2021FME博客大赛 —— 杭州城市西湖区活力评价

作者：刘松

 

1、前言

1.1研究区简介

杭州是浙江省省会和经济、文化、科教中心，长江三角洲中心城市，重要的风景旅游城市，首批国家历史文化名城。杭州山水相依、湖城合璧，江、河、湖、海、溪五水共导，风景如画，堪称“人间天堂”。

西湖区是浙江省委、省政府的所在地。辖区内有西湖景区、西溪国家湿地公园、西山国家森林公园等优质旅游资源，以及灵山风情小镇、兰里景区等特色景点，绿化覆盖率40.6%、森林覆盖率42.6%以上，拥有得天独厚的自然条件。

1.2研究方法

如何评价城市空间的活力？有很多的专家从很多的维度进行了探索，有些专家从便捷性的角度出发，认为适宜居住的城市空间应该具有良好的可达性（在往期的博客大赛种也有很多相关的作品），也有些专家认为适宜的建设强度与建筑形态、足够的功能混合度是促生城市活力的空间形态基础。那么混合度从何而来，又应该怎么去量化呢？

杭州是历史文化名城，西湖区拥有得天独厚的自然条件。那么现在的西湖区是否有足够的活力？本文将采用FME平台，结合互联网上的资源，用数据的方式对西湖区各区块活力进行一个分析。

研究的思路如下图所示：

 

基于这样的思路，本文将开始对西湖区的活力展开分析。

2、收集数据

数据是分析的基础，本次的分析也不例外。按照思路，本文共需要三种数据，分别是：1、路网数据，2、POI数据，3、行政区划数据。

在收集好各种数据之后，我将使用路网+行政区划数据，来构建交通小区（以下统称地块）；使用POI来分析城市的各地块的混合度；并给予此来评估地块的活力。

2.1路网数据

本文中使用到的路网数据，来自于OSM。获取方式为从OSM平台直接下载。

2.2历年POI数据

本次分析使用到的数据为2012-2017年POI数据，数据来源于互联网开放平台。获取方式为从互联网直接下载。

2.3行政区划数据

来自于国内数据厂商：高德。获取方式为：使用FME模板下载。下载模板如下所示：

 

获取逻辑为：1、发请求；2、解析数据；3、纠偏；4、写出。由于数据获取不是本文重点，故不再赘述。

3、处理数据

为了这次研究，我获取到了很多的数据，但这些数据都没办法直接使用。想要把数据应用到研究中，需要进行一些处理。在这一步骤主要完成两项数据处理：1、生成地块数据，2、筛选出研究区POI数据。那么一起来看下我是怎么处理这些数据的吧。

3.1地块数据生成

地块（交通小区）是指由路网构成的不规则网格，地块是承担城市管理和城市规划社会经济功能的基本单元，也是城市区域的自然边界之一。

之所以采用地块而不是画格网来进行分区的原因是：与格网相比，地块内部具有更紧密的联系。一个地块由若干主干道围合而成，可能是一个小区、居民点或者商场，而格网不具有这种特性。因此后续的分析将基于地块进行。

生成地块的思路为：

 

具体的处理流程为：

 

下面来介绍下处理流程中的几个关键步骤。

3.1.1 裁剪路网

从OSM下载的路网数据，并没有按照行政区划进行区分。也就是说：想要得到西湖区的路网数据，需要一些处理。我采用了FME来对数据做裁剪处理。使用FME的Clipper转换器，对OSM的路网进行裁剪后，得到杭州市西湖区的路网数据

3.1.2 挂接道路级别含义

OSM道路数据有自己的一套分类体系，包含了主干道、高速路与各种小路。具体的如下图所示：

 

                                                                                                                                  内容来源于城市数据人

英文部分为OSM数据中的分类信息，还好有人已经整理好了其分类对应的信息（上图）。但这样的内容没办法直接使用，借助FME的能力，我将上面的文本处理成了下图所示的表格：

