基于敏感度排序的风景林色彩格局指数筛选*

曹瑜娟 徐程扬 任雅雪 李夏榕

(北京林业大学城市林业研究中心 干旱半干旱地区森林培育及生态系统研究国家林业和草原局重点实验室森林培育与保护教育部重点实验室 北京 100083)

近年来，国内各地方政府积极推动“彩色森林”工程建设，对风景林的重视程度不断提升。色彩作为人们视觉上感知风景林的要素，色彩格局较大程度上决定了风景林的视觉质量。色彩格局在本文中是指不同色彩在画面或视域中的面积占比、色块形状和空间搭配情况。进行色彩格局分析的关键步骤是色彩量化。在以往研究中，学者主要利用Colorimpact(莫训强等， 2010； 胡强等， 2018； Wangetal.， 2020)、Photoshop(邵娟，2012)、ArcGIS(毛斌，2015； 刘畅，2016)、Matlab(孙亚美，2015)等软件工具提取色彩，通过人眼判断、手动勾图等方式划分色彩边界和区分色彩类别。此类方法效率不高、主观性较强，稳定性不足、易产生差错，不利于高效、科学有效地进行色彩格局分析。

当前对景观色彩格局的研究，多借用景观格局指数表征色彩格局特征，但是景观格局指数含义重复度高，指数间多具有较高的相关性(Riittersetal.， 1995； Cainetal.， 1997； 龚建周等， 2007)，不适合直接用于表达色彩格局特征。以往研究(章志都，2010； 刘畅，2016； 李苹，2018)中的景观格局指数多为主观选定，未进行独立性和敏感度检验。为避免所选指数间相互关联、重叠、包容，指数选取时应进行独立性检验。同时，所选指数应能够有效捕捉色彩格局的变化(DeClercqetal.， 2006)。

本研究以北京八达岭国家森林公园和幽岚山坡峰岭风景区黄栌(Cotinuscoggygriavar.cinerea)风景林为对象，结合林学、色彩学与计算机科学等多学科知识，通过Python编程实现景观照片色彩的自动化提取与量化，提出基于敏感度排序的景观色彩格局指数筛选方法，从色彩分类、观景距离2个侧面检测各景观格局指数对风景林色彩格局变化的敏感度，筛选出相关性较高的指数，选定风景林景观色彩格局指数。以期为科学有效地分析彩色风景林景观视觉质量提供试验支撑与理论依据。

1 研究区概况

八达岭国家森林公园(116°0′52.20″E，40°20′46.01″N)位于北京市延庆区，地处万里长城居庸关和八达岭之间，东与怀柔相邻，南与昌平相连，西面和北面与河北省怀来县、赤城县相接，总面积2 933.3 hm2，平均海拔780 m，土壤类型属山地褐土。属于典型的暖温带、半湿润、大陆季风性气候，年均气温10.8 ℃，最热月(7月)平均气温26.9 ℃，最冷月(1月)平均气温-7.2 ℃，全年无霜期160天。年均降水量454 mm，降水集中在7—8月。公园内黄栌风景林多于20世纪60—70年代营造。其他乔木树种主要有山杏(Prunusarmeniacavar.ansu)、栾树(Koelreuteriapaniculata)、侧柏(Platycladusorientalis)、小叶朴(Celtisbungeana)、蒙桑(Morusmongolica)、榆树(Ulmuspumila)、构树(Broussonetiapapyrifera)、山荆子(Malusbaccata)、朴树(Celtissinensis)、元宝枫(Acertruncatum)、酸枣(Zizyphusjujubavar.spinosa)、暴马丁香(Syringareticulata)、臭椿(Ailanthusaltissima)、大果榆(U.macrocarpa)、丝棉木(Euonymusbungeanus)和油松(Pinustabulaeformis)等，在风景林秋景中，侧柏、油松等树种的叶色属绿色系，栾树、榆树、酸枣等树种的叶色属黄色系，黄栌、元宝槭等树种的叶色属红色系。

