張東菊，左 平，鄒欣慶,*

1 南京大學地理與海洋科學學院， 南京 210046 2 南京大學海岸與海島開發(fā)教育部重點實驗室， 南京 210046

基于加權(quán) Ripley′s K-function的多尺度景觀格局分析
——以江蘇鹽城濱海濕地為例

張東菊1,2，左 平1,2，鄒欣慶1,2,*

1 南京大學地理與海洋科學學院， 南京 210046 2 南京大學海岸與海島開發(fā)教育部重點實驗室， 南京 210046

以1987，1992，1997，2002，2007年的遙感影像為例，首次嘗試使用加權(quán)Ripley′s K-function的多尺度格局分析方法，計算了20年來景觀異質(zhì)性在江蘇鹽城濱海濕地的時間變化和空間分布趨勢。通過對研究區(qū)的樣帶劃分以及景觀類型的點狀化處理，建立濱海濕地樣帶圖層和1987—2007年間各類型景觀的點格局數(shù)據(jù)庫，從而分析濱海濕地不同類型景觀的空間聚集特征變化?；诩訖?quán)Ripley′s K-function的計算表明，在各級空間尺度和時間變化上，各類型濕地的斑塊都呈現(xiàn)出空間聚集分布狀態(tài)，且1987年以來，不同濕地類型的聚集空間特征尺度和空間分布強度均出現(xiàn)了大幅的增減變化，除互花米草灘之外的自然濕地的聚集空間特征尺度和強度都有明顯下降甚至少到無法被檢測到，而人工濕地卻呈現(xiàn)聚集特征尺度和強度的雙增長，且該聚集程度有逐漸增強的趨勢。分析表明，既考慮樣點的空間位置信息又考慮樣點分布范圍的加權(quán)Ripley′s K-function方法能很好地表征濕地景觀在多尺度上的變異，且與傳統(tǒng)空間景觀指數(shù)等分析方法的結(jié)論在一定程度上保持一致。

鹽城濱海濕地；景觀空間格局；多尺度空間聚集分析；加權(quán)Ripley′s K-function；空間特征尺度；空間分布強度

空間異質(zhì)性、生態(tài)學過程和尺度的關(guān)系一直以來都是景觀生態(tài)學研究的熱門命題和重要研究內(nèi)容，而景觀格局是景觀空間異質(zhì)性的外在表現(xiàn)，也是各種生態(tài)過程在不同大小空間尺度上相互作用的結(jié)果[1-4]，因此，對景觀格局-生態(tài)過程關(guān)系的全面認知和解析理應基于不同的研究尺度。目前針對鹽城濱海濕地的景觀格局研究多基于單一尺度，一定程度上限制了我們在多尺度空間上對景觀類型及其生態(tài)過程的理解和分析，因此同時在多尺度上開展該區(qū)域景觀的空間分布特征研究，成為理解該區(qū)域格局和生態(tài)過程相互作用的關(guān)鍵和重點[5-6]。已有文獻[7-10]對鹽城濕地景觀類型的變化分析多采用景觀格局指數(shù)，轉(zhuǎn)移矩陣(優(yōu)勢轉(zhuǎn)移過程及其貢獻率)以及土地利用動態(tài)模型等方法，在這其中，尤以景觀指數(shù)法應用最多。然而，這些基于空間非連續(xù)性數(shù)據(jù)的傳統(tǒng)景觀指數(shù)法大都基于單一尺度，且眾多景觀指數(shù)在表征景觀格局特征方面具有片面性，在指示生態(tài)學過程方面具有局限性。在不改變源數(shù)據(jù)空間尺度的前提下，不能同時在宏觀和微觀等連續(xù)尺度上揭示景觀格局的特征和生態(tài)過程。因此有必要應用多尺度景觀格局分析方法來剖析景觀格局與生態(tài)過程關(guān)系[11]。當前，多尺度的研究方法和理念被廣泛應用到林地、草地以及海洋等生態(tài)系統(tǒng)的種群分布格局研究上[12-21]，實踐證明其可以有效地揭示出研究物種在多個尺度上的生態(tài)學特性和過程。

