第四章 空间统计分析.pptVIP

三、软件实现 空间统计分析，目前比较流行的计算软件主要有Asellin等人编写的Space Stat、Geodata等，随着ARCGIS的发展，一些空间统计模块中也嵌套了类似的计算功能，如在ARC/INFO的工作空间WORKSPACE环境，其中的GRID模块中，可以调用命令MORAN来实现全局空间自相关指数，当然这主要是针对栅格数据的计算，对于一些其他格式的数据，可以通过数据的交互格式来转换。 另一方面，弄清楚空间统计分析的基本原理之后，也可以自己用Matlab编程来实现其计算过程。 实例 利用Geodata 9.0来进行空间自相关分析 以黄河流域各个地市的人均GDP空间自相关分析为例 第四章 空间统计分析初步 探索性空间统计分析 地统计分析方法 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。 空间统计分析的任务就是运用统计分析方法，建立空间统计模型，从凌乱的数据中挖掘空间自相关和空间变异规律。 什么方法？ 经典统计方法的基本假设:样本独立 地理学第一定律 地统计学理论与方法 引子 在地球表面 ,每一个事物都和其它事物相联系 ,而距离越近则它们的联系也越强。 探索性空间统计分析(Exploratory Spatial Data Analysis, ESDA)，是指利用统计学原理和图形图表相结合对空间信息的性质进行分析、 鉴别 ,用以引导确定性模型的结构和解法。它实质上是一种“ 让数据说话” 的分析技术。 地统计（Geostatistics）又称地质统计，是法国著名统计学家 G. Matheron在大量理论研究的基础上逐渐形成的一门新的统计学分支。 它是以区域化变量为基础， 借助变异函数，研究既具有随机性又具有结构性，或具有空间相关性和依赖性的自然现象的一门科学。 第1节 探索性空间统计分析 一、基本原理与方法 （一）空间权重矩阵 （二）全局空间自相关 （三）局部空间自相关 二、应用实例 三、软件实现 空间自相关(Spatial autocorrelation)是指同一个变量在不同空间位置上的相关性。目的在于检验空间单元与其相邻的空间单元的属性间是否具相似性。 如何定义“相邻”？——空间权重矩阵 空间自相关分析可分以下 3个过程: 首先建立空间权重矩阵,以明确研究对象在空间位置上的相互关系; 其次进行全局空间自相关分析,判断整个区域是否存在空间自相关现象或集聚现象; 最后进行局部空间自相关分析,找出空间自相关现象存在的局部区域。 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的邻近关系。 权重的确定主要依据地理特征 ,如地区边界和距离等 ,这样可以保证空间权重矩阵的外生性。它可以根据多边形邻接标准或距离邻接标准来度量。n表示n个区域单元。 （一）空间权重矩阵 （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 两种最常用的确定空间权重矩阵的规则： 距离邻接标准：以某一研究对象为中心,一定距离为半径,将落入半径范围内的研究对象定义为相邻。 多边形邻接标准：两个空间单元是否具有公共边或公共点,前者定义为边相邻,后者定义为角相邻。 （二）全局空间自相关 衡量空间自相关的指标有Moran指数I、Geary系数C、G统计量等，他们都有全局指标和局部指标两种。全局空间关联指标用于探测某现象在整个研究区域的空间分布模式,分析其是否有聚集特性存在。 Moran指数I是由 Moran于 1948年提出的 ,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。 由于 Moran指数不能判断空间数据是高值聚集还是低值聚集 , Getis和 Ord于 1992提出了全局 G系数。G系数一般采用距离权 , 要求空间单元的属性值为正。 如果xi是位置（区域）i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 I的期望值： E ( I) = - 1 / ( n - 1)随着样本数 n的增大将逐渐趋于 0。 式 中, i、 j代表不同的空间单元代号; n表示所有空间单元的个数; x表示空间单元的属性值; 所有相邻区域的协方差之和 所有相邻区域的标准差之和 Geary 系数C计算公式如下： 式中：C为Geary系数；其