方法流程：固城湖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。
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。
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(self-organizing map)神经网络和K-means聚类算法构建模型进行数据分析。
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，固城湖圩田景观肌理量化解析流程如 图7所示。
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Arc GIS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。
