GIS 中的空间自相关有助于了解一个对象与附近其他对象的相似程度。 Moran's I（指数）测量空间自相关。
地理学家 Waldo R. Tobler 在地理学第一定律中指出：
“一切都与其他事物相关，但近处的事物比远方的事物更相关。”
- 正空间自相关是指相似的值在地图上聚集在一起。
- 负空间自相关是指不同的值在地图上聚集在一起。
空间自相关测量对象与其他近距离对象相比有多近。 Moran's I 可分为正、负和无空间自相关。
为什么空间自相关很重要？
空间自相关之所以重要的主要原因之一是因为统计数据依赖于相互独立的观察结果。如果地图中存在自相关，那么这违反了观察相互独立的事实。
另一个潜在的应用是分析生态和疾病的集群和分散。
- 这种疾病是孤立的吗？
- 它是聚集还是分散传播？
使用空间自相关分析可以更好地理解这些趋势。
正空间自相关示例
当 Moran's I 接近 +1 时，出现正空间自相关。这意味着价值观聚集在一起。例如，高程数据集具有彼此接近的相似高程值。
上面的土地覆盖图像中存在聚类。此集群模式生成 0.60 的 Moran's I。 4.95 的 z 分数表明这种聚集模式可能是随机选择结果的可能性小于 1%。
负空间自相关示例
当 Moran's I 接近 -1 时，会出现负空间自相关。棋盘是一个示例，其中 Moran's I 为 -1，因为不同的值彼此相邻。 Moran's I 的值为 0 通常表示没有自相关。
使用 ArcGIS 中的空间自相关工具，棋盘图案生成的 Moran 指数为 -1.00，z 得分为 -7.59。
（请记住，z 分数表示给定数据集中特征数量的统计显着性）。
这种棋盘图案有不到 1% 的可能性是随机选择的结果。如果您想测试这种统计技术，请尝试使用GeoDa 软件进行此操作以及更多操作。
接下来是什么：空间依赖
空间自相关指示地图中是否存在聚类或分散。正的 Moran's I 暗示数据是聚集的，而负的 Moran's I 暗示数据是分散的。
如果您已经测试过此空间自相关指南，请尝试掌握 GIS 中广泛使用的空间统计：
