本文介紹基于R語言中的geodetector包，依據多張栅格圖像資料，實作地理探測器（Geodetector）操作的詳細方法。
需要說明的是，在R語言中進行地理探測器操作，可以分别通過geodetector包、GD包等2個包實作。其中，geodetector包是地理探測器模型的原作者團隊早先開發的，其需要保證輸入的自變量資料已經全部為類别資料；而GD包則是另外一位學者開發的，其可以自動實作自變量資料的最優離散化方法選取與執行——即我們可以直接把自變量帶入這一包中，無需額外進行資料的離散化。本文介紹的是基于前者，即geodetector包實作地理探測器的具體操作；基于後者的方法，大家可以參考我們後期的部落格。此外，如果希望基于Excel實作地理探測器，大家可以參考地理探測器Geodetector軟體下載下傳、分析應用與結果解讀這篇文章。
1 包的配置與導入
首先，我們可以先到geodetector包在R語言中的官方網站（https://cran.r-project.org/web/packages/geodetector/index.html），大緻了解一下該包的簡要介紹、開發團隊、其他依賴包等基本資訊；如下圖所示。
随後，我們開始geodetector包的下載下傳與安裝。輸入如下所示的代碼，即可開始包的下載下傳與安裝過程。
install.packages("geodetector") 輸入代碼後，按下Enter鍵，運作代碼；如下圖所示。
随後，将自動下載下傳并配置geodetector包；此外，在安裝geodetector包時，會自動将其所需依賴的其他包（如果在此之前沒有配置過）都一并配置好，非常友善。
接下來，輸入如下的代碼，将geodetector包導入。
library(geodetector) 此時，在RStudio右下方的“Packages”中，可以看到geodetector包處于選中的狀态，表明其已經配置成功，且完成導入。
2 栅格資料讀取與預處理
接下來，我們首先依據R語言讀取栅格遙感影像資料的方法中提到的方法，讀取栅格資料。因為我們是要基于栅格資料完成地理探測器的分析，是以很顯然是需要批量導入多張栅格資料的。
讀取栅格資料完畢後，我們通過如下代碼，基于getValues()函數，從原本的RasterStack格式的資料中，将栅格資料的像元數值提取出來；随後，基于View()函數顯示出這一變量。
tif_file_all_matrix <- getValues(tif_file_all)
View(tif_file_all_matrix) 運作上述代碼，将在RStudio的左上方看到變量tif_file_all_matrix的資料情況，如下圖所示。可以看到，此時tif_file_all_matrix變量是一個3列、6377265行的矩陣（Matrix）資料；其中，每一清單示每一個圖層的資料，每一行則是每一個圖層在同一空間位置上各自像元的數值。此外，每一列的名稱即為其所對應的圖層的名稱。
從上圖可以看出，每一列資料中都有很多無效值（NA值），即原本栅格圖像中的無效值（NoData值）；由于在後期的地理探測器分析過程中，出現無效值會影響我們分析的結果，是以我們需要通過na.omit()函數将無效值去除。na.omit()是一個非常友善的函數，其可以将Matrix資料中存在NA值的行直接去除（隻要這一行中存在至少一個NA，就将這一行去除）。
tif_matrix = na.omit(tif_file_all_matrix)
View(tif_matrix) 随後，我們再看得到的新變量，可以看到存在NA值的行都不複存在了；如下圖所示。
接下來，由于geodetector包實作地理探測器操作時，需要保證輸入資料為資料框（Data Frames）格式，是以我們需要将Matrix轉為Data Frames；通過as.data.frame()函數即可實作這樣的轉換。
tif_frame <- as.data.frame(tif_matrix)
View(tif_frame) 運作上述代碼，可以看到已經擷取到Data Frames格式的變量tif_frame了；當然，從外觀上看，其和Matrix格式的變量tif_matrix其實長得是一樣的。
