今天我们讨论的不是使用coverage格式，而是使用ArcGIS的另一种数据格式GeoDatabase来进行拓扑建立和处理。在ArcGIS中有关Topology操作有两个，一个是在ArcCatalog中，一个是在ArcMap中。通常我们在ArcCatalog中建立拓扑称为拓扑规则，而在ArcMap中建立拓扑称为拓扑处理。ArcCatalog中提供的创建拓扑规则，主要是用于进行拓扑错误的检查，其中部分规则可以在容限内对数据进行一些修改调整。建立好拓扑规则后，就可以在ArcMap中打开这些拓扑规则，根据错误提示进行修改。

ArcMap中的Topology工具条主要功能有对先拓扑（删除重复线，相交线断点等，Topology中的planarize lizes),根据先拓扑生成面（Topology中的construct features）、拓扑编辑（如共享边编辑等）、拓扑错误显示（用于显示在ArcCatalog中创建的拓扑规则错误，Topology中的error inspector）、拓扑错误重新验证（也即刷新错误记录）。

————————-Hi，我是分割线————————————————

先简单的说一下ArcGIS中拓扑检查的步骤：

1.启动ArcCatalog；任意选择一个本地目录，“右键”–>“新建”–>“创建personal Geodatabase ”；

2.选择刚才创建的GeoDatabase， “右键” –>“新建”–>“数据集datasets”；设置数据集的坐标系统，如果不能确定则你可以import要进行分析的数据的坐标系统；

3.选择刚才新建的数据集，“右键”–>“导入要素类import — feature class single”，导入你要进行拓扑分析的数据；

4.选择刚才新建的数据集，“右键”–>“新建”–>“拓扑”，创建拓扑，根据提示创建拓扑，添加拓扑规则；

5.进行拓扑分析，在ArcMap中打开由拓扑规则产生的文件，利用Topology工具条中错误记录信息进行修改，将数据导入ArcMap中，点击Edit进行编辑。

6.打开Edit下拉菜单，选择more editing tools — topology出现拓扑编辑工具栏。在Error inspector对话框中点击search now,找出所有拓扑的错误。对线状错误进行Mark as Exception。对Polygon错误逐个检查，首先选择错误的小班，点击右键选择Zoom to，然后点击Merge，选择合适的图版进行merge处理，这样不会丢失小版块的信息。

————————-Hi，我是分割线————————————————

要在ArcCatalog中创建拓扑规则，必须保证数据为GeoDatabase格式，且满足要进行拓扑规则检查的要素类在同一要素下。有关GeoDatabase的Topology规则：

多边形topology

1.must not overlay：单要素类，多边形要素相互不能重叠

2.must not have gaps：单要素类，连续连接的多边形区域中间不能有空白区（非数据区）

3.contains point：多边形＋点，多边形要素类的每个要素的边界以内必须包含点层中至少一个点

4.boundary must be covered by：多边形＋线，多边形层的边界与线层重叠（线层可以有非重叠的更多要素）

5.must be covered by feature class of：多边形＋多边形，第一个多边形层必须被第二个完全覆盖（省与全国的关系）

6.must be covered by：多边形＋多边形，第一个多边形层必须把第二个完全覆盖（全国与省的关系）

7.must not overlay with：多边形＋多边形，两个多边形层的多边形不能存在一对相互覆盖的要素

8.must cover each other：多边形＋多边形，两个多边形的要素必须完全重叠

9.area boundary must be covered by boundary of：多边形＋多边形，第一个多边形的各要素必须为第二个的一个或几个多边形完全覆盖

10.must be properly inside polygons：点＋多边形，点层的要素必须全部在多边形内

11.must be covered by boundary of：点＋多边形，点必须在多边形的边界上

线topology

1.must not have dangle：线，不能有悬挂节点

2.must not have pseudo-node：线，不能有伪节点

3.must not overlay：线，不能有线重合（不同要素间）

4.must not self overlay：线，一个要素不能自覆盖

5.must not intersect：线，不能有线交叉（不同要素间）

6.must not self intersect：线，不能有线自交叉

7.must not intersect or touch interrior：线，不能有相交和重叠

8.must be single part：线，一个线要素只能由一个path组成

9.must not covered with：线＋线，两层线不能重叠

10.must be covered by feature class of：线＋线，两层线完全重叠

11.endpoint must be covered by：线＋点，线层中的终点必须和点层的部分（或全部）点重合

12.must be covered by boundary of：线＋多边形，线被多边形边界重叠

13.must be covered by endpoint of：点＋线，点被线终点完全重合

14.point must be covered by line：点＋线，点都在线上

————————-Hi，我是分割线————————————————

Geodatabase组织结构。

Geodatabases中，将地理数据组织成为数据对象（data objects）。这些数据对象存储于要素类（feature class）、对象类（object class）或要素集（feature datasets）中。

对象类（object class）用于存储非空间信息。

要素类（feature class）则存储了空间信息及其相应的属性信息，在同一个要素类中，空间要素的几何形状必须一致，比如必须都是点、线或者面。简言之，要素类是同类要素的集合。

要素集（feature dataset）用于存放具有同一空间参考（spatial reference）的要素类。存放了简单要素的要素类可以存放于要素集中，也可以作为单个要素类直接存放在Geodatabase的目录下。直接存放在Geodatabase目录下的要素类也称为独立要素类（standalone feature）。存储拓扑关系的要素类必须存放到要素集中，使用要素集的目的是确保这些要素类具有统一的空间参考，以利于维护拓扑。Geodatabase支持要素类之间的逻辑完整性，体现为对复杂网络（complex networks）、拓扑规则和关联类等的支持。下面描述Geodatabase中的数据对象（data objects）。

