空间自相关指的是分布于不同空间位置的地理事物，它的某一个属性值存在统计相关性，一般来说，距离越近，相关性越大。

本次分析某一个城市的不同收入家庭的居住空间分布情况。

先用全局空间自相关指数（Moran’s指数）判断这个城市的家庭收入是否存在空间自相关；
如果存在，再使用高/低聚类判断是哪种类型的聚类；
最后，进行聚类和异常值分析以及热点分析，找出各类集聚的空间分布区域。

我们先打开一个城市的家庭收入面数据，可以简单看一下情况。

1：打开空间自相关工具（位于分析模式下）。、
2：输入数据。
3：选择字段，这里我们选择收入字段。
4：生成报表勾选了。

查看结果（在地理处理下。）
打开这个html文件。

从结果图可知，Z为53.09，P值为0，表明，家庭收入空间分布存在比较显著的空间正相关。也就是出现了高与高收入家庭集聚，低与低收入家庭集聚（对应图中的红色部分）。

从上面的结果我们知道：Moran’s I指数不能判断到底是高与高还是低与低集聚。
因此，可以采用General G 进行判断（z得分为正表示高/高集聚，为负数就表示低/低集聚）。

类似上述操作，
1：找到高/低聚类工具。
2：输入数据。
3：字段选择。
4：生成报表。

我们还是一样的查看结果。

Z的得分为-4.58，也就是存在显著的低/低集聚的情况（上图蓝色区域）。

但是，数据本身存在这样一种情况：
空间事物存在异质性，在某些局部表现为空间正相关，另外一部分可能是发散的，因此，需要进行局域空间自相关。

1：找到聚类和异常值分析工具（位于聚类分布制图下）。
2：输入字段。
3：输出地址与命名。

通过上图我们可以知道：
黑色区域是高/高集聚，主要分布在城市的西部和东部。
蓝色的是低/低集聚，主要分布在中部地区。
橙色是高/低集聚，数量和区域都很小。

下面进行热点分析：

1：热点分析。
2：输入字段（家庭收入）。
3：输出地址。

通过以上的分析可以得出结论：

这个城市存在高/高收入集聚和低/低收入集聚（更显著），表面城市空间存在居住分异现象，不利于城市的发展。

在进行空间统计相关的研究时，我们常常需要分析空间事物之间的关联度，这个时候，借助Arcgis中的Moran I工具，我们就可以很好的去分析一系列空间事物之间的联系：聚类还是离散（其实就是聚在一块和分开的区别啦）

那么，话说不多，我们直接打开Arcgis10.3，这里介绍一下10.3，这个版本在我看来特别稳定，而且破解之后的bug也很少，如果想要和我用一个版本的童鞋们可以关注“一点gis”公众号，里面有对应的安装包和安装教程，非常详细（不是广告，这个公众号都不是我做的，是我偶然发现的）

好的，打开arcgis之后，导入休闲区兴趣点数据（poi——Point of Interests）和昆明市的行政区划shp文件，如下图：
PS：可能有些童鞋对于poi是什么不是很清楚，其实就是各种吃喝玩乐的地点，它们被抽象为一个个点，这些点具备属性（地址，电话等等，都在它们的arcgis属性表中）

然后我们就需要统计各个区县休闲区点的个数，也就是这些点分别落在各个区县的个数，这里要用到空间连接功能，其原理个人认为就是将不同的空间要素进行相交，包含之类的操作，最后输出一个空间耦合结果，工具位置如下图

我们在目标要素和连接要素中分别选择昆明市和休闲区poi，然后在下面的匹配选项中选择CONTAINS（包含），点击确定生成结果

这里我们右键生成的图层-打开属性表，在属性表中我们会发现一个字段名为join_count，表示落在昆明市每一个区县中的休闲区点要素的个数，如下图：

关闭属性表，双击此图层进入图层属性——符号系统进行分级设色，设置等如下图所示：

得到的结果如下

很明显，颜色越深的块表示菜市场数量越多，在这里我们获得了一个类似热力图的结果，而热力图纯粹刻画点要素的密度，密度高的的地方就颜色深，不代表密度高的区域周围也是密度高，并没有聚类分布，也就是没有分析出各个点之间的空间联系，这里就需要用到Moran I（莫兰指数）了，其位置如下：

在点击之后的弹窗中我们进行如下的设置，然后点击确定，等待结果的生成

玛德，不知道为什么一直报错，昨天都成功了今天突然莫名其妙失败？？
但整个流程是完全没问题的！（我用过很多次了，都能出结果，只能说这次软件有毒==）

最后给大家看看结果吧，运行结束之后会在arcgis右下角出现一个感叹号，点开后双击报表文件，报表会生成为一个html文件，可以在浏览器里打开，也阔以右键保存为图片，如下图所示：

就这样吧（叹气）

原文直达

ArcGIS增量空间自相关工具https://mp.weixin.qq.com/s/PYGj2qp6deQBLYGHEgU4Xg测量一系列距离的空间自相关，并选择性创建这些距离及其相应z得分的折线图。z得分反映空间聚类的程度，具有统计显著性的峰值z得分表示促进空间过程聚类最明显的距离。这些峰值距离通常为具有“距离范围”或“距离半径”参数的工具所使用的合适值。

这个工具就是为某些需要选择距离参数的工具选择合适的距离阈值或半径，典型的比如核密度分析、热点分析。挺实用的。像是做核密度分析，带宽选大了吧，核密度表面太平滑，导致研究的热点区域被掩盖，特征表现不明显；带宽过小了，核密度表面凹凸不平，虽可显现出细小局部特征，但无法保证大尺度数据的连续性和关联性。

它会返回一个表和一个pdf文档，包括上面的折线图，以及其中包含“距离”“Morans I”、“Expected I”、方差、z得分和p值字段的表。上图中高亮的红点所在距离便是最合适的距离。

它与另一个工具多距离空间聚类分析 (Ripley's K 函数)类似。一个不同点是，如果仅考虑数据本身的空间位置分布的话，那用多距离空间聚类就可以。如果需要考虑数据的某种属性的话，用增量空间自相关更为合适，比如，某个区域的酒店，考虑的是每个酒店的营业收入。所以在工具界面会让选择输入字段。

详细的呢可以看帮助https://desktop.arcgis.com/zh-cn/arcmap/10.3/tools/spatial-statistics-toolbox/how-incremental-spatial-autocorrelation-works.htm

下面用成都市小区点poi数据（2SFCA里的那个数据，反复利用）并输入人口字段做一下

距离段数量默认是10，也就是迭代10次距离段数量

起点距离开始空间自相关分析的距离和开始增量的距离。

距离增量每次迭代后要增加的距离。分析中使用的距离于开始距离处开始，以距离增量中指定的数量增加。

这仨先用默认值做，做出来z值是在增大，但到6000m也没有出现峰值。

更改了一下起点距离（6000）和距离短数量（20），图上可以看到在6500和7000左右出现了两个峰值，在6516和7032，是两个明显的峰值，也就是表示在这两个值，空间统计值是最显著的。