Ripley′s K-function恰恰是一種可以在多尺度上分析研究對象空間分布格局的有效手段，其提供的空間特征尺度和空間分布強度兩個指數(shù)可以很好地表征景觀類型的斑塊大小和空間聚集程度，具有很強的生態(tài)學指示意義，且在景觀格局上的研究上已顯示出簡單，高效等諸多優(yōu)點[22-25]。Ripley′s K-function是一種基于點狀數(shù)據(jù)的格局分析方法，因此在計算之前需要將各種格式的數(shù)據(jù)進行點狀處理?？紤]到所涉及的研究區(qū)域及研究對象均較小，相關(guān)文獻大多采取將研究對象直接點狀化的方式進行空間格局計算，而忽略研究對象的分布范圍等屬性。在景觀空間分析中，傳統(tǒng)的Ripley′s K-function主要是在ArcGIS中進行以下兩種方式的點狀化處理：一是將土地利用類型與隨機點結(jié)合。高凱等[22]利用create random points，通過生成的隨機點跟矢量圖疊置分析，將土地的利用類型賦值給隨機點，這些賦值后的隨機樣點將代表各景觀類型進行點格局計算。筆者認為這種方法與數(shù)據(jù)源本身的提取精度關(guān)系較大，隨機點的數(shù)量較難控制，該方法隨機性稍顯大些。例如，對某些大面積分布的景觀來說，其在地理信息系統(tǒng)圖層中雖然有明顯的聚集特征，但僅靠生成的幾個隨機點會將聚集性弱化甚至導致最終無法被檢測出來；二是將面狀格式的土地利用或者景觀數(shù)據(jù)直接轉(zhuǎn)為點狀數(shù)據(jù)。王金亮等[23]利用Feature to Point命令，將林地斑塊面狀數(shù)據(jù)的質(zhì)心轉(zhuǎn)換為點狀數(shù)據(jù)，通過將點狀數(shù)據(jù)與生態(tài)屏障區(qū)圖層疊加，得到研究區(qū)林地景觀點格局樣點數(shù)據(jù)。然而，對于某些零星分布的景觀來說，只考慮樣點質(zhì)心位置不考慮樣點本身的分布范圍等屬性值，容易造成局部“偽聚集性或過聚集”現(xiàn)象。

鑒于本研究所涉及的研究對象及其所在區(qū)域的空間尺度均相對較大，因此不能將景觀類型的空間分布范圍屬性直接忽略，為彌補傳統(tǒng)Ripley′s K-function方法在景觀類型點狀化過程中的粗糙和隨機性等缺陷，本文考慮將研究對象的面積屬性以權(quán)重的方式納入到空間分布類型的計算中，并以鹽城濱海濕地為例，對其格局20年間的變化進行了分析。首先，將整個研究區(qū)劃分為寬度一致長度不等的多個連續(xù)樣帶，以達到對原始面狀數(shù)據(jù)進行簡化的目的；其次，提取各濕地類型的空間位置(某類型濕地所在樣帶的質(zhì)心坐標)和分布范圍屬性值(某類型濕地在樣帶內(nèi)的分布面積)；然后，將所得信息應用到加權(quán)Ripley′s K-function方法中，從而避免了僅考慮樣點空間位置信息而造成的“偽分散”(尤其是針對大面積塊狀或者帶狀分布的濕地類型)或者“偽聚集”(特別是對破碎化嚴重，零星分布的濕地類型)等現(xiàn)象。

1 研究區(qū)與研究方法

1.1 研究區(qū)概況

圖1 研究區(qū)位置及其樣帶劃分圖Fig.1 Location of study area and belt transects map

本研究區(qū)域的地理范圍包括鹽城沿海響水、濱海、射陽、大豐、東臺5個縣(市)的潮間帶灘涂、港河口、部分潮下帶以及由堤內(nèi)的耕作農(nóng)田向堤外灘涂過渡區(qū)的蘆葦魚塘、林地、鹽場、撂荒地等[7](圖1)。該區(qū)域生物多樣性異常豐富，是東北亞-澳大利亞候鳥遷徙的重要通道和停歇地，該區(qū)域設立的江蘇鹽城珍禽自然保護區(qū)，是全球最大的丹頂鶴越冬基地，也是亞洲最大的沿海灘涂濕地型保護區(qū)[26]。然而，隨著灘涂的大規(guī)模圍墾、資源的過度開發(fā)利用以及環(huán)境污染，該區(qū)域也面臨著景觀破碎化，生態(tài)功能退化等一系列問題。因此對該區(qū)域濕地景觀的空間分布特征及其變化的研究具有較強的現(xiàn)實意義，可以為開展?jié)竦厣锒鄻有员O(jiān)測保護及恢復提供更詳細的定量指標。

研究區(qū)內(nèi)的自然濕地(從植被類型角度闡述)由海到陸的演替層次十分明顯，且部分地區(qū)仍保留著海岸帶原生植被演替序列，過渡的類型依次為：光灘或泥灘(無植被)-米草灘(Spartinaalterniflora，1982年形成最大的互花米草鹽沼生態(tài)系統(tǒng)[27])-堿蓬灘(Suaedaglauca)-獐茅灘(Aeluropuslittoralis)-白茅草灘(RhizomaImperatae)或蘆葦灘(Phragmitescommunis)。

