景观生态学的研究，关注于确定空间异质性的原因、后果，还有功能重要性等等。要想成功实现这样的目标，就需要强有力的方法来量化空间格局。那么，景观生态学家就想到了使用指标和指数。这一节课，我们就来探讨这个问题。
景观指数与景观格局分析，也就是要了解如何选择、计算和分析景观指标。为什么要量化格局，景观数据来自何处，在分析景观格局之前，必须考虑哪些关键问题？
首先的问题是，为什么要量化格局呢？理由很简单，因为定量理解格局很重要嘛。景观会随时间会发生变化。比如，这张图就是美国威斯康辛州某镇森林覆盖率的经典研究。在过去两个世纪，这里的景观发生了巨大的变化。森林面积随着时间的推移而减少，森林斑块变得越来越小，越来越孤立。其次，我们可能希望比较两个或更多不同的景观或地区有多么不同或者多么相似。第三，在考虑不同驱动因素对景观格局或未来情景的影响时，我们可能需要定量评估由此产生的不同景观格局。最后，景观空间格局的不同方面，可能对生物的运动格局、营养再分配或自然干扰的扩散等过程很重要。也就是说，将空间格局与生态过程联系起来，首先要描述这些格局。因此，空间格局度量在许多景观研究中有关键作用。
当20世纪80年代景观生态学的概念和方法首次出现时，当时即使是非常简单的格局也很难定量描述。我们现在是有各种各样的标准方法了，但那个时候这些方法才刚刚开始开发呀，研究人员都是在自己的个人计算机上编写代码来计算和评估景观格局指数。用于分类数据的度量标准，目前已经基本稳定了，这些分析是相对容易操作的，大家都理解这些方法，也正在使用。
许多景观格局分析，都是在地理信息系统中数字化，或者是土地利用/土地覆盖数据库上进行的。最常见的有四类数据，那就是航空摄影、数字遥感数据、公开和普查数据，以及野外测绘数据。我们来分别看看这些数据的主要特点是什么。
首先是航空摄影，目前也仍然是景观研究中的一个重要数据来源，特别是在有卫星数据之前，最早可追溯到20世纪30年代，这几乎是唯一的数据来源。但也因为是胶片拍摄的原因吧，所以分辨率一直就比较高，大家看上面这幅图上，1967年的数据分辨率与1996年几乎没有太大差别。当然，那个时候只有黑白照片，照片的质量和空间覆盖可能不均衡。而最近的航拍照片，那就可能是真彩色或红外照片，由于采用数字摄影技术，分辨率也开始大幅度提高。但过去的这些数据，需要手工纠正数据中的地理错误，因此是一个非常耗时的工作。
目前，得到广泛应用的应该是数字遥感数据。以前，美国陆地卫星和法国Spot卫星在全球范围内提供了频繁和广泛的空间覆盖，是非常有用的数字数据源。一直以来，这些数据非常昂贵，但最近美国的许多陆地卫星存档数据，可以免费获取了，这一下促进了许多新的研究，大范围、长时间的研究如雨后春笋般地涌现出来。对于区域到全球范围的问题，MODIS数据应用应该最为广泛。还有激光雷达和高光谱图像，可用于为特定区域提供精确的分辨率数据，所以这类数据一般覆盖范围不大。
历史上的许多测绘工作，也提供非常丰富的数据，可用于分析航空摄影出现之前的景观格局，这主要就是历史测绘和普查数据，这些数据无疑提供了另一个有价值的景观数据来源。另外，我们前面说的航空数据，一般并不是总能够有规律地获得，也不一定有周期性，所以会留下很多空白。航天遥感数据，虽然有周期性，但早期的遥感数据分辨率实在是太低了，对于许多景观分析来说，价值有限。所以，历史上的测绘数据和有些普查数据，可能恰好能弥补这个时间窗口。
