空间分布模式与空间相关分析
植物生长的空间分布及其影响因素的空间统计分析
植物生长的空间分布及其影响因素的空间统计分析植物生长是一个复杂的过程，受到多种因素的影响。
空间分布是指植物在特定区域内分布的方式和模式。
空间统计分析可以帮助我们理解植物生长的空间分布及其影响因素。
本文将进行一次这样的分析。
首先，我们需要收集植物生长的空间分布数据。
这可以通过在研究区域内进行野外调查来实现。
我们可以选择一个适当的区域，并在不同的位置上进行采样。
每个位置上的植物数量和密度都需要记录下来。
同时，我们还可以收集一些环境变量的数据，例如土壤类型、水分状况和光照强度等。
然后，我们可以使用空间统计分析方法来研究植物生长的空间分布。
其中最常用的方法之一是点模式分析。
点模式是指研究区域内植物分布的位置和间距的模式。
我们可以使用Ripley's K函数来评估点模式的聚集性。
如果K函数的值小于预期的随机模式，说明植物分布呈现出聚集的趋势；如果大于预期的随机模式，说明植物分布呈现出均匀的趋势。
另一个常用的方法是Moran's I指数，用于评估植物分布的空间相关性。
如果Moran's I指数的值接近1，表明植物分布存在正相关；如果接近-1，表明存在负相关。
除了点模式分析，我们还可以使用空间插值方法来推断未采样位置上的植物密度。
克里金插值是一种常用的方法，它可以根据已知点的值和空间距离来推断未知点的值。
通过使用克里金插值方法，我们可以绘制出植物分布的密度图，并进一步分析其空间变化。
在进行空间统计分析时，我们还需要考虑一些可能影响植物生长空间分布的因素。
这些因素可以分为两类：内在因素和外在因素。
内在因素包括植物种类、竞争关系和繁殖方式等。
不同的植物种类可能具有不同的空间扩展能力和竞争能力，这可能会影响它们的生长空间分布。
外在因素包括环境因素和人为因素。
环境因素包括土壤类型、气候条件和附近植被等。
这些因素对植物的生长和分布具有重要影响。
人为因素包括人类活动和干扰，如农业和城市化等。
这些因素可能改变植物的生境和分布。
如何进行测绘数据的空间关联与关系分析
如何进行测绘数据的空间关联与关系分析空间关联分析是测绘数据处理中的一项重要任务，它帮助我们理解测绘数据之间的关系并揭示出隐藏在数据背后的规律和现象。
本文将探讨如何进行测绘数据的空间关联与关系分析，以提高数据的应用效果和决策支持能力。
一、空间关联分析的概念空间关联分析是指寻找、分析和解释空间统计现象中的相互关系和相互作用模式的过程。
与传统的统计分析相比，空间关联分析注重数据之间的空间关系，强调地理特征和空间结构在数据分析中的重要性。
通过空间关联分析，我们可以发现数据之间的关联模式，推断潜在的因果关系，并制定相应的决策和措施。
二、空间关联分析的方法在进行空间关联分析前，我们首先需要获取和准备好合适的测绘数据。
这些数据可以来自卫星遥感、地理信息系统、地形测量等多种渠道，并包含丰富的地理属性信息。
下面介绍几种常用的空间关联分析方法：1. 空间自相关分析空间自相关分析是通过计算数据点之间的相似性和差异性，来揭示空间数据的集聚和离散趋势。
常用的指标包括莫里斯指数、格兰杰因子和拉格朗日乘子等。
通过空间自相关分析，我们可以发现数据的空间分布模式，如集聚现象、倾斜现象等，并对其进行解释和推断。
2. 空间插值与拟合空间插值是指通过已知的离散样本点数据，推测未知位置的数据值。
常用的插值方法有反距离加权插值、克里金插值和三次样条插值等。
通过空间插值与拟合，我们可以填补数据空白，获取更完整的数据集，并用于后续的关联分析和建模。
3. 空间回归分析空间回归分析是通过建立空间数据之间的回归模型，来探索变量之间的关系和解释变量间的空间异质性。
常用的方法有普通最小二乘法、简单空间自回归模型和空间误差模型等。
通过空间回归分析，我们可以揭示数据之间的因果关系和空间依赖性，为决策制定提供依据。
三、测绘数据的空间关联与关系分析的应用测绘数据的空间关联与关系分析在多个领域有着广泛的应用。
以下列举几个具体的应用场景：1. 城市规划与土地利用通过分析城市地区的土地类型、建筑分布、交通网络等测绘数据，可以揭示城市内不同地区之间的关联模式和相互作用。
常用的空间分析有哪些
常用的空间分析有哪些引言空间分析是地理信息系统（GIS）领域的一个重要部分，它利用地理数据进行分析和解释，以了解空间模式、关系和趋势。
