第四章+空间统二计分析初步.ppt

第四章 空间统计分析 本章主要内容 空间统计分析 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和领域。 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。 空间统计分析的任务，就是运用有关统计方法，建立空间统计模型，从凌乱的数据中挖掘空间自相关与空间变异规律。 空间统计 VS. 经典统计 空间数据分析与传统统计分析主要有两大差异： (1)空间数据间并非独立，而是在维空间中具有某种空间相关性，且在不同的空间分辨率下呈现不同之相关程度； (2)地球只有一个，大多数空间问题仅有一组（空间分布不规则的）观测值，而无重复观测数据。因此，空间现象的了解与描述是极为复杂的，而传统方法，尤其是建立在独立样本上的统计方法，不适合分析空间数据。 地理学第一定律（FLG）: everything is related to everything else, but near things are more related than distant things (Tobler,1970). 空间自相关是普遍存在的，否则地理分析便没有多大意义。 ? 经典统计：独立 空间自相关的存在，使得经典统计学所要求的样本独立性假设不满足。 如果地理学从根本上值得研究，必然是因为地理现象在空间上的变化不是随机的。 ? 经典统计：随机 为什么要用空间统计 可以借助空间统计更好地理解地理现象。 ?或许学习空间统计最重要的原因是我们不仅仅想知道问题“怎么样”，更想知道“哪里怎么样” 空间统计学可以帮助我们准确地判断具体地理模式的原因。 ? John Snow的霍乱地图 ? 当发现某种病仅仅发生在靠近河流的村庄时，河流中的寄生物可能是病源。 空间统计学可以帮助我们处理大的复杂数据集, 这是GIS经常面对的事情。 第1节 探索性空间统计分析 基本原理与方法 应用实例 探索性空间数据分析(ESDA) 一、基本原理与方法 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。 两种最常用的确定空间权重矩阵的规则 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 Moran指数反映的是空间邻接或空间邻近的区域单元属性值的相似程度。 Geary 系数与Moran指数存在负相关关系。 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；其他变量同上式。 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。 G系数探测高值聚集的能力强于低值聚集; 当研究范围内同时存在高值和低值聚集时,G系数会受聚集区域规模的影响,当高值聚集区域和低值聚集区域规模相当时,G系数往往为正数,表明G系数对高值敏感; Moran指数主要受聚集区域规模的影响,随着空间聚集范围的扩展,Moran指数会明显增大。 （三）局部空间自相关 局部空间自相关分析方法包括3种: 空间联系的局部指标(LISA)； G统计量； Moran散点图。 空间联系的局部指标(LISA) 空间联系的局部指标（local indicators of spatial association ，缩写为LISA）满足下列两个条件：