最后，就是野外测绘数据，这一般也只是用于较小范围的景观调查。其中，研究者可以绘制相对较小区域内特定植被类别或景观要素的空间格局。而对于覆盖大面积，比如数百至数千公顷的研究，野外测绘一般就无能为力了。然而，我们应该看到，要评估某些栖息地格局，比如沿海底栖生物群落，这可能是唯一的方法，其他来源均难于获得。
当然，无论选择什么样的数据源，最后的景观度量，都是在空间数据集上计算的。在这样的数据集中，图像或光谱数据被划分为一些类别，成为数字分类图，其好处就是为后续的分析提供基准。美国地质调查局发布的美国国家土地覆盖数据库，就是一个典型的代表，现在最新发布的产品是2016年的，包含28种不同的土地覆盖产品。
遥感的景观分类，都是将划分的景观斑块类别看做是同质的，分类的细节被掩盖了。当然，现在我们对遥感图像直接进行分析，有许多并不需要将景观分成不同的类别，而是去描述每个图像中的对象、“纹理”或“表面”，也就是面向对象的遥感数据处理方法。思考的是对象，而不是像素。这对于景观分析来说，显然有很多的优势。
在进行景观格局分析时，考虑空间数据或地图的准确性是非常重要的。许多景观指标的计算值，是随图像处理技术的不同而变化的。这就是很麻烦的事了，数值的变化，并没有反映景观变化本身。在地理信息系统和遥感数据中，已经有许多已知的潜在误差来源，我们应该尽一切努力，避免那些坑，确保每个数据集的误差最小。数据处理中，我们有一个格言，叫做“垃圾进、垃圾出”，这句话大家应该不陌生，这同样也适用于景观格局分析。
现在大量的空间数据为景观格局分析提供了条件，大家要查到任何景观指数的计算方法，或者是方程都很容易，但要正确理解这些指数的计算框架却并不容易。在开始分析景观格局之前呢，必须先解决一些问题。首先，也是最重要的一点，是要有一个构思良好的问题，要懂得分析的基本原理，在缺乏明确研究目的，没有认识到指标局限性的情况下，很容易陷入一个陷阱，只是生成了大量数字而已。如果对分析目标和/或假设的格局变化没有一个事先的说明，只是报告一些指标那就毫无意义，如果我们事先有一个认识，要有一个科学假设，猜测一下干扰将导致土地覆盖类型如何变化，那么最后的验证就是有说服力的。
还有一个是假重复的问题。假重复是人为增加样本或重复数量的过程，结果对数据进行的统计测试无效。这个情况其实在科学研究中挺严重的，有人做过分析，对截至到2016年发表的科学论文的研究发现，大约一半的论文都涉嫌假重复。景观分析和比较也会受到假重复的困扰，当在不完全独立的样本之间进行比较时，就会出现这种情况。但是，每个景观的独特属性，让我们很难获得统计对照，所以，在景观生态学中真正独立的重复样本几乎是不可能的。
我们前面说，要有明确的目的和问题，那是因为这对应着后面的分类方案。对于植被格局的分类，哪怕数据源完全相同，最后的结果也会有很大的差异。比如上图中的两幅图，都是对美国黄石国家公园西南部5公里×5公里的一个地方进行的分类，但很明显，这两个景观的表达，看起来非常不同。左边的植被是按森林类型绘制的，右边的植被是林分演替阶段，也就是按照森林的年龄进行的分类。所以，在格局分析中包含哪些类别是至关重要的！所提出的问题必须符合这一选择；也就是说，类别必须适合研究的目标。为了比较景观随时间的变化，类别必须相同。
在景观格局分析中，数据的粒度和幅度都会影响指标的结果，不同尺度下的景观数据进行比较可能是无效的，因为结果反映的是与尺度相关的误差，而不是景观格局的差异。大家可以想象的到的，随着粒度的增加，地貌上一些罕见的土地覆盖类型就变得难于刻划，甚至可能完全消失，不同覆盖类型之间的边界也被低估，因为所描绘的形状变得不那么复杂，在细粒度中存在的细节也丢失了。对于这样的问题，许多科学家是用实际的案例做过测试的。大家看看这里的ABC，你会觉得它们所表达的信息是一样的么？