幽岚山坡峰岭风景区(115°50′41.18″E，39°41′45.78″N)位于北京市房山区，向西可远眺上方山国家森林公园，往东可俯瞰龙骨山北京人遗址，北接燕山余脉，南连广袤平原。观景区面积达133.3 hm2，植被是以黄栌为主的阔叶混交林和黄栌纯林。风景区坡起处以柿(Diospyroskaki)、核桃(Juglansregia)、山桃(Amygdalusdavidiana)和山杏分布为主，伴生野酸枣、秋子梨(Pyrusussuriensis)等； 半坡以黄栌为主，伴生榆树、槲树(Quercusdentata)和酸枣等； 高坡处密集分布着黄栌、槲树、榆树、鹅耳枥(Carpinusturczaninowii)、栾树和河北杨(Populushopeiensis)等，主要红叶树种有黄栌、元宝枫和火炬树(Rhustyphina)等。

2 研究方法

2.1 数据获取

2019年10月28日，时处八达岭国家森林公园黄栌风景林秋景最佳观赏期，选择公园内典型的12处黄栌风景林，每处从近(8～15 m)、中(15～25 m)、中远(25～40 m)和远(40～60 m)4个距离的观赏点拍摄，共48张照片作为试验组，用于指数筛选。2019年10月29日、2020年10月26日，在幽岚山坡峰岭风景区，共选择3处典型黄栌风景林，也是每处从4个距离拍摄，共12张照片作为验证组，用于验证筛选方法的有效性及所选指数的可用性。照片拍摄过程中均遵循以下原则： 1)使用Nikon D3S机身，配Nikon AF-S 24～70 mm f/2.8ED镜头，拍摄焦距为35 mm； 2)拍照时天气晴朗、能见度高，拍摄时间段为上午8:00—10:00； 3)利用三脚架固定相机，顺光拍摄，不使用闪光灯； 4)尽量避免非景观因素进入取景范围。

2.2 色彩量化与分类

HSV(hue，saturation，value)色彩模型(Smith， 1978)将颜色分为色相(hue)、彩度(saturation)和明度(value)3个分量，符合人眼对色彩的直观感知。本研究以HSV色彩模型为基础进行非均匀彩色图像量化和分类。参照以往研究(冀亚丽，2005； 陈秀新等， 2012； 曹瑜娟等， 2019)，将色相量化为16个类别，记为H1～H16，彩度和明度均量化为4个级别，分别记为S1～S4、V1～V4。于是，色彩空间量化为256(16×4×4)种颜色(图1)。

图1 HSV色彩模型下色彩的非均匀量化Fig. 1 Non-uniform quantization of color in HSV modelH1～H16： 每行色块的色相The hue of color blocks in rows； S1～S4： 每列色块的彩度The saturation of color blocks in columns； V1～V4： 每列色块的明度: The value of color blocks in columns； 0～255： 每个色块的代号The id number of color blocks.

色彩分类依托人工干预下的自动化程序进行。首先，将试验组的48张照片从RGB色彩模型转换为HSV色彩模型，并将真彩色照片量化为256色图片。随后，穷举所有像素点，统计图1中色块所代表颜色(下文简称色块)出现的频率。最后，根据统计结果，结合色块间的视觉相似性进行色彩分类。V1对应的全部色块明度较低，主要是景观中树阴影、树干部分展现的颜色，归为黑色类； S1对应的色块彩度较低，除黑色类已包含的色块外，剩余色块归为灰色类，主要是灌木、草本、乔木落叶后树冠及裸露土壤展现的颜色。除黑、灰色类外，将出现频率较高的红、黄、绿色系的21个色块划分为21类，出现频率较小(0.1%～1%)的色块合并至与其视觉相似的21类中。频率极小(小于0.1%)的色块归为其他类。试验组的部分远景照片包含长城、天空等背景，使用Photoshop软件将背景替换为出现频率为0的155号色块，归为背景类，不参与指数计算。色彩共分为25类，在25类的基础上，可细分为30类，合并为20、15、10类(表1)。

表1 256种颜色的5种分类Tab.1 Five classifications of 256 colors

2.3 指数初选与计算

基于国内外通用的景观格局指数，结合色彩特征，在景观水平上初步筛选出24个指数(表2)。首先，用Python程序对试验组的照片进行像素级色彩替换，即将像素点的颜色替换为所在分类的最高频色块。随后，用分类号表示该像素点，生成Fragstats软件可处理的“IDF_ASCII”格式栅格化文件。在利用Fragstats格局分析软件计算指数值的过程中，不同观景距离拍摄的照片中像素点覆盖的实景面积存在较大差异。为避免像元长度不一致导致的结果误差，使用Photoshop软件的标尺工具测量各组中不同观景距离所拍照片中心位置处参照物的像素点数，计算像素点数与参照物实际长度的比值，即可得到每张照片的像元长度。

