城市规划GIS技术应用指南（CH12）

在进行城市研究时，不仅需要对空间格局进行定性分析，还需要定量分析。对空间格局的分析首先要判断空间分布是否存在规律，即空间分布是集聚的，还是发散的，或是随机的;然后还要分析空间集聚的类型(同类型事物的集聚，或异类事物的集聚)，在什么区域集聚，集聚区域的位置、大小、形状等;最后还要分析集聚的原因。
本章利用ArcGIS提供的空间统计工具，以某广场上游客的空间分布研究和某城市不同收入家庭的居住分布研究为例，介绍目前得到广泛应用的格局识别方法，包括AverageNearest Neighbor、Ripley’sK、全局Moran’s I、Getis-Ord General G、Local Moran’s I、Getis-Ord Gi*。

空间点格局识别

规划研究经常会涉及空间格局识别的问题(例如开放空间中游客的空间分布)，而首要的判断往往是空间分布究竟是随机的，还是集聚的，或是发散的(图12-1)。
空间点格局识别不考虑点上的属性值，而仅仅关注研究区域内的点在空间上分布的特征和相互关系。通过对其进行识别，来发现事件的产生原因及其控制策略。常用的空间点格局识别方法包括平均最近邻分析(Average Nearest Neighbor)和多距离空间聚类分析(Ripley’s K函数)。
下面以某广场上游客的空间分布格局识别为例，介绍具体的识别方法。
试验数据是某广场人流高峰时刻的游人空间分布，广场的平面图详见随书数据“chpl2\练习数据\广场和人流\广场影像图.tif”;游人的空间分布详见“游人.shp”，这是一个ArcGIS的 Shape点类型的文件。将它们加载到ArcMap之后，如图所示。

平均最近邻分析

平均最近邻(Average Nearest Neighbor)是指点间最近距离均值。该分析方法通过比较计算最近邻点对的平均距离与随机分布模式中最近邻点对的平均距离，来判断其空间格局。平均最近邻认为点格局随机分布时，上述两距离相等;点格局集聚时，前者会小于后者;而点格局发散时，前者会大于后者。
在ArcGIS平台下的具体操作为:

步骤1:启动ArcMap，加载随书数据【chp12\练习数据\广场和人流\游人.shp】
步骤2:启动【平均最近邻】工具。
将鼠标移到主界面右侧的【目录】按钮上，在浮动出的【目录】面板中选择【工具箱\系统工具箱\Spatial Statistics Tools\分析模式\平均最近邻】，双击它启动该工具，显示【平均最近邻】对话框。本文选择在搜索框中输入平均最近邻工具，再点击启动，如图所示：

步骤3:进行【平均最近邻】分析。
设置【平均最近邻】对话框的参数。点【确定】开始计算。计算完成后，选择菜单【地理处理】【结果】，弹出【结果】对话框。

计算结果有5个参数:平均观测距离:1.217446;预期平均距离:1.632695;最邻近比率:0.745666;z得分:一7.693160;p值:0.000000。
根据平均最近邻分析的原理，该广场上游客的空间分布处于比较显著的集聚状态。

说明一:z得分是用来检验空间自相关分析的统计显著性的，即帮助用户检验或决定是否拒绝零假设或接受零假设。在空间模式分析中,零假设是指没有空间自相关，即空间要素不存在任何相关的空间模式。相反，非零假设即为存在空间相关或某种空间分布模式。该分析中，z得分为负代表集聚，为正代表发散。
说明二:与z得分一起的还有p值，该值是个概率值。非常高的正z得分或者非常小的负z得分，都对应一个非常小的p值，通常出现在标准正态分布曲线的尾部，这种情况可说明该空间要素不具有随机分布的特征，即可拒绝零假设。

步骤4:查看报告。
根据结果对话框中给出的报告路径(本文为“C: \Documents and Settings \Administrator\My Documents\ArcGIS\最邻近法结果.html”)，打开报告文件。
该文件以图形的方式显示了分析结果。结果对应图中的蓝色区域，该区域被注明是显著的集聚。


平均最近邻分析显示该广场上游客的空间分布不是随机的，而是处于比较显著的集聚状态。接下来可以进一步分析是什么原因导致了集聚。

多距离空间聚类分析

随着空间尺度的变化，点状地物的分布模式可能会发生变化。在小尺度下可能呈现集聚分布,而在大尺度下可能为随机分布或发散分布。多距离空间聚类分析(Ripley’s K函数)是分析各个尺度下的点状地物空间格局的常用方法。它按照一定半径的搜索圆范围来统计空间聚类。下面仍以上述广场上游客的空间分布格局识别为例，介绍具体的分析方法。