結(jié)合當?shù)貫┩块_發(fā)利用現(xiàn)狀和規(guī)劃方案，本文選取20年來在空間分布尺度和強度上變化幅度較大的幾大濕地類型為重點研究對象。具體來說，自然景觀類型的研究主要集中于獐茅灘、蘆葦灘、堿蓬灘、互花米草灘；人工濕地類型主要包括農(nóng)業(yè)用地、水產(chǎn)養(yǎng)殖塘和鹽田。

1.2 數(shù)據(jù)來源及處理

本研究以覆蓋該區(qū)域的1987、1992、1997、2002和2007年的Landsat影像(分辨率為30 m)作為基本信息源，并選用TM5，TM4和TM3三個波段進行標準假彩色合成，結(jié)合目視判讀和ERDAS 9.1中的非監(jiān)督分類模塊，對典型的濕地景觀類型進行初步判斷和解譯，再通過實地調(diào)查驗證提高結(jié)果精度，進而最終識別出主要的自然濕地景觀類型和人工濕地景觀類型[7]。分類結(jié)束后，提取的景觀類型的結(jié)果圖件導入到ArcGIS10.0軟件中進行矢量化和各類空間分析，建立1987—2007年間各濕地類型的空間格局數(shù)據(jù)。同時，為了滿足Ripley′s K-function對數(shù)據(jù)格式的要求，首先，對原有的面狀數(shù)據(jù)進行了條帶化概括處理(將各類零散分布且面積不大的濕地類型統(tǒng)一納入到樣帶內(nèi))，將研究區(qū)從北到南劃分為260個樣帶(圖1)，其中，樣帶的寬度為1 km，長度不等(切割于實際的邊界范圍)。然后，將各濕地景觀類型數(shù)據(jù)與樣帶圖層進行疊加，得到研究區(qū)各個景觀類型的樣帶分布數(shù)據(jù)，與此同時，分別統(tǒng)計1987—2007年落入各樣帶內(nèi)的各濕地類型的面積(z)。在此基礎(chǔ)上，將各個樣帶進行點狀化處理，提取各樣帶的質(zhì)心坐標(x,y)和各濕地類型在樣帶內(nèi)的分布范圍即面積(z)，為接下來的加權(quán)Ripley′s K-function運算提供空間位置信息和加權(quán)變量。

1.3 加權(quán)Ripley′s K-function方法

Ripley′s K-function是點格局分析的一種重要方法，它可以反映點格局(要素質(zhì)心)在整個空間幅度范圍內(nèi)的變化特征，能夠檢測研究對象的空間分布特征在鄰域大小發(fā)生變化時是如何變化的[28-29]。本文在傳統(tǒng)Ripley′s K-function計算公式(1)的基礎(chǔ)上，采用改進的加權(quán)Ripley′s K-function[30]來分析各濕地類型的空間分布特征，其計算公式如式(2)所示：

(1)

(2)

式中，點的位置信息由各濕地類型所在樣帶的質(zhì)心點的坐標來表征。d為空間尺度，dij為研究對象在質(zhì)心點i與質(zhì)心點j之間的距離，且i，j=1，2，3，…，n(i≠j);n為研究對象的個數(shù)；當dij≤d時，I=1；當dij>d時，I=0；λ為假設研究對象在研究區(qū)內(nèi)呈均勻分布時的空間密度值。由公式(1)可知，傳統(tǒng)方法根據(jù)位置信息統(tǒng)計出不同距離尺度內(nèi)研究對象的數(shù)目，進而判讀該研究對象的空間分布狀態(tài)。mi與mj為權(quán)重變量，是研究對象在質(zhì)心點i和質(zhì)心點j上所關(guān)聯(lián)的屬性值-即該研究對象的分布范圍(z)，μ是研究對象所關(guān)聯(lián)的屬性值的均值。為使期望值線性化并保持方差穩(wěn)定[22]，同時也便于直觀地理解現(xiàn)實中研究對象的空間分布格局，Besag[31]重新標準化方程構(gòu)造了指標Lmm(d)：

(3)

式中,假設樣點呈完全空間隨機分布(CSR)，Lmm(d)的期望為0。當Lmm(d)大于0，說明景觀類型呈聚集分布；Lmm(d)小于0，說明景觀類型呈現(xiàn)分散分布的趨勢；Lmm(d)等于0，則表示景觀類型呈隨機分布。

