顾及空间句法的道路对城市扩张影响的研究.pdf

2097-3012(2023)02-0252-08 Journal of Spatio-temporal Information 时空信息学报 收稿日期:2022-02-28；修订日期:2023-06-30 基金项目:国家自然科学基金项目（42171411）；自然资源部国土空间规划与开发保护重点实验室中规院（北京）规划设计有限公司联合开放基金项目（TSPDP23/04）作者简介:展开，研究方向为城市地理、空间分析等。E-mail： 通信作者:王海军，研究方向为地理模拟、国土空间规划和土地资源评价研究。E-mail： 顾及空间句法的道路对城市扩张影响的研究 展开1，胡海1，王海军1,2,3 1.武汉大学 资源与环境科学学院，武汉 430070；2.自然资源部国土空间规划与开发保护重点实验室，北京 100871；3.中规院（北京）规划设计有限公司，北京 100044 摘 要：城市道路是城市快速扩张的重要驱动因素。为了探究城市路网对城市扩张的影响力，本文以武汉为研究区，选取 20002020 年相关数据，利用贝叶斯网络、空间句法和地理探测器三种方法相结合来探究道路网络的影响力。研究共选用了 13 个驱动因子，其中，与道路相关的因子分别是道路密度、距道路距离、接近度和中间度。结果表明：道路密度、接近度、中间度 3 个因子在整个研究期间表现出对城市扩张有较强的影响力，距道路距离这一因子影响较弱；当这些因子强度达到阈值后，对城市扩张可能性影响是相近的。道路密度、接近度、中间度3 个指标相比于距道路距离对城市扩张有较好的预测效果，希望在未来城市化扩张模拟研究中，重视这 3 个指标的作用，提高模拟精度，为规划提供指导，实现城市道路与城市用地建设的相互促进发展。关键词：城市扩张；道路网络；贝叶斯网络；空间句法；道路密度；武汉 引用格式：展开,胡海,王海军.2023.顾及空间句法的道路对城市扩张影响的研究.时空信息学报,30(2):252-259 Zhan K,Hu H,Wang H J.2023.The influence of roads on urban expansion based on the spatial syntax.Journal of Spatio-temporal Information,30(2):252-259,doi:10.20117/j.jsti.202302012 1 引 言 长期以来，我国城市快速扩张，一方面，是城市人口由2003 年的52376 万人增长到2019 年的84843万人；另一方面，是城市占地面积快速增长（刘荣增和李盼，2021；万夏凡等，2021）。许多研究对城市扩张问题高度关注，对城市扩张的机制、特征、预测进行了探讨（段琳琼等，2021；徐智邦等，2022；张慧馨等，2023）。城市扩张分析的研究主要集中在方向、强度、数量、形态及驱动力分析上。由于道路在城市扩张中的重要性，有研究结合遥感影像对城市扩张进行分析，表明城市扩张方向沿着道路发展，交通是城市扩张中的重要因素（曹雪等，2008；谭文彬等，2009；赵国梁等，2015）；也有研究发现城市道路网络对沿线土地的开发具有促进作用，且强度随着距离增加而衰减（毛蒋兴和闫小培，2005；王真等，2009）；交通道路网与城市土地利用空间形态有显著相关性，并引导城市空间格局的变化，反馈城市空间扩张（李京涛等，2014）；道路的建成还可能会引导新的城市区域形成，促进城市多中心结构的出现（乐晓辉等，2016）；针对广州市的研究表明，道路路网还能显著影响土地价格的分布（谭琦川和黄贤金，2018）；另有研究采用多元逻辑方法，基于 Landsat 和 Spot 5 遥感影像数据，发现道路是当地城市扩张最重要的因素（Alsharif 和 Pradhan，2014）。空间句法（space syntax）研究，在结合拓扑计算方法和基于可见性的空间知觉分析基础上，对空间构型进行量化解析，是一种以空间拓扑关系为基础的空间分析方法（张愚和王建国，2004；杨滔，2018），可以对城市道路关系进行描述，且被广泛应用于城市分析。sDNA（spatial design network analysis）工具提出了接近度（closeness）和中间度（betweenness）更 展开 等：顾及空间句法的道路对城市扩张影响的研究 253 贴近实际情况的路网形态变量算法（宋小冬等，2020），能与 ArcGIS 更好的结合，使用连续空间算法来保证精度（Cooper 和 Chiaradia，2020）。宋丹阳等（2018）将空间句法和道路密度结合起来分析城市土地利用特征；Xia 等（2019）利用空间句法对城市边界进行预测；王海军等（2016）基于空间句法构建出一种新的扩展强度指数；李琛强等（2021）揭示了空间扩张句法在城市扩张方面相对于道路密度的优势；宋成镇等（2022）的研究表明城市路网中心性与土地利用强度具有显著的相关性。但大部分对空间句法的研究，都表明空间句法在城市及城市道路分析中具有显著效果，直接将其应用于城市分析相关领域，却少有研究涉及空间句法相较于距道路距离、道路密度等因素在城市扩张方面有何优势。