要素类（Feature class）

要素类，可称为点、线或面类型要素的集合，同时，地图的文本信息也可用注记（annotation）要素类存储。非独立要素类，也就是相关联的要素类（如参与拓扑规则或者几何网络的要素类），以要素集的形式管理到一起。

栅格数据集（Raster data set）

以栅格表的形式管理的单或多波段栅格数据。

表（Tables）

描述非空间信息的表。

关联类（Relationships）

关联类是一种机制：从一个表（要素类）中选择记录以后，可以在相关联的表（要素类）中可以获取到相应记录。

域（Domains）

列有效值的一个列表（或范围）。

子类（Subtypes）

将要素类中的要素进行了逻辑分组，每一个分组便是一个子类。每一个这样的都有其完整性规则和GIS行为（如高速公路，是道路要素的一个子集）。

空间关系（Spatial relationships）

在拓扑工具（topologies）或几何网络（Geometric network）中定义。拓扑规则可以指定要素类中的要素之间有何种空间关系，如地块之间不能重叠(overlap)，或者多个不同要素类中的要素之间的空间关系，比如国家首都（点要素）必须位于该国家疆土（面要素）上。

元数据（Metadata）数据库中的每个元素的描述文档。

公式描述：CA等于某一拼块类型中所有拼块的面积之和（m2)，除以10000后转换为公顷（ha）；即某拼块类型的总面积。

生态意义：CA度量的是景观的组分，也是计算其他指标的基础。它由很重要的生态意义，其值的大小制约着以此类型拼块作为聚居地（Habitation）的物种的丰度、数量、食物链及其次生物种的繁殖等，如许多生物对其聚居地最小面积的需求是其生存的条件之一；不同类型面积的大小能够反映出其间物种、能量和养分等信息流的差异，一般来说，一个拼块中能量和矿物养分的总量与其面积成正比；为了理解和管理景观，我们往往需要了解拼块的面积大小，如所需要的拼块最小面积和最佳面积是极其重要的两个数据。

景观面积（TA），单位：ha,范围：TA > 0

公式描述：TA等于一个景观的总面积，除以10000后转化为公顷（ha）。

生态意义：TA决定了景观的范围以及研究和分析的最大尺度，也是计算其他指标的基础。在自然保护区设计和景观生态建设中，对于维护高数量的物种，维持稀有种、濒危种以及生态系统的稳定，保护区域景观的面积是最重要的因素。

拼块所占景观面积的比例（%LAND），单位：百分比，范围：0< %LAND <= 100

公式描述：%LAND等于某一拼块类型的总面积占整个景观面积的百分比。其值趋于0时，说明景观中此拼块类型变得十分稀少；其值等于100的时候，说明整个景观只由一类拼块组成。

生态意义：：%LAND度量的是景观的组分，其在拼块级别上与拼块相似度指标（LSIM）的意义相同。由于它计算的是某一拼块类型占整个景观的面积的相对比例，因而是帮助我们确定景观中模地（Matrix）或优势景观元素的依据之一；也是决定景观中的生物多样性、优势种和数量等生态系统指标的重要因素。

拼块个数（NP），单位：无，范围：NP>=1

公式描述：NP在类型级别上等于景观中某一拼块类型的拼块总个数；在景观级别上等于景观中所有的拼块总数。

生态意义：NP反映景观的空间格局，经常被用来描述整个景观的异质性，其值的大小与景观的破碎度也有很好的正相关性，一般规律是NP大，破碎度高；NP小，破碎度低。NP对许多生态过程都有影响，如可以决定景观中各种物种及其次生种的空间分布特征；改变物种间相互作用和协同共生的稳定性。而且，NP对景观中各种干扰的蔓延程度有重要的影响，如某类拼块数目多且比较分散时，则对某些干扰的蔓延（虫灾、火灾等）有抑制作用。

最大拼块所占景观面积的比例（LPI），单位：百分比，范围：0<LPI<=100

公式描述：LPI等于某一拼块类型中的最大拼块占据整个景观面积的比例。

生态意义：有助于确定景观的模地或优势类型等。其值的大小决定着景观中的优势种、内部种的丰度等生态特征；其值的变化可以改变干扰的强度和频率，反映人类活动的方向和强弱。

拼块平均大小（MPS），单位：ha，范围：MPS>0

公式描述：MPS在拼块级别上等于某一拼块类型的总面积除以该类型的拼块数目；在景观级别上等于景观总面积除以各个类型的拼块总数。

生态意义：MPS代表一种平均状况，在景观结构分析中反映两方面的意义：景观中MPS值的分布区间对图像或地图的范围以及对景观中最小拼块粒径的选取有制约作用；另一方面MPS可以指征景观的破碎程度，如我们认为在景观级别上一个具有较小MPS值的景观比一个具有较大MPS值的景观更破碎，同样在拼块级别上，一个具有较小MPS值的拼块类型比一个具有较大MPS值的拼块类型更破碎。研究发现MPS值的变化能反馈更丰富的景观生态信息，它是反映景观异质性的关键。

面积加权的平均形状因子（AWMSI）

公式描述：AWMSI在拼块级别上等于某拼块类型中各个拼块的周长与面积比乘以各自的面积权重之后的和；在景观级别上等于各拼块类型的平均形状因子乘以类型拼块面积占景观面积的权重之后的和。其中系数0.25是由栅格的基本形状为正方形的定义确定的。公式表明面积大的拼块比面积小的拼块具有更大的权重。当AWMSI=1时说明所有的拼块形状为最简单的方形（采用矢量版本的公式时为圆形）；当AWMSI值增大时说明拼块形状变得更复杂，更不规则。

