ARCGIS选址分析例子(上课用)汇总

题目

背景：如何找到环境好，购物方便/小孩上学方便的居住区地段。

城市市区交通网络图（network..shp）

商业中心分布图（marketplace.shp）

名牌高中分布图（school.shp）

名胜古迹分布图（famousplace.shp）

要求：

（1）所寻求的区域要满足条件：

离主要交通要道200m之内，以减少噪音污染（st为道路数据中类型为交通要道的要素） 在商业中心的服务范围之内，服务范围以商业中心规模的大小（属性字段yuzhi）来确定。

距名牌高中在750m之内，以便小孩上学便捷。

距名牌古迹500m之内，环境幽雅。

（2）对每个条件进行缓冲区分析，将符合条件的区域取值为1，不符和条件的取值为0，得到各自的分值图。

（3）运用空间叠置分析对上述4个图层叠加求和，并分等定级，确定合适的区域。

思路：

1、首先先做四个数据的缓冲区，其中network..shp的缓冲区建立之前先要选择出主要的

交通要道，可以根据属性查图形的方式选择字段type值为st的所有要素（这个可以通过打开属性表open attribute table→option→select by attribute的方式选择要素视频中有讲解）

2、进行叠置分析，求出满足上述四个要求的区域。这里头要注意我们要求先对商业中心

分布图（marketplace.shp）、名牌高中分布图（school.shp）、名胜古迹分布图（famousplace.shp）的缓冲区进行叠置，因为题目要求要远离交通要道，如果直接对四个数据求交相当于不远离交通要道，所以先要对前面三个缓冲区先进行求交intersect操作，然后与城市市区交通网络图（network..shp）的缓冲区做erase操作，相当于数学中的减去噪音影响的区域。这步完成基本上就选出了合适的居住地段。

3、还可以对整个城市区域的住房条件评价

分级标准：

满足其中四个条件为第1等级

满足其中三个条件为第2等级

满足其中两个条件的为第3等级

满足一个条件为第4等级

完全不满足条件的为第5等级

分级的思路：增加一个属性字段进行求和运算，若为4就属于等级1，若为2就属于等级2，以此类推，但是这里有个问题就是交通要道的缓冲区之外才是满足条件的，那么我们可以给它赋值为-1，这样相当于四个缓冲区叠加的部分，其中叠加区域含有交通要道，那么等级就下降一个等级。

方法：为每个缓冲区增加一个属性字段，并赋值，名牌高中、名牌古迹、商业中心缓冲区分别增加school、famous、market字段，类型为短整型（为了计算），全部并赋值为1，network..shp 的缓冲区增加voice字段，并赋值为-1，接下来对四个缓冲区叠加union，得出四个缓冲区合并在一起的区域，在新生成的四个缓冲区合并缓冲区增加分级class字段，并对该字段通过

四个school、famous、market、voice字段求和得出class字段的值，该步骤可以通过在class 字段点击右键，点击field calculator功能，在空白处输入“[school]+ [famous ] +[ market] +[ voice]。

接下来我们对生成的新的缓冲区依据class字段的属性值进行符号化分级显示

双击新的缓冲区在symbology选项下→show框中→Categories→add all value.

视频过程的部分讲解：

1、如何找到缓冲区分析工具：首先打开菜单Tools下的Customize选择Command标签在弹出的Command对话框中（如图1）在左边的Categories框中选择Tools，在出现右边的

Command框中选择Buffer wizard，拖动其放置到工具栏上的空处，出现图标

图1 buffer wizard添加对话框

2、缓冲区分析中对话框中，缓冲区分析的类型讲解图2

图2

接下来的缓冲区存放选择框的讲解

4、叠置分析讲解

红尘紫陌，有轰轰烈烈的昨日，也有平淡如水的今天。在生活平平仄仄的韵脚中，一直都泛着故事的清香，我看到每一寸的光阴都落在我的宣纸上，跌进每一个方方正正的小楷里，沉香、迷醉。