研究区域的空间幅度对景观指标的影响，与粒度是不同的。这主要有两个关键点。第一，当一个景观包含多种覆盖类型时，地图幅度的增加，一般会增加稀有覆盖类型的出现，这就类似于我们前面提到过的物种随取样面积的增加而增加的现象。第二，如果斑块相对于景观的大小来说很大，那么有些斑块就会被地图边界所截断。地图的范围越小，地图边界对斑块的截断问题就越严重，导致对斑块大小、形状和复杂性的测量有偏差。一般来说，我们应使用尽可能大的地图进行分析。
那么，究竟多大的粒度和幅度才是合适的呢？那肯定没有在任何尺度都合适的。不过，有科学家总结出了一个“经验法则”，这有助于我们选择合适的粒度和幅度。这个经验法则是这样说的：地图的粒度应比所分析的空间特征小2-5倍，而地图的幅度应该比最大的斑块大2-5倍。有了这样一个法则做指导，我们在进行实际处理的时候，是不是就感觉方便多了？
好，我们再来看看，计算机是如何识别斑块的。“斑块”的概念对人来说是很直观的，一目了然，但对于计算机来说就有一些麻烦。计算机图像是由像素组成的，区分斑块当然是寻找这些像素之间的联系。我们可以定义斑块为“一组具有相同制图类别的连续单元组”，那么是什么连续呢，你可以说是是相邻的，要接触。那么什么是接触或者是相邻呢？我们先看这张图，这个规则认为水平或垂直的像素为相邻单元，总共四个，称为四邻单元规则；那么对角线的四个算不算呢？如果算，那就是八个像素，所以称为八邻单元规则。这两种不同的规则，在计算机处理中就会产生不同的结果，我们来举一个例子进行说明。
上面这两张图，大家比较一下，按照四邻单元规则，我们可以区分为左边的六个斑块，因为对角线不会被认为是相邻的。而按照八邻单元规则，也就是右边的这个，只能区分为两个斑块。所以，采用四邻规则，就会出现更多更小尺寸的斑块，而且连通性也会降低。对于这样的说法，你不要只是硬记，而是应该想想，比划一下就清楚了。相对来说，四邻单元规则比较保守一些，而八邻单元规则似乎得到了更广泛的应用。
因为没有一个数字可以“说明一切”，所以人们在采用指标进行分析中，一般都会选择或者开发一个以上的指标来描述一个景观，这在历史上产生了很多的景观指标。可想而知，这些独立开发的各种指标，虽然名称不同，有时候可能是同样的含义，或者采用了类似的计算逻辑，导致许多指标之间有非常强的相关性，这在统计学上就是冗余的，因为有用10个高度相关的指标，并不能产生新的信息。仅仅因为某些东西可以计算，并不意味着它就应该被计算！如果要确保少数变量能提供更多信息，就应该保持它们彼此独立。在1995年的时候，就有科学家用因子分析，检验了55个不同景观指标之间的相关性，最后仅确定了5种独立的因子。
那么是哪五种独立的因子呢？我们归类一下，大概就是这样的。1，反映地图上的类别或覆盖类型数量的指标；2，考察景观格局的纹理是精细的还是粗糙的；3，考察斑块是紧凑的还是离散的；4，考察斑块是线状的还是面状的，5，考察斑块周长的形状是复杂的还是简单的。这五个方面，就可以指导分析人员如何选择相对独立的指标，让每个指标，或者是指标分组，都能够检测到具有生态意义的景观属性。
2003年，又有科学家对这个问题进行了探讨，他主要从这些指标之间的关系可能是非线性的说起，他用的方法很简单，就是对七个景观指标之间的成对散点图进行检验，就是我们现在显示的这张图，大家可以看到，许多关系不是线性的，有些甚至不是单调变化。所以他们认为，之前许多研究，认为景观指标之间的关系是线性的，这本身也可能是一种误导。
