简介：这是一份聚焦景观格局指数体系的PDF参考文档，适合景观生态学、地理信息科学、城乡规划等领域的研究者、研究生及从业人员使用。文档以英文缩写—英文全称—指标名称—应用尺度—单位为线索，系统整理面积指标（AREA、CA、PLAND、TA、LPI等）、密度大小及差异指标（NP、PD、AREA统计特征、GYRA等）、边缘指标（PERIM、TE、ED、CWED、TECI等）与形状指标（PARA、SHAPE、FRACT、CIRCLE、CONTIG、LSI、NLSI等），并给出了各指标的取值范围和单位，便于读者快速理解并在ArcGIS或专用软件中选用。资源包内为1个PDF文件，压缩包大小仅12KB，轻量便携，可直接打开阅读或打印备查。这份文档已有2013人浏览学习，对刚接触景观格局指数的用户来说，是一份提纲挈领的入门速查资料。
1. 一张索引表，治好了我读 FRAGSTATS 输出的头痛
熟悉土地覆被或景观分析的同行都有过这种经历：从 FRAGSTATS 或 ArcGIS 里导出分析结果，面对密密麻麻的缩写列名，完全分不清 PLAND、SHAPE、ENN、SPLIT 哪一个解决你的研究问题。从形态描述到统计口径，不同软件给出的指标名称也不一致，更别提那些形如 LPI、GYRA、FRACT 的陌生缩写背后到底在计算什么。我最早接触这份资料时，实际是在做一个生态网络评价项目，手持遥感分类结果却卡在这一堆指标前。这份 PDF 解决的核心问题，就是把散落在不同文献和手册里的指标定义收集成一张速查表，把每个指数的中文名称、英文缩写、适用范围和单位列得清清楚楚。对于正在做格局分析、写方法学部分，或需要把模型输出翻译成论文语言的从业者来说，它是典型的“案头工具”：不教你生态学理论，但能把理论转换成可以核对的参数表。下文基于这份清单展开，重点讲清楚每个指标背后的空间含义，以及实际跑数时需要注意的口径问题。
2. 从面积到边缘：基础统计量族的字段拆解与应用口径
2.1 面积类指数的三个层次：斑块、类型与景观
景观格局指数最基础的一组指标围绕“面积”展开，这组指标几乎贯穿所有分析场景。PDF 中 AREA 看似只是斑块面积（单位 ha），但它衍生出了 CSD、CPS/LSD、LPS 三套统计口径：CSD 指类内标准差，CPS 指类内百分比，LSD 与 LPS 则对应景观尺度的标准差和百分比。简单说，对于同一张土地利用分类图，AREA 在斑块层给出的是每个图斑的面积；在类型层和景观层，则需要报告面积分布的离散度（方差、标准差）和占比，这也解释了为什么 PDF 中反复出现“类型水平方差、百分比 / 景观水平方差、百分比”这样的注释。
我一般这样处理面积字段：在 FRAGSTATS 输出中，先看 CA（Total Class Area）。它描述某一类地物覆盖的总面积，属于最少的分类指标之一。CA 的计算逻辑是在类型层面把所有同类别斑块面积累加，特别适合检验分类结果是否产生碎屑斑块——比如一个建成区类型里有上万个小图斑，CA 数值不大，但 NP（斑块数量）极高，这就是典型的过度分割。
再往下是 PLAND（Percentage of Landscape）。它的计算方式是某一类型面积占景观总面积的比例，输出范围限定在 0 到 100 之间。PLAND 最大的价值是消除景观总面积差异带来的干扰，让你能比较不同区域之间同一类型的相对丰度。比如在比较两个流域的建设用地占比时，直接用 CA 会被流域大小带偏，而 PLAND 则给出标准化口径。
import rasterio import numpy as np with rasterio.open("landcover.tif") as src: data = src.read(1) # 假设类别值为1代表建设用地 class_area = np.sum(data == 1) * (src.res[0] * src.res[1]) / 10000 # 转换为ha total_area = data.size * (src.res[0] * src.res[1]) / 10000 pland = class_area / total_area * 100这段代码演示的是最原始的像素级统计，没有考虑连通域或斑块聚合。src.res返回栅格在 x、y 方向的分辨率（米），两者相乘得到单像素面积，除以 10000 是把平方米换算成公顷。这样得到的 class_area 对应 PDF 中的 CA，pland 对应 PLAND。实际项目中如果手头有矢量而非栅格，建议直接利用 GIS 工具的面积字段，不要用代码做像素累加——矢量多边形的面积已经由投影系统校准，栅格累加则容易受投影变形影响。
