斑块密度（PD）计算全攻略：从图斑统计到景观破碎化分析

做景观格局分析、绿地系统规划这些年，斑块密度（Patch Density，PD）算是我接触最多、最基础、却也最容易算错的一个指数。很多人拿着GIS里统计出来的图斑数量，直接除以总面积就交差，但等到横向比较不同城市、不同尺度数据的时候，才发现分母口径和单位换算上的坑一个接一个。这篇就把从图斑统计到指数测算的完整链路拆开讲清楚，适合正在做城市绿地景观格局评价、生态环境本底调查、绿地系统规划，或者论文里需要计算景观指数的朋友参考，也适合刚接触景观生态学的学生系统理解这类指数的计算逻辑。

1. 斑块密度的底层逻辑：公式背后是破碎化程度

1.1 斑块密度不是简单的“数量除以面积”

很多人把斑块密度理解成“数个数、除面积”，这个方向没错，但容易忽略这个指数真正想表达的东西：景观破碎化程度。斑块密度的标准公式是 PD = N / A，N是统计范围内某种或全部绿地斑块的数量，A是对应范围的面积，常用单位是“个/公顷”或“个/100公顷”。

举个例子就清楚了。假定两个片区绿地总面积都是10公顷，一个片区是一整块中央公园，另一个片区被市政道路均匀切成了20块。前者的斑块密度是0.1个/公顷，后者是2个/公顷，数值相差20倍。这20倍不是数字游戏，它背后是生境连续性、物种迁移便利度、边缘效应的剧烈差异。同样面积的一片绿，一整块的时候鸟类可以从中心区域稳定栖息，碎成20块之后每一块都变成“小岛”，内部物种受边缘干扰的程度完全不同。这也是为什么斑块密度高，通常被解读为生境质量下降的信号。

这里有个类比特别好用：想象同样一百件衣服，整整齐齐叠成一摞放在衣柜里，和东一件西一件塞满十个抽屉，取用效率和空间感受完全不一样。面积就像衣服总量，斑块数量就像被塞进了多少个地方，斑块密度衡量的就是这种“散落程度”。

需要特别注意，斑块密度高不等于一定差。有的地方天然就是碎片化格局，比如山地城市受地形切割，绿地的斑块密度天然就高。做分析时不要只盯着PD一个数，还要结合其他指数判断，后面会细说。

1.2 类型口径与景观口径，动手前先分清

斑块密度有两个常见计算口径，一个是类别水平（Class Level），一个是景观水平（Landscape Level）。类别水平的公式是 PD_i = n_i / A_i，其中n_i是第i类绿地的斑块数量，A_i是第i类绿地的总面积。景观水平的公式是 PD = N / A，其中N是全部绿地斑块的数量，A是整个研究区或整个景观的面积。

这两个口径解决的问题不同。类别水平回答的是“公园绿地是不是比防护绿地更破碎”，景观水平回答的是“整个城市的绿色空间分布得散不散”。最常见的问题就是分母选错：有人算绿地斑块密度，分母用建设用地面积；有人算景观水平密度，分母用绿地总面积。虽然不能说绝对错，但每个口径对应的方法学定义完全不同，写论文或出报告时必须和指标定义对得上。

在专业软件里这两个口径是默认分开的。例如Fragstats里，类别水平输出按类别分别给出PD，景观水平输出只有一个全景观PD。如果在GIS里手工算，就必须自己明确：我的分母到底是谁。以我个人的项目经验，做绿地系统专项规划时，一般用绿地自身总面积做分母，描述绿色空间内部的破碎化；做城市间横向生态质量比较时，用研究区总面积做分母，描述绿地在城市空间中的分布密度。两种口径都有效，但必须在方法部分写清楚，否则读者完全没法复现和横向比较。

2. 数据准备与预处理：算得准的根基全在这一步

2.1 绿地图斑数据从哪里来，格式怎么选

斑块密度计算的第一步不是开软件，而是先确认手上的绿地数据经不经得起推敲。常见数据来源有四类：

• 高分遥感影像人工解译或半自动解译结果，精度看解译尺度和人工经验，通常能保留较多细节；
• 园林部门的绿线数据、绿地普查台账，行政属性清晰，但有时更新滞后；
• 国土调查、森林资源调查中的地类图斑，覆盖完整，但土地利用分类和绿地分类不一定对应；
• 开源土地覆盖产品（分辨率30米或10米），获取方便，但城市尺度下容易漏掉零散小斑块。

