人工智能方法在風景園林中的運用進展

汪曉菲

（深圳市萬卉園景觀工程有限公司，廣東深圳 518042）

0 引言

20世紀70年代人工智能方法開始在城市空間、建筑領域中應用[1]。由于人工智能技術表現出高效的資料-知識轉化能力，分析能力強、推理嚴密、準確的擇優能力而很快應用到風景園林的多個領域的研究中。人工智能技術不僅可將風景園林中復雜的定性描述，通過某些相關數據進行高效、準確地計算，轉化為定量分析，而且，通過建立智能模型能解決風景園林研究中一些疑難性問題，揭示現象背后的內在機理，因而在風景園林研究中廣泛應用。本研究將介紹人工智能技術在風景園林研究應用中的進展動態，其目的在于推動風景園林研究向智能技術、數字化技術方向發展。

1 風景園林中的人工智能相關概念及分類

1956年，麥卡錫首次提出“人工智能”的概念，但到目前為止，人工智能還沒有一個統一定義。有學者認為“人工智能是計算機學科的一個分支”；也有學者把人工智能解釋為“是研究人類智能活動的規律，構造具有一定智能行為的過程”[2]；尼爾松教授的理解是“人工智能是關于怎樣表示知識以及怎樣獲得知識并使用知識的學科”[3]。

目前，人工智能主要有模擬推演論證和算法2種類型。模擬推演論證又將人工智能細劃分為能邏輯推理、定理證明等的“推理型”；能深度學習、支持向量機等的“學習型”；為專家系統等的“知識型”。算法將人工智能又分為采用邏輯推理方法，推演出整個理論體系來模擬類人智能的過程的“符號主義”型；利用機器模擬人類大腦的神經系統與連接方式的“連接主義”型；通過行為活動來控制智能的新方法，具有定量化研究屬性的“行為主義”型。根據人工智能技術的功能和屬性及在風景園林研究中應用情況，目前應用于風景園林領域的人工智能技術有智能隨機優化、人工生命類、機器學習3種類型。

2 風景園林研究中的人工智能方法應用

2.1 優化方法

隨機優化方法是一種生成并利用隨機元素的優化算法。隨機包括2個方面，一是數據的隨機性，二是算法本身的隨機性。智能隨機優化方法在風景園林研究中，主要用于尋求優化問題的最優解。由于試遍全部可能解而找出最優解的時間成本太高，而隨機優化方法加速搜索過程，容易找到全局最優解。遺傳算法和模擬退火法是常見的隨機優化方法。

2.1.1 遺傳算法 20世紀70年代初，霍蘭德率先提出遺傳算法(GA)。遺傳算法是一種基于自然選擇和種群遺傳學機制的概率搜索算法。在風景園林應用中與其他算法相比，遺傳算法具有并行性、自適應性、隨機性與可擴展性等特點，且搜索過程簡單，搜索能力快速，容易與其他算法結合等。遺傳算法能控制變量的變化范圍，使用極其復雜的適應度函數，能越過局部從全局觀念出發尋求全局性的最適宜解。

遺傳算法擅長處理約束條件眾多、環境復雜的風景園林研究問題。如利用不同時期的遙感數據，選取并構建一系列景觀指數（景觀形狀、破碎度、脆弱度、聚集度、Shannon多樣性、景觀安全鄰接等指數），采用遺傳算法的投影尋蹤方法，生成景觀生態安全指數，這樣有利于景觀生態安全的準確評價[4]。

2.1.2 模擬退火法 1953年梅特羅波利斯等首次提出模擬退火法(SA)[4]。模擬退火法是從固體材料退火原理的算法中引伸過來的。模擬退火法優點在于具有通用性強、計算過程簡單、運行效率高、對分析主體的初始狀態要求不高，以及擅長解決非線性優化問題等特征，能有效解決大規模的又較復雜的優化組合問題。其方法能有效跳出局部最優，得到全局最優，因為它能夠在某段時間內提供某一空間內的近似最優解。模擬退火法能保證算法的穩定性，在每步迭代過程中，模擬退火法接受次優解的概率會隨著時間的推移而逐漸降低。

