第八讲 空间自相关分析

空间自相关分析1.1 自相关分析空间自相关分析是指邻近空间区域单位上某变量的同一属性值之间的相关程度，主要用空间自相关系数进行度量并检验区域单位的这一属性值在空间区域上是否具有高高相邻、低低相邻或者高低间错分布，即有无聚集性。

若相邻区域间同一属性值表现出相同或相似的相关程度，即属性值在空间区域上呈现高（低）的地方邻近区域也高（低），则称为空间正相关；若相邻区域间同一属性值表现出不同的相关程度，即属性值在空间区域上呈现高（低）的地方邻近区域低（高），则称为空间负相关；若相邻区域间同一属性值不表现任何依赖关系，即呈随机分布，则称为空间不相关。

空间自相关分析分为全局空间自相关分析和局部空间自相关分析，全局自相关分析是从整个研究区域内探测变量在空间分布上的聚集性；局域空间自相关分析是从特定局部区域内探测变量在空间分布上的聚集性，并能够得出具体的聚集类型及聚集区域位置，常用的方法有Moran's I 、Gear's C 、Getis 、Morans 散点图等。

1.1.1 全局空间自相关分析全局空间自相关分析主要用Moran's I 系数来反映属性变量在整个研究区域范围内的空间聚集程度。

首先，全局Moran's I 统计法假定研究对象之间不存在任何空间相关性，然后通过Z-score 得分检验来验证假设是否成立。

Moran's I 系数公式如下：112111()()I ()()n nij i j i j n nnij i i j i n w x x x x w x x =====--=-∑∑∑∑∑(式 错误!文档中没有指定样式的文字。

-1)其中，n 表示研究对象空间的区域数；i x 表示第i 个区域内的属性值，j x 表示第j 个区域内的属性值，x 表示所研究区域的属性值的平均值；ij w 表示空间权重矩阵，一般为对称矩阵。

Moran's I 的Z-score 得分检验为：Z =式 错误!文档中没有指定样式的文字。

空间自相关和空间自回归空间自相关和空间自回归是地理信息科学中常用的两种空间分析方法。

它们都是基于空间数据的统计分析方法，可以用来研究空间数据的空间相关性和空间自回归效应。

本文将分别介绍这两种方法的原理和应用。

一、空间自相关空间自相关是指空间数据中不同位置之间的相关性。

它可以用来研究空间数据的空间分布规律和空间聚集程度。

空间自相关的常用指标是Moran's I系数，它可以用来衡量空间数据的全局自相关性。

Moran's I 系数的取值范围为-1到1，其中-1表示完全负相关，0表示无相关性，1表示完全正相关。

当Moran's I系数大于0时，说明空间数据存在正相关性，即相似的值更可能出现在相邻的位置上；当Moran's I系数小于0时，说明空间数据存在负相关性，即相似的值更可能出现在远离的位置上。

空间自相关的应用非常广泛，例如在城市规划中可以用来研究不同区域之间的发展差异和空间分布规律；在环境科学中可以用来研究污染物的空间分布规律和传播途径；在农业生态学中可以用来研究农作物的空间分布规律和生长状态等。

二、空间自回归空间自回归是指空间数据中不同位置之间的相互影响。

它可以用来研究空间数据的空间依赖性和空间异质性。

空间自回归的常用模型是空间滞后模型和空间误差模型。

空间滞后模型是指当前位置的值受到相邻位置的值的影响，它可以用来研究空间数据的空间依赖性。

空间误差模型是指当前位置的值受到相邻位置的误差的影响，它可以用来研究空间数据的空间异质性。

空间自回归的应用也非常广泛，例如在经济学中可以用来研究不同地区之间的经济联系和空间溢出效应；在社会学中可以用来研究不同社区之间的人口流动和社会联系；在生态学中可以用来研究不同生态系统之间的相互作用和生态效应等。