空间分析可以帮助我们更好地理解和利用空间数据，从而支持决策制定和问题解决。
本文将介绍一些常用的空间分析方法。
点模式分析点模式分析是研究点分布模式和空间相关性的方法。
它能够帮助我们识别和理解地理现象的分布规律和趋势。
常用的点模式分析方法包括：1.点密度分析：通过计算单位面积或单位距离内的点的数量来描述点分布的集中程度。
点密度分析可以帮助我们找出热点区域或冷点区域。
2.最近邻分析：通过计算每个点到最近的邻居点的距离，来研究点的分布模式和聚集趋势。
最近邻分析可以帮助我们确定点的聚集程度以及聚集的模式。
3.凸包分析：通过计算一组点的凸包来描述点的分布形状。
凸包分析可以帮助我们了解点分布的形状特征，例如是否呈现出环状、线状或圆状等形式。
线模式分析线模式分析是研究线要素之间的关系和属性的方法。
它可以帮助我们理解和分析线要素的空间模式和特征。
常用的线模式分析方法包括：1.线密度分析：通过计算单位面积或单位距离内的线要素的长度来描述线分布的集中程度。
线密度分析可以帮助我们找出线要素的热点区域或冷点区域。
2.线相交分析：通过计算线要素之间相交的数量来研究线的交叉程度和分布情况。
线相交分析可以帮助我们理解线要素之间的交错关系和交通网络的密度。
3.缓冲区分析：通过在线要素周围创建一定距离范围的缓冲区来研究线要素的影响范围和空间关系。
缓冲区分析可以帮助我们确定线要素的影响范围，例如河流的保护区或高速公路的建设范围。
面模式分析面模式分析是研究面要素之间的关系和属性的方法。
它可以帮助我们理解和分析面要素的空间模式和特征。
常用的面模式分析方法包括：1.面积分析：通过计算每个面要素的面积来研究面要素的分布范围和集中程度。
面积分析可以帮助我们找出面要素的热点区域或冷点区域。
2.面相交分析：通过计算面要素之间相交的数量来研究面的交叉程度和分布情况。
空间计量方法
空间计量方法
空间计量方法是一种用来衡量和分析空间模式和空间关系的方法。
它可以帮助我们理解和解释人类活动在空间上的分布规律。
常见的空间计量方法包括：
1. 空间自相关性分析：用来测量空间数据的相关性。
通过计算其相关指数（如Moran's I指数），可以判断空间数据是否存
在空间聚集或分散的特征。
2. 空间插值：用来推断未被测量或采样的地点的值。
常用的方法包括克里金插值和反距离加权插值。
3. 点模式分析：用来分析点数据的分布模式。
常用的方法有基尼系数和Ripley's K函数。
4. 空间回归分析：用来研究空间模式和变量之间的关系。
它可以帮助我们理解空间因素对变量的影响程度，并预测变量在不同空间位置的取值。
5. 空间聚类分析：用来识别空间数据中的集群或热点区域。
常用的方法包括密度聚类和聚类扫描统计。
通过应用这些空间计量方法，我们可以揭示空间模式与人类活动、环境特征等因素之间的关系，进一步了解空间中的规律和趋势。
空间分析方法
空间分析方法空间分析方法是地理信息系统（GIS）中的重要组成部分，它通过对地理空间数据的处理和分析，帮助人们更好地理解和解释地理现象。
在空间分析中，我们常常需要考虑的问题包括空间关联、空间分布、空间模式、空间交互等，而为了解决这些问题，我们需要运用一系列的空间分析方法。
首先，空间分析方法中常用的一种是空间关联分析。
空间关联分析主要用于研究地理现象之间的空间关系，包括空间自相关、空间异质性等。
通过空间关联分析，我们可以发现地理现象之间的空间联系，比如城市的发展与周边环境的关系，不同地区的经济发展水平之间的关联等。
在实际应用中，我们可以通过计算空间自相关指标来评估地理现象的空间相关性，从而为决策提供科学依据。
其次，空间分布分析是空间分析方法中的另一个重要内容。
空间分布分析主要用于研究地理现象在空间上的分布特征，包括集聚程度、分散程度等。
通过空间分布分析，我们可以了解地理现象在空间上的分布规律，比如人口分布的集聚程度、资源分布的均衡性等。
在实际应用中，我们可以通过密度分析、核密度分析等方法来揭示地理现象的空间分布特征，为城市规划、资源配置等提供参考依据。
另外，空间模式分析也是空间分析方法中的重要内容之一。
空间模式分析主要用于研究地理现象在空间上的规律性和变化性，包括聚集模式、离散模式等。
通过空间模式分析，我们可以揭示地理现象的空间分布规律，比如城市用地的空间结构、交通网络的空间布局等。
