ArcGIS Pro 空间统计工具对比：双变量关系映射 vs. Lee‘s L vs. 局部二元关系-平芜编程栈

ArcGIS Pro空间统计工具深度评测：双变量关系映射、Lee's L与局部二元关系的实战选择指南

当我们需要探索两个地理变量之间的关联时，ArcGIS Pro提供了多种强大的分析工具。本文将深入评测三种主流方法：视觉化的双变量色彩映射、统计量Lee's L和局部二元关系分析。通过实际案例演示和参数对比，帮助中高级GIS用户根据不同的分析需求选择最合适的工具。

1. 工具概览与核心差异

在空间统计分析中，理解两个变量之间的关系远比单变量分析复杂。我们不仅需要关注变量之间的数值相关性，还要考虑它们的空间分布模式是否相似。三种工具从不同角度解决了这一问题：

双变量色彩映射：通过颜色混合直观展示两个变量的空间重叠情况
Lee's L统计量：量化两个变量的全局和局部空间相关性
局部二元关系分析：识别变量间关系的空间异质性

下表对比了三种工具的核心特性：

特性	双变量色彩映射	Lee's L统计量	局部二元关系分析
分析维度	视觉化	全局/局部统计	局部关系分类
输出类型	地图	统计值+地图	分类结果+地图
数据要求	连续/分类	连续变量	连续变量
空间自相关考虑	无	是	是
统计显著性检验	无	有	有
最佳应用场景	快速探索	相关性验证	关系异质性分析

提示：选择工具时，首先明确分析目的是探索性可视化（双变量色彩）、相关性验证（Lee's L）还是识别空间异质性（局部二元关系）。

2. 双变量色彩映射：视觉化探索利器

双变量色彩映射通过颜色混合直观呈现两个变量的空间分布关系。这种方法起源于1960年代，因其直观性至今仍被广泛使用。

2.1 核心原理与操作步骤

典型的双变量色彩映射遵循以下流程：

变量分类：将每个变量分为3-5个等级（如低、中、高）
配色方案：为每个变量选择互补的色系
颜色混合：创建色阶矩阵展示所有可能的组合

在ArcGIS Pro中实现这一效果的步骤：

# 使用Python脚本创建双变量色彩映射 import arcpy aprx = arcpy.mp.ArcGISProject("CURRENT") map = aprx.listMaps("Map")[0] layer = map.listLayers("Obesity_Diabetes")[0] # 设置双变量符号系统 sym = layer.symbology sym.updateRenderer('BivariateColorsRenderer') sym.renderer.field1 = "ObesityRate" sym.renderer.field2 = "DiabetesRate" sym.renderer.gridSize = "3x3" # 3x3颜色矩阵 sym.renderer.colorScheme = "Yellow-Blue (Continuous)" # 从样式库选择 layer.symbology = sym

2.2 实战案例：肥胖率与糖尿病率

使用美国县级数据展示肥胖率（X轴）和糖尿病率（Y轴）的关系：

高肥胖+高糖尿病：深紫色区域
高肥胖+低糖尿病：蓝色区域
低肥胖+高糖尿病：红色区域
低肥胖+低糖尿病：浅色区域

这种可视化能快速识别出"糖尿病带"（美国东南部）等宏观模式，但需要注意：

颜色感知可能因人而异
无法量化相关性强弱
不提供统计显著性检验

3. Lee's L统计量：空间相关性检验

Lee's L由地理学家Sang-Il Lee于2001年提出，是专门用于度量两个变量空间相关性的指标。它结合了Pearson相关系数和空间自相关概念。

3.1 统计原理解读

Lee's L的计算公式：

L = (n/W) * ΣΣw_ij(z_i - z̄)(u_j - ū) / (σ_z * σ_u)

其中：

n：要素数量
W：空间权重矩阵总和
z,u：标准化后的变量值
w_ij：要素i和j之间的空间权重

L值范围在[-1,1]：

1：完全正相关且空间聚集
-1：完全负相关且空间聚集
0：无空间相关性

3.2 ArcGIS Pro实现与解读

通过空间统计工具箱运行"双变量空间关联(Lee's L)"工具：

# 计算Lee's L统计量 arcpy.stats.BivariateSpatialAssociation( in_features="US_Counties", analysis_field1="ObesityRate", analysis_field2="DiabetesRate", out_features="LeeL_Results", neighborhood_type="K_NEAREST_NEIGHBORS", num_neighbors=8, num_permutations=999 # 置换检验次数 )

关键输出解读：

全局L值：0.72（p<0.01）→ 肥胖与糖尿病存在显著空间正相关
局部L分类：
- High-High：高肥胖率县被高糖尿病率县包围
- Low-Low：低值聚集区
- High-Low/Low-High：异常值

注意：邻居数量(k)的选择会影响结果。建议通过Moran's I检验确定最佳k值后再运行Lee's L。

4. 局部二元关系分析：揭示空间异质性

局部二元关系分析（Local Bivariate Relationships）能识别变量间关系如何随空间位置变化。这对于发现"地理上下文效应"特别有用。

4.1 方法特点

基于局部熵分析
将每个要素分类为6种关系类型：
1. 不显著
2. 正线性
3. 负线性
4. 凹曲线
5. 凸曲线
6. 未定义复杂关系
生成局部散点图展示关系形态

4.2 案例实施

分析肥胖率（解释变量）与糖尿病率（因变量）的局部关系：

arcpy.stats.LocalBivariateRelationships( in_features="US_Counties", dependent_variable="DiabetesRate", explanatory_variable="ObesityRate", output_features="LBR_Results", number_of_neighbors=30, scaling_factor=0.7 # 对弱关系的敏感度 )

典型发现可能包括：