10空间统计量（空间指数)计算、点模式分析报告模板.ppt

* 在研究某一变量的空间分布模式时，我们希望将所观测到的模式与某一理论模式（统计特性及相关空间过程已知）进行比较。 如果所研究的空间模式符合某一特定的理论模式，我们就可以运用该理论模式的已知性质来解释观测到的模式，并且能够借用我们所拥有的与该已知模式相关的经验和知识来进行深入的研究。 * * * 在正态分布假设下，Geary’s C 的期望值和方差分别为： 在随机分布假设下，Geary’s C的期望值和方差分别表示如下： 式中符号同Moran’s I的期望和方差公式。 * Geary’s C 总是正值，取值范围一般为 0 到 2 之间，且服从渐近正态分布。 当Geary’s C小于 1 时，表明存在正的空间自相关。 当Geary’s C大于 1 时，表明存在负的空间自相关。 当Geary’s C 值为 1 时，表明不存在空间自相关，即观测值在空间上随机排列 。 Moran’s I 和 Geary’s C具有描述全局空间自相关的良好统计特征，但是它们不具有识别不同类型的空 间聚集模式（“hot spots ”，“cold spots”）的能力。 也就是说I 和C 指数只能分辨出相邻数据的异同，但是不能对其整体趋势进行判别。 4.Getis’ G * General G 统计量 Moran’s I 和Geary C 统计量均可以用来表明属性值之间的相似程度以及在空间上的分布模式，但它们并不能区分是高值的空间集聚（高值簇或热点（hot spots））还是低值的空间集聚（低值簇或冷点（cold spots）），有可能掩盖不同的空间集聚类型。Getis-Ord General G 统计量则可以识别这两种不同情形的空间集聚（Getis and Ord，1992；O’Sullivan and Unwin，2003）。 式中， wij(d)是根据距离规则定义的空间权重； xi和xj含义同上。 对General G 的统计检验采用下式： * 在空间不集聚的原假设下，General G 的期望值和方差分别是： 其中， * 当General G 值高于E(G)，且Z值显著时，观测值之间呈现高值集聚。当General G 值低于E(G)，且Z值显著时，观测值之间呈现低值集聚。当General G 趋近于E(G)时，观测值在空间上随机分布。 * 局部空间自相关统计量 全局空间自相关的不足：它是对整个研究区域基于全局范围的一个统计量。 由于空间异质性的存在，通常研究区域上都具有不同的空间之相关值。 比如，在某些区域上的空间自相关的值可能是 高的，另外一些区域上的值可能是低的，甚至可能 在研究区域的某一部分中找到了正的空间自相关而 在另一些区域中找到的是负的空间自相关。 5.LISA(Local Indicators of Spatial Association) * LISA 是与I 和C相关的局部化版本， 为了说明在局部尺度上空间自相关 的水平，需要定义在任意面积单元 上导出空间自相关数值。 * 局部空间自相关（Local spatial autocorrelation） 全局空间自相关统计量建立在空间平稳性这一假设基础之上，即所有位置上的观测值的期望值和方差是常数。然而，空间过程很可能是不平稳的，特别是当数据量非常庞大时，空间平稳性的假设就变得非常不现实（Ord and Getis，1992，Anselin，1995）。 局部空间自相关统计量可以用来识别不同空间位置上可能存在的不同空间关联模式（或空间集聚模式），从而允许我们观察不同空间位置上的局部不平稳性，发现数据之间的空间异质性，为分类或区划提供依据（Getis and Ord，1992 1996；Ord and Getis，1995； Anselin，1994，1995）。 * Getis和Ord（1992）提出了度量每一个观测值与周围邻居之间是否存在局部空间关联的G统计量。 该统计量是某一给定距离范围内邻居位置上的观测值之和与所有位置上的观测值之和的比值，能够用来识别位置i和周围邻居之间是高值还是低值的集聚。 若不包括i位置上的观测值，则为Gi统计量；若包括i位置上的观测值，则为Gi*统计量。 G统计量 Gi和Gi*统计量的具体形式分别为： * 在不存在空间依赖性的原假设下，即位置i上的观测值与周围邻居的观测值xj之间在空间上是独立的，Gi和Gi*的期望值分别为： Gi和Gi*的方差分别为： 其中， * 在不存在空间自相关的原假设（即Gi = 0或Gi* = 0）下，Gi 和Gi*服从渐近正态分布（Ord and Getis，1992）。 因此，这两个统计量的统计检验可以根据相应的标准化形式： ，