秋光静好，窗外阳光和细微的风都好，我也尚好。不去向秋寒暄，只愿坐在十月的门扉，写一阙清丽的小诗，送给秋天；在一杯香茗里欣然，读一抹秋意阑珊，依着深秋，细嗅桂花的香

馥，赏她们的淡定从容地绽放。

听风穿过幽幽长廊，在平淡简约的人生中，把日子过成云卷云舒，行云流水的模样，过成一幅画，一首诗。有你，有我，有爱，有暖，就好。在安静恬淡的时光里，勾勒我们最美的今天和明天。

醉一帘秋之幽梦，写一行小字，念一个远方，痴一生眷恋。一记流年，一寸相思。不许海誓山盟，只许你在，我就在。你是我前世今生的爱，是刻在心头的一枚朱砂。

任由尘世千般云烟散尽，任由风沙凝固成沙漠的墙，你依然是我生命的风景。

人生苦短，且行且珍惜。十月如诗，就让我独醉其中吧！行走红尘，做最简单的自己。简单让人快乐，快乐的人，都是因为简单。心豁达，坦然，不存勾心斗角。从容面对人生，做最好的自己，巧笑嫣然，你若盛开，蝴蝶自来。

那就做一朵花吧！优雅绽放，优雅凋落，不带忧伤，只记美好。

这个秋日，一切都很美，阳光浅浅，云舞苍穹，闲风淡淡。捡拾一片薄如蝉翼的枯叶，写着季节流转的故事，沉淀着岁月的风华。安静的享受生命途径上的一山一水。

执笔挥墨，耕耘爱的世界，轻声吟唱岁月安好，把一缕缕醉人的情怀，婉约成小字里的风月千里，泅成指尖上的浪漫和馨香。静立于秋光潋滟里，赏碧水云天，携来闲云几片，柔风几缕，缝进岁月的香囊里，将唯美雅致收藏，醉卧美好时光。

秋，是静美的，是收获的，是满载希望而归的季节。秋只因叶落，葳蕤消，花残瘦影，不免总给人一种无边萧瑟。

然而秋，也有秋的美。如黄巢《不第后赋菊》诗中有句：待到秋来九月八，我花开后百花杀。是不是听起来特别霸道有味。

谁说秋实悲凉的，百花残了何妨？我菊正艳艳，香影欹满山。还有一句歌词叫：春游百花，秋有月。秋天的月，要比任何季节都美，都明亮，都让人迷恋陶然。

秋有赤枫把美丽的秋燃烧成通红火辣，秋有万千银杏如蝶，秋哪有萧索？秋一直很美，你可有发现美的眼睛呢？

每一个季节，都有着不同的旖旎。人生何尝不是如四季，有青春绝艳的花季，也有老骥伏枥的暮年。容颜老去，青春不复，所有的美好不会消失，一直珍藏着。

即便时光变得荒芜，而你我一直永如初见，彼此温柔以待。走进十月，蓦然回首，你我都在，惟愿光阴路上，且行且惜，寂静相伴，无悔一生。

红尘紫陌，有轰轰烈烈的昨日，也有平淡如水的今天。在生活平平仄仄的韵脚中，一直都泛着故事的清香，我看到每一寸的光阴都落在我的宣纸上，跌进每一个方方正正的小楷里，沉香、迷醉。

秋光静好，窗外阳光和细微的风都好，我也尚好。不去向秋寒暄，只愿坐在十月的门扉，写一阙清丽的小诗，送给秋天；在一杯香茗里欣然，读一抹秋意阑珊，依着深秋，细嗅桂花的香馥，赏她们的淡定从容地绽放。

听风穿过幽幽长廊，在平淡简约的人生中，把日子过成云卷云舒，行云流水的模样，过成一幅画，一首诗。有你，有我，有爱，有暖，就好。在安静恬淡的时光里，勾勒我们最美的今天和明天。

