CN102208027B - 基于间隙度维数的土地利用空间格局评价方法 - Google Patents

Abstract

本发明提供的基于间隙度维数的土地利用空间格局评价方法，具体是：首先利用遥感影像来解译提取土地利用基础数据并进行整合，然后通过改变滑动窗口的尺度大小计算相应的常规间隙度指数；在此基础上，以滑动窗口的尺度和常规间隙度指数二者的自然对数形式建立线性映射关系，进而基于最小二乘线性回归拟合的模型，求解出最终的间隙度维数，用于定量表达城市各类型的土地利用在空间格局上的聚簇程度。本发明可以有效解决常规间隙度指数在不同空间尺度上存在“可塑性面积单元”的问题，提高表达城市土地利用空间格局聚簇程度的准确性。

Description

基于间隙度维数的土地利用空间格局评价方法

技术领域

本发明涉及一种土地利用空间格局评价方法，尤指用于土地利用空间格局评价中的基于间隙度维数的土地利用空间格局评价方法，属于土地利用领域。

背景技术

土地利用的变化是区域空间布局与结构变化的综合反映，它直接或间接地与区域人口、环境及社会经济发展密切相关。通过对区域形态及各要素的结构变化进行分析，深入地了解区域土地利用的空间特征，揭示土地利用变化的规律，能够有效的为土地资源的合理配置和利用提供参考依据。在当前的研究中，间隙度(Lacunarity)指数被广泛地应用于描述景观结构特征(等级结构和分形)及其空间分布特点(随机和聚簇)。

但是实际过程中，土地利用系统作为一个复杂非线性系统，具有典型的自组织和自适应基本特征，它主要是在土地利用过程中存在着以多个中心进行聚簇的趋势，如城市的居住区的组团分布。

间隙度概念是1982年Mandelbrot在“The Fractal Geometry of Nature”中提出。Plotnick(1993)等首先将间隙度分析引入到景观生态学应用中，用于描述以上土地利用变化的问题。间隙度常用测度是间隙度指数，一般计算方法是将研究区域内的某种用地对象设定为1，其它设定为0，间隙度面积(即1所占的范围)越大，则间隙度指数越高(Mandelbrot，1983)。其优点在于不要求系统(研究对象)符合平稳假设，同时也不受边界的影响(Moeur，1993)。但是间隙度指数作为一个绝对量，它的大小直接受采样网格大小、斑块密度和对象形状的影响(Moeur，1993)，不同用地类型之间、不同尺度之间的间隙度指数并不具备可比性。如果对同一景观用不同的尺度R来观测，则可得到一组随尺度变化而不同的景观间隙度指数值；这时，就产生了所谓的“可塑性面积单元问题”(Modifiable Areal Unit Problem，简称MAUP)，它对土地利用空间的聚簇性的解释是很不利的。并且，在实际过程中，土地利用系统作为一个复杂非线性系统，具有典型的自组织和自适应基本特征，它主要是在土地利用过程中存在着以多个中心进行聚簇的趋势，如城市的居住区的组团分布，现有分形维数还不能够反映出来这种特性。无论是间隙度指数还是现有的分形维数在描述土地利用多中心聚集上都存在明显的不足，因此本发明在现有的间隙度指数的基础上进行及一步拓展，来解决以上问题。

目前，据文献统计，虽然国内外已有众多学者将间隙度指数应用于土地利用空间格局的评价之中，如常学礼教授等学者将间隙度指数应用于沙漠化的研究之中，并发表《农牧交错区沙地景观空间格局的间隙度分析》等多篇相关论文，但其研究仅仅依据各类景观间隙度指数的趋势线走向及高低进行分析，并未定量表达不同景观的空间聚簇性。

发明内容

本发明所要解决的技术问题是：为弥补传统的间隙度指数受采样网格大小、斑块密度和对象形状的影响，无法准确表达土地利用空间的聚簇性的不足，提出一种基于间隙度维数评价土地利用空间格局的构建方法。

本发明解决其技术问题的技术方案是：首先利用遥感影像来解译提取土地利用基础数据并进行整合，然后通过改变滑动窗口的尺度大小计算相应的常规间隙度指数；在此基础上，以滑动窗口的尺度和常规间隙度指数二者的自然对数形式建立线性映射关系，进而基于最小二乘线性回归拟合的模型，求解出最终的间隙度维数，用于定量表达城市各类型的土地利用在空间格局上的聚簇程度。