生态意义：AWMSI是度量景观空间格局复杂性的重要指标之一，并对许多生态过程都有影响。如拼块的形状影响动物的迁移、觅食等活动，影响植物的种植与生产效率；对于自然拼块或自然景观的形状分析还有另一个很显著的生态意义，即常说的边缘效应。

面积加权的平均拼块分形指数（AWMPFD），单位：无，范围：1<=AWMPFD<=2

公式描述：AWMPFD的公式形式与AWMSI相似，不同的是其运用了分维理论来测量拼块和景观的空间形状复杂性。AWMPFD=1代表形状最简单的正方形或圆形，AWMPFD=2代表周长最复杂的拼块类型，通常其值的可能上限为1.5。

生态意义：AWMPFD是反映景观格局总体特征的重要指标，它在一定程度上也反映了人类活动对景观格局的影响。一般来说，受人类活动干扰小的自然景观的分数维值高，而受人类活动影响大的人为景观的分数维值低。应该指出的是，尽管分数维指标被越来越多地运用于景观生态学的研究，但由于该指标的计算结果严重依赖于空间尺度和格网分辨率，因而我们在利用AWMPFD指标来分析景观结构及其功能时要更为审慎。

平均最近距离（MNN），单位：m，范围：MNN>0

公式描述：MNN在拼块级别上等于从拼块ij到同类型的拼块的最近距离之和除以具有最近距离的拼块总数；MNN在景观级别上等于所有类型在拼块级别上的MNN之和除以景观中具有最近距离的拼块总数。

生态意义：MNN度量景观的空间格局。一般来说MNN值大，反映出同类型拼块间相隔距离远，分布较离散；反之，说明同类型拼块间相距近，呈团聚分布。另外，拼块间距离的远近对干扰很有影响，如距离近，相互间容易发生干扰；而距离远，相互干扰就少。但景观级别上的MNN在拼块类型较少时应慎用。

平均邻近指数（MPI），单位：无，范围：MPI>=0

公式描述：给定搜索半径后，MPI在拼块级别上等于拼块ijs的面积除以其到同类型拼块的最近距离的平方之和除以此类型的拼块总数；MPI在景观级别上等于所有拼块的平均邻近指数。MPI=0时说明在给定搜索半径内没有相同类型的两个拼块出现。MPI的上限是由搜索半径和拼块间最小距离决定的。

生态意义：MPI能够度量同类型拼块间的邻近程度以及景观的破碎度，如MPI值小，表明同类型拼块间离散程度高或景观破碎程度高；MPI值大，表明同类型拼块间邻近度高，景观连接性好。研究证明MPI对拼块间生物种迁徙或其它生态过程进展的顺利程度都有十分重要的影响。

景观丰度（PR），单位：无，范围：PR>=1

公式描述：PR等于景观中所有拼块类型的总数。

生态意义：PR是反映景观组分以及空间异质性的关键指标之一，并对许多生态过程产生影响。研究发现景观丰度与物种丰度之间存在很好的正相关，特别是对于那些生存需要多种生境条件的生物来说PR就显得尤其重要。

香农多样性指数（SHDI），单位：无，范围：SHDI>=0

公式描述：SHDI在景观级别上等于各拼块类型的面积比乘以其值的自然对数之后的和的负值。SHDI=0表明整个景观仅由一个拼块组成；SHDI增大，说明拼块类型增加或各拼块类型在景观中呈均衡化趋势分布。

生态意义：SHDI是一种基于信息理论的测量指数，在生态学中应用很广泛。该指标能反映景观异质性，特别对景观中各拼块类型非均衡分布状况较为敏感，即强调稀有拼块类型对信息的贡献，这也是与其它多样性指数不同之处。在比较和分析不同景观或同一景观不同时期的多样性与异质性变化时，SHDI也是一个敏感指标。如在一个景观系统中，土地利用越丰富，破碎化程度越高，其不定性的信息含量也越大，计算出的SHDI值也就越高。景观生态学中的多样性与生态学中的物种多样性有紧密的联系，但并不是简单的正比关系，研究发现在一景观中二者的关系一般呈正态分布。

香农均度指数（SHEI），单位：无，范围：0<=SHEI<=1

公式描述：SHEI等于香农多样性指数除以给定景观丰度下的最大可能多样性（各拼块类型均等分布）。SHEI=0表明景观仅由一种拼块组成，无多样性；SHEI=1表明各拼块类型均匀分布，有最大多样性。

生态意义：SHEI与SHDI指数一样也是我们比较不同景观或同一景观不同时期多样性变化的一个有力手段。而且，SHEI与优势度指标（Dominance）之间可以相互转换（即evenness=1-dominance）,即SHEI值较小时优势度一般较高，可以反映出景观受到一种或少数几种优势拼块类型所支配；SHEI趋近1时优势度低，说明景观中没有明显的优势类型且各拼块类型在景观中均匀分布。

散布与并列指数（IJI），单位：百分比，范围：0<IJI<=100

公式描述：IJI在拼块类型级别上等于与某拼块类型i相邻的各拼块类型的邻接边长除以拼块i的总边长再乘以该值的自然对数之后的和的负值，除以拼块类型数减1的自然对数，最后乘以100是为了转化为百分比的形式；IJI在景观级别上计算各个拼块类型间的总体散布与并列状况。IJI取值小时表明拼块类型i仅与少数几种其它类型相邻接；IJI=100表明各拼块间比邻的边长是均等的，即各拼块间的比邻概率是均等的。

