描述
给定一组加权要素，使用 Anselin Local 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。
插图
使用
该工具可使用输入要素类中各要素的下列属性来创建新的输出要素类：Local Moran's I 指数、z 得分、伪 p 值和聚类/异常值类型 (COType)。
z 得分和 p 值都是统计显著性的度量，用于逐要素地判断是否拒绝零假设。实际上，它们可指明是表面相似性（高值或低值的空间聚类）还是表面相异性（空间异常值）比我们在随机分布中预期的更加明显。输出要素类中的 p 值和 z 得分不反映任何 FDR（错误发现率）校正。
如果要素的 z 得分是一个较高的正值，则表示周围的要素拥有相似值（高值或低值）。输出要素类中的 COType 字段会将具有统计显著性的高值聚类表示为 HH，将具有统计显著性的低值聚类表示为 LL。
如果要素的 z 得分是一个较低的负值（如，小于 -3.96），则表示有一个具有统计显著性的空间数据异常值。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)。
COType 字段将始终指明置信度为 95% 的统计显著性聚类和异常值。只有统计显著性要素在 COType 字段中具有值。如果选中可选参数应用错误发现率 (FDR) 校正，统计显著性会以校正的 95% 置信度为基础。
输出要素类的默认渲染以 COType 字段中的值为基础。
排列可用于确定找到您所分析值的实际空间分布的可能性。对于各个排列而言，各要素周围的邻域值将随机进行重新排列，并会计算出 Local Moran's I 值。结果即为值的参考分布，随后会将该参考分布与实际观测到的 Moran's I 进行比较，以确定在随机分布中查找到观测值的可能性。默认为 499 次排列；然而，随机样本分布会随着排列的增加而改进，进而提高伪 p 值的精度。
如果将 Number_of_Permutations 参数设置为 0，则结果为传统 p 值而不是伪 p 值，z 得分基于随机化零假设进行计算。有关 z 得分和 p 值的详细信息，请参阅什么是 z 得分？ 什么是 p 值？
如果未投影输入要素类（即，坐标单位为度、分和秒），或者将输出坐标系设置为地理坐标系，则采用弦测量方法计算距离。使用弦距离测量法是因为此方法不仅计算速度快，而且提供真实测地线距离的良好估测，至少对于彼此 30 度以内的点是这样。弦距离以扁椭圆体为基础。给定地球表面上的任意两点，两点之间的弦距离是从三维地球穿过然后连接该两点的一条线的长度。弦距离以米为单位输出。
分析时如使用弦距离，距离范围或距离阈值参数（如指定）应以米为单位。
-
对于线和面要素，距离计算中会使用要素的质心。对于多点、折线或由多部分组成的面，将会使用所有要素部分的加权平均中心来计算质心。点要素的加权项是 1，线要素的加权项是长度，而面要素的加权项是面积。
输入字段应包含多种值。此统计数学方法要求待分析的变量存在一定程度的变化；例如，如果所有输入都是 1 便无法求解。如果要使用此工具分析事件数据的空间模式，应考虑聚合事件数据。优化的热点分析工具也可以用于分析事件数据的空间模式。
空间关系的概念化参数的选择应反映要分析的要素之间的固有关系。对要素在空间中彼此交互方式构建的模型越逼真，结果就越准确。选择空间关系的概念化：最佳做法中给出了建议。以下是一些额外提示：
- FIXED_DISTANCE_BAND
默认的距离范围或距离阈值将确保每个要素至少拥有一个相邻要素，这一点十分重要。但通常，此默认值并不是适用于分析的最合适的距离。为分析选择适合的比例（距离范围）的其他策略在选择固定距离范围值中进行了概括介绍。
- INVERSE_DISTANCE 或 INVERSE_DISTANCE_SQUARED
如果为距离范围或阈值距离参数输入 0，则所有要素均被视为所有其他要素的相邻要素；如果将此参数留空，则将采用默认距离。
如果距离权重小于 1，则对其取倒数时将变得不稳定。因此，对于分隔距离小于 1 单位的要素权重，权重值将指定为 1。
对于反距离选项（INVERSE_DISTANCE、INVERSE_DISTANCE_SQUARED 或 ZONE_OF_INDIFFERENCE），为避免产生除数为零的情况，任何重合两点的权重值均将指定为 1。这样便可确保将要素包含在分析之内。
- FIXED_DISTANCE_BAND
-
空间关系的概念化参数的附加选项（包括空间-时间关系）在使用生成空间权重矩阵或者生成网络空间权重工具时可用。要利用这些附加选项，请使用上述任一工具构造空间的权重矩阵文件，然后进行分析；为空间关系的概念化参数选择 GET_SPATIAL_WEIGHTS_FROM_FILE；为权重矩阵文件参数指定您所创建的空间权重文件的路径。
-
有关空间-时间聚类分析的详细信息，请参阅空间-时间分析文档。
-
地图图层可用于定义输入要素类。在使用带有选择内容的图层时，分析只会包括所选的要素。
如果提供的是一个带 .swm 扩展名的权重矩阵文件, 则此工具需要输入的是一个使用生成空间权重矩阵工具使用生成空间权重矩阵或生成网络空间权重 工具创建的空间权重矩阵文件;否则，此工具需要输入一个 ASCII 格式的空间权重矩阵文件 在某些情况下，根据您所使用的空间权重矩阵文件类型，行为会有所不同：