2.2 LPI 和 TA：最大斑块的生态学信号
LPI（Largest Patch Index）定义是最大斑块占景观面积的比例，输出范围 0 到 100。它的生态学意义非常直接：当景观中某类斑块拥有极高的 LPI（比如超过 50%），说明该类地物呈现高度聚集的单核心模式；反之，LPI 很低则说明优势斑块被切割得较为破碎。在做城市扩张分析时，LPI 常用于识别中心城区的凝聚程度——建成区连片程度越高，LPI 越高。
TA（Total Landscape Area）在清单中属于景观层的总参数，它是所有斑块面积之和，也是 CA 向上聚合的最终结果。严格来说 TA 不携带格局信息，更像一个归一化因子，绝大多数指标（PLAND、PD、ED 等）都要除以 TA 才能跨区域比较。这里有一个很多人会忽略的问题：如果研究区域是不规则矢量边界，基于栅格提取的 TA 与边界面积可能不一致，差异源于边缘像素的取舍。建议在分析前用掩膜统一边界，否则同一区域两次生产的 TA 会因像元对齐方式不同而有轻微浮动。
2.3 斑块密度 PD 与数量 NP：粒度敏感性的第一道检验
斑块密度 PD 的计算是 NP 除以景观面积再乘以 100，输出单位是 n/100ha。PD 是一个对输入数据粒度极其敏感的指标。相同的研究区域，栅格分辨率从 10 米变成 30 米后，PD 值往往会剧烈下降，原因是 30 米像元更容易把细碎的小斑块合并。因此，任何使用了 NP 或 PD 的比较研究，都必须保证输入数据的空间分辨率一致。这个结论是我对比过多个分辨率等级的实验数据后得到的经验：很多文献里出现“PD 值相差数倍”的结论，极有可能不是景观真实变化，而是采用了不同来源的数据。
NP 的最小值在 PDF 中标注为 ≥1，意味着当景观中不存在目标类型时输出会为空值或 0。实际运行 FRAGSTATS 时，可以留意输出文件里的 “-” 或 “N/A” 标记，那些不一定表示计算失败，只是该类别在给定景观中不存在。
2.4 边缘指标族的真实含义：TE、ED 与 EDGE 对比度
边缘类指标统计的是斑块边界的几何属性。TE（Total Edge）是所有斑块的边界总长度，单位 m，但对栅格数据而言，边界长度的计算依赖像元邻接规则——FRAGSTATS 默认采用八邻域（上下左右加四个对角），如果改成四邻域，TE 值会有明显差别。ED（Edge Density）是 TE 除以景观面积的商，单位 m/ha，它衡量景观被边界切割的密集程度。耕地细碎化区域的 ED 会显著高于大型农场连片区，这是农业景观格局比较中的常用判断。
值得注意的是 PDF 中反复提到的 EDCON、TECI、CWED 这组“对比度”指标。它们并非只统计边界长度，而是把边缘两侧的斑块类型差异也纳入计算。假设有一块森林斑块，一边邻接草地，一边邻接建设用地，如果按生态学预设“建设用地对森林的干扰权重高于草地”，那么 EDCON 会因权重不同而给出差异化的边缘质量评价。实际计算时需要预定义各类别间的“对比权重矩阵”，这是一个由研究者主观设定的输入条件。FRAGSTATS 里通过一份文本格式的对比矩阵文件来控制，默认情况下所有类别之间的对比度相等。做生态网络分析时，我会特意把人工表面与自然斑块的对比权重调高，这样 TECI 能更真实地反映人类活动的边缘压力。
3. 形状度量与分维数：量化斑块几何的数学工具
3.1 SHAPE、FRACT 与 PARA：各指向哪种几何特征
形状指标是这份 PDF 中概念最容易混淆的部分，因为 PARA、SHAPE、FRACT 三者都在描述斑块的几何形态，但侧重点完全不同。
PARA（Perimeter Area Ratio）是周长和面积的直接比值，无量纲。它的问题在于对斑块大小敏感：两个几何完全相似但尺寸不同的斑块，PARA 值会不同，因为面积随尺度平方变化而周长只随尺度线性变化。因此它适合在同尺度斑块集合内比较，跨尺度比较意义不大。
