城市是覆盖有一定数量的人群和房屋的密集结合体，“城”与“市”分别体现了这两方面的内涵。传统方法一般借助人口统计数据、就业数据等进行城市街区研究，但通常时效性不高，并且结果不甚精确。随着感知技术的发展与各种大数据的产生，很多学者借此对城市中心与街区活力进行了分析，例如利用夜间灯光^[1]、土地覆盖^[2]等信息对城市中心进行探测与分级；利用热力图对城市活力空间进行动态机制研究^[3]；融合多源社会感知数据分析街区活力影响因素^[4]，对功能区进行分类等^[5-7]。街区活力的判定与优化设计对城市发展至关重要。然而，人们趋向于对热点街区进行分析，很少关注冷点区域，并且鲜少有研究将人流密度和街区建筑环境结合起来进行分析。

本文提出了一种结合遥感和社会感知数据的城市冷热点街区研究方法，使用合成孔径雷达（synthetic aperture radar, SAR）影像，利用时序性强的Sentinel-1A数据进行相干值分析，识别建筑群，得到街区内衡量建筑环境稳定程度的相干值指标；在人口活力方面，采用热力图判别人口的聚集性，将工作日与休息日的宜出行人口热力数据作为人口聚集的指标。比较两个指标在不同街区的差异，利用地理加权回归（geographical weighted regression, GWR）、局部自相关分析等方法对街区是否具有活力及冷热点街区特征进行了分析，为改善街区空间活力提供依据。

1 研究区域与数据处理 1.1 研究区域

本文研究区域为武汉市三环内以及沌口、武钢、庙山片区，这些区域涵盖了武汉市绝大部分人口与街区。2016年武汉市被列为国家中心城市后，其发展步伐越来越快，越来越多的地块被投入建设。但是，随着“摊大饼”的城市发展，城市中已建成区域是否符合预期，是今后城市扩张及建设速度的重要参考，街区活力分析可为城市规划管理提供重要参考依据。

1.2 数据来源与预处理

1）建筑区域检测。本文采用欧洲航天局Sentinel-1A雷达数据对城市建成环境进行检测。不同于光学传感器，SAR工作的微波波段能穿透云层，使观测结果不受天气影响，重访周期短且规律性强，能提供较为规律的数据。本文选取干涉宽幅（interferometric wide-swath, IW）的VV极化数据，对于建筑物等光滑的地面，VV极化有较强后向散射系数，能更好地识别建筑体，IW成像模式分辨率为5 m×20 m。本文选取2018-10-04与2018-10-16的两幅单视复数（single look complex, SLC）影像数据，利用SAR干涉测量（interferometric SAR, InSAR）过程中的相干系数构建城市建成环境特征指标^[8]。传感器发射电磁波时会记录初始相位，经地表反射后，接受的回波具有不同的相位，相干值即两幅SLC影像之间相位差的相对测量。图像配准后，可以计算出相干值，进而推断在干涉像对的时间间隔内地面特征是否发生变化，相干值表达式如下：

$ \gamma=\left|\frac{\frac{1}{N} \sum\limits_{a=0}^{N} M_{a} S_{a}^{*}}{\frac{1}{N} \sum\limits_{a=0}^{N} M_{a} M_{a}^{*} \times \frac{1}{N} \sum\limits_{a=0}^{N} S_{a} S_{a}^{*}}\right| $

(1)

式中，N为邻域像素数；M和S表示某一像元主从SLC影像的值，包含幅度相位信息；M^*、S^*分别为M和S的共轭复数；γ为相干度的值，范围在0~1之间，趋近0意味着两幅图像的相位观测相互抵消，地面沉降和隆起、底层大气^[9]和电离层^[10]导致的相位延迟，卫星系统本身的变化以及时间去相关会导致相干值偏低。趋近1说明观察到了稳定的物体，在城市中，建筑物的相位信息相较水体和植被更加稳定。因此，根据相干值可识别城市中的建筑区域。

2）热力图的构建。热力图基于智能手机终端和WiFi热点定位位置得到，能判断人口的稀疏与密集程度。宜出行热力图由一定程度上能代表人口分布的微信用户定位记录构建。本文通过Python+Selenium库驱动浏览器获取微信宜出行cookie，获取了2018-10-10（工作日）、2018-10-13（休息日）每隔2 h总共24个时间点的热力图数据。其格式为{grid_x, grid_y, count}，其中，grid_x、grid_y为加密后的坐标，count为热力值，取值N≥0。通过坐标解析得到间隔为25 m的原始坐标，统计不同日期共计24个时间点的max{count}作为该像元的热力值，解决单一时间点数据带来的偶然性，进而得到25 m分辨率的热力图。

