【全局自相关和局部自相关的区别】在统计学与空间分析中，自相关是一个重要的概念，用于衡量某一变量在不同位置或时间点之间的相似性。根据研究范围的不同，自相关可以分为“全局自相关”和“局部自相关”两种类型。两者在分析目的、计算方式以及应用场景上存在显著差异。
一、
1. 全局自相关（Global Autocorrelation）：
全局自相关主要用来衡量整个研究区域内变量的空间分布模式是否具有整体的相似性。它关注的是整个数据集的总体趋势，适用于判断是否存在空间聚集或分散现象。常用的指标包括莫兰指数（Moran’s I）和盖尔指数（Geary’s C）。
2. 局部自相关（Local Autocorrelation）：
局部自相关则聚焦于特定区域或位置，用于识别哪些具体地点表现出高或低值的聚集现象。它能够揭示空间异质性，帮助发现异常点或热点区域。常见的方法有局部莫兰指数（LISA）和G统计量。
3. 主要区别：
- 分析范围： 全局自相关关注整体，局部自相关关注局部。
- 信息粒度： 全局自相关提供宏观趋势，局部自相关提供微观细节。
- 应用方向： 全局用于整体模式判断，局部用于热点识别与异常检测。
二、对比表格
| 对比维度 | 全局自相关 | 局部自相关 |
| 定义 | 衡量整个研究区域内变量的空间相似性 | 衡量特定位置附近变量的空间相似性 |
| 分析范围 | 整体区域 | 单个或小区域 |
| 目的 | 判断整体空间模式（聚集/分散） | 识别局部热点或异常点 |
| 常用指标 | 莫兰指数（Moran’s I）、盖尔指数 | 局部莫兰指数（LISA）、G统计量 |
| 数据粒度 | 宏观层面 | 微观层面 |
| 应用场景 | 空间分布趋势分析 | 异常点检测、热点识别 |
| 计算复杂度 | 较低 | 较高（需逐点计算） |
通过以上对比可以看出，全局自相关和局部自相关各有侧重，二者相辅相成。在实际应用中，通常需要结合使用，以全面理解数据的空间特征。