arcgis實(shí)習(xí)之空間統(tǒng)計(jì)分析

1、Spatial statistics tools分析模式工具集中的工具采用推論式統(tǒng)計(jì)，以零假設(shè)為起點(diǎn)，假設(shè)要素與要素相關(guān)的值均表現(xiàn)隨機(jī)分布。然后計(jì)算P值說(shuō)明，這種分布屬于隨機(jī)分布的概率。在應(yīng)用中，返回Z得分和P值判斷是否可以接受或拒絕零假設(shè)，同時(shí)在不同的工具中，還表示分布是聚集，或分散是標(biāo)準(zhǔn)差的倍數(shù)，在P的概率下接受隨機(jī)分布的接受域Average Nearest Neighbor 最鄰近分析根據(jù)每個(gè)要素預(yù)期最近要素的平均距離來(lái)計(jì)算最鄰近指數(shù)，當(dāng)指數(shù)大于1，要素有聚集分布的趨勢(shì)，對(duì)于趨勢(shì)如何，還要依據(jù) zvalue和Pvalue 來(lái)判斷，小于1時(shí)，趨向分散分布最近鄰指數(shù)的表示方法為：平均觀(guān)測(cè)距離

2、與預(yù)期平均距離的比率，預(yù)期平均距離是假設(shè)隨機(jī)分布中領(lǐng)域間的平均距離這種方法對(duì)面積指值非常敏感（期望平均距離計(jì)算中需要面積參與運(yùn)算），如果未指定面積參數(shù)，則使用輸入要素周?chē)钚⊥饨泳匦蔚拿娣e（不一定合坐標(biāo)軸垂直）Spatial Autocorrelation (Morans I) 空間自相關(guān)分析更具要素位置的屬性使用Global Morans I 統(tǒng)計(jì)量量測(cè)空間自相關(guān)性 Morans I是計(jì)算所評(píng)估屬性的均值和方差，然后將每個(gè)要素減去均值，得到與均值的偏差，將所有相鄰要素的偏差相稱(chēng)，得到叉積。統(tǒng)計(jì)量的分子便是這些叉積之和。如果相鄰要素的值均大于均值，這叉積為正，如果以要素小于均值而一要素大于均值

3、，則為負(fù)如果數(shù)據(jù)集中的值傾向于在空間上集聚（高值聚集在高值附近，低值聚集在低值附近）則指數(shù)為正，如果高值排斥高值，傾向于低值，則指數(shù)為負(fù)之后，將計(jì)算期望指數(shù)值，將之與其比較，在給定的數(shù)據(jù)集中的要素個(gè)數(shù)和全部熟知的方差下，將計(jì)算Z得分和P值，用來(lái)指示次差異是否具有統(tǒng)計(jì)學(xué)上的顯著性Multi-Distance Spatial Cluster Analysis K函數(shù)分析確定要素（后與之有關(guān)連的值）是否顯示某一距離范圍內(nèi)統(tǒng)計(jì)意義顯著的聚類(lèi)或離散基于 Ripley's K 函數(shù)的多距離空間聚類(lèi)分析工具是另外一種分析事件點(diǎn)數(shù)據(jù)的空間模式的方法。該方法不同于此工具集中其他方法（空間自相關(guān)和熱點(diǎn)分析

4、）的特征是可匯總一定距離范圍內(nèi)的空間相關(guān)性（要素聚類(lèi)或要素?cái)U(kuò)散）Ripley's K 函數(shù)可表明要素質(zhì)心的空間聚類(lèi)或空間擴(kuò)散在鄰域大小發(fā)生變化時(shí)是如何變化的。如果特定距離的k觀(guān)測(cè)值大于k預(yù)期值，則與該距離下的隨機(jī)分布相比，該分布的聚集程度更高，反之亦可。如果，k觀(guān)測(cè)值大于HIConfEnv，則該距離的空間聚類(lèi)具有統(tǒng)計(jì)學(xué)上的顯著性，如果k觀(guān)測(cè)值小于LwConFEnv，則該距離的空間離散具有統(tǒng)計(jì)學(xué)上的顯著性對(duì)于置信區(qū)間，點(diǎn)的每個(gè)隨機(jī)分布稱(chēng)為“排列”將一組點(diǎn)隨機(jī)分布多次，將對(duì)每個(gè)距離選擇相對(duì)預(yù)期k值向下和向上最大的k值，作為置信區(qū)間Anselin Local Morans I局部Morans

5、 I 分析給定一組加權(quán)要素，使用局部Morans I統(tǒng)計(jì)量來(lái)識(shí)別具有統(tǒng)計(jì)顯著性的熱點(diǎn)，冷點(diǎn)和空間異常值。Z得分和 p值是統(tǒng)計(jì)顯著性的指標(biāo)，用于逐個(gè)要素判斷是否拒絕零假設(shè)。他們可指示表面相似性和向異性如果要素 Z值是一個(gè)較高的正數(shù)，則表示周?chē)囊負(fù)碛邢嗨浦?，輸出要素Cotype字段會(huì)將具有統(tǒng)計(jì)顯著性的高值聚類(lèi)表示為 HH，低值聚類(lèi)表示為L(zhǎng)L如果要素的 z 得分是一個(gè)較低的負(fù)值，則表示有一個(gè)具有統(tǒng)計(jì)顯著性的空間異常值。輸出要素類(lèi)中的COType字段將指明要素是否是高值要素而四周?chē)@的是低值要素 (HL)，或者要素是否是低值要素而四周?chē)@的是高值要素 (LH)。Getis-Ord General