格式上，矢量（Shapefile、GeoPackage、FileGDB）和栅格（TIFF）都能算。矢量统计的是“真图斑”，适合做精细的图斑计数；栅格数据则需要先做连通性分析才能确定斑块边界。我的建议是：能用矢量不用栅格，除非你本来就打算用Fragstats做整套景观指数，那栅格输入反而是标准流程。

这里有一个特别容易被低估的点：数据分辨率/比例尺对斑块密度结果影响巨大。同样一块城市绿地，在30米分辨率的土地覆盖数据里，15米宽的道路可能不足以把两侧绿地在像元上分开，两片绿地被合并成一个大斑块；换成2米分辨率的影像解译结果，它们就是两个独立斑块。斑块数量可能相差数倍。所以做任何研究之前，第一步就是统一数据源、统一分辨率，并在文档里写明数据粒度，否则后面所有对比都是空中楼阁。

2.2 坐标系、面积字段与拓扑检查，三项缺一不可

算面积之前最基础的一件事：把数据统一到合适的投影坐标系。地理坐标系（经纬度）下的面要素虽然也能显示面积，但那是用球面坐标近似计算的，数值误差很大，绝对不能作为最终统计依据。常见的做法是按城市所在位置选择高斯-克吕格投影带或UTM分带。国内常用的CGCS2000 / 国家2000投影分带、西安80、北京54等都可以，关键是要保证整个数据集统一。

面积字段本身也要注意。很多矢量数据里自带一个面积字段或者shape_area字段，但那有可能是数据当年生产时按原始坐标系算的。稳妥的做法是：自己重新计算一个面积字段，字段类型设成双精度（Double），然后在新字段里用当前坐标系的平面面积填充。在ArcGIS里可以直接用 !shape.area!，在QGIS里用 $area。如果数据在投影坐标系下，这两个表达式都会按当前投影计算平面面积，单位是平方米。

拓扑问题同样不能跳过。最常见的情况是图斑重叠和缝隙。重叠会导致面积重复统计，缝隙会导致面积被低估，最终都会传导到斑块密度上。ArcGIS里可以先跑“修复几何”（Repair Geometry），再用“查找重叠”工具检查；QGIS则用“检查几何”（Check Geometries）插件做批量检测。有一点要提醒：拓扑修复后的数据一定要另存一份，不要在原数据上直接改，方便回溯和处理错误。

2.3 碎斑清理与合并，千万别按属性一键Dissolve

解译出来的绿地数据里经常有大量“碎斑”——面积很小的零散图斑，比如行道树绿带、街头小绿地、停车场隔离带。这些碎斑不是噪声，但会把斑块密度推得异常高。实践经验是：先设定一个最小图斑面积阈值，比如0.01公顷或0.05公顷，小于阈值的图斑要么剔除并记录数量，要么用“消除”（Eliminate）工具把它合并到相邻的最大图斑上。关键在于：阈值设定和剔除数量必须在方法里写清楚，否则别人拿你的数据和别的研究对比时完全不知道口径。

还有一个我见过无数人踩进去的坑：有人为了提高数据规整度，直接按“绿地大类”字段做Dissolve（融合），结果整个城市几百个绿地图斑被合并成一个或几个巨型多部件要素，后续统计出来的斑块数量严重偏少，斑块密度完全失真。

正确的思路是：只合并空间上相邻的同类型图斑，不相邻的同类型图斑必须保持独立。在ArcGIS里做Dissolve时，有一个“创建多部分要素”的选项，默认是勾选的，必须取消勾选——这样融合工具会保留每个不相连的部分为单独要素，而不是把所有同类合并成一个多部件要素。在QGIS里则用“合并面”工具，注意同样要选择保留不相邻独立要素的选项。这个细节直接决定N的值，N不准，后面PD全废。

