基于小圩形态指数的宣芜平原圩田景观肌理量化研究——以固城湖永丰圩为例

李 哲

卢馨逸

施佳颖

黄若暄

高 颖

建设生态宜居的美丽乡村是乡村振兴战略的重要抓手，彰显地域特色、赓续原生风貌是乡村景观高质量发展的重要保障，以数字技术助力乡村景观传承发展与提质增效成为当代乡村景观研究与实践的重要内容之一。意蕴隽永、肌理活化、形态生动的农业景观既是乡村三生空间的景观本底，也是区域国土景观风貌的有机组成部分[1]。作为乡村的生活背景、生产场景、生态底景，农业景观肌理承载了乡村景观的形态特色与发展印记，成为本土的、绵延的、智慧的农耕文明原生系统的外化显现。

圩田肌理由小圩在水网的有机组织下形成，正如北宋诗人张舜民描绘的景象“水绕陂田竹绕篱，榆钱落尽槿花稀”。分布于长三角地区的宣芜平原圩田是中国典型圩区，其水网密布、阡陌交织的景观风貌营造了“蓝绿交织、圩田交错”的江南典型农耕景观肌理[2](图1)。然而，伴随着农业生产中对集约化、规模化的片面理解，农村建设中对景观肌理的认识程度亟待提升。毁圩造田、填埋水网等生产和建设行为致使圩田肌理变异的情况时有发生，导致原生性农村景观风貌遭到破坏(图2、3)。科学识别、分析圩田景观肌理，对传承发展“港里高圩圩内田，露苗风影碧芊芊”的乡村风貌具有重要的研究价值与现实意义。

图1 宣芜平原原生圩田肌理(引自资源3号卫星遥感影像图)

图2 盲目改造后圩田肌理变异(引自资源3号卫星遥感影像图)

圩景寻无迹，何处有乡愁？对圩田景观形态进行精准识别与量化解析，已经是当前江南圩田景观研究与实践的当务之急，同时也是当代乡村景观提质增效、融合发展等重要研究领域的基础议题之一。针对典型圩田肌理开展符合当前学术语境的数字化分析，也成为当代风景园林学理探讨、风貌建构，乃至农耕景观彰显等必要的研究基础。本文聚焦圩田构成模式的共性肌理特征，以宣芜平原永丰圩为典型研究对象，从其内部小圩单元形态入手加以数字化归纳与转译；结合经典形态学、类型学理论和景观生态学既有形态分析基础，以定量解析技术促进景观肌理研究纵深发展，以指数体系助力肌理类型与特征的理性诠释，结合机器学习原理和统计测量技术形成适用于圩田肌理聚类分析的示范方法与关键技术。研究成果有助于将基于经验认知的景观肌理主观表述推进至量化描述层次，为地域性、原生性圩田景观研究提供研究基础与技术支持。

图3 盲目建设造成圩田肌理变异(引自资源3号卫星遥感影像图)

1 理论基础：圩田景观肌理的研究视野与趋势

1.1 景观肌理研究的基础理论

景观肌理是城乡景观环境各要素的平面化表征，其既蕴含了社会、人文、生态等要素对景观环境的影响，也浓缩了时间层面上的景观演进过程[3]。自20世纪50年代起，学界开始以肌理这一显性特征为抓手，探索环境构成要素间的秩序规律，围绕自然风景[4]、建成环境[5]、聚落肌理[6]等开展的系列研究与实践，共同组成了景观肌理研究的理论基础，部分成果形成了景观肌理研究的前置框架。如以生态学、类型学理论为指导，通过抽象化的肌理原型探索复杂肌理系统各要素间的构成逻辑，解析同种要素间的组合方式[7]。复杂系统理论等跨学科研究体系，也为解析肌理构成规律拓展了研究维度[8]。

需要认识到，“肌理”毕竟是一种“理”，而“触景生情、由情入理”恰恰是风景园林学的独到之处。与选取形态基因[9]、形态语法[10]为聚类研究理论依据，注重采用图示语言开展的肌理类型研究相比，近年来伴随空间信息分析、数理统计模型等分析手段的迅速发展[11-12]，相关研究不断从多视角、多尺度楔入景观肌理组构机制，依托空间信息数据转化与算法分析手段，持续提高肌理辨识精度及其可解释度。在景观肌理转译方面，通过对形态指标[13]、关联要素[14]、集群定量[15]等的肌理转化研究，一方面探索并积累了针对景观形态、结构、秩序等空间属性的专有概念及其指数体系；另一方面在形态类型学研究中进行了应用校验。在数据分析方面，机器学习方法和统计测量学技术的协同运用，为多指数联立分析提供了有效的技术支持，如SEM[16]、K-means[17]等统计方法和机器学习模型[18]在景观肌理中的结合应用，拓展了大样本量形态数据的综合分析能力，为景观肌理量化分析方法的持续完善提供技术基础。