表2 初选的景观色彩格局指数Tab.2 Pre-selected landscape color pattern indices

初选的24个指数中部分指数在含义上存在重叠。为确保最终筛选出的指数能够较全面地表达色彩格局特征，且指数间相对独立，需结合试验组各指数值，对24个指数进行聚类分析。利用SPSS软件对归一化后的各指数值进行层次聚类，采用平方欧式距离计算类内距离，采用最远邻元素法确定类间距离。

2.4 敏感度计算

指数的敏感度通常是指在系统控制条件下，色彩格局的某一种变化所引起的指数值的改变量。敏感度高的指数能够有效捕捉色彩格局的细微变化。首先，通过改变色彩分类数，使部分高频颜色相互融合或进一步细分，进而改变色彩格局。指数对色彩分类的敏感度(c)使用公式1(Sinhaetal.， 2016)计算。远距拍摄的照片取景面积大，色彩种类丰富，是进行色彩分类敏感度分析的理想选择。选用其他照片进行色彩分类敏感度分析，可得到与远景照片相似的结果。

(1)

式中：C30为在30类色彩分类中指数的值，C25、C20、C15和C10的含义以此类推。c值越大，表示该指数对改变色彩分类引起的色彩格局差异越敏感。

同样，在同一片风景林中，色彩出现的频率基本一致。从不同的观景距离对同一风景林进行拍摄，通过变化景观范围改变色彩格局。指数对观景距离的敏感度(d)的计算过程如公式2(Sinhaetal.， 2016)所示。25类色彩是衍生其他色彩分类的基础，是进行观景距离敏感度分析的首要选择。选用其他色彩分类进行观景距离敏感度分析，可得到与25类色彩相似的结果。

(2)

式中：D1、D2、D3、D4分别为在近景、中景、中远景和远景照片中指数的值。d值越大，表示该指数对观景距离不同引起的色彩格局差异越敏感。

不同照片的c、d值存在较大差异，直接根据敏感度值筛选指数会影响结果的准确性。所以针对每一组照片，将指数分别依c、d值的降序排列，序号作为指数的敏感度排序值。分别取指数在12组照片中c、d的平均排序值，将c、d平均排序值的权重均设为0.5，计算可得指数的敏感度综合排序值。依据综合排序值，结合指数聚类结果，对排序靠前的指数进行独立性检验和含义重复性排查。结合指数含义，在兼顾色彩分类和观景距离敏感度、尽量涵盖各大聚类、减少信息冗余的原则下筛选指数。

3 结果与分析

3.1 初选色彩格局指数聚类

利用层次聚类法，24个初选指数聚为6类(Ⅰ～Ⅵ)(图2)。类I包含平均斑块面积、平均核心面积、平均最邻近距离和斑块丰富度，主要表达色彩斑块面积、多样性方面的特征； 类Ⅱ包含Shannon’s均匀度指数、Shannon’s多样性指数、修正Shannon’s多样性指数，表达多样性特征； 类Ⅲ包含斑块数量、总边缘长度、景观形状指数、总核心面积，主要表达面积、边缘方面的特征； 类Ⅳ包含斑块面积方差、斑块面积标准差、最大斑块指数、面积加权平均形状指数，主要表达面积特征； 类Ⅴ包含蔓延度、聚合度、面积加权平均分维数、斑块内聚力指数、平均分维数、平均形状指数、散布与并列指数，主要表达聚合、形状方面的特征； 类Ⅵ包含边缘密度、平均周长面积比，主要表达边缘特征。

