精准刻画城市住宅地价分布特征,对于科学引导城市空间布局规划、有效实现城市精明增长等具有重要意义。而城市住宅地价与其潜在影响因素之间的复杂非线性关系,给地价分布精细模拟带来了挑战。论文旨在探索基于地理大数据和集成学习的城市住宅地价分布模拟方法体系,以满足快速、精准监测地价动态变化的需要。选取武汉市为典型区,以住宅用地交易样点、兴趣点(points of interest, POI)和夜间灯光影像为数据源,以500 m分辨率网格为估价单元,提取POI核密度和夜间灯光强度作为住宅地价预测变量,采用机器学习算法和bagging、stacking集成方法构建住宅地价预测模型,并对比分析其精度。研究发现:① 单个机器学习算法中,支持向量回归(support vector regression, SVR)预测精度最高,接下来依次是k最近邻算法(k-nearest neighbor algorithm, k-NN)、高斯过程回归(Gaussian process regression, GPR)和BP神经网络(back propagation neural networks, BP-NN);② 在提升单个算法预测精度方面,stacking方法的性能优于bagging方法,使用stacking集成SVR和k-NN的地价预测模型精度最高,其平均绝对百分误差仅为8.29%,拟合优度R2达0.814;③ 基于论文所构建模型生成的城市住宅地价分布图能有效表征价格圈层分布特征和局部奇异性。研究结果可为城市住宅地价评估提供新的思路和方法借鉴。