生态意义：IJI是描述景观空间格局最重要的指标之一。IJI对那些受到某种自然条件严重制约的生态系统的分布特征反映显著，如山区的各种生态系统严重受到垂直地带性的作用，其分布多呈环状，IJI值一般较低；而干旱区中的许多过渡植被类型受制于水的分布与多寡，彼此邻近，IJI值一般较高。

蔓延度指数（CONTAG），单位：百分比，范围：0<CONTAG<=100

公式描述：CONTAG等于景观中各拼块类型所占景观面积乘以各拼块类型之间相邻的格网单元数目占总相邻的格网单元数目的比例，乘以该值的自然对数之后的各拼块类型之和，除以2倍的拼块类型总数的自然对数，其值加1后再转化为百分比的形式。理论上，CONTAG值较小时表明景观中存在许多小拼块；趋于100时表明景观中有连通度极高的优势拼块类型存在。应该指出的是，该指标只能运行在FRAGSTATS软件的栅格版本中。

生态意义：CONTAG指标描述的是景观里不同拼块类型的团聚程度或延展趋势。由于该指标包含空间信息，是描述景观格局的最重要的指数之一。一般来说，高蔓延度值说明景观中的某种优势拼块类型形成了良好的连接性；反之则表明景观是具有多种要素的密集格局，景观的破碎化程度较高。而且研究发现蔓延度和优势度这两个指标的最大值出现在同一个景观样区。该指标在景观生态学和生态学中运用十分广泛，如Graham等曾用蔓延度指标进行生态风险评估；Musick和Grover 用它来量测图像的纹理等。

Metric Definitions (from McGarigal and Marks, 1994 and McGarigal and Marks, 1995)

Class Area (CA)

Sum of areas of all patches belonging to a given class.

Example: Conifer Class Area (CA) = 359047.844+……+65819.984

CA = 69.6626 hectares

If the map units are not specified (i.e., Data Frame properties; see Set map units) and “State areas in Hectares” has not been selected in the “Advanced Options” of the “Spatial Statistics” dialog box, then the resulting statistics will be reported in native map units (vector layers (themes) only).

In the example; CA = 696626.012 (map units). This is the case for most statistics.

Landscape Area (TLA)

Sum of areas of all patches in the landscape.

Example: Landscape Area (TLA) = 46872.719 + 359047.844 +… + 62423.574

TLA = 184.11 hectares

Percentage of Landscape (ZLAND)

When analyzing by class, ZLAND is the percentage of the total landscape made up of the corresponding class (patch type).

Number of Patches (NumP)

Total number of patches in the landscape if “Analyze by Landscape” is selected, or Number of Patches for each individual class, if “Analyze by Class” is selected.

Example: Class Level: Number of Patches (NumP)

Mixedwood = 5, Conifer = 4, Deciduous = 5

Landscape Level: Number of Patches (NumP) = 14

Patch Richness (PR)

PR is the number of different patch types within the landcape’s boundary.

Patch Richness Density (PRD)

PRD is equal to PR divided by the total area of the landscape (metres squared) multiplied by 10,000 and then 100 (to convert to hundreds of hectares).

Largest Patch Index (LPI)

The LPI is equal to the percent of the total landscape that is made up by the largest patch.

When the entire landscape is made up of a single patch, the LPI will equal 100. As the size of the largest patch decreases, the LPI approaches 0.

Mean Patch Size (MPS)

Average patch size.

Example: Mean Patch Size of Conifer Patches (Class Level)

MPS = (359047.844 + 139531.484 …+ 65819.984)/4

MPS = 17.42 hectares

Example: Mean Patch Size of Patches (Landscape Level)

MPS = (46872.719 + 359047.844 + … + 62432.574)/14

MPS = 13.15 hectares

Median Patch Size (MedPS)

The middle patch size, or 50th percentile.

Example: Median Patch size of Conifer Patches (Class Level)

MedPS = 13.22 hectares

Example: Median Patch size of all patches (Landscape Level)

MedPS = 7.59 hectares

Patch Size Standard Deviation (PSSD)

Standard Deviation of patch areas.

Example: Patch Size Standard Deviation of Conifer Patches (Class Level)

PSSD = 11.05 hectares

Example: Patch Size Standard Deviation of all patches (Landscape Level)

PSSD = 9.51 hectares

Patch Size Coefficient of Variance (PSCoV)

Coefficient of variation of patches.

Example: Coefficient of Variation of Conifer patches (Class Level)

PSCoV = PSSD/MPS = (11.05 hectares / 17.42 hectares) *100 = 63

Example: Coefficient of Variation of all patches (Landscape Level)

PSCoV = (9.51 hectares / 13.15 hectares)*100 =72

Total Edge (TE)

Perimeter of patches.

Example: Total Edge Conifer (Class Level)

TE = Sum of perimeter of all conifer patches.

TE = 10858.88 metres

Units are expressed in native maps units.

Example: Total Edge all patches (Landscape Level)

TE = Sum of perimeter of all patches

TE = 28607.27 metres

Important

In the case of vector layers (themes), edge calculations include all the edge on the landscape including boundary edge. The contrasted weighted edge feature allows edge weight at the boundaries to be set to zero. In the case of raster (grid) layers (themes), edge calculations do not include the edges that surround the landscape boundary edge or any interior edges that include pixels classified as No Data.

