القائمة
空间聚类与热点分析技能。运用全局Moran's I、局部LISA和Getis-Ord Gi*方法识别空间聚类模式和热点区域。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
AI-assisted custom skill creation from natural language requirements
卫星影像数据获取与分析技能。预置Sentinel-2/Landsat/SAR/DEM数据源模板、LULC土地利用数据下载、影像预处理和多源数据集成。
遥感光谱分析技能。计算15+光谱指数(NDVI/EVI/NDWI/NDBI/NBR等)、智能指数推荐、云覆盖评估、多时相对比和植被/水体/城市/火灾监测。
测绘成果质量检查与验收智能体，遵循 GB/T 24356 标准
地理空间世界模型技能（Tech Preview）。基于 Google AlphaEarth 嵌入 + LatentDynamicsNet 残差 CNN，在潜空间中自回归预测土地利用变化趋势。支持 5 种情景模拟，构成 JEPA 架构的地理空间世界模型。
数据入库前质量审查技能（Reviewer 模式）。基于可替换检查清单执行结构化审查，确保数据满足入库标准。
| name | spatial-clustering |
| description | 空间聚类与热点分析技能。运用全局Moran's I、局部LISA和Getis-Ord Gi*方法识别空间聚类模式和热点区域。 |
| metadata | {"domain":"gis","version":"2.0","intent_triggers":"cluster, hotspot, 聚类, 热点, Moran, LISA, 空间自相关, Getis-Ord"} |
空间聚类分析用于回答"空间现象是否存在聚集模式"这一核心问题。本技能 提供从全局检验到局部定位的完整分析链：先用全局 Moran's I 判断整体是否 存在空间自相关，再用局部 LISA 和 Getis-Ord Gi* 精确定位聚类区域。
Moran's I 衡量空间数据的整体聚集程度：
| I 值范围 | 含义 | 解读 |
|---|---|---|
| I > 0 | 正空间自相关 | 相似值趋于聚集（高值靠近高值） |
| I ≈ 0 | 空间随机分布 | 无明显空间模式 |
| I < 0 | 负空间自相关 | 相异值趋于相邻（高低值交替分布） |
I 的理论范围为 [-1, 1]，但实际值取决于空间权重矩阵结构。
推荐使用置换检验（permutation test, 999 次）而非正态近似， 因为空间数据通常不满足正态分布假设。
如果 p < 0.05 且 I > 0 → 存在显著空间聚类，继续局部分析
如果 p < 0.05 且 I < 0 → 存在显著空间离散，检查数据特征
如果 p ≥ 0.05 → 无显著空间模式，聚类分析意义有限
局部 Moran's I（LISA）将每个空间单元分为四类：
| 象限 | 类型 | 含义 | 地图颜色 |
|---|---|---|---|
| HH | 热点聚类 | 高值被高值包围 | 红色 |
| LL | 冷点聚类 | 低值被低值包围 | 蓝色 |
| HL | 高值离群 | 高值被低值包围（空间异常点） | 浅红 |
| LH | 低值离群 | 低值被高值包围（空间异常点） | 浅蓝 |
只有通过显著性检验（p < 0.05）的单元才标记为聚类或离群。
Gi* 专注于识别高值聚类（热点）和低值聚类（冷点），不区分离群类型。 适合回答"哪里是热点/冷点"的问题。
| Z 值范围 | 含义 | 置信水平 |
|---|---|---|
| Z > 2.58 | 热点 | 99% |
| 1.96 < Z ≤ 2.58 | 热点 | 95% |
| 1.65 < Z ≤ 1.96 | 热点 | 90% |
| -1.65 ≤ Z ≤ 1.65 | 不显著 | — |
| -2.58 ≤ Z < -1.65 | 冷点 | 90%-99% |
| Z < -2.58 | 冷点 | 99% |
通常采用 95% 置信水平（|Z| > 1.96）作为判断阈值。
空间权重矩阵定义了"邻近"的含义，直接影响分析结果：
| 数据类型 | 推荐权重 | 理由 |
|---|---|---|
| 行政区面数据 | Queen 邻接 | 自然邻接关系，稳定可靠 |
| 规则格网 | Rook 邻接 | 避免对角线过度连接 |
| 离散点数据 | KNN (K=5-8) | 保证每个点都有邻居 |
| 密度不均的点 | 距离阈值 | 适应密度变化 |
1. describe_geodataframe → 确认分析变量和几何类型
2. spatial_autocorrelation → 全局 Moran's I 检验
3. 判断显著性 → p < 0.05 则继续，否则报告无显著模式
4. local_moran → LISA 局部聚类分析
5. hotspot_analysis → Getis-Ord Gi* 热点识别
6. 综合解读 → 叠加 LISA 和 Gi* 结果，交叉验证
7. 可视化 → 生成聚类图和热点图
分析结果会随空间单元的划分方式而变化。同一数据在街道级和区县级 可能呈现完全不同的聚类模式。应明确分析尺度并在报告中说明。
研究区边界附近的单元邻居不完整，可能导致统计偏差。边缘区域的 聚类结果应谨慎解读，必要时扩大研究区范围。
空间自相关检验需要足够的样本量。一般要求空间单元数 > 30， 低于此数量时统计检验的功效不足，结果不可靠。
不同的权重矩阵可能产生不同结果。建议用 Queen 和 KNN 分别计算， 如果结论一致则结果稳健；如果不一致需进一步分析原因。
describe_geodataframe — 数据画像，确认分析变量spatial_autocorrelation — 全局 Moran's I 空间自相关检验local_moran — 局部 LISA 聚类分析hotspot_analysis — Getis-Ord Gi* 热点分析