醉一帘秋之幽梦，写一行小字，念一个远方，痴一生眷恋。一记流年，一寸相思。不许海誓山盟，只许你在，我就在。你是我前世今生的爱，是刻在心头的一枚朱砂。

任由尘世千般云烟散尽，任由风沙凝固成沙漠的墙，你依然是我生命的风景。

人生苦短，且行且珍惜。十月如诗，就让我独醉其中吧！行走红尘，做最简单的自己。简单让人快乐，快乐的人，都是因为简单。心豁达，坦然，不存勾心斗角。从容面对人生，做最好的自己，巧笑嫣然，你若盛开，蝴蝶自来。

那就做一朵花吧！优雅绽放，优雅凋落，不带忧伤，只记美好。

这个秋日，一切都很美，阳光浅浅，云舞苍穹，闲风淡淡。捡拾一片薄如蝉翼的枯叶，写着季节流转的故事，沉淀着岁月的风华。安静的享受生命途径上的一山一水。

执笔挥墨，耕耘爱的世界，轻声吟唱岁月安好，把一缕缕醉人的情怀，婉约成小字里的风月千里，泅成指尖上的浪漫和馨香。静立于秋光潋滟里，赏碧水云天，携来闲云几片，柔风几缕，缝进岁月的香囊里，将唯美雅致收藏，醉卧美好时光。

秋，是静美的，是收获的，是满载希望而归的季节。秋只因叶落，葳蕤消，花残瘦影，不免总给人一种无边萧瑟。

然而秋，也有秋的美。如黄巢《不第后赋菊》诗中有句：待到秋来九月八，我花开后百花杀。是不是听起来特别霸道有味。

谁说秋实悲凉的，百花残了何妨？我菊正艳艳，香影欹满山。还有一句歌词叫：春游百花，秋有月。秋天的月，要比任何季节都美，都明亮，都让人迷恋陶然。

秋有赤枫把美丽的秋燃烧成通红火辣，秋有万千银杏如蝶，秋哪有萧索？秋一直很美，你可有发现美的眼睛呢？

每一个季节，都有着不同的旖旎。人生何尝不是如四季，有青春绝艳的花季，也有老骥伏枥的暮年。容颜老去，青春不复，所有的美好不会消失，一直珍藏着。

即便时光变得荒芜，而你我一直永如初见，彼此温柔以待。走进十月，蓦然回首，你我都在，惟愿光阴路上，且行且惜，寂静相伴，无悔一生。

Arcgis地统计图绘制

ArcGIS 地统计学习指南(一) 1.1 地统计扩展模块简介 ArcGIS地统计分析模块在地统计学与GIS之间架起了一座桥梁。使得复杂的地统计方法可以在软件为本、可视化发展的趋势。 地统计学的功能在地统计分析模块的都能实现，包括： （1）ESDA：探索性空间数据分析，即数据检查； （2）表面预测（模拟）和误差建模； （3）模型检验与对比。 地统计学起源于克里格。当时他用此法预测矿产分布，后来经过别人改进修改发展成为现在所用的据分析还有其他方法，如IDW（反距离加权插值法）等，但克里格方法是最主要、最常用的空间分主进行。 1.2表面预测主要过程 ArcGIS地统计扩展模块的菜单非常简单，如下所示，但由此却可以完成完整的空间数据分析过程 一个完整的空间数据分析过程，或者说表面预测模型，一般为。拿到数据，首先要检查数据，发现正态分布、有没有趋势效应、各向异性等等（此功能主要由Explore Data菜单及其下级菜单完成进行表面预测，这其中包括半变异模型的选择和预测模型的选择；最后检验模型是否合理或几种模能主要由Geostatistical Wizard…菜单完成）。Create Subsets…菜单的作用是为把采样点数据

