人工智能方法在风景园林中的运用进展

汪晓菲

（深圳市万卉园景观工程有限公司，广东深圳 518042）

0 引言

20世纪70年代人工智能方法开始在城市空间、建筑领域中应用[1]。由于人工智能技术表现出高效的资料-知识转化能力，分析能力强、推理严密、准确的择优能力而很快应用到风景园林的多个领域的研究中。人工智能技术不仅可将风景园林中复杂的定性描述，通过某些相关数据进行高效、准确地计算，转化为定量分析，而且，通过建立智能模型能解决风景园林研究中一些疑难性问题，揭示现象背后的内在机理，因而在风景园林研究中广泛应用。本研究将介绍人工智能技术在风景园林研究应用中的进展动态，其目的在于推动风景园林研究向智能技术、数字化技术方向发展。

1 风景园林中的人工智能相关概念及分类

1956年，麦卡锡首次提出“人工智能”的概念，但到目前为止，人工智能还没有一个统一定义。有学者认为“人工智能是计算机学科的一个分支”；也有学者把人工智能解释为“是研究人类智能活动的规律，构造具有一定智能行为的过程”[2]；尼尔松教授的理解是“人工智能是关于怎样表示知识以及怎样获得知识并使用知识的学科”[3]。

目前，人工智能主要有模拟推演论证和算法2种类型。模拟推演论证又将人工智能细划分为能逻辑推理、定理证明等的“推理型”；能深度学习、支持向量机等的“学习型”；为专家系统等的“知识型”。算法将人工智能又分为采用逻辑推理方法，推演出整个理论体系来模拟类人智能的过程的“符号主义”型；利用机器模拟人类大脑的神经系统与连接方式的“连接主义”型；通过行为活动来控制智能的新方法，具有定量化研究属性的“行为主义”型。根据人工智能技术的功能和属性及在风景园林研究中应用情况，目前应用于风景园林领域的人工智能技术有智能随机优化、人工生命类、机器学习3种类型。

2 风景园林研究中的人工智能方法应用

2.1 优化方法

随机优化方法是一种生成并利用随机元素的优化算法。随机包括2个方面，一是数据的随机性，二是算法本身的随机性。智能随机优化方法在风景园林研究中，主要用于寻求优化问题的最优解。由于试遍全部可能解而找出最优解的时间成本太高，而随机优化方法加速搜索过程，容易找到全局最优解。遗传算法和模拟退火法是常见的随机优化方法。

2.1.1 遗传算法 20世纪70年代初，霍兰德率先提出遗传算法(GA)。遗传算法是一种基于自然选择和种群遗传学机制的概率搜索算法。在风景园林应用中与其他算法相比，遗传算法具有并行性、自适应性、随机性与可扩展性等特点，且搜索过程简单，搜索能力快速，容易与其他算法结合等。遗传算法能控制变量的变化范围，使用极其复杂的适应度函数，能越过局部从全局观念出发寻求全局性的最适宜解。

遗传算法擅长处理约束条件众多、环境复杂的风景园林研究问题。如利用不同时期的遥感数据，选取并构建一系列景观指数（景观形状、破碎度、脆弱度、聚集度、Shannon多样性、景观安全邻接等指数），采用遗传算法的投影寻踪方法，生成景观生态安全指数，这样有利于景观生态安全的准确评价[4]。

2.1.2 模拟退火法 1953年梅特罗波利斯等首次提出模拟退火法(SA)[4]。模拟退火法是从固体材料退火原理的算法中引伸过来的。模拟退火法优点在于具有通用性强、计算过程简单、运行效率高、对分析主体的初始状态要求不高，以及擅长解决非线性优化问题等特征，能有效解决大规模的又较复杂的优化组合问题。其方法能有效跳出局部最优，得到全局最优，因为它能够在某段时间内提供某一空间内的近似最优解。模拟退火法能保证算法的稳定性，在每步迭代过程中，模拟退火法接受次优解的概率会随着时间的推移而逐渐降低。

模拟退火法在森林景观运营管理、景观配置等方面应用较多。采用模拟退火算法建立不同优化景观空间规划的模型，对于不同空间约束形式形成的规划效果进行量化比较，以最优的方式此寻求景观空间结构最合理的构成和配置需求[5]。对景观在不同阶段持续的动态变化，不同阶段的不同价值指标，采用并行模拟退火算法，在独立搜索与合作搜索的共同作用下得出全局最优解，这样能更好更有效地对景观资源进行科学管理[6]。通过恢复植被为鸟类修复生境，利用模拟退火法和迭代改进启发式算法，寻找到预算大小的有效解和不同目标函数来确定景观资源配置，最大限度地实现所有植被景观的预计数量[7]。