本发明提供的基于间隙度维数的土地利用空间格局评价方法，可以采用包括以下步骤的方法：

(1)利用遥感影像来解译提取土地利用基础数据并进行整合，整合后的数据为所需研究区域的图斑的分类信息；

(2)将整合后的数据为模型输入数据，建立不同尺度大小的滑动窗口扫描研究区域分类信息矩阵，进而计算不同窗口尺度下相应的常规间隙度指数；

(3)将得到的常规间隙度指数数据，以滑动窗口的尺度和常规间隙度指数数据二者的自然对数形式建立线性映射关系，进而基于最小二乘线性回归拟合模型，求解出最终的间隙度维数。

本发明可以采用以下方法获取分类信息，其步骤包括：

(1)用Erdas软件对所研究区域的遥感影像进行解译，依据所需研究的土地类型进行非监督分类，获取各类土地的分类信息；

(2)将分类后的遥感影像导入ArcGIS中，利用Spatial Analyst/Reclassify，对遥感影像进行重分类，分别将所需研究的土地类型附上不同的值，将背景设置为NoData。

本发明可以采用包括以下步骤的方法计算常规间隙度指数：

(a)根据得到的分类信息即rows*cols大小的分类矩阵，建立初始的滑动窗口；

(b)判断循环条件，用滑动窗口逐行逐列扫描分类矩阵，统计矩阵中所研究景观像元出现的次数，并储存在结果矩阵之中直至扫描结束，然后计算不同种情况对应的概率分布，并依次计算统计量的一阶原点矩和二阶原点矩，进而计算现行尺度下的间隙度指数；

上述判断循环条件为：滑动窗口最大的行列编号不大于原始分类矩阵的行列数，且滑动窗口中像元值等于研究景观编码。

(c)逐步扩大滑动窗口尺度大小，依据步骤(b)中方法计算对应尺度下的间隙度指数，并记录每次计算得出的结果。

本发明可以采用包括以下步骤的方法获取所述的最终的间隙度维数：

(a)分别求取动滑动窗口的尺度和常规间隙度指数二者的自然对数；

(b)以常规间隙度指数的自然对数为Y轴，滑动窗口尺度的自然对数为X轴，建立线性映射关系；

(c)基于最小二乘线性拟合模型得到一条与散点图最佳拟合的直线，其中直线斜率的绝对值即为间隙度维数，并获取该直线的线性拟合度、线性拟合度标准差、间隙度维数标准差、拟合方程数据，以对获取的间隙度维数的准确性进行评定。

本发明与现有技术相比，具有以下的主要的优点：

(1)在求取间隙度维数考虑了不同尺度下间隙度指数与尺度的关系，并求解得到形为lnΛ_m＝-Dlnk_m+Λ₀的拟合方程，因此相对于间隙度指数而言，间隙度维数是一个相对量，从而使不同用地类型之间、不同尺度之间的间隙度维数能够进行定量的比较，相比于单纯的趋势线比较更为直观和准确。例如，在05年武汉市土地利用空间聚簇性分析的研究中，得到的农业用地的间隙度维数为0.046692，而草地的间隙度维数为0.67271，两者相差约14.5倍。若单纯地从趋势线进行比较，无法获得两者空间聚簇性的具体相差程度。

(2)由于间隙度维数的计算过程中，我们通过通过改变窗口的尺度求取对应的常规间隙度指数，并对二者取自然对数，以滑动窗口尺度的自然对数为X轴，常规间隙度指数的自然对数为Y轴，建立线性映射关系进行拟合，因此间隙度维数不会随着研究尺度的改变而改变，在实际应用中也就不存在间隙度指数的可塑性面积单元问题。

(3)相比于间隙度指数和其他分形维数，间隙度维数能够有效地表达城市各类用地的在自组织和自适应变化过程中所反映出来的多中心聚簇性问题，提高表达城市土地利用空间格局聚簇程度的准确性，弥补了间隙度指数和其他分形维数在描述这一现象上的不足。例如，在05年武汉市土地利用空间聚簇性分析的研究中，得到的农业用地的间隙度维数为0.046692，而草地的间隙度维数为0.67271。在得到的六类用地间隙度维数中，农业用地间隙度维数最小，说明农业用地具有同质性和平移不变性，更倾向于单中心聚簇状态；草地间隙度维数最大，说明该类用地在空间上比较离散，呈现多中心聚簇状态。