1.2 圩田景观肌理的研究走向

由于地理区域、开发时间、开发程度和开发方式不同，加之不同农业生产方式对其产生的长期影响，江南圩田并无统一的形态模式[19]，但水网分割形成的小圩是圩田肌理的基本单元与“三生空间”载体。“和而不同”的小圩有机排布，使圩田肌理呈现可供测度的形态本底与共性研究的内生动力。现有研究结合历史文献回溯、图示语言分析、景观特征评估、典型案例分尺度切片等方法，在历史演变[20]、生态进程[21]、形态特征[22]、规划设计[23]等方面已形成一定的研究基础，规律总结和回溯追踪的基础研究价值日益凸显。研究者普遍将小圩的二维形态视作分析圩田肌理的基本单元，相关成果多在形态类型学思想指导下，以经验判读法开展圩田肌理归类分析，如谢雨婷等运用景观特征评估法(LCA)从区域尺度和微观尺度，将长三角圩田景观类型划分为岛型、网络型、破碎型和标准型[24]；陆应诚将宣芜平原圩田肌理归纳为多边型、羽状、田字型和直条块型[25](图4)；卢斯腾通过归纳宣芜平原圩田景观肌理差异，将该区域圩田分为单一型、复合型和沿江型等[26]。

图4 常见圩田景观肌理类型划分

总的来看，当前圩田景观肌理研究尚处于类型区分与认知剖析阶段，在数理分析机制与方法的推动下，景观肌理量化研究方法不断发展，为圩田景观肌理的科学分类、精准解析拓展了技术维度和研究思路。探索多维数据驱动的圩田肌理分析技术，量化解析典型圩区景观肌理数理规律及其复合特征，对科学提升圩田景观肌理的研究水平具有积极意义。

2 方法流程：圩田肌理量化解译体系构建

2.1 小圩形态指数转译

小圩历经长期农耕生产和自然演进，伴随水脉延伸和缓流冲刷，其内凹溇沼顺势而生，逐渐衍生出有机自然的边界形态与复合交织的肌理特征(图5)。小圩作为圩田的基本单元，对其开展集成量化描述能够反映圩田的总体肌理特征，以形态指数转译圩田肌理，是开展后续肌理类型识别与特征量化分析的基础性步骤。由于边界形态的复杂性与自相似性，单一指数无法有效界定小圩形态，需要构建形态维度完整、数据获取便捷的指数体系集成数据，实现圩田肌理的量化描述。

图5 南京固城湖圩田景观肌理图底分析

基于圩田景观肌理研究基础，将小圩视为最小一级的肌理构成单元，聚焦小圩的二维平面形态特征，构建圩田形态量化指数体系。通过梳理景观形态类型学、景观生态学、计算机视觉与模式识别等相关领域的形态(生态)指数研究成果，坚持指数选取的典型性、合理性和可操作性原则，总结得出小型圩田的关键几何特征由形态趋向性、形态方正度、形态内凹度和形态曲折度构成。其中，形态趋向性对应的小圩形态指数是延伸率[27]，形态方正度对应的小圩形态指数是矩形紧凑度[28]，形态内凹度对应的小圩形态指数是凹凸度[29]，形态曲折度对应的小圩形态指数是椭圆形状指数和分形维数[30]。所选指数均可通过小圩面积(A)、周长(P)、最小外接矩形面积(Amin_ref)、最小凸包面积(Amin_h)、长轴(amin_ref)和短轴(bmin_ref)等基础数据进行计算机自动获取(表1)。各项小圩形态指数彼此联立、互为补充，能够协同描述圩田单元的边界特征，为现阶段聚类分析圩田肌理共性特征提供集成化指数分析体系。

表1 小圩形态指数汇总

2.2 圩田肌理聚类分析

判读圩田肌理量化特征，需要在小圩形态数据转译的基础上，选取适宜的数理分析模型，聚类分析小圩矩阵化联立规律。根据圩田肌理基础数据聚类标签界定明晰、数据维度高、数据量大且联立关系明显等特点，综合分析常见的聚类算法(表2，图6)，选用无监督的SOM(selforganizing map)神经网络和K-means聚类算法构建模型进行数据分析。