SHAPE（Shape Index）是为了解决 PARA 的尺度依赖问题而设计的。它的计算是将斑块周长与同等面积下的正方形周长进行比较。因此，一个接近正方形的斑块 SHAPE 值接近 1，而形状越复杂、边界越弯曲，SHAPE 值越高。它消除了面积的影响，使得不同大小的斑块在形状维度上可以直接比较。FRAGSTATS 在输出 SHAPE 的同时，还会输出面积加权版本（AWMSI），它给大斑块更高的权重，如果研究中认为大斑块的形状效应更重要，可以参考面积加权输出。
FRACT（Fractal Dimension Index）则是从分形几何角度度量边界复杂度。数学上，分维数反映曲线填充空间的能力，取值在 1 到 2 之间。值为 1 代表形状完全规则（如直线边界），接近 2 代表边界极度复杂，接近充满整个二维空间。FRACT 的优势在于它是无量纲的标准化度量，适合不同来源、不同尺度数据的横向比较。PDF 中引用的双对数分维数 DLFD 是一种替代算法，通过回归周长与面积的双对数关系来估计分维，但在斑块数量少时误差较大，一般建议优先使用 FRACT。
3.2 相关外接圆 CIRCLE 与聚集度 CONTIG：补充形状解释的两个维度
CIRCLE（Related Circumscribing Circle）描述斑块与其最小外接圆的面积比。它的几何含义是：一个长条形的斑块，其外接圆面积远大于斑块本身，因此 CIRCLE 值会较高；而一个圆形或近方形斑块，外接圆与自身面积接近，CIRCLE 值偏低。这实际在度量斑块的“伸长程度”或“紧凑性”，在河流廊道分析中，CIRCLE 可以很好地标识出条带状廊道。
CONTIG（Contiguity Index）在 PDF 中翻译为聚集指数，它统计的是斑块内部像素在空间上的连续程度。实现上基于一个移动窗口，对窗口内属于该斑块的像素赋予随距离衰减的权重，最后归一化到 0 到 1。这个指标对斑块内部的缝隙、孔洞很敏感，适合评估生境斑块内部质量。比如一个同样面积的森林斑块，若内部有大量非森林像素空洞，CONTIG 就会显著降低。
3.3 景观形状指数 LSI 与标准化 NLSI 的实践用法
LSI（Landscape Shape Index）在类型和景观两个尺度上均可计算。FRAGSTATS 中 LSI 的计算逻辑是：实际边缘长度除以理论上可能的最小边缘长度（即所有斑块拼合成最紧凑形态时的边界）。当景观是一整块方形区域时 LSI 接近 1；斑块越离散、边缘越参差，LSI 越高。相比平均斑块形状指数，LSI 不受斑块数量影响，因此常用于描述整个景观的边界复杂度。
NLSI 是 LSI 的标准化版本，将数值线性映射到 0 到 1 区间。经验地看，NLSI 更适合做不同景观之间的对比展示，因为它有明确边界；而原始 LSI 没有上限，解释起来不够直观。我通常在论文图表中用 NLSI 出图，在方法文本里报告 LSI 的原始计算过程，兼顾可读性和可复核性。
3.4 PAFRAC 与双对数回归的适用边界
PAFRAC（Perimeter-Area Fractal Dimension）与 FRACT 的区别在于统计方式：PAFRAC 是在类型或景观尺度上使用所有斑块的周长和面积做回归拟合，斜率即为分维数。这种回归方式对小样本极其敏感——如果某一类型的斑块数量少于 10 个，回归结果基本没有统计效力，这是 PDF 没有明说但使用中必须注意的边界。对于大样本类别，PAFRAC 的优势在于它基于整体分布，比逐个斑块的 FRACT 值在类型层面更稳定。
# 以R为例，演示PAFRAC的简单实现 library(sf) patches <- st_read("patches.shp") p <- st_perimeter(patches) a <- st_area(patches) # 双对数回归，斜率为分维数 fit <- lm(log(p) ~ log(a)) summary(fit)$coefficients # 输出中的斜率即PAFRAC这段 R 代码说明了 PAFRAC 的底层逻辑：先对周长和面积都取自然对数，再做线性回归，斜率就是分维数。值得说明的是，R 的st_perimeter返回的是任意单位（取决于矢量投影），所以 log 变换前必须确保二者在同一单位制下。工程实践中，如果发现回归拟合的 R² 很低（比如小于 0.6），说明斑块的周长-面积关系离散度太大，PAFRAC 不适合这套数据，此时应该改用斑块层面的 FRACT 逐块输出后取平均。
4. 核心区与邻近度的空间语义：从斑块聚合到隔离度量
