近年来,随着各类数据搜集技术的不断提升,获取数据的路径更加多元,数据类型也趋于复杂.当数据拥有众多特征并且特征之间关系较为复杂时,构建可靠的参数模型略显困难,需放松对模型的各种假设条件,因而一类灵活且高效的机器学习算法被开发应用,其中决策树算法可以说是最具代表性的非参数机器学习方法,该算法对于存在大量非线性关系和交互作用的数据有着很好的解释能力,并且计算复杂度较低.目前树的研究重点已经转向与统计模型的融合,一些学者在此基础衍生出许多改进算法,特别是近几年提出的一类基于树的变系数模型.空间区域中的要素一般不是匀质的,利用空间回归模型来挖掘研究区域内“位置”和“空间交互作用”等潜在信息的成本通常较高.从某种角度考虑,可认为某些空间个体之间的特征相似,进而将具有“同质性”的空间个体放在同一组内进行分析处理,因此一个自然的想法就是考虑在空间回归模型中嵌入树方法.所以本文在现有研究的基础上,建立了两种树结构空间变系数模型MSMOB(Spatially Model-Based Recursive Partitioning)和MTSVC(Tree-Based Spatially Varying Coefficient),并通过数值模拟实验对比考察这两种模型在分段常数空间变化效应情况下识别函数结构的准确性,以及在平滑空间变化效应情形下系数估计的精确性、预测性能和模型复杂度.模拟结果表明TSVC算法允许考虑混合情况,在探索潜在数据产生过程方面表现出更大的灵活性,并且在利用分段形式逼近连续函数方面也有令人满意的精度,这对于空间非平稳性的研究有着突出优势.由于空间数据包含空间相关性和空间异质性这两种基本属性,在统一框架内处理这两种性质对于准确刻画和描述空间关系有着重要意义.本文进一步将所建立的TSVC算法嵌入空间自回归模型中,提出树结构空间变系数自回归模型,以检测响应变量空间相关性的同时探索回归关系的空间异质性,并在给定分区结构后估计空间滞后参数与给定空间滞后参数来确定分区结构之间进行迭代,以获取相关参数估计.最后将该模型用于分析新疆伊犁地区降水量和温度对植被覆盖指数影响的空间变化特征.研究发现,植被覆盖度指数存在明显的空间相关性,并利用可视化树图可看出,不同观测区域的降水量和温度对植被覆盖度指数的影响及影响强度有显著不同,并且能够确定影响强度发生变化的具体位置,这使得该模型在实际问题中反映的信息更加全面.