风景园林研究中的人工智能方法分析

2021-12-07唐金飞

花卉 2021年12期

唐金飞

（郴州市园林科研规划设计院，湖南郴州 423000）

0 引言

在风景园林研究工作中，风景图像所呈现出的特点有简单、抽象和片段化。所形成的图像大多是对风景对象做了一定的取舍，而事实上风景园林的特点却是十分广泛的，除了同时具备自然和文化的双重属性以外，也有一些其他的属性，其他属性往往是不固定的，而且在不断发生变化，使用一种图像对风景园林的全部特征进行表达有很大的难度，所以就需要借助人工智能方法进行呈现。

1人工智能应用于风景园林的基本情况

在设计领域，经常会使用图像对设计方案进行呈现。风景园林设计平面图是呈现方案的主要形式，能帮助设计师借鉴其他的案例，在呈现概念时，也更加形象生动，同时也方便设计师进行方案沟通。对于设计方案来说，如果平面图的表达是规范的，并且能够实现高质量的渲染，施工时落实设计方案也会更容易。在实际的设计工作中，设计师的一项重要工作是搜集可借鉴的风景园林平面案例，同时也要渲染平面图，此时会用到多种软件。在当前的发展阶段中，计算机视觉（Computer Vision）技术所具备的功能有图像识别和生成，且已经基本发展成熟，有了技术强大功能的支持，就能实现AI 识别案例平面的目标，同时也能顺利完成渲染制图的工作，实现这一自动化分析和制图的功能的重要前提条件是拥有全面而又优质的风景园林平面图集[1]。风景园林平面数据库的特点是专业性非常强，这与人脸或物体的图像数据库有很大的不同，主要是因为用地类型复杂多变。使用图纸的形式表达风景园林设计方案，需兼具规范性和艺术性，这就有一定的难度，不仅需要进行细致的筛选，还要做好数据标注工作。

2 风景园林研究中的人工智能分类

在当前的发展阶段中，将人工智能主要分为两种，一种包括推理、知识、学习。具体可进一步划分为对逻辑的推理、证明某种定理、专家分析系统、进行有深度的学习和思考、使用支持向量等。另一种划分方法的主要依据是人工智能算法，其中所涵盖的主义是符号、连接、行为，可进一步细分为专家分析系统、知识资源工程项目、神经网络系统、多个自主形式的主体、元胞自动机。实现符号主义主要使用的方法是逻辑推理，实现对整个理论体系的有效推理，从而模拟出与人类智能相似的过程。连接主义的本质是一种连接方式，连接的对象是机器所模拟的人类大脑神经系统。在研究风景园林时采用行为主义方法，该方法的出现时间还不长，发展不够成熟，实际应用是采用行为活动实现对智能的有效控制，突出了定量化研究的特点。综上所述，研究风景园林所使用的人工智能方法可以大致划分成人工生命型、智能随机优化型和机器学习型这三大类。在划分类别时，所坚持的依据是人工智能技术的属性和功能，同时也对可解决的风景园林问题类型有充分的考虑。

3人工智能应用于风景园林研究所取得的进步

3.1人工生命类的智能方法

随着科技的发展，一些人工系统已经具备生命行为的特性，这些人工系统是人工生命研究的主要对象。所展开的研究任务对自然界的规律与特质十分尊重，也会对自然生命的现象进行模拟，模拟时会用到人工系统建模及核心算法的内容，认真探究生命进化的规律，以研究结果为依据确定了有效的解决措施，从而去解释一些复杂现象以及行为，该系统模型的分布形式呈现出自下而上的特征。采用人工生命类的人工智能技术，所解决的问题主要来源于风景园林的模拟工作，此外还会对施工中采用的方法和策略进行验证或者预测。当前应用较为广泛且功能较为突出的技术有元胞自动机、智能体模型以及多元的智能化体系。