表2 圩田景观肌理聚类算法比较

图6 SOM神经网络模型拓扑结构

SOM和K-means同属聚类算法，在风景园林学及相关学科研究中，适用于解决无预先分类标准的研究问题，包括解决形态类型划分[31]、遥感影像信息提取[32]等观测要素聚类分析问题，以及设计方案比选[33]、景观资源综合分析[34]等包含多因子数据集的综合评价问题。联立二者的算法特征构建圩田肌理识别模型，能够契合本研究的数据特征与研究需求：从算法特征上看，二者具备互补性，SOM神经网络由于不需要预先设定聚类类别，具有自主性强、人工干预度低的技术特点[35]，但聚类结果具有一定的模糊性；K-means算法运行效率高，但需要指定聚类数和聚类中心，否则容易导致算法不收敛或者局部最优化[36]。将二者结合形成二阶算法，即运用SOM神经网络对圩田景观形态数据进行一次聚类，然后运用K-means算法对SOM神经网络输出层神经元的聚类中心进行二次聚类，该方法能够在保持SOM神经网络的自组织特性的同时，提升算法的准确度和运行效率。

2.3 圩田肌理解析流程

综上所述，圩田景观肌理量化解析流程如图7所示。

图7 技术路线

1)小圩指数转译。遴选延伸率等5项小圩形态指数，将圩田肌理构成的基础单元形态转化为可描述、可运算、可比较的分项和联立数据，结合案例样地构建圩田景观肌理数据库，用于后续聚类运算与特征分析。

2)肌理特征聚类。运用SOM神经网络和K-means算法构建圩田肌理识别模型，针对研究样本中的所有小圩进行形态指数解析与算法聚类研究，分析确定圩田肌理基础类型。

3)肌理特征解译。利用ArcGIS平台对识别结果进行数据统计与可视化呈现，对各类型肌理特征的小圩形态指数区间进行统计分析，进而量化研判圩田肌理特征。

3 实证研究：固城湖圩田肌理识别与量化解析

3.1 转译：研究对象与数据提取

固城湖圩田属于宣芜平原圩区范围，是江南毗水农耕风貌的典型代表，有“圩田收，食三秋”的古谚，具备地形平缓、水系密布、圩网旖旎的基本特征。研究选取圩田开发历史悠久的宣芜平原固城湖典型圩区为研究案例，将农耕演进过程中自然形成、未经建设改造的圩田定义为典型圩田区域。其农业生产性水网可以分为外河、内河和沟渠3个等级，其中外河位于圩堤外部，是圩区用水的主要来源；内河是圩区内的主要水道与交通通道；沟渠是圩内支流，常延伸进小圩内部形成溇沼。由密集水系环绕形成的小圩，是该地区圩田肌理的基本构成单元。

选取固城湖永丰圩区及相邻部分圩田为样本，总面积约5 420hm2(图8)，占高淳区典型圩田面积的53%。使用该区域2019年规划实测图纸，在实地勘察复核校对后，提取内河、沟渠限定下的小圩地理信息作为肌理量化研究数据基础，以水网和圩堤作为小圩形态的划分标准，保留溇沼(图9)。对于未被水系完整环绕的小圩，以农业生产实测边界作为研究范围划分标准。

图8 研究对象区位与范围

图9 研究对象形态提取与优化示意

首先利用GIS平台，提取小圩矢量信息构建样本库，共获取494个小圩样本，样本量满足圩田景观肌理识别模型对于形成稳定合理分类结果的数据需求(≥200)。提取边界形态并进行适度平滑处理，避免因简化边界造成的测算误差；提取小圩形态指数运算所需的几何属性数据，与小圩形态指数数据共同构建圩田景观肌理数据库，其中小圩形态指数用于圩田肌理特征聚类分析。

3.2 聚类：圩田肌理特征识别

在样本测试基础上，首先运用SOM神经网络对输入数据进行初次聚类。采用R语言建构并运行SOM神经网络模型，输入层调用圩田肌理数据，神经元个数根据输入数据维度确定；竞争层的神经元个数M与输入样本量N之间存在

