ArcMap中生成聚类LISA图的技术实现与避坑指南

1次阅读

共计 2114 个字符，预计需要花费 6 分钟才能阅读完成。

LISA（Local Indicators of Spatial Association）图是空间自相关分析的本地化工具，用于识别数据中的热点（高值聚集）、冷点（低值聚集）和异常值（高低值相邻）。它的核心思想是通过计算每个要素与其邻域的统计关系，揭示空间分布的非随机性。

莫兰散点图 ：LISA 本质上是将全局莫兰指数分解到每个空间单元
四象限解读 ：
第一象限（HH）：高值被高值包围
第二象限（LH）：低值被高值包围
第三象限（LL）：低值被低值包围
第四象限（HL）：高值被低值包围

在 ArcMap 实际操作中，90% 的问题集中在这几个方面：

权重矩阵选择不当 ：
反距离权重 vs K 最近邻 vs 固定距离
未进行行标准化导致解释偏差
边界效应处理缺失 ：
研究区边缘单元邻域数不足
未考虑自然边界（如河流、山脉）的阻断效应
数据预处理漏洞 ：
未检测离群值导致伪热点
忽略坐标系统统一性问题

确保已安装【Spatial Statistics Tools】工具箱
数据要求：
要素类必须是投影坐标系（建议 UTM 或 Albers 等面积投影）
属性字段需为数值型且无 NULL 值

打开【ArcToolbox】>【Spatial Statistics Tools】>【Mapping Clusters】
选择【Cluster and Outlier Analysis (Anselin Local Moran’s I)】
关键参数设置：
Input Feature Class：待分析要素
Input Field：分析字段（建议先标准化）
Output Feature Class：建议添加_LISA 后缀
Conceptualization of Spatial Relationships：
- 城市数据建议 ”K_NEAREST_NEIGHBORS”（K=8）
- 生态数据建议 ”INVERSE_DISTANCE”（带宽需验证）
Distance Method：欧式距离（Euclidean）适用于多数场景

import arcpy
from arcpy import env

# 环境设置
env.workspace = "C:/Data/Project.gdb"
env.overwriteOutput = True

# 数据标准化（Z-score）arcpy.StandardizeAttributes_stats(
    in_features="population",
    fields="POP2020",
    operation="Z_SCORE"
)

# 生成 LISA 图
arcpy.ClusterOutlier_stats(
    Input_Feature_Class="population_standardized",
    Input_Field="POP2020_Z",
    Output_Feature_Class="LISA_Result",
    Conceptualization_of_Spatial_Relationships="K_NEAREST_NEIGHBORS",
    Distance_Method="EUCLIDEAN_DISTANCE",
    Standardization="ROW"
)

# 显著性筛选（p<0.05）arcpy.SelectLayerByAttribute_management(
    in_layer_or_view="LISA_Result",
    selection_type="NEW_SELECTION",
    where_clause="COType IN ('HH','LL','HL','LH') AND PValue < 0.05"
)

当处理 10 万 + 要素时，推荐以下方法：