其他分享
首页 > 其他分享> > 地理探测器简介（R语言）

地理探测器简介（R语言）

作者：互联网

地理探测器

1. 地理探测器原理

空间分异性是地理现象的基本特点之一。地理探测器是探测和利用空间分异性的工具。地理探测器包括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（图1）。用q值度量
，表达式为：

\[q = 1 - \frac {\sum_{h=1}^LN_h \sigma_h^2}{N\sigma^2} \\ SSW = \sum_{h=1}^LN_h \sigma_h^2, SST = \sigma^2 \tag{1} \label{1} \]

image

式中：h = 1, …, L为变量Y或因子X的分层 （Strata），即分类或分区；Nh和N分别为层h和全区的单元数； $ \sigma_h^2$ 和 $ \sigma^2$ 分别是层h和全区的Y值的方差。SSW和SST分别为层内方差之和 （Within Sum of Squares） 和全区总方差 （Total Sum of Squares）。q的值域为[0,1]，值越大说明Y的空间分异性越明显；如果分层是由自变量X生成的，则q值越大表示自变量X对属性Y的解释力越强，反之则越弱。极端情况下，q值为1表明因子X完全控制了Y的空间分布，q值为0则表明因子X与Y没有任何关系，q值表示X解释了100×q%的Y。

q值的一个简单变换满足非中心F分布：

\[F = \frac {N-L}{L-1} \frac {q}{1-q} \sim F(L-1,N-L;\lambda) \tag{2}\label{2} \]

\[\lambda = \frac {1}{\sigma^2}[\sum_{h=1}^L\overline{Y}_h^2 - \frac {1}{N}(\sum_{h=1}^L \sqrt{N_h} \overline{Y}_h) ^2] \tag{3}\label{3} \]

式中：\(\lambda\)为非中心参数；\(\overline Y_h\) 为层h的均值。根据式（3），可以查表或者使用地理探测器软件来检验q值是否显著。

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。评估的方法是首先分别计算两种因子 X1 和 X2 对 Y 的q 值 ： q(X1) 和 q(X2)，并且计算它们交互（叠加变量 X1 和 X2 两个图层相切所形成的新的多边形分布，图2）时的q值： q(X1 ∩ X2) ，并对q(X1)、q(X2)与q(X1 ∩ X2)进行比较。两个因子之间的关系可分为以下几类（图3）；

image

image

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：

\[t_{\overline y_{h=1 \ \ } - \overline y_{h=2}}= \frac {\overline Y_{h=1} \ -\ \overline Y_{h=2}} {[\frac{Var(\overline Y_{h=1}\ \ )}{n_{h=1}} + \frac{Var(\overline Y_{h= 2\ \ })}{n_{h=\ 2}}]^{1/2}} \tag{4}\label{4} \]

式中： \(\overline Y _{h=1}\) 表示子区域 h内的属性均值，如发病率或流行率；\(n_h\)为子区域h内样本数量，Var表示方差。统计量t近似地服从Student's t分布，其中自由度的计算方法为：

\[df = \frac {\frac{Var(\overline Y_{h=1}\ )}{n_{z=1}} + \frac{Var(\overline Y_{h=2}\ )}{n_{h=2}} }{\frac{1}{n_{h=1\ \ }-1} [\frac{Var(\overline Y_{h=1}\ )}{n_{h=1}}]^2 + \frac{1}{n_{h=2 \ }-1} [\frac{Var(\overline Y_{h=2 \ })}{n_{h=2}}]^2} \tag{5}\label{5} \]

零假设\(H_0\)：\(\overline Y_{h=1} = \overline Y_{h=2}\) ，如果在置信水平α下拒绝\(H_0\)，则认为两个子区域间的属性均值存在着明显的差异。

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：

\[F = \frac {N_{x1}(N_{x2}-1)SSW_{x1}}{N_{x2}(N_{x1}-1)SSW_{x2}} \\ SSW_{x1}=\sum_{h=1}^{L1}N_h \sigma_h^2 , \ \ \ SSW_{x2} = \sum_{h=1}^{L2} N_h \sigma_h^2 \tag{6}\label{6} \]

式中：\(N_{X1}\)及\(N_{X2}\)分别表示两个因子X1和X2的样本量；\(SSW_{X1}\)和\(SSW_{X2}\)分别表示由X1和X2形成的分层的层内方差之和；L1和L2分别表示变量X1和X2分层数目。其中零假设\(H_0\)：\(SSW_{X1}＝SSW_{X2}\)。如果在α的显著性水平上拒绝\(H_0\)，这表明两因子X1和X2对属性Y的空间分布的影响存在着显著的差异。