贝叶斯网络（Bayesian networks，BN）由 Pearl提出，基于贝叶斯统计原理提出，是一种基于概率的图形化网络，已被用于生态优化、耕地保护等方面（关小东和何建华，2016；郑涛等，2020）；地理探测器（geodetector）是探测空间分异性，以及揭示其背后驱动力的统计学方法，常被用于地理空间分析领域（王劲峰和徐成东，2017；石天戈和时卉，2021；祁鹏卫和张贤，2022）。基于贝叶斯原理的方法与地理探测器常被综合应用于地理学领域。张湘雪等（2019，2022）使用贝叶斯时空层次模型和地理探测器研究京津唐地区的流行病与气象因子关联和对细菌性痢疾的环境风险评估；Rong 等（2020）基于贝叶斯网络模型和地理探测器对降雨滑坡等灾害进行研究；赵丹等（2022）基于贝叶斯回归与地理探测器探究了三江源地区的植被覆盖度影响因素。城市扩张由多种因子驱动，贝叶斯网络考虑因子间的交互作用，能更好地探究城市扩张背后各因子的驱动作用。本文探讨顾及空间句法的道路与传统道路特征在城市扩张中的驱动作用，利用贝叶斯网络和地理探测器两种方法来定量分析其驱动作用，研究城市路网对城市扩张的影响程度，以期为未来城市道路及城市规划提供指导。2 数据与方法 2.1 研究区介绍 武汉地处长江中下游平原、江汉平原东部，是湖北省省会和中部中心城市，因其交通便利，被称为“九省通衢”，总面积约 8569.15 km2，常住人口约 1232.65 万人，地区生产总值约 1.56 万亿元，其路网水系分布，如图 1 所示。图 1 武汉路网水系分布 Fig.1 The roads and water systems of Wuhan 2.2 研究数据来源 研究数据来源：2000 年、2010 年、2020 年武汉市土地利用数据来源于 Globeland30，分辨率为30 m30 m，栅格数为 43595119，包含了耕地、林地、草地、水域、不透水表面等土地覆盖类型，其中，不透水表面作为城市范围进行分析。武汉土地利用类型分布，如图 2 所示。2014 年、2020 年武汉道路和铁路数据来源于OSM（open street map），在 ArcGIS 10.2 中使用 sDNA工具箱计算道路空间句法特征，使用空间分析工具箱计算距道路距离、道路密度等特征，并将上述矢量数据核密度化制成栅格数据。2010 年人口、GDP数据来源于中国科学院资源环境科学与数据中心（）。兴趣点（point of interest，POI）数据基于高德地图获得。DEM 来源于地理数据空间云（），坡度数据由 DEM 数据计算而得，为了使所有数据格网大小统一，本研究将栅格数据统一重采样为 30 m30 m 的格网分辨率。参考已有研究（赵国梁等，2015；王海军等，2018；石天戈和时卉，2021），考虑到数据可得性，本研究将城市用地是否转换作为因变量，选取 13 个因子作为自变量进行分析，其中，道路特征相关因子 4 个。为方便对因子数据进行训练，将因子数据离散 254 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)图 2 武汉土地利用类型分布 Fig.2 Distribution of land use types in Wuhan 化，在研究区内生成 17300 个随机点，将离散化结果提取至点，离散化结果，如表 1 所示。2.3 研究方法 本研究在计算出城市道路空间句法特征的基础上，结合贝叶斯网络与地理探测器两种方法，探究选取的 13 个驱动因子的具体影响力，重点比较分析道路相关因子对城市扩张的解释能力，用于揭示道路特征中蕴含的城市扩张规律。2.3.1 空间扩展句法 接近度（closeness），本研究中接近度用 NQPD（network quantity penalized by distance）指标表示，考虑了网络的权重和可达性。计算时以欧氏距离作为距离衡量方式，表示为()()NQPDE()(,)()()()xy RW y P yxd x yL yW yL x （1）式中，W（y）为线段 y 的权重；L（y）为搜索半径内 y 线段的距离；L（x）为节点 x 连接线段的搜索半径内的总长度；P（y）为搜索半径内 y 线段长度与 y 线段总长度比例；d（x，y）为 x 出发到线段 y的距离，本研究中定义为欧氏距离；Rx为搜索半径内节点 x 所连接的线段的集合。