温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］。目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现。如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素。例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布。Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布。Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布。以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理。Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小。总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异。同理，相同因子作用在不同地区也会造成对多年冻土分布的差异。目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足。地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用。目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］。