2. 地理探测器（R）

GeoDetector包包括五个功能:

前四个功能实现因子检测器，交互检测器，风险检测器和生态检测器的算法，可以使用表数据计算，例如，可以计算 CSV格式（表1）。最后一个函数GeoDetector是一种辅助功能，可用于实现Shapefile格式映射数据的计算（图2）。

incidence watershed soiltype elevation
7.20 2 3 6
7.01 2 3 6
6.79 2 3 6
6.73 4 3 6
6.77 4 3 1
6.74 4 3 6
Table 1. Demo data in table format

image

Figure 2. Demo data in GIS format (a) NTDs prevalence Y, (b) Elevation X1, (c) Soil types X2, (d) Watersheds X3

GeoDetector包依赖于以下包：RGEO，SP，MapTools和RGDAL，应提前安装。

作为一个演示，提供了神经管畸形出生缺陷（NTDs）的发生Y和疑似村庄的环境风险因子或其代理变量Xs，包括健康效果GIS层和环境因子GIS图层，“海拔”，“土壤类型”的数据，以及 “流域”。

下载geodetector包：

install.packages("geodetector")

加载包:

library(geodetector)

读取数据：

data(CollectData)

class(CollectData)

'data.frame'

names(CollectData)
  1. 'incidence'
  2. 'watershed'
  3. 'soiltype'
  4. 'elevation'

2.1 分异及因子探测

因子检测器q-statistic测量变量Y的空间分异性(SSH)，或者决定了某因子X多大程度上解释了属性Y的空间分异。
Factor_Detector实现因子检测器的功能。 在以下演示中，第一个参数“incidence”表示解释的变量，第二个参数“elevation”表示解释变量，第三个参数“CollectData”表示数据集。
该函数的输出包括Q统计和相应的P值。

factor_detector("incidence","elevation",CollectData)
  1. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    elevation0.60670870.04080407

另一种方式也可用于实现函数，其中输入参数可以是每个字段的索引。 例如，在以下演示中，第一个参数“1”表示数据集的第一列中的解释变量，第二个参数“3”表示数据集的第三列中的解释变量。

factor_detector(1,3, CollectData)
  1. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    soiltype0.38571680.3632363

如果有多个变量，则该函数可以用作以下内容。 其中， c(“soiltype”,“watershed”,“elevation”)或c(2,3,4)是用于列2,3,4中的解释变量的场名和索引。

factor_detector ("incidence",c("soiltype","watershed","elevation"),CollectData)
  1. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    soiltype0.38571680.3632363
  2. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    watershed0.63777370.0001169914
  3. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    elevation0.60670870.04080407
     
factor_detector (1,c(2,3,4), CollectData)
  1. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    watershed0.63777370.0001169914
  2. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    soiltype0.38571680.3632363
  3. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    elevation0.60670870.04080407

2.2 交互探测

相互作用检测器显示风险因素X1和X2（或其他X）是否对疾病Y具有交互影响。

函数Interaction_Detector实现交互探测器。 在下面的演示中，第一个参数“incidence”表示解释的变量，第二个参数c(“soiltype”,“watershed”,“elevation”) 表示解释变量，第三个参数“CollectData”表示数据集。

interaction_detector("incidence",c("soiltype","watershed","elevation"),CollectData)
A matrix: 9 × 3 of type chr
soiltype watershed0.735680548139531
soiltype soiltype 0.385716842809428
watershedwatershed0.637773670070423
soiltype elevation0.663523698335635
soiltype soiltype 0.385716842809428
elevationelevation0.606708709727727
watershedelevation0.71359677853471
watershedwatershed0.637773670070423
elevationelevation0.606708709727727

2.3 风险探测

风险检测器计算每个解释变量（x）的每个层中的平均值，并且如果两个地层之间存在差异，则会呈体现出来。

函数Risk_Detector实现风险探测器。 在下面的演示中，第一个参数 “incidence”表示解释的变量，第二个参数 “soiltype”表示解释变量，第三参数“collectData”表示数据集。

