景观格局指数详解：核心指标、实操流程与生态学含义

我前后做过不少景观格局分析的项目手头这本笔记也攒了很多年。经常有同行问我Fragstats跑出来一大堆指数到底该看哪些算完之后怎么翻译成生态学语言这篇文章就是把“景观格局指数怎么算”和“算出来代表什么”这两件事一次讲透。我不会只贴公式还会把数据预处理、参数设置、易错点这些实操细节都放进来保证你从拿到土地利用数据到输出结果每一步都有数。1. 先想清楚再动手景观格局指数到底在度量什么1.1 为什么景观格局分析会出现在这么多领域先说一个现象景观格局指数这玩意儿做土地利用规划的用做生物多样性保护的用做水文模型的用连做城市热岛研究的也会用。原因很简单景观格局是连接“空间结构”和“生态过程”的桥梁。你不一定需要模拟每一只鸟怎么飞、每一滴水怎么流但通过格局指数可以快速判断一块区域是破碎化严重还是连通性良好是人工干扰明显还是自然过程占主导。举个例子同样是两块面积相同的林地一块是完整连续的大斑块一块被道路切割成几十个小碎片。从面积上看两者可能差不多但生态功能天差地别。景观格局指数干的事情就是把这种空间差异量化成数字让比较变得可操作。这也是为什么很多生态评估项目里格局指数会成为必选指标。它不需要复杂的机理模型只需要一张土地利用分类图就能在较短时间内反映出区域生态质量的相对变化。对于需要经常做区域对比、多期监测的同行来说性价比很高。1.2 三大层级斑块级、类型级、景观级刚接触格局指数的人很容易被一堆缩写搞晕。PD、PLAND、LSI、CONTAG、SHDI……看起来很多但归纳起来就三种尺度。斑块级Patch-level度量的是单个斑块的属性。比如某一块林地的面积、周长、形状指数。它只在特殊研究中用到比如追踪某一种珍稀植物的栖息地斑块变化日常格局分析很少单独看单个斑块。类型级Class-level是使用频率最高的层级。它把研究区内所有同类型斑块放在一起统计比如所有林地斑块的平均面积、总面积占比、密度。这一层级的生态意义最直观林地占比降了多少、森林斑块是不是变小变碎了一看数字就明白。景观级Landscape-level站在整个景观的高度不管斑块类型统计的是整体结构特征。比如整体的多样性、蔓延度、均匀度。它的优势是可以用来比较不同研究区或者不同时期之间的整体格局差异但代价是牺牲了分类信息。这三个层级的关系有点像财务分析里的“单个账户”“账户类别”和“整体资产负债表”。选哪个层级取决于你想回答什么问题。这没有标准答案但对应关系搞清楚之后就不会再乱选指标了。1.3 软件与工具选型Fragstats、ArcGIS、R怎么选工具选择也是常见问题。我的答案是按用途来不要盲目从众。如果想做矩阵式分析、要生成大表格、要设置详细阈值参数Fragstats还是首选。它是景观格局分析的经典工具指标全、逻辑严谨很多顶刊论文里“landscape metrics were calculated using Fragstats”这句话就足够说明问题。Fragstats 4.2版本界面虽然老但功能很稳定一次能算几十上百个指标。ArcGIS主要用于数据准备和空间可视化。做重分类、裁剪、投影转换这些预处理以及最后把结果做成图都离不开它。但我不建议直接用ArcGIS里的工具算格局指数它的景观点指数工具只能算少数几个基本指标而且默认参数不透明容易误会。R语言则适合批量处理和可重复分析。landscapemetrics包基本覆盖了Fragstats的常用指标代码跑完之后数据框直接进tidyverse做变化分析、画图都非常方便。如果你要分析几十个县域、十几期数据用R批量处理比在Fragstats里一个个点鼠标省太多时间。