曹瑜娟 徐程揚 任雅雪 李夏榕

(北京林業(yè)大學城市林業(yè)研究中心 干旱半干旱地區(qū)森林培育及生態(tài)系統(tǒng)研究國家林業(yè)和草原局重點實驗室森林培育與保護教育部重點實驗室 北京 100083)

近年來，國內各地方政府積極推動“彩色森林”工程建設，對風景林的重視程度不斷提升。色彩作為人們視覺上感知風景林的要素，色彩格局較大程度上決定了風景林的視覺質量。色彩格局在本文中是指不同色彩在畫面或視域中的面積占比、色塊形狀和空間搭配情況。進行色彩格局分析的關鍵步驟是色彩量化。在以往研究中，學者主要利用Colorimpact(莫訓強等， 2010； 胡強等， 2018； Wangetal.， 2020)、Photoshop(邵娟，2012)、ArcGIS(毛斌，2015； 劉暢，2016)、Matlab(孫亞美，2015)等軟件工具提取色彩，通過人眼判斷、手動勾圖等方式劃分色彩邊界和區(qū)分色彩類別。此類方法效率不高、主觀性較強，穩(wěn)定性不足、易產(chǎn)生差錯，不利于高效、科學有效地進行色彩格局分析。

當前對景觀色彩格局的研究，多借用景觀格局指數(shù)表征色彩格局特征，但是景觀格局指數(shù)含義重復度高，指數(shù)間多具有較高的相關性(Riittersetal.， 1995； Cainetal.， 1997； 龔建周等， 2007)，不適合直接用于表達色彩格局特征。以往研究(章志都，2010； 劉暢，2016； 李蘋，2018)中的景觀格局指數(shù)多為主觀選定，未進行獨立性和敏感度檢驗。為避免所選指數(shù)間相互關聯(lián)、重疊、包容，指數(shù)選取時應進行獨立性檢驗。同時，所選指數(shù)應能夠有效捕捉色彩格局的變化(DeClercqetal.， 2006)。

本研究以北京八達嶺國家森林公園和幽嵐山坡峰嶺風景區(qū)黃櫨(Cotinuscoggygriavar.cinerea)風景林為對象，結合林學、色彩學與計算機科學等多學科知識，通過Python編程實現(xiàn)景觀照片色彩的自動化提取與量化，提出基于敏感度排序的景觀色彩格局指數(shù)篩選方法，從色彩分類、觀景距離2個側面檢測各景觀格局指數(shù)對風景林色彩格局變化的敏感度，篩選出相關性較高的指數(shù)，選定風景林景觀色彩格局指數(shù)。以期為科學有效地分析彩色風景林景觀視覺質量提供試驗支撐與理論依據(jù)。

1 研究區(qū)概況

八達嶺國家森林公園(116°0′52.20″E，40°20′46.01″N)位于北京市延慶區(qū)，地處萬里長城居庸關和八達嶺之間，東與懷柔相鄰，南與昌平相連，西面和北面與河北省懷來縣、赤城縣相接，總面積2 933.3 hm2，平均海拔780 m，土壤類型屬山地褐土。屬于典型的暖溫帶、半濕潤、大陸季風性氣候，年均氣溫10.8 ℃，最熱月(7月)平均氣溫26.9 ℃，最冷月(1月)平均氣溫-7.2 ℃，全年無霜期160天。年均降水量454 mm，降水集中在7—8月。公園內黃櫨風景林多于20世紀60—70年代營造。其他喬木樹種主要有山杏(Prunusarmeniacavar.ansu)、欒樹(Koelreuteriapaniculata)、側柏(Platycladusorientalis)、小葉樸(Celtisbungeana)、蒙桑(Morusmongolica)、榆樹(Ulmuspumila)、構樹(Broussonetiapapyrifera)、山荊子(Malusbaccata)、樸樹(Celtissinensis)、元寶楓(Acertruncatum)、酸棗(Zizyphusjujubavar.spinosa)、暴馬丁香(Syringareticulata)、臭椿(Ailanthusaltissima)、大果榆(U.macrocarpa)、絲棉木(Euonymusbungeanus)和油松(Pinustabulaeformis)等，在風景林秋景中，側柏、油松等樹種的葉色屬綠色系，欒樹、榆樹、酸棗等樹種的葉色屬黃色系，黃櫨、元寶槭等樹種的葉色屬紅色系。