2.2 人工生命类

兰德勒在1987年首次提出人工生命的概念。人工生命遵循自然界的规律与特质，对具有自然生命行为特征的人工系统通过建模模拟自然生命现象，探索生命进化规律。人工生命是一种自下而上的分布式系统模型，为解决复杂现象的行为提供了新的解决方法[8]。风景园林的研究中，人工生命类主要用于风景园林中复杂现象的模拟，以此验证或预测实施的策略。风景园林研究中应用人工生命类技术主要有智能体模型、多智能体系统、元胞自动机等。

2.2.1 智能体模型与多智能体系统 1971年谢林最初提出智能体模型(ABM)的基本概念，到21世纪初，智能体模型被广泛应用于在风景园林的各个方面。其中，智能体（计算机软件的智能行为）在风景园林研究领域如设计师智能体、城市智能体、市民行为智能体等是完全异质的，没有全局数据或全局控制，每个智能体按照自身属性规则运行。而且根据解决问题的需要，智能体可以自由组合或删除。

用来模拟多个智能体交互作用和同时行动的计算通过采取“自下而上”的涌现方法，可以模拟极其复杂多变的景观状态。多智能体系统在风景园林研究中具有：自主地选择合适方案解决问题；能够根据自己的步调使彼此之间异步运行；能运用模拟、推理等多种方式来学习风景园林知识；可通过多个智能体协调合作解决单一智能体无法解答的难题；智能体可以是不同的景观元素，运用的设计方法和计算机语言也可不相同；智能体之间能够互相沟通交流，能高效处理问题等优越性[9]。多智能体系统与传统的风景园林研究方法相比，多智能体系统能给予景观空间开发更多的可能性，可提供更多的量化数据。

物种扩散与生存与林地空间格局有关，也与生态网络保护框架关系密切。有学者在GIS平台建立了智能体的生态格局评价模型，分析了它们对物种扩散与生存的影响[10]。土地利用未来发展状况方面，侯赛因阿里等构建了未来土地利用的多智能体系统预测模型，通过采用现有数据校准，模拟了4种未来发展情景[11]。博恩等[12]利用智能体模型能够学习特性，通过时空知识设计获得自然资源管理方案的最优解；莱顿柏格等[13]利用多智能体系统，基于多个决策主体因素对荷兰某区域的土地使用规划进行模拟，为土地利用的空间布局和未来使用提供了最佳的决策方案。

VPA处理可显著抑制SH-SY5Y细胞中自噬标志蛋白LC3-II的水平（图8），同时还抑制p62的降解，但不影响Beclin1的表达；而使用miR-34c-5p抑制剂联合处理则可使LC3-II与p62的水平得到恢复。联合使用自噬抑制剂氯喹（CQ）处理可引起LC3-II与p62的堆积（图8）。

2.2.2 元胞自动机 元胞自动机(CA)模型主要用于解决自然领域里的动态系统模拟问题，其概念最早由诺依曼和乌拉姆提出，随后被广泛应用于空间生态学、景观更替、城市增长过程等的模拟。元胞自动机模拟能展现景观演进规律与过程及内在机制，帮助预测景观的未来发展态势，能为风景园林建设和城市发展布局管理提供依据。

改进的元胞自动机模型能预测城市在内生发展、历史外推、外生发展3种状况下的演变空间过程与规律，从中能得到影响城市形态扩展的主要因素，这对制定城市发展规划有利[14]。阿克约尔等[15]利用地理、景观信息建立元胞自动机模型，自动模拟生成未来的城市景观，形成的模拟环境可检验原来的设计是否合理，有利于完善原来的设计方案。元胞自动机模型在城市空间形态与土地利用模拟方面也得到很好应用，在一种基于惯性权重粒子群优化的城市增长元胞自动机模型模拟城市动力学，将群体智能引入城市建模中，减少了模拟的不确定性[16]。在景观格局模拟方面，元胞自动机模型与灰色局势决策方法相结合，能获得邻域转换规则，同时考虑了模拟转换时的随机性因素，对景观格局的动态进行模拟，能验证在景观格局动态变化预测中的有效性与可行性[17]。

目前，在预测空间格局演化、未来土地利用动态等领域的元胞自动机模拟应用已较为成熟，然而元胞自动机模型在景观格局的时空变化的模拟上应用尚少。这方面还需众多景观规划研究者在元胞自动机模拟应用上进行深入研究。