模擬退火法在森林景觀運營管理、景觀配置等方面應用較多。采用模擬退火算法建立不同優化景觀空間規劃的模型，對于不同空間約束形式形成的規劃效果進行量化比較，以最優的方式此尋求景觀空間結構最合理的構成和配置需求[5]。對景觀在不同階段持續的動態變化，不同階段的不同價值指標，采用并行模擬退火算法，在獨立搜索與合作搜索的共同作用下得出全局最優解，這樣能更好更有效地對景觀資源進行科學管理[6]。通過恢復植被為鳥類修復生境，利用模擬退火法和迭代改進啟發式算法，尋找到預算大小的有效解和不同目標函數來確定景觀資源配置，最大限度地實現所有植被景觀的預計數量[7]。

2.2 人工生命類

蘭德勒在1987年首次提出人工生命的概念。人工生命遵循自然界的規律與特質，對具有自然生命行為特征的人工系統通過建模模擬自然生命現象，探索生命進化規律。人工生命是一種自下而上的分布式系統模型，為解決復雜現象的行為提供了新的解決方法[8]。風景園林的研究中，人工生命類主要用于風景園林中復雜現象的模擬，以此驗證或預測實施的策略。風景園林研究中應用人工生命類技術主要有智能體模型、多智能體系統、元胞自動機等。

2.2.1 智能體模型與多智能體系統 1971年謝林最初提出智能體模型(ABM)的基本概念，到21世紀初，智能體模型被廣泛應用于在風景園林的各個方面。其中，智能體（計算機軟件的智能行為）在風景園林研究領域如設計師智能體、城市智能體、市民行為智能體等是完全異質的，沒有全局數據或全局控制，每個智能體按照自身屬性規則運行。而且根據解決問題的需要，智能體可以自由組合或刪除。

用來模擬多個智能體交互作用和同時行動的計算通過采取“自下而上”的涌現方法，可以模擬極其復雜多變的景觀狀態。多智能體系統在風景園林研究中具有：自主地選擇合適方案解決問題；能夠根據自己的步調使彼此之間異步運行；能運用模擬、推理等多種方式來學習風景園林知識；可通過多個智能體協調合作解決單一智能體無法解答的難題；智能體可以是不同的景觀元素，運用的設計方法和計算機語言也可不相同；智能體之間能夠互相溝通交流，能高效處理問題等優越性[9]。多智能體系統與傳統的風景園林研究方法相比，多智能體系統能給予景觀空間開發更多的可能性，可提供更多的量化數據。

物種擴散與生存與林地空間格局有關，也與生態網絡保護框架關系密切。有學者在GIS平臺建立了智能體的生態格局評價模型，分析了它們對物種擴散與生存的影響[10]。土地利用未來發展狀況方面，侯賽因阿里等構建了未來土地利用的多智能體系統預測模型，通過采用現有數據校準，模擬了4種未來發展情景[11]。博恩等[12]利用智能體模型能夠學習特性，通過時空知識設計獲得自然資源管理方案的最優解；萊頓柏格等[13]利用多智能體系統，基于多個決策主體因素對荷蘭某區域的土地使用規劃進行模擬，為土地利用的空間布局和未來使用提供了最佳的決策方案。

VPA處理可顯著抑制SH-SY5Y細胞中自噬標志蛋白LC3-II的水平（圖8），同時還抑制p62的降解，但不影響Beclin1的表達；而使用miR-34c-5p抑制劑聯合處理則可使LC3-II與p62的水平得到恢復。聯合使用自噬抑制劑氯喹（CQ）處理可引起LC3-II與p62的堆積（圖8）。

2.2.2 元胞自動機 元胞自動機(CA)模型主要用于解決自然領域里的動態系統模擬問題，其概念最早由諾依曼和烏拉姆提出，隨后被廣泛應用于空間生態學、景觀更替、城市增長過程等的模擬。元胞自動機模擬能展現景觀演進規律與過程及內在機制，幫助預測景觀的未來發展態勢，能為風景園林建設和城市發展布局管理提供依據。

