تحلیل موران

تحلیل خودهمبستگی فضایی محلی( آماره موران محلی)در GIS

^{_{آماره ی موران عمومی فقط خوشه بندی کلی متغیر دما را نشان می دهد، اما نمی تواند برای تشخیص}}

^{_{الگوی ارتباط فضایی دما در محدوده ی همسایگی استفاده شود. برای آشکارسازی الگوی فضایی تفاوت های محلی از آماره ی خودهمبستگی فضایی موران محلی استفاده میشود. این شاخص تفاوت فضایی مقادیر دما را بین هر سلول و سلول های مجاورش اندازه گیری کرده و معنی داری آن را نیز ارزیابی می نماید. آماره ی موران محلی شکل تجزیه شده ی آماره ی موران عمومی است.}}

^{_{مشابه با آماره موران عمومی، نتایج آماره موران محلی را می توان بوسیله ی نمرات Z آزمون کرد. یک سطح اطمینان مشخص می شود، اگر سلول i معنی داری مثبت داشته باشد(یعنی یک عدد مثبت باشد)، مقدار دمای سلول i شبیه به مقدار دمای سلول های مجاور آن است. چنانچه مقدار Ii یک عدد مثبت بزرگ باشد، نشانگر یک محدوده ی خوشه بندی قوی است. از سوی دیگر، اگر مقدار Ii منفی و معنی دار باشد، مقدار دمای سطحی سلول i تفاوت زیادی با سلول های مجاورش دارد که نشان دهنده ی همبستگی فضایی منفی است. برای اجرا و محاسبه ی شاخصهای موران(عمومی و محلی) از نرم افزارهای ARC GIS 9.3 و GeoDa استفاده شد. در این نرم افزارها پس از اجرای شاخص موران محلی، نقشه ی معنی داری موران محلی ایجاد می شود. با استفاده از نقشه ی مزبور خوشه های محلی و نوع آنها شناسایی شدند. علاوه بر نقشه ی معنی داری موران محلی، نمودار پراکندگی موران کمک کرد تا نوع خودهمبستگی فضایی که بین مکانها وجود دارد تعیین شود. این نمودار داده ها را به چهار گروه تقسیم می کند: : نقاطی که دارای دمای بالا هستند و از اطراف نیز بوسیله ی نقاطی دربرگرفته 1 نقاط بالا- بالا شده اند که دارای دمای بالاهستند. با توجه به نحوه ی پراکندگی این نقاط خوشه های داغ (جزیره یا جزایر حرارتی) شناسایی شدند. : نقاطی که دارای دمای پایین هستند و از اطراف نیز بوسیله ی نقاطی 2 نقاط پایین- پایین دربرگرفته شده اند که دمای پایینی دارند. با توجه به نحوه ی پراکندگی این نقاط خوشه های خنک (جزیره یا جزایر خنک) شناسایی شدند.}}

هم چنین:

 موران چیست؟

مدل خود همبستگی فضایی موران : شاخص موران بین مقادیر 1- تا 1+ محاسبه می شود.مقدار 1+ بیانگر الگوی کاملاً تک قطبی (خوشه ای)، مقدار صفر بیانگر الگوی تجمع تصادفی یا چند قطبی و مقدار 1- بیانگر الگوی پراکنده می باشد.هر چه این ضریب مقدار بالاتری داشته باشد ، بیانگر تجمع زیاد و هر چه مقدار پایین تری داشته باشد بیانگر پراکندگی می باشد. به طور مثال برای تعیین نحوه پراکنش فضایی مدارس یک منطقه می توان از این مدل استفاده کرد.می توان مدل را بر حسب فیلدهای مختلف (جمعیت ، جنسیت و ...) اجرا نمود و نتیجه بصورت خوشه ای(clustered)،تصادفی(random) و یا پراکنده (dispersed) روی شکل خروجی مدل نشان داده می شود.
ابزار این مدل در  spatial statistics tools  ->  analyzing tools   قرار دارد.