训练样本，一部分作为检验样本。 下面将按上述表面预测过程进行叙述。 （注：[1]文章示例中所使用的数据为ArcGIS扩展模块中所带的学习数据（某地测得的臭氧含量样数据；[2]文章以操作方法介绍为主，所涉及到的地统计方法和基本理论一般未进行解释，可查阅作中所用到的某些参数为地统计中的标准名称的也未进行解释。） 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的用不同参数进行表面模型预测，随后比较不同模型的精确程序，选择最佳模型，最后制作成果图。 ArcGIS 地统计学习指南(二) 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓 度预测。首先检查数据的特点，然后根据数据特点用不同参数进行表面模型预测， 随后比较不同模型的精确程序，选择最佳模型，最后制作成果图。 1.3数据检查，即空间数据探索分析（ESDA） 此功能主要通过Explore Data菜单中实现。 扩展模块提供了多种分析工具，这些工具主要是通过生成各种视图，进行交 互性分析。如直方图、QQ plot图、半变异函数/协方差图等。 ?（1）直方图显示数据的概率分布特征以及概括性的统计指标。 下图中所展示的数据，中值接近均值、峰值指数接近3。从图中观察可认 为近似于正态分布。克里格方法对正态数据的预测精度最高，而且有些空间分析 方法特别要求数据为正态分布。

ArcGIS地统计分析总结

ArcGIS地统计分析总结 ArcGIS地统计分析(Geostatistical Analyst) 1 介绍 1.1为什么使用ArcGIS Geostatistical Analyst 人为判断总是会遗漏某些重要信息，同时也会无中生有。而ArcGIS Geostatistical Analyst提供客观的数据驱动方法，定量预测数据变化趋势和从空间数据中发掘特征模型。如果数据不够精确或者模型不够准确，这样势必影响输出的地图和从中得到的结论。而ArcGIS Geostatistical Analyst可以提供一个概率框架，来定量计算生成数据面时的不确定性。 元统计分析方法利用属性数据之间的相关来推断不同变量之间的联系，ArcGIS Geostatistical Analyst可以联合各种数据来做更精确的预测。 ArcGIS Geostatistical Analyst可以有效地推测一些空间现象的未知部分，因此，对采样计划的设计和优化非常关键。 1.2使用ArcGIS Geostatistical Analyst的各个领域 这个模块的应用对象不计其数，可以使用这个工具包开发任何一种地理数据集(比如坐标和属性)，下面列出几个成功应用ArcGIS Geostatistical Analyst的典型领域: 气象学家和统计学家应用ArcGIS Geostatistical Analyst来进行气象数据分析。 采矿行业广泛的应用ArcGIS Geostatistical Analyst，涉及从最初的地质特征研究到产量控制的各个阶段。

石油工业成功的应用ArcGIS Geostatistical Analyst，来分析包括地震数据和油井数据集成的空间数据，并且用来研究物理特性和地震属性之间的相关关系。 在环境问题的研究中，ArcGIS Geostatistical Analyst的应用提供了一个分析空气、土壤和地下水污染高效和一致的模型。演示、个例研究和研究教育论文提供了大量的应用ArcGIS Geostatistical Analyst的例子。同时，ArcGIS Geostatistical Analyst也成为评估渔业产量的一个标准方法。 精细农业所应用的土壤特性的图形分析中，ArcGIS Geostatistical Analyst 也得到广泛应用。越来越多的农民或者农村顾问使用ArcGIS Geostatistical Analyst来增加作物产量、提高利润、减小对环境的不利影响。 2基本原理 地统计学与经典统计学的共同之处在于:它们都是在大量采样的基础上，通过对样本属性值的频率分布或均值、方差关系及其相应规则的分析，确定其空间分布格局与相关关系。但地统计学区别于经典统计学的最大特点即是:地统计学既考虑到样本值的大小，又重视样本空间位置及样本间的距离，弥补了经典统计学忽略空间方位的缺陷。 地统计分析理论基础包括前提假设、区域化变量、变异分析和空间估值。 2.1 前提假设 (1) 随机过程 与经典统计学相同的是，地统计学也是在大量样本的基础上，通过分析样本间的规律，探索其分布规律，并进行预测。地统计学认为研究区域中的所有样本值都是随机过程的结果，即所有样本值都不是相互独立的，它们是遵循一定的内在规律的。因此地统计学就是要揭示这种内在规律，并进行预测。 (2) 正态分布