改進的元胞自動機模型能預測城市在內生發展、歷史外推、外生發展3種狀況下的演變空間過程與規律，從中能得到影響城市形態擴展的主要因素，這對制定城市發展規劃有利[14]。阿克約爾等[15]利用地理、景觀信息建立元胞自動機模型，自動模擬生成未來的城市景觀，形成的模擬環境可檢驗原來的設計是否合理，有利于完善原來的設計方案。元胞自動機模型在城市空間形態與土地利用模擬方面也得到很好應用，在一種基于慣性權重粒子群優化的城市增長元胞自動機模型模擬城市動力學，將群體智能引入城市建模中，減少了模擬的不確定性[16]。在景觀格局模擬方面，元胞自動機模型與灰色局勢決策方法相結合，能獲得鄰域轉換規則，同時考慮了模擬轉換時的隨機性因素，對景觀格局的動態進行模擬，能驗證在景觀格局動態變化預測中的有效性與可行性[17]。

目前，在預測空間格局演化、未來土地利用動態等領域的元胞自動機模擬應用已較為成熟，然而元胞自動機模型在景觀格局的時空變化的模擬上應用尚少。這方面還需眾多景觀規劃研究者在元胞自動機模擬應用上進行深入研究。

2.3 機器學習類

機器學習包括3種類型：（1）直接模擬人類對概念進行判定的樹形流程，其代表算法為決策樹，稱之為符號主義學習。（2）連接主義學習，其代表為人工神經網絡，目前在工程領域的應用效果是最好的。（3）主要是結合推斷統計學的理論成果，其代表為支持向量機，故稱之為統計學習。機器學習主要可以解決風景園林中每個元素對于景觀結果的影響問題，評分問題，分類問題，應用較為廣泛的是連接主義學習和符號主義，如卷積神經網絡、人工神經網絡、隨機森林和決策樹等[18]。

2.3.1 卷積神經網絡 深度學習是最具代表意義的復雜神經網絡模型的算法，而卷積神經網絡(CNN)又是深度學習中關注度最高、最為典型的算法。卷積神經網絡具有權值共享、局部連接及多層結構的特征[19]，通過增加層次深度改善擬合目標函數，能更好地發現特征，可解決更為復雜的分類問題。

能夠自動學習是卷積神經網絡特征，且具有提取抽象的優點，利用Seg Net（卷積神經網絡圖像語義分割工具）在風景園林圖片信息識別，因而在分類上廣泛應用。將公益協作模式和卷積神經網絡工具(Seg Net)相結合，基于騰訊街景圖片，評估街道空間的物理視覺質量，這是一種對大面積街道空間進行視覺質量評價和變異識別的新方法[20]。已有研究證明經過預處理卷積神經網絡對高清遙感影像具有較好的泛化能力和城市形態特征發現能力[21]。運用卷積神經網絡模型的圖像分割技術，從街道圖像中能得到綠化空間分布信息以及街谷開闊程度的計算值[22]。采用Seg Net將街景圖片中的像素點準確識別為綠化、建筑、天空等具象要素，可為后續綠化要素比值運算提供可靠信息[23]。

卷積神經網絡仍存在一些有待改善的不足之處，如果學習數據與測試數據分布不同，容易導致識別結果不準確[24]。而且，與人工神經網絡相比，卷積神經網絡需要更多的數據用于學習，構建模型也比人工神經網絡結構復雜許多。