6、G 高低聚類(lèi)分析使用Getis-Ord General G統(tǒng)計(jì)可度量高值或低值的聚類(lèi)程度Z得分越高或越低，聚類(lèi)程度就越高，如果 z得分接近零，則表示不存在明顯的聚類(lèi)，為正表示高值的聚類(lèi)。為負(fù)表示低值的聚類(lèi)Hot spot Analysis(Getis-OrdGi*) 熱點(diǎn)分析如果給定一組加權(quán)要素，使用Getis-OrdGi* 統(tǒng)計(jì)識(shí)別具有統(tǒng)計(jì)顯著性的熱點(diǎn)和冷點(diǎn)如果要素的 z 得分高且 p 值小，則表示有一個(gè)高值的空間聚類(lèi)。如果 z 得分低并為負(fù)數(shù)且 p 值小，則表示有一個(gè)低值的空間聚類(lèi)。z 得分越高（或越低），聚類(lèi)程度就越大。如果 z 得分接近于零，則表示不存在明顯的空間聚類(lèi)。Adabg00

7、模式分析Average Nearest Neighbor 最鄰近分析最鄰近指數(shù)小于1。聚集分布。Z得分為，對(duì)應(yīng)的P值為，即這種分布是隨機(jī)的情況概率為對(duì)于點(diǎn)數(shù)據(jù)，沒(méi)有明顯的邊界，所以默認(rèn)面積計(jì)算（最小外接矩形）Spatial Autocorrelation (Morans I) 空間自相關(guān)分析空間關(guān)系模型參數(shù)說(shuō)明空間要素之間的關(guān)系，越接近現(xiàn)實(shí)，結(jié)果越準(zhǔn)確指定反距離和固定距離中的距離參數(shù)，默認(rèn)距離為所有要素最臨近距離的最大值聚集分布Multi-Distance Spatial Cluster Analysis K函數(shù)分析通過(guò)Calculate Distance Band From Neighbor

8、 count 計(jì)包含一個(gè)近鄰點(diǎn)的最大距離，作為k函數(shù)的起始距離。將最近鄰距離的期望距離作為間隔在此距離以?xún)?nèi)，均為集聚，但大于這距離，分布變?yōu)榉稚⑶?，聚集具有統(tǒng)計(jì)意義上的聚集，離散并未具有統(tǒng)計(jì)意義上的顯著性Anselin Local Morans I局部Morans I 分析保證每個(gè)要素都有相鄰要素由index和z得分決定高值集聚Getis-Ord General G 高低聚類(lèi)分析Hot spot Analysis(Getis-OrdGi*) 熱點(diǎn)分析P值小，z得分越大，高值聚集Z得分越小，低值聚集Adabg00 模式分析Adabg00屬性結(jié)構(gòu)有兩種屬性將會(huì)被用于模式分析中（Lation（拉丁人

9、口密度）和Dentity（人口密度）、為了得到adsbg的大概人口分布，首先使用密度分割，分層設(shè)色以dentity字段可以看出，adage人口分布呈現(xiàn)聚集態(tài)勢(shì)，四周人口稀少，大多數(shù)集中在內(nèi)部以latino字段相交人口分布，拉丁人口分布除右下角外，其余和人口分布大致相識(shí)使用模式分析探索人口分布為了使用Globle Morans I ，首先計(jì)算包含最近要素的最大距離選做Morans的距離參數(shù)18850 相關(guān)性分析聚集分布可以看到，adage的人口有聚集分布的態(tài)勢(shì)使用局部Morans I 判斷熱點(diǎn)，冷點(diǎn)和異常值（聚集類(lèi)型）藍(lán)色和紫色為異常值區(qū)域紅色 為高值聚集地區(qū)藍(lán)色為低值聚集地區(qū)使用 G統(tǒng)計(jì)量計(jì)算

10、總體聚集程度相較 人口分布，聚集沒(méi)有人口分布強(qiáng)烈可以看到，adage人口呈現(xiàn)聚集分布，且類(lèi)型為高值聚集接著對(duì)latino做相應(yīng)的操作聚集類(lèi)型和人口分布相同有異常值為高值聚集，但相較人口分布，這種高值聚集較小和人口分布的熱點(diǎn)不同分析Z得分和P值與不同空間組合的關(guān)系對(duì)于同一圖層，p值和z得分是一一對(duì)應(yīng)的，當(dāng)z得分的絕對(duì)值變大時(shí)，對(duì)應(yīng)的p值（接受是隨機(jī)分布的假設(shè)）也變小全局Morans I 和G 統(tǒng)計(jì)量用來(lái)指出要素呈現(xiàn)距離分布或離散分布，高值聚集或離散或低值聚集（當(dāng)p值非常小時(shí)，z為正且越大，聚集分布越明顯，反之亦可）（G統(tǒng)計(jì)量：當(dāng)p值非常小時(shí)，z為正且越大，高值聚集明顯，為0，離散分布，為負(fù)且越小，低值聚集越明顯）局部Morans I（cluster and outlier聚集和異常分析）和G統(tǒng)計(jì)量（hot spot熱點(diǎn)分析）根據(jù)每個(gè)要素的z得分和p值推出要素分布的相似或相異分布局部Morans I（cluster and outlier聚集和異常分析）直接添加cotype字段，指出該要素的空間組合情況，如HH,LL,HL,LH，但z得分為正且較大時(shí)，說(shuō)明正自相關(guān)，于是，將高值的聚類(lèi)表示為hh,低值的聚類(lèi)表示為ll，當(dāng)Z得分為負(fù)且較大時(shí)，說(shuō)明負(fù)相關(guān)越強(qiáng)，于是將高值附近的低值圍繞極記為hl，反之Lh，這就是