幽嵐山坡峰嶺風景區(qū)(115°50′41.18″E，39°41′45.78″N)位于北京市房山區(qū)，向西可遠眺上方山國家森林公園，往東可俯瞰龍骨山北京人遺址，北接燕山余脈，南連廣袤平原。觀景區(qū)面積達133.3 hm2，植被是以黃櫨為主的闊葉混交林和黃櫨純林。風景區(qū)坡起處以柿(Diospyroskaki)、核桃(Juglansregia)、山桃(Amygdalusdavidiana)和山杏分布為主，伴生野酸棗、秋子梨(Pyrusussuriensis)等； 半坡以黃櫨為主，伴生榆樹、槲樹(Quercusdentata)和酸棗等； 高坡處密集分布著黃櫨、槲樹、榆樹、鵝耳櫪(Carpinusturczaninowii)、欒樹和河北楊(Populushopeiensis)等，主要紅葉樹種有黃櫨、元寶楓和火炬樹(Rhustyphina)等。

2 研究方法

2.1 數(shù)據(jù)獲取

2019年10月28日，時處八達嶺國家森林公園黃櫨風景林秋景最佳觀賞期，選擇公園內典型的12處黃櫨風景林，每處從近(8～15 m)、中(15～25 m)、中遠(25～40 m)和遠(40～60 m)4個距離的觀賞點拍攝，共48張照片作為試驗組，用于指數(shù)篩選。2019年10月29日、2020年10月26日，在幽嵐山坡峰嶺風景區(qū)，共選擇3處典型黃櫨風景林，也是每處從4個距離拍攝，共12張照片作為驗證組，用于驗證篩選方法的有效性及所選指數(shù)的可用性。照片拍攝過程中均遵循以下原則： 1)使用Nikon D3S機身，配Nikon AF-S 24～70 mm f/2.8ED鏡頭，拍攝焦距為35 mm； 2)拍照時天氣晴朗、能見度高，拍攝時間段為上午8:00—10:00； 3)利用三腳架固定相機，順光拍攝，不使用閃光燈； 4)盡量避免非景觀因素進入取景范圍。

2.2 色彩量化與分類

HSV(hue，saturation，value)色彩模型(Smith， 1978)將顏色分為色相(hue)、彩度(saturation)和明度(value)3個分量，符合人眼對色彩的直觀感知。本研究以HSV色彩模型為基礎進行非均勻彩色圖像量化和分類。參照以往研究(冀亞麗，2005； 陳秀新等， 2012； 曹瑜娟等， 2019)，將色相量化為16個類別，記為H1～H16，彩度和明度均量化為4個級別，分別記為S1～S4、V1～V4。于是，色彩空間量化為256(16×4×4)種顏色(圖1)。

圖1 HSV色彩模型下色彩的非均勻量化Fig. 1 Non-uniform quantization of color in HSV modelH1～H16： 每行色塊的色相The hue of color blocks in rows； S1～S4： 每列色塊的彩度The saturation of color blocks in columns； V1～V4： 每列色塊的明度: The value of color blocks in columns； 0～255： 每個色塊的代號The id number of color blocks.

色彩分類依托人工干預下的自動化程序進行。首先，將試驗組的48張照片從RGB色彩模型轉換為HSV色彩模型，并將真彩色照片量化為256色圖片。隨后，窮舉所有像素點，統(tǒng)計圖1中色塊所代表顏色(下文簡稱色塊)出現(xiàn)的頻率。最后，根據(jù)統(tǒng)計結果，結合色塊間的視覺相似性進行色彩分類。V1對應的全部色塊明度較低，主要是景觀中樹陰影、樹干部分展現(xiàn)的顏色，歸為黑色類； S1對應的色塊彩度較低，除黑色類已包含的色塊外，剩余色塊歸為灰色類，主要是灌木、草本、喬木落葉后樹冠及裸露土壤展現(xiàn)的顏色。除黑、灰色類外，將出現(xiàn)頻率較高的紅、黃、綠色系的21個色塊劃分為21類，出現(xiàn)頻率較小(0.1%～1%)的色塊合并至與其視覺相似的21類中。頻率極小(小于0.1%)的色塊歸為其他類。試驗組的部分遠景照片包含長城、天空等背景，使用Photoshop軟件將背景替換為出現(xiàn)頻率為0的155號色塊，歸為背景類，不參與指數(shù)計算。色彩共分為25類，在25類的基礎上，可細分為30類，合并為20、15、10類(表1)。