在该函数中，每个变量的结果信息以两部分呈现。

第一部分给出了解释变量的每个层中解释变量的平均值。

第二部分测试两个地层的装置之间是否存在显着差异; 如果存在显着差异（T测试具有0.05的显着水平），相应的值是“TRUE”，否则它是“FALSE”。

risk_detector("incidence","soiltype",CollectData)
  1. $`Risk Detector`
    A data.frame: 5 × 2
    soiltypeMean of explained variable
    <int><dbl>
    16.340000
    26.687500
    36.583279
    45.843810
    56.347073
    $`Significance t-test:0.05`
    A data.frame: 5 × 5
    12345
    <chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE FALSE
    2TRUE FALSEFALSETRUE TRUE
    3TRUE FALSEFALSETRUE TRUE
    4TRUE TRUE TRUE FALSETRUE
    5FALSETRUE TRUE TRUE FALSE

另一种方式也可用于实现函数，其中输入参数可以是每个字段的索引。 例如，在以下演示中，第一个参数“1”表示数据集的第一列中的解释变量，第二个参数“2”表示数据集的第二列中的解释变量。

risk_detector(1,2, CollectData)
  1. $`Risk Detector`
    A data.frame: 9 × 2
    watershedMean of explained variable
    <int><dbl>
    16.167813
    26.813103
    36.474231
    46.728000
    55.910000
    65.845714
    76.494167
    86.360769
    96.579231
    $`Significance t-test:0.05`
    A data.frame: 9 × 9
    123456789
    <chr><chr><chr><chr><chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
    2TRUE FALSETRUE FALSETRUE TRUE TRUE TRUE TRUE
    3TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSEFALSE
    4TRUE FALSETRUE FALSETRUE TRUE TRUE TRUE TRUE
    5TRUE TRUE TRUE TRUE FALSEFALSETRUE TRUE TRUE
    6TRUE TRUE TRUE TRUE FALSEFALSETRUE TRUE TRUE
    7TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSEFALSE
    8TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSETRUE
    9TRUE TRUE FALSETRUE TRUE TRUE FALSETRUE FALSE

如果有多个变量，则该函数可以用作以下内容。 其中，c(“soiltype”,“watershed”,“elevation”)和（c2,3,4）是用于解释变量的场名和索引。

risk_detector("incidence",c("soiltype","watershed","elevation"),CollectData)
  1. $`Risk Detector`
    A data.frame: 5 × 2
    soiltypeMean of explained variable
    <int><dbl>
    16.340000
    26.687500
    36.583279
    45.843810
    56.347073
    $`Significance t-test:0.05`
    A data.frame: 5 × 5
    12345
    <chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE FALSE
    2TRUE FALSEFALSETRUE TRUE
    3TRUE FALSEFALSETRUE TRUE
    4TRUE TRUE TRUE FALSETRUE
    5FALSETRUE TRUE TRUE FALSE
  2. $`Risk Detector`
    A data.frame: 9 × 2
    watershedMean of explained variable
    <int><dbl>
    16.167813
    26.813103
    36.474231
    46.728000
    55.910000
    65.845714
    76.494167
    86.360769
    96.579231
    $`Significance t-test:0.05`
    A data.frame: 9 × 9
    123456789
    <chr><chr><chr><chr><chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
    2TRUE FALSETRUE FALSETRUE TRUE TRUE TRUE TRUE
    3TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSEFALSE
    4TRUE FALSETRUE FALSETRUE TRUE TRUE TRUE TRUE
    5TRUE TRUE TRUE TRUE FALSEFALSETRUE TRUE TRUE
    6TRUE TRUE TRUE TRUE FALSEFALSETRUE TRUE TRUE
    7TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSEFALSE
    8TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSETRUE
    9TRUE TRUE FALSETRUE TRUE TRUE FALSETRUE FALSE
  3. $`Risk Detector`
    A data.frame: 7 × 2
    elevationMean of explained variable
    <int><dbl>
    16.455882
    26.171111
    36.258108
    46.621364
    55.908889
    66.888636
    75.790000
    $`Significance t-test:0.05`
    A data.frame: 7 × 7
    1234567
    <chr><chr><chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE TRUE TRUE TRUE
    2TRUE FALSEFALSETRUE TRUE TRUE TRUE
    3TRUE FALSEFALSETRUE TRUE TRUE TRUE
    4TRUE TRUE TRUE FALSETRUE TRUE TRUE
    5TRUE TRUE TRUE TRUE FALSETRUE TRUE
    6TRUE TRUE TRUE TRUE TRUE FALSETRUE
    7TRUE TRUE TRUE TRUE TRUE TRUE FALSE
     