Edge Density (ED)

Amount of edge relative to the landscape area.

Example: Edge Density Conifer (Class Level)

ED = TE / TLA

ED = 10858.88 metres/184.11 hectares = 58.98 metres/hectare

Example: Edge Density of all Patches (Landscape Level)

ED = 28607.27 metres/184.11 hectares = 155.38 metres/hectare

Mean Patch Edge (MPE)

Average amount of edge per patch.

Example: Mean Patch Edge Conifer (Class Level)

MPE = TE / NumP

MPE = 10858.88 metres/4 patches = 2714.72 metres/patch

Example: Mean Patch Edge all Patches (Landscape Level)

MPE = TE / NumP

MPE = 28607.27 metres/14 patches = 2043.38 metres/patch

Contrasted Weighted Edge Density (CWED)

CWED is a measure of density of edge in a landscape (metres per hectare) with a user-specified contrast weight.

CWED is equal to 0 when there is no edge in the landscape, in other words the whole landscape and it’s border are made up of a single patch. It’s value increases as the amount of edge in the landscape increases and/or as the user increases the contrast weight.

Landscape Shape Index (LSI)

LSI is the total landscape boundary and all edge within the boundary divided by the square root of the total landscape area (square metres) and adjusted by a constant (circular standard for vector layers, square standard for rasters). The LSI will increase with increasing landscape shape irregularity or increasing amounts of edge within the landscape.

Double Log Fractal Dimension (DLFD)

DLFD is a measure of patch perimeter complexity. It nears 1 when patch shapes are ’simple’, such as circles or squares and it approaches 2 as patch shape perimeter complexity increases.

Mean Perimeter-Area Ratio (MPAR)

Shape Complexity.

Example: Mean perimeter-area ratio Conifer (Class Level)

MPAR = Sum of each patches perimeter/area ratio divided by number of patches.

MPAR = (132 m/ha + 112 m/ha + 201 m/ha + 84 m/ha)/4 patches

MPAR = 182 metres/hectare

Example: Mean perimeter-area ratio all patches (Landscape Level)

MPAR = (200 m/ha + 132 m/ha + … + 175 m/ha)/14 patches

MPAR = 185 metres/hectare

Mean Shape Index (MSI)

Shape Complexity.

MSI is equal to 1 when all patches are circular (for polygons) or square (for rasters (grids)) and it increases with increasing patch shape irregularity.

MSI = sum of each patch’s perimeter divided by the square root of patch area (in hectares) for each class (when analyzing by class) or all patches (when analyzing by landscape), and adjusted for circular standard ( for polygons), or square standard (for rasters (grids)), divided by the number of patches.

Area Weighted Mean Shape Index (AWMSI)

AWMSI is equal to 1 when all patches are circular (for polygons) or square (for rasters (grids)) and it increases with increasing patch shape irregularity.

AWMSI equals the sum of each patch’s perimeter, divided by the square root of patch area (in hectares) for each class (when analyzing by class) or for all patches (when analyzing by landscape), and adjusted for circular standard ( for polygons), or square standard (for rasters (grids)), divided by the number of patches. It differs from the MSI in that it’s weighted by patch area so larger patches will weigh more than smaller ones.

Mean Patch Fractal Dimension (MPFD)

Shape Complexity.

Mean patch fractal dimension (MPFD) is another measure of shape complexity. Mean fractal dimension approaches one for shapes with simple perimeters and approaches two when shapes are more complex.

Area Weighted Mean Patch Fractal Dimension (AWMPFD)

Shape Complexity adjusted for shape size.

Area weighted mean patch fractal dimension is the same as mean patch fractal dimension with the addition of individual patch area weighting applied to each patch. Because larger patches tend to be more complex than smaller patches, this has the effect of determining patch complexity independent of its size. The unit of measure is the same as mean patch fractal dimension.

Mean Nearest Neighbor (MNN)

Measure of patch isolation.

The nearest neighbor distance of an individual patch is the shortest distance to a similar patch (edge to edge). The mean nearest neighbor distance is the average of these distances (metres) for individual classes at the class level and the mean of the class nearest neighbor distances at the landscape level.

Interspersion Juxtaposition Index (IJI)

Measure of patch adacency.

Approaches zero when the distribution of unique patch adjacencies becomes uneven and 100 when all patch types are equally adjacent.

Interspersion requires that the landscape be made up of a minimum of three classes. At the class level interspersion is a measure of relative interspersion of each class. At the landscape level it is a measure of the interspersion of the each patch in the landscape.

Mean Proximity Index (MPI)

Measure of the degree of isolation and fragmentation.

Mean proximity index is a measure of the degree of isolation and fragmentation of a patch. MPI uses the nearest neighbor statistic. The distance threshold default is 1,000,000. If MPI is required at specific distances, select Set MPI Threshold from the main Patch pull-down menu and enter a threshold distance.

Both MNN and MPI use the nearest neighbor statistic of similar polygons in their algorithm. Occasionally a blank or zero will be reported in MNN and MPI fields. This happens when one polygon vertex touches another polygons border but the two similar polygons do not share a common border. When this happens a manual edit (move) of the touching vertex will correct the problem in the layer (theme). This problem will not happen when analyzing raster (grid) layers (themes).

Shannon’s Diversity Index (SDI)

Measure of relative patch diversity.

Shannon’s diversity index is only available at the landscape level and is a relative measure of patch diversity. The index will equal zero when there is only one patch in the landscape and increases as the number of patch types or proportional distribution of patch types increases.

