1.实习目的

1）掌握ArcGIS分区统计景观类型分布：理解并掌握ArcGIS软件中的部分工具在实际应用的具体功能，包括学习如何使用ArcGIS软件进行地理空间数据的详细分析和可视化，重点与景观生态学的相关应用进行结合，利用分区统计、面积制表等工具，获取景观类型在一定地理区域的时空分布信息；

2）深入了解各景观指数的含义：通过利用软件自主计算各个景观指数，使学生深入学习各个景观指数的定义、计算方法与其在景观生态学中的具体应用，并进一步理解各个景观指数背后的生态学原理，以及它们对相应的景观结构和功能的反映能力；

3）学习利用文献资料解释现象问题：锻炼学生主动获取并阅读相关文献的能力，培养学生对景观生态学相关理论的理解和应用能力，重点在于提高分析和解释景观变化现象的能力，并将实际观测结果与理论知识相结合，从而加深对景观生态系统相关理论的理解。

2.实习内容

1）景观格局变化分析

2）景观指数计算及分析

3）植被覆盖度计算及分析

4）土壤侵蚀分级

3.实习过程

3.1景观格局变化分析

3.1.1具体操作

（1）利用面积制表工具统计不同年份的景观类型分布

在实验的开始，为对景观格局变化进行分析，我们需要利用到ArcGIS Pro中的【面积制表】工具，统计得到不同年份的景观类型分布的详细数据。选择ArcGIS Pro中的 【spatial analyst tools】à【区域（Zonal）】à【面积制表（Tabulate Area）】，打开参数框，详细设置如下图所示：

在此步骤中，我们将实验课提供的2000、2010、2020年研究区土地利用数据作为输入要素区域数据，将研究区域的行政区划边界数据作为输入要素类数据，因此我们共能获得三个表格文件，在对应文件目录下打开.dbf文件导入Excel中，根据我们实验需求进行相关数据处理工作，并得到最终的表格结果。

（2）利用面积制表工具计算景观类型转移矩阵

同样利用到ArcGIS Pro中的【面积制表】工具，我们可以计算得到研究区域不同年份间的土地利用变化矩阵，最终得到结果如下表格所示。

表2 2000-2020年梁子湖土地利用变化转移矩阵(m2)

Table 2 Land use change transition matrix in Lake Liangzi from 2000 to 2020

表3 2000-2010年梁子湖土地利用变化转移矩阵(m2)

Table 3 Land use change transition matrix in Lake Liangzi from 2000 to 2010

表4 2010-2020年梁子湖土地利用变化转移矩阵(m2)

Table 4 Land use change transition matrix in Lake Liangzi from 2010 to 2020

3.1.2结果分析

（1）土地利用结构变化

1.现象总结：

在探究某一地区的景观格局变化时，各景观格局类型的面积变化往往是我们最直接最简单的观察景观格局变化总体态势的方法，如下图所示，是我们利用Excel软件，统计得出的研究区域2000-2020年的土地利用类型的面积及其变化率表与面积变化的柱状图。

表5 2000-2020年梁子湖土地利用时空变化(m2)

Table Dynamic changes of land use in Lake Liangzi from 2000 to 2020

1）各类土地利用类型占比变化：农田面积从2000年的64.64%下降到2020年的58.10%以上，仍然是占比最大的土地利用类型。森林面积占比从2000年的18.40%增加到2020年的20.56%。水体面积占比略微减少，从2000年的14.07%下降到2020年的13.18%；

2）各类土地利用类型的变化幅度：农田变化率为-10.12%，显示出农田面积的减少趋势。森林变化率为+11.74%，反映了森林面积的增加。不透水面变化率为+182.62%，表明不透水面积显著增加。草地变化率为+155.59%，草地面积大幅增加；

3）景观格局的整体变化态势：从2000年到2020年，尽管农田仍然是主导土地利用类型，但其比例有所减少。与此同时，森林和草地等其他类型的面积比例有所增加，这反映了梁子湖地区土地利用结构的多样化和变化趋势。

表6 2000-2020年梁子湖土地利用面积占比(%)