在ArcGIS 9 中进行空间统计

在ArcGIS 9中进行空间统计 作者：ESRI 中国（北京）培训中心 姜云鹏 随着GIS 在各个领域应用的不断扩展，有些特殊的行业，比如流行病学、生物学、气象、地质等行业，他们需要更深入的挖掘空间数据信息，这些信息的获得是与传统的GIS 分析结果不尽相同的。比如：传统的GIS 分析侧重于研究空间要素之间的关系，比如相邻、叠加、以及要素之间的距离、连通性等等。而这些特殊行业他们需要根据多种采样的数据来研究空间事物的变化信息，分布特征等信息，这些信息的获得，往往是一种统计分析的结果，而在空间上，事物的分布又 是相互关联的。所以，空间统计应运而生。所谓空间统计， 就是将空间信息与属性信息进行统一的考虑，研究特定属 性或属性之间与空间位置的关系。 空间统计主要的工作是研究空间自相关性（Spatial Autocorrelation ），分析空间分布的模式，例如聚类 （cluster ）或离散（dispersed ）。通过使用ArcGIS 9中的 空间统计工具，用户可以以一种非常直观而简单的方式获 得这些信息。 ArcGIS 9中的空间统计工具箱包括了一系列工具，用来分 析地理要素的空间分布形态。传统的统计并不考虑地理要 素的空间关系，而在空间统计中，要素的空间关系是分析 中需要考虑的必要的，处于绝对重要地位的。 因此，对于空间数据分析的目的来说，使用ArcGIS 9中 的空间统计工具比使用原来的不考虑空间信息而进行统 计的工具要更为合适。通过使用这些工具，GIS 用户可以 采用一种更高级的方法来解决空间数据分析中的问题。表一列出了主要的空间统计工具集以及它们的功能描述： 表一：空间统计工具集及其功能 工具集 功能 空间分布模式分析工具集 （Analyzing Patterns ） 确定要素的某些属性值在一个区域中是聚集分布，均匀分布，或者是随机分布状态 聚集分布制图工具集 （Mapping Clusters ） 确定统计量上重要的hot spots(最受关注地区)，cold spots （不受关注地区）以及一些有特例的地区。 度量空间分布工具集 （Measuring Geographic Distributions ） 确定数据的中心位置，数据分布的形状及方向性，离散数据的离散程度 辅助工具集 （Utilities ） 对数据进行重新处理或符号化分析结果 说明：这些工具为ArcGIS 9中新增加的核心功能： 在ArcGIS 8版本中，空间统计中的许多工具已经以开发者例子程序提供给了用户。而在9版本中，这些工具都被包括进了核心的功能模块中，成为了ArcGIS 平台的组成部分。而且，ArcGIS 9的空间统计工具在

