GIS在空间统计学中的应用:冷热点分析(Getis-Ord Gi*)

为什么你的“热点图”总被领导说“看不出重点”？

你是不是也遇到过这种情况：辛辛苦苦用ArcGIS跑了个热点分析，导出地图交给领导，对方却皱着眉头问：“所以……哪里是真热点？这个红色区域到底有没有统计意义？”——别慌，这不是你操作错了，而是你还没吃透Getis-Ord Gi*这个“空间侦探”的底层逻辑。

我在参与某省国土空间规划项目时，就曾因没搞懂Gi*的“邻居权重”设置，差点把一片随机分布的城中村误判为犯罪高发“热点”。今天，我就带你从原理到实战，彻底驯服这个空间统计界的“显微镜”。

Gi*不是魔法棒，而是一把“带刻度的尺子”

很多人以为冷热点分析就是给数据上个红蓝渐变色——大错特错。Getis-Ord Gi*的本质，是计算每个位置与其周围邻居的数值“抱团程度”。想象你在菜市场买橘子：单看一个橘子甜不甜没意义，要看它周围那一筐橘子整体甜度如何。Gi*就是那个帮你判断“这筐橘子是否异常甜/酸”的工具。

核心公式简化版：Gi* = (目标点+邻居值加权和) / (全局总和) × 标准化系数
——看不懂公式没关系，记住：Z值 > 1.96 是热点（红），< -1.96 是冷点（蓝），中间是“路人甲”。

三步实操：从数据到决策地图

以分析城市盗窃案分布为例（数据需包含XY坐标或面状要素）：

1. Step 1：选对“邻居半径” —— 在ArcGIS中叫“Distance Band”。别拍脑袋填数字！建议先用“平均最近邻”工具算出事件平均间距，再乘以1.5作为初始半径。我在深圳项目里发现，300米半径能捕捉城中村尺度热点，而5公里半径更适合识别区域级犯罪走廊。
2. Step 2：警惕“伪热点”陷阱 —— 运行【空间自相关(Moran's I)】先验证数据是否具有空间聚集性。如果Moran's I的p值>0.05，说明数据本质是随机分布，强行跑Gi*只会得到一堆统计噪音。
3. Step 3：解读要“分层” —— 导出结果后，用【重分类】工具按Z值分三级：Z≥2.58（极显著热点）、1.96≤Z<2.58（显著热点）、|Z|<1.96（不显著）。最后叠加路网/POI数据，才能说出“热点集中在地铁口500米内便利店周边”这种 actionable insight。

避坑指南：三个我踩过的雷

• 雷区1：投影坐标系用错 —— 如果你的数据还是WGS84经纬度，距离计算会严重失真！务必转成UTM或Albers等投影坐标系。曾经有学员用经纬度跑分析，结果热点全挤在赤道附近——因为经度1度在赤道是111公里，在哈尔滨只剩78公里。
• 雷区2：忽略边界效应 —— 边界上的点邻居少，Gi*值容易偏低。解决方案：分析范围外扩1-2个半径距离，或使用K函数辅助验证。
• 雷区3：把“高值”当“热点” —— 某商业区单店销售额很高，但周围都是低值店铺，Gi*可能判定为“不显著”。热点必须是“高值扎堆”，孤胆英雄不算数！

进阶技巧：用Python批量跑分析

当你要分析100个城市的数据时，手动点ArcGIS会疯掉。用PySAL库可以自动化：

import pysal.lib
from esda.getisord import G_Local
# 计算局部Gi*
gi = G_Local(data.values, w)  # w是空间权重矩阵
hotspots = gi.Zs > 1.96  # 布尔数组标记热点

搭配GeoPandas自动输出带显著性标注的地图，效率提升十倍不止。

总结：热点分析的终极心法

Getis-Ord Gi*不是万能钥匙，而是空间侦探的放大镜——它不告诉你“发生了什么”，而是揭示“哪里的异常值得深挖”。下次做汇报时，请把地图背后的Z值表、半径选择依据、Moran's I验证结果一起附上，你会瞬间从“制图员”升级为“空间策略师”。

你在实际项目中遇到过哪些Gi*分析的奇葩结果？或者对“邻居权重”设置还有疑问？评论区留下你的案例，我会抽三个问题深度拆解！