我的原则是单次小范围分析用Fragstats批量重复性分析用R两者算出的指标在小尺度上差异极小。你只需要选一个顺手的主要工具把一套流程跑熟比来比去其实没太大必要。2. 核心指标拆解算法逻辑与生态学意义2.1 面积和密度类最基础却也最能说明破碎化面积密度类指标是整个格局分析的基石。先看几个核心指标。PLAND斑块占景观面积比例是最简单直白的一个计算公式是某类斑块总面积除以景观总面积再乘100。它直接反映一种景观类型在整个区域里的支配程度。比如从2000年到2020年某区域建设用地PLAND从12%涨到28%这就说明城市扩张侵占了大片农业和生态用地。生态学意义非常明确PLAND的变化趋势决定了这个区域的自然本底是否还在。PD斑块密度是斑块数量除以景观总面积再乘以10000换算成每100公顷的斑块数。同样的林地面积被分割成10块和100块密度完全不同。PD升高通常意味着破碎化加剧但它要和平均斑块面积AREA_MN配合看。PD上升的同时如果AREA_MN下降那就是典型的“数量多、个头小”的破碎化模式这种区域往往边缘比例大、核心生境少。我做过一个城区绿地分析绿地的PLAND基本没变但PD从每百公顷2.1涨到了5.6AREA_MN从4.3公顷降到1.2公顷说明虽然绿化覆盖率没跌但绿地已经“碎成渣”了实际生态功能大打折扣。CA斑块类型面积就是某类斑块的总面积单位一般是公顷。它的生态学意义和PLAND类似但通常作为中间参数使用。AREA_MN平均斑块面积对破碎化诊断很重要数值越低说明斑块越碎。NP斑块数量也很常用但它容易受研究区范围影响跨区域比较时不如PD方便。这一组指标的生态学意义总结起来就是一句话它们回答的是“还有多少”“是否变碎”这两个基础问题。几乎所有格局分析都要先算这一组因为它们受参数设置干扰最小数值也最稳定。2.2 形状与边缘类边缘效应的量化基础形状类指标回答的是“斑块是什么形状”。这看起来像是几何问题但在生态学里形状直接影响边缘效应。LSI景观形状指数计算的是实际总边缘长度与最紧凑形状同面积正方形边缘长度的比值。LSI越高斑块形状越不规则。生态学上不规则的斑块意味着更长的边缘意味着有更多“内部生境”被暴露在边缘环境中。对于林地、湿地这类对边缘敏感的生境来说LSI上升往往意味着栖息地质量下降。ED边缘密度也类似它把景观的总边缘长度除以总面积换算成每公顷的边缘长度。ED高说明景观被切割得细致边界多。有一个很典型的数据同一片山区林地采伐前的ED是每公顷18米采伐后修路分割ED涨到了每公顷45米。这背后反映的是大量森林内部环境消失被阳光、风、人为干扰更大的边缘环境取代林内物种生存空间被大幅压缩。FRAC分形维数是这组指标里稍复杂一点的。它通过周长和面积的对数回归关系计算出分形维数数值介于1到2之间。越接近1斑块形状越简单越接近2形状越复杂且自相似程度高。现实里自然形成的植被斑块通常分形维数较高因为自然过程形成的边界蜿蜒复杂而农田、建设用地这类人工边界往往形状规整分形维数较低。所以FRAC可以用作人工干扰程度的间接指示。这一组的共同特点是它们都离不开准确的边缘长度。这意味着栅格分辨率对结果影响很大后面讲实操时会重点说这一点。2.3 聚集与连通类生态流能不能走通如果说面积类和形状类描述的是景观的“静态结构”那么聚集与连通类指标就涉及“动态过程”了。AI聚集度指数衡量的是同一类型斑块在空间上是否聚在一起。AI高说明同类斑块扎堆聚集低说明分散孤立。它的生态学意义主要体现在管理决策上同样面积的林地集中分布比零散分布更容易维护也更容易为核心物种提供大范围连续栖息地。COHESION斑块结合度指数是一个被广泛引用的连通性指标。它的计算基于斑块的周长和面积衡量的是同类斑块之间的物理连接程度。数值越接近100连接性越好。