risk_detector(1,c(2,3,4), CollectData)
  1. $`Risk Detector`
    A data.frame: 9 × 2
    watershedMean of explained variable
    <int><dbl>
    16.167813
    26.813103
    36.474231
    46.728000
    55.910000
    65.845714
    76.494167
    86.360769
    96.579231
    $`Significance t-test:0.05`
    A data.frame: 9 × 9
    123456789
    <chr><chr><chr><chr><chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
    2TRUE FALSETRUE FALSETRUE TRUE TRUE TRUE TRUE
    3TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSEFALSE
    4TRUE FALSETRUE FALSETRUE TRUE TRUE TRUE TRUE
    5TRUE TRUE TRUE TRUE FALSEFALSETRUE TRUE TRUE
    6TRUE TRUE TRUE TRUE FALSEFALSETRUE TRUE TRUE
    7TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSEFALSE
    8TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSETRUE
    9TRUE TRUE FALSETRUE TRUE TRUE FALSETRUE FALSE
  2. $`Risk Detector`
    A data.frame: 5 × 2
    soiltypeMean of explained variable
    <int><dbl>
    16.340000
    26.687500
    36.583279
    45.843810
    56.347073
    $`Significance t-test:0.05`
    A data.frame: 5 × 5
    12345
    <chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE FALSE
    2TRUE FALSEFALSETRUE TRUE
    3TRUE FALSEFALSETRUE TRUE
    4TRUE TRUE TRUE FALSETRUE
    5FALSETRUE TRUE TRUE FALSE
  3. $`Risk Detector`
    A data.frame: 7 × 2
    elevationMean of explained variable
    <int><dbl>
    16.455882
    26.171111
    36.258108
    46.621364
    55.908889
    66.888636
    75.790000
    $`Significance t-test:0.05`
    A data.frame: 7 × 7
    1234567
    <chr><chr><chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE TRUE TRUE TRUE
    2TRUE FALSEFALSETRUE TRUE TRUE TRUE
    3TRUE FALSEFALSETRUE TRUE TRUE TRUE
    4TRUE TRUE TRUE FALSETRUE TRUE TRUE
    5TRUE TRUE TRUE TRUE FALSETRUE TRUE
    6TRUE TRUE TRUE TRUE TRUE FALSETRUE
    7TRUE TRUE TRUE TRUE TRUE TRUE FALSE

2.4 生态探测

生态检测器测试了两个风险因素x1〜x2之间是否存在显着差异。

函数Ecological_Detector实现生态探测器。 在以下演示中，第一个参数“incidence”表示解释的变量，第二个参数c(“soiltype”,“watershed”）表示解释变量，第三个参数“collectData”表示数据集。 在该功能中，F统计用于测试差异，使用0.05的显着水平。

ecological_detector("incidence",c("soiltype","watershed"),CollectData)

$Significance.F-test:0.05 =

A data.frame: 2 × 2
soiltypewatershed
<chr><chr>
soiltypeFALSETRUE
watershedTRUE FALSE

如果有两个以上的变量，则该函数可以用作以下内容，其中，c("soiltype","watershed","elevation")是用于解释变量的场的场名称。

ecological_detector("incidence",c("soiltype","watershed","elevation"),CollectData)

$Significance.F-test:0.05 =

A data.frame: 3 × 3
soiltypewatershedelevation
<chr><chr><chr>
soiltypeFALSETRUE TRUE
watershedTRUE FALSEFALSE
elevationTRUE FALSEFALSE

2.5 将数据从地图转换为表格格式

如果输入数据处于表格格式，则可以直接用作上述功能中的输入参数。 但是，如果输入数据以ShapeFeile格式映射，则名为GeoDetector的函数可用于从Shapefile Map转换为表格式，然后可以使用上述功能。 请注意，这些Shapefile层应具有相同的投影坐标系。

加载MapTools包：

library(sp)
library(rgeos)
library(maptools)

rgeos version: 0.5-5, (SVN revision 640)
 GEOS runtime version: 3.8.0-CAPI-1.13.1 
 Linking to sp version: 1.4-5 
 Polygon checking: TRUE

​
Checking rgeos availability: TRUE

​

读取数据：

data(DiseaseData_shp)
data(SoilType_shp)
data(Watershed_shp)
data(Elevation_shp)