附图说明

图1是本发明的模型流程图。

图2是间隙度指数计算方法流程图。

图3是2005年武汉市土地利用分区现状图。

图4是水域线性拟合图。

图5是城市或建筑用地线性拟合图。

图6是林地线性拟合图。

图7是农业用地线性拟合图。

图8是草地线性拟合图。

图9是未利用土地线性拟合图。

具体实施方式

下面结合实施例及附图对本发明作进一步说明，但并不局限于下面所述内容。

本发明针对现有分形维数难以表达城市土地利用多中心的自组织和自适应这种聚簇性特征，提出一种基于间隙度维数的土地利用空间格局评价方法，该方法是：首先利用遥感影像来解译提取土地利用基础数据并进行整合，然后通过改变滑动窗口的尺度大小计算相应的常规间隙度指数；在此基础上，以滑动窗口的尺度和常规间隙度指数二者的自然对数形式建立线性映射关系，进而基于最小二乘线性回归拟合图1所示的模型，求解出最终的间隙度维数，用于定量表达城市各类型的土地利用在空间格局上的聚簇程度。

本发明提供的方法采用包括以下步骤的方法：

一.整合基础数据

利用遥感影像来解译提取土地利用基础数据并进行整合，整合后的数据为所需研究区域的图斑的分类信息。其步骤包括：

1.用Erdas软件对所研究区域的遥感影像进行解译，依据所需研究的土地类型进行非监督分类，获取各类土地的分类信息。

2.将分类后的遥感影像导入ArcGIS中，利用Spatial Analyst/Reclassify，对遥感影像进行重分类，分别将所需研究的土地类型附上不同的值，将背景设置为NoData。

间隙度维数的计算实质是在一定尺度下对所研究区域内某种土地利用类型的概率统计，因此计算不同中土地利用类型的间隙度指数时，需要为每一种用地进行重分类，附上不同的值。一般状况下，我们所研究区域的形状往往极为不规则，而利用ERDAS得到的分类信息遥感影像为形状规则的矩形，并且研究区域以外的像元值并不为空。但是，在计算间隙度指数的时候，滑动窗口必然会扫描这些非研究区域，这就使计算的间隙度指数值并不是实际值，从而导致随后在计算间隙度维数时产生误差。为了消除这种误差，在重分类的时候必须将研究区域以外的像元值设置为空值。

3.在ArcGIS中，将重分类后的遥感影像转换为记事本格式的ASCII码文件。利用ArcToolbox/Conversion/From Raster/Raster to ASCII，完成转换。打开转换后的记事本文件，将里面的头文件去掉，得到遥感影像的分类信息矩阵。

得到的分类信息矩阵大小与利用ERDAS解译获得的分类信息遥感影像大小相同，矩阵中值与利用ArcGIS进行重分类后的遥感影像的像元值相对应。其中-9999代表空值，其余的值等于不同类型用地重分类后的对应的值。

二.获取常规间隙度指数

参见图2，以整合后的基础数据为模型输入数据，建立不同尺度大小的滑动窗口扫描研究区域分类信息矩阵，进而计算不同窗口尺度下相应的常规间隙度指数，具体包括以下步骤：

1.编写matlab代码：

基于间隙度指数的算法，编写matlab代码。

所述间隙度指数采用包括以下步骤的计算方法得到：

(1)根据研究区域的大小选取尺度为k的滑动窗口，k≥2；

(2)以k×k大小的滑动窗口，从第一行第一列开始将该模板从左到右和从上到下的顺序依次移动，且每次移动一行或一列。在每次滑动窗口匹配过程中，统计出该用地类型(数值为“m”)所占模板像元的数量，并记作S；

(3)以k×k大小的滑动窗口扫描分类信息矩阵可以得到(r-k+1)*(c-k+1)个统计数值，将每次滑动窗匹配过程中统计得到的S值存储在大小为(r-k+1)*(c-k+1)扫描结果矩阵中；

(4)以k×k大小的滑动窗口扫描分类信息矩阵可以得到大小为(r-k+1)*(c-k+1)的扫描结果矩阵，在扫描结果矩阵中S的可能取值为0、1、2L L k²，分别统计每个值出现的和zt_S(S＝0、1、2L L k²)，并计算zt_S(S＝0、1、2L L k²)对应的概率分布zp_S(S＝0、1、2L L k²)；其中：

zp_S＝zt_S/total(S＝0、1、2L L k²，total＝(r-k+1)*(c-k+1))；

(5)计算S对应的一阶原点矩Z1和二阶原点矩Z2，其中：

一阶原点矩为：Z1＝sum(S*zp_S)(S＝0、1、2L L k²)；

二阶原点矩为：Z2＝sum(S*zp_S ²)(S＝0、1、2L L k²)；

(6)计算在k尺度下土地利用类型为m的用地的间隙度指数Lacunarity，其中：

Lacunarity＝Z2/Z1²

由于matlab语言为解释性语言，在每执行完一条语句的时候，都要进行一次编译，用普通的C语言语法编写代码，执行效率十分低下，因此在编写代码的时候使用matlab特有的向量化语言编写代码，执行效率会大大提高。经过测算，在matlab环境下在完成相同任务时，向量化语言比C语言运行的效率提高了十几倍到数百倍。

