ArcGIS空间分析实战：如何用聚类和异常值分析优化城市规划决策

1次阅读

共计 1933 个字符，预计需要花费 5 分钟才能阅读完成。

城市规划中空间数据分析常面临数据量大、模式隐蔽等挑战。传统方法难以从海量地理数据中提取有效信息，而空间统计技术能挖掘数据背后的空间依赖性和异质性。本文以 ArcGIS 平台为例，解析聚类分析（Cluster Analysis）和异常值检测（Outlier Analysis）的技术实现。

ArcGIS 优势 ：
提供完整的空间统计工具箱（Spatial Statistics Tools），包含 Getis-Ord Gi*、Local Moran’s I 等成熟算法
支持直接调用 ArcPy 进行批处理，适合大规模计算
与 ArcGIS Pro 可视化深度集成
QGIS 对比 ：
依赖第三方插件（如 PySAL）实现同类功能
算法参数配置灵活但需手动编写更多预处理代码
可视化效果需通过 Matplotlib 等库二次开发

空间权重矩阵（Spatial Weight Matrix）是分析的基础，ArcPy 可通过以下代码生成：

import arcpy
from arcpy.stats import *

# 生成空间权重矩阵（Queen 邻接）weight_matrix = GenerateSpatialWeightsMatrix(
    input_features="land_use.shp",
    unique_id_field="FID",
    output_matrix_file="weights.swm",
    conceptualization="CONTIGUITY_EDGES_ONLY",  # Queen 邻接
    distance_method="EUCLIDEAN",
    standardization="ROW"
)

Getis-Ord Gi* 统计量公式：

Gi* = Σ(w_ij * x_j) / Σx_j

其中 w_ij 为空间权重，x_j 为属性值。实现代码如下：

# 执行热点分析
hotspot = HotSpotAnalysis(
    input_features="population.shp",
    input_field="POP_DENSITY",
    output_features="hotspots.shp",
    neighborhood_distance="5000 Meters",
    standardization_method="NONE",
    conceptualization_of_relationships="INVERSE_DISTANCE"
)

# 结果字段说明：# GiZScore > 1.96 为显著热点（p<0.05）# GiZScore < -1.96 为显著冷点

Local Moran’s I 指数公式：

I_i = (x_i - x̄) / σ * Σ[w_ij * (x_j - x̄)]

实现代码如下：

moran = ClusterAndOutlierAnalysis(
    input_features="land_value.shp",
    input_field="PRICE_SQM",
    output_features="outliers.shp",
    conceptualization_of_relationships="K_NEAREST_NEIGHBORS",
    distance_method="MANHATTAN",
    standardization="ROW"
)

# 结果解读：# COType 字段中：# HH- 高值聚类 HL- 高值异常
# LH- 低值异常 LL- 低值聚类