本文的加權(quán)Ripley′s K-function計算是在 Matlab R2011a軟件中運行，以樣帶中心點的經(jīng)度、緯度和各濕地類型所覆蓋的面積分別作為空間位置變量和加權(quán)變量，分別計算1987—2007年各濕地類型的空間特征尺度和空間分布強度。同時，指數(shù)偏離隨機性的顯著性檢驗采用蒙特卡羅模擬法(M-C)，置信度取99%。運算結(jié)束后，首先根據(jù)模擬法檢驗所生成的上、下包跡線曲線判斷各濕地的空間分布類型：若景觀類型的Lmm(d)值大于上包跡線，則該濕地類型呈現(xiàn)顯著聚集分布；若Lmm(d)值小于下包跡線，則對應的濕地類型呈現(xiàn)分散分布；若Lmm(d)值落入上下包跡線區(qū)間范圍內(nèi)，說明相關(guān)濕地類型的空間分布是完全隨機分布。其次，當景觀類型呈現(xiàn)聚集的空間分布狀態(tài)時，提取兩個重要的空間分布特征數(shù)：空間分布強度和空間特征尺度?？臻g分布強度，即某一類型的濕地在空間上聚集的規(guī)模，是由Lmm(d)曲線中的第一個有效峰值來度量，峰值越高，所對應的濕地類型在空間上的聚集強度或規(guī)模就越大；空間特征尺度，是Lmm(d)曲線中第1個有效峰值所對應的d值，d值愈大，所計算的濕地類型在空間上的聚集尺度越大。

2 結(jié)果分析

2.1 濕地景觀的面積及其樣帶變化分析

從鹽城濱海濕地景觀面積的百分比變化來看(表1)[7]，自然濕地仍是鹽城濱海濕地中的主要景觀類型，但部分典型自然濕地的總面積和比重都有明顯下降的趨勢，且景觀中的植被群落類型多樣性明顯減少(如獐茅灘濕地在2007年影像中已經(jīng)基本檢測不到)，并有逐漸向單一優(yōu)勢種群過渡的趨勢(在鹽城濱海灘涂，互花米草已取代堿蓬成為先鋒植物群落并迅速擴散)，相對而言，人工濕地的面積和比重卻有著顯著上升的趨勢。圖2中自然濕地和人工濕地的面積在大部分樣帶內(nèi)的增減量變化(增減量=2007年的自然或者人工濕地面積-1987年的濕地面積)更好地印證了二者存在著此消彼長的關(guān)系。具體來說，176個樣帶中的自然濕地處于減量區(qū)(以0值為分界線，值大于0代表該類型濕地有增量；小于0代表該濕地類型有減量)，193個樣帶中的人工濕地位于增量區(qū)。因篇幅原因，各個濕地類型的面積增減量未在此列出。

表1 1987—2007研究區(qū)各濕地景觀類型所占面積的百分比[7]Table1 Area percentages of wetland Landscapes in the study area from 1987 to 2007[7]

圖2 1987—2007年研究區(qū)濕地在各樣帶內(nèi)的面積變化量Fig.2 Variations of wetland area in each belt of the study area from 1987 to 2007

2.2 基于加權(quán)Ripley′s K-function 的濕地景觀格局變化分析

由圖3和表2可以看出，1987—2007年間，各年份各濕地景觀的Lmm(d)曲線基本都在上包跡線以上，表明在設定的多個不同空間尺度上，無論何種類型的濕地，均表現(xiàn)出顯著的聚集分布特征。自然濕地方面，堿蓬灘和獐茅灘的空間特征尺度和空間分布強度都有明顯的下降趨勢，從大范圍的高度聚集向多個尺度的局部小范圍聚集分布發(fā)展，獐茅灘尤甚。堿蓬灘的空間特征尺度從1987年的81 km 下降到2007年的11 km，與此同時，其空間分布強度也從160.65下降到16.93，曲線中出現(xiàn)更多的小峰值，說明研究期間堿蓬灘從開始的較大斑塊轉(zhuǎn)變?yōu)閮蓚€尺度上的較小斑塊。獐茅灘曲線基本呈現(xiàn)出與堿蓬灘一致的變化趨勢，其空間特征尺度也不斷萎縮，從1987年的75 km到2007年在遙感影像中消失，且其空間聚集強度也不斷下降，從94.35到基本消失。蘆葦灘的空間特征尺度在1987—1997期間變化不大，基本在8 km左右，到了2002年尺度上升為26 km，到2007年再次下降為12 km；與此同時，空間分布強度表現(xiàn)出先穩(wěn)步下降后于2007年顯著上升的趨勢，但相對于1987年仍有減弱，從1987年的15.39減小為2007年的12.61，由此可判斷蘆葦濕地的空間分布形態(tài)除了在2002年出現(xiàn)較大波動以外，其他年份的聚集尺度和規(guī)?；颈３址€(wěn)定?；セ撞葑?992年引進以來，呈現(xiàn)不斷蔓延擴散的趨勢，甚至一度被作為入侵種進行研究，與其他自然濕地的空間分布變化相反，該濕地類型是自然濕地中唯一聚集性和分布規(guī)模逐漸增強的類型，其空間特征尺度從1992年的32 km上升到2007年的73 km，空間分布強度指數(shù)從1992年的5.81上升到2007年的39.04，互花米草灘相對均勻地逐年快速增加使其在局部范圍內(nèi)迅速聚集壯大并蔓延開來，逐漸由局部的小聚集演變?yōu)榇蠓秶母叨染奂?/p>