表1 256種顏色的5種分類Tab.1 Five classifications of 256 colors

2.3 指數(shù)初選與計算

基于國內外通用的景觀格局指數(shù)，結合色彩特征，在景觀水平上初步篩選出24個指數(shù)(表2)。首先，用Python程序對試驗組的照片進行像素級色彩替換，即將像素點的顏色替換為所在分類的最高頻色塊。隨后，用分類號表示該像素點，生成Fragstats軟件可處理的“IDF_ASCII”格式柵格化文件。在利用Fragstats格局分析軟件計算指數(shù)值的過程中，不同觀景距離拍攝的照片中像素點覆蓋的實景面積存在較大差異。為避免像元長度不一致導致的結果誤差，使用Photoshop軟件的標尺工具測量各組中不同觀景距離所拍照片中心位置處參照物的像素點數(shù)，計算像素點數(shù)與參照物實際長度的比值，即可得到每張照片的像元長度。

表2 初選的景觀色彩格局指數(shù)Tab.2 Pre-selected landscape color pattern indices

初選的24個指數(shù)中部分指數(shù)在含義上存在重疊。為確保最終篩選出的指數(shù)能夠較全面地表達色彩格局特征，且指數(shù)間相對獨立，需結合試驗組各指數(shù)值，對24個指數(shù)進行聚類分析。利用SPSS軟件對歸一化后的各指數(shù)值進行層次聚類，采用平方歐式距離計算類內距離，采用最遠鄰元素法確定類間距離。

2.4 敏感度計算

指數(shù)的敏感度通常是指在系統(tǒng)控制條件下，色彩格局的某一種變化所引起的指數(shù)值的改變量。敏感度高的指數(shù)能夠有效捕捉色彩格局的細微變化。首先，通過改變色彩分類數(shù)，使部分高頻顏色相互融合或進一步細分，進而改變色彩格局。指數(shù)對色彩分類的敏感度(c)使用公式1(Sinhaetal.， 2016)計算。遠距拍攝的照片取景面積大，色彩種類豐富，是進行色彩分類敏感度分析的理想選擇。選用其他照片進行色彩分類敏感度分析，可得到與遠景照片相似的結果。

(1)

式中：C30為在30類色彩分類中指數(shù)的值，C25、C20、C15和C10的含義以此類推。c值越大，表示該指數(shù)對改變色彩分類引起的色彩格局差異越敏感。

同樣，在同一片風景林中，色彩出現(xiàn)的頻率基本一致。從不同的觀景距離對同一風景林進行拍攝，通過變化景觀范圍改變色彩格局。指數(shù)對觀景距離的敏感度(d)的計算過程如公式2(Sinhaetal.， 2016)所示。25類色彩是衍生其他色彩分類的基礎，是進行觀景距離敏感度分析的首要選擇。選用其他色彩分類進行觀景距離敏感度分析，可得到與25類色彩相似的結果。

(2)

式中：D1、D2、D3、D4分別為在近景、中景、中遠景和遠景照片中指數(shù)的值。d值越大，表示該指數(shù)對觀景距離不同引起的色彩格局差異越敏感。

不同照片的c、d值存在較大差異，直接根據(jù)敏感度值篩選指數(shù)會影響結果的準確性。所以針對每一組照片，將指數(shù)分別依c、d值的降序排列，序號作為指數(shù)的敏感度排序值。分別取指數(shù)在12組照片中c、d的平均排序值，將c、d平均排序值的權重均設為0.5，計算可得指數(shù)的敏感度綜合排序值。依據(jù)綜合排序值，結合指數(shù)聚類結果，對排序靠前的指數(shù)進行獨立性檢驗和含義重復性排查。結合指數(shù)含義，在兼顧色彩分類和觀景距離敏感度、盡量涵蓋各大聚類、減少信息冗余的原則下篩選指數(shù)。