我在好几个生态网络研究里用过它它有一个好处在Fragstats里计算时不需要额外设置阈值因为它基于斑块自身几何特征不依赖图论连通分析所以结果比较稳健。但这也意味着它只反映“物理连接”不反映“功能连接”——斑块之间虽然在空间上看起来连着物种能不能真正迁移过去那还需要结合物种扩散能力来评估。如果想做更接近功能连接的评估需要用到CONNECT连接度指数但它需要设置一个连通阈值距离这个参数不是随随便便填的。你设定的距离必须基于目标物种的扩散能力比如小型林鸟的扩散距离可能是几百米而一些传粉昆虫只有一百米左右。把阈值设得太短或太长结果都会失真。CONTAG蔓延度指数是另一个常用聚集指标。它度量的是景观中不同类型斑块的聚集与延展程度。CONTAG高说明景观由少数优势斑块类型大面积连续分布比如典型的农业区、大面积连片的人工林CONTAG低说明景观被分割成大量碎片类型交替出现空间异质性强。它的生态学意义在于指示景观的“整体连贯性”但它有一个特点受分类数量和均匀度影响较大所以在比较不同分类体系下的景观时慎用。IJI散布与并列指数则从另一个角度描述类型之间的关系。它反映的是某一类型与其他类型相邻接的丰富程度。它跟多样性指数配合使用效果更好这一点在下文还会提到。这组指标回答的核心问题是“景观中的生态要素在空间上是连成片还是散作沙”对于动植物迁徙扩散、水文连通、物质能量流动它都是关键的量化参考。2.4 多样性与均匀度类整体异质性的“一句话指标”多样性指数属于景观级指标它们不区分具体斑块类型而是对整片景观的异质性做综合度量。SHDI香农多样性指数在我看来是使用价值最高的一个综合指标。它的计算公式是各类型面积占比乘以面积占比的自然对数再取负求和。SHDI越高意味着景观类型越丰富、各类型面积越均衡。但高SHDI并不一定代表好事这是一个经常被误解的地方。在一些生态监测报告里我看到有人把SHDI上升解读成生态质量变好这是有风险的理解。举一个实例某区域原本是连续森林SHDI较低后来开发成旅游区林地、草地、建设用地、耕地交织SHDI上升了但生态价值反而可能下降。判断SHDI升降是好事还是坏事不能只看数字要看景观变化的生态过程背景。在自然保护地SHDI短期内剧烈上升通常意味着干扰加剧而不是“多样性变好”。SHEI香农均匀度指数是SHDI除以理论上最大多样性值ln(m)其中m是类型数量。它的优势是可以消除类型数量差异让不同研究区之间可以直接比较。SHEI越接近1说明各类面积比例越均匀越接近0说明景观由少数类型主导。日常分析里我会把SHDI和IJI放一起看。如果SHDI上升且IJI也上升说明不只是类型变多各类型之间的相邻关系也更复杂景观镶嵌格局加剧。如果SHDI上升但IJI下降说明各个类型虽然在面积上趋向均衡但空间上各自成片、缺少交错这种格局对边缘物种和扩散型物种的意义完全不同。这一组指标是整个格局指数系统里的“总结性指标”适合用在报告里做概括性判断。要想追到具体是哪个类型导致的变化还是需要回到上一层级去定位。3. 实操全流程从原始数据到指数出图3.1 数据准备与预处理最关键的一步很多算错的格局指数问题不是出在软件操作而是出在数据预处理。这个环节的优先级高于一切。第一步是统一坐标系。这看着是个基本功但我真遇到过不少次有人研究区的影像和矢量数据来自不同来源投影坐标系不一致结果算出来面积和距离全是“薛定谔的数值”边缘密度和形状指数更是完全失去意义。任何空间分析之前先把所有数据统一到一个合适的投影坐标系一般建议用研究区所在的UTM投影带或者国家规定的统一投影参数。第二步是完成土地利用分类。格局分析的基础是分类栅格类型编码要统一。做景观格局分析不需要过于细碎的分类体系。