空间自相关分析是一种用于评估空间变量之间关联性的方法，旨在确定特定变量在空间维度上的相关性及其强度。这种分析通过量化空间自相关系数来衡量物理或生态学变量在空间上的分布模式及其对区域的影响。当变量的值随着测量距离的缩短而变得更加相似时，表明存在空间正相关；相反，如果变量的值随着距离的减少而变得更多样化，则表现为空间负相关；而当变量的值没有明显的空间依赖关系时，则显示为空间非相关性或空间随机性。
空间自相关分析通常包括三个主要步骤：采样、计算空间自相关系数或构建自相关函数，以及对自相关的显著性进行检验。针对不同类型的数据，有不同的空间自相关系数可供选择。在地理
统计学领域，空间自相关分析得到了广泛应用，其中最常用的是Moran's I系数和Geary's C系数。这两个系数的计算公式如下所示：
= \frac{\sum_{i,j}w_{ij}(x_i - \bar{x})(x_j - \bar{x})}{\sum_{i,j}w_{ij}\sigma^2}$
其中，$ 和 $ 是变量$ 在相邻空间单元（如网格单元）的取值，$\bar{x}$ 是变量的均值，{ij}$ 是相邻权重（通常定义为，如果空间单元8415$ 和$ 相邻，则 {ij}=1 {ij}=0$ 是空间单元的数量。Moran's I系数的取值范围在-1至1之间，小于0表示负相关，等于0表示无相关，大于0表示正相关。Geary's C系数的取值通常在0至2之间，大于1表示负相关，等于1表示无相关，小于1表示正相关。
需要注意的是，空间自相关系数会随着观测尺度（或分析尺度）的变化而发生变化。因此，在进行空间自相关分析时，建议在多个不同的尺度上计算自相关系数，以便了解所研究变量的自相关程度是如何随着空间尺度的变化而变化的。将自相关系数作为
纵轴，样本间距作为横轴绘制的图形被称为自相关图。Goodchild (1986) 将以 Geary 的 C 系数为纵轴，样本间距为横轴绘制的图形称为
方差图。自相关图可用于分析景观的空间结构特性，判断斑块的大小以及某种格局出现的尺度。Legendre (1993) 对空间自相关分析方法在生态学中的应用进行了系统的探讨，并列举了一系列常用的计算机软件。