表2 1987—2007年各濕地景觀類型的空間特征尺度和空間分布強度值Table 2 Spatial patch radius and crowding values of all wetland landscapes from 1987 to 2007

人工濕地基本表現(xiàn)出與自然濕地相反的空間分布趨勢，其呈現(xiàn)出從多個尺度上的局部小范圍聚集到單尺度上的大范圍高度聚集分布的變化。這點在水產(chǎn)養(yǎng)殖塘和農(nóng)業(yè)用地兩個濕地類型方面表現(xiàn)的尤為突出，二者的Lmm(d)曲線峰值均出現(xiàn)了明顯的變化，表明相應濕地類型正從多個不同尺度上的弱聚集逐漸演變?yōu)閱蝹€較大尺度上的強聚集。水產(chǎn)養(yǎng)殖塘的空間特征尺度從1987年的21 km上升到2007年的82 km，空間分布強度從1987年的10.22猛烈上升到2007年的126.20；農(nóng)業(yè)用地的空間特征尺度從1987年的23 km上升到2007年的89 km，空間分布強度從1987年的39.83迅速上升到2007年的109.22，和水產(chǎn)養(yǎng)殖塘基本表現(xiàn)出一致的空間變化趨勢；鹽田的空間特征尺度變化不大，集中在27—31 km之間，空間分布強度整體變化幅度較小，且在1997年達到最高，表明其在局部小范圍的聚集尺度和規(guī)?；颈３植蛔?。

3 討論

左平等[7]采用斑塊個數(shù)、斑塊平均面積和平均斑塊最近距離3個景觀指數(shù)對受人類活動干擾較強的濕地類型進行了變化分析，本文的相關(guān)結(jié)論與其結(jié)論中對各濕地景觀類型變化趨勢的表述基本一致。對照來看，其結(jié)論指出鹽城濱海濕地的景觀變化總體上有破碎化程度加劇的趨勢，自然濕地方面，獐茅灘和堿蓬灘的面積均持續(xù)減少，蘆葦灘也呈現(xiàn)出先增加后減少的情況，此外互花米草灘無論是斑塊個數(shù)還是面積均是逐年遞增，而這恰恰和本研究中自然濕地在多尺度的變化相吻合，如獐茅灘和堿蓬灘在多尺度上的聚集性減弱及空間分布強度不斷下降，蘆葦灘的特征尺度先穩(wěn)步下降后迅速增加再迅速減少的趨勢，互花米草灘聚集性迅速增強等；而人工濕地方面，其結(jié)論中魚塘的面積和平均斑塊最近距離有大范圍增加的趨勢，鹽田的斑塊平均面積出現(xiàn)了先減少后增加的趨勢，這也和本研究中所對應的人工濕地的聚集尺度和規(guī)模的變化趨勢相似。此外，張華兵等[32]指出鹽城國家級自然保護區(qū)核心區(qū)濕地景觀格局經(jīng)歷了從1987年一定的規(guī)律帶狀分布到2007年的鑲嵌格局轉(zhuǎn)變的過程，這與本文中部分自然濕地減少(如獐茅灘、堿蓬灘等)，從規(guī)則的條帶狀分布到聚集特征尺度驟減，零散分布的趨勢基本相同。