根据以上计算方法，用向量化语言编写matlab代码，具体代码如下：

function[Lacunarity]＝ComputeLacunarity(M3real，k，m)

％M3real为遥感分类数据对应的矩阵

％k为滑动窗口大小，指边长

％m为要研究的土地利用类型编号

％％计算间隙度维数

％获取数据矩阵的维数r，c

[r，c]＝size(M3real)；

％预定义扫描结果矩阵

z＝zeros(r-k+1，c-k+1)；

for i＝1：r-k+1

for j＝1：c-k+1

％在数据矩阵中截取子矩阵作为窗口

window＝M3real(i：i+k-1，j：j+k-1)；

％查找窗口中所研究用地类型，获取其数量count

idx＝find(window＝＝m)；

[count，～]＝size(idx)；

％将count赋给扫描结果矩阵z的相应位置

z(i，j)＝count；

end

end

％zt用于统计0，1，2，...，k^2出现的个数

zt＝zeros(1，k^2+1)；

for i＝1：r-k+1

for j＝1：c-k+1

zt(z(i，j)+1)＝zt(z(i，j)+1)+1；

end

end

％total为总次数

total＝sum(zt)；

％zp为表示出现频率的向量

zp＝zt./total；

x＝0：k^2；

％z1为一阶原点矩

z1＝zp.*x；

y＝x.^2；

％z2为二阶原点矩

z2＝zp.*y；

Lacunarity＝sum(z2)/(sum(z 1)^2)；

End

2.调用函数计算常规间隙度指数：

将步骤1的得到的分类信息矩阵导入matlab软件之中，调用函数求取某一用地在特定尺度下的间隙度指数，并记录结果于excel表格之中。调用函数的方法的代码具体如下：

[Lacunarity]＝ComputeLacunarity(M3real，k，m)；

M3real、k、m在调用函数时均为具体的值，其中：

M3real为分类信息矩阵名称；

k为滑动窗口大小；

M为要研究的土地利用类型编号。

3.计算不同尺度下的间隙度指数：

改变滑动窗口尺度k的大小和土地利用类型m的值，依据步骤2中的方法依次计算不同景观在不同滑动窗口尺度下的间隙度指数，并记录结果于excel表格之中，直到所有土地利用类型不同尺度的间隙度指数计算完毕为止。

三.间隙度维数的计算

本步骤对步骤二中最终得到的数据，以滑动窗口的尺度和常规间隙度指数二者的自然对数形式建立线性映射关系，进而基于最小二乘线性回归拟合模型，求解出最终的间隙度维数，具体包括以下步骤：

(1)于excel表格之中分别计算滑动窗口尺度和常规间隙度指数的自然对数。

(2)将excel表格导入matlab软件之中，分别以滑动窗口尺度的自然对数为X轴，常规间隙度指数的自然对数为Y轴绘制散点图；

绘制散点图的代码具体如下：

fx＝polyfit(lnk，lnYm，1)

plot(lnk，lnYm，′.′)