无论如何，我们还是应该欣慰，新指标的开发已经放缓，谢天谢地！因为太多指标，的确难于把握，太多指标也不便于不同研究之间进行比较。为了量化景观格局，就将这些指标归类为五个大类。那就是景观构成指标，对空间配置的度量，这就包括蔓延和基于斑块的度量；还有分形、面指标和空间图。为了便于大家学习，我将对应的英文也标注在这里，有些汉语翻译可能不一定准确。我们后面再详细解释。
对景观构成进行度量，那主要就是确定景观上的覆盖类型，以及每一类型的覆盖量有多少。大家应该可以理解，这个指标其空间特征并不明确。也就是说，它们主要衡量的类型，是有多少相对数量或比例，而不用考虑它们在景观中的位置。这可以看做是一个非常重要的描述性因子，特别是对于有些覆盖类型，其相对数量很大，一眼看过去有绝对性优势，那么具体的空间位置就显得不是那么重要了。
某个覆盖类型所占景观的比例，在计算机上是非常容易计算的。计算机会计算各覆盖类型的像素的数量，然后除以整个景观中的像素总数来进行估计。这个比例对景观格局的其他方面，例如景观中的斑块大小或边缘长度，肯定是有影响的。因此，这个比例看似简单，经常有人会使用，这有助于理解与该信息相关的一些指标。
比如，我们将各覆盖类型的相对丰度指标用于景观分析，就可以描述某斑块类型所占面积随时间的变化，其中有两个指标用得非常多，那就是均匀度和优势度。均匀度，顾名思义，指覆盖类型在分布比例上的均匀程度。如果有三种覆盖类型，可以是每种类型占景观的33%，那就很均匀；也可以是其中一种类型占90%，其他类型各占5%，这显然就不是那么均匀，对不对。因此我们就可以用这个方程式来计算。这里的H表示均匀度，Pi指覆盖类型i在景观中的比例，s是景观中所有覆盖类型的数量。除以ln(s)，可将这个指标归一化到0和1之间，这样就便于进行比较。大家想想，如果我们这里不进行归一化处理，那么最后这个值的最大值，完全取决于覆盖类型的数量，这就不便于不同景观进行比较了。进行归一化处理后，H值越高，表示均匀度越高，H值越低，就表示均匀度越差。
与均匀度密切相关的是优势度，它们是负相关的，其公式可表达为这样，指偏离最大可能均匀性的偏差。其中D是优势度，pi还是指覆盖类型i所占景观的比例，Hmax是指景观可能的最大多样性，那么具有s个覆盖类型的景观，其可能的最大多样性当然就是等于ln(s)？同样，该指数最后的取值范围也是0到1之间，高值表示只有一种或少数几种覆盖类型占优势，低值表示覆盖类型以相似的比例存在，几乎没有占优势的覆盖类型。大家再注意看看，这个公式分子中的求和，实际上表示的是与Hmax的偏差，因为Pi的值<1.0，其对数一定是负数，最终的求和也是负数。
我们前面说的均匀度指数，大家看看是否与香农威纳指数是一样的，只是多了一个分子，这是为了进行归一化处理，所以可以理解为归一化的多样性指数。那么还有三个问题值得注意。首先，均匀度和优势度是具有相关性的，所以在一个报告中同时列出这两个指数是冗余的，没有什么价值。其次，这也是类似指标一个更普遍的问题，不管是均匀度还是优势度，如果最后两个景观计算出的是相同的值，可能很难从生态学角度进行解释，因为它们在品质上可能是不同的。比如，由80%的农业斑块、10%的森林斑块和10%的湿地斑块所组成的景观，与80%的森林斑块、10%的农业斑块和10%的湿地斑块所组成的景观，二者无疑在数值上是相等的，但二者在生态学的差别却非常大。还有，这些指标要求景观中至少有两种覆盖类型，否则最后的结果就无法定义。
