1 内容

1. 从斑块、类型、景观三个水平上进行景观格局指数计算
2. 基于景观格局指数对结果进行分析

2 实验操作

1.数据介绍：E：\LCA\lca_raster101.tif 广州市中心城区土地利用数据，9类（10米分辨率）

2.计算指数

Patch metics	Class metrics	Landscape metrics
面积 AREA	总面积 CA/TA	总面积 CA/TA
周长 PERIM	景观百分比 PLAND	斑块密度 PD
周长面积比 PARA	最大斑块指数 LPI	最大斑块指数 LPI
形状指数 SHAPE	斑块数量 NP	香浓多样性指数 SHDI
	斑块密度 PD
	景观形状指数 LSI
	周长面积分维 PAFRAC
	聚集指数 AI
	形状指数分布 SHAPE_MN、AM
	周长面积比 PARA_MN(算术平均)、AM(加权平均)

3.软件界面

界面可分为4部分：工具栏、参数设定区、景观指数选择区和运行状态栏。

• 工具栏：创建或打开景观分析任务（因为景观指数很多，但常用的指数较为固定，每次设置较为复杂，配置好的参数和景观指数往往可以多次使用）、保存、运行；
• 参数设置区、景观指数选择区；
• 运行状态栏：便于查看运行状态以及可能出现的问题。

4.新建模型，加载数据。New一个任务工程，Add Layer 添加待分析图层。图层格式有一定要求，一般选择GDAL Geo TIFF也就是tif格式（如果用aecgis导出选择TIFF格式即可） 

5.使用8近邻规则，分别勾选斑块Patch、类型Class、景观landscape尺度，且为每个斑块分配一个ID。8近邻相比4近邻更为平滑，但计算也相对较慢。

2.1 斑块尺度Patch metics

1. 计算面积AREA、周长指数PERIM

2.计算周长面积比PARA、形状指数SHAPE

2.2 类型尺度Class metrics

2.3 景观尺度Landscape metrics

2.4 运行

2.5 保存并查看结果

1. adj文件是各类型统计的矩阵
2. class、land、patch文件得到三个不同尺度水平上计算的指数

3.用excel表格分别打开三个尺度水平上的结果文件

• Patch

• Class

• Land

3 实验结果分析

1. 以class类型尺度水平为例，将class.xls链接到数据属性表，并对聚集度指数AI进行可视化
2. 聚集度指数基于同类型斑块像元间的公共边界长度，其表达式如图所示。聚合度指数（Aggregation Index，AI），AI∈（0,100]。AI考察了每一种景观类型斑块间的连通性。取值越小，景观越离散。

图 1 广州市中心城区聚集度指数分布情况

图 2 各土地利用类型的聚集度指数均值

3.综合以上结果，由图1可知，白云区西北地区AI指数最高，为87.8414，说明此处景观较为破碎密集；荔湾区聚集度指数较低，数值大概在60-70之间，说明荔湾区景观较为连续。此外，由图可知，聚集度有较强的空间异质性，同一区域聚集度差异可能很大。

4.由图2可知，耕地类型的聚集度指数最高，表明人为因素会对自然景观聚集程度产生较大影响；道路聚集度指数最低，道路一般是连续的条状地带，聚集度较低，结果符合常理。