GIS在空间统计学中的应用:空间自相关(Moran's I)

为什么你的热点分析总被老板说“没空间意义”？

上周一位在规划院实习的研究生私信我：“Dr. Gis，我用ArcGIS跑出来的犯罪热点图，领导说‘看不出空间规律’，让我重做……可我明明按教程一步步来的啊！”

这其实是90%初学者踩的第一个坑——把空间数据当普通数据处理。你画了漂亮的热力图、做了精确的缓冲区，但忽略了最根本的问题：这些点之间，真的有关联吗？还是纯属随机分布？

我在参与某省国土空间规划项目时，曾用肉眼判断“耕地破碎化严重”，结果Moran’s I一算，全局自相关系数只有0.12——说明破碎化是均匀散布的，根本不存在“某些区域特别破碎”的聚集模式。这个发现直接推翻了我们原定的整治优先区方案。

空间自相关：给地图装上“社交雷达”

想象你在大学宿舍楼里发问卷。如果高分学生都集中在3楼，低分扎堆在1楼——这就是正空间自相关（物以类聚）。如果高低分像撒芝麻一样均匀分布——就是负自相关或随机。

Moran’s I干的就是这件事：它不关心你数据的具体数值，只关心“邻居们是否相似”。公式看着吓人：

I = (n / S0) * ΣΣ wij (xi - x̄)(xj - x̄) / Σ(xi - x̄)²

翻译成人话：先看每个点和邻居的数值差异，再对比全局平均差异。结果范围[-1, 1]：

• I > 0：相似值扎堆（比如富人区挨着富人区）
• I ≈ 0：随机分布（彩票中奖者位置）
• I < 0：相异值相邻（棋盘格模式）

三步实战：用QGIS揪出数据里的“小团体”

以“城市便利店分布”为例（数据源：某外卖平台公开POI）：

1. 预处理：用“矢量→分析工具→点距离”生成邻接矩阵，距离阈值设为500米（步行可达范围）
2. 计算Moran’s I：菜单栏“处理→工具箱→空间统计→全局莫兰指数”，输入点图层+距离权重
3. 解读结果：若I=0.68且p<0.01，恭喜！你的便利店存在显著聚集——下一步该用Getis-Ord Gi*找具体热点了

当你看懂Moran’s I，就拿到了空间分析的“内功心法”

空间自相关不是炫技工具，而是帮你在海量数据中识别真信号 vs 假模式的过滤器。下次做选址分析前，先问自己：这些候选点的空间关联性，经得起Moran’s I的拷问吗？

你在项目中遇到过哪些“看似有规律实则随机”的坑？或者对局部Moran’s I的应用有疑问？评论区留下你的案例，我会挑三个典型问题深度拆解！