文档介绍：大气污染物SO2空间相关性的空间集聚分析
摘要:以东北三省2017年的大气污染物SO2为研究对象,通过全局指标(全局Moran指数、Geary系数)、区域型指标(Moran’s I、局部Geary’s C、局部Getis’s low agglomeration area). According to the actual situation, Moran index is better than G coefficient in analyzing the spatial correlation of SO2.
Key words: spatial statistics; spatial autocorrelation; global indicators; regional indicators; GIS; SO2
空间数据包含的众多特殊性质决定了空间聚类分析研究的特殊性,本研究空间数据的空间聚类的实质,即将一组具有相关性的空间实体依据一定的相似性度量准则划分成一系列由若干空间实体构成的、具有一定意义的空间簇,同一空间簇中实体尽可能相似,不同空间簇内的实体尽可能相异[1],以地理学第一定律为基础[2],即空间实体之间有一定的依赖关系。空间相关性分析在功能上主要分为全局相关和局部相关,即全局指标和局部指标。全局指标(全局Moran指数、Geary系数[3])用于探测整个研究区域的空间模式,使用单一的值来反映研究区域的自相关程度[4]。区域型指标(Moran’s I、局部Geary’s C、全局Getis’s G)用来推算空间热点(Spatial hot spot)的范围[5]。Moran指数的定义是在1950年前后,Moran[6]基于生物现象的空间分析将一维空间概念的相关系数推广到二维空间而提出。在此之后不久,Geary[7]类比于回归分析的Dyrbin-Watson统计量提出了Geary系数的概念进而逐步降低趋势;Getis等[3]于1992年提出可识别空间集聚为高值或低值聚集的全局G系数。 目前空间自相关已经广泛应用在大气污染物的研究中,程度胜[8]利用Moran指数和Geary’s C对经济发展与环境污染的研究中得出了两者之间有较强的空间集聚性;徐志伟等[9]通过空间面板模型实证分析投资总量增长及结构的差异对SO2排放的影响,并用Moran’s指数验证,发现工业SO2的排放在部分地区形成了“高-高”聚集区域;郭梦梦等[10]采用全局Moran指数和局部Moran指数得出淮海經济区工业SO2排放存在正的空间相关性及显著的空间集聚特征。本研究以此作为切入点,以老工业基地东北三省2017年大气污染物之一的SO2为研究对象,以全局型空间自相关(Global spatial autocorrelation)、区域型空间自相关(Local spatial autocorrelation)[5]两种功用上的指标进行对比分析,探究SO2空间自相关分析中不同的衡量指标在识别空间自相关特征上的差异,为空间自相关分析提供新的思路。各指标的分析结果对大气污染物研究中空间自相关的方法运用提供了一定的参考意义,为以后研究大气污染物的空间分布状况提供了更高的可能性。
1 材料与方法
数据来源
SO2浓度数据来源于天气后报的空气质量指数查询(AQI)-(/)。观测内容为2017年东北三省36个地级市共169个监测站提供的日数据。
数据处理方法
数据整理 将监测的数据分类汇总,利用SPSS软件对原始数据分析,获得2017年东北三省2017年SO2浓度的均值,生成东北三省36个地级市的SO2等级分布(图1)。利用Stata、Geoda、Adobe Illustrator CS6、ArcGIS等软件,分析SO2的空间集聚与空间离散。
空间自相关分析 地理学第一定律认为,任何事物之间都是相互联系的,且相近的事物联系更为密切[2]。空间自相关是指同一个变量在不同空间位置上的相关性,是空间单元属性值聚集程度的一种度量[2,11]。目前,比较常用的衡量空间自相关的全局指标有Moran指数和Geary系数[2-4]。
本研究的空间自相关分析运用Stata软件,全局莫兰指数[12](Moran’s I)的计算公式如下:
式中,I为全局Moran指数,I的取值范围为 [-1,1],若I0,且越是接近于1则代表空间单元关系越密切,性质也越具有相似性;若I=0,则代表区域间不相关,观测值随机分布[13]。本研究中n为36个地级市的空间数据量,yi、yj为i、