3 結果與分析

3.1 初選色彩格局指數(shù)聚類

利用層次聚類法，24個初選指數(shù)聚為6類(Ⅰ～Ⅵ)(圖2)。類I包含平均斑塊面積、平均核心面積、平均最鄰近距離和斑塊豐富度，主要表達色彩斑塊面積、多樣性方面的特征； 類Ⅱ包含Shannon’s均勻度指數(shù)、Shannon’s多樣性指數(shù)、修正Shannon’s多樣性指數(shù)，表達多樣性特征； 類Ⅲ包含斑塊數(shù)量、總邊緣長度、景觀形狀指數(shù)、總核心面積，主要表達面積、邊緣方面的特征； 類Ⅳ包含斑塊面積方差、斑塊面積標準差、最大斑塊指數(shù)、面積加權平均形狀指數(shù)，主要表達面積特征； 類Ⅴ包含蔓延度、聚合度、面積加權平均分維數(shù)、斑塊內聚力指數(shù)、平均分維數(shù)、平均形狀指數(shù)、散布與并列指數(shù)，主要表達聚合、形狀方面的特征； 類Ⅵ包含邊緣密度、平均周長面積比，主要表達邊緣特征。

圖2 初選景觀色彩格局指數(shù)的層次聚類樹狀圖Fig. 2 Dendrogram of the hierarchal clustering of pre-selected landscape color pattern indicesAREA_MN: 平均斑塊面積Mean patch area; CORE_MN: 平均核心面積Mean core area per patch; ENN_MN: 平均最鄰近距離Mean nearest neighbor distance; PR: 斑塊豐富度Patch richness; SHDI: Shannon’s多樣性指數(shù)Shannon’s diversity index; SHEI: Shannon’s均勻度指數(shù)Shannon’s evenness index; MSIDI: 修正Simpson’s多樣性指數(shù)Modified Simpson’s diversity index; NP: 斑塊數(shù)量Number of patches; TE: 總邊緣長度Total edge; LSI: 景觀形狀指數(shù)Landscape shape index; TCA: 總核心面積Total core area; AREA_CV: 斑塊面積方差Patch size coefficient of variation; SHAPE_AM: 面積加權平均形狀指數(shù)Area-weighted mean shape index; AREA_SD: 斑塊面積標準差Patch size standard deviation; LPI: 最大斑塊指數(shù)Largest patch index; CONTAG: 蔓延度Contagion index; AI: 聚合度Aggregation index; FRAC_AM: 面積加權平均分維數(shù)Area-weighted mean patch fractal dimension; COHESION: 斑塊內聚力指數(shù)Patch cohesion index; FRAC_MN: 平均分維數(shù)Mean patch fractal dimension; SHAPE_MN: 平均形狀指數(shù)Mean shape index; IJI: 散布與并列指數(shù)Interspersion and juxtaposition index; ED: 邊緣密度Edge density; PARA_MN: 平均周長面積比Mean perimeter/area ratio. 下同The same below.

3.2 指數(shù)對色彩分類的敏感度

計算試驗組12張遠景照片各初選指數(shù)的色彩分類敏感度。圖3展示了各指數(shù)在每張照片中的c值，虛線表示各指數(shù)平均c值的變化趨勢。橫坐標各指數(shù)依色彩分類敏感度平均排序值(表3)升序排列，指數(shù)的平均排序值越小，排序越靠前，其色彩分類敏感度越高。

由圖3可知，初選指數(shù)對色彩分類的敏感度存在較大差異，敏感度較高的指數(shù)有斑塊豐富度、斑塊面積標準差、平均核心面積、斑塊數(shù)量、平均斑塊面積、最大斑塊指數(shù)、面積加權平均形狀指數(shù)、斑塊面積方差、Shannon’s多樣性指數(shù)、邊緣密度、總邊緣長度、修正Shannon’s多樣性指數(shù)和平均周長面積比，主要來自類Ⅰ、Ⅳ和類Ⅵ，表達色彩斑塊的面積、多樣性、邊緣方面的特征。敏感度較低的指數(shù)有平均最鄰近距離、Shannon’s均勻度指數(shù)、散布與并列指數(shù)、蔓延度和景觀形狀指數(shù)，主要來自類Ⅴ和Ⅱ，表達色彩斑塊的聚合與離散性特征。而敏感度極低的指數(shù)聚合度、面積加權平均分維數(shù)、斑塊內聚力指數(shù)、平均形狀指數(shù)、平均分維數(shù)和總核心面積，來自類V和Ⅲ，主要表達色彩斑塊的形狀特征。

