雖然在典型功能及精細地塊尺度上都能有較好的分類結果，但仍存在部分不能識別的比例，說明單從人類活動的特征推測用地功能在功能更加混合的用地上區分度不夠，且小地塊的人類活動數量會對異常事件有敏感的反應，導致分類結果的誤差，后續還得結合POI數據和人類活動的數據共同判斷地塊的用地功能。

　　2.2網格尺度研究結果

　　為了彌補郊區大地塊中分類精度的不足，網格尺度分別對POI數據、歸一化后的48個小時分時人口曲線數據和原始曲線數據進行空間匹配，以對單一網格進行更為立體的解讀。在使用k-means進行分類前，通過Silhouette檢驗，分組組數為5組。

　　在POI分組中，分組依據主要為不同種類POI的比重。5類分組結果分別為商業商務綜合地塊、交通服務富集地塊、商業混合地塊、市級活動中心，及居住企業學校地塊。從分組結果可以得知，POI的分組結果更偏重對商業的描述，而對居住及公共服務功能的描述則略有不足，而這也是由POI自身為商業導航的性質所決定的。因此，使用分時人口數據分類結果進行疊加顯得更有必要。

　　POI分類結果分析

　　在未歸一化的原始曲線分類結果中，分類依據主要是人口活動規模，由低到高共分為5類。結果主要體現了地塊的職住特性與工作日和休息日的特征差異，職住性質分別從純工作場所類到職住平衡類再到居住娛樂類共分5類。而在此分類方法中無法完好區分的居住和娛樂則可由POI的分類結果進行很好的彌補。

　　分時人口密度分類結果

　　將3種分類結果進行疊加，排除不存在及特征重復的組合，共得到11類用地功能分類。與已知特征的地塊進行比對，可以發現該用地功能分類的結果能夠較好地對研究范圍內的500m網格進行功能區分，并且區分結果可以進行較好的解釋。

　　以筆者較為熟悉的五道口地區為例。該區域內用地功能混合度較高、類型較為多樣。分類結果上，筆者發現該尺度分類方法對學校的識別效果較好，華清嘉園等小區則被識別為商務中心類型，與其小區內數量眾多的小公司及周邊繁華的餐飲零售業的現狀相契合。各研究院所及清華科技園所在地塊在該分類方法中也可以被較好地識別出來，呈現出與學校和零售商業不同的分類結果。

　　疊加結果分析