GIS中的空间自相关和Moran I

Spatial Autocorrelation

空间自相关

什么是空间自相关（空间相关性）？

GIS中的空间自相关有助于理解程度 其中一个物体与附近其他物体相似。Moran指数测量空间自相关。

地理学家Waldo R.Tobler在 first law of geography 指出：

“一切都与其他事物有关，但近处的事物比远处的事物更为相关。”

空间自相关定义测量与其他近距离物体相比，近距离物体的数量。莫兰的I可以分为正相关、负相关和无空间自相关。

  • 正空间自相关是指相似值在地图中聚集在一起。

  • 负空间自相关是指不同的值在地图中聚集在一起。

为什么空间自相关很重要？

空间自相关之所以重要的一个主要原因是统计数据依赖于观测数据彼此独立。如果地图中存在自相关，则 这违背了观测彼此独立的事实。 .

另一个潜在的应用是 analyzing clusters and dispersion of ecology and disease。

这种疾病是孤立的还是扩散的？

利用空间自相关分析可以更好地理解这些趋势。

正空间自相关示例

当Moran的I接近+1时，出现正空间自相关。这意味着价值观 聚集在一起。例如，高程数据集彼此具有相似的高程值。

Clustered Image Spatial Autocorrelation

聚类图像空间自相关

上面的土地覆盖图像中存在聚类。 这种聚集模式产生的莫兰I为0.60。 z得分为4.95，表明该群集模式可能是随机选择的结果，可能性小于1％。

负空间自相关示例

当Moran的i接近-1时，就会出现负空间自相关。棋盘就是一个例子，莫兰的i是-1，因为 不同的值相邻 . 莫兰i值为0通常表示没有自相关。

Checkboard Pattern: Spatial Autocorrelation

棋盘模式：空间自相关

使用ArcGIS中的空间自相关工具，棋盘格模式生成的Moran指数为-1.00，z值为-7.59。

（记住，z值表示给定数据集中特征数量的统计显著性）。

这种棋盘状图案的可能性小于1％，这是随机选择的结果。如果您想测试这种统计技术，请尝试使用`GeoDa software <../index.html?p=11502>`__进行更多操作。

接下来是什么？

空间自相关表示地图中是否存在聚集或分散。当一个正的Moran I 暗示数据是聚集的，而一个负的Moran I 暗示数据是分散的。

如果你测试过这个 空间自相关指南 尝试掌握GIS中广泛使用的空间统计数据：