在下面的演示中，第一个参数“disexicata_shp”表示 shape file数据存储解释的变量，第二个参数c（sallype_shp，watershed_shp，expation_shp）表示 shape file数据存储解释变量，以及第三个参数c(‘incidence’, ‘soiltype’, ‘watershed’, ‘elevation’)表示分别用于解释的变量和解释变量的实地名称。

CollectData2 <- maps2dataframe(DiseaseData_shp,c(SoilType_shp, Watershed_shp, 
                              Elevation_shp),namescolomn= c('incidence', 
                               'soiltype', 'watershed', 'elevation'))

head(CollectData2)
A data.frame: 6 × 4
incidencesoiltypewatershedelevation
<dbl><int><int><int>
15.94555
25.87455
35.92455
46.32171
56.49324
66.46324

使用从Maps2dataframe函数计算的数据集 CollectData，可以计算以下功能。

风险探测器：

risk_detector("incidence","soiltype",CollectData2)
  1. $`Risk Detector`
    A data.frame: 5 × 2
    soiltypeMean of explained variable
    <int><dbl>
    16.340000
    26.687500
    36.583279
    45.843810
    56.347073
    $`Significance t-test:0.05`
    A data.frame: 5 × 5
    12345
    <chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE FALSE
    2TRUE FALSEFALSETRUE TRUE
    3TRUE FALSEFALSETRUE TRUE
    4TRUE TRUE TRUE FALSETRUE
    5FALSETRUE TRUE TRUE FALSE
     
risk_detector("incidence",c("soiltype"),CollectData2)
  1. $`Risk Detector`
    A data.frame: 5 × 2
    soiltypeMean of explained variable
    <int><dbl>
    16.340000
    26.687500
    36.583279
    45.843810
    56.347073
    $`Significance t-test:0.05`
    A data.frame: 5 × 5
    12345
    <chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE FALSE
    2TRUE FALSEFALSETRUE TRUE
    3TRUE FALSEFALSETRUE TRUE
    4TRUE TRUE TRUE FALSETRUE
    5FALSETRUE TRUE TRUE FALSE
     
risk_detector(1,2,CollectData2)
  1. $`Risk Detector`
    A data.frame: 5 × 2
    soiltypeMean of explained variable
    <int><dbl>
    16.340000
    26.687500
    36.583279
    45.843810
    56.347073
    $`Significance t-test:0.05`
    A data.frame: 5 × 5
    12345
    <chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE FALSE
    2TRUE FALSEFALSETRUE TRUE
    3TRUE FALSEFALSETRUE TRUE
    4TRUE TRUE TRUE FALSETRUE
    5FALSETRUE TRUE TRUE FALSE
     
risk_detector(1,c(2,3,4),CollectData2)
  1. $`Risk Detector`
    A data.frame: 5 × 2
    soiltypeMean of explained variable
    <int><dbl>
    16.340000
    26.687500
    36.583279
    45.843810
    56.347073
    $`Significance t-test:0.05`
    A data.frame: 5 × 5
    12345
    <chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE FALSE
    2TRUE FALSEFALSETRUE TRUE
    3TRUE FALSEFALSETRUE TRUE
    4TRUE TRUE TRUE FALSETRUE
    5FALSETRUE TRUE TRUE FALSE
  2. $`Risk Detector`
    A data.frame: 9 × 2
    watershedMean of explained variable
    <int><dbl>
    16.167813
    26.813103
    36.474231
    46.728000
    55.910000
    65.845714
    76.494167
    86.360769
    96.579231
    $`Significance t-test:0.05`
    A data.frame: 9 × 9
    123456789
    <chr><chr><chr><chr><chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
    2TRUE FALSETRUE FALSETRUE TRUE TRUE TRUE TRUE
    3TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSEFALSE
    4TRUE FALSETRUE FALSETRUE TRUE TRUE TRUE TRUE
    5TRUE TRUE TRUE TRUE FALSEFALSETRUE TRUE TRUE
    6TRUE TRUE TRUE TRUE FALSEFALSETRUE TRUE TRUE
    7TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSEFALSE
    8TRUE TRUE FALSETRUE TRUE TRUE FALSEFALSETRUE
    9TRUE TRUE FALSETRUE TRUE TRUE FALSETRUE FALSE
  3. $`Risk Detector`
    A data.frame: 7 × 2
    elevationMean of explained variable
    <int><dbl>
    16.455882
    26.171111
    36.258108
    46.621364
    55.908889
    66.888636
    75.790000
    $`Significance t-test:0.05`
    A data.frame: 7 × 7
    1234567
    <chr><chr><chr><chr><chr><chr><chr>
    1FALSETRUE TRUE TRUE TRUE TRUE TRUE
    2TRUE FALSEFALSETRUE TRUE TRUE TRUE
    3TRUE FALSEFALSETRUE TRUE TRUE TRUE
    4TRUE TRUE TRUE FALSETRUE TRUE TRUE
    5TRUE TRUE TRUE TRUE FALSETRUE TRUE
    6TRUE TRUE TRUE TRUE TRUE FALSETRUE
    7TRUE TRUE TRUE TRUE TRUE TRUE FALSE