3. 图斑统计实操：三个关键动作一次讲清

3.1 按类型提取绿地图斑

图斑统计的第一步是把绿地数据按照研究需求拆出来。假设原始数据里有一个字段叫“TYPE”，里面记录了公园绿地、防护绿地、附属绿地等类型，现在只统计绿地，就需要用属性查询筛选。

在ArcGIS里，打开按属性选择对话框，输入类似下面这样的SQL表达式：

"TYPE" IN ('公园绿地', '防护绿地', '附属绿地')

如果是QGIS，用表达式工具操作：

"TYPE" IN ('公园绿地', '防护绿地', '附属绿地')

这里有一个小坑：如果“TYPE”字段是中文，ArcGIS在个别环境下会碰到编码识别问题，表达式里的字符串有时候要切换输入法或检查数据源的编码格式（GBK还是UTF-8）。筛选完成后，最好把结果右键导出成一个独立图层，比如“green_extract.shp”，这样后续的所有操作都有明确的操作对象，也可以随时回溯。

如果绿地类型不止一种，建议保留TYPE字段，这样后面可以用分组统计，一次性把所有类型都算出来，而不是一类一类手工数。

3.2 面积计算与字段管理

面积计算看似简单，但这里影响最终结果的因素极多。我一般的流程是：

• 给提取后的图斑图层增加两个字段，一个叫AREA_M2（面积，平方米），一个叫AREA_HA（面积，公顷）；
• 字段类型都设为Double；
• 在AREA_M2字段上用字段计算器写入 !shape.area!，这样能确保按当前投影坐标系重新计算面积；
• 然后在AREA_HA字段上写 !AREA_M2! / 10000。

在QGIS里同样操作，表达式分别是 $area 和 $area / 10000。计算完成后，最好用“汇总统计”核验一下总面积数量级是否合理。例如一个中等城市建成区，绿地总面积通常在上百到上千公顷，如果算出来只有几公顷，那大概率是投影坐标系出问题了或者选取范围不对。

这里要特别强调：不要在编辑状态下直接改面积字段，先把编辑保存或退出编辑模式，再做字段计算，否则ArcGIS经常报“正在编辑，无法计算”之类的错误。另外，如果数据里本身有自带的面积字段，不要直接拿来用，务必自己重新计算一次。

3.3 汇总统计：数量、面积、占比一次拿全

面积字段准备好之后，就可以做汇总统计了。这一步的本质是：以TYPE为分组字段，统计每个类型下的斑块数量（Count）和总面积（Sum）。

在ArcGIS里，右键AREA_HA字段 → 汇总（Summarize），分组字段选“TYPE”，统计字段选AREA_HA，汇总方式选“总和”和“计数”。输出结果是一张dbf表，通常会包含三列：TYPE、Count、Sum_AREA_HA。

在QGIS里可以用“按类别统计”工具，或者用GroupStats插件，操作更直观，还能顺便算出平均值、最大值、最小值。

一个典型的输出结果类似下面这样（示例数据，非真实项目）：

这张表就是后续所有指数计算的起点。有了数量、总面积、平均面积，斑块密度和相关指数就可以直接套公式算出来了。

如果觉得每次都点菜单太麻烦，可以用脚本一键完成。比如ArcGIS环境下的Python脚本可以这样写：

import arcpy fc = r"D:\data\green_extract.shp" type_field = "TYPE" area_field = "AREA_HA" stats = {} with arcpy.da.SearchCursor(fc, [type_field, area_field]) as cursor: for t, a in cursor: if t not in stats: stats[t] = {"count": 0, "area": 0.0} stats[t]["count"] += 1 stats[t]["area"] += a for t, s in stats.items(): pd = s["count"] / s["area"] # 个/公顷 print(f"{t}: 斑块数={s['count']}, 面积={s['area']:.2f}ha, PD={pd:.4f} 个/ha")

这一步做完，你在GIS里的统计工作基本就结束了，剩下的就是指数测算。

4. 斑块密度测算：从统计表到指数值

4.1 分类型斑块密度的计算全过程

有了上面的汇总表，分类型的斑块密度就能直接算出来了。以之前那张示例表为例：

• 公园绿地：PD = 126 / 212.40 = 0.593 个/公顷；
• 防护绿地：PD = 87 / 64.20 = 1.355 个/公顷；
• 附属绿地：PD = 310 / 180.60 = 1.716 个/公顷；
• 区域绿地：PD = 42 / 106.30 = 0.395 个/公顷。