本文借助點格局理論，依托于遙感和地理信息技術(shù)，應用加權(quán)Ripley′s K-function分析了鹽城濱海濕地景觀格局20年間的變化情況，該方法最大限度地利用點格局的位置和距離信息，同時考慮了各樣點本身的分布范圍。結(jié)論表明，加權(quán)Ripley′s K-function方法能夠在一定程度上減少和避免傳統(tǒng)Ripley′s K-function方法所造成的兩種偽空間分布結(jié)果：一方面，在傳統(tǒng)分析方法中，由于大面積成片狀或者帶狀分布的濕地類型直接點狀化往往只能生成較少數(shù)量的樣點，導致某一類型的濕地雖然在GIS圖層上有明顯的聚集變化，但卻被傳統(tǒng)方法解讀為隨機或者分散分布，而加權(quán)方法由于考慮了樣點的分布范圍，體現(xiàn)出了研究對象在連續(xù)空間上的面積變化情況，因此可以將該種類型濕地在多尺度上的聚集變化表征出來，本研究中大面積成片分布的人工濕地的提取和空間分布結(jié)論證明了加權(quán)方法在這方面的科學性；另一方面，對因破碎化比較嚴重而生成眾多樣點的濕地類型而言，傳統(tǒng)方法容易生成“偽聚集或過聚集”[30]現(xiàn)象，而改進方法中由于加入了眾多樣點的面積值作為權(quán)重變量，使得運算結(jié)果更加接近于現(xiàn)實中的分布狀態(tài)，如本方法較好地避免了破碎化嚴重的獐茅灘的“過集聚”分布的現(xiàn)象，揭示了其在聚集尺度和規(guī)模上逐漸萎縮甚至幾近消失的變化情況。另外需要指出的是，在本研究中，改進方法中的尺度變化指的各類型濕地在南北方向上的距離差異，距離計算基于的是樣帶質(zhì)心組成的一維空間，長度不等及其樣帶內(nèi)的差異導致的實際距離差異在本研究中予以忽略，考慮到研究區(qū)域的差異性，將該方法應用到其他案例時，樣帶的大小確實會是一個值得嚴謹考慮的問題，其在一定程度上影響到質(zhì)心的位置及其濕地類型的多少，且樣帶內(nèi)的差異同樣也值得探討。本文未對此進行詳細的說明和進一步的分析，略顯不足，今后將加以彌補和完善。實踐證明，利用改進的Ripley′s K-function可以很好地反映出各類型濕地在1987—2007年間在多尺度的空間變異，該方法能簡單有效地體現(xiàn)濕地格局從宏觀到微觀的空間分布特征，并能給出空間分布格局的最大聚集強度及其對應的空間特征尺度，且計算結(jié)果和實際的空間聚集變化趨勢保持一致，今后可以作為持續(xù)分析鹽城濱海濕地景觀變化及其生態(tài)過程的重要工具。

景觀的空間格局是各種生態(tài)過程在不同尺度上的長期相互作用的結(jié)果，因此驅(qū)動力的分析也應基于不同的研究尺度。針對濱海濕地景觀演變的驅(qū)動力分析目前已有較多論述[7, 32-33]，且論述基本一致，主要的分析集中在自然地理等生態(tài)機制(海岸地貌侵蝕與淤積過程以及植被的自然演替過程)和人為干擾等要素(米草物種的引進和擴散，各時期不同程度的灘涂圍墾等經(jīng)濟開發(fā)活動以及區(qū)域人口增長等)兩個方面。這兩大因素相輔相成，密不可分，共同決定了濱海濕地在各個時間段內(nèi)區(qū)域潛在的異質(zhì)性空間格局，而這些格局最終也通過各濕地類型的空間特征尺度和空間分布強度在本研究中充分表現(xiàn)出來。如自然濕地方面，以互花米草為例，由于其瘋狂的繁殖能力，在局部區(qū)域迅速聚集為較大斑塊，并逐漸擴散開來，表現(xiàn)為聚集尺度和規(guī)模的激增；人工濕地方面，以水產(chǎn)養(yǎng)殖塘為例，過度捕撈導致許多漁民被迫走上濱海養(yǎng)殖道路，表現(xiàn)為水產(chǎn)養(yǎng)殖塘在2002和2007年以來的聚集空間特征尺度和規(guī)模的大幅上升。鑒于研究區(qū)的各類景觀類型在多尺度上受到來自各類海洋物理，生物生態(tài)，化學以及人為等驅(qū)動因子的共同作用，且在多個尺度上的作用強度以及方向不盡一致，從格局到過程的推繹仍然面臨一些挑戰(zhàn)，因此本文只是揭示出各類自然濕地類型在多個空間特征尺度上的變化情況，未對各類生態(tài)過程在多尺度空間上如何作用于濕地類型進行詳細分析，對該部分內(nèi)容進行專門分析以便為管理層提供更好的量化指標將成為下一步的研究重點。

致謝： 感謝Charles “Pete” H. Peterson教授對英文寫作的幫助。

[1] 鄔建國. 景觀生態(tài)學中的十大研究論題. 生態(tài)學報, 2004, 24(9): 2074-2076.

[2] 鄔建國. 景觀生態(tài)學——概念與理論. 生態(tài)學雜志, 2000, 19(1): 42-52.

[3] 張娜. 生態(tài)學中的尺度問題: 內(nèi)涵與分析方法. 生態(tài)學報, 2006, 26(7): 2340-2355.

[4] 趙玉濤, 余新曉, 關(guān)文彬. 景觀異質(zhì)性研究評述. 應用生態(tài)學報, 2002, 13(4): 495-500.

[5] Wu J. Effects of changing scale on landscape pattern analysis: scaling relations. Landscape Ecology, 2004, 19(2): 125-138.

[6] Cushman S A, McGarigal K. Hierarchical, multi-scale decomposition of species-environment relationships. Landscape Ecology, 2002, 17(7): 637-646.

[7] 左平, 李云, 趙書河, 周鑫, 滕厚鋒, 陳浩. 1976年以來江蘇鹽城濱海濕地景觀變化及驅(qū)動力分析. 海洋學報, 2012, 34(1): 101-108.