圖3 初選景觀色彩格局指數(shù)對色彩分類的敏感度Fig. 3 Sensitivity of Pre-selected landscape color pattern indices to color classification

3.3 指數(shù)對觀景距離的敏感度

基于試驗組48張照片，計算初選指數(shù)對觀景距離的敏感度。圖4表示各指數(shù)在每組照片中的d值，橫坐標各指數(shù)依觀景距離敏感度平均排序值(表3)升序排列。指數(shù)的平均排序值越小，排序越靠前，其觀景距離敏感度越高，虛線表示各指數(shù)平均d值的變化趨勢。

圖4 初選景觀色彩格局指數(shù)對觀景距離的敏感度Fig. 4 Sensitivity of pre-selected landscape color pattern indices to viewing distance

對觀景距離敏感度較高的指數(shù)包括總核心面積、總邊緣長度、斑塊數(shù)量、平均周長面積比、最大斑塊指數(shù)、平均最鄰近距離、斑塊面積標準差、景觀形狀指數(shù)、平均核心面積、平均斑塊面積、斑塊面積方差、面積加權平均形狀指數(shù)、修正Shannon’s多樣性指數(shù)、斑塊豐富度和邊緣密度，來自類Ⅲ、Ⅳ、Ⅵ和Ⅰ，主要表達色彩斑塊面積、邊緣方面的特征。因拍攝距離不同導致照片涵蓋實際面積有較大差異，所以各組中總核心面積的d值均較高。敏感度較低的指數(shù)Shannon’s多樣性指數(shù)、Shannon’s均勻度指數(shù)、蔓延度、聚合度、散布與并列指數(shù)和平均形狀指數(shù)，主要來自類Ⅴ和Ⅱ，表達色彩斑塊聚合、多樣性方面的特征。而敏感度極低的指數(shù)面積加權平均分維數(shù)、平均分維數(shù)、斑塊內聚力指數(shù)，來自類Ⅳ，主要表達色彩斑塊的形狀特征。

3.4 景觀色彩格局指數(shù)敏感度排序及其相關性

每個指數(shù)對色彩分類、觀景距離的敏感度存在較大差異(表3)。根據(jù)敏感度綜合排序值，選擇排序靠前，對色彩分類和觀景距離的敏感性均較強的15個指數(shù)： 來自類Ⅲ的斑塊數(shù)量、總邊緣長度和景觀形狀指數(shù)，來自類Ⅳ的最大斑塊指數(shù)、斑塊面積標準差和斑塊面積方差和面積加權平均形狀指數(shù)，來自類Ⅰ的平均斑塊面積、平均核心面積、斑塊豐富度和平均最鄰近距離，來自類Ⅵ的平均周長面積比和邊緣密度，修正Shannon’s多樣性指數(shù)及Shannon’s多樣性指數(shù)。剔除排序靠后、綜合排序值較大、敏感性較弱的9個指數(shù)，其中包含了類Ⅴ全部7個指數(shù)，說明類V的指數(shù)不適合于表征景觀色彩格局特征。

表3 初選景觀色彩格局指數(shù)敏感度排序Tab.3 Sensitivity ranks of pre-selected landscape color pattern indices

利用SPSS對敏感度較高的15個指數(shù)進行Pearson相關性分析，進一步剔除強相關指數(shù)。表4～8展示了15個指數(shù)在各自聚類中的相關性。類Ⅲ中斑塊數(shù)量、總邊緣長度和景觀形狀指數(shù)間均顯著正相關(Pearson相關系數(shù) > 0.95)，故只保留排序在前的斑塊數(shù)量。類Ⅳ中最大斑塊指數(shù)、斑塊面積標準差、斑塊面積方差和面積加權平均形狀指數(shù)間顯著正相關(Pearson相關系數(shù) > 0.84)，故僅保留排序在前的最大斑塊指數(shù)。在指數(shù)值計算中，當edge_depth設定為固定值1時，平均斑塊面積恒等于平均核心面積，斑塊豐富度、平均最鄰近距離與這2個指數(shù)均無顯著線性相關，故類I中保留平均斑塊面積、斑塊豐富度、平均最鄰近距離。類Ⅵ中平均周長面積比、邊緣密度兩者無顯著相關，均保留。類Ⅱ中修正Shannon’s多樣性指數(shù)、Shannon’s多樣性指數(shù)兩者顯著相關，故只保留排序在前的修正Shannon’s多樣性指數(shù)。因Pearson相關系數(shù)只能表示線性相關程度，所以保留下的8個指數(shù)中，還需根據(jù)各個指數(shù)的計算公式進行內涵式重疊測試(張國祥等， 1996)。在類Ⅵ中平均周長面積比和邊緣密度均為“總邊長/總面積”的函數(shù)，二者存在內涵式重疊，所以該類只選取平均周長面積比。類Ⅳ中的最大斑塊指數(shù)、類I中的平均斑塊面積、斑塊豐富度、平均最鄰近距離等指數(shù)間均不存在內涵式重疊。因此，最終選取的7個指數(shù)有斑塊數(shù)量(類Ⅲ)，最大斑塊指數(shù)(類Ⅳ)，平均斑塊面積、斑塊豐富度、平均最鄰近距離(類Ⅰ)，平均周長面積比(類Ⅵ)，修正Shannon’s多樣性指數(shù)(類Ⅱ)。