这个结果说明什么？四个类型里附属绿地最破碎，平均下来几乎每公顷就有接近两块绿地；区域绿地最完整，斑块大且数量少。这对规划决策是有直接含义的：附属绿地虽然总 площади 不小，但被道路、建筑切割成大量碎片，生态功能有限，未来需要通过绿道串联或与公园绿地连通来提升整体性。

这里我还要多说一句单位。很多论文里会出现“个/100公顷”，这是因为Fragstats默认的就是每100公顷多少个斑块。如果你从Fragstats直接输出结果，看到一个大几十或者上百的PD数值，不要惊讶，那很可能是“个/100公顷”，而不是“个/公顷”。换算很简单：除以100就是“个/公顷”。我的习惯是论文统一用“个/公顷”，因为生态学文献里最常见，而且数值区间更直观。

4.2 景观整体斑块密度的口径选择

景观整体的斑块密度有两种常用的口径，我前面提过，这里再展开对比一下。

第一种：研究区为整个城市或建成区范围，N为全部绿地斑块数量，A为研究区总面积。这个口径描述的是绿地在城市空间中的分布密度。举例：某城市研究区总面积4200公顷，全部绿地斑块213块，那PD=213/4200≈0.051个/公顷。这个数值适合做城市之间、片区之间的横向对比，能直接说明“这个城市里绿色空间是不是被摊得很碎”。

第二种：研究区为绿地自身范围，N不变，A为全部绿地总面积。举个例子：如果上面那213块绿地总面积是318.2公顷，那PD=213/318.2≈0.669个/公顷。这个口径描述的是绿地内部的破碎化。

这两种结果数值差出十几倍，如果不写清楚用的是哪个，别人完全无法判断你的数据是否合理。以我的经验，做绿地系统专项规划、公园体系评估时，第二种口径更常用，因为它关注的是绿地自身的形态；做城市生态质量评价、横向比较时，第一种口径更合理。可靠的做法是在方法部分写一句：“本文的景观水平斑块密度定义为绿地斑块总数与研究区总面积之比”，把所有口径一次性锁死。

4.3 与边缘密度、平均斑块面积搭配解读

斑块密度虽然重要，但单独使用很容易误导。密度相同，不代表格局相同——一个区域可能既有大型核心绿地，又有大量细碎小斑块；另一个区域可能斑块大小均匀。这两个区域的PD可能一样，但生态意义完全不同。所以实践经验里至少要搭配两个指数一起看。

• 平均斑块面积（AREA_MN，也叫MPS）：总面积除以斑块数量。当口径一致时，它和PD是倒数关系，但比PD更直观。比如“平均每块绿地面积才0.58公顷”比“密度每公顷1.716个”更容易让规划人员理解。
• 边缘密度（ED）：总边缘长度除以总面积，单位一般是米/公顷。它反映斑块边界被暴露的程度。一个细长条形的绿地和同样面积的正圆形绿地，PD可能完全不同，但它们对边缘生境的贡献差异很大，ED能把这个差异捕捉出来。
• 最大斑块指数（LPI）：最大斑块面积占景观总面积的比例。LPI高，说明区域内有核心绿地存在；LPI低，说明即使总面积可观，也缺少能承载大型生态过程的优势斑块。

组合解读的逻辑大致是这样：PD高、MPS小、LPI低，说明极度破碎，没有核心斑块；PD低、MPS大、LPI高，说明整体完整且有核心；PD高但同时MPS也不算太小，往往是“核心斑块+大量碎片”并存，需要结合绿道规划做连通性优化。所有只看一个PD就下结论的报告，我一般都会建议补上ED和LPI再重新评估。

5. 常见问题与排查技巧实录

5.1 图斑数量对不上，先从这三处排查

斑块数量是PD计算的分子，它一旦出错，结果全乱。实际项目里图斑数量对不上的情况非常常见，我总结下来主要来源于三个地方。

第一，属性筛选漏选或多选。比如字段值里有空格、换行符、全角字符，导致“公园绿地”和“公园绿地 ”匹配不上；或者SQL表达式里单双引号转义错误。排查方法是统计一下“SELECT * FROM 图层 WHERE TYPE IS NOT NULL”，看有效记录数，再逐个对比。