前面所说的这些指标，很明显是不能解释斑块类型的空间排列特征的。如果要对景观覆盖类型的空间分布进行定量描述，就要采用一系列测定方法，这些方法包括：边缘长度，边缘面积比，栖息地邻接度和蔓延度，斑块的数量、大小及斑块之间的距离。
不同覆盖类型交界的地方就是边缘，那么对于整个景观来说，总边缘的计算，就是将这些水平或垂直的“边缘”数量相加，再乘上单元的长度。为了不受地图本身大小和形状的影响，所以景观地图边界上的边缘通常是不包括在计算中。而为了排除不同景观大小的影响，因此一般是计算边缘密度的，那就是单位面积的长度。我们以这个示意图为例，说明是如何计算边缘长度的。这个地图包含三个栖息地类型，用黑色、灰色和白色表示。我们看到，这张地图中，有九条水平边缘，就是蓝线表示的，还有八条垂直边缘，用绿线表示的。总的边缘长度，就是9+8=17。如果我们假设这个地图上每个单元是1公顷，那么各个单元的边长就是100米，所以边缘密度就是[(9+8)*100]/25=68m/ha。同样，我们可以看到，总边缘也没有反映出生态学意义，所以在撰写报告的时候，如果加上对各边缘类型的说明，比如说农田-城市土地的边缘，或者说森林和空地的边缘，这样可以传递更多的信息。
再来看看邻接度和蔓延度，是用于区分景观的聚集或分割格局的度量。与优势度和均匀度一样，邻接度和蔓延度也是来源于信息论，由一组概率计算得出的。这里的qi, j是邻接概率，表示覆盖类型i的网格单元与类型j的网格单元相邻的概率。因此，这些概率对覆盖类型的精细尺度，也就是单元与单元之间的空间分布很敏感。其中，ni是覆盖类型i的网格单元的数量，ni，j是当覆盖类型i与覆盖类型j相邻时的数量。下面一个公式是蔓延度的计算方法，它可以转化为右边的这种形式。这个指标的范围也是0到1，这个值越大，表示整个景观中的覆盖类型大多是聚集成群的格局，这个值小，表示分散或破碎的覆盖类型比较多。同样的理由，这后面一部分的最大值是2*ln(s)，除上这个值，就进行了归一化处理。我们同样可以理解，仅仅知道指数最后的计算值是不够的，还需要知道有哪些覆盖类型，因为对于功能迥异的景观，也可能有同样的值，与前面的指数一样。我们刚才说的许多指数都与信息论有关，但任何单一的指数似乎都无法完美解释景观格局，所以更多时候我们度量景观格局的时候，不是单个指数，而是指数组合。这一点请大家一定要记住。
基于斑块的格局度量，包括斑块数量、大小、周长和形状。一旦确定了斑块，数量自然而然就知道了，还可以计算和汇总各斑块的面积和周长。对于单个覆盖类型来说，斑块信息是最有用的，如果只是简单报告所有覆盖类型的斑块信息，其实也很难说究竟其意义是什么。对于生态学分析来说，关注特定覆盖类型斑块的变化可能更有意义。有了斑块的基本信息，我们还可以按照斑块大小的划分，做出斑块大小的频率分布、斑块密度、斑块大小的平均值、中值和标准差等等。斑块密度，用斑块数量除以景观面积，这个值是很有用的，可以对不同程度景观进行比较。
分形因为其可能解决“尺度问题”而引起了人们的广泛兴趣。整体而言，一个分形度量，可以针对整个景观，也可以针对各覆盖类型或单个斑块。在景观生态学中，两个常用的方面是作为形状复杂性的度量，以及用于生成中性景观模型的参数。有关分形最著名的故事，就是研究了海岸线长度与比例尺之间的关系。地图估算的海岸线长度会随着地图分辨率的增加呈对数增长。因为随着地图分辨率的提高，可以勾画出越来越多的细节，在极限范围内，海岸线的长度可能是无限的。而这个故事的本质，是让我们认识到：对于许多现象，可分辨细节的数量是尺度的函数。因此我们得到一个重要的推论：提高分辨率并不会导致绝对精度的提高，而是揭示了之前未被注意到的变化。