的数量关系。结合采集样本量，经样本试做，确定了11×10个神经元的网络模式，当训练次数达到1 000次时，神经网络趋于稳定。为避免不同指数单位与数量级的差异对结果产生影响，需要对输入数据进行标准化处理，完成初次聚类。

以SOM神经网络初次聚类获得的各个神经元的聚类中心为样本，运用K-means算法对其进行二次聚类。研究发现当K值设定为6时，簇内平方和数值逐渐平稳(图10)，因而将样本分为6类(图11)。将聚类结果在ArcGIS平台进行可视化呈现，形成适用于圩田肌理类型研判与复合特征分析的数字化图像基础。

图10 簇内平方和变化

图11 圩田肌理识别模型二次聚类拓扑图

3.3 解译：圩田肌理量化判读

从肌理构成角度统计分析各类小圩形态的数量占比和分布集群规律，能够从研究区域层面总结凝练圩田肌理的复合特征。为进一步从数理角度开展圩田肌理特征识别结果的研讨，借助GIS自然断点分级法，将小圩形态指数数据离散为“低、中、高”3个量化区间，通过统计对比3个区间的小圩个体占比及其分布情况，能够量化研判各类型小圩组合后的肌理基础特征，也能表征不同类型小圩组合的肌理差异与分类规律(表3)。

表3 小圩形态指数分级区间

1)研究区域圩田肌理以矩形和多边形小圩组合为基础，总结圩田肌理识别模型的分类结果，发现3类小圩形态近似矩形、3类近似不规则多边形。结合小圩形态指数区间与均值，统计每种形态类型在量化区间中的个体占比，发现3类矩形小圩紧凑度最高，处于中高数值区间，其凹凸度、椭圆形状指数、分形维数较低，多处于中低数值区间，其边界形态方正度高、内凹度低、曲折度低，呈现出较为简单方正的肌理特征。与之相比，3类多边形小圩矩形紧凑度较低，多处于中低数值区间，其凹凸度、椭圆形状指数、分形维数较高，多处于中高数值区间，其边界形态方正度低、内凹度高、曲折度高，因此呈现出曲折蜿蜒的肌理特征(表4)。

表4 肌理特征识别结果与指数区间

进一步汇总可见(表5)，A1类小圩的延伸率在矩形单元中总体偏低，多处于中低指数区间，构成单元的形态趋向于等边矩形；A3类小圩的延伸率在矩形单元中总体偏高，多处于高指数区间，构成单元的形态趋向于狭长矩形；A2类小圩的延伸率则处于A1、A3之间，构成单元的狭长程度也处于A1、A3之间。在多边形特征类型中，描述小圩边界复杂程度的指数分异明显，B1、B2、B3小圩矩形紧凑度递减，凹凸度、椭圆形状指数和分形维数同时递增；与形态指数变化相对应，其3类肌理构成单元的边界复杂程度不断提高，内凹、拓扑形态数量不断增多，边界长度不断延长。

表5 各类肌理特征规律

2)圩田肌理构成单元集群分布与嵌套分布共存，在景观肌理“活化”的同时存在量化构成机制。从构成单元所占比例和分布来看，矩形小圩呈现集群分布，占构成单元总数的63.5%，因此永丰圩景观肌理从整体上呈现出明显的秩序性，表现出小尺度、高密集度排布的组成特征，成为肌理构成的“本底”，可以认为“小圩密布”是较之于“水网密布”更为严谨的水乡圩区界定；同时，多边形小圩呈现嵌套分布，占构成单元总数的36.5%，成为肌理构成的最大变量。2种数量分布接近“黄金分割比”的量化关系是否是江南圩田风貌的量化基础仍有待深入研究。但综合可见，在集群、嵌套2种基础肌理的耦合组构下，3类不同延伸度的矩形肌理和3类不同复杂度的多边形肌理共同形成相邻嵌套的分布关系，促使研究区域呈现出以矩形肌理为主导，多边形圩田关联复合的肌理特征(表6)。单一肌理类型构成了单元间的集群关系，多种肌理类型构成了单元间的嵌套关系，“周而不比、和而不同”，2种具有明显形态分野的单元形态数理协同、情理平衡地组构了江南圩区的肌理机制。

表6 圩田肌理特征识别结果与各类小圩数量分布

4 分析与讨论

面向当前圩田景观肌理精细化识别、精准化管控的需求，基于小圩形态指数构建圩田肌理类型识别与量化解析体系，结合数理统计分析手段搭建从圩田形态到景观肌理的研究桥梁，为分析与保护圩田肌理乃至村景乡情提供研究基础。