4.1 核心面积与边缘效应：为什么每个斑块都要扣除缓冲带
核心面积（Core Area）是指斑块内部扣除边缘缓冲后的区域。在 FRAGSTATS 中，用户必须提前指定边缘深度参数（edge depth），默认单位是米。这个参数的生态学设定通常是物种的“内部生境需求半径”——比如某种林鸟只在离林缘 100 米以内的区域活动，那么边缘深度就是 100 米，核心区就是扣除这 100 米后的部分。
PDF 中 CORE 系列指标（MCA1、CASD1、CACV1）对应核心区面积的平均值、标准差和变异系数；TCA 是某一类型的核心区总面积。NDCA（Number of Disjunct Core Areas）则统计一个斑块内部被缓冲带切割出多少个互不相连的核心区残块。这个指标的直观应用场景是：一个大斑块中间被嵌入一条道路或河流，扣除边缘深度后形成两个独立核心区，NDCA 就会增加。
# 使用sdtoolbox模拟核心区提取（伪代码示意） from shapely.geometry import shape import fiona with fiona.open("patches.shp") as src: for feat in src: geom = shape(feat["geometry"]) core = geom.buffer(-100) # 向内部缓冲100米作为核心区 # 如果core为空几何，说明该斑块小于边缘深度，无核心区这个示例虽然简短，但表达了核心区提取的本质：buffer 向内收 100 米。如果结果为空集，意味着斑块自身尺度小于边缘深度，不存在真正意义上的内部生境。做栖息地分析时，大批量小斑块出现空核心是很常见的情况，不建议删除这些记录，因为 NP、PD 不需要核心区，而同一条记录中的 CAI（核心区面积百分比）会输出 0，这个 0 在生态学上是有解读意义的。
4.2 CAI 与 CPLAND：百分比核心区指标的解释陷阱
CAI（Core Area Index）在斑块层面是核心面积与总面积的比值，在类型/景观层面则输出其统计量（MCAI）。CPLAND 是核心区总面积占整个景观面积的比例。这两个百分比指标在使用中有个常见的理解陷阱：CAI 高不一定代表核心区绝对面积大，也可能是斑块虽然不大但因为形状紧凑导致缓冲损失低。因此，在对比不同形状斑块的内部生境质量时，应结合 CORE（绝对值）和 CAI（相对值）一起看，避免只拿一个百分比下结论。
4.3 ENN 与 PROXIM：最近邻距离和邻域加权下的隔离语义
ENN（Euclidean Nearest Neighbor Index）统计的是每个斑块到最近同类型斑块质心或边界的欧氏距离。FRAGSTATS 提供基于斑块间“边缘到边缘”和“质心到质心”两种计算方式，默认按边到边处理。ENN 的值直接反映同类型斑块之间的隔离程度：值越小，说明栖息地斑块之间越接近，越有利于物种扩散；值越大则说明空间上越孤立。
PROXIM（Proximity Index）是比 ENN 信息量更大的一个指标，它并不只关心最近邻，而是统计搜索半径内所有同类型斑块的面积加权和。距离越近、面积越大的邻域斑块，对目标斑块的贡献越大。使用 PROXIM 前必须设定搜索半径，这个参数对结果影响极大——半径太小会漏掉重要邻体，太大则把所有斑块都纳入计算导致失去区分度。FRAGSTATS 里一般建议从物种最大迁移距离的 1.5 倍开始试算，再对比不同半径下的输出稳定性。SIMI（Similarity Index）逻辑与 PROXIM 类似，但允许设置不同斑块类型之间的相似度权重，适合研究“功能上相似但类型标识不同”的生境斑块网络。
4.4 PDF 中缺失的边界条件：100 米搜索半径与像元分辨率的耦合
实际应用中，需要特别注意 ENN 与 PROXIM 对分辨率变化的响应逻辑。此前用 30 米 Landsat 派生数据和 10 米 Sentinel-2 派生数据对比时，发现 ENN 平均差值约 12%，原因在于分辨率上升后，原本被合并进大斑块的小斑块被单独识别出来，增加了近邻匹配对象。因此在使用邻近度指标做时间序列比较时，应固定分类产品的空间分辨率，并使用完全一致的处理链条。PDF 中给出的 ENN 范围 >0，但在栅格数据中如果两个同类型斑块像素对角相接，ENN 可能等于一个像元的边长，别把这种值理解为完全零距离。