我常用的做法是把土地利用类型合并为6到8个一级类型比如耕地、林地、草地、水域、建设用地、未利用地。类型太少多样性指数会失去区分力类型太多分类误差会被放大且某些小类别在栅格化后可能变成孤立噪点影响形状类指标。具体合并到什么层级取决于研究目标但有一条原则类别的生态含义和光谱可分性一定要先确认。第三步是重采样统一分辨率。这里有一个务实经验如果你要对比两个时期的格局变化那么两期栅格的分辨率也必须一致。我踩过一个经典坑2005年数据是30米Landsat解译的2015年数据是10米高分影像解译的直接拿来对比结果ED、PD、LSI全面“上涨”实际上很多变化只是分辨率带来的假象。30米和10米的栅格看似都能用算完结果完全不可比。解决方式是重采样到较粗的分辨率比如都统一到30米。重采样时要选正确的算法分类数据用最邻近法千万别用双线性和三次卷积这两者会产生非整数像元值直接让分类码变成乱码。第四步是处理NoData和背景区域。分类栅格中研究区以外的NoData区域要非常明确要么裁剪掉要么设置为背景值绝不能让它和某个真实类别混在一起。NoData被当作正常类别计入面积会导致PLAND、PD、SHDI全部出错。一般建议先把研究区矢量边界外的像元统一设为背景值比如0然后在Fragstats中把0设为背景这样软件就只计算研究区范围内的景观。这四步做完数据才真正具备了计算条件。整个过程通常能占到整个分析工作量的三分之一到二分之一。越到后面你越会觉得这一步的功夫没有白费。3.2 Fragstats参数配置像元、背景、边缘与搜索半径打开Fragstats 4.2导入分类栅格之后会看到几个参数设置面板。很多新手直接点Run结果算出来的东西在自己预期之外问题往往就出在这些默认参数上。第一个必须检查的是背景值设置。在“Input Data”面板里有一个“Background Value”选项软件默认值可能是0或者999。你必须在数据预处理时就把研究区外的像元设置为对应值并在软件中明确指定该值为背景软件才不会把研究区外的区域当成一种景观类型。第二个参数是边缘深度Edge Depth。默认值是0含义是“所有与背景或景观边界相邻的像素都被视为边缘”。换句话说景观最外圈的每个像元都会计入边缘长度。如果你关心的是“内部生境”破碎化那么边缘深度建议设置为栅格分辨率的1到2倍。比如30米分辨率栅格边缘深度设为30到60米这样被计入边缘的只有离边界一定距离内的像元。这个参数直接影响ED和斑块内部面积的计算结果。同理设置了Edge Depth之后“Core Area”系列指标才有意义。第三个是对邻域规则的选择4邻域还是8邻域。4邻域规则下只有上下左右四个方向算相邻8邻域规则下斜角方向也算相邻。它影响所有依赖像素邻接关系计算的指标包括COHESION、CONTAG、IJI、AI。Fragstats默认用8邻域。除非你的研究有特殊需要否则保持默认即可。但要注意在R语言里的某些包默认用4邻域如果你要复现Fragstats结果记得做一致性设置。第四个是连通距离阈值。计算CONNECT这类图论指标时需要在参数设置里指定相邻距离阈值单位是米。不要不填不填往往不会有正确结果。这个阈值必须基于生态过程来设定。举个例子在研究某地区两栖动物栖息地网络时我把阈值设定为100米依据是目标蛙类的最大迁移距离约为100到300米。这个参数设定的道理很简单——阈值本质上是“你判断两个斑块是否发生连接的空间尺度”。这几个参数花不了几分钟但对结果的准确性影响极大。每次分析前把参数截图保存下来和结果放在一起这是专业分析的好习惯留作追溯依据将来审稿或汇报时也不会说清参数到底是什么。3.3 R语言计算示例让批量分析变得可复现如果你是做多期、多区域的对比分析R语言是最高效的选择。