ArcGIS 地统计学习指南

ArcGIS 地统计学习指南 ArcGIS地统计分析模块在地统计学与GIS之间架起了一座桥梁。使得复杂的地统计方法可以在软件中轻易实现。体现了以人为本、可视化发展的趋势。 地统计学的功能在地统计分析模块的都能实现，包括： （1）ESDA：探索性空间数据分析，即数据检查； （2）表面预测（模拟）和误差建模； （3）模型检验与对比。 地统计学起源于克里格。当时他用此法预测矿产分布，后来经过别人改进修改发展成为现在所用的克里格方法。虽然空间数据分析还有其他方法，如IDW（反距离加权插值法）等，但克里格方法是最主要、最常用的空间分析方法，下面也以此法为主进行。 1.2表面预测主要过程 ArcGIS地统计扩展模块的菜单非常简单，如下所示，但由此却可以完成完整的空间数据分析过程。 一个完整的空间数据分析过程，或者说表面预测模型，一般为。拿到数据，首先要检查数据，发现数据的特点，比如是否为正态分布、有没有趋势效应、各向异性等等（此功能主要由Explore Data菜单及其下级菜单完成）；然后选择合适的模型进行表面预测，这其中包括半变异模型的选择和预测模型的选择；最后检验模型是否合理或几种模型进行对比；（后两种功能主要由Geostatistical Wizard…菜单完成）。Create Subsets…菜单的作用是为把采样点数据分成两部分，一部分作为训练样本，一部分作为检验样本。 下面将按上述表面预测过程进行叙述。 （注：[1]文章示例中所使用的数据为ArcGIS扩展模块中所带的学习数据（某地测得的臭氧含量样本），整个过程均使用此数据；[2]文章以操作方法介绍为主，所涉及到的地统计方法和基本理论一般未进行解释，可查阅相关地统计理论资料；操作中所用到的某些参数为地统计中的标准名称的也未进行解释。） 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点，然后根据数据特点用不同参数进行表面模型预测，随后比较不同模型的精确程序，选择最佳模型，最后制作成果图。 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点，然后根据数据特点用不同参数进行表面模型预测，随后比较不同模型的精确程序，选择最佳模型，最后制作成果图。 1.3数据检查，即空间数据探索分析（ESDA） 此功能主要通过Explore Data菜单中实现。 扩展模块提供了多种分析工具，这些工具主要是通过生成各种视图，进行交互性分析。如直方图、QQ plot图、半变异函数/协方差图等。 （1）直方图显示数据的概率分布特征以及概括性的统计指标。

ArcGIS统计分析

统计分析 来源：互联网 一单元统计 当进行多层面栅格数据叠合分析时，经常需要以栅格单元为单位来进行单元统计（Cell Statistics）分析。ArcGIS 的单元统计分析功能提供了十种单元统计方法，分别为： 1. Minimum：找出各单元上出现最小的数值； 2. Maximum：找出各单元上出现最大的数值； 3. Range：统计各单元上出现数值的范围； 4. Sum：计算各单元上出现数值的和； 5. Mean：计算各单元上出现数值的平均数； 6. Standard Deviation：计算各单元上出现数值的标准差； 7. Variety：找出各单元上不同数值的个数； 8. Majority：统计各单元上出现频率最高的数值； 9. Minority：统计各单元上出现频率最低的数值； 10. Median：计算各单元上出现数值的中值； 如下图1 中的一组表格所示，表格中每一格子代表一个栅格单元，最后一个表格是基于前两个表格进行单元统计的最小值统计得到的结果。即将前两个表格中相对应栅格数值进行比较，找出各单元上出现的最小数值。 图1 最小值单元统计 单元统计功能常用于同一地区多时相数据的统计，通过单元统计得出所需分析数据。例如，同一地区不同年份的人口分析，同一地区不同年份的土地利用类型分析等。 单元统计的操作过程如下，图2 所示： 1. Spatial Analyst 下拉菜单中选择Cell Statistics； 2. 在Layer 列表框中选择你要用来计算的图层，在列表框中选择一个图层，点击Add 按钮将其加入Input rasters 列表框（也可用Browse 按钮从磁盘中选择要使用的栅格数据）； 3. 在Overlay statistic 栏中选择你用来对输入图层进行计算的统计类型； 4. 为输出结果指定目录及名称； 5. 点击OK 按钮。

arcgis实习之空间统计分析

空间统计分析实习报告 Spatial statistics tools 分析模式工具集中的工具采用推论式统计，以零假设为起点，假设要素与要素相关的值均表现随机分布。然后计算P 值说明，这种分布属于随机分布的概率。在应用中，返回Z 得分和P值判断是否可以接受或拒绝零假设，同时在不同的工具中，还表示分布是聚集，或分散 是标准差的倍 数，在0.5-P的概 率下接受随机分 布的接受域 Average Nearest Neighbor 最邻近分析 根据每个要素预期最近要素的平均距离来计算最邻近指数，当指数大于1，要素有聚集分布的趋势，对于趋势如何，还要依据z—value和P—value 来判断，小于1时，趋向分散分布 最近邻指数的表示方法为：平均观测距离与预期平均距离的比率，预期平均距离是假设随机分布中领域间的平均距离 这种方法对面积指值非常敏感（期望平均距离计算中需要面积参与运算），如果未指定