表 1 变量离散分级 Tab.1 Discretization and classification of variables 变量名称 类型 强度等级 最低 较低 中 较高 高 高程/m 连续 30 3050 50100 100200 200 坡度/（）连续 2 26 615 1525 25 距道路距离/m 连续 500 5001000 10002000 20004000 4000 距水域距离/m 连续 500 5001000 10002000 20004000 4000 距铁路距离/m 连续 500 5001000 10002000 20004000 4000 距地铁站距离/m 连续 500 5001000 10002000 20004000 4000 中间度 离散 level1 level2 level3 level4 level5 接近度 离散 level1 level2 level3 level4 level5 道路密度 离散 level1 level2 level3 level4 level5 GDP 离散 level1 level2 level3 level4 level5 人口 离散 level1 level2 level3 level4 level5 PM2.5 离散 level1 level2 level3 level4 level5 POI 离散 level1 level2 level3 level4 level5 城市用地转换 离散 否 是 展开 等：顾及空间句法的道路对城市扩张影响的研究 255 中间度（betweenness），表征整个网络中任意两点之间的最短路径经过某个顶点的次数：betweenness()()()()OD(,)yy N z RxW y W z P zy z x 1()1(;)OD(,)21()3xyzxyz xzyy z xxyz （2）式中，OD（y，z，x）为搜索半径内，经过x的顶点y与z之间的拓扑距离，当x位于y和z之间最短路径上时，OD（y，z，x）=1；当x不位于y和z之间最短路径上时，OD（y，z，x）=0。W（y）、W（z）分别为权重；P（z）为线段z在搜索半径内的比例。2.3.2 贝叶斯网络与地理探测器（1）贝叶斯网络（Bayesian network，BN）由Pearl提出，是一种基于概率的图形化网络，节点由箭头相互联系起来，表达变量之间的相互依赖关系（郑涛等，2020）。贝叶斯训练数据为提取的17300个随机点数据，参考已有研究（关小东和何建华，2016；郑涛等，2020）构建贝叶斯网络模型，如图3所示。为了验证贝叶斯网络正确性，研究采用2000 2010年城市扩张变化及相对应时期的因子训练贝叶斯网络，以20102020年城市扩张变化数据验证，预测总正确率约为82.25%，表明此贝叶斯网络的预测结果具有较强的可靠性。（2）地理事物分布的异质性是其基本特点之一，地理探测器基于统计的方法，适用于度量给定数据的分异性，以及探索事物分异背后的原因（王劲峰和徐成东，2017）。图 3 贝叶斯网络构建结果 Fig.3 Bayesian network results 3 结果分析 3.1 城市扩张贝叶斯网络分析结果 3.1.1 以城市扩张为目标的敏感性分析结果 以城市用地类型转换概率为目标变量，利用Netica对其他变量进行敏感性分析。敏感性分析结果用方差缩减百分比表示，方差缩减能反映出对应变量对目标变量信度的改变程度大小，即该变量具有较强影响力和更多的解释信息，敏感性分析结果，如表2所示。表 2 敏感性分析结果 Tab.2 Sensitivity analysis results%20002020 年 20002010 年 20102020 年 因子名称 方差缩减 因子名称 方差缩减 因子名称 方差缩减 距地铁站距离 2.030 距地铁站距离 2.310 距地铁站距离 2.210 道路密度 1.670 道路密度 1.730 道路密度 1.820 中间度 1.010 距铁路距离 0.975 中间度 1.110 POI 0.833 POI 0.956 距铁路距离 0.890 距铁路距离 0.806 PM2.5 0.927 PM2.5 0.802 接近度 0.730 接近度 0.913 接近度 0.800 PM2.5 0.707 中间度 0.588 POI 0.648 距道路距离 0.218 坡度 0.256 距道路距离 0.248 坡度 0.178 人口 0.208 GDP 0.240 人口 0.173 距水域距离 0.166 坡度 0.200 高程 0.129 距道路距离 0.153 人口 0.184 GDP 0.120 GDP 0.132 高程 0.139 距水域距离 0.088 高程 0.102 距水域距离 0.093 256 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)不同因子在不同时期对于城市用地扩张影响不同，与坡度、人口、高程等相比，道路特征相关的4个因子中：道路密度、中间度和接近度的信息解释力较强，20002020年，3个因子方差缩减分别为1.67%、1.01%、0.73%，表明道路对于城市扩张的影响力是显著的。距道路距离这一因子的方差缩减较小，只有0.218%，表明这一指标对于城市扩张影响力的信息解释力不足；道路密度与接近度在两个十年间都对城市扩张变量保持较高的方差缩减，具有较高的影响力和解释力。中间度代表着城市道路的连通性，其方差缩减在两个时期间有一个明显变化，从20002010年的0.588%，到20102020年增长为1.11%，表明道路中间度随着城市扩张发展，道路网络的不断联通完善，对城市扩张的信息解释力在逐步增加。