[特殊字符] 第十四讲 | 空间异质性检验与地统计局部指标（LISA）应用
📌 关键词：空间异质性、LISA、局部Moran's I、空间聚集、冷热点分析、GeoDa、R语言
🧠 导语：空间现象为何“不一样”？
在地理学与农学研究中，我们经常遇到“某地污染严重，而邻近区域却很轻微”的现象。这种空间格局的不均匀性，正是**空间异质性（Spatial Heterogeneity）**的体现。而揭示这些“异质”的核心利器，就是——LISA（Local Indicators of Spatial Association）局部空间自相关分析！
🔍 一、空间异质性是什么？
空间异质性指的是某种地理变量（如土壤肥力、污染浓度等）在地理空间中呈现不规则分布，具体体现在：
-
位置差异性（Spatial Discontinuity）
-
局部聚集性（Local Clustering）
-
不稳定的空间关系
我们需要借助LISA进行定量刻画！
🧪 二、LISA（局部空间自相关）指标详解
LISA 指标衡量的是某个点与其邻居的空间关系是否显著偏离“空间随机性”，主要包括：
| 指标 | 含义 |
|---|---|
| 局部Moran’s I | 衡量某位置值与邻居值的相似性 |
| 局部Getis-Ord G* | 用于发现局部“高值”或“低值”集中区域（热点分析） |
| 局部Geary's C | 类似Moran’s I，强调差异性 |
🧰 三、R语言实战：LISA分析步骤
📦 所需R包
library(spdep)
library(sf)
library(tmap)
🧮 示例代码流程
# 读取空间数据
shp <- st_read("your_shapefile.shp")
# 构建邻接矩阵
nb <- poly2nb(shp)
lw <- nb2listw(nb, style="W")
# 计算局部Moran's I
local_moran <- localmoran(shp$target_variable, lw)
# 将结果加入数据框
shp$Ii <- local_moran[,1]
shp$p_value <- local_moran[,5]
# 可视化：显著性图
tmap_mode("view")
tm_shape(shp) +
tm_fill("Ii", style="quantile", palette="-RdBu", title="Local Moran's I") +
tm_borders()
📌 四、结果解读：四象限含义
LISA 结果常被划分为 4 个象限：
| 象限 | 类型 | 含义 |
|---|---|---|
| I象限 | 高-高（HH） | 高值区域被高值包围（热点） |
| II象限 | 低-低（LL） | 低值被低值包围（冷点） |
| III象限 | 高-低（HL） | 异常值，高值被低值包围（离群） |
| IV象限 | 低-高（LH） | 异常值，低值被高值包围（离群） |
🧑🔬 五、应用场景推荐
-
🧫 土壤污染高风险区识别
-
🌾 农作物高产区空间聚类分析
-
🌍 区域经济发展空间不均衡性检验
-
🏙 城市热岛效应的热点识别
✍️ 学术论文写作句式参考
“利用局部Moran’s I指标对土壤有机碳含量进行空间聚集性分析，结果显示研究区呈现明显的高-高聚集特征，主要集中于中部农田密集区。”
📚 总结
✅ LISA 是空间分析中极具辨识力的工具
✅ 通过空间聚集和离群识别，助力精准干预决策
✅ 搭配GeoDa软件或R语言工具可轻松实现全流程分析
📌 下一讲预告：空间面板数据建模与时间-空间交互分析
📎 如果你喜欢这个系列，欢迎收藏 + 点赞 + 评论互动～
如需本节课的R脚本 + 示例数据 + 图形PDF，可留言获取。