表4 類Ⅰ指數(shù)間的Pearson相關系數(shù)①Tab.4 Pearson correlation coefficients between color pattern indices in cluster Ⅰ

表5 類Ⅱ指數(shù)間的Pearson相關系數(shù)Tab.5 Pearson correlation coefficients between color pattern indices in cluster Ⅱ

表6 類Ⅲ指數(shù)間的Pearson相關系數(shù)Tab.6 Pearson correlation coefficients between color pattern indices in cluster Ⅲ

表7 類Ⅳ指數(shù)間的Pearson相關系數(shù)Tab.7 Pearson correlation coefficients between color pattern indices in cluster Ⅳ

表8 Ⅵ類指數(shù)間的Pearson相關系數(shù)Tab.8 Pearson correlation coefficients between color pattern indices in cluster Ⅵ

3.5 景觀色彩格局指數(shù)敏感度驗證

采用坡峰嶺黃櫨風景林照片(G20～G22)對篩選出的7個景觀色彩格局指數(shù)的通用性進行驗證。按照上文方法，處理驗證組照片并計算7個指數(shù)的c、d值，結果見表9。每個指數(shù)的c值均大于或等于0.17，說明7個指數(shù)均對色彩分類敏感。隨著色彩分類數(shù)減少，相似色彩斑塊發(fā)生了一定程度的合并，斑塊的最鄰近距離隨之改變。但平均最鄰近距離是景觀水平上照片中所有色彩斑塊最鄰近距離的平均值，變化幅度較小。景觀照片的色彩分類數(shù)是斑塊豐富度的最大可能取值，在內容不變的情況下，隨著色彩分類數(shù)減少，斑塊豐富度必然發(fā)生變化，所以斑塊豐富度的c最小值大于其他指數(shù)的c最小值。同時，每個指數(shù)的d值均大于或等于0.25，說明7個景觀色彩格局指數(shù)均對觀景距離敏感。隨著距離改變，照片涵蓋的景觀范圍發(fā)生明顯變化，色彩斑塊類型總數(shù)一定概率下會出現(xiàn)波動。但由于拍攝的對象不變，斑塊豐富度不會出現(xiàn)大幅變動，所以其d值最小。同樣，因為距離變化，斑塊數(shù)量會發(fā)生明顯變化，所以其d值最大。因此，選取的7個指數(shù)均能較好地反映景觀色彩格局特征。

表9 景觀色彩格局指數(shù)在驗證組中的色彩分類敏感度(c值)和觀景距離敏感度(d值)Tab.9 c-value and d-value of landscape color pattern indices in verification groups

4 討論

景觀的色彩格局特征是景觀視覺形態(tài)的重要組成部分(Sausmarez， 1983)，客觀地定量描述景觀視覺形態(tài)，是評價景觀視覺質量的基礎。本研究從景觀格局指數(shù)的色彩分類敏感度、觀景距離敏感度兩個方面，篩選綜合排序前15的指數(shù)進行獨立性檢驗。最終選取了線性不相關、內涵無重疊的7個景觀色彩格局指數(shù)： 斑塊數(shù)量、最大斑塊指數(shù)、平均斑塊面積、斑塊豐富度、平均最鄰近距離、平均周長面積比和修正Shannon’s多樣性指數(shù)，用來定量分析風景林色彩斑塊在面積、邊緣、多樣性、離散性等方面的特征。