Table The land use area proportions of Lake Liangzi from 2000 to 2020

图1 2000年-2020年梁子湖土地利用类型面积变化

Fig.1 Changes in Land Use Types in Liangzi Lake from 2000 to 2020

2.原因分析：

1）各类土地利用类型占比变化：梁子湖地区城市化进程加快，大量农田被征用用于城市和基础设施建设，农业生产结构调整使低效农田转化为林地和草地，政府的生态保护政策也促使农田转化为生态用地，如退耕还林和植树造林工程，以及自然恢复过程增加了森林覆盖率。使得森林面积增加；

2）各类土地利用类型的变化幅度：不透水面变化率为+182.62%，快速城市化进程中，大量建设项目导致不透水面积显著增加，新建住宅区、商业区和交通基础设施都增加了不透水面比例，生态保护政策实施，一些退化土地和农田被转化为草地，草地恢复项目和生态修复工程增加了草地面积，自然恢复过程和政府对草地资源重视也是草地面积增加的重要原因；

3）景观格局的整体变化态势：从2000年到2020年，梁子湖地区景观格局发生了显著变化，尽管农田仍是主要土地利用类型，但其比例的减少，在一定程度上反映了城市化进程和农业结构调整的影响，多样化的土地利用结构有助于提升区域生态系统的稳定性和可持续性，适应气候变化和人类活动的影响。

（2）土地利用类型转移

1.现象总结：

在如上文字的分析中，我们已经对研究区域内土地利用结构的整体面积变化有了大致的直观了解，但为了深入探究研究区域内土地利用类型变化与转移形式，并分析其内在驱动机理，我们制作获得了三个时间段的研究区域土地利用转移矩阵（表2，表3，表4），并利用Python代码，绘制得到了和弦图如下图所示。

1）2000-2020年土地利用变化转移矩阵：从2000年到2020年，农田面积减少了4,355,541,000 m²，主要转移为森林和不透水面；森林面积增加，部分由农田转变而来，同时也有一定量转变为不透水面；不透水面显著增加，主要来源于农田和森林；水体面积减少，部分转变为不透水面；草地、灌木和荒地等土地利用类型的变化较小，转移量并不显著；

2）2000-2010年土地利用变化转移矩阵：从2000年到2010年，农田面积减少，主要转变为森林和不透水面；森林面积增加，主要由农田和灌木转变而来；不透水面增加显著，主要来源于农田和森林；水体面积减少，部分转变为不透水面；

草地、灌木和荒地等土地利用类型的变化较小，转移量并不显著；

3）2010-2020年土地利用变化转移矩阵：2010年至2020年，农田面积继续减少，主要转变为森林和不透水面；森林面积增加，主要由农田转变而来，同时也有少量转变为草地；不透水面进一步增加，主要来源于农田和水体；水体面积减少，部分转变为不透水面；草地、灌木和荒地等土地利用类型的变化较小，转移量并不显著。

2.原因分析：

1）2000-2010年土地利用变化转移矩阵分析：在这一时期，梁子湖地区经历了快速的城市化和工业化进程，许多农田被征用用于城市建设、工业园区和基础设施建设，同时，政府实施的退耕还林政策促使大量农田转变为森林，该原因不仅导致农田的减少，同时导致不透水面积大幅增加，除此之外，部分水体被开发利用，转变为不透水面，反映了当时时期的水资源开发利用增加；

2）2010-2020年土地利用变化转移矩阵分析：在这一时期，城市化进程继续推进，农田继续被征用用于城市和工业发展，但与此同时，生态保护政策的延续，使得农田进一步转变为森林，生态保护和恢复政策持续发挥作用，推动森林面积增加，城市扩展和基础设施建设继续推进，同样导致不透水面进一步增加，但可以明显观察到的是，无论是何种景观类型，变化速率都有所减缓；

最终结论：

总而言之，梁子湖地区在2000-2020年间经历了显著的土地利用变化，主要表现为农田面积的减少和森林、不透水面的增加，这种变化反映了城市化和工业化进程的加速、生态保护政策的实施以及农业结构的调整，同时，水体面积略有减少，主要受水资源开发利用和气候变化的影响，土地利用结构的多样化和变化趋势反映了研究区域不同时期的气候变化与人类政策，但归根结底，多样化的土地利用结构有助于提升区域生态系统的稳定性和可持续性。