总之，空间自相关和空间自回归是地理信息科学中非常重要的两种空间分析方法。

它们可以用来研究空间数据的空间相关性和空间自回归效应，为我们深入理解空间数据的空间分布规律和空间依赖性提供了有力的工具。

• 所以在做类似热点分析或者密度分析的时候，选择一个合适的距 离，非常重要的事情。
那么怎么选择一个合适的距离的？
回顾空间自相关及其指数
莫兰指数
这个算法其实与上一篇文章讲的多距离空间聚类方法很像，就是通 过不同的距离进行迭代计算，然后对计算出来的值进行比较，最后 给出迭代计算结果的建议。
所以，如果你的数据分析，只关心 空间位置，那么实际上没必要使用 这个工具，用多距离聚类分析就行 了，但是如果你关注的除了空间位 置以外，还需要关心数据属性的话， 就有必要采用这个工具了。另外需 要说明的是，参与计算的属性值， 一般是数字类型的值。
第八讲 增量空间自相关
王德辉
点数据的密度计算，是一个很常用的分析方式，在计算密度的时候，最令人 头痛的是如何去确定密度的距离，也就是密度收集区域的半径。
距离，又见距离！
• 不同的情况下，分析空间数据对使用的距离是非常敏感的。对于 不同的分析，使用的距离也是不同的。比如你要计算人的活动区 域热点，步行的话，一般不会超过3公里，而骑自行车，就变成 了5-10公里了。
然后进行核密度计算：其中，602和699，是两个明显的峰值，也就是表示在 这两个值，空间统计值是最显著的。
所谓的聚类，指 的是让同类间差 别最小，不同类 之间差别最大， 所以我们可以对 比一下标成红色 的的两个图， 602和699，他们 明显处于核密度 曲线值变异的关 键拐点上面，这 也是我们使用这 个工具，进行点 数据分析之前进 行探索时候的主 要作用。
如何读取这个表呢，我们逐个来解释： 首先看自由度，自由度就是指你受约束的程度，我们都知道，受约 束的情况，是随着条件越多，自由就越少，这里的自由度也是一样 的，自由度数值越大，表示约束越多。 自由度的计算，一般是n-m-1，n表示你的样本数量，我们这里的样 本数量是24个，m是因子数（m元回归），我们这里用一个值对比 一个值，所以就是一元回归，所以我们的自由度 = 24 -1-1 = 22 。

空间自相关分析与犯罪热点识别犯罪问题一直是社会关注的焦点之一。

随着城市化进程的加快和人口的快速增长，犯罪案件在城市中的分布呈现出明显的空间集聚现象。

了解犯罪热点的分布特征并准确识别热点区域，对于制定有效的犯罪预防和打击策略具有重要意义。

本文将介绍空间自相关分析的基本原理及其在犯罪热点识别中的应用。

一、空间自相关分析的基本原理空间自相关分析是一种统计方法，用于衡量地理空间上相邻地区之间的相似性和自相关性。

它能够帮助我们发现和理解地理现象的空间模式和关联程度。

常用的空间自相关指数有Moran's I指数和Geary's C指数等。

Moran's I指数是最常用的空间自相关指数之一。

它通常用来衡量地理现象的全局空间自相关程度。

其计算公式如下：I = n * ∑(wij * (xi - x)(xj - x)) / S0 * ∑(xi - x)^2其中，n是地理单元的数量，wij是地理单元i和j之间的空间权重，xi和xj是地理单元i和j上的变量值，x是变量的均值，S0是变量的方差。

Geary's C指数则衡量了地理现象的局部空间自相关程度。

其计算公式如下：C = (n - 1) * ∑(wij * (xi - xj)^2) / 2 * S0^2其中，n是地理单元的数量，wij是地理单元i和j之间的空间权重，xi和xj是地理单元i和j上的变量值，S0是变量的方差。

二、空间自相关分析在犯罪热点识别中的应用空间自相关分析在犯罪热点识别中有着广泛的应用。

通过计算犯罪数据的空间自相关性，可以帮助我们确定是否存在犯罪的空间集聚现象，并定位犯罪热点区域。

在进行犯罪热点识别时，首先需要获取犯罪数据和地理边界数据。

犯罪数据可以是某一时间段内的犯罪案件记录，地理边界数据可以是行政区划或其他地理单元。

接下来，需要计算地理单元之间的空间权重。

空间权重的计算可以基于距离、邻近关系或其他相关指标。

常用的空间权重矩阵包括邻接矩阵、距离矩阵和K近邻矩阵等。