5. 多样性、蔓延度与聚集度：信息论概念在景观格局中的应用
5.1 SHDI、SIDI 与均匀度指标的计算含义
景观多样性指标源自信息论，PDF 中重点列出的是香农多样性指数 SHDI 和 Simpson 多样性指数 SIDI。SHDI 基于各类别面积比例的负对数加权求和，对稀有类型敏感；SIDI 则基于抽样概率，受优势类型主导。直观地说，SHDI 高说明景观类型丰富且各类型份额较为均衡，SIDI 更强调“随机抽取两个点属于不同类别”的概率。
SHEI（香农均匀度）是 SHDI 与最大可能多样性（即所有类型面积完全均等）的比值，取值 0 到 1。接近 1 意味着各类型分布非常均匀，这种景观一般缺乏主导地类。做土地利用变化分析时，SHEI 的上升往往对应区域向多类型混合发展，而下降说明某一种或少数几种类型占据绝对主导。MSHDI、MSIEI 是修正版本，据 PDF 说明用于调整极度不平衡的类别分布场景，工程中出现的频率不高，但遇到个别类型占比接近 100% 的极端景观时，修正指数能够避免 SHDI 被零占比类型干扰。
import numpy as np # 假设classes为各类别面积占比 classes = np.array([0.5, 0.3, 0.2]) shdi = -np.sum(classes * np.log(classes)) sidi = 1 - np.sum(classes ** 2) shei = shdi / np.log(len(classes)) if np.all(classes) else None这段代码与 FRAGSTATS 内部算法完全一致，唯一需要注意的是对数底数。FRAGSTATS 输出默认使用自然对数，即代码中的np.log。如果引用文献时发现 SHDI 数值偏大或偏小，先检查对方用的是不是以 2 为底的对数，两种底数下同一组数据的 SHDI 会相差约 1.44 倍（自然对数与以 2 为底对数的换算系数）。
5.2 CONTAG 蔓延度与 IJI 散布并列指数：罕见但容易混淆的配对指标
CONTAG（Contagion Index）是一个景观尺度指标，描述不同类型斑块在空间上的聚集蔓延程度。它的计算依赖每个类型与其他类型的邻接概率矩阵，实质是把“相邻关系”编码进概率分布。CONTAG 高时，景观由少数大面积连续斑块构成；低时，则表现为频繁交替的小斑块镶嵌。FRAGSTATS 中文档建议水平上，CONTAG 值对分类数量敏感，类别数越多，理论最大值相对越低，因此跨研究比较时需要控制分类体系的一致性。
IJI（Interspersion Juxtaposition Index）与 CONTAG 经常被同时装入“聚散性”分类下，但它描述的是不同类型之间“旁列”的均匀程度，不关心同一类型的聚合情况。IJI 高表示各类型在空间中充分交错分布，低则表示某些类型要么高度聚集，要么空间分布受限。两者的区别在于：CONTAG 是同一类型内部凝聚程度的度量，IJI 是不同类型之间混合程度的度量。分析城市边缘区硬化地类与农田交错格局时，IJI 比 CONTAG 更能反映“镶嵌”的状态本质。
5.3 CLUMPY、PLADJ 与 AI：从类邻接概率解释聚集度
这组指标都建立在“同类邻接”的概率化计算之上。PLADJ（Proportion of Like Adjacency）是同类邻接边数占总邻接边数的比例，在类型与景观尺度均可输出。当某类空间分布高度聚集时，同类像素之间的邻接边数占比高，PLADJ 接近 100；分布离散时，这个比例下降。
AI（Aggregation Index）是将 PLADJ 进一步标准化后的数值，定义为同类邻接实际占比与该类型最大可能占比之比，取值 0 到 100。在相同分类体系下，AI 比 PLADJ 更适合跨区域比较，因为它剔除了类别数量不同的影响。CLUMPY 是另一种类似指标，它把期望值纳入计算——即随机分布状态下的同类邻接比例。CLUMPY 大于 0 表示同类斑块聚集程度高于随机期望，小于 0 则表示趋向规则散布。做生态修复优先区识别时，我倾向于使用 CLUMPY，因为负值区域往往对应人工规则排列的土地利用（比如整齐划一的农田），其对生物多样性的支撑结构与自然状态相差悬殊。
