6.3 空间统计与热点：从图层里读出模式

6.3 空间统计与热点：从图层里读出模式

本节摘要：空间统计回答"我看到的聚集是真模式还是巧合"——全局莫兰指数检验整图是否空间自相关，热点分析找出局部统计显著的高低值区，核密度把点事件画成连续面。本节讲三类工具的原理、参数与误读陷阱，用信访案件数据完整演示"先验显著、再看分布、最后找点"的分析秩序。

眼见未必为聚

一张标注了三百个投诉事件的地图，看起来总像有聚集——人眼在随机点里也能"看出"星座。反过来，真实的弱聚集又可能被大片底色淹没。图形直觉靠不住，这是空间统计存在的理由：用概率语言回答"若事件完全随机，出现眼前这种紧凑程度的可能性有多大"。可能性小到约定阈值（通常百分之五）以下，才承认"聚集"这个说法。

空间统计的三个层次对应三个问题。全局模式：整张图有没有自相关？（莫兰指数）局部定位：聚集具体在哪？（热点分析）连续表达：把离散点画成人眼可读的密度面？（核密度）注意第三项只是可视化转换，不自带显著性检验——密度图好看不等于热点成立，这个区分是本节的中心纪律。

图：空间统计三层工具

动手：信访投诉数据的三步分析

数据背景：某县 187 个村的月度投诉量（属性）与 3200 个投诉点位置（点事件）。目标是找出需要重点治理的区域。

第一步，全局检验——投诉量按村有没有空间自相关：

import arcpy
arcpy.env.workspace = r"K:/gisdata/complaint.gdb"
# 空间自相关：村投诉量 反距离权重 距离阈值 3000 米
result = arcpy.stats.SpatialAutocorrelation(
    "villages_comp", "complaint_n", "GENERATE_REPORT",
    "INVERSE_DISTANCE", "EUCLIDEAN_DISTANCE", "NONE",
    "3000 Meters", "", "3000 Meters")
# 读取输出报告里的三个关键数
import re
msg = result.getMessages()
m = re.search(r"Moran's Index = ([\-\d.]+).*?z-score = ([\-\d.]+).*?p-value = ([\d.]+)", msg, re.S)
if m:
    I, z, p = map(float, m.groups())
    print(f"莫兰指数 {I}  z值 {z}  p值 {p}")
# 输出: 莫兰指数 0.31  z值 8.7  p值 0.00001
# 解读：p 远小于 0.01 且 z 远大于 2.58 投诉量呈显著正自相关 聚集成立 小于千分之一概率是巧合
​

INVERSE_DISTANCE（反距离）权重的含义：邻村影响随距离衰减，3000 米是邻域半径，可先用"距离增量"工具扫描多档半径、选 z 值峰值的档位——参数依据数据而非默认。

第二步，局部定位——哪些村构成显著热点：

import arcpy
arcpy.env.workspace = r"K:/gisdata/complaint.gdb"
# 热点分析：输出带 GiZScore 与 GiPValue 字段的新图层
arcpy.stats.HotSpots("villages_comp", "complaint_n", "village_hotspot",
    "INVERSE_DISTANCE", "EUCLIDEAN_DISTANCE", "NONE",
    "3000 Meters", "", "3000 Meters")
# 按置信度分级统计
where = "GiBin = 3"     # 99% 置信热点
arcpy.management.SelectLayerByAttribute("village_hotspot", "NEW_SELECTION", where)
n = int(arcpy.management.GetCount("village_hotspot").getOutput(0))
print(f"99% 置信热点村: {n} 个")
# 输出: 99% 置信热点村: 12 个
for row in arcpy.da.SearchCursor("village_hotspot", ["村名", "GiZScore"], where):
    print(f"  {row[0]} z={row[1]:.1f}")
# 输出:
#   城关东街村 z=6.2
#   城关西街村 z=5.8
#   工业园区社区 z=5.1  ...（热点连片，指向城关与园区两片）
​

z 分的读法：超过正 2.58 即百分之九十九置信的热点，超过负 2.58 是冷点。本例热点连片出现在城关与工业园区，z 值从中心向外递减——这种"中心高四周缓降"的形态正是真实聚集过程的指纹，若是随机数据的热点则散乱无梯度。

第三步，核密度做表达层：

import arcpy
arcpy.env.workspace = r"K:/gisdata/complaint.gdb"
# 点事件核密度：搜索半径 1200 米 面积单位平方公里
kd = arcpy.sa.KernelDensity("complaint_pts", "NONE", 1200, "SQUARE_KILOMETERS")
kd.save("comp_density")
print("密度峰值:", round(kd.maximum, 1), "件每平方公里")
# 输出: 密度峰值: 38.4 件每平方公里
​

搜索半径是核密度最敏感的参数：半径小则尖峰林立，半径大则一马平川。经验起步值可用"银匠法则"（约 0.9 乘以事件数的负五次方乘以面积尺度）或直接用热点分析的距离阈值，两个图配合读——密度图回答"浓度几何"，热点图回答"显著与否"，各司其职。

三个常见误读

把显著当重大。统计显著只说明"不是巧合"，不说明"值得行动"。三点二万件投诉里的热点与三百件投诉里的热点，显著性可以相同，治理优先级完全不同。显著性是科学门槛，不是决策刻度，决策还看绝对量与趋势。

忽略 Modifiable Areal Unit Problem（可变面元问题）。同样的点事件，按村统计是热点，按街道统计可能消失——分析单元的大小与划分方式本身影响结论。稳妥做法是换两三种单元粒度各算一遍，只把"多粒度都显著"的区域列为结论，并在报告里写明所用的统计单元。

对率与对量打架。大村投诉量必然多，直接对量做热点找到的常常只是"人口热点"。对"万人投诉率"做分析才指向真问题。热点分析的输入字段选择，本质是研究设计的判断，不是软件操作。

⚠️ 常见坑：拿核密度图直接当热点结论汇报。密度图没有置信度概念，任何平滑参数下都能"画出"深浅斑块。正确的汇报语言是"热点分析显示 12 个村构成百分之九十九置信热区，核密度图呈现其空间形态"——前半句是结论，后半句是可视化。

💡 关键直觉：空间统计是给直觉装上刹车与放大镜。刹车在先——先问"是不是巧合"，防止把噪声当信号；放大镜在后——显著成立才值得细看局部结构。

要点回顾

• 三层工具各答一问：莫兰答有无、热点答在哪、密度答形态，密度不承担检验职能
• 显著性的读法：z 过正负 2.58 对应百分之九十九置信，p 值给巧合概率
• 秩序纪律：先全局后局部再表达，倒过来做容易把可视化当结论
• 参数有据：距离阈值靠扫描选峰值，核密度半径讲明取值理由
• 三个误读：显著不等于重大、警惕单元敏感、量与率要分清

第 6 章收束，栅格合奏与统计检验补齐了分析版图的最后一块。第 7 章把这六章积累的完整能力交给代码与云端——脚本化让分析链成为资产，Web GIS 让图层成为组织共享的语言。