3.2 景观指数计算及分析

3.2.1具体操作

（1）了解相应的文本文件

1） descriptor.fcd（类型描述表）：对输入的栅格文件的class级别的要素进行描述。ID指标识该类型的数值，这些值在栅格中都是唯一的，来自于我们输入的栅格文件；Name指每个类型的字符描述，它将在FRAGSTATS输出文件中作为类型输出；Enabled指是否计算并输出该类型的统计信息；IsBackground指是否将该类型视为背景；

2.egedepth.fsq（边缘深度效应距离）（单位：米）: 表示边界影响渗透到斑块内部的距离。文件第一行必须是FSQ_TABLE；CLASS_LIST_LITERAL指需要分析的景观数据中的各种土地类型的文字描述；CLASS_LIST_NUMERIC指需要分析的景观数据中的各种土地类型的对应的数值；最后为边缘效应矩阵，该矩阵表示每一对类型组合，互相之间的边缘深度效应距离；

3.contrast.fsq（边缘对比权重值）:表示不同土地利用类型相接边缘的对比强度，用于量化不同土地类型在景观中的相互关系，数值越大，表示相邻土地类型之间的对比越强烈。文件基本内容同egedepth.fsq文件，最后为边缘对比矩阵，范围在0到1之间；

4. similarity.fsq（相似系数）: 表示不同土地利用类型相接边缘的相似度，用于量化不同土地类型在景观中的相互关系，数值越大，表示相邻土地类型之间的相似度越大。文件基本内容同egedepth.fsq文件，最后为相似系数矩阵，范围在0到1之间；

（2）计算景观指数

1）导入数据：打开Fragstats软件后，选择【Input layers】—>【Add layer】，打开【Select input dataset】参数框后，在数据类型选择框中选择【GDAL】后，在右侧的【Dataset name】中输入我们需要计算景观指数的栅格图像：

！！特别注意！！一定要注意观察Cell size（像元大小）是否从负数更改为正数，若未变化，可以尝试更改输入文件的路径；

导入栅格数据后，在【Common tables】中的四个选项框内分别导入我们编辑得到的四个文件（descriptor.fcd、egedepth.fsq、contrast.fsq、similarity.fsq）：

2）设置参数：点击选择【Analysis parameters】 打开参数框如下图所示（1）斑块相邻法则：存在4位法则或8位法则（仅影响斑块尺度），此次实验中我们选择8位法则（2）多水平结构：patch（斑块），class（类别），landscape（景观），每次计算只选择一个，分开勾选、分步计算（3）移动窗口分析：不做更改保持默认：

思考：为什么要设定邻接法则？

邻接法则，简而言之：决定了在景观指数的计算中，空间上相邻的单元哪些被认为是连接的。不同的邻接法则将导致不同的空间连接性定义，从而影响到计算出的景观指数的数值和解释，设定适当的邻接法则能够更真实地反映研究区域内空间单元之间的连接关系，有助于更准确地理解景观结构和生态过程。

3）景观指数计算与导出：完成上述参数设置后，点击右侧选择【Class metrics】或【Landscape metrics】，根据实验要求，我们需要计算的景观指数主要分为景观格局空间分布特征指数与景观异质性指数两类，通过查阅文献，我们在此选择计算的景观指数为；

选择参数完毕后选择点击【Run】—>【Proceed】—>【Result】—>【Save run as table】，即可将计算得到的景观指数结果保存为文件。

至此数据处理工作已经全部完毕，我们将得到的数据最终整理至表格中。

3.2.2结果分析

（1）景观指数变化特征及其含义——斑块水平

1.景观指数含义：

2.现象总结：

如下图3所示为2000年-2020年斑块水平下PARA指数频率分布图，该直方图显示了PARA指数值的频率分布，X轴代表PARA指数被划分为若干区间，即代表指数值的范围；Y轴代表每个区间的出现次数，最高频率出现在区间[170, 204]附近，接近600次出现；分布形状为右偏的，在170-204区间达到峰值，并向更高的指数值延伸出一个长尾，由此可得，多数斑块的PARA指数集中在较低范围，随着PARA指数值的增加，频率迅速下降。

