§4线性规划方法-地理计算与GIS.ppt

第四章 空间统计分析初步 ;本章主要内容：;空间统计分析,即空间数据（Spatial Data）的统计分析，是现代计量地理学中一个快速发展的方向领域。 空间统计分析，其核心就是认识与地理位置相关的数据间的空间依赖、空间关联或空间自相关，通过空间位置建立数据间的统计关系。 ;第一节 探索性空间统计分析 ;通常定义一个二元对称空间权重矩阵W，来表达n个位置的空间区域的邻近关系，其形式如下： 式中：Wij表示区域i与j的临近关系，它可以根据邻接标准或距离标准来度量。 ;（1）简单的二进制邻接矩阵 （2）基于距离的二进制空间权重矩阵 ;（二）全局空间自相关 ;如果是位置（区域）的观测值，则该变量的全局Moran指数I，用如下公式计算： 式中： I 为Moran指数 ; Geary 系数C计算公式如下： 式中：C为Geary系数；其它变量同上式。 如果引入记号： ;则全局Moran指数I的计算公式也可以进一步写成： Moran指数I的取值一般在[-1，1]之间,小于0表示负相关，等于0表示不相关，大于0表示正相关； Geary系数C的取值一般在[0，2]之间，大于1表示负相关，等于1表示不相关，而小于1表示正相关。 ;对于Moran指数，可以用标准化统计量Z来检验n个区域是否存在空间自相关关系，Z的计算公式为： 当Z值为正且显著时，表明存在正的空间自相关，也就是说相似的观测值(高值或低值)趋于空间集聚； 当Z值为负且显著时，表明存在负的空间自相关，相似的观测值趋于分散分布； 当Z值为零时，观测值呈独立随机分布。 ;（三）局部空间自相关 ;1.空间联系的局部指标(LISA) ; LISA包括局部Moran指数（Local Moran）和局部Geary指数（Local Geary），下面重点介绍和讨论局部Moran指数。;;2. G统计量 ;对统计量的检验与局部Moran指数相似，其检验值为： 显著的正值表示在该区域单元周围，高观测值的区域单元趋于空间集聚，而显著的负值表示低观测值的区域单元趋于空间集聚 与Moran指数只能发现相似值(正关联)或非相似性观测值(负关联)的空间集聚模式相比，具有能够探测出区域单元属于高值集聚还是低值集聚的空间分布模式。;;Moran散点图的四个象限，分别对应于区域单元与其邻居之间四种类型的局部空间联系形式： 第一象限代表了高观测值的区域单元被同是高值的区域所包围的空间联系形式； 第二象限代表了低观测值的区域单元被高值的区域所包围的空间联系形式； 第三象限代表了低观测值的区域单元被同是低值的区域所包围的空间联系形式； 第四象限代表了高观测值的区域单元被低值的区域所包围的空间联系形式。 ;;二、应用实例 ; 从表中可以看出，在1998-2002年期间，中国大陆31个省份人均GDP的全局Moran指数均为正值；在正态分布假设之上，对Moran指数检验的结果也高度显著。这就是说，在1998-2002年期间，中国大陆31个省份人均GDP存在着显著的、正的空间自相关，也就是说各省份人均GDP水平的空间分布并非表现出完全的随机性，而是表现出相似值之间的空间集聚，其空间联系的特征是：较高人均GDP水平的省份相对地趋于和较高人均GDP水平的省份相邻，或者较低人均GDP水平的省份相对地趋于和较低人均GDP水平的省份相邻。;选取2001年各省份人均GDP数据，计算局部Gi统计量和局部Gi统计量的检验值Z(Gi)，并绘制统计地图如下。;检验结果表明，贵州、四川、云南西部三省的Z值在0.05的显著性水平下显著，重庆的Z值在0.1的显著性水平下显著，该四省市在空间上相连成片分布，而且从统计学意义上来说，与该区域相邻的省区，其人均GDP趋于为同样是人均GDP低值的省区所包围。由此形成人均GDP低值与低值的空间集聚，据此可认识到西部落后省区趋于空间集聚的分布特征。 ;东部的江苏、上海、浙江三省市的Z值在0.05的显著性水平下显著，天津的Z值在0.1的显著性水平下显著。而东部上海、江浙等发达省市趋于为一些相邻经济发展水平相对较高的省份所包围，东部发达地区的空间集聚分布特征也显现出来。 ;以（Wz,z）为坐标，进一步绘制Moran散点图 可以发现，多数省份位于第一和第三象限内，为正的空间联系，属于低-低集聚和高-高集聚类型，而且位于第三象限内的低-低集聚类型的省份比位于第一象限内的高-高集聚类型的省份更多一些。;HH：北京、天津、河南、安徽、湖北、江西、海南、广东、福建、浙江、山东、上海、江苏;上图进一步显示了各省人均GDP局部集聚的空间结构。可以看出，从人均GDP水平相对地来看： 高值被高值包围的高-高集聚省份有：北京、天津、河南、安徽、湖北、江西