在城市化快速发展的背景下,城市的无序扩张蔓延使得城乡间的特征越发相似,城乡间的界线越发模糊,继而出现了兼具城市和乡村双重特征的城市边缘区。城市边缘区作为城市和乡村空间特征冲突和物质文化交融的聚集地,已然成为一定区域中空间形态变化量最大、物质文化交融最复杂、对外应激最敏感的地带,具有极大的复杂性、敏感性、过渡性、动态性等典型特征。由于城市边缘区土地利用的复杂性和特殊性,极易引起一系列由于城市蔓延所带来的区域性矛盾和冲突,特别是城市边缘区空间界线不确定,致使责任不明确、行政管理滞后、土地开发利用秩序混乱,极易引起一系列城市快速扩张所带来的城市病。为此,深入研究城市边缘区空间界定,采用客观科学的方法,精准界定城市边缘区地带,对于优化城市边缘区规范管理、解决城市化所带来的一系列城市病、优化城乡融合建设等起到基础性作用。本文聚焦于城市边缘区这一研究的基础性问题——城市边缘区范围的空间界定,选取广州、深圳、杭州、武汉、成都、西安这6个中国典型都市为主要研究区,从自然、社会经济的视角出发,以多源大数据和机器学习算法为核心,构建一个精确性、普适性、客观性的城市边缘区界定模型。随后对比DNN和SVM这两个不同算法模型的精确性和稳定性,探讨不同数据源对模型界定成果的影响。最后在前面模型和数据探讨的基础上,采用多源数据和DNN模型定量提取所选的中国6个典型都市的城市边缘区,并探讨中国6个典型城市的地域空间结构发展差异和城市社会经济发展状况。主要研究成果如下:(1)构建城市边缘区界定DNN(Deep Neural Networks)模型。从自然、社会经济的视角出发,对应选择土地利用数据、人口数据、POI大数据为主要数据源,在大量查阅资料的基础上,科学选取景观紊乱度、人口、餐饮业、公司企业、酒店、金融服务、科研教育为重要影响指标,选取核心区、边缘区、外缘区的对应足量样本点,结合DNN深度神经网络的模型构建方法,构建了一套基于多源数据(遥感数据、人口数据、POI大数据)和DNN模型的城市边缘区界定DNN模型。(2)对比城市边缘区界定DNN模型和SVM模型效果差异。基于相同的指标数据,对比DNN深度神经网络模型和传统机器学习SVM模型的城市边缘区界定结果差异,明确了DNN模型在城市边缘区界定方法层面上较优于SVM模型。(3)对比不同数据源对城市边缘区界定结果的影响。在所构建的城市边缘区界定DNN模型的基础上,采用控制变量的方法,分别对比分析单一遥感数据源、单一POI数据源和多源数据源的城市边缘区界定结果。实验结果表明,相对于单一遥感、单一POI,多源融合数据有着较优的识别效果。(4)对比6个中国典型城市的城市边缘区结果差异。在多源大数据和DNN模型的基础上,分析对比广州、深圳、杭州、武汉、成都、西安这6个中国典型都市的城市边缘区界定结果,明确中国不同城市的城市地域结构和社会经济发展差异。初步得出6个城市的社会经济发展状况排序(高-低):深圳-广州-武汉-成都-杭州-西安。