图3 2000年-2020年斑块水平下PARA指数频率分布图

Fig.3 Frequency Distribution of PARA Index at the Patch Level

from 2000 to 2020

（2）景观指数变化特征及其含义——斑块类型水平

1.景观指数含义：

2.现象总结：

1）斑块密度（PD）：农田斑块密度显著增加，从2000年的1.2504到2020年的1.8465，表明农田在景观中的密度增加；灌木斑块密度显著减少，从0.0044减少到0.0008；不透水面斑块密度也显著增加，从2.0526增加至到2.4491，高斑块密度表示我们的研究区域景观较为复杂；

2）边缘密度（ED）：农田边缘密度从40.3803增加到54.2697，表明农田斑块边缘长度增加；草地边缘密度在2010年显著增加，但在2020年有所下降；荒地边缘密度变化较小，保持在较低水平；不透水面边缘密度从10.3487增加到20.3205，表明不透水面斑块边缘长度显著增加；

3）景观现状指数（LSI）：农田景观现状指数从103.2245增加到146.0366，表明农田斑块形状变得更加复杂；灌木景观现状指数从5.5减少到2.1667，表明灌木斑块形状变得更加规则；不透水面景观现状指数从124.4951增加到145.6725，表明不透水面斑块形状变得更加复杂；

4）分散指数（SPLIT）：灌木分散指数数值变化巨大，但总体呈上升趋势，表明灌木斑块的空间分散程度显著增加；草地分散指数从2000年到2010年显著下降，2020年有所回升，表明草地斑块在这段时间内经历了显著的空间分布变化；不透水面分散指数从67753.23下降到2964.0694，表明不透水面斑块变得更加集中。

表7 2000-2020年梁子湖斑块类型水平景观指数

Table 7 Landscape Indices at the Patch Type Level in Liangzi Lake

from 2000 to 2020

3.原因分析：

1）农田：农田斑块密度和边缘密度的增加与梁子湖地区农业扩展和农业结构调整密切相关，农业活动的增加导致农田斑块的密度和边缘长度增加，同时斑块形状变得更加复杂和分散；

2）森林：森林斑块密度和边缘密度的增加反映了梁子湖地区的生态恢复和保护措施的效果，随着森林保护和再造工程的实施，森林斑块的密度和边缘长度增加，斑块形状也变得更加复杂；

3）灌木和草地：灌木斑块密度和边缘密度的显著减少，主要原因为灌木等土地利用类型被转换为其他土地利用类型，如农田或不透水面，并导致其斑块密度和形状在不同年份间发生波动，这些变化的主要原因在于土地利用政策的调整和生态恢复工程的实施，如退耕还草和草地恢复项目；

4）不透水面：城市化进程的加快导致梁子湖地区不透水面斑块的显著增加，建筑物、道路和其他不透水设施的建设增加了不透水面的面积和边缘长度，不仅增加了斑块密度和边缘长度，还导致斑块形状变得更加复杂和集中，显著改变了景观结构。

（3）景观指数变化特征及其含义——景观水平

1.景观指数含义：

2.现象总结：

1）周长面积比（PARA）：PARA值的降低意味着地物斑块的周长相对于其面积的比例在减少，这通常反映出景观中的斑块形状逐渐趋于规则化，具体来看，梁子湖地区的PARA值从2000年的941.4373下降到2020年的892.5063，表明景观整体上形状变得更加规则，边缘变得更加平滑；

2）邻接度指数（CONTIG）：CONTIG值的增加反映了地物斑块之间的边界更加紧密相连，景观的整体连通性得到了增强。梁子湖地区的CONTIG值从2000年的0.265增加到2020年的0.2992，表明景观中地物或区域之间的连接变得更加紧密。

表8 2000-2020年梁子湖景观水平景观指数

Table 8 Landscape-Level Landscape Indices of Liangzi Lake from 2000 to 2020

3.原因分析：

1）周长面积比（PARA）：研究区域景观整体上形状变得更加规则，边缘变得更加平滑，主要原因为相关政策的影响，农业扩展和土地整治导致农田斑块形状趋于规则化，生态恢复与保护措施如退耕还林和湿地保护使得自然斑块形状更加平滑，以及城市规划与建设过程中对地块形状和边界的规范化要求；