其中：

lnR代表滑动窗口的尺度的自然对数；

lnYm代表m类型土地的间隙度指数的自然对数。

(3)用matlab进行线性拟合，拟合线型选择直线，并选取适当的迭代次数，分别得到间隙度维数拟合方程、间隙度维数、拟合趋势图。

得到的间隙度维数拟合方程一般形式为：lnΛ_m＝-Dlnk_m+Λ₀，

式中：Λ₀为初始间隙度指数；D为间隙度维数；lnΛ_m为间隙度指数的自然对数；lnk_m为滑动窗口尺度的自然对数。

(4)将excel表格导入SPSS软件中，进行线性拟合分析，获取各类景观间隙度维数拟合直线的线型拟合度R、线性拟合标准差、间隙度维数标准差；具体操作步骤如下：

1)将excel表格导入SPSS软件中；

2)在菜单中选择“回归”＝＝＞“线性”，并在“统计量”中选择保存“模型拟合度”；

3)记录输出的spv格式文档中的各类景观间隙度维数拟合直线的线型拟合度R、线性拟合标准差、间隙度维数标准差。

(5)整合各类景观线型拟合度R、线性拟合标准差、间隙度维数(负斜率)、间隙度维数标准差、拟合方程等数据，将这些记录于同一张表格之中。

本发明提供的上述方法可以有效解决常规间隙度指数在不同空间尺度上存在“可塑性面积单元”的问题，提高表达城市土地利用空间格局聚簇程度的准确性。下面以具体实例说明：

1.以2005武汉市遥感影像数据为基础数据，进行遥感影像解译，依据水域、城市或建筑用地、林地、农业用地、草地、未利用土地的划分将遥感影像于erdas中进行非监督分类；解译后得到的土地利用分类影像图如图3所示。

2.将非监督分类后的遥感影像于arcgis中进行重分类，为每种类型景观赋值，背景设置为Nodata，并将重分类后的遥感影响输出为记事本格式的ASCII码文件。打开转换后的记事本，将里面的头文件去掉，得到遥感影像的分类信息矩阵；各用地类型对应的值依次为：

水域赋值为1；

城市或建筑用地赋值为2；

林地赋值为3；

农业用地赋值为4；

草地赋值为5；

未利用土地赋值为6。

3.将数据导入matlab，基于间隙度指数算法，设置初始窗口尺度大小为2*2，要研究的土地利用类型编号为1，求解水域在2*2滑动窗口尺度大小下的常规间隙度指数。

4.改变滑动窗口尺度大小(2*2、3*3、......、13*13)，分别计算6类同景观在各滑动窗口尺度大小下相应的常规间隙度指数。

5.依次计算滑动窗口尺度和各景观间隙度指数的自然对数，以滑动窗口尺度的自然对数为X轴，间隙度指数的自然对数为Y轴建立线性映射关系。

6.将数据导入matlab中进行线性拟合，分别获取6类景观的间隙度维数，间隙度维数拟合方程、拟合趋势图等3种数据。6类景观的拟合趋势图如图4～图9图所示：

图4为水域线性拟合图，对应的间隙度维数为0.14006，对应的间隙度维数拟合方程为：

lnΛ＝2.9-0.14006×lnR。。。

图5为城市或建筑用地线性拟合图，对应的间隙度维数为0.092602，对应的间隙度维数拟合方程为：lnΛ＝3.5087-0.092602×lnR。

图6为林地线性拟合图，对应的间隙度维数为0.26101，对应的间隙度维数拟合方程为：lnΛ＝3.3074-0.26101×lnR。

图7为农业用地线性拟合图，对应的间隙度维数为0.046692，对应的间隙度维数拟合方程为：lnΛ＝1.1893-0.046692×lnR。

图8为草地线性拟合图，对应的间隙度维数为0.67271，对应的间隙度维数拟合方程为：lnΛ＝8.4432-0.67271×lnR。

图9为未利用土地线性拟合图，对应的间隙度维数为0.5544，对应的间隙度维数拟合方程为：lnΛ＝8.0923-0.5544×lnR。

7.将步骤6得到数据导入SPSS中进行线性回归分析，分别获取6类景观之间线性拟合度、线性拟合度标准差、间隙度维数标准差等3类数据。

得到的水域、城市建筑用地、林地、农业用地、草地、未利用土地对应的线性拟合度、线性拟合度标准差、间隙度维数标准差分别为：

水域，线性拟合度：0.997线性拟合度标准差：0.00718间隙度维数标准差：0.004；

城市或建筑用地，线性拟合度：0.997线性拟合度标准差：0.00718间隙度维数标准差：0.004；

林地，线性拟合度：0.997线性拟合度标准差：0.00718间隙度维数标准差：0.004；

农业用地，线性拟合度：0.997线性拟合度标准差：0.00718间隙度维数标准差：0.004；

草地，线性拟合度：0.997线性拟合度标准差：0.00718间隙度维数标准差：0.004；

未利用土地，线性拟合度：0.997线性拟合度标准差：0.00718间隙度维数标准差：0.004。

8.将步骤6和7得到的数据整合，得到最终结果。整合后的结果如表1所示。

对表1的结果分析：

间隙度分析作为多尺度分析方法，能够通过不同大小的采样窗口，识别出依赖于尺度的空间结构特征。在给定采样窗口大小下，通过平移不变性，间隙度维数可以测定土地斑块的聚集程度。间隙度维数越大表示用地类型越呈现离散状态，反之，间隙度维数越小表示用地类型越呈现聚集状态。