在实际应用中，我们可以通过空间聚类分析、空间插值分析等方法来识别地理现象的空间模式，为城市规划、环境保护等提供决策支持。
最后，空间交互分析也是空间分析方法中的重要内容之一。
空间交互分析主要用于研究地理现象之间的相互作用关系，包括空间接近性、空间连接性等。
通过空间交互分析，我们可以了解地理现象之间的空间关联程度，比如城市之间的联系、地区之间的交互等。
在实际应用中，我们可以通过网络分析、路径分析等方法来研究地理现象之间的空间交互关系，为交通规划、区域协调等提供决策支持。
空间数据分析方法有哪些(两篇)2024
空间数据分析方法有哪些（二）引言概述空间数据分析是一种重要的数据分析方法，在众多领域包括城市规划、地理信息系统、环境管理和农业等方面具有广泛应用。
本文将就空间数据分析方法进行详细的介绍和阐述，希望能够帮助读者更好地了解和运用这些方法。
正文内容一、地理分析工具1. 空间插值方法- 空间插值方法是一种将已知数据点的值推断到未知区域的方法。
常用的空间插值方法有反距离权重法、克里金法和径向基函数插值法。
这些方法可以通过数学模型推断出未知区域的值，从而帮助分析人员进行更加准确的决策。
- 反距离权重法假设周围已知点的权重与距离的倒数成正比，通过加权平均的方式来估计未知点的值。
克里金法则基于空间半变异函数对已知点进行插值，可以得到更加平滑的结果。
径向基函数插值法则使用基函数对已知点进行插值，可以灵活地应用于不同类型的数据。
2. 空间聚类方法- 空间聚类方法是对空间数据进行聚类分析的方法。
常用的空间聚类方法有基于密度的聚类和基于网格的聚类。
基于密度的聚类方法将空间数据划分为高密度和低密度区域，从而得到聚类结果。
基于网格的聚类方法则将空间数据划分为网格，并且根据网格内数据的特征进行聚类分析。
- 空间聚类方法在城市规划和地理信息系统等领域具有重要的应用。
通过空间聚类，可以发现具有相似特征的空间对象，从而更好地理解和分析空间数据。
3. 空间相关性分析- 空间相关性分析是研究空间数据之间关系的分析方法。
常用的空间相关性分析方法有空间自相关分析和空间回归分析。
空间自相关分析可以帮助分析人员理解空间数据的空间分布模式，了解空间数据之间的依赖关系。
空间回归分析则是研究空间数据之间的线性关系，并进行回归分析。
- 空间数据的相关性分析可以帮助分析人员发现隐藏在数据背后的规律和关系，从而做出更加准确的决策。
4. 空间网络分析- 空间网络分析是研究网络结构和空间数据之间关系的分析方法。
常用的空间网络分析方法有路径分析、中心性分析和聚类分析。
地理信息技术专业中的空间模式分析方法介绍
地理信息技术专业中的空间模式分析方法介绍地理信息技术（Geographic Information Technology，简称GIT）是一门涉及地理信息数据采集、处理、存储和分析的学科。
在地理信息技术专业中，空间模式分析是一种重要的分析方法，通过研究空间上的模式和趋势，可以揭示出地理现象的规律和特征。
一、空间模式分析的概念和意义空间模式分析是研究地理现象在空间上的分布规律和联系的方法。
通过对地理现象的空间分布和变化进行定量分析，可以揭示出地理现象的内在规律和相互关系，帮助人们深入理解地理现象背后的机制和原因。
空间模式分析在城市规划、环境保护、资源管理等领域具有重要的应用价值，可以辅助决策和改进政策。
二、空间模式分析的方法1. 空间自相关分析空间自相关分析是一种研究地理现象之间相互关联性的方法，常用的指标包括Moran's I和Geary's C等。
该方法可以判断地理现象的空间分布是否存在聚集或离散的趋势，并进一步分析产生这种趋势的原因。
2. 热点分析热点分析是一种用于识别地理现象的高值区和低值区的方法。
通过计算地理现象的聚集程度和统计显著性，可以找到具有显著空间集聚特征的区域，帮助人们更好地理解地理现象的分布规律。
3. 空间插值分析空间插值分析是一种用于预测和推断地理现象在未观测区域的值的方法。
通过已有的空间数据，利用插值方法来推断未知位置的地理现象的数值，从而形成连续的表面，帮助人们更好地理解地理现象的空间分布。
4. 空间关联分析空间关联分析是一种研究地理现象之间关系的方法，常用的指标包括Pearson相关系数和Spearman秩相关系数等。
该方法可以用来判断两个或多个地理现象之间是否存在相关性，进而揭示地理现象的相互依赖关系和影响因素。