1)分析探讨了以小圩为肌理基础单元，以形态指数为量化转译载体的圩田肌理量化分析的可行性。以固城湖典型圩区为研究对象，以系列小圩标识性形态指数驱动圩田肌理量化研判，初步构建了以“指数转译-特征聚类-特征解译”为基本流程的圩田景观肌理研究框架。实证结果表明，该方法能够有效识别圩田肌理的类型特征。其中，联立延伸率、矩形紧凑度、凹凸度、椭圆形状指数、分形维数5项小圩形态指数，能够量化描述圩田肌理构成的基本特征，采用的圩田肌理模型能够集成景观肌理形态数据并进行测度，为更加完整、全面的圩田肌理科学描述提供研究基础，如系统加载生态数据后，有望进一步拓展圩田景观肌理数字化、信息化分析与应用能力。

2)从统计测量角度初步揭示了典型区域圩田肌理的构成、集群与嵌套机制。通过对小圩形态指数的分形测量与联立分析，为传统感知性“表述语言”背景下的景观肌理“所指”提供了可供分析、归纳、溯源的数据化“能指”，从而提升圩田景观肌理的可解释度。目前采用的小圩形态指数及其区间基本能够涵盖宣芜平原圩区景观肌理的类内共性与类间差异；结合各类型构成单元的数量统计与分布情况，能够从整体角度揭示圩田肌理的复合特征；从圩垦管控角度提供圩田肌理组构阈值，则能为国土空间视野下圩区研究与实践提供分析基础，为量化识别并传承原有景观肌理提供分析手段；通过测量统计圩田肌理的量化规律，促使乡村振兴所需的新生形态根植并融合于原生肌理，能够避免为单纯满足生产、建设需求，忽视乃至牺牲原生肌理典型性、延续性，进而引发的地域景观风貌破坏等现实问题。

3)相关技术具有纵深发展与横向拓展的研发潜力。研究视角方面，可从目前主要聚焦圩田形态肌理向多维融合肌理发展。在现有形态指数的基础上，进一步充实相关表征指数，开辟直至建立包含生态、农业等多维度圩田肌理要素融合框架，从而更加全面深入地剖析景观肌理的内在要素与构成机制。研究范畴方面，目前主要以宣芜平原固城湖圩区为案例进行探讨，然而江南乃至我国圩田广袤、圩区众多、圩田肌理多样化现象显著，针对典型地理环境、地域特征、生产条件的圩田类型学研究亟待开展，这同样是现阶段基于空间信息统计测量的肌理特征量化研究急需积极探索的广阔研究领域。未来的研究一方面需要持续拓展研究广度，搜集整理不同区域圩田的肌理特征，不断充实我国圩区景观肌理理性认知的“数据库”，从而更加全面、科学地呈现我国圩田肌理的共性特征与个性规律；另一方面需要注重共时性研究基础上的历时性分析，对不同时期、不同农业生产阶段圩田景观的肌理演进加以对比探讨，从而更加深刻地揭示圩田景观的发展历程。

5 结语与展望

随着我国新型城镇化战略的持续深化，乡村景观风貌的传承、发展、创新成为风景园林学研究的重要课题。三生共存、生生不息，我国不同地理、地域、生产和农耕模式培育了丰富多样的乡村景观形态，蕴含着复杂多元、各具特色的“农业景观”肌理特征。以数字语言开展农业景观肌理特征识别与量化研判，一定程度上丰富和发展了农村景观研究的广度与精度，为“望山见水”提供了学科视角，为“山水田城”融合发展提供了科技支撑，为“记得住乡愁”提供了源起农耕、洞鉴古今的景观载体与捭阖之道。

推而广之，坚持以知识更新、数据驱动、技术创新助力符合时代诉求的国土景观风貌研究，依托空间测量、数理分析手段进行景观风貌深入探索，能够从学理角度引导包括农业景观在内的国土景观提质增效，为保护和延续在地性景观特色提供理论基础与技术途径。从不免带有混沌性的“合一”思想中走来，在坚持整体思维这一东方传统哲学精华的同时，充分运用信息时代、数字技术赋予我们分析处理盘根错节现实问题的重要抓手，让“诗意地说”与“思维地说”并行，文明与自然携手共进，终将是当代风景园林科学发展的时代诉求与根本使命。

注：文中图片除注明外，均由卢馨逸绘制。