虽然在典型功能及精细地块尺度上都能有较好的分类结果，但仍存在部分不能识别的比例，说明单从人类 的特征推测用地功能在功能更加混合的用地上区分度不够，且小地块的人类 数量会对异常事件有敏感的反应，导致分类结果的误差，后续还得结合POI数据和人类 的数据共同判断地块的用地功能。

　　2.2网格尺度研究结果

　　为了弥补郊区大地块中分类精度的不足，网格尺度分别对POI数据、归一化后的48个小时分时人口曲线数据和原始曲线数据进行空间匹配，以对单一网格进行更为立体的解读。在使用k-means进行分类前，通过Silhouette检验，分组组数为5组。

　　在POI分组中，分组依据主要为不同种类POI的比重。5类分组结果分别为商业商务综合地块、交通服务富集地块、商业混合地块、市级 中心，及居住企业学校地块。从分组结果可以得知，POI的分组结果更偏重对商业的描述，而对居住及公共服务功能的描述则略有不足，而这也是由POI自身为商业导航的性质所决定的。因此，使用分时人口数据分类结果进行叠加显得更有必要。

　　POI分类结果分析

　　在未归一化的原始曲线分类结果中，分类依据主要是人口 规模，由低到高共分为5类。结果主要体现了地块的职住特性与工作日和休息日的特征差异，职住性质分别从纯工作场所类到职住平衡类再到居住娱乐类共分5类。而在此分类方法中无法完好区分的居住和娱乐则可由POI的分类结果进行很好的弥补。

　　分时人口密度分类结果

　　将3种分类结果进行叠加，排除不存在及特征重复的组合，共得到11类用地功能分类。与已知特征的地块进行比对，可以发现该用地功能分类的结果能够较好地对研究范围内的500m网格进行功能区分，并且区分结果可以进行较好的解释。

　　以笔者较为熟悉的五道口地区为例。该区域内用地功能混合度较高、类型较为多样。分类结果上，笔者发现该尺度分类方法对学校的识别效果较好，华清嘉园等小区则被识别为商务中心类型，与其小区内数量众多的小公司及周边繁华的餐饮零售业的现状相契合。各研究院所及清华科技园所在地块在该分类方法中也可以被较好地识别出来，呈现出与学校和零售商业不同的分类结果。

　　叠加结果分析