2）邻接度指数（CONTIG）：研究区域景观中地物之间的连接变得更加紧密，这种变化主要由城市化进程加快导致的不透水面斑块的密度和连通性增加，农业集约化管理使得农田更加集中和紧密相连，生态走廊和绿带建设增强了自然斑块之间的连通性，以及水资源管理和治理过程中水体斑块的形状和分布变得更加集中和规则。

3.3植被覆盖度计算及分析

3.3.1具体操作

（1）计算MVC

在我们景观生态学和遥感的应用中，最大值合成法（MVC）是一种常用的图像处理技术。具体来说，这种方法选取一段时间内中每个像素的归一化植被指数的最大值进行处理分析。在本次实验中，我们选择2000、2010年与2020年的6，7，8，9月份的遥感影像数据，以合成得到夏季的三幅MVC计算结果。

利用Python编写代码，我们即可依据MVC的计算原理计算得到结果，部分代码如上图所示，最终得到结果如下图所示，从左至右依次为2000，2010与2020年的NDVI最大合成结果，其中红色为高值，绿色为低值。

（2）计算FVC

在上述实验步骤中我们计算MVC的根本目的为计算2000，2010，2020年三个年份的植被覆盖度（Fractional Vegetation Cover, FVC），其公式如下图所示，其中Fcover为覆盖度，NDVI为归一化植被指数，NDVIsoil为土壤的NDVI（即MVC结果中的最小值）, NDVIveg为植被覆盖像元最大值的NDVI（即MVC中的最大值）。

同样利用Python编写代码，依据FVC的计算原理计算得到结果，部分代码如下图所示，最终得到结果同样如下图所示，从左至右依次为2000，2010与2020年研究区域的植被覆盖度结果，其中红色为高值，绿色为低值。

3.3.2结果分析

通过观察上述的MVC与FVC计算结果图我们可以明显看到，除去数值上的差异外，二者在研究区域的时间与空间的分布上都具有一致性，因此我们将二者结合从而进行深入的时空变化分析。

1）首先从空间尺度上来看，通过对研究区域的地理特征进行分析我们可以发现，梁子湖地区属于亚热带季风气候区，四季分明，年平均气温约为16-18℃。降水充沛，年降水量约在1200毫米左右，这种气候条件为植被的生长提供了充足的水分和适宜的温度，因此植被覆盖度较高。

研究区域地形较为平坦，地势东南高西北低，人类聚集地多分布在西北地势起伏较小且靠近长江干流处，这些地区由于适合农业、渔业和人类居住，因而人类活动频繁，人造建筑物密集，而东南部由于地势较高，较少受到人类活动的干扰，保留了较为完整的自然植被，因此我们可以看到在任一时间尺度下植被覆盖度均呈现东南高西北低的空间分布趋势。

2）其次从时间尺度上来看，2000-2020年植被覆盖度面积有所减少，但在研究区域东南部的高植被覆盖度区域增加。2000-2010年，在这一阶段，研究区域的植被覆盖度呈现出明显的减少趋势。主要原因为人口增长、农业和渔业的扩张以及城市化进程的加速，导致了大量自然植被被清除，以满足人类活动的需求，特别是在西北部地区，这一趋势尤为显著，大量土地被开发为农业用地、养殖场和住宅区，使得自然植被覆盖度大幅下降。

进入2010年后，研究区域的植被覆盖度开始有所回升，主要原因为政府和环保组织推动的生态恢复项目、植树造林活动的增加以及更加严格的环境保护政策的实施。在这一时期，特别是东南部的高植被覆盖度区域增加显著，随着人们对环境保护意识的增强，生态恢复工程在这些地区得到了有效实施，重新种植了大量的树木和其他植被，恢复了前一时期部分被破坏的生态环境。

3.4 土壤侵蚀分级

3.4.1具体操作

（1）计算坡度

在研究区域的植被覆盖度计算完毕后，我们进入下一阶段——土壤侵蚀分级，该步骤的核心思路为在Erdas利用【专家知识库】工具进行分级，本次实习中根据实验指导所提供的内容，土壤侵蚀分级主要依据植被覆盖度、土地利用类型、地形坡度三个方面。