2.3 机器学习类

机器学习包括3种类型：（1）直接模拟人类对概念进行判定的树形流程，其代表算法为决策树，称之为符号主义学习。（2）连接主义学习，其代表为人工神经网络，目前在工程领域的应用效果是最好的。（3）主要是结合推断统计学的理论成果，其代表为支持向量机，故称之为统计学习。机器学习主要可以解决风景园林中每个元素对于景观结果的影响问题，评分问题，分类问题，应用较为广泛的是连接主义学习和符号主义，如卷积神经网络、人工神经网络、随机森林和决策树等[18]。

2.3.1 卷积神经网络 深度学习是最具代表意义的复杂神经网络模型的算法，而卷积神经网络(CNN)又是深度学习中关注度最高、最为典型的算法。卷积神经网络具有权值共享、局部连接及多层结构的特征[19]，通过增加层次深度改善拟合目标函数，能更好地发现特征，可解决更为复杂的分类问题。

能够自动学习是卷积神经网络特征，且具有提取抽象的优点，利用Seg Net（卷积神经网络图像语义分割工具）在风景园林图片信息识别，因而在分类上广泛应用。将公益协作模式和卷积神经网络工具(Seg Net)相结合，基于腾讯街景图片，评估街道空间的物理视觉质量，这是一种对大面积街道空间进行视觉质量评价和变异识别的新方法[20]。已有研究证明经过预处理卷积神经网络对高清遥感影像具有较好的泛化能力和城市形态特征发现能力[21]。运用卷积神经网络模型的图像分割技术，从街道图像中能得到绿化空间分布信息以及街谷开阔程度的计算值[22]。采用Seg Net将街景图片中的像素点准确识别为绿化、建筑、天空等具象要素，可为后续绿化要素比值运算提供可靠信息[23]。

卷积神经网络仍存在一些有待改善的不足之处，如果学习数据与测试数据分布不同，容易导致识别结果不准确[24]。而且，与人工神经网络相比，卷积神经网络需要更多的数据用于学习，构建模型也比人工神经网络结构复杂许多。

2.3.2 人工神经网络 人工神经网络(ANN)能够像生物神经系统一样与现实世界进行交互，由简单单元并行互联网络组成。在认知科学和机器学习范畴内，人工神经网络具有学习能力，网络会通过学习自动识别出相似的图像，这种功能对于风景园林领域的预测问题具有重要意义；而且它的表达能力强，能充分逼近复杂的非线性关系。具有联想记忆能力也是人工神经网络的一个特征，当修改或添加新特征时，只训练新特征对应的参数，对原先的网络参数影响不大。因此，人工神经网络可为风景园林设计与资源管理提供科学高效的研究方法与理论依据。近年来人工神经网络已被广泛应用模拟预测、评价和景观分类等研究领域。塔伊布等[25]提出了一种利用人工神经网络、GIS和遥感信息模拟几何形状的城市增长边界模型，预测城市增长，保护周围的乡村景观。有学者利用人工神经网络探讨了街区密度、建筑高度、零售土地使用、街道宽度和与街道可达性之间的关系[26]。土地覆盖分类用人工神经网络分类器和专家系统分类器结合建模，能大大提高分类精度[27]。森林结构变化分析中，人工神经网络结合移动窗口法，利用人工神经网络自适应强、快速寻优、泛化力强等特点，能对森林结构变化进行模拟分析[28]。苏塞克斯等[29]采用人工神经网络，结合高清航拍影像，实现了对道路区域的精确分类，降低了自动提取城市道路网的复杂性。

与传统方法相比，人工神经网络能有效处理风景园林中的非线性问题，可为风景园林设计实践与资源管理提供科学高效的研究方法与理论依据。但是，人工神经网络像黑箱一样，学习的过程是不可见的，没有任何规律，输出结果难以解释。

2.3.3 决策树 决策树(DT)与人类推理相似，所需数据简单，可兼顾常规数据和处理数据。对多属性数据源建立的决策树其扩展性强，通过决策树利用大数据作某种决策时具有速度快、效果好等特点。

决策树己被广泛应用于景观分类，景观空间布局和风景园林设计领域。齐乐等[30]运用决策树分类技术，提高了遥感影像的分类精度，实现了计算机高精度的遥感影像分类；内德等[31]提出了运用决策树分析步行目的与人们对步行景观质量感知之间的关系模型；运用决策树对城市形态特征进行分类，范得海根等[32]在此基础上提出了度量景观空间布局的新方法。海尔等[33]使用遥感技术、结构分类技术、GIS和决策树，根据景观特性建立了侵蚀因子的决策树回归模型。

决策树增多可能带来的过度拟合问题，在一些信息丢失或不全面的情况下泛化能力弱。

2.3.4 随机森林 为了解决决策树泛化能力弱的问题，对决策树进行改进就出现了随机森林(RF)算法。随机森林能够在运用小规模的训练样本以及有限计算量的情况下，保持运算的准确性，能较好地处理异常值问题，可以评估变数的重要程度，提高了问题预测的准确性。