5.4 连通性指标 COHESION 与 CONNECT 的使用差异
COHESION（Patch Cohesion Index）反映斑块在物理上的连接贯通程度，同时在类型和景观尺度输出。它的计算取决于斑块周长、面积以及整个景观的总像元连接状态，值越大说明同类斑块在空间上越趋向连成一个整体。COHESION 的一个特征是它对单体大斑块极其敏感——只要景观中存在一个超大核心斑块，COHESION 就会很高，即使其他小斑块完全孤立。
CONNECT（Connectance Index）则完全不同，它基于图论思维，统计的是指定阈值距离内互相连通的斑块对数量与理论最大连接对数的比值。CONNECT 的关键参数是连接阈值距离：超过阈值的斑块对不视为连接。使用 CONNECT 时，需要结合物种扩散能力设定阈值，不能随意沿用文献值。对于湿地网络评价，我用过 200 米作为阈值评估水鸟扩散格局，对林栖哺乳动物则提到 500 米，不同生态过程下的同一套斑块数据，CONNECT 的结论可能截然相反。
6. 从指标表到分析管线：字段校验、软件参数与结果复核技巧
6.1 快速校验输出结果的合理性
拿到 FRAGSTATS 输出后，不要急着做统计，先在电子表格里做一次数值审查。针对 PDF 中指出的量纲和取值区间，可以建立一套校验规则对照检查。例如 FRACT 的取值范围在 1 到 2，超出这个范围意味着输入几何有问题；PLAND 必须在 0 到 100 之间；PD 出现负值则一定存在数据异常。用脚本批量筛查异常值比肉眼可靠得多：
import pandas as pd df = pd.read_csv("fragstats_out.csv") # 按PDF给出的取值范围做合法性检查 assert df["FRACT"].between(1, 2).all(), "FRACT超出合理范围" assert df["PLAND"].between(0, 100).all(), "PLAND超出0-100范围" assert (df["NP"] >= 1).all(), "NP应不小于1" # ENN大于0（排除对角相接的边界情况） assert df["ENN"].min() > 0, "ENN出现零值，检查边缘处理参数"这套断言是按 PDF 记录的取值范围设置的，实践中还可增加一条：所有面积或长度指标不得为负数。通常异常值大多来自几何拓扑错误，比如矢量面有自相交导致面积计算不正。FRAGSTATS 在计算前会做几何检查，但不会自动修复，输出对应字段为空值或异常值。定位到问题斑块后，在 GIS 中修复几何再重新参与计算。
6.2 边缘深度与邻接规则的工程建议
运行 FRAGSTATS 前有两项参数必须策略性选择，且要在方法部分透明报告。第一是边缘深度（edge depth），它直接影响核心区指标。常用的做法是参考目标物种或文献设定，若生态学背景不明确，至少设置一个与像元分辨率成倍数的值（如 30 米栅格的 60 米、90 米），便于结果可复现。第二是邻接规则（八邻域或四邻域）。
对比实测数据看，同一张景观图，八邻域规则得到的 TE 明显高于四邻域，因为对角接触的边界也被计入。因此报告 TE、ED、PLADJ 等与邻接有关的指标时，必须注明邻接规则。同一研究内部保持统一参数，跨研究比较时先去检查对方方法学部分的参数设置，不一致则无法直接对比数值。
6.3 与生态学解释之间的翻译桥：一个案例对照
最后提供一个把 PDF 中多类指标组合进同一分析场景的案例。假设在一项城市生境网络评估中，数据表明研究区的 PLAND 显示林地面积占比 25%，但 NP 极高而 AREA_MN 很低，说明林地以细小斑块为主。此时再查 COHESION 和 CONNECT，发现连通程度低，说明这些林地斑块彼此隔离，不能构成有效的生态网络。同时检查林地类型的 FRACT 值若接近 1.3 到 1.4，说明边界复杂，多为人工切割导致的锯齿形状，这与城市扩张、路网分割的干扰模式一致。这样的多指标联动解读，正是把 PDF 中分散的定义转化成研究结论的过程；而 PDF 本身只是查找定义的入口，最终的解释深度取决于研究者对空间过程的理解和对参数口径的控制。这套清单虽然基础，但在需要快速核对缩写、单位、取值范围时，仍是效率最高的参考资料。
本文还有配套的精品资源，点击获取
