R语言GD包基于栅格图像实现地理探测器与连续参数的自动离散化

简介: R语言GD包基于栅格图像实现地理探测器与连续参数的自动离散化

??本文介绍基于R语言中的GD包,依据栅格影像数据,实现自变量最优离散化方法选取与执行,并进行地理探测器Geodetector)操作的方法。

??首先,在R语言中进行地理探测器操作,可通过geodetector包、GD包等2个包实现。其中,geodetector包是地理探测器模型的原作者团队开发的,其需要保证输入的自变量数据已经全部为类别数据;其具体操作方法大家可以参考R语言geodetector包基于栅格图像实现地理探测器操作https://blog.csdn.net/zhebushibiaoshifu/article/details/128484786)。而GD包则是另一位学者开发的,其可自动实现自变量数据最优离散化方法选取与执行;本文介绍的就是基于GD包实现地理探测器的具体操作。此外,如果希望基于Excel实现地理探测器,大家可以参考Geodetector软件下载、地理探测器的应用实践与结果解读https://blog.csdn.net/zhebushibiaoshifu/article/details/124526189)。

1 包的安装与导入

??首先,我们可以先到GD包在R语言中的官方网站https://cran.r-project.org/web/packages/GD/index.html),大致了解一下该包的简要介绍、开发团队等基本信息。

??随后,我们开始GD包的下载与安装。输入如下所示的代码,即可开始包的下载与安装过程。

install.packages("GD")

??输入代码后,按下回车键,运行代码;如下图所示。在安装GD包时,会自动将其所需依赖的其他包(如果在此之前没有配置过)都一并配置好,非常方便。

??接下来,输入如下的代码,将GD包导入。

library("GD")

??输入代码后,按下回车键,运行代码;如下图所示。

2 数据读取与预处理

??接下来,我们需要读取栅格图像数据,并将其转为GD包可以识别的数据框Data Frames)格式。

??其中,读取栅格数据的方法,大家参考R语言raster包批量读取单一或大量栅格图像https://blog.csdn.net/zhebushibiaoshifu/article/details/128485386)即可;关于数据格式的转换,大家参考R语言geodetector包基于栅格图像实现地理探测器操作https://blog.csdn.net/zhebushibiaoshifu/article/details/128484786)即可。这一部分的内容本文就不再赘述。

3 地理探测器执行

??接下来,我们就可以开始地理探测器的具体分析;强烈建议大家基于GD包中的gdm()函数,实现一步到位的地理探测器分析操作。

??首先,如果大家输入数据中的自变量数据具有连续变量,需要将其转换为类别变量gdm()函数可以实现连续变量离散化方式寻优自动执行。其中,我们可以选择的离散化方式包括相等间隔法自然间断点法分位数分类法几何间隔法标准差法5种不同的方法,分别对应以下第一句代码中的"equal""natural""quantile""geometric""sd"5个选项。此外,我们还可以依据数据的特征,对自变量离散化的类别数量加以限定,具体代码如下所示。

discmethod <- c("equal", "natural", "quantile", "geometric", "sd")
discitv <- c(4:10)

??其中,上述第一句代码表示,我们后续将从相等间隔法自然间断点法分位数分类法几何间隔法标准差法5种不同的方法中,找到每一个连续变量对应的最优离散化方法;第二句代码则表示,在后续寻找最优离散化方法的同时,还需要对每一个变量的分类数量加以寻优——c(4:10)就表示我们分别将每一个连续变量分为4类、5类、6类,以此类推,一直到10类,从其中找到最优结果对应的类别数量

??接下来,我们即可调用gdm()函数,执行地理探测器分析的具体操作;其中,my_gd为保存地理探测器结果的变量;函数的第一个参数,表示因变量与自变量的关系,~前的变量即为因变量~后的变量即为自变量,多个自变量之间通过+相连接;第二个参数表示自变量中的连续变量,程序将自动对这些连续变量加以离散化方法寻优与执行;第三个参数表示存储自变量与因变量数据的数据框Data Frames)格式的变量;最后两个变量,即为前面我们选择的离散化方法类别数量

my_gd <- gdm(A_LCCS0 ~ C_SlopeS0 + D_AspectS0 + DEM_Reclass + F_LCS0,
                        continuous_variable = c("C_SlopeS0", "D_AspectS0"),
                        data = tif_frame,
                        discmethod = discmethod,
                        discitv = discitv)