3.1.2 以城市扩张为目标诊断性分析结果 选取道路特征相关的道路密度、中间度、接近 度和距道路距离4个因子，进行诊断性分析。利用贝叶斯网络反向进行推理，假设土地都转换为城市用地下，得到影响变量与目标变量之间定量因果关系，如表3所示。（1）4个道路指标的level1，即指标值最低的等级，发生概率均为下降。这表明，在道路基础设施不发达的区域，土地转换为城市用地的概率较低。（2）接近度和中间度指标中，level2这一级概率增加最为明显，大部分概率增加超过了3%；除了level1这一等级，其他等级的概率增加均为50%60%，这表明接近度和中间度指标稍高一点的区域，对城市用地扩张会有促进作用。（3）道路密度指标中，只有level3、level4两个等级概率上升较高，表明相比于接近度和中间度指标，城市用地扩张对该区域道路密度要求更高。道路密度这两个等级的概率增加约为30%50%；随着道路密度等级的增加，上升程度也增加，表明道路越密集的区域，城市用地扩张的概率越大。表 3 诊断性分析结果 Tab.3 Diagnostic analysis results%因子名称 强度等级 20002020 年概率 20002010 年概率 20102020 年概率 变化 变化率 变化 变化率 变化 变化率 接近度 level1 3.60 3.87 4.10 4.40 3.80 4.09 level2 2.95 51.75 3.42 60.00 3.13 54.92 level3 0.60 52.63 0.69 60.53 0.64 56.14 level4 0.04 48.15 0.05 60.49 0.05 60.49 level5 0.02 55.00 0.03 62.50 0.02 57.50 中间度 level1 4.80 5.27 2.70 2.83 5.10 5.60 level2 3.38 53.40 2.05 61.19 3.59 56.71 level3 0.98 53.85 0.61 61.00 1.04 57.14 level4 0.38 52.05 0.05 60.49 0.41 56.16 level5 0.04 59.42 0.03 62.50 0.04 59.42 道路密度 level1 8.60 14.98 9.20 14.86 9.10 15.85 level2 0.60 2.73 2.10 9.33 0.70 3.18 level3 3.90 31.97 3.32 39.15 4.00 32.79 level4 3.22 47.49 2.96 53.24 3.42 50.44 level5 0.84 53.16 0.93 61.18 0.89 56.33 距道路 距离 level1 2.50 4.66 2.20 6.73 2.80 5.22 level2 0 0 0.20 1.31 0.10 0.49 level3 0.60 3.55 0.40 2.21 0.70 4.14 level4 1.60 19.49 0.60 3.00 1.70 20.71 level5 0.33 40.24 1.90 13.67 0.35 42.68 展开 等：顾及空间句法的道路对城市扩张影响的研究 257 （4）在道路接近度和中间度指标中，level4、level5等级区域，以及道路密度中level5等级区域，概率增加不明显，表明道路密度、接近度和中间度指标高的地方，对城市用地扩张的促进作用有限，可能是因为道路发达的区域已经是城市建成区，城市用地趋于饱和。3.2 因子探测器结果分析 以武汉20002020年期间城市用地是否扩张为因变量，选取上述13个因子为影响变量，用因子 探测器进行分析每个因子对城市用地扩张的驱动程度，结果如表4所示。道路密度因子对城市扩张驱动力为26.4%，中间度与接近度分别能解释19.6%、15.1%的城市扩张原因；综合道路密度、中间度和接近度3个因子的结果，说明道路相比于其他因子，对城市扩张具有很强的驱动作用。距道路距离因子相比其他3个道路特征因子驱动力较低仅为8%，说明距道路距离的远近对城市用地扩张影响相对较弱，与前述贝叶斯网络分析结果相似。表 4 因子探测器结果 Tab.4 Factor detector results%时间范围 中间度 距道路距离 道路密度 接近度 高程 距铁路距离 坡度 20002020 年 19.6 8.0 26.4 15.1 1.8 8.9 1.0 20002010 年 4.3 0.7 2.4 4.9 0.2 0.8 0.1 20102020 年 16.7 7.3 23.3 12.4 1.7 7.8 0.9 时间范围 POI 距水域距离 GDP 人口 PM2.5 距地铁站距离 20002020 年 22.1 0.2 4.2 5.3 1.2 20.5 20002010 年 7.4 0.0 2.5 3.0 0.2 2.3 20102020 年 16.6 0.2 2.6 3.4 1.0 17.8 4 结 论 以武汉为研究区，利用道路空间句法特征，结合贝叶斯网络模型与地理探测器，本文探究了13个因子对城市扩张的驱动力，得出以下结论。