步骤1:启动ArcMap，加载随书数据【chpl2练习数据\广场和人流\游人.shp】。
步骤2:启动【多距离空间聚类分析】工具。
将鼠标移到主界面右侧的【目录】按钮上，在浮动出的【目录】面板中选择【工具箱\系统工具箱\Spatial Statistics Tools\分析模式\多距离空间聚类分析】，显示【多距离空间聚类分析】对话框。本文选择在搜索框中输入多距离空间聚类分析工具，再点击启动，如图所示：
步骤3:设置【多距离空间聚类分析】对话框的参数。其中，
(1)【开始距离】是搜索圆的初始距离。
(2)【距离增量】是搜索圆每次增加的距离。这里设置为0.7，这是人和人之间的最小间距。
(3)【距离段数量】是搜索圆递增的次数。
步骤4:点【确定】开始计算。

计算完成后弹出结果对话框，如图所示。其中对角线直线是期望值，而深色曲线是观测值，当观测值曲线在期望值对角线之上时意味着集聚，反之发散。

计算结果表明在5米以下的空间尺度里，游客呈现集聚分布，而在5米以上时则呈现发散分布。这意味着在该广场，人和人交往的聚集范围是5米，这是5~10个人聚集的范围，如果分析不同时段的集聚状态会发现游人少的时候集聚范围会缩短，这时集聚的人会更少。

密度制图

前面的分析只能从数值上得出广场游人分布处于集聚的状态，但是并不能直观看到人流集聚的位置，集聚的形状和大小。而这些可以通过密度图来反映。密度制图根据输入的点要素的数值及其分布，来计算整个区域的密度分布状况，并产生一个连续的栅格图形。
利用密度制图可以通过密度显示点的聚集情形，例如可以制作人口密度图反映城市人口聚集情况，或根据犯罪点数据来分析犯罪的分布情况，或根据企业布点和规模数据来分析经济分布情况。
下面仍以上述广场游客数据为例，介绍制作游人分布密度图的具体方法。

步骤1:启动ArcMap，加载随书数据中的试验数据【chpl2\练习数据\广场和人流\游人.shp】和【广场影像图】。
步骤2:启动【核密度分析】工具。
将鼠标移到主界面右侧的【目录】按钮上，在浮动出的【目录】面板中选择【工具箱\系统工具箱\Spatial Analyst Tools \密度分析\核密度分析】，显示【核密度分析】对话框
图所示(注:需要预先加载Spatial Analyst 扩展模块，可点击菜单【自定义】→【扩展模块…】，勾选【Spatial Analyst】选项)。本文选择在搜索框中输入核密度分析工具，再点击启动，如图所示：
步骤3:设置【核密度分析】对话框的参数。
(1)【输入点或折线(polyline)要素】设为【游人】要素类。
(2)【Population字段】设为【NONE】(注:该字段用于指定每个点或线上包含的数量，例如人数、犯罪数、企业数，本例中每1个点对应1个人，因此无须设置)。
(3)【输出栅格】设为【chp12\练习数据\广场和人流\游客密度图】。
(4)【搜索半径】设为【5】，其依据是前面得到的游客集聚尺度。
(5)点【环境…】按钮，展开【处理范围】，设置【范围】栏为【与图层广场影像图.tif相同】。
步骤4:点【确定】开始计算。计算完成后得到【游客密度图】，如图所示.

通过密度图，我们可以清晰地看到游人主要集中在中部下沉式小广场、广场四角、广场各入口两侧。这类分析对于研究广场游人活动规律具有重要意义。

空间自相关和事物属性的空间分布格局

空间自相关是指分布于不同空间位置的地理事物，它们的某一属性值存在统计相关性，通常距离越近的两值之间相关性越大。具体还可以分为空间正相关和空间负相关:空间正相关是指空间上分布邻近的事物其属性具有相似的趋势和取值，例如房价高的街区会带动周边街区房价也升高;类似地，空间负相关是指具有相反的趋势和取值，例如一个大型超市落户某个街区后，其相邻街区再设立大型超市的可能性就会很小。因此，空间自相关分析主要是检验空间事物的某项属性是否存在高高相邻分布或高低间错分布。