3.1.1 元胞自动机的动态预测功能

元胞自动机也被称为细胞自动机，其主要组成有元胞主体、元胞的一些特性、临近的区域和调整状态的相应规范标准。CA概念的主要功能是处理自然领域中所发生的动态系统模拟问题。CA 概念在地理学的研究中能够发挥关键作用，能够用来预测城市土地动力学规律，同时也能实现对交通流的科学预测。在模拟建模的工作中有广泛的应用，这些模型包括城市增长所经历的过程、城市内的景观更替情况、空间的生态学系统，另外还有土地的动力变化等，能够实现对景观变化内在机制以及法则进行科学的演绎，从而较为准确地预测出园林景观的发展形势以及未来可能呈现的状态，这对风景园林的管理和规划而言，是一种有效的保障手段。目前已经有研究学者使用CA 技术模拟风景园林的景观格局，并呈现出动态的变化情况，通过研究得到邻域转换规则，研究过程中也会用到的决策手段是灰色局势，在模拟转换的过程中，不能忽视一些随机性因素所产生的影响，在分析的过程中对这一问题也有考虑。所得到的结果能够说明可以将CA 技术应用于预测景观格局的动态变化情况，所得到的预测结果也是有效的。另外还可以结合CA 模型和地理、景观信息，进行模拟能成功展现城市景观未来的情况，所构建的模拟环境能够用来测试设计解决方案潜在的问题。

3.1.2 智能体模型能模拟多变复杂的景观情况

就智能体模型而言，出自分割模型，具体的应用方向是对城市人流加以设计和模拟，同时也能实现对城市环境的科学评价和预测。模型在表示软件的智能化行为时，用到了“agent”，“agent”代表的是智能体。在研究风景园林时，所使用的“agent”主要有两种，分别是个体和组合，比较常见的智能体形式是城市、设计师和市民行为。每个智能体在运行的过程中，都是按照自身的属性和规则实现的。完全异质是其主要的表现形式，无论是数据还是控制的形式都不具备全局性[2]。多智能体系统的一项重要功能就是计算，能实现对多个智能体动作的模拟，可能发生的动作有同时行动和交互行动。在实际操作中，需要不同的专家合作进行问题的求解，在此基础上模拟预测复杂现象，以重现的方式来表达。能够实现对系统的转变，一些系统是庞大而又复杂的，通过转变就能形成体量小、形式简单、方便管理的系统。出现的形式是“自下而上”，即便风景园林的景观情况复杂而又多变，也能实现有效模拟。

将智能体模型应用于风景园林的研究中，主要有以下几方面优势：①智能性。能学习曾经接触到的风景园林知识，可采用的学习方法是推理和模拟；②自主性。可针对不同的问题，自主选择能够有效解决问题的方案，促进景观环境朝好的方向发展；③整体的平衡性。智能体模型是一种集成系统，当有单一智能体无法解答的难题时，就需要多个智能体合作解决问题；④异步性。每个智能体都具有自主性，在运行时都能坚持自己的步调；⑤沟通性。智能体相互之间可以通畅沟通，在处理问题时效率也会有所提高；⑥异质性与分布性。智能体是分布式人工智能的分支，所呈现的景观元素也会有所不同，另外也会使用不同的设计方法和计算机编程语言。

3.2 机器学习类的智能方法

机器学习类的智能方法能够对未知的数据进行预测，并对数据进行分析，从而获得某种规律，借助所得到的规律实现对未知数据的预测。机器学习类的智能方法是人工智能的一个分支。符号主义学习是案例学习的一种，决策树是该学习形式的代表算法，能够形成树形流程，是对人类概念判定的有效模拟。

就连接主义学习形式而言，人工神经网络是代表性算法，另外还有深度学习，该方法在最近几年中发展比较快。其所生成的结果可解释性较差，但仍然在工程领域得到非常好的应用效果。就基于统计的学习方法而言，在其中有代表性意义的方法是支持向量机，所借助的理论成果主要来自推断统计学。应用机器学习类的智能方法，能够实现对风景园林中分类问题、评分问题的有效处理，除此之外，还能有效应对每个元素对景观效果产生的不利影响。当前符号主义和连接主义学习在风景园林的研究中应用较为广泛，比较常用的研究手段有人工神经网络、卷积神经网络、决策树和随机树。人工神经网络的组成是简单的单元，这些简单单元具备自适应性，能够形成大规模并行的互联网络，在与现实世界进行交互时，具备与生物神经系统相似的性能[3]。机械学习类系统是一种具有学习能力和泛化能力的信息处理系统，隶属于认知科学范畴内。在最近几十年的发展中，生物神经和大脑结构对AN 闪起到了一定的启发作用，可利用一些原始技术处理风景园林的实践问题，所表现出的优点是学习能力很强，向神经网络输入待识别的图像和应识别的效果，此时网络会学习，并对相似的图像进行识别，该功能在应对风景园林领域的预测问题上能发挥着关键作用。