（1）基于研究所选13个因子建立起贝叶斯网络模型对于城市扩张具有较强的预测性。基于贝叶斯网络模型的敏感性分析显示：与道路相关因子的驱动力和信息解释能力强于人口、坡度、高程等因子。4个与道路特征相关因子中，距道路距离因子信息解释力最弱；中间度与接近度两个因子仅次于道路密度。20002020年，道路网络随着城市发展完善，中间度对城市扩张的解释能力进一步增强。（2）基于贝叶斯网络模型的诊断性分析显示：在道路各特征指标较小的区域，城市扩张概率也较小；在道路各特征指标都较大的区域，由于已是城市用地，其扩张概率也偏小。在道路个特征指标适中的区域，道路的进一步完善可能会促进城市扩张。这表明城市在已建成区域的基础上，进一步在道路发展良好的区域进行扩张，城市扩张概率并非与道路特征指标完全成正相关关系。（3）基于地理探测器对因子影响力进行进一步探究：距道路距离因子在对城市扩张影响力弱于道路密度、中间度和接近度。道路密度对城市扩张的影响力虽强于中间度与接近度，但两者较强的影响力也表明，城市扩张更容易发生在道路连通性与空间位置较好的区域。希望在未来城市扩张和道路相关研究中，增加对道路空间句法特征的重视，用空间句法道路特征来把握和研究城市扩张甚至发展的规律，为城市规划提供指导。参考文献 曹雪,柯长青,冉江.2008.基于 GIS 技术的城镇用地扩展研究以南京市江宁区为例.资源科学,30(3):385-391 段琳琼,陈维肖,王楠楠,范昌盛,梁流涛.2021.基于贝叶斯时空模型的建设用地扩张格局差异分析以长三角和中原城市群为例.地域研究与开发,40(1):168-174 关小东,何建华.2016.基于贝叶斯网络的基本农田划定方法.自然资源学报,31(6):1061-1072 李琛强,娄宁,杨永崇,王涛,刑晓露.2021.西安市路网时空演变与城市空间变化关系研究.测绘科学,46(11):173-180,200 李京涛,周生路,吴邵华.2014.道路交通网络与城市土地利用时空耦合关系以南京市为例.长江流域资源与环境,23(1):18-25 刘荣增,李盼.2021.中国城市扩张的环境质量效应研究.生态经济,37(2):76-81,95 258 Journal of Spatio-temporal Information 时空信息学报 2023,30(2)毛蒋兴,闫小培.2005.城市交通系统对土地利用的影响作用研究以广州为例.地理科学,25(3):353-360 祁鹏卫,张贤.2022.20002019 年重庆市植被覆盖时空变化特征及其驱动因素分析.生态学报,42(13):5427-5436 石天戈,时卉.2021.基于地理探测器的乌鲁木齐城市扩张特征与时空驱动因素分析.干旱区地理,44(3):867-876 宋成镇,陈延斌,殷冠文,侯毅鸣,陈玥莹.2022.交通网络中心性与土地利用强度的相关性及空间异质性研究以青岛市主城区为例.西安理工大学学报,38(2):201-211 宋丹阳,夏畅,王海军.2018.基于空间句法的不同道路密度区内土地利用特征研究以武汉市为例.测绘地理信息,43(2):43-47 宋小冬,陶颖,潘洁雯,肖扬.2020.城市街道网络分析方法比较研究:以 Space Syntax、sDNA 和 UNA 为例.城市规划学刊,(2):19-24 谭琦川,黄贤金.2018.城市土地利用与交通相互作用(LUTI)研究进展与展望.中国土地科学,32(7):81-89 谭文彬,刘斌,刘斌,张增祥,赵晓丽,易玲,汪潇.2009.近三十年来昆明市建成区扩展遥感监测与分析.地球信息科学学报,11(1):117-124 万夏凡,卜璞,闫艺宁,杨文涛.2021.20002020 年哈-长城市群建设用地扩张分析.地理信息世界,28(6):16-21 王海军,夏畅,张安琪,刘耀林,贺三维.2016.基于空间句法的扩张强度指数及其在城镇扩展分析中的应用.地理学报,71(8):1302-1314 王海军,张彬,刘耀林,刘艳芳,徐姗,邓羽,赵雲泰,陈宇琛,洪松.2018.基于重心-GTWR 模型的京津冀城市群城镇扩展格局与驱动力多维解析.地理学报,73(6):1076-1092 王劲峰,徐成东.2017.地理探测器:原理与展望.地理学报,72(1):116-134 王真,郭怀成,郁亚娟,徐志新,詹歆晔.2009.城市土地利用与交通相互关系研究进展.人文地理,24(4):91-97 徐智邦,焦利民,王玉.2022.19882018 年中国城市实体地域与行政地域用地扩张对比.地理学报,77(10):2514-2528 杨滔.2018.基于空间句法的多尺度空间结构.城市设计,(2):22-31 乐晓辉,陈君娴,杨家文.2016.深圳轨道交通对城市空间结构的影响基于地价梯度和开发强度梯度的分析.地理研究,35(11):2091-2104 张慧馨,张丽君,秦耀辰,王静帆,段杰冉,田梦男.2023.基于POI大数据的开封市城市功能扩张与演替特征分析.