可使用工具包

• pylandstats

  • 此工具包基本是根据fragstats形成的，大部分fragstats里面的景观指数，这里都可以计算。但是，还是有一小部分指数这里没有涉及。

• LS_METRICS

自定义的aggregation index(AI)计算

\[AI=\frac{e_{ii}}{max\_e_{ii}}\times100
\]

• 这里的\(e_{ii}\)是同类型像元公共边的个数

• \(max\_e_{ii}\)是同类型像元最大公共边的个数, \(max\_e_{ii}\)的计算有公式可寻，具体计算公式如下：

  \[\begin{align*}
  & max\_eii = 2n(n-1), & when \quad m = 0, or\\
  & max\_eii = 2n(n-1) + 2m -1, & when\quad m ≤ n, or\\
  & max\_eii = 2n(n-1) + 2m -2, & when \quad m > n.\\
  \end{align*}
  \]

  • n为不超过某个类型像元总面积\(A_i\)的最大整数正方形的边长

  • m=\(A_i-n^2\)

• 例如图a中类型1的聚居指数AI可为：

  \[\begin{align*}
  &e_{ii}=12\\
  &max\_e{ii}=2n(n-1)=2\times3\times2=12\\
  &AI=\frac{e_{ii}}{max\_e{ii}}\times100=100
  \end{align*}
  \]

  这里AI为100是因为这里乘了一个系数100；

• 函数依赖关系

class AI(Landscape, ABC):
    def __init__(self, landscape, **kwargs):
        super().__init__(landscape, **kwargs)
    # 用于计算每种类型公共边的数量
    def get_share_edge(self, class_):
        # 1.将数据转换为二值型
        binary_data = (self.landscape_arr == class_).astype(np.int8)
        # 2.设置卷积模板
        cov_template = np.array([[0, 0, 0],
                                 [0, 0, 1],
                                 [0, 1, 0]])
        # 3.填充边缘
        binary_pad = np.pad(binary_data, 1, mode='constant', constant_values=0)
        # 4.计算公共边总数
        row_num, col_num = binary_pad.shape
        count = 0
        for i in range(1, row_num - 1):
            for j in range(1, col_num - 1):
                if binary_pad[i, j] == 1:
                    count += np.sum(binary_pad[i - 1:i + 2, j - 1:j + 2] * cov_template)
        return count

    # 计算eii
    @property
    def eii(self):
        return pd.Series([self.get_share_edge(class_) for class_ in self.classes], index=self.classes)
    # 计算最大的eii
    @property
    def max_eii(self):
        arr = self.landscape_arr
        flat_arr = arr.ravel()
        # 规避nodata值
        if self.nodata in flat_arr:
            a_ser = pd.value_counts(flat_arr).drop(self.nodata).reindex(self.classes)
        else:
            a_ser = pd.value_counts(flat_arr).reindex(self.classes)
        n_ser = np.floor(np.sqrt(a_ser))
        m_ser = a_ser - np.square(n_ser)
        max_eii = pd.Series(index=a_ser.index)
        for i in a_ser.index:
            if m_ser[i] == 0:
                max_eii[i] = (2 * n_ser[i]) * (n_ser[i] - 1)

            elif m_ser[i] <= n_ser[i]:
                max_eii[i] = 2 * n_ser[i] * (n_ser[i] - 1) + 2 * m_ser[i] - 1

            elif m_ser[i] >= n_ser[i]:
                max_eii[i] = 2 * n_ser[i] * (n_ser[i] - 1) + 2 * m_ser[i] - 2

        return max_eii
    # 计算AI指数
    def aggregation_index(self, class_val=None):
        """
        计算斑块类型的聚集指数AI
        :param class_val: 整型，需要计算AI的斑块类型代号
        :return: 标量数值或者Series
        """
        if len(self.classes) < 1:
            warnings.warn("当前数组全是空值，没有需要计算的类型聚集指数",
                          RuntimeWarning,
                          )
            return np.nan
        if class_val is None:
            return (self.eii / self.max_eii) * 100
        else:
            return ((self.eii / self.max_eii) * 100)[class_val]

• 参考文献

  • An aggregation index (AI) to quantify spatial patterns of landscapes
  • http://www.umass.edu/landeco/research/fragstats/documents/Metrics/Contagion - Interspersion Metrics/Metrics/C116 - AI.htm