因子探测器：

factor_detector("incidence","elevation",CollectData2)
  1. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    elevation0.60670870.04080407
     
factor_detector ("incidence",c("elevation","watershed"),CollectData2)
  1. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    elevation0.60670870.04080407
  2. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    watershed0.63777370.0001169914
     
factor_detector(1,3,CollectData2)
  1. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    watershed0.63777370.0001169914
     
factor_detector (1,c(2,3,4),CollectData2)
  1. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    soiltype0.38571680.3632363
  2. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    watershed0.63777370.0001169914
  3. A data.frame: 1 × 2
    q-statisticp-value
    <dbl><dbl>
    elevation0.60670870.04080407

生态探测器：

ecological_detector("incidence",c("soiltype","watershed"),CollectData2)

$Significance.F-test:0.05 =

A data.frame: 2 × 2
soiltypewatershed
<chr><chr>
soiltypeFALSETRUE
watershedTRUE FALSE
 

ecological_detector("incidence",c("soiltype","watershed","elevation"),CollectData2)

$Significance.F-test:0.05 =

A data.frame: 3 × 3
soiltypewatershedelevation
<chr><chr><chr>
soiltypeFALSETRUE TRUE
watershedTRUE FALSEFALSE
elevationTRUE FALSEFALSE
 

interaction_detector("incidence",c("soiltype","watershed"),CollectData2)
A matrix: 3 × 3 of type chr
soiltype watershed0.735680548139531
soiltype soiltype 0.385716842809428
watershedwatershed0.637773670070423
 
interaction_detector("incidence",c("soiltype","watershed","elevation"),CollectData2)
A matrix: 9 × 3 of type chr
soiltype watershed0.735680548139531
soiltype soiltype 0.385716842809428
watershedwatershed0.637773670070423
soiltype elevation0.663523698335635
soiltype soiltype 0.385716842809428
elevationelevation0.606708709727727
watershedelevation0.71359677853471
watershedwatershed0.637773670070423
elevationelevation0.606708709727727

2.6 输出

因子检测器函数或风险检测器函数的结果可以保存为一个CSV文件，例如：

Result_1 <- factor_detector ("incidence",c("soiltype","watershed", "elevation"),CollectData)
write.csv(Result_1 [[1]],'./Geodetector_R/output_factor_detector_soiltype.csv') 
write.csv(Result_1 [[2]],'./Geodetector_R/output_factor_detector_watershed.csv') 
write.csv(Result_1 [[3]],'./Geodetector_R/output_factor_detector_elevation.csv') 
Result_2 <- risk_detector("incidence",c("soiltype","watershed"),CollectData)
write.csv(Result_2 [[1]][1],'./Geodetector_R/output_risk_detector_soiltype_Mean.csv') 
write.csv(Result_2 [[1]][2],'./Geodetector_R/output_risk_detector_soiltype_Significance.csv') 
write.csv(Result_2 [[2]][1],'./Geodetector_R/output_risk_detector_watershed_Mean.csv') 
write.csv(Result_2 [[2]][2],'./Geodetector_R/output_risk_detector_watershed_Significance.csv')

交互探测器函数或生态检测器功能的结果也可以保存为CSV文件，例如：

Result_3 <- interaction_detector("incidence",c("soiltype","watershed","elevation"),CollectData)
write.csv(Result_3,'./Geodetector_R/output_interaction_detector.csv') 

Result_4 <- ecological_detector("incidence",c("soiltype","watershed"),CollectData)
write.csv(Result_4,'./Geodetector_R/output_ecological_detector.csv')

标签：简介,frame,探测器,data,地理,FALSEFALSETRUE,FALSETRUE,soiltype,TRUE
来源： https://www.cnblogs.com/jiujiubashiyi/p/14879502.html