地球信息科学学报,25(3):560-572 张湘雪,程昌秀,徐成东,肖革新,刘杨.2022.基于贝叶斯时空层次模型(BSTHM)和地理探测器法(GeoDetector)对细菌性痢疾的环境风险评估.环境化学,41(7):2193-2201 张湘雪,王丽,尹礼唱,徐成东,李霞,刘杨.2019.京津唐地区HFMD 时空变异分析与影响因子探测.地球信息科学学报,21(3):398-406 张愚,王建国.2004.再论“空间句法”.建筑师,(6):33-44 赵丹,王祖伟,张国壮,徐永敏,孙立坚.2022.因子回归和交互联合探索区域植被覆盖度的影响因素以三江源地区为例.中国环境科学,42(8):3903-3912 赵国梁,郑新奇,原智远,张路路.2015.道网密度与城镇扩张时空变化特征及关联性分析.农业工程学报,31(12):220-229 郑涛,陈爽,张童,徐丽婷,马丽雅.2020.基于贝叶斯网络的生态用地流失机制研究.自然资源学报,35(12):2980-2994 Alsharif A A A,Pradhan B.2014.Urban sprawl analysis of Tripoli Metropolitan City(Libya)using remote sensing data and multivariate logistic regression model.Journal of the Indian Society of Remote Sensing,42(1):149-163 Cooper C H V,Chiaradia A J F.2020.sDNA:3-d spatial network analysis for GIS,CAD,command line&Python.SoftwareX,12:100525 Rong G Z,Li K W,Han L N,Si A L,Zhang J Q,Zhang Y C.2020.Hazard mapping of the rainfall-landslides disaster chain based on GeoDetector and Bayesian network models in Shuicheng County,China.Water,12(9):2572 Xia C,Zhang A Q,Wang H J,Yeh A G O.2019.Predicting the expansion of urban boundary using space syntax and multivariate regression model.Habitat International,86:126-134 The influence of roads on urban expansion based on the spatial syntax ZHAN Kai1,HU Hai1,WANG Haijun1,2,3 1.School of Resource and Environment Science,Wuhan University,Wuhan 430070,China;2.Key Laboratory of National Territory Spatial Planning,Development and Protection,Ministry of Natural Resources,Beijing 100871,China;3.CAUPD Beijing Planning&Design Consultants Ltd.,Beijing 100044,China Abstract:Urban expansion is intricately linked to several factors,and numerous scholars have extensively investigated this phenomenon,revealing that urban roads play an exceptionally significant role in this process.For instance,urban expansion tends to occur along roads,road networks dictate changes in urban spatial patterns,and road configurations guide the formation of new urban areas.Spatial syntax,which is a method based on topological relationships for urban analysis,along with the Bayesian network,a probability-based network model diagram,and geographic detectors,capable of uncovering the driving