肥）和形態破碎（重慶）三種形態。南京受長江所限，其商業用地在長江東南側發展，又因城市東北部玄武湖和鐘山限制因此商業用地向南延伸發展，但商業用地整體形態較為完整。長沙、南昌、合肥商業用地形態被分割但各有不同：長沙主要商業用地集聚在湘江東側，少數分布在城區西北部，江西地區由于有岳麓山的阻隔不利于大規模拓展商業用地;南昌主要商業用地位于贛江東側，西側為梅嶺所限制，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，商業用地形態因此受限，同時因蜀山位于合肥城區靠西的原因，西邊商業用地被分割，形態完整度受到影響。重慶被稱為“山城”，城區用地地勢起伏較大，山體較多，同時又有長江、嘉陵江流經城區，是山地城市的典型代表，因此造成重慶市區商業用地形態破碎，完整度較低的發展態勢。

商業用地總體形態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典型的山地城市，城區內有較多丘陵、山地。商業用地面積整體較小且集中，形態較為完整，但商業用地集聚區內部東南側仍有黔靈山將商業用地較明顯地進行了分割。

2.2.2 十城商業用地空間結構研究

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

從核密度分析結果來看，重慶已經形成較多的商業中心，并且較均勻地分散在各個城區，圍繞著多個中心形成個多組團商業空間結構。這是因為重慶受多山地形和河流影響，城區分布在長江、嘉陵江等較低河流階梯和山體之間的平地上，各區域之間的交通連結相對不便。重慶多中心多組團的商業空間結構符合在山形水系制約情況下達到資源科學有效配置、各區域經濟持續發展的現實需求。

成都、南京、上海三城經濟總量大，虹吸效應強，人口眾多，需要多個商業中心分攤中心城區的壓力。又由于地形平坦，地勢較開闊，利于發展圈層式城市結構。成都市城市圈層結構明顯，人口不斷增加，傳統的商業區域無法承擔如此龐大的人口消費需求。近年來成都不斷向外圍發展，設立天府新區等區域分擔城市壓力，南邊新城區集聚程度較高，外圍也出現了一些小規模的商業集聚區，形成了多中心圈層式的商業空間結構模式。南京是中國經濟第二強省——江蘇省的省會城市，位于長三角經濟圈內，同時對安徽、江西等周邊省份亦有極強的經濟輻射能力，繁榮的城市經濟促使南京發展多個商業中心，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展發展新的商業圈層，由于南邊地勢更加開闊，核密度分析的結果可見南邊商業空間擴散程度更大。上海是長江流域唯一的超大型一線城市，是我國經濟最發達的城市，也是世界知名經濟、金融、商貿中心，商業需求極其旺盛，需要發展多中心的商業空間結構才能滿足上海市的發展需要。上海位于長江三角洲，地勢平坦，以浦西老城區為輻射源點，以黃浦江為主線不斷向外發展擴散，上海（圖3j）商業集聚程度最高的區域為黃浦江以西的黃浦區等區，沿著黃浦江呈東北-西南橢圓形商業空間形態分布，而浦東新區商業集聚程度仍不如浦西地區，由于浦東是改革開放后開發的新區，雖與浦西僅一江之隔，仍可以看出浦東、浦西商業發展的差距。

武漢（圖3f）由于長江、漢江的原因，劃為“武漢三鎮”，其商業中心是雙核心的發展模式。由于漢口經濟最為發達，商業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，武漢市區內的商業用地發展了較多的組團結構，最終形成了雙核心多組團的商業用地布局。

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

昆明、長沙、南昌都呈現出“單商業核心，多商業用地組團”的商業空間結構現狀特點。三個城市城區范圍都較小，人口較少，經濟也在不斷發展中，城市規劃仍未完成，因此都呈現出單個核心區域商業和密度值較高，其他地區存在密度相對較低的商業用地組團的商業空間分布格局。其中，昆明呈現南北發展的態勢，長沙和南昌分別在湘江、贛江形成商業核心區后沿東西向擴展商業用地組團。

3 結論與討論

本文基于POI數據和最大熵模型對長江流域省會城市和直轄市商業用地進行識別，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用地集聚特點和空間結構進行分析，主要得出以下結論：

（1）最大熵模型可以精準有效地進行商業建筑物識別。本研究選取的7個商業建筑物的環境影響因子中，建筑物內第三產業企業數量和建筑物樓層對模型構建影響程度最高。

（2）從長江流域各省會及直轄市商業用地集聚形態和商業用地延伸方向的制約因素來看，地理環境是最主要的城市商業用地聚集形態和延伸方向的“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用地空間結構有以下5種形態：多中心多組團式結構（重慶）、多中心圈層式結構（成都、南京、上海）、雙核心多組團式結構（武漢）、雙核心圈層式結構（貴陽、合肥）、單核心多組團式結構（昆明、長沙、南昌）。

（4）長江流域各城應當充分利用長江經濟帶的國家戰略部署，結合自身優勢發展經濟。各市以上海市為龍頭，依托長江黃金水道及其各級支流進行有效的資源協作和整合。商業經濟還尚未成熟的城市應當建立發展規劃，優化商業用地空間布局，拓展新的商業網點和組團，而商業用地空間結構成熟的城市（如上海）應當更加細化自身商業網點和組團布局。

本文基于POI數據和最大熵模型，在建筑物尺度上對長江流域省會及直轄市的商業用地進行識別，并加以驗證分析，結果科學、精準。與傳統方法對比，本文利用大數據和機器學習模型進行大尺度的地類識別，具有時效性強、效率高、精確、操作簡單等優勢，同時僅需從網上爬取單期單類數據，獲取途徑簡單。并且與以往建設用地不同，本次研究利用的是建筑物圖斑使得結果精確性進一步提高。同時，本文對長江流域10個省會及直轄市的商業用地空間分析有利于推動長江流域各個城市的資源協同、經濟布局科學，為長江流域城市的經濟發展提供科學參考。但必須指出，本研究所選取的POI數據指標具有一定主觀性，尚未形成完整科學的選取標準，日后需要進一步進行研究，同時，本研究所選的最大熵模型并未進行更多地類實驗，適用性仍需繼續探討。本文對各城市的商業用地等級以及與人口、居民點等因素并未結合起來進行深入研究，這將是后續研究的重點。

參考文獻：

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.中國快速城市化區域生態系統服務價值預測及權衡研究——以佛山市為例.生態學報.2020.40 （24）

3.周春山 羅彥 尚嫣然.中國商業地理學的研究進展.地理學報.2004.06

4.李衛東 張銘龍 段金龍.基于POI數據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.廣州市多類型商業中心識別與空間模式.地理科學進展.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.廣州市商業功能區空間結構研究.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.生態學報.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.生態學報.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測分布研究.測繪科學.2021.46 （03）

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

15.周曉艷 王詩琪.基于GTWR模型的長江經濟帶生態系統服務價值對城鎮擴張的時空響應.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 劉紀平 王勇 等.基于POI數據的城市建筑功能分類方法研究.地球信息科學學報.2020.22 （06）

19.葉強 趙垚 譚暢 等.新時期沿黃省會城市商業空間結構及其空間服務能力.自然資源學報.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.基于街區三維形態的城市形態類型分析——以中國主要城市為例.上海城市規劃.2019.03

22.陳蔚珊 柳林 梁育填.基于POI數據的廣州零售商業中心熱點識別與業態集聚特征分析.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育影響因素分析.測繪科學.2008.04

3127501908228