前两部分我们已在上述的实习过程中计算得到，接下来我们只需要在Erdas中计算地形坡度即可，打开Erdas后选择【Terrain】—>【Slope】工具，利用研究区域的DEM数据，即可计算得到我们所需要的地形坡度。

（2）专家知识库建立模型

在得到我们所需要的所有研究区域数据后，在ERDAS中选择【Raster】—>【Knowledge Engineer】，依据特有的土壤侵蚀分级指标（如下图所示）进行土壤侵蚀分级的模型构建。

ERDAS中模型构建的工具十分简单易懂，主要利用左下角Hypotheses（假设）、Rules（规则）与Variables（变量）三个板块，在假设中我们设置土壤侵蚀的六个等级（微度、轻度、中度、强烈、极强烈与剧烈），在规则中我们设置各个假设的约束条件，在变量中我们设置各个约束条件下对应的具体参数，最终得到模型结果如下图所示。

在构建模型过程中需要特别注意的是：虽然土壤侵蚀分级指标（实验指导书提供）上仅有五个等级，但我们需要添加一个“微度”等级，用以概括除其它五个等级外的情况，同时，我们需要合理灵活的运用Rule Props中的相关设置以建立合适的规则与参数，以提高我们的构建模型效率与准确度。

3.4.2最终结果

图4 2000年-2020年梁子湖区域土壤侵蚀分级图

Fig.4 Soil Erosion Classification Map of the Liangzi Lake Area

from 2000 to 2020

4.实习心得

1）深入严谨的结果分析与文献佐证：我认为此次实习与以往其它实验最大的不同之处就在于此次实习的结果分析的深入与严谨程度，在以往的实验中，更多的内容止步于实验结果的得出或者是浅尝辄止的结果分析。但出于景观生态学学科的特性与课程学习的要求，在此次实验中，我们不仅需要得到期望的数据成果，还需要有针对性地对各个结果进行深入浅出地细致分析，并依据相关文献内容进行辅助佐证以验证我们分析内容的准确性，这对于我们来说也是一次较为新奇的实验过程与内容；

2）数据统计工具的重要性与简洁的数据表达：在操作过程中我还深入感受到，虽然我们此次实习的数据分析内容还较为简单，不需要运用到除ArcGIS，Excel等其它什么较为复杂的软件，但是也充分体会到了数据统计工具的重要程度，在许多科学研究中，获得详细丰富准确的实验数据固然重要的，但独到精准凝练的数据分析也必不可少，而想要达到后面所说的这一点，仅仅靠文字的活灵活现是远远不够的，我们还需要有贴合有效的数据表达方式，而这就是我们数据统计工具所需要做到的；

3）数据结果的具体分析逻辑：因此，我在此次实习内容中采取的结果分析逻辑为：首先通过基础数据对基本现象进行总结，然后再在基本现象的基础上分别有针对地具体分析导致其的根本原因与其可能导致的后果，以此来达到条理分明面面俱到的效果。但我清楚明白，无论是实习要求的土壤侵蚀分级精度还是数据结果分析的全面程度我都还未达到最好，这也使我认识到学习是永无止境不进则退的，我也将在平时的学习中从拓宽自我视角的角度进行更为深入的学习。

5.参考文献

[1]胡景淞.基于遥感生态指数的鄂州市梁子湖区生态环境质量评价[D].华中师范大学,2023.DOI:10.27159/d.cnki.ghzsu.2023.000569.

[2]李俊涛.基于RS/GIS的梁子湖流域景观格局及其动态变化研究[D].华中师范大学,2008.

[3]李文杰.梁子湖流域土地利用变化对流域水环境的影响[D].华中师范大学,2009.

[4]袁涛.基于遥感影像的梁子湖湖区土地利用/土地覆盖变化研究[D].华中师范大学,2007.

[5]唱彤,李慧,李云玲.梁子湖流域水域景观格局演变及驱动因子分析[J].南水北调与水利科技(中英文),2023,21(05):951-961.DOI:10.13476/j.cnki.nsbdqk.2023.0091.