空间分析英文术语看不懂？GIS核心指标计算逻辑全解析（附：公式对照表）

面对海量的英文术语和复杂的计算公式，许多GIS初学者和从业者常常感到头疼。从Spatial Autocorrelation（空间自相关）到Viewshed Analysis（视域分析），这些专业名词不仅晦涩难懂，其背后的数学逻辑更是让人望而却步。你是否曾在论文阅读或软件操作中，因为不理解核心指标的含义而卡壳？本文将为你彻底拆解GIS中最核心的空间分析指标，通过通俗的讲解和直观的公式对照，助你跨越语言与逻辑的双重障碍。

空间分析核心指标：从概念到实战

空间分析不仅仅是绘制地图，更是挖掘数据背后的空间模式。理解这些核心指标的英文名称及其计算逻辑，是进阶为GIS高手的必经之路。以下我们选取三个最经典且高频的指标进行深度解析。

1. 空间自相关 (Spatial Autocorrelation)

这是地理学第一定律的体现：所有事物都与其他事物相关，但近处的事物比远处的事物更相关。在GIS中，我们通常使用莫兰指数 (Global Moran's I) 来衡量。

• 核心逻辑： 判断数据在空间上是聚集（高值聚高值，低值聚低值）、分散还是随机分布。
• 公式对照：

  I = (n / S0) * ΣΣ (w_ij * (x_i - x̄) * (x_j - x̄)) / Σ (x_i - x̄)^2

  其中，n是要素总数，w_ij是空间权重，x_i和x_j是观测值，x̄是平均值，S0是所有空间权重之和。
• 结果解读： I值接近1为正相关（聚集），接近-1为负相关（分散），接近0则为随机分布。

2. 热点分析 (Hot Spot Analysis - Getis-Ord Gi*)

与莫兰指数不同，Getis-Ord Gi* 能识别出具体的“热点”或“冷点”区域，而不仅仅是整体趋势。

• 核心逻辑： 计算每个要素与其邻域值的加权总和，观察其是否显著高于或低于全局平均值。
• 公式对照：

  Gi* = (Σ w_ij * x_j) - X̄ * (Σ w_ij) / S * √[nΣ w_ij² - (Σ w_ij)²] / (n-1)

  关键在于统计显著性检验（P-value），通常以90%、95%、99%置信度分级。
• 应用场景： 犯罪率分析、疾病爆发点定位、商业选址评估等。

3. 可视域分析 (Viewshed Analysis)

基于地形表面，计算从一个或多个观察点能看到的区域。

• 核心逻辑： 沿射线方向逐点计算高程，若目标点低于视线高度则不可见。涉及复杂的视线算法。
• 关键参数： 观察者高度、目标高度、最大可见距离。
• 公式对照： 虽然没有单一的全球公式，但核心判断逻辑为：若 (Z_target - Z_observer) / Distance < Vertical Angle，则可见。

公式对照与参数详解表

为了方便查阅，我们将上述核心指标的计算要素整理成表。

扩展技巧：不为人知的高级注意事项

掌握了基础计算逻辑后，以下两个高级技巧能显著提升分析的准确性：

1. 空间权重矩阵的陷阱： 许多人在做莫兰指数时，默认使用“距离阈值”或“K近邻”。但在处理不规则分布的数据时，“行标准化” (Row Standardization) 是必须的步骤。它将权重转换为概率形式，避免了不同区域邻域数量差异带来的偏差。如果不做行标准化，结果往往会被高密度区域主导。
2. 多重假设检验问题 (Multiple Comparison Problem)： 在进行热点分析（如Gi*）时，如果研究区域很大，单纯依赖默认的P-value（如0.05）可能会产生大量的假阳性（偶然出现的热点）。建议使用FDR（False Discovery Rate）校正或Bonferroni校正来调整显著性水平，这在学术研究中是提升严谨性的关键一步。

常见问题解答 (FAQ)

Q1：莫兰指数（Moran's I）和热点分析（Getis-Ord Gi*）有什么区别？

这是一个非常经典的困惑。简单来说，莫兰指数是一个全局指标，它告诉你整个研究区域是否存在空间聚集模式，但不能告诉你聚集发生在哪里。而Getis-Ord Gi*是一个局部指标，它能精确识别出哪些是“热点”（高值被高值包围）和“冷点”（低值被低值包围）。通常建议先用莫兰指数判断整体趋势，再用Gi*定位具体位置。

Q2：计算空间自相关时，如何选择合适的空间权重？

空间权重是定义“谁是谁的邻居”的规则。常见选择有：
1. 欧氏距离 (Euclidean Distance)： 最常用，但需设定阈值（Threshold），超过该距离的不算邻居。
2. 反距离 (Inverse Distance)： 距离越近权重越大，符合地理衰减规律。
3. K最近邻 (K-Nearest Neighbors)： 强制每个要素有且仅有K个邻居，适用于密度不均的数据。
建议： 根据数据分布特征尝试多种权重，对比结果的稳定性。

Q3：核密度估计（KDE）中的带宽（Bandwidth）如何设定？

带宽决定了核函数的平滑程度，是结果准确性的关键。
带宽过小： 结果过于破碎，呈现噪点状。
带宽过大： 结果过于平滑，掩盖了细节模式。
最佳实践： 大多数GIS软件（如ArcGIS, QGIS）提供了“优化搜索区域”功能（Optimized）作为起点。在探索性分析中，建议设定多个带宽值进行对比，或参考数据的平均最近邻距离。

总结

理解GIS核心指标的英文术语和计算逻辑，不再仅仅是记忆公式，而是掌握分析空间关系的思维方式。从莫兰指数到热点分析，每一个公式背后都对应着解决实际问题的利器。不要止步于看懂本文，打开你的GIS软件，加载一份数据，亲自计算一次莫兰指数，观察P值和Z值的变化。只有在实践中，这些枯燥的符号才会变成你分析能力的基石。