三、空间模式分析的应用1. 城市规划空间模式分析可以用于研究城市土地利用的空间分布和格局，揭示城市发展的趋势和特征，为城市规划提供科学的依据和参考。
空间相关和空间自相关
空间相关和空间自相关以空间相关和空间自相关为题，本文将探讨空间相关的概念、应用以及空间自相关的原理和作用。
一、空间相关的概念和应用空间相关是指在地理空间中，不同地点之间存在的相关性。
它是地理学中一个重要的概念，用于描述地理现象在空间上的分布规律和相互关系。
空间相关的研究对于理解地理现象、预测未来趋势以及制定相应的管理和决策非常重要。
空间相关有两种基本形式：正相关和负相关。
正相关表示两个地点的特征值在空间上呈现相似的分布规律，即一个地点的特征值的增加或减少与另一个地点的特征值的增加或减少是同步的。
负相关则表示两个地点的特征值在空间上呈现相反的分布规律，即一个地点的特征值的增加或减少与另一个地点的特征值的增加或减少是相反的。
空间相关的应用广泛，例如在城市规划中，可以利用空间相关分析来确定不同区域的发展趋势和相互关系，从而为城市的合理布局和规划提供科学依据。
在环境保护领域，可以利用空间相关研究分析不同地区的环境污染程度和相互影响，以制定相应的环境保护政策和措施。
在农业生产中，可以利用空间相关分析来确定不同地区的土壤质量和适宜作物的种植，从而提高农业生产的效益。
二、空间自相关的原理和作用空间自相关是指地理现象在空间上的自相关性。
它是空间统计学中的一个重要概念，用于描述地理现象在空间上的自我关联程度。
空间自相关的研究对于揭示地理现象的内在规律和空间结构，以及解释地理现象的空间分布和相互作用机制非常重要。
空间自相关的原理基于地理现象的空间分布规律和相互作用机制。
如果一个地理现象在空间上呈现出聚集的分布规律，即相似的特征值更有可能在空间上相邻地点之间出现，那么可以说这个地理现象具有正的空间自相关。
反之，如果一个地理现象在空间上呈现出分散的分布规律，即相似的特征值更有可能在空间上远离的地点之间出现，那么可以说这个地理现象具有负的空间自相关。
空间自相关的作用是揭示地理现象的空间结构和相互作用机制。
通过空间自相关分析，可以确定地理现象的空间分布规律和相互关系，从而为地理现象的研究和解释提供依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实习序号和题目空间分布模式与空间相关分析实习人专业及编号实习目的：熟悉和掌握 Spatial Statistics Tools里的基本工具，对所给数据进行空间分析。
实习内容：1.参考文献《多尺度人口增长的空间统计分析》，练习多距离 L(d) 、全局 Moran’I 与 G*统计量分析，显著性检验的置信区间定义为90%；2.对 adabg00 数据进行全局与局部的 moran I 与 G统计量分析；3. 对 deer 数据进行基于距离的最近邻分析与L(d) 分析；实习数据：1.省区 .shp ：中国各省分布图2.各省第 5 次和第 6 次人口普查：各省人口普查数据deer.shp ：鹿场点分布图3.adabg00.shp: 爱达荷州阿达各街区2000 年人口普查数据基本原理：空间分布的模式一般来说，有三种，分别是离散、随机、和聚合。
离散的概念就是指观测的每个数据之间的差异程度，离散程度越大，差异性就越大。
聚合与离散正好相反，表示在一定区域内的相关程度，就是聚合程度越大，相关性就越大。
随机是纯粹的无模式，既不能从随机数据中获取结论，也发现不了规律和模式。
1.零假设（ null hypothesis ）：指进行统计检验时预先建立的假设。
在空间统计中，零假设指的就是空间位置在一定区域里面呈现完全随机（均匀）分布。
在检验结果之前，先对这些结果假设一个数值区间，这个区间一般是符合某种概率分布的情况，如果真实结果偏离了设定的区间，就表示发生了小概率事件。
这样原来的假设就不成立了。
如果计算结果落在-2 到2 之间，就表示假设是可以接受，但是不在这个范围内，就说明发生小概率事件了。
有两种可能： 1，假设有错误； 2，出现了异常值。
2.z 得分（ Z scores ）表示标准差的倍数标准差：总体各单位标准值与其平均数离差平方的算术平均数的平方根” 也就是“标准差能反映一个数据集的离散程度” 。
