空间统计是ArcGIS的核心功能之一，它通过量化地理现象的分布特征，揭示数据背后的空间规律。在ArcGIS中，空间统计工具集提供了多种分析模式，帮助用户从全局到局部、从静态到动态全方位理解数据。本文重点介绍增量空间自相关、多距离空间聚类分析、平均最近邻分析、全局/局部空间自相关以及高/低聚类分析五种方法及其应用场景。
空间自相关（Spatial Autocorrelation）用于衡量地理要素的属性值在空间上的关联性。若相邻区域的属性值相似（如高收入区相邻），则存在正相关；反之则为负相关。
全局空间自相关（Global Moran's I）
通过计算Moran's I指数（取值范围-1到1）判断整体空间模式：
Moran's I > 0：数据呈聚集分布（如城市高房价区集中）。
例如，分析某城市家庭收入数据时，若Moran's I显著为正且Z得分高，说明收入存在空间聚集现象。
局部空间自相关（Anselin Local Moran's I）
当全局分析显示相关性时，需进一步定位具体聚集区域。局部Moran's I可识别四种类型：
高-低（HL）或低-高（LH）：异常值（如高端小区旁的低价区）。
应用场景：城市规划中的功能区划分、流行病学中的疾病传播热点探测。
▶ 2. 高/低聚类分析（Getis-Ord General G）
该工具用于判断聚集类型是高值聚集还是低值聚集。通过General G指数和Z得分，结合P值验证显著性：
应用场景：商业选址（识别消费潜力高的区域）、环境监测（污染源聚集分析）。
平均最近邻（Average Nearest Neighbor）通过比较实际平均距离与随机分布的理论距离，快速判断点要素的分布模式：
最近邻比率 < 1：点呈聚集分布（如共享单车停放点）。
结果中的Z得分和P值进一步验证显著性，适合作为空间分析的初步筛查工具。
空间模式可能随分析尺度变化。例如，小范围内犯罪事件聚集，但大范围可能分散。该工具通过递增的距离段（如0-100米、100-200米）计算观测值与期望值的差异：
通过折线图可直观判断最佳分析尺度，避免因选择不当距离导致误判。
应用场景：生态学中的物种分布研究、交通拥堵的多尺度分析。
许多空间统计工具（如热点分析）需预设“距离阈值”，而增量空间自相关通过计算不同距离下的Moran's I和Z得分，自动识别Z得分峰值对应的最优距离。例如，分析微博签到数据时，Z得分在700米处最高，表明该距离最能反映签到点的聚集特征。
应用场景：社交媒体数据的热点挖掘、公共事件应急响应范围的划定。
增量空间自相关确定热点分析的最佳距离（如500米）。
热点分析（Getis-Ord Gi）定位犯罪高发区，并结合局部Moran's I区分异常值（如警局附近的低犯罪率区域）。
ArcGIS的空间统计工具为地理数据分析提供了从宏观到微观的多维度视角。无论是城市规划、环境监测，还是商业决策，合理运用这些方法，能够从海量数据中提取关键信息，助力科学决策。未来，随着人工智能与空间分析的深度融合（如ArcGIS与Python、R语言的集成），空间统计的应用场景将更加广阔。
声 明：素材源于Esri官方帮助手册。
作 者：凌晨GIS
编 辑：凌晨GIS
审 核：凌晨GIS
