课题名称：地理加权回归模型及其应用研究

（一）综述:

1.研究背景： 地理加权回归（Geographically weighted regression，GWR）是一种空间分析技术，越来越多地应用于地理及涉及空间数据处理的相关学科。通过建立空间范围内每个点处的局部回归方程，GWR在探索变量间空间变化关系及对未来结果预测过程中具备明显优势。

在土地利用格局模拟的回归建模中考虑驱动因子对土地利用格局影响的空间不稳定性,实现基于地理加权的回归分析模型,并与基于全局最小二乘法(OLS)的Logistic回归模型进行比较。运用地理加权回归(GWR)的建模方法,不但可以获得更好的拟合优度和更高的拟合准确率,而且可以获得各驱动因子对土地利用格局影响的空间分异特征。同时,研究结果也可以为某地区的土地利用规划决策提供科学依据。

2.研究意义：土地利用/覆被变化(LandUse/Coverchange,简称LUCC)研究是对土地利用的数量、质量和空间布局等变化的综合分析[1]。了解土地利用格局动态变化过程及其驱动机制并进行空间模拟是LUCC研究的重要内容之一[2]。而研究土地利用格局与其驱动因子之间的数量关系及其空间相关性特征,被作为土地利用格局模拟的基础。目前国内外应用较为广泛的土地利用变化模拟模型CLUE及改进的CLES模型,就是在对土地利用变化驱动因子进行Logistic回归的基础上,实现土地利用格局的空间动态模拟[3]。在土地利用格局与其驱动因子的研究方法上,逐渐从基于经验的综合判别模型发展到基于数理统计的定量分析方法,后者采用多元统计分析法,分析驱动因子对土地利用格局的贡献率,从而找出土地利用变化的外在原因[4～9]。但是目前基于全局最小二乘法(OrdinaryLeastSquears,简称OLS)的回归分析方法在研究土地利用变化驱动力时,对各因子进行全局的参数估计,未考虑驱动因子影响的空间不稳定性,忽略了驱动力因子作用的空间分异特征。而事实上,某一驱动因子在不同空间位置对土地利用格局的影响程度是有差异的。地理加权回归模型是对传统回归分析的扩展,允许局部而不是全局的参数估计,通过附加表达空间对象本身相关性和异质性的变化参数,反映样本对回归方程贡献在空间上的分异,使回归结果更加可信。因此,GWR在地理要素的空间分析和建模中应用越来越广泛。但其应用研究尚处于起步阶段,尤其是将GWR模型应用于土地利用格局模拟的研究,目前在国内外能检索到的文献中还未曾有见。在土地利用格局模拟中运用GWR的方法建立土地利用格局与其驱动因子的回归模型,以获得更好的拟合优度和更高的拟合准确率,同时获得各驱动因子对土地利用格局影响的空间分异特征,对研究区域土地利用变化的机制,提高土地利用格局模拟的精度,从而为区域土地利用规划提供依据等方面具有重要意义。

3.在国内外的应用：当前GWR模型已被应用到经济、自然资源管理、医学多个等研究领域。