- ASCII 格式的空间权重矩阵文件：
- 按原样使用权重。所缺失的要素与要素之间的关系被视为零。
- 如果对权重进行了行标准化，则选择集的分析结果很有可能不正确。如果需要对选择集运行分析，则通过以下方法将 ASCII 空间权重文件转换为 SWM 文件：将 ASCII 数据读入表，然后将 CONVERT_TABLE 选项与生成空间权重矩阵工具结合使用。
- SWM 格式的空间权重矩阵文件：
- 如果对权重进行了行标准化，则会针对选择集将其重新标准化；否则按原样使用权重。
- ASCII 格式的空间权重矩阵文件：
使用 ASCII 格式的空间权重矩阵文件运行您的分析会占用大量内存。如果要分析的要素超过 5,000 个，则考虑将 ASCII 格式的空间权重矩阵文件转换为 SWM 格式的文件。首先，将 ASCII 权重置入一个带格式的表中（例如，使用 Excel）。接下来运行生成空间权重矩阵工具，并使用空间关系的概念化参数的 CONVERT_TABLE。输出将是 SWM 格式的空间权重矩阵文件。
输出要素类会自动添加到内容列表中，同时对 COType 字段应用默认渲染。所应用的渲染由 <ArcGIS>/Desktop10.x/ArcToolbox/Templates/Layers 中的图层文件定义。如有必要，可通过导入模板图层符号系统重新应用默认渲染。
-
输出要素类包含 SOURCE_ID 字段，在需要时可通过该字段将此要素类添加到输入要素类。
-
空间关系建模帮助主题提供了有关此工具的参数的附加信息。
在 Python 脚本中使用此工具时，从工具执行返回的结果对象具有以下输出：
位置 摘要 数据类型 0
输出要素类
要素类
1
索引字段名
字段
2
Z 得分字段名
字段
3
概率字段名
字段
4
COType 字段名
字段
5
源 ID 字段名
字段
语法
ClustersOutliers(Input_Feature_Class, Input_Field, Output_Feature_Class, Conceptualization_of_Spatial_Relationships, Distance_Method, Standardization, {Distance_Band_or_Threshold_Distance}, {Weights_Matrix_File}, {Apply_False_Discovery_Rate__FDR__Correction}, {Number_of_Permutations})| 参数 | 说明 | 数据类型 |
Input_Feature_Class | 要执行聚类和异常值分析的要素类。 | Feature Layer |
Input_Field | 要评估的数值字段。 | Field |
Output_Feature_Class | 用于接收结果字段的输出要素类。 | Feature Class |
Conceptualization_of_Spatial_Relationships | 指定要素空间关系的定义方式。
| String |
Distance_Method | 指定计算每个要素与邻近要素之间的距离的方式。
| String |
Standardization | 当要素的分布由于采样设计或施加的聚合方案而可能偏离时，建议使用行标准化。
| String |
Distance_Band_or_Threshold_Distance （可选） | 为“反距离”和“固定距离”选项指定中断距离。将在对目标要素的分析中忽略为该要素指定的中断之外的要素。但是，对于“无差别的区域”，指定距离之外的要素的影响会随距离的减小而变弱，而在距离阈值之内的影响则被视为是等同的。输入的距离值应该与输出坐标系的值匹配。 对于空间关系的“反距离”概念化，值为 0 表示未应用任何阈值距离；当将此参数留空时，将计算并应用默认阈值。此默认值为确保每个要素至少具有一个邻域的欧氏距离。 如果选择了“面邻接”或者“通过文件获取空间权重”空间概念化，则此参数不会产生任何影响。 | Double |
Weights_Matrix_File （可选） | 包含权重（其定义要素间的空间关系以及可能的时态关系）的文件的路径。 | File |
Apply_False_Discovery_Rate__FDR__Correction （可选） |
| Boolean |
Number_of_Permutations （可选） | 伪 p 值计算对应的随机排列数。默认排列次数为 499。如果选择 0 次排列，则会计算标准 p 值。
| Long |
派生输出
| 名称 | 说明 | 数据类型 |
| Index_Field_Name | 索引字段的名称。 | 字段 |
| ZScore_Field_Name | Z 得分字段的名称。 | 字段 |
| Probability_Field | 概率字段的名称。 | 字段 |
| Cluster_Outlier_Type | 聚类/异常值字段名称。 | 字段 |
| Source_ID | 源 ID 字段名称。 | 字段 |
代码示例
ClusterandOutlierAnalysis 示例 1（Python 窗口）
