空间统计分析帮助我们发现地理数据中隐藏的空间模式和规律。本文介绍常用的空间统计方法及其Python实现。
一、空间自相关分析
空间自相关衡量空间要素属性值的聚集程度，常用Moran's I指数。
from esda.moran import Moran
from libpysal.weights import Queen
w = Queen.from_dataframe(gdf)
moran = Moran(gdf["value"], w)
print(f"Moran's I: {moran.I:.4f}, p-value: {moran.p_sim:.4f}")二、热点分析(Getis-Ord Gi*)
from esda.getisord import G_Local
gi_star = G_Local(gdf["value"], w)
gdf["z_score"] = gi_star.Zs
gdf["p_value"] = gi_star.p_sim三、空间聚类
from clusterpy import ClusterPy
# 空间约束聚类
regions = ClusterPy.arPCL(gdf, "value", 5)四、应用场景
- 疾病空间分布模式分析
- 房价热点区域识别
- 犯罪聚集区域检测
- 生态环境分区评价
空间统计分析是GIS从"展示"走向"分析"的关键技术，值得深入学习。