[8] 翟可, 劉茂松, 徐馳, 崔麗娟, 徐惠強. 鹽城濱海濕地的土地利用/覆蓋變化. 生態(tài)學雜志, 2009, 28(6): 1081-1086.

[9] 李楊帆, 朱曉東, 鄒欣慶, 高建華. 江蘇鹽城海岸濕地景觀生態(tài)系統(tǒng)研究. 海洋通報, 2005, 24(4): 46-51.

[10] 劉春悅, 張樹清, 江紅星, 王會, 孫妍. 江蘇鹽城濱海濕地景觀格局時空動態(tài)研究. 國土資源遙感, 2009, 21(3): 78-83.

[11] 呂一河, 陳利頂, 傅伯杰. 景觀格局與生態(tài)過程的耦合途徑分析. 地理科學進展, 2007, 26(3): 1-10.

[12] Thompson F R, Donovan T M, DeGraaf R M, Faaborg J, Robinson S K. A multi-scale perspective of the effects of forest fragmentation on birds in eastern forests.

[13] Herrando S, Brotons L. Forest bird diversity in Mediterranean areas affected by wildfires: a multi-scale approach. Ecography, 2002, 25(2): 161-172.

[14] 閆海冰, 韓有志, 楊秀清, 王麗艷, 項小英. 華北山地典型天然次生林群落的樹種空間分布格局及其關(guān)聯(lián)性. 生態(tài)學報, 2010, 30(9): 2311-2321.

[15] Henderson D C, Naeth M A. Multi-scale impacts of crested wheatgrass invasion in mixed-grass prairie. Biological Invasions, 2005, 7(4): 639-650.

[16] Wimberly M C, Ohmann J L. A multi-scale assessment of human and environmental constraints on forest land cover change on the Oregon(USA) coast range. Landscape Ecology, 2004, 19(6): 631-646.

[17] Camarero J J, Gutiérrez E, Fortin M J. Spatial pattern of subalpine forest-alpine grassland ecotones in the Spanish Central Pyrenees.Forest Ecology and Management, 2000,134(1): 1-16.

[18] 劉小愷, 劉茂松, 黃崢, 徐馳, 張明娟, 王漢杰. 寧夏沙湖4種干旱區(qū)群落中主要植物種間關(guān)系的格局分析. 植物生態(tài)學報, 2009, 33(2): 320-330.

[19] Heinemann D, Hunt G, Everson I. Relationships between the distributions of marine avian predators and their prey, Euphausia superba, in Bransfield Strait and southern Drake Passage, Antarctica. Marine Ecology Progress Series, 1989, 58: 3-16.

[20] Fauchald P, Erikstad K E, Skarsfjord H. Scale-dependent predator-prey interactions: the hierarchical spatial distribution of seabirds and prey. Ecology, 2000, 81(3): 773-783.

[21] O′Driscoll R L. Description of spatial pattern in seabird distributions along line transects using neighbour K statistics. Marine Ecology Progress Series, 1998, 165: 81-94.

[22] 高凱, 周志翔, 楊玉萍, 李華. 基于Ripley K函數(shù)的武漢市景觀格局特征及其變化. 應用生態(tài)學報, 2010, 21(10): 2621-2626.

[23] 王金亮, 黃志霖, 邵景安, 李陽兵. 林地景觀點格局的樣帶梯度分布與空間聚集特征——以重慶三峽庫區(qū)生態(tài)屏障區(qū)為例. 地理科學進展, 2013, 32(2): 308-317.

[24] Kraft C E, Sullivan P J, Karatayev A Y, Burlakova L E, Nekola J C, Johnson L E, Padilla D K. Landscape patterns of an aquatic invader: assessing dispersal extent from spatial distributions. Ecological Applications, 2002, 12(3): 749-759.

[25] Roose A, Sepp K, Saluveer E, Kaasik A, Oja T. Neighbourhood defined approaches for integrating and designing landscape monitoring in Estonia. Landscape and Urban Planning, 2007, 79(2): 177-189.

[26] 呂士成. 鹽城沿海灘涂丹頂鶴的分布現(xiàn)狀及其趨勢分析. 生態(tài)科學, 2008, 27(3): 154-158.

[27] 左平, 劉長安, 趙書河, 王春紅, 梁玉波. 米草屬植物在中國海岸帶的分布現(xiàn)狀. 海洋學報, 2009, 31(5): 101-111.

[28] Wiegand T, Moloney K A. Rings, circles, and null-models for point pattern analysis in ecology. Oikos, 2004, 104(2): 209-229.

[29] Ripley B D. Modeling spatial patterns (with discussion). Journal of the Royal Statistical Society, Series B, 1977, 39(2): 172-212.

[30] Giuliani D, Arbia G, Espa,G. Weighting Ripley′s K-Function to account for the firm dimension in the analysis of spatial concentration. International Regional Science Review,2012. 00(0) 1-22.