2 确定城市建筑环境与人流密度指标 2.1 利用相干值识别街区建筑环境

基于相干系数的含义，本文以相干值衡量街区建筑环境。对InSAR过程中的相干值进行各项异性非线性扩散滤波，迭代次数t=5，去除其斑点噪声，如图 1(a)所示；然后以OpenStreetMap路网围合区域为一个街区单位，统计街区内平均相干值，赋予街区一个相干值的属性。由图 1(a)、图 1(b)可知，相干值低（黑色）的区域多为江河湖泊，相干值高（白色）的区域为市域内街区。本文选取几种典型建筑环境街区与实际街景进行对比，如图 1(c)、图 1(d)所示。图(c)①的街区均表现出较高相干值，从对应街景能看出，此区域建筑物密集，且光学影像上未显示出建筑物环境的改变，因此，此区域街区建成程度高并且建筑环境稳定。图 1(c)②中存在较低相干值的街区，实际街景显示此区域存在建设中的街区，说明在两幅SAR影像时间段内，该街区处于建设阶段，建筑物环境不稳定，因而相干值较低。图 1(c)③中相干值较低的街区为公园、湖泊、空地，这些特征会导致后向散射偏低，从而相干值偏低。上述实验证明，相干值的高低能作为探测街区内是否存在稳定建筑物环境的指标。

2.2 以热力图为人流密度指标

本文以武汉市街道办事处第六次人口普查数据为标准，检验热力图作为人流密度标准的可靠性。如图 2(a)所示，计算街道办事处内最大热力值的总和与其人口普查数据的相关性指标，R²=0.476；将最大热力值总和对数变换后，其与人口普查数据的R²=0.683。这说明热力值与街道办层级的人口分布具有一定相关性，热力图能反映地区人流密度分布。由图 2(c)可知，不同年龄段人口与热力值的相关性存在差异，[15, 65]岁的人口与热力值相关性更高，这与使用智能设备的中青年群体比例更高有关。因此，热力值一定程度上能作为人流聚集程度的依据，对数变换后的街区平均热力值可作为街区人流密度指标。

2.3 建筑环境与人流密度的相关性分析

在构建了表示建筑环境与人流密度的指标之后，本文在栅格单元和街区两个层级进行分析。以25 m×25 m栅格单元为单位，对其相干值和热力值属性二值化，当网格内相干值γ > 0.5时，认为在该主从影像时间段内，此单元内存在稳定的建筑环境^[11]；网格热力值max{count} > 0时，则认为该网格为具有一定人流密度的区域，因此可将单元网格划分为4个类型，相应的编码表为：①非建筑区域+低人流密度(0, 0);②建筑区域+低人流密度（1, 0);③非建筑区域+高人流密度(0, 1);④建筑区域+高人流密度（1, 1）。

图 3中以不同颜色表示不同类型的单元网格，其中四格表为各类型总栅格数，进行卡方检验，通过显著性检验χ² > 3.84且P < 0.01，且Kappa系数值等于0.385(Kappa系数取值为[-1, 1]，大于0且越大说明相关性越高）。这说明建筑区域与人口活动区域具有一定相关性，即建筑与人流存在的区域范围往往是重合的。

图 4显示了街区层级的街区相干值和对数街区平均热力值的分布，以每个街区相干值和热力值为变量，对建筑环境与人流密度指标相关性进行分析，R²=0.472，说明两者具有一定相关性，街区的建筑环境越稳定，人流聚集程度越高。

两个层面的相关性分析说明，人口聚集与建筑环境在范围和聚集程度上均具有一定的相关性。

3 冷热点街区分析

本文对热点街区和冷点街区的定义与分类由街区内建筑环境和人流密度确定，根据§2，建筑环境越稳定的区域，人流聚集程度越高。因此，在大部分街区存在两种特征正相关的条件下，本文将具有一定建筑环境但人流密度低的街区划分为冷点街区；将在同等建筑环境下人流更为聚集的街区划分为热点街区。本文以GWR对街区活力进行分析，GWR在分析具有空间分布特征的变量间关系时考虑了空间异质性，表达式如下：

$ y_{i}=\beta_{i 0}+\sum\limits_{k=1}^{b} \beta_{i k} x_{i k}+\varepsilon_{i} $

(2)

式中，y_i为第i个街区的因变量；x_ik为第i个街区第k个解释变量，以人流密度指标为因变量，以建筑环境指标为解释变量时，仅一个解释变量，即b=1；β_i0、β_ik分别为常数项与该街区第k个解释变量的回归系数，其数值随着街区变化而改变；ε_i为误差项。模型的带宽基于赤池信息准则设定。由于引入了空间权重，建立的是局部回归，其因变量和解释变量间的调整R²=0.550，优于线性回归R²=0.472。

图 5为建筑环境与人流密度指标的GWR残差分布，其含义为实际观测值与拟合值之间的差。红色表示残差为正，即较同等建筑环境的街区有更高的人流密度，被识别为热点街区；蓝色表示残差为负，表示较同等建筑环境人流密度低。因此可根据残差的正负与大小判断冷热点街区类型。

