根据地理学第一定律“Everything is related to everything else，but near things are more related than distant things”［3，4］，具有地理空间本质属性的现象都是值得我们去探索和研究的［5］。景观中的任何空间聚类现象均表明潜在的空间过程（process）正在起作用［6］。在这种情况下，针对要研究的问题，检验数据，并从不同角度来识别地理空间模式（pattern），对于我们认识和理解造成某种地理空间现象的潜在规律是十分重要的［6，7］。
为实现上述目的，我们通常需要对空间数据进行统计分析，用以识别空间数据分布、空间格局和异常值，这种方式被称为空间数据分析或空间统计［8-10］。空间统计学为我们提供了强有力的工具，可以有效地提升对空间数据的可视化、分析和制图能力［9］。总体上来说，对空间相关性的测量可分为全局性和局部性两类。全局测量在考虑所有位置单元的情况下，使用单一的统计结果来描述区域的整体空间格局状况，它主要用于回答“区域内是否具有空间聚集特征”［6］。
然而，区域内位置单元的数量越多，统计数字的可解释性将越差，这是由于空间格局可能会因局部位置不同而有很大的变化［9］。因此，有必要基于恰当定义的空间距离，使用局部测量来表征每个位置单元与其邻居单元之间的关联关系。与全局测量不同的是，局部测量方法试图回答以下几个问题：“空间聚集区域（热点/冷点）在哪里？”“空间异常值区域在哪里？”“哪些空间特征最相似？”［6］。在局部测量过程中，会为每个位置单元提供一个统计值，以便于识别空间聚集区域及推断关联关系发生的对应空间距离值［11］。近年来，GIS空间统计学方法已被成功地用于研究各种城市相关问题［12-33］。然而，应用GIS空间统计学方法分析城市区域风险空间格局的相关研究却鲜有报道。
本章提出了一种基于GIS空间统计学的方法框架，用以探索城市重大危险源的区域风险空间格局，其目标是识别区域风险的空间聚集区和空间异常值地区，锁定区域风险热点地区，进而指导城市风险管理和减灾规划。具体地，我们使用全局Moran's I（Global Moran's I，GMI）统计方法来分析区域的全局空间格局，并应用Anselin局部Moran's I（Anselin Local Moran's I，以下简称为LMI）统计方法来识别具有统计意义的空间风险聚集区和异常值地区，主要的步骤如下：
①定义并概念化风险单元之间的空间邻域关系；
②基于风险单元的位置及其风险属性值，应用GMI算法获得区域的全局空间自相关统计值；(www.xing528.com)
③通过增强空间自相关分析，获得能够代表风险单元间最适合空间尺度的距离阈值；
④基于获得的最适合距离阈值，应用LMI算法获得具有统计意义的局部风险聚集区（热点和冷点）及风险异常值地区；
⑤绘制风险热点/冷点地图，用以指导城市风险管理和减灾规划。
图4-1给出了本章提出的方法框架的流程图，下面将对其主要工作流程进行详细描述和讨论。
图4-1 区域风险格局分析方法框架流程图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
