地理探测器模型作为一个有效揭示空间分异性背后驱动因子的空间分析模型,在多个研究领域得到了广泛的应用。地理探测器模型擅长分析离散型空间数据,对于连续型空间数据需要转换为离散型空间数据之后才能导入地理探测器模型分析。目前使用地理探测器模型的应用研究中,对于连续型空间数据的离散化,大多是根据先验知识或传统的数据离散化算法。这些算法虽然能够对空间数据进行离散化,但并不是专门针对地理探测器模型中数据的离散化算法。使用不同的离散化算法处理后的空间数据导入地理探测器模型进行分析,得到的结果具有一定的差异。在离散化过程中考虑空间数据的空间特征,研究适用于地理探测器模型的数据离散化算法,是地理探测器模型的应用过程中一个基础且关键的问题。合适的离散化算法能够有效的提升地理探测器模型的精度,降低模型应用过程中的不确定性。本文借助空间统计学,地理信息系统,数据结构与算法等相关理论,设计并实现了新的地理探测器中数据空间离散化算法,本文的主要研究内容和结果如下:(1)设计并实现了两个新的地理探测器中数据空间离散化算法。在空间数据空间特征度量,数据结构与算法等理论的基础上,结合地理探测器模型的原理,设计出了分片断点法(ZI)和叠置断点法(OB)。算法的总体技术流程为:初始化候选断点、确定最优断点集合、最优区间确定、连续属性离散化。通过算法描述,使用Arc GIS平台构建自定义脚本工具的方式,对算法进行了实现。从而完成了从算法的理论研究到具体实现的过程。(2)验证了算法的有效性。通过引用三个前人使用地理探测器模型进行应用研究并已经公开发表的研究成果,作为案例数据,进行试验设计,比较不同离散化算法之间的实验结果,从而得出:ZI和OB算法下得到的地理探测器模型结果在一定程度上优于传统离散化算法,且可以获得相对合理的离散化区间数目。(3)使用本文的离散化算法进行应用研究。将本文提出的两个算法应用于广西沟壑密度及其环境因素的空间关联的研究,参与研究的12个连续型环境因子需要离散化处理,其中有6个因子在本文提出的算法下,获得了最优模型结果。将处理后的因子导入地理探测器模型进行分析,得到坡度、地质岩性、土壤类型为影响沟壑密度的空间分异的主导因子,影响的区域主要集中在柳州南部、来宾南部、百色西部、贵港东部、南宁、崇左、防城港、钦州、玉林、梧州大部分地区。各个环境因子对沟壑密度的影响存在交互作用,主要包括双因子增强和非线性增强关系。