空间自相关可进一步分为全局空间自相关(Global Spatial Autocorrelation)和局域空间自相关(Local Spatial Autocorrelation):
(1)全局空间自相关用于描述某现象的整体分布状况，判断此现象在空间中是否有聚集特性存在，但它并不能确切地指出聚集在哪些地区。常用的统计指标包括Mo-ran’s Ⅰ统计、Getis G和Getis’s C比值，以及基于距离阈值范围的乘法测度等。
(2)局域空间自相关用于度量聚集空间单元相对于整体研究范围而言，其空间自相关是否足够显著，若显著性大，该单元即是该现象空间聚集的地区;或者度量空间单元对整个研究范围空间自相关的影响程度，影响程度大的往往是区域内的特例,它们往往是空间现象的聚集点。局域空间的集聚性即是空间的热点区域，因此也常被称为空间热点分析。常用的统计指标包括Local Moran’s I、Local Getis’s G、Kulldorf Space Scan、Anselin’s Moran Scatterplot等。
ArcGIS主要提供了四种空间自相关性统计工具，其中用于统计全局空间自相关的工具有Moran’s I统计、高/低聚类(Getis-Ord General G);用于统计局域空间自相关的工具有聚类和异常值分析(Anselin Local Moran’s I)、热点分析(Getis-Ord Gi*)。
下面以某城市家庭平均收入的空间分布研究为例，介绍上述工具的使用方法。

实验简介

城市居住空间的分布一直都是地理学和城市规划研究的重要领域。本实验将分析某城市不同收人家庭的居住空间分布情况，判断其是否存在高收入家庭和高收入家庭集聚，低收入家庭和低收人家庭集聚，或者高低收入家庭相邻分布等现象。一般情况下，适度的集聚可以更有效地满足不同阶层人的需求。但是过度的高/高收入家庭集聚和低/低收人家庭集聚会加剧居住空间分异，造成居住隔离、贫困固化以及阶层对立，也易引发各类环境问题以及社会矛盾。同时，集聚的位置也关乎社会资源的分配，例如，如果高/高收入家庭集聚在城市中心区，而低/低收入家庭集聚在城市郊区，则会加剧对低收入阶层的医疗、教育、交通、公共设置等资源的剥夺程度。

实验数据是某城市各个社区的家庭平均年收入，详见随书数据中的“chp12\练习数据\收入空间分布\家庭收入.shp”，ArcMap加载该数据后如图所示。

该城市北面是一条铁路，西面是一条景观良好且河面宽阔的河流，东面和南面都是农田，新市中心在城市西部临河,老市中心在城市中部老城区。
本实验的思路是:
首先统计全局空间自相关 Moran’s Ⅰ指数，判断该城市家庭收入空间分布是否具有空间相关性;
如果存在空间正相关，然后用高/低聚类(Getis-Ord General G)方法判断是哪种类型的集聚，即高/高收入家庭集聚或是低/低收入家庭集聚;
接下来用聚类和异常值分析(Anselin Local Moran’s I)和热点分析(Getis-Ord Gi*)来进行局域空间相关性分析，找出各类集聚的空间分布区域。因为全局空间自相关假定空间是同质的，不能反映局部空间关系。

全局Moran’s I 统计x

全局Moran’s I统计衡量相邻的空间分布对象属性取值之间的关系。取值范围为—1~l，正值表示该空间事物的属性值分布具有正相关性，负值表示该空间事物的属性值分布具有负相关性,0值表示不存在空间相关，即空间随机分布。
另外，全局Moran’s I也用z得分来检验空间自相关的统计显著性，全局Moran’s I也是首先假设研究对象之间没有任何空间相关性，然后通过z得分检验假设是否成立。z得分为正意味着存在空间自相关，负值意味着空间分布是发散的。
下面，我们在ArcGIS下统计该城市家庭收入空间分布的全局Moran’s I:
步骤1:启动ArcMap，加载随书数据【chp12\练习数据\收入空间分布\家庭收入.shp】。
步骤2:启动【空间自相关(Moran I】工具。
【目录】面板中选择【工具箱\系统工具箱\Spatial Statistics Tools\分析模式\空间自相关(Moran I)】，显示【空间自相关(Moran I)】对话框。本文选择在搜索框中输入空间自相关(Moran I)工具，再点击启动，如图所示：
步骤3:设置【核密度分析】对话框的参数。
步骤3:进行【空间自相关(Moran I)】分析。
设置【空间自相关(Moran I)】对话框的参数。其中，【输人字段】是要进行相关性分析的事物属性,这里是各个社区的家庭平均年收入。
点【确定】开始计算。计算完成后，选择菜单【地理处理】【结果】，弹出【结果】对话框,如图所示。