完成上述資料預處理操作，我們即可開始地理探測器操作。需要注意的是，本文開頭也提到了，基于geodetector包實作地理探測器操作時，如果輸入的自變量資料是連續資料，我們需要手動将連續資料轉為類别資料。這一步驟可以通過ArcGIS的重分類等工具來實作，這裡就不再贅述。
3 地理探測器分析
完成上述資料預處理操作，我們即可開始地理探測器的各項具體操作。需要注意的是，本文主要對分析的具體方法加以介紹；至于分析結果的詳細研讀方法，大家參考文章地理探測器Geodetector軟體下載下傳、分析應用與結果解讀即可，我們這裡隻做簡單的介紹。
3.1 分異及因子探測
首先，我們進行分異及因子探測。在geodetector包中，我們可以基于factor_detector()函數實作這一操作。其中，"A_LCCS0"是本文中的因變量，"DEM_Reclass"與"F_LCS0"則是本文中的自變量；tif_frame則是Data Frames格式變量的名稱。
在這裡需要注意，如果大家隻需要分析一個自變量與因變量的影響關系，用下方第一句代碼所示的格式即可；如果需要分析多個自變量與因變量的影響關系，則需要用下方第二句代碼所示的格式，将多個自變量的名稱通過c()函數，組成一個向量（Vector）格式的變量即可。
factor_detector("A_LCCS0", "F_LCS0", tif_frame)
factor_detector("A_LCCS0", c("DEM_Reclass", "F_LCS0"), tif_frame) 我們首先以上述第一句代碼為例來運作，運作後稍等片刻（具體時長與資料量的大小有關），将會得到如下所示的分異及因子探測結果。
其次，再運作上述第二句代碼，得到如下所示的結果。
可以看到，factor_detector()函數将會給出每一個自變量對于因變量的q值與p值。
3.2 互動作用探測
接下來，我們執行互動作用探測；這一操作通過interaction_detector()函數來執行即可。由于互動作用探測是需要對多個不同的自變量加以組合，是以很顯然這一操作在隻有一個自變量的情況下是沒有辦法執行的；是以我們需要用前述第二種代碼格式，即通過c()函數，将多個自變量的名稱組成一個向量（Vector）格式的變量後加以執行。
interaction_detector("DEM_Reclass", c("F_LCS0", "K_NDVI"), tif_frame) 運作上述代碼，稍等片刻後将出現如下所示的結果。
可以看到，interaction_detector()函數将會給出每一種自變量組合方式對應的q值。但是這裡有一個問題——上述結果隻能看到不同組合對應的q值變化，但是似乎看不出這種組合方式到底屬于非線性減弱、單因子非線性減弱、雙因子增強、獨立、非線性增強中的哪一種情況。
3.3 風險區探測
接下來，我們執行風險區探測；這一操作通過risk_detector()函數來實作即可，同樣是具有一個自變量和多個自變量的情況。我們這裡就直接以多個自變量的情況來展示代碼與結果了。
risk_detector("A_LCCS0", c("DEM_Reclass", "F_LCS0"), tif_frame) 運作上述代碼，稍等片刻後将出現如下所示的結果。
可以看到，risk_detector()函數首先将會給出每一種自變量的不同分級中，對應的因變量平均值——這裡自變量的分級指的就是重分類後其的每一個分類；其次，其将給出每一種自變量的分級與分級對應的平均值之間，是否具有顯著性差異。
3.4 生态探測
接下來，我們執行生态探測；這一操作通過ecological_detecto()函數來實作即可。由于生态探測是需要判斷多個不同的自變量中，兩兩之間是否具有顯著差異，是以很顯然這一操作同樣在隻有一個自變量的情況下是沒有辦法執行的；是以我們需要用前述第二種代碼格式，即通過c()函數，将多個自變量的名稱組成一個向量（Vector）格式的變量後加以執行。
ecological_detector("A_LCCS0", c("DEM_Reclass", "F_LCS0"), tif_frame) 運作上述代碼，稍等片刻後将出現如下所示的結果。
至此，我們就完成了基于R語言中的geodetector包，基于多張栅格圖像資料，實作地理探測器（Geodetector）操作的完整流程。
歡迎關注：瘋狂學習GIS