随着随机森林算法逐渐成熟，也逐渐用于风景园林学等领域的分类和预测问题。在变量重要性分析研究中，通过随机森林算法建模得出园林植物优选系统中分析变量的相对重要性结果[34]。使用随机森林回归树分析，评估了河流栖息地不同预测变量反应变化中的重要性[35]；基于GF-2遥感数据，运用随机森林算法建立了高精度的湿地分类模型[36]。利用随机森林模型得出了影响访视率空间变化的社会经济因素和生物物理学因素[37]。运用地面植被盖度信息和卫星遥感影像生成随机森林回归模型，能很好预测草场植被盖度的变化趋势[38]。彼得斯等[39]在景观生态水文研究中建立随机森林模型，能得到研究区域内植被类型分布变化的预测结果。利用随机森林较好的拟合性建立山洪灾害模型，能较准确预测灾害风险度[40]。

随机森林算法在景观生态领域中预测环境发展、植被分类、景观土地利用对景观生态的影响，以及分析景观中的变量重要性等是一种高效的预测工具。

3 混合智能系统

风景园林作为一个由多种因素共同影响的复杂综合体，利用单一智能技术是不能完全解决错纵复杂的问题。这就迫使寻求更优的技术与方法，一种将多种智能算法结合起来的混合智能系统由此而产生了。

神经网络(NN)对识别相关知识比元胞自动机模型高效。有研究者利用元胞自动机和学习矢量量化神经网络能自动找到土地利用的元胞转换规则，建立元胞自动机-神经网络(CA-NN)模型，根据不同时相遥感数据，寻找土地利用演变的内在规律并预测土地利用格局[41]。神经网络的内部参数具有自适应性和实时性及较高的分类性能，默奇卡科等[42]将专家知识与神经网络分类器相结合(Hybrid-NN)，能够根据美景度对景观图像进行分类。利用遗传算法将元胞自动机参数编码成染色体，通过比对模拟数据与真实情况进行优化，建立土地利用遗传算法-元胞自动机模型(CA-GA)，分析景观变化机理[43]。利用遗传算法在运算精确度的优势和元胞自动机的转换规则建模，能提升城市格局变化预测的精度，如张大川等利用遗传算法-元胞自动机(RF-CA)模型预测不同类别的土地利用情况和变化趋势，准确地获取了各空间变量参数[44]。有研究者利用多智能体代表居民、开发商及政府，元胞自动机表征城市扩张模拟的空间环境和城市发展的空间自组织性，构建元胞自动机-多智能体(CA-ABM)模型。这个模型具有多智能体的学习能力和决策能力，以及元胞自动机的空间自组织性，从而能更精确地模拟景观动态演化过程[45]。

目前，混合智能系统技术并不完全成熟，还需要众多先进技术不断完善。同时，混合智能系统在当前的风景园林研究中应用也还处于起步阶段，还有很大的发展空间，在这方面的实践应用还有待加强。

4 结语

本研究虽不能囊括人工智能技术在风景园林中的应用全貌，但还是展现了风景园林研究智能化的发展趋势。当前人工智能技术在生物学、城市规划、地理学等多学科的综合研究中应用较多，在风景园林研究中应用尚处于初级阶段。从人工智能技术在风景园林研究应用情况来看，风景园林设计方面应用较少，一般用于风景园林研究的调查分析、模拟预测和评估方面。风景园林设计是客观条件与人类主观情感共同作用的结果，现阶段应用的人工智能还属于弱人工智能，不能完全具有人类情感的自主意识，不能代替人类的情感需求。因此，对风景园林研究而言，人工智能模型应用的有效性及应用的广度和深度有待提升。尽管风景园林研究中越来越多地应用到人工智能技术，但人工智能解决风景园林的不确定性和复杂性问题的能力仍然达不到人们预先要求，将风景园林的不确定性和复杂性问题整合到一个系统框架中进行解决更是难上加难。首先，将多种人工智能方法集成在一起的技术还不够完善，目前还没有较适用的多种人工智能方法集成的高级架构。其次，在风景园林研究中构建人工智能模型不仅要具有风景园林知识，还需要具有计算机科学、地理和生物等多学科知识，如果某一专业知识的有所欠缺，就不能构建理想的人工智能模型。这就要求每个建模者应具有较为广泛的知识面。尽管当前风景园林中运用人工智能技术尚不成熟，但随人工智能技术的飞速发展，更多人工智能将会运用到风景园林研究中。未来风景园林的智能化发展，需要积极尝试集成多种技术建立混合人工智能方法的景观模型，加快风景园林研究的自动化水平。