计算05年武汉市土地利用空间格局的空间间隙度维数，主要分三个步骤：第一，对原始分类网格影像确定采样网格k₁，k₂，L，k_n的尺度采样；第二，对每种采样尺度，分别计算空间间隙度；第三，绘制采样网格尺度与空间间隙度的双对数坐标散点图，进行回归分析拟合得到间隙度维数。

从图4～图9和表1中可以看出，对各土地利用类型不同尺度与空间间隙度进行回归分析，线性拟合度R都在0.99以上，总体上都较大，说明具有良好的拟合优度，显著性水平较高，回归分析模拟的结果可信。根据间隙度维数D的测算结果，可得出以下结论：05年武汉市土地利用空间格局的间隙度维数按从大到小排序为草地、未利用土地、林地、水域、城市或建筑用地和农业用地。在这六种地类中，农业用地和城市或建筑用地的间隙度维数较小，分别为0.046692和0.092602，说明城区用地和农业用地具有同质性和平移不变性，且这两种地类在空间上呈现聚集状态。草地和未利用土地的间隙度维数较大，为0.67271和0.5544，说明这两种用地在空间上比较离散。

附表

表1    各类景观间隙度维数拟合方程及相应参数指标表

Claims (3)

1. 基于间隙度维数的土地利用空间格局评价方法，其特征是：首先利用遥感影像来解译提取土地利用基础数据并进行整合，然后通过改变滑动窗口的尺度大小计算相应的常规间隙度指数；在此基础上，以滑动窗口的尺度和常规间隙度指数二者的自然对数形式建立线性映射关系，进而基于最小二乘线性回归拟合的模型，求解出最终的间隙度维数，用于定量表达城市各类型的土地利用在空间格局上的聚簇程度；

采用以下方法获取分类信息，其步骤包括：

（1）用Erdas软件对所研究区域的遥感影像进行解译，依据所需研究的土地类型进行非监督分类，获取各类土地的分类信息，

（2）将分类后的遥感影像导入ArcGIS中，利用Spatial Analyst/Reclassify，对遥感影像进行重分类，分别将所需研究的土地类型附上不同的值，将背景设置为NoData；

采用包括以下步骤的方法计算常规间隙度指数：

（a）根据得到的分类信息即rows*cols大小的分类矩阵，建立初始的滑动窗口，

（b）判断循环条件，用滑动窗口逐行逐列扫描分类矩阵，统计矩阵中所研究景观像元出现的次数，并储存在结果矩阵之中直至扫描结束，然后计算不同种情况对应的概率分布，并依次计算统计量的一阶原点矩和二阶原点矩，进而计算现行尺度下的间隙度指数，

（c）逐步扩大滑动窗口尺度大小，依据步骤（b）中方法计算对应尺度下的间隙度指数，并记录每次计算得出的结果；

采用包括以下步骤的方法实现所述的最终的间隙度维数：

（a）分别求取动滑动窗口的尺度和常规间隙度指数二者的自然对数，

（b）以常规间隙度指数的自然对数为Y轴，滑动窗口尺度的自然对数为X轴，建立线性映射关系，

（c）基于最小二乘线性拟合模型得到一条与散点图最佳拟合的直线，其中直线斜率的绝对值即为间隙度维数，并获取该直线的线性拟合度、线性拟合度标准差、间隙度维数标准差和拟合方程的数据。

2.根据权利要求1所述的基于间隙度维数的土地利用空间格局评价方法，其特征是采用包括以下步骤的方法：

（1）利用遥感影像来解译提取土地利用基础数据并进行整合，整合后的数据为所需研究区域的图斑的分类信息；

（2）将整合后的数据为模型输入数据，建立不同尺度大小的滑动窗口扫描研究区域分类信息矩阵，进而计算不同窗口尺度下相应的常规间隙度指数；

（3）将得到的常规间隙度指数数据，以滑动窗口的尺度和常规间隙度指数数据二者的自然对数形式建立线性映射关系，进而基于最小二乘线性回归拟合模型，求解出最终的间隙度维数。

3.根据权利要求1所述的基于间隙度维数的土地利用空间格局评价方法，其特征是所述的判断循环条件为滑动窗口最大的行列编号不大于原始分类矩阵的行列数，且滑动窗口中像元值等于研究景观编码。

Images