先了解什么是热点分析 ?

热点分析 (Getis-Ord Gi*) 是一种用于空间数据分析的技术，主要用于识别地理空间数据中值的聚集模式，可以帮助我们理解哪些区域存在高值或低值的聚集，这些聚集通常被称为“热点”或“冷点”，Gi* 统计量为数据集中的每个要素（例如地图上的点或区域）计算一个z得分。这个z得分可以用来判断在该位置附近是否存在显著的高值或低值聚集。

热点分析 (Getis-Ord Gi*) 和高/低聚类分析 (Getis-Ord General G) 有哪些区别？

Getis-Ord General G

• 全局统计量：Getis-Ord General G 是一个全局统计量，它用于检测整个研究区域内是否存在全局性的高值或低值聚类。也就是说，它提供了一个单一的度量值来说明数据集中是否存在全局的空间自相关性。
• 输出：General G 统计量给出一个单一的数值，用来衡量整个数据集中高值或低值是否呈现聚集的趋势。
• 应用场景：适合于初步检查数据中是否存在空间自相关性，或者在整个研究区域内是否有显著的高值或低值聚类。

Getis-Ord Gi*

• 局部统计量：Getis-Ord Gi* 是一个局部统计量，它为数据集中的每个要素计算一个统计值。这意味着对于每一个点或区域，Gi* 统计量都会给出一个关于其周围环境是否形成热点或冷点的评估。
• 输出：Gi* 统计量为每个要素提供了 z 得分和 p 值，这些值用于判断某个特定位置是否为热点或冷点，以及这种聚集是否具有统计显著性。
• 应用场景：适用于详细地分析热点或冷点的位置以及它们的空间分布模式，帮助识别特定区域内的聚集特征。

关系总结

• 相似之处：两者都基于相同的基础理论——Getis-Ord 空间自相关模型，并且都使用了空间权重矩阵来定义要素间的空间关系。
• 不同之处：General G 提供了一个整体视角，而 Gi* 则提供了局部视角，使我们可以详细了解哪些地方形成了热点或冷点。

实际应用

在实际分析中，通常会先使用 General G 来检查数据集中是否存在全局的空间自相关性。如果发现全局的自相关性，则可以进一步使用 Gi* 来定位具体的热点或冷点位置，并进行更细致的空间模式分析。

本篇文章着重介绍热点分析 (Getis-Ord Gi*)，通过人口普查数据来看我们人口分布在空间上是否存在热点或冷点，我们这里用了七普人口数据，数据尺度是地级市人口普查数据，因为部分数据没在对应地级市的网站上查到，所以存在部分数据依据来源于互联网数据；

我们打开工具箱，在【空间统计工具】——>【聚类分布制图】——>【热点分析】；

输入要分析的图层和需要判断空间相关性的要素字段，空间关系的概念化选： FIXED_DISTANCE_BAND 意为：固定距离范围—将对邻近要素环境中的每个要素进行分析。 在指定临界距离（距离范围或距离阈值）内的邻近要素将分配有值为 1 的权重，并对目标要素的计算产生影响。 在指定临界距离外的邻近要素将分配值为零的权重，并且不会对目标要素的计算产生任何影响，也是默认配置，更多空间关系类型可以参考官方文档：热点分析 (Getis-Ord Gi*) 的工作原理—ArcMap | 文档 (arcgis.com)

这里拿七普地级市人口普查数据作为分析数据，从图中可以看出，蓝色区域主要分布在北方和西部地区，这些地方被认为是人口分布''冷点''代表人口密度较低的城市和地区，相反，红色区域集中在南方以及东部沿海省份如江苏、浙江、福建等省份，这些地方被认为是人口分布''热点''代表人口密度较高的城市和地区，在过去几十年里，随着中国经济的发展和城市化进程加快，大量农村劳动力涌入大城市寻找工作机会，这也导致了一些大城市的常住人口数量迅速增加。然而与此同时，一些中小城市却面临着人口流失的问题，这也是为什么我们能看到图中出现这么多蓝色区域的原因之一。

因为这个数据特征我觉得到地级市这个尺度是具有空间自相关性的或者空间存在高值聚类，于是我对地级市级别的七普人口分布做了高/低聚类和全局莫兰指数分析，果不其然，结合前二篇文章的对名词的解释和判断依据；

我们先来看p值为0.000000，p值小于0.05通常被认为是拒绝原假设（即不存在空间自相关性）的阈值，因此我们可以认为观测到的空间自相关是有统计意义的，z得分是17.335335，说明空间自相关很强，Moran's I指数"值为0.128377，表示存在正的空间自相关性。这意味着数据在空间上呈现出相似的模式，莫兰指数分析结果表明所研究的数据在空间上有很强的聚集性，并且这种聚集性不是偶然发生的。

我们再来看高/低聚类，先看p值为0.000000，p值小于0.05通常被认为是拒绝原假设，因此我们可以认为观测到的空间聚集是有统计意义的，z得分是14.133041，当 z > 1.65 时，这通常意味着 Moran's I 指数显著高于随机分布的预期值，数据呈现出聚集分布，z得分越高，说明空间聚集越强，General G指数值为0.003190，表示存在一定的空间聚集性。如果G指数接近于0，则表示没有明显的空间聚集，如果G指数接近于1，则表示存在高度的空间聚集。

高/低聚类分析结果表明所研究的数据在空间上有一定程度的聚集性，并且这种聚集性不是偶然发生的。可以进一步对空间数据进行分析，再结合‘''先使用 General G 来检查数据集中是否存在全局的空间自相关性。如果发现全局的自相关性，则可以进一步使用 Gi* 来定位具体的热点或冷点位置'' 这句话，我们可以得出数据在空间上有一定程度的聚集性，并在南方以及东部沿海形成高值聚集。

通过对七普地级市人口普查数据进行热点分析，我们发现在微观尺度下，中国的城市人口分布存在着显著的热点和冷点。虽然这是并不是推翻前二篇文章的结论，但当我们采用更精细的观察尺度时，可以看到更具体的空间分布模式。换句话说，同一研究空间在不同尺度下的观察可能会带来不同的见解和发现。

也放一下前二篇文章的链接，当连续剧看好了：

ArcGIS空间自相关 (Global Moran‘s I)——探究人口空间格局的20年变迁-CSDN博客

ArcGIS高/低聚类(Getis-Ord General G)——探究人口空间格局的20年变迁-CSDN博客

文章仅用于分享个人学习成果与个人存档之用，分享知识，如有侵权，请联系作者进行删除。所有信息均基于作者的个人理解和经验，不代表任何官方立场或权威解读。