这里给一段我经常用的示例代码基于landscapemetrics包它内置了几百个常用指数指标定义与Fragstats高度一致。library(raster) library(landscapemetrics) land_2010 - raster(lulc_2010.tif) land_2020 - raster(lulc_2020.tif) cls_2020 - calculate_lsm(land_2020, level class, metrics c(pland, pd, ed, lsi, ai, cohesion) )这段代码会把2020年每个类型的7个核心指标全部算出来。如果想算景观级指标把level改成landscape即可lsm_2020 - calculate_lsm(land_2020, level landscape, metrics c(shdi, shei, contag, iji, pr) )计算完成后查看指标时注意指标名称列里通常会带后缀比如pl_0、pl_1其中数字表示分类值。你可以用filter(class 1)来提取特定类型的结果。有时你需要从每个斑块层面统计可以这样patch_2020 - calculate_lsm(land_2020, level patch, metrics c(area, shape, core_area) )这里算出的数据量会很大因为一个斑块一行。输出之后用dplyr::group_by(class)分组汇总就能得到类型级的平均斑块面积、平均形状指数等。同步计算多期数据时把栅格路径放进列表利用lapply批量跑比在Fragstats里一期一期手动操作靠谱得多。还有一个好处是计算过程全记录在脚本里别人拿过来就能复现不用靠记忆描述参数设置。3.4 结果解读把数字翻译回生态学语言算出指数列表之后真正的分析才刚开始。一张几百行的指标表不能直接往报告里放你需要先把它转化成生态学判断。这里我总结一个常用的对应表可以作为解读时的参考框架。指标趋势生态学含义典型驱动因素PLAND长期下降该生境类型面积萎缩耕地扩张、城市建设侵占PD上升、AREA_MN下降破碎化加剧道路切割、零星开发ED上升、LSI上升边缘效应增强、内部生境减少小型地块增多、边界复杂度上升COHESION下降连通性受损关键踏脚石斑块消失、廊道中断CONTAG持续下降景观整体趋于零碎化多类型混合景观加剧SHDI、SHEI大幅升高景观异质性剧增需结合背景判断人工干扰加剧、自然景观被多样化分割FRAC明显向1收敛斑块形状趋于简单规则人工开发强度增加在报告中我一般不会单独罗列所有指标而是选取3到5个支撑核心结论的指数配合两期或多期对比图来呈现。比如写“2010年到2020年该区域耕地PLAND降低11%建设用地PLAND上升9%同时PD与LSI显著上升反映城市扩张导致景观破碎化程度加剧”这样一句话既有数据支撑又有逻辑链条比丢一堆数字强得多。有一点必须强调指标只是工具不是结论本身。任何指标都只是对格局的某种角度度量最终判断还是要回到你的研究问题和生态学知识上。比如SHDI上升如果你研究的是历史城镇扩张它只能说明类型混合度增加但到底物种多样性是升是降还需要地面调查数据补上。4. 常见问题与避坑指南4.1 背景值设置错误最容易被忽略的“隐形错误”背景值问题是我见过的新手最大误区。很多人把研究区外的NoData或者水体直接放进图层还有一些分类流程会把边界外的区域自动赋值为0而这个0正好又是某个类型的编码Fragstats就会把边界外巨大面积当成研究中一种景观类型。解决方式是在处理数据时就强制设定背景值必须是一个不影响真实分类编码的数值比如-999或255。