[31] Besag J. Contribution to the discussion of Dr Ripley′s paper. Journal of the Royal Statistical Society, Series B, 1977, 39: 193-195.

[32] 張華兵, 劉紅玉, 郝敬鋒, 李玉鳳. 自然和人工管理驅(qū)動下鹽城海濱濕地景觀格局演變特征與空間差異. 生態(tài)學報, 2012, 32(1): 101-110.

[33] 王敬華, 何大巍, 張策, 丁長虹, 張樹清. 江蘇鹽城濱海濕地研究進展. 濕地科學與管理, 2011, 7(3): 60-63.

Multi-scale analysis of landscape characteristics in coastal wetlands in Yancheng, Jiangsu, based on the weighted Ripley′s K-function method

ZHANG Dongju1,2, ZUO Ping1,2, ZOU Xinqing1,2,*

1TheSchoolofGeographicandOceanographicSciences,NanjingUniversity,Nanjing210046,China2MinistryEducationKeyLaboratoryforCoastandIsland,NanjingUniversity,Nanjing210046,China

Based on remote sensing images from 1987, 1992, 1997, 2002, and 2007, the present study used the weighted Ripley′s K-function multi-scale analysis method to calculate temporal changes and trends in the spatial distribution (i.e., heterogeneity) of coastal wetland landscape patterns over 20 years in Yancheng, Jiangsu. To analyze changes in the spatial clustering characteristics of different wetland landscape types, we divided the area into small belt transects and created a point pattern database for changing wetland landscapes from 1987 to 2007. The results obtained based on weighted Ripley′s K-function analyses demonstrate that, over different spatial and temporal scales, all wetland landscapes presented an aggregated distribution. Moreover, for different wetland types, most patch radius and crowding indices indicate an obvious increase or decrease since 1987. Except forSpartinaalterniflora, the aggregated patch radius and crowding of all other natural wetlands dropped sharply or even became undetectable, whereas both the aggregated patch radius and crowding indices in the constructed wetland increased rapidly, at higher rates over time. Our analyses revealed that the weighted Ripley′s K-function method, which considers both the location and attributes of point samples, can clearly reveal spatial variations of landscapes at multiple scales. These novel results also agree with those obtained using other conventional analysis methods, such as landscape metrics. Additionally, in future, a deeper analysis of the mechanisms controlling such landscapes at various spatial scales will be conducted to provide quantitative implications for wetland management planning. Specifically, after the wetland polygon data were processed in ArcGIS, we transferred and calculated the spatial indices (patch radius and crowding) in the Matlab R2011a. It was found that, to some extent, the weighted Ripley′s K-function could mitigate the occurrence of two false results that were caused by the traditional Ripley′s K-function. First, in conventional analysis, large wetland areas are more likely to produce limited numbers of point samples when they are exported directly into a dimensionless point from a polygon; this has resulted in the spatial distribution of some wetlands being interpreted as random or dispersed, even when they exhibit obvious aggregations in the GIS layers. Conversely, the weighted Ripley′s K-function takes the dimensions of such points into consideration; accordingly, it is able to reflect changes in the area of study objects in continuous space, thus allowing characterization of changes in the spatial clustering of wetlands at multiple scales. In this study, the extraction and spatial distribution of wetlands distributed in a large area proved the validity of the improved method. Second, traditional methods have tended to produce “false” conclusions or overestimate aggregation when applied to the most seriously fragmented wetlands, which typically generate numerous point samples. In contrast, sample areas in the improved method are weighted, allowing spatial distributions to be represented more accurately. For example, in the present study, we were able to avoid the “over-aggregation” of the spatial distribution ofAeluropuslittoralisthat may have been produced by traditional methods. Thus, we were able to reveal actual changes in the distribution ofAeluropuslittoralis, demonstrating that it shrunk gradually (and almost disappeared) at various scales owing to crowding.

Yancheng coastal wetland; landscape patterns; multi-scale spatial cluster analysis; weighted Ripley′s K-function; patch radius; crowding

科技部重點支撐項目(2013CB956503);國家海洋局2010年海洋公益性行業(yè)科研專項 (201005006)資助

2013-07-19;

2014-10-12

10.5846/stxb201307191915

*通訊作者Corresponding author.E-mail: zouxq@nju.edu.cn

張東菊，左平，鄒欣慶.基于加權(quán) Ripley′s K-function的多尺度景觀格局分析——以江蘇鹽城濱海濕地為例.生態(tài)學報,2015,35(8):2703-2711.

Zhang D J, Zuo P, Zou X Q.Multi-scale analysis of landscape characteristics in coastal wetlands in Yancheng, Jiangsu, based on the weighted Ripley′s K-function method.Acta Ecologica Sinica,2015,35(8):2703-2711.