面积参数，则使用输入要素周围最小外接矩形的面积（不一定合坐标轴垂直）Spatial Autocorrelation (Morans I) 空间自相关分析 更具要素位置的属性使用Global Moran’s I 统计量量测空间自相关性 Moran’s I是计算所评估属性的均值和方差，然后将每个要素减去均值，得到与均值的偏差，将所有相邻要素的偏差相称，得到叉积。统计量的分子便是这些叉积之和。 如果相邻要素的值均大于均值，这叉积为正，如果以要素小于均值而一要素大于均值，则为负 如果数据集中的值倾向于在空间上集聚（高值聚集在高值附近，低值聚集在低值附近）则指数为正，如果高值排斥高值，倾向于低值，则指数为负 之后，将计算期望指数值，将之与其比较，在给定的数据集中的要素个数和全部熟知的方差下，将计算Z得分和P值，用来指示次差异是否具有统计学上的显著性 Multi-Distance Spatial Cluster Analysis K函数分析 确定要素（后与之有关连的值）是否显示某一距离范围内统计意义显著的聚类或离散 基于Ripley's K 函数的多距离空间聚类分析工具是另外一种分析事件点数据的空间模式的方法。该方法不同于此工具集中其他方法（空间自相关和热点分析）的特征是可汇总一定距离范围内的空间相关性（要素聚类或要素扩散） Ripley's K 函数可表明要素质心的空间聚类或空间扩散在邻域大小发生变化时是如何变化的。 如果特定距离的k观测值大于k预期值，则与该距离下的随机分布相比，该分布的聚集程度更高，反之亦可。如果，k观测值大于HIConfEnv，则该距离的空间聚类具有统计学上的显著性，如果k观测值小于LwConFEnv，则该距离的空间离散具有统计学上的显著性对于置信区间，点的每个随机分布称为“排列”将一组点随机分布多次，将对每个距离选择相对预期k值向下和向上最大的k值，作为置信区间 Anselin Local Moran’s I局部Moran’s I 分析 给定一组加权要素，使用局部Moran’s I统计量来识别具有统计显著性的热点，冷点和空间异常值。 Z得分和p值是统计显著性的指标，用于逐个要素判断是否拒绝零假设。他们可指示表面相似性和向异性 如果要素Z值是一个较高的正数，则表示周围的要素拥有相似值，输出要素Cotype字段会将具有统计显著性的高值聚类表示为HH，低值聚类表示为LL ?如果要素的z 得分是一个较低的负值，则表示有一个具有统计显著性的空间异常值。输出要素类中的COType 字段将指明要素是否是高值要素而四周围绕的是低值要素(HL)，或者要素是否是低值要素而四周围绕的是高值要素(LH)。

