缀块平均面积(average patch area)：整个景观的缀块平均面积 = 缀块总面积/块总数;单一景观类型的缀块平均面积 = 类型的缀块总面积/类型的缀块总数量，用于描述景观粒度在一定意义上揭示景观破碎化程度;景观相似性指数(landscape similarity index)：类型面积/景观总面积，度量单一类型与景观整体的相似性程度;最大缀块指数(largest patch index)：景观的最大缀块指数 = 最大缀块面积/景观总面积;类型的最大缀块面积 = 类型的最大缀块面积/类型总面积，显示最大缀块对整个类型或者景观的影响程度。
(2) 缀块数
缀块数(number of patches) 整个景观的缀块数量，单一类型的缀块数量;缀块密度(patch density) 整个景观的缀块密度(镶嵌度) = 景观缀块总数/景观总面积;类型的缀块密度(孔隙度) = 类型缀块数/类型面积;单位周长的缀块数(number of patches of unit perimeter) 整个景观 = 景观缀块总数/景观总周长;类型 = 类型缀块数/类型周长，揭示景观破碎化程度。
(3)缀块周长
缀块周长(patch perimeter) 是景观缀块的重要参数之一，反映了各种扩散过程(能流、物流和物种流)的可能性;边界密度(perimeter density) 整个景观边界密度 = 景观总周长/景观总面积;类型 = 类型周长/类型面积。揭示了景观或类型被边界的分割程度，是景观破碎化程度的直接反映。
景观要素指数还有一些，比如核心面积(core area)、核心面积数量(number of core areas)、核心面积指数(core area index)等等。 1.2.2景观异质性指数 [9]
景观多样性指数与经典生态学中的群落多样性指数的主要差异是群落多样性指数使用物种及个体密度进行计算，景观多样性指数则采用生态系统(或缀块)类型及其在景观中所占面积比例。常用的景观多样性指数是丰富度(richness)、均匀度(evenness)、优势度(dominance)。丰富度R是指在景观中不同组分(生态系统)的总数。R=(T/Tmax) x 100%，式中R是相对丰富度指数(百分数);T是丰富度(即景观中不同生态系统类型总数);Tmax是景观最大可能丰富度(Romme,1982)。均匀度E描述景观中不同生态系统的分布的均匀程度。相对均匀度计算公式为E=(H/Hmax) x l00%，式中E是相对均匀度指数(百分数);H是修正了的simpson指数;Hmax是在给定丰富度T条件下景观最大可能均匀度。优势度RD与均匀度呈负相关，它描述景观由少数几个生态系统控制的程度。相对优势度计算公式如下(Li,l989)RD=l00
2
- (D/Dmax) x l00%，式中RD是相对优势度指数(百分数);D是shannon的多样性指数;Dmax是D的最大可能取值。
1.2.3景观指数的实例应用
景观指数在景观生态学中的推广始于20世纪80年代中后期，自此至今，景观指数方法在景观结构的描述\\比较和动态研究中已被广泛应用。下例系统地说明
了景观指数应用中的一些重要特点。
图1 两个具有不同空间格局的景观
缀块数 缀块密度 多样性指数 聚集度 景观1 17 1700/km2 0.688 0.543％ 景观2 199 7773/km2 1.323 27.049％ 表1 两个不同空间格局的景观指数
图l表示两个简单景观，通过计算一些景观指数，我们可以比较两个景观的结构特征景观l的缀块数远远小于景观2，景观2的缀块密度显然要远远大于景观l，这反映了景观2的破碎化程度较景观l要高;景观2的多样性指数较景观l高大约2倍，这与景观2中缀块类型多有关;同时，还可看出尽管景观2的聚集度比景观l高出50倍，但景观l具有较高的连接度(或较低的破碎化程度)，见表l，这是因为聚集度指数不但受缀块类型数目的强烈影响，而且两种不同类型缀块的频繁相邻也会大大增加聚集度的值。因此，在比较不同景观的缀块连接度或破碎化程度时，聚集度指数可能导致错误结论，但缀块密度则不会有这一问题。一般而言，在比较不同景观或同一景观在不同时间的格局时，一定要注意所选用景观指数的影响因子以及景观数据的特征。