Shannon’s Evenness Index (SEI)

Measure of patch distribution and abundance.

Shannon’s evenness index is equal to zero when the observed patch distribution is low and approaches one when the distribution of patch types becomes more even. Shannon’s evenness index is only available at the landscape level.

Modified Simpson’s Diversity Index (MSIDI)

MSIDI is a measure of patch diversity. It equals zero when there is only one patch in the landscape and increases as the number of different patch types (PR) increases and the area among patch types becomes more equal.

Simpson’s Evenness Index (SIEI)

SIEI is a measure of the distribution of area among patch types. It equals 1 when the distribution of area among patches is exactly even. SIEI approaches 0 as the distribution of area among the patches become more and more dominated by one patch type.

Modified Simpson’s Evenness Index (MSIEI)

MSIEI is a measure of the distribution of area among patch types. It equals 1 when the distribution of area among patches is exactly even. SIEI approaches 0 as the distribution of area among the patches become more and more dominated by one patch type. It differs from SIEI in that it is derived from the Modified Simpson’s Diversity Index (MSIDI) rather than the Simpson’s Diversity Index (SIDI).

Important

Direct analyses of Core Area through the spatial statistics dialogue are only available for raster (grid) layers (themes). If core area statistics are required for vector layers (themes), first Create Core Areas (create a new core area theme) from the Patch pull-down menu and then calculate statistics for the new layer (theme) as you would for a normal vector layer (theme). The results will be core area statistics.

Total Core Area (CA)

The total size of disjunct core patches.

The total size of disjunct core area patches (hectares).

Mean Core Area (MCA)

The average size of disjunct core patches.

The mean size of disjunct core area patches (hectares).

Number of Core Areas (NCA)

The total number of disjunct core areas within each patch of a corresponding patch type (or class).

Mean Core Area Index (MCAI)

MCAI is the average percentage of a landscape patch that is core area. It will be equal to 0 when there is no core area present in any patch in the landscape and it increases (towards 100%) when patches contain mostly core area.

Core Area Standard Deviation (CASD)

Measure of variability in core area size.

The standard deviation of disjunct core areas (hectares).

Core Area Density (CAD)

The relative number of disjunct core patches relative to the landscape area.

The total number of all disjunct patches divided by the landscape area (number of disjunct core patches/hectare).

Total Core Area Index (TCAI)

Measure of amount of core area in the landscape.

Total core area index is a measure of the amount of core area in the landscape. Total core area index is a proportion of core area in the entire landscape and is equal to zero when no patches in the landscape contain core and approaches one as the relative proportion of core area in the landscape increases.

Core Area Percentage of Land (C_LAND)

C_LAND is the percentage of the total landscape which is made up of core area.

Mean Core Area per Patch (MCA1)

MCA1 is the average core area per patch (as opposed to all distunct core areas).

It equals the sum of the core areas of each patch or corresponding patch type, divided by the number of total patches of the same type, divided by 10, 000 (to convert to hectares).

Core Area Coefficient of Variance (CACOV)

CACOV represents the variability in size of disjunct core areas in relation to the mean core area.

Patch Core Area Standard Deviation (CASD1)

Measure of variability in patch core area size.

The standard deviation of patch core areas (hectares).

Patch Core Area Coefficient of Variation (CACV1)

The standard deviation in core areas (CASD) divided by the mean core area per patch (MCA) and multplied by 100 (%).

The variablility in core area among patches relative to the mean core area.

其中第3版增加了
1.用户图形界面
2 新的景观指数
3 临近距离
4 核心区面积
5 移动窗口分析
6 背景和边界
7 命令行扩展

Fragstats是由美国俄勒冈州立大学森林科学系开发的一个景观指标计算软件，它由两个版本，矢量版本运行在Arc/INFO环境中，接受Arc/INFO的矢量图层；栅格版本可以接受Arc/INFO、IDRISI、ERDAS等多种格式的格网数据。两个版本的区别在于：栅格版本可以计算最近距离、邻近指数和蔓延度，而矢量版本不行；另一个区别是对边缘的处理，由于格网化的地图中，拼块边缘总是大于实际的边缘，因此栅格版本在计算边缘参数时，会产生误差，这种误差依赖于网格的分辨率。

从Fragstats的网站上下载相应的程序包：

下载Fragstats3.3的压缩文件之后，解压直接运行里面的exe即可运行Fragstats软件。

我使用的是Windows7 32操作系统，ArcGIS9.3.

运行软件后，设置参数，可以选择Arc Grid.如果你遇到Arc Grid不可用，可能是你电脑上安装的ArcGIS有关，因为该软件读取Grid数据要调用Arc/INFO中的动态链接库，可以使用如下解决办法：

设置我的电脑—环境变量—第一个当中新建名为path，路径为C:\esri\av30\bin32

需要安装arcview3.2和spatial Analysis..这样设置以后，fragstats的ArcGrid就可用了，你可以用grid格式的数据进行分析了。

fragstats计算景观指标的操作比较简单，大体步骤如下：

1）  运行软件，设置参数：fragstats—set run parameters, 可选择输入数据类型，如选择arc grid数据类型，然后选择输入文件以及输出文件，选择斑块、类、景观水平上的指标或全选。

