尺度分析主要包括4 个方面的问题：如何进行景观野外调查？如何进行尺度选择？格局、过程及动态如何随着尺度的变化而变化（即尺度效应）？如何进行跨尺度间的推绎？（张娜，2014）多尺度空间分析是进行尺度效应分析的基础，是发现和识别景观等级结构和特征尺度的主要方法（蔡博峰等，2008）。

（一）尺度识别

尺度识别是指格局或过程的特征尺度的识别，具体包括等级结构特征及相应的尺度域的识别。尺度识别是选择正确的尺度进行观测或分析的前提，也是进行尺度效应分析和尺度推绎的最重要的基础。然而，除了诸如单个斑块的大小等格局尺度之外，尺度识别的过程并不直接，而是需要借助适当的多尺度空间格局分析方法。生态学中多尺度空间格局分析方法很多，其中空间统计学方法、景观指数法和分维分析法为最常用的方法（张娜，2006；曾辉等，2017）。

1.空间统计学方法

空间统计学方法主要包括孔隙度分析（lacunarity analysis）、空间自相关分析（spatial autocorrelation analysis）、半方差分析（semivariance analysis）、尺度方差分析（scale variance analysis）和小波分析（wavelet analysis）等。这些方法本身就是多尺度的，根据相应指标随尺度变化的趋势和转折，可检测多尺度空间格局特征。

（1）空间自相关分析。景观格局的最大特征就是空间自相关性，即景观特征或变量在邻近范围内的变化往往表现出空间位置的依赖关系。空间自相关分析可以检验某一景观要素的观测值是否显著地与其相邻空间点上的观测值相关联，用来度量物理或生态学变量在空间上的分布特征及其对邻域的影响程度。如果相邻两个点上的值均高或均低，则我们称其为空间正相关，否则，称为空间负相关（曾辉等，2017）。空间自相关系数可以与尺度结合起来，以分析不同尺度下的空间相关关系。如果某一空间变量的值随着测定距离的缩小而变得更相似，则这一变量呈空间正相关，如果所测值随距离的缩小而变得更不同，则这一变量呈空间负相关。如果表现出任何空间依赖关系，则所测值变量表现出空间不相关性或空间随机性。变量在空间上呈正相关，表示邻域内变量的相似性大于随机分布，相同类型之间有相互吸引或相互促进的作用；呈负相关，表示邻域内变量的相似性小于随机分布，相同类型之间有相互排斥或相互抑制的作用；不相关，表示邻域内变量的相似性接近随机分布，变量分布在空间上没有依赖关系。

空间自相关分析一般涉及3 个步骤：取样、计算空间自相关系数或建立自相关函数、自相关显著性检验（曾辉等，2017）。空间自相关分析在景观生态学中应用较多，现已有多种指数可以使用。空间自相关系数随观察尺度的改变而变化，在进行空间自相关分析时，可在一系列不同尺度上计算空间自相关系数，以样点间距为横坐标，以相关系数为纵坐标，结果图称为自相关图。自相关图能反映空间自相关性随尺度的变化。

（2）地统计学与半方差分析。地统计学是以区域化变量为基础，借助半变异函数，研究既具有随机性又具有结构性，或空间相关性和依赖性的自然现象的一门科学。凡是与空间数据的结构性和随机性、空间相关性和依赖性、空间格局与变异有关的研究，并对这些数据进行最优无偏内插值估计或模拟这些数据的离散性、波动性时，皆可应用地统计学的理论与方法。地统计学与经典统计学的共同之处在于它们都是在大量采样的基础上，通过对样本属性值的频率分布或均值、方差关系及其相应规则的分析，确定其空间分布格局与相关关系；二者之间的区别是地统计学既考虑到样本值的大小，又重视样本空间位置及样本间的距离，弥补了经典统计学忽略空间方位的缺陷。

地统计分析的重要内容包括利用半方差函数进行变异分析与空间插值。半方差分析主要用于描述和识别空间格局、进行局部优化插值。半方差是估计变量空间自相关性的一种方法。

2.景观指数法

景观指数法与空间统计学方法不同，它本身并不是多尺度的，但可通过在一定尺度范围内连续计算景观指数，获得尺度图，对其进行多尺度分析。如果在某个或某些尺度上，尺度图出现突变或阶梯式的转折，则暗示景观呈等级结构，而发生突变或转折的尺度即特征尺度。