forces behind urban expansion,are widely employed in the field of geography.To investigate the impact of road networks on urban expansion,this study focuses on the city of Wuhan as the research area and gathers pertinent data from 2000 to 2020.By calculating the spatial syntactic characteristics of the urban road network and integrating the Bayesian networks and geographic detectors,this research explores the quantitative impact of the urban road network on urban expansion.展开 等：顾及空间句法的道路对城市扩张影响的研究 259 In this investigation,thirteen driving factors are considered,among which road-related factors inlcude road density,distance to roads,proximity,and intermediate degree in spatial syntax.Initially,a thirteen-factor linkage network model is established based on the Bayesian network model.Through sensitivity analysis,the variance reduction provides insights into the influence of the corresponding factors on the conversion of urban land.Moreover,by altering urban land use attributes,the diagnostic analysis examines the quantitative causal relationship between impact factors and urban land use.The results obtained from the geographical detector method directly indicate the driving degree of each factor on urban land expansion.The findings from both methods are as follows:The Bayesian network model constructed based on the selected thirteen factors demonstrates strong predictive power for urban expansion.Among these factors,road density,proximity,and intermediate degree,all associated with roads,possess substantial explanatory abilities for urban expansion.Moreover,as the road network progressively improves,the intermediate degree exhibits even stronger explanatory capabilities for urban expansion.Diagnostic analysis based on the Bayesian network reveals that the probability of urban expansion due to the lack of road facilities is relatively small when the road indicators are low.Areas with large road indicators are mostly already developed as urban built-up areas.However,the probability of urban expansion is higher in areas with moderate road characteristics.Research-based on geographic detectors indicates that t