比如我们这里考虑两条理想分形曲线。如果我们要测量从A到B的距离，并以长度x为单位，我们观察到在图圈a中，距离等于4。如果这样的模式也适用于更细节的地方，增加分辨率，就到圈b的图，很明显总的长度增加了。同样在圈c和圈d中，我们也是同样的处理。这样的处理还可以继续下去。自然界这样的情况很多，在一个尺度下所观察到的模式还会在另一个尺度出现，这就是“自相似性”。如果自相似性存在，那么我们在所有尺度上的变化水平，就可以用一个统一的参数来进行描述。
刚才说的自相似性，是分形的一个重要特征，无论观察对象的分辨率如何，分形看起来都是一样的，一个尺度上的变化，在另一尺度上可以重复。其次，分形还有一个重要特征，那就是分形的维数不是整数，而是分数，这也是分形得名的原因：分数维。欧几里得的维数定义一条直线的维数为1，一个面的维数为2，球体或立方体的维数为3。而分形曲线的维数是在1和2之间变化。当D=1时，表示曲线实际上是欧几里得曲线，也就是直线。当D大于1时，这意味着直线有一些“模糊性”或不确定性，它会吞噬一点第二纬度的空间，但又没有全占满，所以会大于1。而当D=2时，这条线实际上充满了整个面，变成了一个区域。D=2，就是完全光滑的二维平面，如果发生弯曲，变成了曲面，D就大于2了，直到出现一个无限褶皱的曲面，其实就是三维对象了，变成了一个体。
分形概念中所体现的自相似性思想，让我们认识到，如果像ft或河这样的地理对象是真正的分形，其变化就是可以在尺度上推绎的。也就是说，通过对一个尺度上的格局和分形维数的了解，可预测不同尺度上的格局。那么，在几米以内，我们肉眼可见的地形中所看到的变化，在统计学上应该与在几百米或几千米以上，我们肉看看不到的尺度上的变化相似。这张图，就是多空间尺度下的土壤分布图格局。我们看到从100公里到100米，不同尺度的自然变化看起来是相似的。但是，在实际景观生态学应用中，跨尺度外推的应用还是非常有限，但在已知空间结构的制图方面，分形还是非常有用的。
前面所描述的指标，都是要求将景观数据分类为离散的类别。基于分类数据进行度量，因为概念简单、直观，吸引了许多人的参与，促成了这些方法的广泛应用。也正是因为这些度量方法的广泛使用，所以我们目前对格局-过程关系的理解，大多都是对空间异质性的表达。但如果我们的景观数据是连续的，而不是可以分门别类的，其实我们大多数景观就是如此。那么我们能否找到一个方法，不对数据进行分类。这样的定量方法，那就是空间统计学，我们下一节讨论。而在景观生态学发展的早期，引入了一套量化连续数据的纹理特征的方法，有人建议将这种方法也作为景观指数，就是我们现在说的景观纹理测量。就包括对比度、表面粗糙度、角纹理和径向纹理。
在用计算机对景观进行分析中，基于栅格的方法显然不是空间结构的良好模型，例如对于树突状网络、道路密度的分析就无能为力。那么现在这种基于栅格的方法，对于景观连通性进行度量也是很困难的，但也发展出了各种不同风格的连通性度量。最近邻法（Nearest-neighbor）虽然性能并不是特别好，但由于容易计算，实际上是被广泛使用的。例如前面讨论的邻近指数，其实也是可以作为连通性指标的；还有斑块连通性指标，分别可度量景观连通性和斑块连通性。