并在Fragstats面板中同步设置背景值为相同数值。有一个验证技巧跑完PLAND之后把所有类型的PLAND加起来如果等于100说明没有背景混入如果小于100说明有一部分面积被归入了背景或者NoData。这个“100检验法”简单有效强烈建议每次算完都自查一遍。4.2 栅格分辨率与景观边界影响结果的两个深层因素分辨率导致的尺度效应是不可忽视的。30米分辨率下一条10米宽的林带可能完全消失10米分辨率下同样的林带就是一条细长的廊道。PD、LSI、FRAC这些尺寸相关指标对分辨率变化非常敏感我实测过同一研究区用30米和15米数据计算FRAC_AM数值能够相差0.1以上这足以改变一个斑块“复杂”还是“简单”的结论。因此处理尺度敏感型指标时要么保证对比期数据分辨率完全一致要么专门做多尺度分析把分辨率作为一项敏感性检验纳入研究。还有一种可行思路从结论中剔除非关键指标只保留那些受尺度影响较小的面积型指标做硬性判断。景观边界分析范围的选择同样重要。研究区边界划多大会直接影响面积比例和密度指标因为边界会截断有实际空间连续性的斑块产生“伪斑块”。这种情况在分析河流廊道或山脊线周边生态带时尤为严重。一种常用解决方案是设置缓冲区在缓冲区内计算格局指数同时把研究区内与缓冲区外部实际相连的斑块保留完整。如果因研究目的无法设置缓冲区至少应该在结果里说明边界截断效应对哪些指标可能造成影响。4.3 指数结果全是0或异常值怎么办跑出来的指数全是0或者数值明显超出经验范围不用着急按顺序排查就能定位。第一顺位检查数据格式。Fragstats对栅格要求是整数型如果输入的是浮点型栅格很多计算会直接失败或给出异常结果。在ArcGIS里用“Int”工具转成整型在R里用as.int处理即可。第二顺位检查背景值。前面说过背景值如果没有正确设置所有面积类指标都会乱。这时用“100检验法”可以快速判断。第三顺位检查分类编码是否连续。有些栅格经过重分类后分类值变成1、2、3、5、8中间留有空号或者包含0。如果分类图中存在没有出现的编号并且你又没有在指标类型列表中把它排除软件可能会把空着的类型当作一种实际存在的类型但面积为零导致某些指数异常。解决方式是重分类为连续整数编码或者在参数设置里指定只分析哪些分类值。还有一种情况栅格数据里混有大量孤立的单像元噪点。分类算法尤其是无监督分类容易在小区域内产生杂斑。这些杂斑大的几十平方米小的只有一个像元。它们会极大抬高PD值会影响形状指数和聚集度。建议在分类后先做一遍众数滤波Majority Filter或栅格平滑再进入格局分析。4.4 选指标的原则别用20个指标描述同一件事格局指标之间实际上高度相关。LSI、ED、SHAPE、FRAC本质上都在描述边界复杂程度只是角度略有不同。_CONTAG、IJI、AI之间也存在较强的相关性。如果一上来就选30个指标结果表是有排面了但分析上容易出现共线性干扰不能说明更多生态问题。我的建议是四个维度各选一到两个核心指标面积密度维度PLAND、PD形状边缘维度LSI或ED聚集连通维度AI、COHESION多样性维度SHDI、SHEI这样组成6到8个核心指标集一套分析下来既不冗余又能覆盖格局的各个主要方面。如果做生态网络专项研究再增加CONNECT并明确给出连通阈值和依据。指标不是越多越好而是越匹配问题越好。写到这里顺带说一个我的习惯拿到结果后先不看具体数字先画图。把两期或多期的PLAND、PD、LSI做成柱状图或雷达图看整体格局变化趋势是否与研究预期一致。如果趋势完全对不上多半是前面某个处理环节出了问题。反过来说如果趋势基本符合再做细部指标解读不容易被异常值带偏。这套“先看图、再读数”的思路帮我避免了很多次不必要的返工你也可以试试。