图2 初选景观色彩格局指数的层次聚类树状图Fig. 2 Dendrogram of the hierarchal clustering of pre-selected landscape color pattern indicesAREA_MN: 平均斑块面积Mean patch area; CORE_MN: 平均核心面积Mean core area per patch; ENN_MN: 平均最邻近距离Mean nearest neighbor distance; PR: 斑块丰富度Patch richness; SHDI: Shannon’s多样性指数Shannon’s diversity index; SHEI: Shannon’s均匀度指数Shannon’s evenness index; MSIDI: 修正Simpson’s多样性指数Modified Simpson’s diversity index; NP: 斑块数量Number of patches; TE: 总边缘长度Total edge; LSI: 景观形状指数Landscape shape index; TCA: 总核心面积Total core area; AREA_CV: 斑块面积方差Patch size coefficient of variation; SHAPE_AM: 面积加权平均形状指数Area-weighted mean shape index; AREA_SD: 斑块面积标准差Patch size standard deviation; LPI: 最大斑块指数Largest patch index; CONTAG: 蔓延度Contagion index; AI: 聚合度Aggregation index; FRAC_AM: 面积加权平均分维数Area-weighted mean patch fractal dimension; COHESION: 斑块内聚力指数Patch cohesion index; FRAC_MN: 平均分维数Mean patch fractal dimension; SHAPE_MN: 平均形状指数Mean shape index; IJI: 散布与并列指数Interspersion and juxtaposition index; ED: 边缘密度Edge density; PARA_MN: 平均周长面积比Mean perimeter/area ratio. 下同The same below.

3.2 指数对色彩分类的敏感度

计算试验组12张远景照片各初选指数的色彩分类敏感度。图3展示了各指数在每张照片中的c值，虚线表示各指数平均c值的变化趋势。横坐标各指数依色彩分类敏感度平均排序值(表3)升序排列，指数的平均排序值越小，排序越靠前，其色彩分类敏感度越高。

由图3可知，初选指数对色彩分类的敏感度存在较大差异，敏感度较高的指数有斑块丰富度、斑块面积标准差、平均核心面积、斑块数量、平均斑块面积、最大斑块指数、面积加权平均形状指数、斑块面积方差、Shannon’s多样性指数、边缘密度、总边缘长度、修正Shannon’s多样性指数和平均周长面积比，主要来自类Ⅰ、Ⅳ和类Ⅵ，表达色彩斑块的面积、多样性、边缘方面的特征。敏感度较低的指数有平均最邻近距离、Shannon’s均匀度指数、散布与并列指数、蔓延度和景观形状指数，主要来自类Ⅴ和Ⅱ，表达色彩斑块的聚合与离散性特征。而敏感度极低的指数聚合度、面积加权平均分维数、斑块内聚力指数、平均形状指数、平均分维数和总核心面积，来自类V和Ⅲ，主要表达色彩斑块的形状特征。

图3 初选景观色彩格局指数对色彩分类的敏感度Fig. 3 Sensitivity of Pre-selected landscape color pattern indices to color classification

3.3 指数对观景距离的敏感度

基于试验组48张照片，计算初选指数对观景距离的敏感度。图4表示各指数在每组照片中的d值，横坐标各指数依观景距离敏感度平均排序值(表3)升序排列。指数的平均排序值越小，排序越靠前，其观景距离敏感度越高，虚线表示各指数平均d值的变化趋势。

图4 初选景观色彩格局指数对观景距离的敏感度Fig. 4 Sensitivity of pre-selected landscape color pattern indices to viewing distance

对观景距离敏感度较高的指数包括总核心面积、总边缘长度、斑块数量、平均周长面积比、最大斑块指数、平均最邻近距离、斑块面积标准差、景观形状指数、平均核心面积、平均斑块面积、斑块面积方差、面积加权平均形状指数、修正Shannon’s多样性指数、斑块丰富度和边缘密度，来自类Ⅲ、Ⅳ、Ⅵ和Ⅰ，主要表达色彩斑块面积、边缘方面的特征。因拍摄距离不同导致照片涵盖实际面积有较大差异，所以各组中总核心面积的d值均较高。敏感度较低的指数Shannon’s多样性指数、Shannon’s均匀度指数、蔓延度、聚合度、散布与并列指数和平均形状指数，主要来自类Ⅴ和Ⅱ，表达色彩斑块聚合、多样性方面的特征。而敏感度极低的指数面积加权平均分维数、平均分维数、斑块内聚力指数，来自类Ⅳ，主要表达色彩斑块的形状特征。

3.4 景观色彩格局指数敏感度排序及其相关性

每个指数对色彩分类、观景距离的敏感度存在较大差异(表3)。根据敏感度综合排序值，选择排序靠前，对色彩分类和观景距离的敏感性均较强的15个指数： 来自类Ⅲ的斑块数量、总边缘长度和景观形状指数，来自类Ⅳ的最大斑块指数、斑块面积标准差和斑块面积方差和面积加权平均形状指数，来自类Ⅰ的平均斑块面积、平均核心面积、斑块丰富度和平均最邻近距离，来自类Ⅵ的平均周长面积比和边缘密度，修正Shannon’s多样性指数及Shannon’s多样性指数。剔除排序靠后、综合排序值较大、敏感性较弱的9个指数，其中包含了类Ⅴ全部7个指数，说明类V的指数不适合于表征景观色彩格局特征。