另一组对连通性进行度量的方法来自图论。这种方法将景观中的格局表示为一系列的节点和链路，这在景观生态学中很早就得到了应用，采用一种伽马指数来度量。公式很简单，L是网络中的链路数，V是网络中的节点数。这个指数的范围也是0到1，低值表示连接较少，高值表示连接较高。我们再看看这张图。这里的斑块就是节点，从边界到边界由链路连接起来。左边是一个二元连接性指数，链路要么存在，要么不存在。而右边是类似伽马指数的概率指数，每个链路都分配了一个概率，概率为零表示不存在，概率为1表示两个栖息地斑块之间非常强的链路，大多处于0和1之间。
大多数空间网络分析都是基于景观结构，并假设在资源斑块间运动。如果斑块，也就是网络中的节点，在最大的分散距离或分散核内，则可以假定网络中的链路是连接的。社交网络开发了许多统计模型，如果能借鉴到对景观的网络分析模型中，显然也是非常有意义的。这张图就是借鉴的社交网络的，对两种不同物种斑块间的实际运动进行采样，然后测试网络模型中景观连通性的能力。社交网络模型考虑了运动的方向性，所以通常在预测链路方面是最好的。这样类似的分析，对于理解景观连通性仍然是一个研究前沿。有兴趣的同学不妨关注一下。
我们前面也提到过，景观测量现在被广泛使用，但要进行有效解释仍然非常棘手。任何景观格局分析的目的，都是使格局的度量信息丰富，而且有用。用户必须了解所使用的任何指标的范围、行为和意义。第一个问题就是，是什么构成了景观格局的“显著”差异？景观生态学一直碰到的问题，是将统计显著性归因于景观指数在时间上的差异或者景观间的差异。对于一个景观的一个指数，例如斑块密度或者是蔓延度，我们通常并不清楚景观格局必须在多大程度上发生变化，才能检测到指标中具有重要生态意义或统计意义的变化。这就给不同景观的比较带来了各种挑战，例如，说优势度为0.75与0.80究竟有什么不同？如果蔓延度从0.88下降到0.86，难道就能推断景观变得更加支离破碎了？
我们一直在强调，景观格局的描述需要一个以上的度量指标，因此如何选择一个相关的子集就值得考虑。确定要使用多少个指标，以及如何组合这些指标，使结果具有意义和可解释性，并不是一个简单的任务。首先，必须针对特定的问题或目标来选择指标，要避免大而全的景观指数分析。其次，应该能解释整个景观的格局变化，而冗余最小，因此个指标应该相对独立。第三，指标的测量值应该有一定的适用范围，这个在分析必须非常明确。
我们组合多个指标信息的方法，是在独立定义的状态空间中进行绘制，这些指标捕获了与原始问题相关格局的不同方面。比如，这个图就是显示美国东南部三维“格局空间”的分析，这里是景观优势度、蔓延度和形状复杂性，它们是相互独立的、是否独立和正交，我们一般可以用主成分分析PCA来识别。另外，要确定格局空间中使用的个别指标对景观变化的敏感性，指标是否能够检测到微小的变化。理想情况下，指标应该是透明的，科学家和非科学家都容易理解，并且易于计算。
在分类地图上对空间格局进行量化的方法层出不穷，我们这节课讨论了一些基本的计算方法，但不可能展示所有的指标，因为实在太多了。容易解释的简单指标可能比需要许多中间步骤的指标更强大。节俭是美德！再提醒一遍，要从生态学角度解释景观指标，这并不简单！景观格局分析通常基于一个未经测试的假设，认为格局指标直接与我们感兴趣的过程相关，这显然是不一定成立的。这一节课的内容实在是比较多，我已经试图压缩了许多内容，但还是不少。我最后会根据所生成的视频长度分成两部分，便于大家查找和学习。也不想让大家觉得很乏味。好，同学们，就不再浪费大家的时间了，再见！