選用斑塊數(shù)量描述景觀色彩格局的破碎情況，表征色彩斑塊的數(shù)量。當景觀面積不變時，斑塊數(shù)量越大，破碎度越高。斑塊數(shù)量隨觀景距離縮小明顯減少，表明景觀的色彩破碎度隨之降低。最大斑塊指數(shù)用以確定景觀的優(yōu)勢色彩及其占比(McGarigaletal.， 2009),平均斑塊面積可以衡量整個景觀的色彩斑塊面積的集中趨勢，反映景觀色彩的破碎程度(王艷霞等， 2016)。斑塊豐富度是對多種生態(tài)過程有重要影響的關鍵因素(Romme， 1982)，在景觀色彩結構中，表示色彩斑塊類型總數(shù)，反映了色彩類型的豐富程度。平均最鄰近距離表示同類型斑塊的離散、聚合程度(楊國靖等， 2004)，當平均最鄰近距離取值較大時，說明同類型色彩斑塊間隔距離遠，分布離散，景觀色彩很少成片連續(xù)分布； 當平均最鄰近距離取值較小時，同類型色彩斑塊相距較近，景觀色彩連續(xù)成片分布。平均周長面積比反映了景觀斑塊形狀的復雜程度，值越大，形狀越復雜(Patton， 1975)。隨著觀景距離減小，色彩斑塊復雜的邊界細節(jié)越清晰，平均周長面積比逐漸增大。修正Simpson’s多樣性指數(shù)表征景觀斑塊類型的多樣性及其面積分布的均勻度(Pielou， 1975； 馮湘蘭，2010)。當色彩類型不變時，各類型的色彩斑塊面積分布越均衡，修正Shannon’s多樣性指數(shù)值越大。

本研究將敏感度作為評判景觀格局指數(shù)能否有效捕捉色彩格局細微變化的標準。當參數(shù)變化量與色彩格局響應量之間的函數(shù)關系不明顯時，用指數(shù)的“(最大值-最小值)/最大值”計算敏感度，是一種高效易操作的處理方法。用最大值與最小值的差表示指數(shù)對色彩格局變化的響應范圍，差值與最大值的比保證了不同量綱指數(shù)間的可比性?；诜讲畹拿舾卸扔嬎惴椒?，重點表達了指數(shù)值與其均值的偏離程度。當最大值與最小值的差相同時，方差的取值不固定，不利于指數(shù)間相互比較。特別是當樣本量不足時，基于方差的敏感度難以準確表達指數(shù)捕捉景觀色彩格局細微變化的能力。

目前國內外學者提出的景觀格局指數(shù)類型豐富，共有200 多種。本研究以Fragstats軟件中常用的最簡單的景觀格局指數(shù)為例，進行了風景林景觀色彩格局指數(shù)篩選，可能還存在其他能夠表征色彩細節(jié)特征且敏感度高的指數(shù)未在本研究中進行分析。在今后的研究中，需深入挖掘以選擇出更多合適的指數(shù)，持續(xù)細化景觀色彩格局指數(shù)的使用方法。

5 結論

1)利用Python編程語言，實現(xiàn)了人工干預下的自動化色彩分類程序，解決了以人眼判斷、手動勾圖等方式劃分色彩邊界、區(qū)分色彩類別方法的效率不高、主觀性較強、穩(wěn)定性不足、易產(chǎn)生差錯等問題，減化了從色彩分類到指數(shù)計算的操作步驟，縮短了數(shù)據(jù)預處理用時，提高了照片處理效率，增強了結果穩(wěn)定性。

2)本研究提出了基于敏感度排序的色彩格局指數(shù)篩選方法，結合獨立性檢驗和含義重復性排查，減小了主觀選定格局指數(shù)可能引起的誤差。

3)本研究選取了線性不相關、含義無重疊的7個指數(shù)，即斑塊數(shù)量、最大斑塊指數(shù)、平均斑塊面積、斑塊豐富度、平均最鄰近距離、平均周長面積比和修正Simpson’s多樣性指數(shù)(MSIDI)，用于定量表達風景林景觀色彩在面積、邊緣、多樣性、離散性方面的特征。通用性驗證結果表明，7個指數(shù)均能有效捕捉因色彩分類和觀景距離不同導致的景觀色彩格局變化。