表3 初选景观色彩格局指数敏感度排序Tab.3 Sensitivity ranks of pre-selected landscape color pattern indices

利用SPSS对敏感度较高的15个指数进行Pearson相关性分析，进一步剔除强相关指数。表4～8展示了15个指数在各自聚类中的相关性。类Ⅲ中斑块数量、总边缘长度和景观形状指数间均显著正相关(Pearson相关系数 > 0.95)，故只保留排序在前的斑块数量。类Ⅳ中最大斑块指数、斑块面积标准差、斑块面积方差和面积加权平均形状指数间显著正相关(Pearson相关系数 > 0.84)，故仅保留排序在前的最大斑块指数。在指数值计算中，当edge_depth设定为固定值1时，平均斑块面积恒等于平均核心面积，斑块丰富度、平均最邻近距离与这2个指数均无显著线性相关，故类I中保留平均斑块面积、斑块丰富度、平均最邻近距离。类Ⅵ中平均周长面积比、边缘密度两者无显著相关，均保留。类Ⅱ中修正Shannon’s多样性指数、Shannon’s多样性指数两者显著相关，故只保留排序在前的修正Shannon’s多样性指数。因Pearson相关系数只能表示线性相关程度，所以保留下的8个指数中，还需根据各个指数的计算公式进行内涵式重叠测试(张国祥等， 1996)。在类Ⅵ中平均周长面积比和边缘密度均为“总边长/总面积”的函数，二者存在内涵式重叠，所以该类只选取平均周长面积比。类Ⅳ中的最大斑块指数、类I中的平均斑块面积、斑块丰富度、平均最邻近距离等指数间均不存在内涵式重叠。因此，最终选取的7个指数有斑块数量(类Ⅲ)，最大斑块指数(类Ⅳ)，平均斑块面积、斑块丰富度、平均最邻近距离(类Ⅰ)，平均周长面积比(类Ⅵ)，修正Shannon’s多样性指数(类Ⅱ)。

表4 类Ⅰ指数间的Pearson相关系数①Tab.4 Pearson correlation coefficients between color pattern indices in cluster Ⅰ

表5 类Ⅱ指数间的Pearson相关系数Tab.5 Pearson correlation coefficients between color pattern indices in cluster Ⅱ

表6 类Ⅲ指数间的Pearson相关系数Tab.6 Pearson correlation coefficients between color pattern indices in cluster Ⅲ

表7 类Ⅳ指数间的Pearson相关系数Tab.7 Pearson correlation coefficients between color pattern indices in cluster Ⅳ

表8 Ⅵ类指数间的Pearson相关系数Tab.8 Pearson correlation coefficients between color pattern indices in cluster Ⅵ

3.5 景观色彩格局指数敏感度验证

采用坡峰岭黄栌风景林照片(G20～G22)对筛选出的7个景观色彩格局指数的通用性进行验证。按照上文方法，处理验证组照片并计算7个指数的c、d值，结果见表9。每个指数的c值均大于或等于0.17，说明7个指数均对色彩分类敏感。随着色彩分类数减少，相似色彩斑块发生了一定程度的合并，斑块的最邻近距离随之改变。但平均最邻近距离是景观水平上照片中所有色彩斑块最邻近距离的平均值，变化幅度较小。景观照片的色彩分类数是斑块丰富度的最大可能取值，在内容不变的情况下，随着色彩分类数减少，斑块丰富度必然发生变化，所以斑块丰富度的c最小值大于其他指数的c最小值。同时，每个指数的d值均大于或等于0.25，说明7个景观色彩格局指数均对观景距离敏感。随着距离改变，照片涵盖的景观范围发生明显变化，色彩斑块类型总数一定概率下会出现波动。但由于拍摄的对象不变，斑块丰富度不会出现大幅变动，所以其d值最小。同样，因为距离变化，斑块数量会发生明显变化，所以其d值最大。因此，选取的7个指数均能较好地反映景观色彩格局特征。