下面的 Python 窗口脚本演示了如何使用 ClusterandOutlierAnalysis 工具。
import arcpy
arcpy.env.workspace = "c:/data/911calls"
arcpy.ClustersOutliers_stats("911Count.shp", "ICOUNT","911ClusterOutlier.shp",
"GET_SPATIAL_WEIGHTS_FROM_FILE","EUCLIDEAN_DISTANCE",
"NONE","#", "euclidean6Neighs.swm","NO_FDR", 499)
ClusterandOutlierAnalysis 示例 2（独立脚本）
以下独立 Python 脚本演示了如何使用 ClusterandOutlierAnalysis 工具。
# Analyze the spatial distribution of 911 calls in a metropolitan area
# using the Cluster-Outlier Analysis Tool (Anselin's Local Moran's I)
# Import system modules
import arcpy
# Set property to overwrite outputs if they already exist
arcpy.env.overwriteOutput = True
# Local variables...
workspace = r"C:\Data\911Calls"
try:
# Set the current workspace
# (to avoid having to specify the full path to the feature classes each time)
arcpy.env.workspace = workspace
# Copy the input feature class and integrate the points to snap
# together at 500 feet
# Process: Copy Features and Integrate
cf = arcpy.CopyFeatures_management("911Calls.shp", "911Copied.shp")
integrate = arcpy.Integrate_management("911Copied.shp #", "500 Feet")
# Use Collect Events to count the number of calls at each location
# Process: Collect Events
ce = arcpy.CollectEvents_stats("911Copied.shp", "911Count.shp", "Count", "#")
# Add a unique ID field to the count feature class
# Process: Add Field and Calculate Field
af = arcpy.AddField_management("911Count.shp", "MyID", "LONG", "#", "#", "#", "#",
"NON_NULLABLE", "NON_REQUIRED", "#",
"911Count.shp")
cf = arcpy.CalculateField_management("911Count.shp", "MyID", "!FID!", "PYTHON")
# Create Spatial Weights Matrix for Calculations
# Process: Generate Spatial Weights Matrix...
swm = arcpy.GenerateSpatialWeightsMatrix_stats("911Count.shp", "MYID",
"euclidean6Neighs.swm",
"K_NEAREST_NEIGHBORS",
"#", "#", "#", 6)
# Cluster/Outlier Analysis of 911 Calls
# Process: Local Moran's I
clusters = arcpy.ClustersOutliers_stats("911Count.shp", "ICOUNT",
"911ClusterOutlier.shp",
"GET_SPATIAL_WEIGHTS_FROM_FILE",
"EUCLIDEAN_DISTANCE", "NONE",
"#", "euclidean6Neighs.swm", "NO_FDR", "499")
except arcpy.ExecuteError:
# If an error occurred when running the tool, print out the error message.
print(arcpy.GetMessages())
环境
许可信息
- Basic: 是
- Standard: 是
- Advanced: 是