ArcGIS地统计分析总结

ArcGIS地统计分析（Geostatistical Analyst） 1 介绍 1.1为什么使用ArcGIS Geostatistical Analyst 人为判断总是会遗漏某些重要信息，同时也会无中生有。而ArcGIS Geostatistical Analyst提供客观的数据驱动方法，定量预测数据变化趋势和从空间数据中发掘特征模型。如果数据不够精确或者模型不够准确，这样势必影响输出的地图和从中得到的结论。而ArcGIS Geostatistical Analyst可以提供一个概率框架，来定量计算生成数据面时的不确定性。 元统计分析方法利用属性数据之间的相关来推断不同变量之间的联系，ArcGIS Geostatistical Analyst可以联合各种数据来做更精确的预测。 ArcGIS Geostatistical Analyst可以有效地推测一些空间现象的未知部分，因此，对采样计划的设计和优化非常关键。 1.2使用ArcGIS Geostatistical Analyst的各个领域 这个模块的应用对象不计其数，可以使用这个工具包开发任何一种地理数据集（比如坐标和属性），下面列出几个成功应用ArcGIS Geostatistical Analyst的典型领域：气象学家和统计学家应用ArcGIS Geostatistical Analyst来进行气象数据分析。 采矿行业广泛的应用ArcGIS Geostatistical Analyst，涉及从最初的地质特征研究到产量控制的各个阶段。 石油工业成功的应用ArcGIS Geostatistical Analyst，来分析包括地震数据和油井数据集成的空间数据，并且用来研究物理特性和地震属性之间的相关关系。 在环境问题的研究中，ArcGIS Geostatistical Analyst的应用提供了一个分析空气、土壤和地下水污染高效和一致的模型。演示、个例研究和研究教育论文提供了大量的应用ArcGIS Geostatistical Analyst的例子。同时，ArcGIS Geostatistical Analyst也成为评估渔业产量的一个标准方法。 精细农业所应用的土壤特性的图形分析中，ArcGIS Geostatistical Analyst也得到广泛应用。越来越多的农民或者农村顾问使用ArcGIS Geostatistical Analyst来增加作物产量、提高利润、减小对环境的不利影响。 2基本原理 地统计学与经典统计学的共同之处在于：它们都是在大量采样的基础上，通过对样本属性值的频率分布或均值、方差关系及其相应规则的分析，确定其空间分布格局与相关关系。但地统计学区别于经典统计学的最大特点即是：地统计学既考虑到样本值的大小，又重视样本空间位置及样本间的距离，弥补了经典统计学忽略空间方位的缺陷。 地统计分析理论基础包括前提假设、区域化变量、变异分析和空间估值。 2.1 前提假设

ArcGis地统计学

1.1 地统计扩展模块简介 ArcGIS地统计分析模块在地统计学与GIS之间架起了一座桥梁。使得复杂的地统计方法可以在软件中轻易实现。体现了以人为本、可视化发展的趋势。 地统计学的功能在地统计分析模块的都能实现，包括： （1）ESDA：探索性空间数据分析，即数据检查； （2）表面预测（模拟）和误差建模； （3）模型检验与对比。 地统计学起源于克里格。当时他用此法预测矿产分布，后来经过别人改进修改发展成为现在所用的克里格方法。虽然空间数据分析还有其他方法，如IDW（反距离加权插值法）等，但克里格方法是最主要、最常用的空间分析方法，下面也以此法为主进行。 1.2表面预测主要过程 ArcGIS地统计扩展模块的菜单非常简单，如下所示，但由此却可以完成完整的空间数据分析过程。 一个完整的空间数据分析过程，或者说表面预测模型，一般为。拿到数据，首先要检查数据，发现数据的特点，比如是否为正态分布、有没有趋势效应、各向异性等等（此功能主要由Explore Data菜单及其下级菜单完成）；然后选择合适的模型进行表面预测，这其中包括半变异模型的选择和预测模型的选择；最后检验模型是否合理或几种模型进行对比；（后两种功能主要由Geostatistical Wizard…菜单完成）。Create Subsets…菜单的作用是为把采样点数据分成两部分，一部分作为训练样本，一部分作为检验样本。 下面将按上述表面预测过程进行叙述。 （注：[1]文章示例中所使用的数据为ArcGIS扩展模块中所带的学习数据（某地测得的臭氧含量样本），整个过程均使用此数据；[2]文章以操作方法介绍为主，所涉及到的地统计方法和基本理论一般未进行解释，可查阅相关地统计理论资料；操作中所用到的某些参数为地统计中的标准名称的也未进行解释。） 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点，然后根据数据特点用不同参数进行表面模型预测，随后比较不同模型的精确程序，选择最佳模型，最后制作成果图。 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点，然后根据数据特点用不同参数进行表面模型预测，随后比较不同模型的精确程序，选择最佳模型，最后制作成果图。