空间分析实习3
一、背景
点模式的空间分布是一种比较常见的现象，如不同区域内的人口、城市、房屋分布，油田的分布等。而面模式分布可以简化成点模式分布，模式分析已经应用到了很多方面和领域。 二、实习目的
总结MoranI与G统计量进行对比分析； 对于输出结果进行解释分析；
熟悉使用最邻近分析，全局与局部的MoranI与G统计量分析； 三、实习内容
对Deer数据进行最近邻分析、全局与局部的MoranI与G统计量分析；
对adabg00数据进行全局与局部的MoranI与G统计量分析，需要判断阿达县的拉丁裔人口分布是否具有空间集聚以及存在局部的热点。 四、实验数据
Deer.shp：鹿场点分布图；
Adabg00.shp:爱达荷州阿达县各街区2000年人口普查数据。
五、基本原理
1. 莫兰指数：量测空间自相关性，，即量测各个属性值之间的相关关系，若相似的值在空间上集聚。则说明空间正相关。它实质上是将变量在某个位置的值与其他位置的值进行比较。 全局莫兰指数： I?N??W(??Wijiji,j(Xi?X)(Xj?X))?(Xi?X)i2i,j2. 局部莫兰指数：结果是会为每个要素计算指数值和Z得分，当Z得分高且为正数时，表明该要素与相近值要素邻近，当Z得分高且为负数，则表明该要素与具有不同数值的要素邻近。
3.整体G统计量：基于指定的距离D，，其期望为E（G）。 评价指标：正的Z值表示高值的空间集聚，而负的Z值表示低值的空间集聚。
4. 局部G统计量：也称之为热点分析，当计算得出的Z得分高且为正数时，表示高值聚类或者热点的存在，相反，表示低值聚类或者冷点的存在。 六、基本工具
七、 操作步骤 A、鹿场点分布分析：
1、最邻近分析（Average Nearest Neighbor）。选择欧氏距离。
结果显示有99%的把握确定为集聚的，距离的期望为39.8，而距离的观测值为25.3，说明点与点之间的实际距离要小于期望距离，因此点在空间上集聚状态。 2、多距离空间相关性分析（Multi-Distance Spatial Cluster Analysis (Ripleys K Function)），参数设置如下。
通过观察生成的表和曲线走势，我们可以归纳如下结论。随着范围的扩大，在范围距离小于大约620米时，观测值大于期望值，说明离散点在空间上集聚分布，又因为点分布于范围为大约620米之内，因此之后随着距离的增加，观测值不变，期望值增加，因此呈现观测值小于期望值的结果。从此出可以看出，随着范围的选取不同，点的空间分布结果会有不同。
3、全局莫兰指数（Spatial Autocorrelation (Morans I)）。参数设置如下，
Z值得分为2.61，全局莫兰指数表明，有99%的把握确定离散点的分布存在分散或集聚效应，即不是随机