景观指数主要指格局指数，是能高度浓缩景观格局信息、反映其结构组成和空间配置某些方面特征的简单定量指标（邬建国，2007）。

景观指数分析主要有以下步骤：以严谨目的和方案为指导，选择合适的尺度，收集和处理景观数据，将真实的景观转换为栅格数据和矢量数据，选用适当的格局研究方法进行分析，最后对分析结果加以解释和综合（曾辉等，2017）。景观数据可以来自野外考察、大地测量、现有地图、航空相片、卫星遥感图像和雷达图像等。(www.daowen.com)

3.分维分析法

分维分析法是一种很重要的空间尺度分析方法，既可用于斑块类型数据，也可用于数值型数据。通过分析分维数在不同尺度上的变化，可检测景观格局和过程变量分布的自相似性、尺度不变性或尺度依赖性、等级结构或分形结构特征，起到与空间统计学方法类似的作用。

分维分析法本质上是景观指数法的一种。景观生态学计算的分维数（包括面积加权平均分维数、双对数分维数等），都是在单一尺度下的所有斑块面积、周长的函数，因此斑块或景观类型在不同尺度下会有不同的分维数，这和传统的分维数在概念和计算方法上有很大区别，因而结论也有很大差异（蔡博峰等，2008）。

景观指数法和空间统计学方法的本质区别在于其研究的空间变量的属性差异。景观指数法的研究对象仅限于类型变量，即空间变量的属性只是区别于其他类型的代码，其值的大小没有意义，并且不参与计算；空间统计学方法则更主要地应用于数值变量，即空间变量的属性有明确的意义，其属性值参与计算。据此，多尺度空间分析方法就可以概括为两大类：空间统计学方法和景观指数法（蔡博峰等，2008）。

（二）尺度选择

尺度选择是指在生态学研究中对观测尺度或分析尺度的选择，是观测或分析幅度和粒度的选择。尽管在揭示格局和过程及其相互作用规律时没有一个绝对正确的尺度，但选择适当的尺度进行研究是必需和必要的，因为选择什么尺度将直接决定在什么尺度上的格局和过程特征被掩盖或揭示。一直以来，粒度和幅度的选择多以过去或他人的经验为依据，有较大的任意性和主观性。但是，在发展尺度选择的规则方面，需要更多地以识别的特征尺度为重要依据，同时遵循一些基本原则（曾辉等，2017）。

（1）空间幅度应足够大。景观中应包含至少一个完整斑块，甚至应包含实际或可能有联系的所有斑块，以使空间幅度大于所研究生态过程本身作用的范围或能够影响的潜在范围，否则，研究斑块和过程就会因主观的人为截断而有所缺失。

（2）空间粒度的确定首先取决于研究目的。如果是为了建立一些统计关系，则需降低空间单元之间的空间自相关性。为此，应尽量避免在一个斑块内部取多个样方，样方间距也应大于斑块的平均大小。如果是为了识别空间格局，则粒度应小于特征尺度（如斑块的平均大小）。只有这样，所取空间单元才会在斑块内部，才能识别出单个斑块的综合特征。若粒度较大，以至于一个空间单元内部包含多个斑块，则无法识别出单个斑块的特征，因为一个空间单元内部是被假设为同质的。在粒度选择上一般是小于斑块大小的同时应大于研究对象个体的平均大小，也就是说一个空间单元内部应包含多个个体。对于具体的景观，研究现象的性质和复杂程度也是粒度选择时经常被考虑的因素。通常只有用较细的粒度，才能更好地揭示异质性和复杂性较强的现象，而对同质性和均匀性较强的现象，较粗的粒度即可满足需要。

（3）遵循线性的时空尺度上推关系，即在研究的空间尺度增大的同时，时间尺度也应随之增大。

（三）尺度效应分析

尺度效应的研究一般采用尺度变换分析（scale transform analysis）的方法，即小尺度上的景观格局通过景观尺度的筛选及重新组合而形成较大尺度上景观格局的过程，也称尺度分析。大尺度上的景观格局取决于较小尺度上的各生态过程的综合作用。常见的尺度效应表现为随尺度的增大，景观可出现不同类型的最小斑块，认知的最小斑块面积逐步增大，而计算的景观多样性指数随尺度的增大而减小。

尺度效应可能在仅改变粒度或间隔、仅改变幅度、同时改变幅度和粒度这3 种情况下发生。目前，仍缺乏对不同类型景观中这几种尺度效应的定量理解，对幅度变化影响的研究尤其少（曾辉等，2017）。