从计算结果来看Moran’s Ⅰ指数为正数，并且有比较高的z得分和较低的p值，说明该城市家庭收入空间分布具有比较显著的空间正相关，即高/高收入家庭集聚或低/低收人家庭集聚。
步骤4:查看报告。
根据结果对话框中给出的报告路径(本文中为“C: \Documents and Settings\Administrator\My Documents\ArcGIS\Moransl_Result0.html”)，打开报告文件。该文件以图形的方式显示了分析结果。结果对应图中的红色区域，该区域被注明是显著的集聚。

高/低聚类（Getis-Ord General G)

由于Moran’sⅠ指数不能判断空间数据是高值聚集还是低值聚集，Getis和 Ord于1992提出了General G系数。类似于全局Moran’s I，它也用z得分来检验空间自相关的统计显著性，不同的是z得分为正意味着存在高/高集聚，负值意味着低/低集聚。
ArcGIS下的具体步骤如下:
步骤1:启动ArcMap，加载随书数据中的试验数据【chp12\练习数据\收入空间分布家庭收入.shp】。
步骤2:启动【高/低聚类(Getis-Ord General G)】工具。
在【目录】面板中选择【工具箱\系统工具箱\Spatial Statistics Tools \分析模式\高\低聚类(Getis-Ord General G)】，显示【高/低聚类(Getis-Ord General G)】对话框。本文选择在搜索框中输入高/低聚类(Getis-Ord General G)工具，再点击启动，如图所示：
步骤3:进行【高/低聚类(Getis-Ord General G)】分析。
设置【高/低聚类(Getis-Ord General G)】对话框的参数(图12-15)。点【确定】开始计算。计算完成后，选择菜单【地理处理】【结果】，弹出【结果】对话框，如图所示。

从计算结果来看z得分为负，并且p值很低，说明该城市家庭收入空间分布具有比较显著的低值集聚的特征。
步骤4:查看报告。
根据结果对话框中给出的报告路径，打开该文件。该文件以图形的方式显示分析结果。结果对应图中的蓝色区域，该区域被注明是显著的低值集聚。

由此可以看出，从全局来分析，该城市家庭收入空间分布具有比较显著的低值集聚的特征，即低收入家庭和低收入家庭集聚。
但是就此认为该城市的局部空间里也不存在高/高收入家庭集聚和高/低收人家庭相邻还为时过早。因为全局空间自相关假定空间是同质的，即研究区域内的空间事物的某一属性只存在一种整体趋势。但是空间事物的空间异质性并不少见，即某些局部表现出空间正相关或负相关，而另一局部表现出发散。因此，还需要局域空间相关性分析。

聚类和异常值分析（Anselin Local Moran’s I）

局域Moran’sⅠ亦称为LISA，用于发现局域空间是否存在空间自相关，它计算每一个空间单元与邻近单元就某一属性的相关程度。
ArcGIS下进行局域Moran’s Ⅰ分析的具体步骤如下:
步骤1:启动ArcMap，加载随书数据中的试验数据【chp12\练习数据\收入空间分布\家庭收入.shp】。
步骤2:启动【聚类和异常值分析】工具。
将鼠标移到主界面右侧的【目录】按钮上，在浮动出的【目录】面板中选择【工具箱\系统工具箱\Spatial Statistics Tools \聚类分布制图\聚类和异常值分析(Anselin Local Moran’s I)),显示【聚类和异常值分析(Anselin Local Moran’s D)】对话框。本文选择在搜索框中输入聚类和异常值分析工具，再点击启动，如图所示：

步骤3:进行【聚类和异常值分析(Anselin Local Moran’s I】分析。
设置【聚类和异常值分析(Anselin Local Moran’s I)】对话框的参数(图12-18)。点【确定】开始计算。计算完成后会自动加载结果图层，如图12-19所示。该图用颜色区分了三种自相关，即 HH(高/高集聚)、HL(高/低集聚)、LL(低/低集聚)。

打开该图层的属性表，可以看到该图层记录了每个地块的Local Moran’s Ⅰ指标(【LMiIndex IDW】字段)、z得分(【LMZScore IDW】字段)和p值(【LMiPValue DW】字段)。
通过该分析可以看出，该城市不仅存在低收入家庭和低收入家庭集聚，而且还存在大量高/高收入家庭集聚(如图中黑色区域)和少量高/低收入家庭相邻(如图中深色区域)。此外，非常有价值的是，该分析还得到了集聚的空间位置:高/高收入家庭集聚主要位于西部沿河区域和东部新城，而低/低收入家庭集聚主要位于中部老城区和北部铁路沿线。