比如z 得分是+2.5 ，得到的结果是标准差的正 2.5 倍，表示数据已经高度聚集。
反之，如果是 -2.5, 那么就表示标准差的负 2.5 倍，就是高度离散的数据。
置信度：数据落在期望区间的可能性在统计学中，一个概率样本的置信区间（ Confidence interval ）是对这个样本的某个总体参数的区间估计。
置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。
置信区间给出的是被测量参数的测量值的可信程度。
这个概率被称为置信水平。
置信水平是指总体参数值落在样本统计值某一区内的概率；而置信区间是指在某一置信水平下，样本统计值与总体参数值间误差范围。
置信区间越大，置信水平越高。
3.在空间统计分析中，通过相关分析可以检测两种现象（统计量）的变化是否存在相关性，若所分析的统计量为不同观察对象的同一属性变量，则称之为自相关。
而空间自相关反映的是一个区域单元上的某种地理现象或某一属性值与邻近区域单元上同一现象或属性值的相关程度，是一种检测与量化从多个标定点中取样值变异的空间依赖性的空间统计方法。
当变量在空间上表现出一定的规律性，即不是随机分布则存在着空间自相关，空间自相关理论认为彼此之间距离越近的事物越相像。
也就是说，空间自相关是针对同一个属性变量而言的。
4.空间自相关方法按功能大致分为两类：全域型自相关和区域型自相关。
全域型自相关的功能在于描述某现象的整体分布状况，判断此现象在空间是否有聚集特性存在，但其并不能确切得指出聚集在哪些地区，若将全域型不同空间间隔的空间自相关统计量依序排列，可进一步得到空间自相关系数图，用于分析该现象在空间上是否有阶层性分布。
区域型自相关能够推算出聚集地的范围。
5.最近邻分析是根据每个要素与其最近邻要素之间的平均距离计算其最近邻指数。
最近邻指数是平均观测距离和平均期望距离之比。
如果小于１，则要素呈现空间聚集式；如果大于１，则要素呈现空间离散模式或竞争模式。
最近邻分析并没有考虑到属性特征，只是根据空间位置。
6.Moran ’s I法高的自相关性代表了空间现象聚集性的存在，空间自相关分析的主要功能在于同时可以处理数据的区位和属性。
全域型 Moran ’s I 计算方式是基于统计学相关系数的协方差关系推算出来的。
I 值一定介于 -1 到 1 之间，大于 0 为正相关，且值越大表示空间分布的相关性越大，即空间上聚集分布的现象越明显，反之，值越小代表空间分布相关性小，而当值趋于 0 时，代表此时空间分布呈现随机分布的情形。
若 I 值大于 0 ，说明相邻地区拥有相似的数据属性，属性值高或低的地区都有聚集现象；若 I 小于 0 ，说明相邻地区属性差异大，数据空间分布呈现高地间隔分布的状态；若 I 趋近于 0 ，则相邻空间单元间相关低，某空间现象的高值或低值呈无规律的随机分布状态。
若 I 值显著大于 I 的期望值（I值为正值且显著），说明两点存在相似关系，若 I 值显著小于 I 的期望值（I 值为负值且显著），说明两点存在不相似关系。
区域空间自相关值累加之和即全域空间自相关 Moran ’s I 值。
其对应的公式为：7. 多距离空间聚类分析(Ripley's K函数)Ripley's K方法是一种点数据模式的分析方法，利用Ripley's K函数对点数据集进行不同距离的聚类程度分析。
Ripley's K 函数就是用来表明要素的质心的空间聚集或空间扩散的程度，以及在邻域大小发生变化时是如何变化的。
原理：设定一个起算距离，还可以指定最终距离或者增量步长。
计算的距离增加的时候，包含的相邻的要素自然就会原来越多，那么就可以针对不同的距离，去计算包含的数据的密度。
当全部算完之后，把每个距离的密度进行一下算数平均，并且用这个平均密度，作为用于比较的标准密度值。
然后用每个距离里面，包含的数据量的密度，来与标准密度值进行比较。
大于标准密度，那么我们就认为这个距离上，数据处于聚类分布，而小于标准值的，我们就认为他处于离散分布。
为了避免平均数带来的一些简单粗暴的计算，在研究空间分布的时候，更多是利用零假设的方式，来设定随机数进行分布，作为预期值。
特定距离的 K 观测值大于 K 预期值，则与该距离（分析尺度）的随机分布相比，该分布的聚类程度更高。