对街区GWR残差进行局部自相关分析，识别其聚类特征。局部空间自相关分析用于检验不同特征街区是否与相邻空间特征存在显著关联^[12]，用Local Moran’s I衡量，定义如下：

$ I_{i}=\frac{(n-1)\left(x_{i}-\bar{x}\right) \sum\limits_{j=1, j \neq i}^{n} \boldsymbol{W}_{i j}\left(x_{j}-\bar{x}\right)}{\sum\limits_{j=1, j \neq i}^{n} W_{i j}\left(x_{j}-\bar{x}\right)^{2}} $

(3)

式中，x_i、x_j分别为街区i、j的属性值，即不同街区的残差项；x为所有街区残差项的均值；n为街区数；W为权重矩阵，包含了不同街区间计算时的权重。同时，单元i的Local Moran’s I的标准化统计量为：

$ Z\left(I_{i}\right)=\frac{I_{i}-E\left(I_{i}\right)}{\sqrt{V\left(I_{i}\right)}} $

(4)

式中，E(I_i)和V(I_i)分别是街区i的Local Moran’s I的理论期望和理论方差。局部空间自相关检验有4种聚类模式，聚类模式可根据I_i与Z(I_i)的正负判断，当均为正值时（第一象限），为高-高类型，即高值聚集类型，而均为负值时（第四象限），为低-低类型，即低值聚集类型。

图 6中，红色为热点街区聚集区域，蓝色为冷点街区聚集区域，灰色为统计结果不显著的区域。热点街区主要分布于汉口二环线内沿江区域，该区域作为老城区，沿地铁一号线分布着众多商贸中心与密集的居民住宅等；武昌区则体现在武珞路，珞喻路沿线，自中南路至光谷串联形成了一条自西向东的城市发展走廊，此外还包括一些高校区域。汉阳则因人口密度与经济发展不及前两者，热点街区的聚集主要在王家湾商圈附近。冷点街区则主要集中分布于青山、沌口、光谷南部等城市边缘的工业区。总体来说，热点街区主要聚集在城市内部，且往往是商圈或学校；而冷点街区主要分布在城市边缘，大部分是工业区。

除了城市边缘的工业区，城市内部且聚集性不特别明显的冷点街区是值得关注的街区。工业区由于其街区性质，具有稳定的建筑环境，不提供居民出行与居住需求，因此人流密度较低，被识别为冷点街区，在图 6中主要体现在靠近郊区的低-低聚类区域。本文选取图 5中的3个位于城市内部的冷点街区进行GWR残差叠置栅格分析，结果见图 7。图 7(a)为四新大道周边街区，此区域残差为负，且栅格分析显示此街区存在大量建筑区域内热力值低的区域（蓝色），这些区域大多为新建设的住宅区，说明短期内该区域的规划建设未符合预期，与此相同类型的区域还有西北湖、王家墩等。图 7(b)所示的区域为水果湖周边，在建筑区域有较少的人流分布，其成因可能是此街区内主要为行政机构及礼堂类建筑，这些建筑占地面积大但实际使用效率低，巨大的单功能的机构和土地使用将产生死寂的边缘^[13]，与其类似的部分博物馆等单一功能的街区也常为冷点街区。图 7(c)区域为青山区的冶金街道，其热力值与相干值的叠置栅格图像中显示人流分布与建筑区域分布重合（红色），即人流密度均匀分布，但总体人流密度较低。结合卫星影像与实际街景，虽然此区域并无闲置的建筑，但建筑低矮老旧，整体发展滞后于中心城区，因而整体街区活力较低，为冷点街区。对局部冷点街区进行分析发现，除工业区外，在城区内部可能存在的类型为：新城建设区域、单一功能街区、老旧建筑街区。

4 结束语

本文基于建筑环境与人口密度两个方面，结合Sentinel-1A卫星的雷达影像数据以及定位记录的热力图数据，构建建筑数据与人口的指标探测城市空间整体的活力，识别冷热点街区。结果表明，人口聚集与建筑环境在范围与聚集程度方面均具有一定相关性。对城市中的热点街区与冷点街区的识别则体现为：热点街区通常聚集分布于城市内部，且一般为商圈及学校等；而冷点街区主要分布在城市边缘的工业区，城区内部冷点街区聚集不是特别明显的街区可能有以下几种类型：新城建设区域、单一功能街区、老旧建筑街区。这些街区更值得关注。本研究整合了具有时间对应性的SAR和热力图两种数据，让实时监测和更新街区活力结构成为可能，为决策者提供了街区改善的依据。

由于研究时间与获取数据的限制，本研究仍存在以下不足：①OpenStreetMap路网的局部稀疏性使得部分区域的特征表现不明显；②街区空间活力的高低不只与建筑环境和人口有关，更多街区空间活力影响因素还有待进一步探索。