 

然后使用表格进行挂接，即可按照其中文类型进行道路级别的筛选。

3.1.3 筛选主要道路

使用FME转换器，按照道路级别，筛选出主要道路、高速公路、干道、次要道路四种类型的数据。筛选后的路网如下图所示：

 

3.1.4 地块构建

使用路网与行政区进行拓扑分析，打断相交的面与线，再进行构面操作，最终形成了如下图所示的图层：

 

再通过面积与边长的比，去掉一些狭长面，输出后得到了最终的地块：

3.2 POI筛选

POI数据是各行各业使用比较多的数据。我获取到的POI数据也是全国数据，并没有分区。与地块数据的处理相比POI数据的筛选比较简单，用一个模板截图来说明吧。

 

如上图所示，我使用了FeatureReader结合Where 字句参数来获取历年的数据。使用此方式来进行数据获取，无需读入全部数据，比较高效。

4、分析数据

当数据准备好之后，就到了分析的阶段。

4.1 分析思路

我们首先将POI与地块进行叠加分析，然后再根据公式计算地块的熵值，再加上POI总量及面积指数，最终得到地块的活力指数。

分析的思路为：

 

具体的分析流程为：

下面来介绍下分析流程中的几个关键步骤。

4.2 叠加分析

FME有很多的转换器都可以完成空间数据的叠加分析，在本次分析中，我使用了PointOnAreaOverlayer转换器来完成POI点层与地块面层的叠加分析：

 

在叠加时，将叠加次数存储在ybs字段中，并且为面要素启用列表参数来存储面上的所有点的类别。

4.2.1 混合度计算

在计算混合度之前，先来了解一下什么是熵，什么是信息熵？

4.2.1.1 什么是熵？

 

 

熵，最初是用来描述“能量退化”的物理状态的物质状态参数。但是在很长一段时间内，大家虽然一直都在使用熵，却并没有认清熵的本质。一直到统计物理、信息论等一系列科学理论的发展，熵的本质才逐渐被解释清楚，即：熵的本质是一个系统“内在的混乱程度”。

国内也有专家学者尝试借助“信息熵”的概念来度量城市土地利用的多样性和混合度。

4.2.1.2 什么是信息熵

信息是个很抽象的概念。人们常常说信息很多，或者信息较少，但却很难说清楚信息到底有多少。比如一本五十万字的中文书到底有多少信息量。

直到1948年，香农提出了“信息熵”的概念，才解决了对信息的量化度量问题。信息论之父克劳德·艾尔伍德·香农第一次用数学语言阐明了概率与信息冗余度的关系。

信息熵计算公式：

HU=-pii=1nlogpi

其中pi为事件i发生的概率。

4.2.1.3 混合度计算

按照熵的计算公式（HU=-pii=1nlogpi）我们来计算一下每块地的熵值。我们每类POI可以看成是同一类型的事件，再把叠加分析后的列表中POI数据进行分析，获取到每类POI所占比例，然后再根据公式计算，即可得到每个地块的熵值（混合程度）。POI本身有自己的分类体系，我使用的西湖区历年POI，涉及到大类23类，中类178类，小类533类。为了更好的体现出科学性，在后续的分析中，我使用最精细的小类来计算熵值。

在实际的计算中，我使用了Python来进行熵值的计算，由于FME对Python的友好支持，使得这个计算非常的简单。

 

需要注意的是，在取对数的计算中，我使用了每个地块内的POI总量做底来计算地块的混合度。

4.2.2 计算POI总量及面积指数

在设计这个指数的时候，充分考虑到与总量相关的面积，我设计了如下公式来计算该指数：

P=k*m/a

其中P为指数，k为常数，m为地块内POI数量，a为地块面积（单位为平方米）。

与熵值的计算相比，借助于FME对四则运算的友好支持，P值的计算要更简单一些：

 