??这里需要注意,如果大家不是通过脚本运行的R语言,而是每次写一句代码然后按下回车键运行一下,那么上述代码中的换行就需要通过同时按下Shift键与回车键实现。输入上述代码后,如下图所示。

??随后,即可运行代码。稍等片刻(具体时长与数据量有关),即可得到地理探测器的结果my_gd。这一变量的具体结构、内容如下图所示。

??我们可以输入如下的代码,将变量my_gd打印出来。

my_gd

??所得结果如下图所示。

??可以看到,my_gd变量包含了每一个连续变量在离散化后,对应的最优离散化方法类别数量,以及地理探测器的各个分析结果。具体结果的含义与研读方法,大家参考Geodetector软件下载、地理探测器的应用实践与结果解读https://blog.csdn.net/zhebushibiaoshifu/article/details/124526189)、R语言geodetector包基于栅格图像实现地理探测器操作https://blog.csdn.net/zhebushibiaoshifu/article/details/128484786)这两篇文章即可,这里就不再赘述。

??此外,我们可以通过如下的代码,将上述结果加以可视化。

plot(my_gd)

??运行上述代码,结果如下图所示。

??此时,在RStudio软件的右下方“Plots”中,即可看到可视化结果,如下图所示。其中,我们可以通过下图中红色方框内的箭头,实现不同图片的切换显示。

??上述结果包含7张图像,其分别与上上图中的7项输出内容对应——第一张图是最优离散化方法的选取过程,第二张图则是所选出的最优离散化方法对应的分类情况;后5张图就是地理探测器的分析结果图,即上上图中最后5plot分别对应的结果。

??至此,我们就完成了基于R语言中的GD包,依据多张栅格图像数据,实现类别变量的自动离散化,并进行地理探测器Geodetector)操作的完整流程。

欢迎关注:疯狂学习GIS

相关文章
|
1天前
【R语言实战】——fGARCH包在金融时序上的模拟应用
【R语言实战】——fGARCH包在金融时序上的模拟应用
|
1天前
|
存储 算法 Windows
课程视频|R语言bnlearn包:贝叶斯网络的构造及参数学习的原理和实例(下)
课程视频|R语言bnlearn包:贝叶斯网络的构造及参数学习的原理和实例
|
1天前
|
存储 数据采集 数据可视化
R语言拟合线性混合效应模型、固定效应随机效应参数估计可视化生物生长、发育、繁殖影响因素
R语言拟合线性混合效应模型、固定效应随机效应参数估计可视化生物生长、发育、繁殖影响因素
|
1天前
|
数据可视化
R语言KNN模型分类信贷用户信用等级数据参数调优和预测可视化|数据分享
R语言KNN模型分类信贷用户信用等级数据参数调优和预测可视化|数据分享
|
1天前
|
机器学习/深度学习 数据采集 数据可视化
R语言电影数据分析:随机森林探索电影受欢迎程度因素、参数调优可视化
R语言电影数据分析:随机森林探索电影受欢迎程度因素、参数调优可视化
|
1天前
|
机器学习/深度学习 数据可视化 数据挖掘
数据分享|R语言对论文作者研究机构、知识单元地理空间数据可视化
数据分享|R语言对论文作者研究机构、知识单元地理空间数据可视化
|
1天前
|
数据可视化 前端开发 SEO
R语言门限误差修正模型(TVECM)参数估计沪深300指数和股指期货指数可视化
R语言门限误差修正模型(TVECM)参数估计沪深300指数和股指期货指数可视化
|
1天前
|
前端开发 数据挖掘 数据建模
课程视频|R语言bnlearn包:贝叶斯网络的构造及参数学习的原理和实例(中)
课程视频|R语言bnlearn包:贝叶斯网络的构造及参数学习的原理和实例
|
1天前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
1天前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为

热门文章

最新文章

http://www.vxiaotou.com