本文介绍Geodetector软件的下载方法,以及地理探测器分析的完整操作,并对其结果加以解读。

  首先,我们介绍Geodetector软件的下载方法。进入软件官网,可以看到其中的第四个部分为软件下载区域。对于大多数用户而言,我们后期直接在Excel中运行地理探测器即可(此时Geodetector软件就相当于是Excel表格文件中的一个);因此,我们就选择5个下载链接中前三个的任意一个即可。在这里我就选择第一个链接进行下载,如下图所示。如果大家需要基于R语言实现地理探测器操作,我们将在后续的博客中加以介绍。

  下载完成后,解压缩下载好的文件,如下图所示。可以看到,其中有一个.xlsm格式的表格文件。

  我们将上述表格文件打开。这里需要注意,如果大家打开后显示如下图所示的“启用编辑”提示,就需要点一下,开启编辑。

  接下来,在新的提示中,选择“启用内容”。

  随后,就会弹出如下所示的宏窗口,名称为“GeoDetector”;这个也就是我们GeoDetector软件的交互页面了。

  随后,我们找到存储有自己数据的Excel,将我们自己的因变量、自变量数据复制到我们刚刚打开的.xlsm格式表格文件中。例如,下图就是我存储自己数据的表格,其中第三列Dif为因变量,最后两列NDVI2020_Soil_则为自变量。

  这里有一点需要注意,在进行地理探测器操作时,我们的自变量(上图中最后两列)必须是类别数据(比如土壤类型数据、土地利用类型数据),不能是连续数据(比如人口数据、GDP数据);如果大家的自变量中有连续数据的话,一定要先转换成类别数据,再进行地理探测器分析。转换的方式有很多,比如假设你的连续数据是栅格格式的,那就可以用ArcGIS中的重分类工具,对原有的连续数据栅格进行转换。

  上图即为我将自己的数据复制完毕的样子。在还有一点需要注意:将我们自己的数据复制、粘贴到.xlsm格式表格文件中时,在复制时不要用点击列编号(就是Excel中显示ABC的那里)的方式选中列,而是需要先选中第一行,然后向下拖动,直到需要复制的内容选中完毕,再粘贴到.xlsm格式表格文件中。否则,可能会导致Geodetector软件运行报错,出现“下标越界”的提示。

  复制数据后,在Geodetector软件窗口选择“Read Data”。

  随后,我们复制的数据的列名称就将出现到软件窗口中。

  随后,依据实际情况,将我们复制好的数据进行因变量、自变量的划分;划分完毕后,点击“Run”即可开始地理探测器的运行。

  稍等片刻,即可得到结果。得到结果后,在表格文件中会生成4个新的Sheet,如下图所示。

  我们就对这些新生成的Sheet加以逐个介绍。首先是“Factor_detector”,其意为分异及因子探测,表明每一个自变量在多大程度上解释了因变量的空间分异;用q值度量,最小为0,最大为1,越大说明该自变量对因变量的空间分异解释程度越大。

  接下来是“Interaction_detector”,其意为交互作用探测,评估每两个自变量共同作用时,是否会增加或减弱对因变量的解释能力。这里一共会有5个结果,从左到右分别为非线性减弱单因子非线性减弱双因子增强独立非线性增强。如下图,我得到的结果(紫色部分)位于第3个,也就是双因子增强

  接下来是“Risk_detector”,其意为风险区探测,用于判断每两个子区域(也就是每一个自变量所分的每一种类别)之间属性值是否有显著差别。

  最后一个是“Ecological_detector”,其意为生态探测,比较每两个自变量对因变量的空间分布的影响是否有显著的差异。

  以上四个指标,便是地理探测器所得到的不同分析结果。我这里只是简单罗列了一下各指标的含义,大家如果需要详细了解的话,建议查阅一下《地理探测器:原理与展望》这篇论文。论文的作者也就是Geodetector软件的作者,因此这一篇论文的内容对于地理探测器原理、结果解释等的理解会很有帮助。

地理探测器Geodetector下载、使用、结果分析方法的更多相关文章

  1. 地理探测器简介(R语言)

    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 ...

  2. [搜片神器]直接从DHT网络下载BT种子的方法

    DHT抓取程序开源地址:https://github.com/h31h31/H31DHTDEMO 数据处理程序开源地址:https://github.com/h31h31/H31DHTMgr DHT系 ...

  3. 4 weekend110的hdfs下载数据源码跟踪铺垫 + hdfs下载数据源码分析-getFileSystem(值得反复推敲和打断点源码)

    Hdfs下载数据源码分析 在这里,我是接着之前的,贴下代码 package cn.itcast.hadoop.hdfs; import java.io.FileInputStream; import ...

