简述空间数据的自相关特征

简述空间数据的自相关特征

近处的东西比远处的东西相关性更强。
计算方法：
常用的有：Moran’s I、Geary’s C、Getis、Join count等等。但这些方法各有其功用，同时亦有其适用范畴与限制，当然自有其优缺点。
一般来说，方法在功用上可大致分为两大类：
1、全域型（Global Spatial Autocorrelation）
2、区域型（Local Spatial Autocorrelation）
全域型的功能在于描述某现象的整体分布状况，判断此现象在空间是否有聚集特性存在，但其并不能确切地指出聚集在哪些地区。
依据Anselin（1995）提出LISA（Local Indicators of Spatial Association）方法论说法，区域型之所以能够推算出聚集地（spatial hot spot）的范围，藉由统计显著性检定的方法，检定聚集空间单元相对於整体研究范围而言，其空间自相关是否够显著，若显著性大。



扩展资料
空间自相关统计量
某位置上的数据与其他位置上的数据间的相互依赖程度。通常把这种依赖叫做空间依赖(spatial dependence)。地理数据由于受空间相互作用和空间扩散的影响，彼此之间可能不再相互独立，而是相关的。
例如，视空间上互相分离的许多市场为一个集合，如市场间的距离近到可以进行商品交换与流动，则商品的价格与供应在空间上可能是相关的，而不再相互独立。实际上，市场间距离越近，商品价格就越接近、越相关。

地理空间自相关是指时间序列相邻数值间的相关关系。 地理研究对象普遍存在的变量间的关系中，确定性的是函数关系，非确定性的是相关关系。如存在空间自相关，亦即该变量本身存在某种数学模型。 通过已知观测数据建立自回归模型，即可对自相关变量进行预测。地理要素空间相互影响，自相关是一种不容忽视的影响因素。如某个城市在一段时期内，其它影响城市发展因素不变，城市经济结构通常也不变，若城市经济规模发生了较大变化，即因城市本身经济自身相关发挥较大作用所致。如所研究的地理对象受许多因素影响，要是这些因素本身存在自相关，必然削弱它们的作用，为此需剔除自相关影响大的因素。

空间数据处理主要内容包括： 　　数据处理涉及的内容很广，主要取决于原始数据的特点和用户的具体需求。一般有数据变换、数据重构、数据提取等内容。数据处理是针对数据本身完成的操作，不涉及内容的分析。空间数据的处理也可称为数据形式的操作。