2）  选择要计算的指标，如要计算景观水平上的指标，选select land metrics, 并选择相应的指标。

3）  运行，excute

4）  查看结果，brows result

5）  保存结果

　　09年上半年，我好像回到了高中一样，木讷、沉默、不善言语。一方面毕业带来的离别，另一方面，感情上被人伤的一无是处。上半年，她来看了3次，好像是第一次来兰州看我，有了第一次就有了后面几次。上半年彻底的把自己掏空了，帮老师做事情却什么也没学到；学业上面一点成就感都找不到，自卑，没有按照自己的想法保送等等。一直在自责与无为，一遍遍的在心底告诉自己：“虽然你还在兰州，但是你一定能行的，一定能够比任何人都要努力，实现自己的梦想！”也许是自欺欺人的想法。就这样碌碌的半年之后，毕业论文答辩之后的彻底解放……然后就是她去了深圳工作。高中的老班长到现在的QQ签名都还是“上班的人过着猪一样的日子，上学的人过着狗一样的日子，考研的人过着猪狗不如的日子”，这个签名貌似2009年1月就开始了，知道我写下这些东东为止，还没有改。哎，我就真的过着猪一样的生活，没有了刚上大学的自控自律、规律生活以及那种对理想的追逐的兴奋。大学毕业的时候感觉自己真的没戏了，什么都得靠自己。后来暑假又要帮老师干活，凭什么研究生的导师就可以压榨我们，不服，终于知道了为什么这么多潜规则了，社会就是这样残酷。

　　其实上半年也不是一无是处，帮老板完成了甘肃省黄河流域水资源管理地理信息系统的建设，自己独立完成了50%的工作；给老师做了一个精品课程的网站，赚了点住宿费。这两个还是比较让我有成就感的，哎也不能一直这样鄙视和挖苦自己。其实上半年的事，不知道是因为记忆力的衰退还是我本身就不喜欢记忆那些不开心的事的缘故，基本忘记的差不多了，只知道了一句话“兵熊熊一个，将熊熊一窝！”的真谛。

　　暑假回家了半个月，家里总是给我安全感，不论那是一个什么样的家，支离破碎、幸福美满、异或是不喜欢回的那个家。回家了，见到了亲人和久别的朋友，总会让你心里得到丝丝的温暖以及发自内心的精神动力。回家冲了半个月的电就到了开学的时间了，冲冲返校。

研究生的学习生活充满了荆棘，感觉需要自己跟自己的一些不好的习惯和缺点作斗争。在这场斗争中我彻底失败，生活毫无章法，身体也每况日下（不如以前了）。学会了整天Dota。每天每做什么却身体到处疲惫。也许是没有准备好就进入了研究生学习呢还是？又在给我自己找借口。研究生一年级的上班学起就这么结束了，2009年也就这么结束了。这学期给自己定了很多计划，基本是耳边风。找不到那时候的激情和自我控制能力。这学期没学什么，被师兄戏称我们GIS为“数字化专业”，没办法，中国起步慢吗?基础数据不足，而且数据共享基本没有。所有你要用的数据要么买，要么数字化！！幸好现在有一个好机会可以让我真正学点东西。当初上研学GIS是真的喜欢GIS，可是现在却在搞遥感。不过遥感、环境建模也挺好玩的，只是自己还嫩，玩不转！

　研究生第一学期：

1. 生活不规律，学习没目的；
2. 学习不上进，激情不够；
3. 对知识的渴望不够；
4. 学习浮躁，办事急躁

　做好计划，认真勤奋，激情行动，生活规律，强健体魄！2010，我来了！

Remember

《基于GIS的数量方法与应用》王法辉著 版权所有！

　　刚开始准备在python下进行，调用ArcMap的一些处理函数来进行批处理这些细胞照片。活到了我的手中，想想自己在处理MODIS影像的时候用到得Sp以及rgdal程序包，以矩阵的方式读取遥感影像，然后对矩阵进行处理。如果用Python和ArcGIS两个来做批处理，还不如我用R来得快。PS：自己毕竟对R有些熟悉，而且用Python+ArcGIS有些大材小用。

　　先确定思路已经R给我们提供了那些功能。

　　1.所有要批处理的照片放在一个文件夹内，可以用R的list.files()函数获取所在目录下所有的文件名。文件名以数组的形式存储，处理的时候直接循环访问。

　　2.利用rgdal包提供的readGDAL()函数读取JPG图片，读取之后就是一个矩阵。如果照片大小是100*100，得到的矩阵就是100*100*3，因为JPG有三个“波段”。

　　3.直接对波段1所对应的矩阵进行处理，统计大于120的个数，然后处理1000，得到细胞数量。

　　4.批处理结果输出，用write.table()将结果输出为csv文件。

源代码

# setup the workspace
# the space you store the jpg files of Cells
setwd("E:/tupian")

# get the jpg filenames in the dir
jpgfile <- list.files(getwd())

counts <- rep(NA,length(jpgfile))
cells <- rep(NA,length(jpgfile))

# summary the count for all files
for (i in 1:length(jpgfile)){
# readGDAL  read the jpg file to matirx, so JPG is a matrix.
	JPG <- readGDAL(jpgfile[i])
# summary the counts.
	num <- summary(JPG@data[[1]]>Value)[[3]]
	counts[i] <- as.integer(num)
	cells[i] <- count[i]/Reference
}
x <- data.frame(filename=I(jpgfile),count=counts,cell=cells)
# write the results to the Excel
write.table(x,file="E:\\output\\test.csv",append=TRUE,quote=FALSE,/
sep=",",row.names=FALSE,qmethod="double")