计算方式如上图所示，上图中k值取100。这个值是依经验取的，科学性，还有待验证。

4.2.3 计算活力指数

单纯的依靠熵值，并不能很好的体现出地块的活力。POI数量本身也是一个能够反应城市活力的很重要的一项指标，所以在最终结果中我加入了POI总量与地块面积指数来体现地块活力指数。计算得到的最终数值，来作为地块活力的评价依据。

 

这里的四六开，也是根据经验取的，给POI总量及面积指数较大的权重，是为了凸显其重要性。但这种做法的科学性还有待验证。

4.2.4 批量计算历年地块活力指数

由于使用的数据比较多，在调试好上述功能模板之后，在功能模板的基础上，直接使用批处理方式进行历年地块活力指数的计算

 

 

4.3 分析结果

经过上述计算，最终得到了2012年至2017年的地块活力图。

从上图我们看到，2012年地块活力还属于一般级别（黄色）的部分数据，到了2017年却变成了绿色。其实这不是说这些地块的活力降低了，而是这些地块这些年变化不大，而同区的其他地块发展的太快。放在同一尺度下来看，就好像是这些地块的活力降低了一样。

4.4 总体评价

经过对历年的地块活力图进行观察，发现西湖区活力最高的地块集中在如下图所示的区域：

 

虽然偶有变化，但上图中标出的区域基本上在历年都处于比较高的活力水平。而这个分析结果，跟百度热力图基本吻合，说明这种评价方式还是可行的。

 

4.5 分地块评价

看完整体，再来分地块看一下。

本次选取如下图所示的这个地块作为例子

 

再来查看一下该地块历年POI的情况

 

可以看到，从2015年开始，该地块的POI数量开始显著增加。那么在2015年发生了什么呢？从互联网上的公开资料中，我找到了如下图所示的资料：

 

2015年，该地块迎来了以西溪银泰为代表的一批商业、办公、住宅等类型的POI（一般POI（商业/地产）在项目开始的时候就会出现在互联网地图上，并不是完工了才会出现）。这些POI的到来，反应在地块活力指数上如下图所示：

 

我们可以从上图看到，从2015年开始，其地块活力值发生了数量级的增长，并且总体趋势一致在上升。这与现实情况也是一致的，现在该地块已经变成了集高端住宅、商业、娱乐为一体的高活力地块。

5、总结

5.1 研究存在的不足

由于作者水平及精力限制，本次研究还存在很多的不足。总结起来主要有以下几条：

1）缺少历年路网及POI数据。研究中使用的路网数据是最新的；POI数据也只有2012年至2017年，2017年至今的部分，是缺少的；

2）在计算地块混合度的时候，其实每种类型的POI对地块的混合度影响并不相同。这个很好理解：一所医院跟一个小吃店相比，显然医院对地块的混合度影响更大，但在本次的分析中并没有考虑权重；

3）用POI总量与面积指数结合地块混合度（熵值）来评价地块活力，还处于探索阶段，并没有得到充分的验证；

4）在评价阶段验证的时候使用了现在的百度热力图，来验证2017年的评价结果，在逻辑上不是很严谨。

以上是列出的几条本次研究存在明显不足的地方，由于作者水平限制，本文难免会存在其他不足，敬请各位读者斧正。

5.2 研究的意义

本文从收集数据，到处理分析数据再到得出结论，针对地块活力的量化给出了一套完整比较完整的可行的方案。但各位读者也能看到，评价本身，受制于数据、模型的限制，还存在一些不足，还有很大的改进空间。虽有诸多的不足，但这个评价的结果跟现实还是比较吻合的，这又说明这种方式是可行的。通过本文的探索，希望能给各位带来一些启发。

本文采用的主要数据处理工具是FME，通过这次研究，充分体现出了FME强大又灵活的能力，在数据处理的各个阶段，都能使用FME来进行数据的处理与分析。做数据分析用FME，真香！