科学的森林经营管理是在研究结构与功能的基础上，考虑林分、景观和地理区域3个尺度，在林分小尺度上强调森林直接利用价值，在景观和地理区域大尺度上突出森林整体功能(亢新刚，2001)。Franklin(1994)和Egan等(1999)较早呼吁把更宽空间尺度作为森林生态系统管理的特征之一(谢剑斌等，2005)。目前，林分尺度的数据源大多为森林资源调查和外业调研数据，景观尺度数据源多为遥感影像、林业数据库和外业调研数据。但不同尺度数据源的获取需要花费大量人力、物力和财力，对于同一研究区域，不同尺度的数据存在关联，本研究力图解决从小尺度数据通过图形编辑获取大尺度数据。

早在20世纪80年代，加拿大林业部门在森林资源信息管理方面大范围应用地理信息系统技术(Satyanarayana et al., 2004)，森林资源信息具有空间定位特征、属性特征、时间特征(胡文英等，2004; 毋河海等，1997)，空间特征具有不同尺度(温小荣等，2005)。林业数据库的小尺度数据对应大比例尺的图形; 相反，大尺度数据对应小比例尺的图形。林业数据库存储常用尺度数据，但多尺度的数据更新容易引起不一致。因此，从小尺度获取大尺度的数据操作显得尤为重要，地理信息系统通过数据综合操作实现尺度变化(梁珺等，2007)，利用地物选取和图形概括实现大比例尺到小比例尺的数据综合。由森林资源二类调查数据构建的林业数据库，属于图形数据，此类综合图形的邻近关系是综合操作的依据(艾廷华等，2002)。本文详细说明林业数据中邻近关系种类和判别依据，利用ArcGIS 9.2软件的综合功能实现图形综合，避免同一研究区域对不同尺度数据重复获取，减少数据获取中花费的人力、物力和财力。

1 林业数据中的邻近关系 1.1 邻近关系的分类

邻近关系是空间关系的一种，一般而言，邻近关系至少受拓扑、距离、语义和Gestalt的因素影响，通常表现为4种因素综合影响的结果(艾廷华等，2002)，以此分为4类邻近：

1) 若两地物在空间图形上有共同边界，则视为拓扑邻近;

2) 若两地物不具有拓扑邻近，但相互间距离较小，则视为距离邻近;

3) 具有相同或相近语义特征的地物具有语义邻近;

4) 若上面3点都不具备，确定邻近关系判断依据为大小、方向、形状上的相似的Gestlalt识别原则。

林业数据处理不需要考虑形状上的相似性，因此，本研究中不考虑Gestalt的因素影响。图 1中，数字表达式分子代表树种组成(其代码对应如表 1)，分母代表龄级，字母代表小班编号，所有存在公共边界的为拓扑邻近，如a与b、c与e相邻较短距离，为距离邻近; c与h优势树种相同、龄级相同，但树种组成不同，为语义邻近。

1.2 邻近关系的判别

1) 拓扑邻近和距离邻近的判别不同种类空间邻近关系的表达方法存在差异，拓扑邻近用1(拓扑邻近)或0(非拓扑邻近)的二值形式表达，若2个图形有共同边界，用1表示其拓扑邻近; 否则，用0表示拓扑非邻近关系。林业数据库中选取图形子集{Ci}，子集内各图形元素相互间语义关系相同，则相互间距离越小，邻近关系越强烈，此为距离邻近，一般预先确定一个距离阈值，小于该阈值的为距离邻近，反之为非距离邻近。

式中：r_t为拓扑邻近值; r_d为距离邻近值; D_a，b为a，b地物之间的最小距离; D为设定距离阈值。

2) 语义邻近的判别拓扑邻近和距离邻近可以采用二值判断，语义邻近则较难直接用1(语义邻近)或0(非语义邻近)二值判断。语义信息来源于属性数据，而林业数据库中属性种类较多，以森林资源二类调查属性数据库为例，一般包括小班的平均树高、郁闭度、平均胸径等测树因子，地貌、海拔、坡向、坡位等环境因子，土壤类型、土壤母岩、土壤厚度等土壤因子，植被、草本的种类、盖度、株数等物种多样性调查因子。每一个调查因子有大于2个的分类类别或等级级别，使用图 2的语义层次树表示语义关系。

在图 2的语义层次树中，如果只有一个叶子节点的属性不同，则为语义邻近，且属性字段类型在属性代码中越接近，语义邻近越强烈。一般情况下，多个属性因子的值不同，尤其测树因子如蓄积、树高等因子不可能完全相同，大多数情况不在一个等级范围。因此，判别语义邻近及邻近程度，依据林业数据的用途和研究区域特点，确定每一个节点的子节点中的主导因子及其权重，由主导因子的等级或类型差异进行计算。实际应用确定语义邻近程度的阈值，大于阈值则为邻近。

2 基于ArcGIS的图形综合 2.1 图形综合流程

本研究使用ArcGIS软件的图形综合功能，完成从小尺度到大尺度的图形合并、属性归并。在此过程中，图形数目减少，属性类型减少，图形分辨率降低，不能进行逆过程操作。2个图形合并的依据为邻近关系，邻近关系的判别应确定距离邻近的阈值和语义邻近的主要指标，其主要影响因素为研究区域特点、数据处理前后的尺度和数据用途。图形综合的详细流程如图 3。

2.2 语义邻近关系的图形聚合

语义邻近图形的合并为聚合操作(刘耀林等，2009)，其间填充的间隙引入了异质类型的图形。本研究利用ArcGIS的Generalization功能，图 4中语义邻近的主要指标为龄级和优势树种，优势树种相同、龄级相同作为语义邻近的条件，允许树种组成不同，其中图 4A为森林资源二类调查图，图中数字表达式的分子代表树种组成，分母表示龄级; 图 4B为树种组成相同、龄级相同的聚合结果; 图 4C为优势树种相同、龄级相同的聚合结果。从聚合结果可以得出，图形数量减少，信息量也相应减少，但面积较小的图形继续存在，当比例尺缩小时，这些图形将难以识别。