  4. Hadoop之HDFS原理及文件上传下载源码分析(下)

    上篇Hadoop之HDFS原理及文件上传下载源码分析(上)楼主主要介绍了hdfs原理及FileSystem的初始化源码解析, Client如何与NameNode建立RPC通信.本篇将继续介绍hdfs文 ...

  5. Android APP性能分析方法及工具

    近期读到<Speed up your app>一文.这是一篇关于Android APP性能分析.优化的文章.在这篇文章中,作者介绍他的APP分析优化规则.使用的工具和方法.我觉得值得大家借 ...

  6. Linux下java进程CPU占用率高分析方法

    Linux下java进程CPU占用率高分析方法 在工作当中,肯定会遇到由代码所导致的高CPU耗用以及内存溢出的情况.这种情况发生时,我们怎么去找出原因并解决. 一般解决方法是通过top命令找出消耗资源 ...

  7. Mysql 死锁的详细分析方法

    用数据库的时候,偶尔会出现死锁,针对我们的业务系统,出现死锁的直接结果就是系统卡顿.客户找事儿,所以我们也在想尽全力的消除掉数据库的死锁.出现死锁的时候,如果只是想解锁,用show full proc ...

  8. Eclipse 官方简体中文语言包下载地址及安装方法

    Eclipse 官方简体中文语言包下载地址及安装方法 打开Eclipse Babel Project 主页: http://www.eclipse.org/babel/downloads.php 根据 ...

  9. 面向对象分析方法(I)

    找出最关键的一些业务场景:一般通过动词来寻找,比如招聘系统中,一个应聘人投递一个职位就是一次应聘,应聘就是一个业务场景:一个学生参加某门课的考试,那么考试就是一个业务场景:一个学生去图书馆借书,那么借 ...

  10. Linux内核源码分析方法

    一.内核源码之我见 Linux内核代码的庞大令不少人“望而生畏”,也正因为如此,使得人们对Linux的了解仅处于泛泛的层次.如果想透析Linux,深入操作系统的本质,阅读内核源码是最有效的途径.我们都 ...

随机推荐

  1. Ado.Net 数据库访问技术(.Net 6版本)

    1. ADO.NET的前世今生 ADO.NET的名称起源于ADO(ActiveX Data Objects),是一个COM组件库,用于在以往的Microsoft技术中访问数据.之所以使用ADO.NET ...

  2. Galaxy 生信平台(四):邮件与管理员配置

    前几天看到中山大学和国家基因库合作开发的 Translatome Workbench 翻译组学可视化在线数据分析平台 (db.cngb.org/galaxy/) 的推送信息,也上去看了一下,工具和教程 ...

  3. 手把手实践丨基于STM32+NBIOT+华为云IOT设计智能井盖

    摘要:本文介绍基于STM32微控制器.BC26 NBIOT模组和华为云IOT平台,实现了一款智能井盖系统. 本文分享自华为云社区<基于STM32+NBIOT+华为云IOT设计的智能井盖>, ...

  4. IM1281B电能计量模块_C语言例程

    一.前言 毕设采用了艾锐达公司的IM1281B电量计能模块,找了一圈没发现具体的51单片机的例程,现在写个能使用的C语言例程,方便以后的开发者们. 二.事前准备 引脚定义: 引脚 功能说明 V+ 供电 ...

  5. MyBatis体系笔记

    MyBatis 什么是MyBatis MyBatis是优秀的持久层框架 MyBatis使用XML将SQL与程序解耦,便于维护 MyBatis学习简单,执行高效,是JDBC的延伸 1.MyBatis开发 ...

  6. 11. Mybatis的逆向工程

    正向工程:先创建 Java 实体类,由框架负责根据实体类生成数据库表. Hibernate 是支持正向工 程的. 逆向工程:先创建数据库表,由框架负责根据数据库表,反向生成如下资源: Java 实体类 ...

  7. 深度学习中的循环神经网络”在Transformer中的应用

    目录 深度学习中的"循环神经网络"在Transformer中的应用 背景介绍 文章目的 目标受众 技术原理及概念 基本概念解释 相关技术比较 实现步骤与流程 准备工作:环境配置与依 ...

  8. Blazor前后端框架Known-V1.2.3

    V1.2.3 Known是基于C#和Blazor开发的前后端分离快速开发框架,开箱即用,跨平台,一处代码,多处运行. Gitee: https://gitee.com/known/Known Gith ...

  9. 我和ChatGPT聊数字人

    ​ 近期,聊天机器人ChatGPT火了,写诗写文写代码,才艺狠狠拉满. 面对如此"会聊"的ChatGPT,很多人好奇相同的问题提问ChatGPT和真人,会有什么样的结果? 于是我们 ...

  10. 【阅读笔记】低照度图像增强-《Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of

    本文介绍改进INDANE算法的低照度图像增强改进算法(AINDANE算法),<Adaptive and integrated neighborhood-dependent approach fo ...