热点分析（Getis-Ord- Gi*）

除了局域Moran’s I，局域G系数(Getis-Ord Gi’)也是常用的探测局域空间自相关的有效方法。并且和局域Moran’s I各有所长:局域G系数能较准确地探测出聚集区域。而局域Moran’s I一般对聚集范围的识别偏差较大，能大致探测出聚集区域的中心，但探测出的范围小于实际范围;此外，在同样的条件下，局域Moran’s Ⅰ探测高值聚集的能力要逊色于对低值聚集的探测。
ArcGIS下进行局域G系数分析的具体步骤如下:
步骤1:启动ArcMap，加载随书数据【chp12\练习数据\收入空间分布\家庭收入.shp】。
步骤2:启动【热点分析(Getis-Ord Gi* )】工具。
将鼠标移到主界面右侧的【目录】按钮上，在浮动出的【目录】面板中选择【工具箱\系统工具箱\Spatial Statistics Tools\聚类分布制图\热点分析(Getis-Ord Gi’)】，显示【热点分析(Getis-Ord Gi*)】对话框。本文选择在搜索框中输入热点分析(Getis-Ord Gi工具，再点击启动，如图所示：
步骤3:进行【热点分析(Getis-Ord Gi)】分析。
设置【热点分析(Getis-Ord Gi*)】对话框的参数(图12-2l)。点【确定】开始计算。计算完成后会自动加载结果图层，如图12-22所示。该图用颜色区分了“热点”和“冷点”，即高/高集聚和低/低集聚。对比局域 Moran’s I可以看出，局域G系数探测出的聚集区域更大一些


打开该图层的属性表，可以看到该图层记录了每个地块的z得分(【GiZScore】字段)和p值(【GiPValue】字段)。统计面积发现高/高集聚和低/低集聚的地块面积占了总城区的49.3%。

实验小结

通过该实验可以得出如下结论:该城市的不同收入水平的家庭在选择居住区位时具有比较明显的倾向性，高收入家庭和高收入家庭集聚，低收入家庭和低收入家庭集聚，并且低收人家庭和低收入家庭集聚的特征更强烈一些。集聚的地块面积占了总城区的49.3%,整个城市的居住空间分异非常明显，这对于社会和谐发展十分不利。
该分析还得到了集聚的空间位置:高/高收入家庭集聚主要位于西部沿河区域和东部新城，占据了比较优越的自然景观和生态;而低/低收入家庭集聚主要位于中部老城区和北部铁路沿线，这些区域的社会服务和就业相对比较完善。这种空间分布对于社会资源的分配不存在过多的相互侵占，因此暂时不会引发较大的社会冲突，但是要特别注意防范旧城更新改造过程中的低收入阶层被迫郊区化的问题，以及老城区的没落。

本章小结

本章介绍了定量分析城市事物空间分布关系的一些基本方法:
对于点状事物的空间格局，可以首先从全局判断其是否具有集聚性，本章用到了平均最近邻分析(Average Nearest Neighbor)和多距离空间聚类分析(Ripley’s K函数);然后,再分析其不同空间尺度下的集聚性，因为即使在大尺度下为随机分布或发散分布，但是在小尺度下仍可能呈现集聚分布，为此本章介绍了多距离空间聚类分析(Ripley’s K函数);最后，为了在图面上清晰地看到集聚的分布位置，可以针对不同尺度制作点密度图。
空间自相关用于分析地理事物的某属性在空间上的统计相关性，即是否存在距离越近的两属性值之间相关性越大的情况。空间自相关可进一步分为全局空间自相关和局域空间自相关。对于全局空间自相关，本章介绍了Moran’s Ⅰ统计、高/低聚类(Getis-Ord Gen-eral G)，用于判断是否存在空间集聚，以及集聚的类型;对于局域空间自相关，本章介绍了聚类和异常值分析(Anselin Local Moran’s I)、热点分析(Getis-Ord Gi*)，用于分析各类集聚的空间分布位置。

写文小结

第五篇记录完成，文章若出现缺少和错误之处，欢迎大家在评论区留言，纠正错误，补充本文不足之处，互相学习交流，在此共勉。