2.3 拓扑邻近和距离邻近的图形融合

不同类型语义特征的拓扑邻近图形合并为融合(彭煜玮等，2007)，拓扑邻近图形合并为融合，操作对象存在类型差异。此操作针对小面积图形，将其融合到拓扑邻近的图形中。图 5为图形融合结果，首先确定面积阈值，选取比例尺缩小后小于该面积的图形(图 5A)，将其融合到相邻图形中，当其相邻接图形数量大于1个时，需要选择融合到哪个相邻图形，图 5B依据该图形和相邻图形共享边界长度最长的原理，这样较难保持综合前后同类树种的面积平衡(刘耀林等，2009)，因此，将与语义邻近关系强烈的图形融合(图 5C)。

3 实例分析 3.1 研究区概况

本研究区位于西洞庭湖区桃源县，隶属湖南常德市，位于湖南省西北部，110°50′—111°36′E，28°24′—29°24′N，县域面积4 441 km²。植被区划属中亚热带北部常绿阔叶林地带，主要树种类型有杉木类、松木类、阔叶类、经济林、灌木类和竹类。

3.2 数据预处理

数据来源于2005年完成的森林资源二类调查，比例尺为1: 1万，属性表中有近百个属性，利用ArcGIS 9.2软件选择树种类型、立地类型、土壤、坡度等因子(表 2)，选择有林地和疏林地，使用ArcTool的Select功能完成数据的提取操作。

表 2中各因子权重值依数据用途不同会出现差异，采用专家打分法来确定权重值。针对相邻小班的数据处理，土壤类型、土壤母岩一般是相同的，因此，没有出现在表 2中，地形因子、土壤因子的值一般在同一等级或相邻等级。图形综合时，从属性因子的权重值最低开始属性归并，图形综合的第一步是进行土壤因子中土层厚度不同等级进行归并，如果满足要求，图形综合结束; 否则，腐殖层厚度不同等级归并。依此进行，直至满足要求为止。

3.3 图形综合操作

融合操作合并小面积图形，聚合操作实现属性库中的类型层次归并，同时重建图形的拓扑关系，2个操作都能够简化图形，减少图形数量。从较大比例尺图形进行缩小时，同时进行图形聚合和融合，一般而言，先进行图形聚合操作，后进行图形融合操作。在项目研究区域内选择桃源牯牛山乡，该乡总面积为112 km²，山林面积占到97%，综合前地图比例尺为1: 1万，综合后地图比例尺为1: 2.5万，利用ArcGIS软件的Generalization功能，采用人机交互方式，分多次综合完成，综合终止条件为：小班图形的最小面积大于设定阈值; 综合前后图形数目对比满足开方根规律(刘家福等，2009)。图 6是牯牛山乡图形合并效果图。

3.4 结果分析

1) 综合操作前，比例尺为1: 1万，小班数目为3 520个，按照土壤因子等级归并→坡位、坡度因子等级归并→坡向、地貌因子等级归并→郁闭度等级归并→林龄等级归并→优势树种相同合并综合条件，把小班图形面积小于1万m²融合相邻小班，综合后比例尺为1:2.5万，小班数目为2 416个，基本符合数据综合的开方根规律。

2) 综合实现相邻小班的土壤因子、坡位、坡度、坡向、地貌因子、郁闭度、林龄等级合并，合并之后的等级及其比例变化如表 3，等级分级变化在于：在研究区域，属于高山地貌类型的很少，综合后大多合并到中山地貌类型; 坡度因子缓坡和斜坡合为缓坡，陡坡和急坡合为陡坡; 近熟林、成熟林和过熟林合并为成熟林。表 3显示：综合前后各个属性因子所占比例变化不大，其中变化最大为林龄中成熟林，综合前为10.27%，综合后为12.19%，主要因为综合后把近熟林、成熟林和过熟林合并为成熟林。

3) 综合前，阔叶林、杉木林和竹林所占比例超过99%，各类树种综合前后面积比如表 4，其中杉木林、松木林、竹林和杨树所占比例增加，其他树种面积比减少，变化最大的为阔叶林，从0.497到0.457，总体来说，基本上满足面积平衡(李雯静等，2006)。综合前后树种面积变化的原因：小面积小班图形合并; 树种组成不同、优势树种相同的图形合并。

4 结论与讨论

1) 利用ArcGIS 9.2软件强大的空间分析功能，实现从小到大不同尺度的数据综合。应用目的不同，选取综合条件不同，包括合并小班图形最小面积阈值和判断不同层次的语义邻近。本文利用语义层次树和确定各个属性因子权重的分析，为语义邻近的判别提供依据，试验证明可行。

2) 小尺度到大尺度的综合结果与尺度的跨度有关，如比例尺从1: 1万综合到1:2万，与综合到1: 2.5万比较，综合选取的条件有差异，综合后地物的数目变化也不同，一般来言，综合条件越高，综合后地物数目越少。但一般情况，图形综合不适合比例尺跨度特别大的情况，如从1: 1万综合到1: 10万或者更大比例尺跨度。

3) 使用ArcGIS软件，需多步操作交互完成，操作顺序影响结果。如果改变综合次序，综合的结果不同，保证良好的综合效果，需要较好的确定语义邻近和拓扑邻近。

本文仅针对森林资源二类调查数据进行图形综合分析，该方法适合矢量数据，针对遥感影像或其他栅格数据还需要进一步探讨。