3
1.3 景观分析的统计学方法[10]
在景观生态学研究中，了解空间异质性在景观中是如何连续变化的，即是否具有某种趋势或统计学规律，是理解景观格局本身及其与生态学过程相互作用的重要环节。这时，景观指数方法不再适宜，而需运用空间统计学方法来解决这些问题。景观分析的统计学方法有许多种，例如空间自相关分析(spatialautocorrelationanalysis)、半方差分析(semivarianceanalysis)等等。
景观格局的最大特征之一就是空间自相关性(spatiaIautocolleIation)。所谓空间自相关性就是指在空间上越靠近的事物或现象就越相似。景观特征或变量在邻近范围内的变化往往表现出对空间位置的依赖关系。空间自相关性的存在使得传统的统计学方法不宜用来研究景观的空间特征，这是因为传统统计学方法(如方差分析回归分析等)的最根本的假设包括取样的独立性和随机性，然而，景观异质性往往以梯度和缀块镶嵌体的形式出现，表现出不同程度的空间自相关性。空间自相关分析是用来检验空间变量的取值是否与相邻空间上该变量取值大小有关，一般涉及到三个步骤：第一步是对所检验的空间单元进行配对和采样，第二步是计算空间自相关系统，第三步是进行显著性检验。
景观格局所特有的自相关分析是研究生态学变量在空间上如何关联又如何变化的重要方法，又是理解和预测生态学过程和功能的基础。
2不同类型景观格局分析方法及案例
2.1基于 GIS 的山林地区的景观格局分析方法——以宁远县为例
本研究在GIS环境下，运用景观生态学原理，分析了宁远县三个时期的景观特征指数和景观类型转移矩阵，并结合该地区的自然环境与社会经济发展，对影响其景观格局的驱动力因子进行分析。 2.1.1研究区域概况
宁远县位于湖南省南部，介于东经110°42′～112°27′，北纬25°11′～26°08′之间，属亚热带季风性湿润气候，气候温暖，雨量丰沛，但年内分配不均，降水多集中在春夏之间，暑热期长，夏热冬冷，形成了区域内高温多雨的气候特征，土壤以红壤、山地黄壤为主。地貌类型复杂，区域内四面环山，呈舟状地貌，有“南岭山地森林及生物多样性生态功能区”，九嶷山、阳明山2个国家森林公园。水系发育，泠、疑、舂、仁四水流贯全境，自南、北向西在道县注入潇水。
4
2.1.2研究数据与处理
该研究选择了三个时相的遥感影像作为主要数据源，它们分别是2000年、20005年和2010年三期宁远县LandsatTM影像，同时收集了《湖南省统计年鉴》和《宁远县国民经济和社会发展统计公报》等资料。
该研究的数据处理是在地理信息系统软件ArcGIS10.2的支持下完成的。主要的技术流程包括地形图的地理坐标自配准和栅格数据对矢量数据的转换，并制成矢量地图。进而在GIS环境下对三期数据进行空间叠置分析，获得景观类型变化的空间与属性数据，在此基础上进行景观空间格局的动态分析。 2.1.3土地利用分类系统
参考国内外大量分类系统，结合研究区的实际情况，将研究区景观类型分为林地、草地、耕地、湿地、建设用地、其它用地6种景观类型。然后根据2013版的生态环境感监测土地覆盖分类系统，在Arcgis10.2中对景观分类进行重编码，合并相同的景观类型，解译得到研究区域3个时期的景观格局分布图（见图2）。
图2 宁远县三个时期的景观格局分布图
2.1.4研究方法——景观空间格局指数分析法
（1）斑块平均面积：景观中某一斑块面积的算术平均值：
，式中：Ni表示第i类景观的斑块总数；Aij表示第i类景观第j个斑块的面积。
（2）斑块密度：斑块密度反映的是土地利用中景观斑块空间分布的均匀程度，计算公式为：PDi=Ni/A式中：PD表示景观斑块密度，Ni表示景观i的斑块数，A表示景观总面积。
5