表9 景观色彩格局指数在验证组中的色彩分类敏感度(c值)和观景距离敏感度(d值)Tab.9 c-value and d-value of landscape color pattern indices in verification groups

4 讨论

景观的色彩格局特征是景观视觉形态的重要组成部分(Sausmarez， 1983)，客观地定量描述景观视觉形态，是评价景观视觉质量的基础。本研究从景观格局指数的色彩分类敏感度、观景距离敏感度两个方面，筛选综合排序前15的指数进行独立性检验。最终选取了线性不相关、内涵无重叠的7个景观色彩格局指数： 斑块数量、最大斑块指数、平均斑块面积、斑块丰富度、平均最邻近距离、平均周长面积比和修正Shannon’s多样性指数，用来定量分析风景林色彩斑块在面积、边缘、多样性、离散性等方面的特征。

选用斑块数量描述景观色彩格局的破碎情况，表征色彩斑块的数量。当景观面积不变时，斑块数量越大，破碎度越高。斑块数量随观景距离缩小明显减少，表明景观的色彩破碎度随之降低。最大斑块指数用以确定景观的优势色彩及其占比(McGarigaletal.， 2009),平均斑块面积可以衡量整个景观的色彩斑块面积的集中趋势，反映景观色彩的破碎程度(王艳霞等， 2016)。斑块丰富度是对多种生态过程有重要影响的关键因素(Romme， 1982)，在景观色彩结构中，表示色彩斑块类型总数，反映了色彩类型的丰富程度。平均最邻近距离表示同类型斑块的离散、聚合程度(杨国靖等， 2004)，当平均最邻近距离取值较大时，说明同类型色彩斑块间隔距离远，分布离散，景观色彩很少成片连续分布； 当平均最邻近距离取值较小时，同类型色彩斑块相距较近，景观色彩连续成片分布。平均周长面积比反映了景观斑块形状的复杂程度，值越大，形状越复杂(Patton， 1975)。随着观景距离减小，色彩斑块复杂的边界细节越清晰，平均周长面积比逐渐增大。修正Simpson’s多样性指数表征景观斑块类型的多样性及其面积分布的均匀度(Pielou， 1975； 冯湘兰，2010)。当色彩类型不变时，各类型的色彩斑块面积分布越均衡，修正Shannon’s多样性指数值越大。

本研究将敏感度作为评判景观格局指数能否有效捕捉色彩格局细微变化的标准。当参数变化量与色彩格局响应量之间的函数关系不明显时，用指数的“(最大值-最小值)/最大值”计算敏感度，是一种高效易操作的处理方法。用最大值与最小值的差表示指数对色彩格局变化的响应范围，差值与最大值的比保证了不同量纲指数间的可比性。基于方差的敏感度计算方法，重点表达了指数值与其均值的偏离程度。当最大值与最小值的差相同时，方差的取值不固定，不利于指数间相互比较。特别是当样本量不足时，基于方差的敏感度难以准确表达指数捕捉景观色彩格局细微变化的能力。

目前国内外学者提出的景观格局指数类型丰富，共有200 多种。本研究以Fragstats软件中常用的最简单的景观格局指数为例，进行了风景林景观色彩格局指数筛选，可能还存在其他能够表征色彩细节特征且敏感度高的指数未在本研究中进行分析。在今后的研究中，需深入挖掘以选择出更多合适的指数，持续细化景观色彩格局指数的使用方法。

5 结论

1)利用Python编程语言，实现了人工干预下的自动化色彩分类程序，解决了以人眼判断、手动勾图等方式划分色彩边界、区分色彩类别方法的效率不高、主观性较强、稳定性不足、易产生差错等问题，减化了从色彩分类到指数计算的操作步骤，缩短了数据预处理用时，提高了照片处理效率，增强了结果稳定性。

2)本研究提出了基于敏感度排序的色彩格局指数筛选方法，结合独立性检验和含义重复性排查，减小了主观选定格局指数可能引起的误差。

3)本研究选取了线性不相关、含义无重叠的7个指数，即斑块数量、最大斑块指数、平均斑块面积、斑块丰富度、平均最邻近距离、平均周长面积比和修正Simpson’s多样性指数(MSIDI)，用于定量表达风景林景观色彩在面积、边缘、多样性、离散性方面的特征。通用性验证结果表明，7个指数均能有效捕捉因色彩分类和观景距离不同导致的景观色彩格局变化。