河南省火灾影响因素的空间分析(2)

以最大

960地理科学进展第33卷

值合成。8天的GVMI采用式(1)计算(Ceccatoetal,2002)：

GVMI(NIR+0.1)-(SWIR+0.02)i=

(1)

式中：NIR和SWIR分别为8天的MOD09A1L3地表反射率数据中的第2波段和第6波段的反射率，GVMIi为计算的8天GVMI值。

生成因子LST、NDVI和GVMI时，结合质量层排除低质量区域(如云覆盖区等)。土地覆盖数据采用第5种分类方案。因火烧迹地、土地覆盖和用于生成7个火环境因子的原始数据中分辨率最低的是1km，故所有数据的分辨率均统一到1km。2.3训练和检验样本的获取

分别合并2002-2007年和2008-2012年所选月份的火烧迹地数据，生成两张二值栅格图(0：非火烧；1：火烧)。为降低变量中的空间自相关对建模的影响，以5km最小间隔分别从上述两张栅格图的火烧区抽取火点，分别从非火烧区随机抽取与火点数等量的非火点，并把抽取的火点与非火点以3:1随机分割。样点的抽取均排除水体并在所有因子的有效数据范围内进行。分别以均值合成2002-2007年和2008-2012年所选月份的动态火环境因子LST、NDVI和GVMI生成用于建模的LST、NDVI和GVMI因子层。为便于模型结果的解释，把7个火环境因子均以“最小—最大值”法进行标准化处理。合并2002-2007年抽取的75%的火点与非火点(共1384个)，并基于空间位置提取标准化的7个火环境因子的值生成训练样本用于模型开发，合并该时间段25%的火点与非火点生成内部检验样本用

于模型内部检验。合并2008-2012年抽取的所有火点与非火点生成独立检验样本用于模型独立检验。2.4多重共线性检验

自变量间存在强多重共线性，回归拟合可能生成偏的参数估计，产生过大的回归系数标准误差，模型会变得不稳定，统计推断也会因此无效(Wheeler,2007)。logistic全局回归(logisticglobalregression,LGR)拟合时，可通过相关系数矩阵及应用诸如容差系数(tolerancecoefficient)、方差膨胀因子(varianceinflationfactor,VIF)等检验方法，模型自身即可剔除那些导致较大共线性且对因变量贡献很小的自变量(Krebsetal,2012)。因logisticGWR模型拟合时，GWR4.0软件中不能作多重共线性检验，本文采用Stata软件中的VIF指标对多重

共线性进行检验，排除潜在多重共线问题后再进行logisticGWR模型拟合。一般认为，VIF>10，存在重度共线性；5<VIF<10，存在中度共线性；2<VIF<5，存在轻度共线性(Krebsetal,2012)。2.5建模方法

2.5.1logistic全局回归(LGR)

LGR假定观测样本是独立的、且在整个研究区内因变量与自变量间为常数关系，其表达式为(Zhangetal,2013)：

p(y=1|x1,x2,...,xn)=

-æ+n1+e

çbö

è0∑b(2)

=1ixi÷

iø

式中：x1，x2，...，xn为n个自变量，p(y=1)为火烧概率

值，b0为常数项，bi为系数估计值，其值反映自变量xi对火烧概率p的贡献量。

基于训练样本可估计未知系数b0和bi的值。张海军等(2012)与Zhang等（2013）对LGR模型的拟合过程作过较详细阐述，此处不再赘述。当拟合出b0和bi后，利用式(2)即可计算整个研究区的火烧概率。

2.5.2logistic地理加权回归(LGWR)

LGWR首先假设模型结构是空间非平稳的，即二元因变量与连续型自变量间的关系随地理位置的变化而变化，然后检验这种假设的空间非平稳关系是否显著，若检验结果使得模型中同时包括非平稳项和平稳项，则该LGWR为混合结构，混合LG-WR模型的形式如下(Fotheringhametal,2002)：

pi(yi=1|x1,i,x2,i,...,xm,i,xm+1,i,...,xn,i)=

1

-(β)

1+e0,i+mγ=1

j×xj,i+

jk=n

(3)

βm+1

k,i×xk,i式中：i表示第i个位置，x1,i,x2,i,…,xn,i为n个自变量在

m

第i个位置的值，∑γj×xj,i表示m个平稳项(常数关

j=1

n

系)，∑βk,i×xk,i表示n-m个非平稳项(空间变化关

k=m+1

系)，pi(yi=1)为位置i的火烧概率值。

基于训练样本，可生成每个自变量在整个研究区内的系数估计值（系数分布图或常数系数，amapofcoefficientestimateoraconstantcoefficient）。即，对于任意位置i，首先根据给定的核带宽取得训练样本的一个子集，基于空间核函数计算该子集中每个数据点的权重值，然后利用加权最小二乘回归计算位置i的模型系数，迭代地执行上述程序，即可

卷第7期张海军：河南省火灾影响因素的空间分析961

得到各个自变量的系数估计值。模型最终结果是采用最优核带宽的拟合结果，最优核带宽可基于AIC(Akaike'sInformationCriterion)或AICc(correct-edAkaike'sInformationCriterion)最小化准则，或利用交叉验证(Cross-Validation)等方法确定(严小兵;2013;Fotheringhametal,2002)。在GWR软件中，可用以下两种方法检验局部系数估计空间非平稳的显著性：①蒙特卡罗检验法，该法仅适用于线性GWR，不可用于LGWR的检验。②如果LGWR模型估计系数的上、下四分位数均落在其LGR模型对应系数的±1个标准差之外，则相应的自变量为显著空间非平稳项，将生成1个系数分布图；如果均落在其LGR模型对应系数的±1个标准差之内，则该自变量为平稳项，将生成1个常数系数(Wangetal,2005;Martí nez-Fernándezetal,2013)。常用空间核的类型包括固定核(按距离计)和自适应核(按最近邻居数计)两种，常用的高斯核函数和双平方核函数的表达式分别为：

高斯核函数：

wìïexp[-(d2ij/h)ij=íï

)],dijd≤h

(4)

î0,

ij＞h双平方核函数：

wìí

[1-(dij/h)2]2,dij<h

ij=î0,

dij式中：d≥h(5)

ij为拟合点i和数据点j之间的欧氏距离，h为核函数的带宽，wij为拟合i点的系数时，数据点j的赋权值。

当得到各自变量的系数估计值后，利用式(3)即可计算整个研究区的火烧概率。除了系数估计值外，LGWR的输出项还包括局部标准误差、局部t值等，这些输出项的空间分布制图将利于模型的理解和解释。

2.5.3模型拟合和性能检验

分别使用Stata12和GWR4.0软件开发LGR和LGWR模型。在LGWR模型拟合时，自适应核

可确保在样点密集区带宽更小，在样点稀疏区带宽更大，从而取得更好的拟合性能(Fotheringhametal,2002)。因此，本文分别采用自适应高斯核和自适应双平方核开发LGWR模型。以AIC、AICc和ROC(RelativeOperatingCharacteristic)曲线下面积AUC(AreaUndertheCurve)指数评价模型拟合效果，即：AIC、AICc值越小，模型对训练样本的拟合

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说高考高中河南省火灾影响因素的空间分析(2)在线全文阅读。