第二，多部件要素的数量陷阱。一个面要素内部如果包含多个不相连的“岛”，在GIS里它仍然只算一条记录，即一个要素。如果一个绿地图斑被内部水域分成了几个互不相连的部分，但生产数据时被存成了多部件要素，你统计出来就会比真实斑块数量偏少。解决办法是先跑一遍“多部件转单部件”（Multipart To Singlepart），再重新统计。

第三，边界裁剪产生边缘碎斑。研究区是一个行政区边界，绿地跨边界被切碎，边界上会出现大量细长条图斑。这些图斑本身面积很小，但数量很大，会把PD推高。处理方式是设定最小面积阈值并剔除边界碎斑，同时在方法说明里写明剔除规则。

一张常见问题排查表供参考：

5.2 单位换算与尺度口径导致的数字“漂移”

斑块密度这个指数对单位极其敏感。面积单位从平方米换成公顷，PD直接缩水一万倍；斑块密度单位从“个/公顷”换成“个/100公顷”，数值又放大100倍。很多人在文献里看到别人PD数值很大或很小，第一反应是自己算错了，其实很可能只是单位口径不同。

常见的单位换算有三个关键点：

• 公顷（ha）和平方米（m²）之间是10000倍，很多原始统计字段是平方米，直接拿来当公顷用是灾难；
• Fragstats默认输出的是“个/100公顷”，换算成“个/公顷”要除以100；
• 如果使用栅格数据且像元大小不是1平方米，像元面积计算要先换算到公顷，比如30米分辨率的一个像元面积是900平方米，等于0.09公顷。

还有一个容易被忽略的点：面要素的周长和面积在动态投影下的差异。矢量数据的shape_area字段可能保存的是数据生产时坐标系下的面积，而你现在用的显示坐标系可能是另一个投影，两者不一致时数值会漂移。所以我在每次项目开始时会固定一个标准投影，并且所有面积字段重新计算，不信任任何来历不明的面积字段。

5.3 跨区域比较时最容易忽略的三个坑

如果要把不同城市或不同年份的斑块密度拿来对比，有三个坑我几乎每次都会遇到。

数据源不一致是第一大坑。一个区域用30米土地覆盖产品，另一个区域用2米高分影像解译，结果完全不可比。比较前必须统一数据源精度，或者至少在结论中说明分辨率差异对PD可能带来的数量级影响。

最小图斑阈值不统一是第二大坑。有人剔除0.05公顷以下图斑，有人保留所有小到街角花坛的碎片，这两个数据的斑块数量很可能差出几倍。跨区域比较时，设定统一的最小图斑面积阈值是必须的，通常建议0.01公顷或0.1公顷，视研究尺度而定。

研究区边界不统一是第三大坑。景观水平PD的分母是研究区总面积，研究区划得大还是划得小，直接影响分子和分母的比例关系。做横向对比时，必须明确“建成区范围”“中心城区范围”这些空间边界在不同年份是否有变化。如果边界变了，PD的差异可能完全来自边界调整而不是真实的绿地格局变化。

我的习惯是：所有参与对比的数据，统一做一次预处理，包括重新投影到同一坐标系、统一字段结构、统一最小面积阈值、统一分母口径。做完以后再算PD，这样出来的数字才是真正可比较的。

最后说点个人的实操感受。斑块密度这个指数看着简单，真正把它算明白、能在论文或规划文本里讲清楚破碎化含义，靠的不是跑通一次流程，而是对数据口径和数据质量死磕。我刚开始做这类分析时，也困惑过为什么同一个城市不同论文里的PD能差出几十倍，后来才发现多半是分母口径不一致、单位没写清楚、或者碎斑处理规则不透明。我的建议是：所有原始图斑、统计过程表和计算脚本全部存档，在文档开头写明数据来源、投影坐标系、面积单位和阈值设定，这样即便半年后再回看，也能完整复现。如果你能养成这个习惯，斑块密度这个“一步到位”的计算流程，才算真正为你所用了。