测量一系列距离的空间自相关，并选择性创建这些距离及其相应z得分的折线图。z得分反映空间聚类的程度，具有统计显著性的峰值z得分表示促进空间过程聚类最明显的距离。这些峰值距离通常为具有“距离范围”或“距离半径”参数的工具所使用的合适值。
这个工具就是为某些需要选择距离参数的工具选择合适的距离阈值或半径，典型的比如核密度分析、热点分析。挺实用的。像是做核密度分析，带宽选大了吧，核密度表面太平滑，导致研究的热点区域被掩盖，特征表现不明显；带宽过小了，核密度表面凹凸不平，虽可显现出细小局部特征，但无法保证大尺度数据的连续性和关联性。
它会返回一个表和一个pdf文档，包括上面的折线图，以及其中包含“距离”“Morans I”、“Expected I”、方差、z得分和p值字段的表。上图中高亮的红点所在距离便是最合适的距离。
它与另一个工具多距离空间聚类分析 (Ripley's K 函数)类似。一个不同点是，如果仅考虑数据本身的空间位置分布的话，那用多距离空间聚类就可以。如果需要考虑数据的某种属性的话，用增量空间自相关更为合适，比如，某个区域的酒店，考虑的是每个酒店的营业收入。所以在工具界面会让选择输入字段。
详细的呢可以看帮助https://desktop.arcgis.com/zh-cn/arcmap/10.3/tools/spatial-statistics-toolbox/how-incremental-spatial-autocorrelation-works.htm
下面用成都市小区点poi数据（2SFCA里的那个数据，反复利用）并输入人口字段做一下
距离段数量默认是10，也就是迭代10次距离段数量
起点距离开始空间自相关分析的距离和开始增量的距离。
距离增量每次迭代后要增加的距离。分析中使用的距离于开始距离处开始，以距离增量中指定的数量增加。
这仨先用默认值做，做出来z值是在增大，但到6000m也没有出现峰值。
更改了一下起点距离（6000）和距离短数量（20），图上可以看到在6500和7000左右出现了两个峰值，在6516和7032，是两个明显的峰值，也就是表示在这两个值，空间统计值是最显著的。