如果K 观测值小于 K 预期值，则与该距离的随机分布相比，该分布的离散程度更高多距离空间聚类分析工具返回的值以及含义如下：应用到的基本工具1.ArcToolbox — Spatial Statistics Tools—Average Patterns(分析模式)—Average Nearest Neighbor(平均最近邻)2.ArcToolbox — Spatial Statistics Tools—Average Patterns—High/ Low Clustering (Getis- OrdGeneral G)3.ArcToolbox — Spatial Statistics Tools—Average Patterns, Spatial Autocorrelation (Moran I)4.ArcToolbox — Spatial Statistics Tools—AveragePatterns —Multi-Distance Spatial Cluster Analysis (Ripleys K Function)5. ArcToolbox — Spatial Statistics Tools — Mapping Clusters — Cluster and Outlier Analysis(Anselin Local Morans I)6. ArcToolbox—Spatial Statistics Tools—Mapping Clusters—Hot Spot Analysis (Getis-OrdGi*)操作流程图（尽量为图解模型）空间分析Province 数据adabg00 数据deer 数据L(d)统计全局Moran’I最近邻分析全局 Moran ’ I局部moran IG*统计量分析G 统计量分析L(d)分析操作步骤（方法）一、参考文献《多尺度人口增长的空间统计分析》，练习多距离 L(d) 、全局 Moran ’I 与 G*统计量分析，显著性检验的置信区间定义为 90%定义工作空间，对province 数据添加投影，选择兰勃特投影处理数据，将统计数据汇总连接到省区的shp 文件；右键点击“ province ”，采用 Symbology/Quantities/Graduated colors来符号化“人口增长率”字段；观察分布格局；分布格局为：西部部分地区的人口增长率要明显高于东部，如青海，西藏，新疆。
北方地区主要是京津地区增长率较高，南方的上海和广东地区人口增长率高。
由此可知，人口增长率最高的地方主要是发达的地区和贫困地区。
发达地区由于人口迁入导致，而贫困地区是由于出生率高于死亡率导致。
提取质心点，求取点对之间的距离；k(d) 函数先利用 province 计算点距离，最短为 30734 米，最长为 2216312 米则步长为十， Beginning_Distance （起算距离）选择 30000 米，Distance_Increment （递增步长）选择 220000 米红线是观察值，蓝线是期望值，当观察值在期望值上面的时候，是有集聚关系当观察值处于期望值之下的时候是离散分布。
Global Moran’I分析：通过 Morans ’ I 指数判断可以判断人口增长率是否存在集聚。
Moran ’s Index ： 0.202915 大于 0，是观测的 Moran ’s 指数，表示要素呈现空间正相关。
Expected Index-0.030303 小于 0，是期望的 Moran ’s 指数，表示按期望应该是空间负相关。
Variance ： 0.011789 ，方差很小接近于 0 表示统计值之间差异并不大。
z-score:2.147959 ，绝对值小于 2.58 对应显著性水平，表示正相关不是非常显著。
p-value:0.031717小于0.1，表示随机分布的可能性小于10% ，相关的可能性大于90% 。
二、对 adabg00 数据进行全局与局部的 moran I 与 G 统计量分析；拉丁人口分布：进行 G 统计量分析利用 Getis-Ord General G统计量度量高值或低值的聚集程度。
打开 ArcToolbox — Spatial Statistics Tools — Average Patterns — High/Low Clustering (Getis-Ord General G)输入图层选择adabg00.shp ，统计的字段是Latino 字段。