首先去R的官方网站下载最新版的R安装程序进行安装，注意现在只有32位的程序，而且针对Windows7的32位和64位，都能够安装使用，亲测！R下载地址：点我下载

下载适合你操作系统的版本安装，然后运行，选择程序包 ->安装程序包 – > 选择适合的镜像，一般选择China（beijing）镜像。然后就去选择自己需要的程序包。第一次接触R是用R来下载MODIS影像数据，直接连接MODIS数据产品的ftp，从数据刷选，到数据Mosaic，到按照自己感兴趣区域的裁剪和重采样、投影转换，输出为tif格式的影像单个产品（如EVI，NDVI，Temperature）一条龙，而且针对特定的时间段，下载时间序列的MODIS数据。

在第一个R程序处理MODIS数据下载的工作中，主要用到了两个程序包rgdal和RCurl两个程序包.rgdal包提供处理空间数据的接口；而RCurl主要为R提供了一个HTTP处理的接口，能够很easy的从HTTP上下载，上传，获取相关二进制目录，重定向，密码验证等功能。具体的在稍后的文章中进行详细学习！

下载网上搜罗的破解文件：

使用的ArcGIS 9.3破解文件是TBE版

1  安装ERDAS9.2  正常安装，什么都不用改

2  安装ArcGIS Desktop 9.3，正常安装

3  使用37102011.efl9安装LM_tools，都在license_server_Setup文件夹中 安装完毕先不要重启。复制license_server_Crack文件夹下全部文件到C:\Program Files\ESRI\License\arcgis9x覆盖，并注意更改arcinfo9.lic中的主机名

4   重启，在arcgis的开始菜单->arcgis->desktop administrator 中设置ArcInfo（Floating）并更改Not_Set为localhost。arcgis破解完成

5   复制license_server_Crack文件夹下lmgrd.exe,lmtool.exe,lmutil.exe和erdas破解中的license.dat 和 erdas.exe 到C:\Program Files\Leica Geosystems\Shared\bin\ntx86 覆盖，并更改license.dat中的主机名。

6     开始菜单 运行   regedit，打开注册表编辑器，找到HKEY_LOCAL_MACHINE\SOFTWARE\FLEXlm License Manager，FLEXlm License Manager上右键，选新建项，输入ERDAS。再从开始菜单->arcgis->license manager tools9.x->license manager tools启动，找到ERDAS服务，分别使用第五步复制到lmgrd.exe和license.dat文件，log文件可以随意指定。

7   开始菜单->运行（或者Win+R） 输入  Services.msc，找到ArcGIS License Manager 和 ERDAS两个服务  分别启动。

打开erdas，选择license时 选Floating，输入 localhost。

如果已经安装了  可以先卸载了arcgis的license manager,或者直接覆盖即可。

ps：若无法同时启动两个服务，请在启动每个服务前分别与运行对应的cmd文件。如：启动erdas前运行erdas.cmd。

测试环境：Vista Ultimate SP1，ArcGIS Desktop Sp1，Erdas 9.2

使用的ArcGIS 9.3破解文件是TBE版
1  安装ERDAS9.2  正常安装，什么都不用改2  安装ArcGIS Desktop 9.3，正常安装3  使用37102011.efl9安装LM_tools，都在license_server_Setup文件夹中 安装完毕先不要重启。复制license_server_Crack文件夹下全部文件到C:\Program Files\ESRI\License\arcgis9x覆盖，并注意更改arcinfo9.lic中的主机名4   重启，在arcgis的开始菜单->arcgis->desktop administrator 中设置ArcInfo（Floating）并更改Not_Set为localhost。arcgis破解完成5   复制license_server_Crack文件夹下lmgrd.exe,lmtool.exe,lmutil.exe和erdas破解中的license.dat 和 erdas.exe 到C:\Program Files\Leica Geosystems\Shared\bin\ntx86 覆盖，并更改license.dat中的主机名。6     开始菜单 运行   regedit，打开注册表编辑器，找到HKEY_LOCAL_MACHINE\SOFTWARE\FLEXlm License Manager，FLEXlm License Manager上右键，选新建项，输入ERDAS。再从开始菜单->arcgis->license manager tools9.x->license manager tools启动，找到ERDAS服务，分别使用第五步复制到lmgrd.exe和license.dat文件，log文件可以随意指定。7   开始菜单->运行（或者Win+R） 输入  Services.msc，找到ArcGIS License Manager 和 ERDAS两个服务  分别启动。
打开erdas，选择license时 选Floating，输入 localhost。
如果已经安装了  可以先卸载了arcgis的license manager,或者直接覆盖即可。 
ps：若无法同时启动两个服务，请在启动每个服务前分别与运行对应的cmd文件。如：启动erdas前运行erdas.cmd。
测试环境：Vista Ultimate SP1，ArcGIS Desktop Sp1，Erdas 9.2

　　首先下载serv-u破解版：

　　下载的压缩文件中有源程序和破解程序，先安装Serv-U程序，然后用破解文件进行破解。

破解之后：

今天周日，上午昏昏噩噩的睡到9点才起来，却被告知要去补课！额滴个神啊!一上午都迷迷糊糊不知老师所云。什么空间回归分析，不懂！结果还没有给老板把Spss装好，骂了一顿！下午打球，好久没有爆发我的终于得到了发泄，跟忱哥狠狠地PK了一下，其实水平一直在他之下，主要看我的心态和状态。一个下午的杀球吊球，着实让我爽了一把!

最近，数据处理又处于停滞阶段，网站的策划还没有写出来，上次那个项目的报告以及植被覆盖度的计算算是搞定了。最近无所获，惭愧，以后不会在我的生活中出现惭愧！