空间分析工具之地理探测器

地/理/探/测/器

概念

地理探测器是目前学者进行驱动力和因子分析的有力工具之一，本篇文章简要介绍地理探测器的原理及使用方法，希望能够对各位读者有所帮助。

地理探测器是由王劲峰老师[1]开发的一种新的探测空间分异性，以及揭示其背后驱动因子的统计学方法，此方法无线性假设，具有优雅的形式和明确的物理含义，并且其操作简单，仅使用Excel便可以完成其操作，吸引起了众多学者的兴趣。本文将简单介绍地理探测器的原理及其具体操作。

原理

地理探测器的核心思想是基于这样的假设：如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性。地理分异既可以用分类算法来表达，例如环境遥感分类；也可以根据经验确定，例如胡焕庸线。地理探测器擅长分析类型量，而对于顺序量、比值量或间隔量，只要进行适当的离散化，也可以利用地理探测器对其进行统计分析。因此，地理探测器既可以探测数值型数据，也可以探测定性数据，这正是地理探测器的一大优势。地理探测器的另一个独特优势是探测两因子交互作用于因变量。交互作用一般的识别方法是在回归模型中增加两因子的乘积项，检验其统计显著性。然而，两因子交互作用不一定就是相乘关系。地理探测器通过分别计算和比较各单因子q值及两因子叠加后的 q 值，可以判断两因子是否存在交互作用，以及交互作用的强弱、方向、线性还是非线性等。两因子叠加既包括相乘关系，也包括其他关系，只要有关系，就能检验出来。

地理探测器包括分异及因子探测、交互探测、生态探测、风险探测4个探测器。

• 分异及因子探测：探测Y的空间分异性；以及探测某因子X多大程度上解释了属性Y的空间分异，用q值度量。
• 交互作用探测：识别不同风险因子Xs之间的交互作用，即评估因子X1和X2共同作用时是否会增加或减弱对因变量 Y 的解释力，或这些因子对 Y 的影响是相互独立的。
• 风险区探测：用于判断两个子区域间的属性均值是否有显著的差别，用t统计量来检验。
• 生态探测：用于比较两因子X1和X2对属性Y的空间分布的影响是否有显著的差异，以F统计量来衡量。

适用条件

• 擅长自变量X为类型量 （如土地利用图），因变量Y为数值量（碳排放）的分析；
• 当因变量Y和自变量X均为数值量，对X离散化转换为类型量后，运用地理探测器建立的 Y 和X 之间的关系将比经典回归更加可靠，尤其当样本量＜30 时。
• 对变量无线性假设，属于方差分析 （ANOVA）范畴，物理含义明确的，其大小反映了X （分层或分类） 对Y解释的百分比100×q%。
• 地理探测器探测两变量真正的交互作用，而不限于计量经济学预先指定的乘性交互。
• 地理探测器原理保证了其对多自变量共线性免疫。
• 在分层中，要求每层至少有2个样本单元。样本越多，估计方差越小。

应用领域

下表为地理探测器在一些方面的运用，对案例问题、研究区域、因变量Y、自变量或其代理变量X、研究发现和结论等方面进行归纳，分析比较可以发现地理探测器主要运用领域包括：土地利用、公共健康、区域经济、区域规划、旅游、考古、地质、气象、植物、生态、环境、污染、遥感和计算机网络等，地理探测器作为驱动力和因子分析的有力工具已经在以上案例中得到充分验证。

具体操作

（1） 数据的收集与整理：这些数据包括因变量Y和自变量数据X。自变量应为类型量；如果自变量为数值量，则需要进行离散化处理。离散可以基于专家知识，也可以直接等分或使用分类算法如K-means等。若数据为GIS数据，需要先将其转化为下图所示的Excel数据。小编以现有数据2017年城市蔓延度为因变量，选取自变量指标如下表，并将这14个指标进行自然断点法划分为5类。

（2） 将数据输入地理探测器软件（即解压Geo Detector安装包下的Excel文件），运行的界面点击Read Data，输入因变量Y和自变量X，点击Run运行软件。界面如图：

（3）结果分析：

结果主要包括以上4个部分。

图a显示了对于单个风险因子 （如X1） 而言的风险区探测的结果，其中表格第一行的数字“1”、“2”、“3”等是该因子各分区的编号，为类型量；第二行是在每个类型区内的蔓延度的平均值，为数值量。接下来的第6~11行是各类型分区的蔓延度之间是否存在统计差异的判断，采用显著性水平为0.05的t检验，“Y”表示存在显著性差异，“N”表示不存在显著性差异。

图a 风险区探测结果

图b展示的是所有因子q值的计算结果，结果表明园林绿地面积（X14） 具有最高的q值，说明这些变量中园林绿地面积是影响蔓延度的最主要的因子。

图b 因子探测结果

图c是生态探测的输出，就地区生产总值X1而言，与其他因子如房地产开发投资完成额X7、职工平均工资X10、社会消费品零售总额X11、公共财政支出X12、城市道路面积X13、园林绿地面积X14均存在显著差异。

图c 生态探测结果

图d交互探测的结果，其中图d是两两变量交互作用后的q值，结果表明，任何两种变量对蔓延度的交互作用都要大于第一种变量的独自作用。

图d 交互探测结果

参考文献

[1]王劲峰,徐成东.地理探测器:原理与展望[J].地理学报,2017,72(1):116-134.

[2]潘竟虎，冯娅娅. 中国农村深度贫困的空间扫描与贫困分异机制的地理探测[J].地理学报,2020,75(4):769-788.

转自：集思人生

编辑：雪莉