2.3.2 人工神經網絡 人工神經網絡(ANN)能夠像生物神經系統一樣與現實世界進行交互，由簡單單元并行互聯網絡組成。在認知科學和機器學習范疇內，人工神經網絡具有學習能力，網絡會通過學習自動識別出相似的圖像，這種功能對于風景園林領域的預測問題具有重要意義；而且它的表達能力強，能充分逼近復雜的非線性關系。具有聯想記憶能力也是人工神經網絡的一個特征，當修改或添加新特征時，只訓練新特征對應的參數，對原先的網絡參數影響不大。因此，人工神經網絡可為風景園林設計與資源管理提供科學高效的研究方法與理論依據。近年來人工神經網絡已被廣泛應用模擬預測、評價和景觀分類等研究領域。塔伊布等[25]提出了一種利用人工神經網絡、GIS和遙感信息模擬幾何形狀的城市增長邊界模型，預測城市增長，保護周圍的鄉村景觀。有學者利用人工神經網絡探討了街區密度、建筑高度、零售土地使用、街道寬度和與街道可達性之間的關系[26]。土地覆蓋分類用人工神經網絡分類器和專家系統分類器結合建模，能大大提高分類精度[27]。森林結構變化分析中，人工神經網絡結合移動窗口法，利用人工神經網絡自適應強、快速尋優、泛化力強等特點，能對森林結構變化進行模擬分析[28]。蘇塞克斯等[29]采用人工神經網絡，結合高清航拍影像，實現了對道路區域的精確分類，降低了自動提取城市道路網的復雜性。

與傳統方法相比，人工神經網絡能有效處理風景園林中的非線性問題，可為風景園林設計實踐與資源管理提供科學高效的研究方法與理論依據。但是，人工神經網絡像黑箱一樣，學習的過程是不可見的，沒有任何規律，輸出結果難以解釋。

2.3.3 決策樹 決策樹(DT)與人類推理相似，所需數據簡單，可兼顧常規數據和處理數據。對多屬性數據源建立的決策樹其擴展性強，通過決策樹利用大數據作某種決策時具有速度快、效果好等特點。

決策樹己被廣泛應用于景觀分類，景觀空間布局和風景園林設計領域。齊樂等[30]運用決策樹分類技術，提高了遙感影像的分類精度，實現了計算機高精度的遙感影像分類；內德等[31]提出了運用決策樹分析步行目的與人們對步行景觀質量感知之間的關系模型；運用決策樹對城市形態特征進行分類，范得海根等[32]在此基礎上提出了度量景觀空間布局的新方法。海爾等[33]使用遙感技術、結構分類技術、GIS和決策樹，根據景觀特性建立了侵蝕因子的決策樹回歸模型。

決策樹增多可能帶來的過度擬合問題，在一些信息丟失或不全面的情況下泛化能力弱。

2.3.4 隨機森林 為了解決決策樹泛化能力弱的問題，對決策樹進行改進就出現了隨機森林(RF)算法。隨機森林能夠在運用小規模的訓練樣本以及有限計算量的情況下，保持運算的準確性，能較好地處理異常值問題，可以評估變數的重要程度，提高了問題預測的準確性。

隨著隨機森林算法逐漸成熟，也逐漸用于風景園林學等領域的分類和預測問題。在變量重要性分析研究中，通過隨機森林算法建模得出園林植物優選系統中分析變量的相對重要性結果[34]。使用隨機森林回歸樹分析，評估了河流棲息地不同預測變量反應變化中的重要性[35]；基于GF-2遙感數據，運用隨機森林算法建立了高精度的濕地分類模型[36]。利用隨機森林模型得出了影響訪視率空間變化的社會經濟因素和生物物理學因素[37]。運用地面植被蓋度信息和衛星遙感影像生成隨機森林回歸模型，能很好預測草場植被蓋度的變化趨勢[38]。彼得斯等[39]在景觀生態水文研究中建立隨機森林模型，能得到研究區域內植被類型分布變化的預測結果。利用隨機森林較好的擬合性建立山洪災害模型，能較準確預測災害風險度[40]。

隨機森林算法在景觀生態領域中預測環境發展、植被分類、景觀土地利用對景觀生態的影響，以及分析景觀中的變量重要性等是一種高效的預測工具。

3 混合智能系統

風景園林作為一個由多種因素共同影響的復雜綜合體，利用單一智能技術是不能完全解決錯縱復雜的問題。這就迫使尋求更優的技術與方法，一種將多種智能算法結合起來的混合智能系統由此而產生了。

神經網絡(NN)對識別相關知識比元胞自動機模型高效。有研究者利用元胞自動機和學習矢量量化神經網絡能自動找到土地利用的元胞轉換規則，建立元胞自動機-神經網絡(CA-NN)模型，根據不同時相遙感數據，尋找土地利用演變的內在規律并預測土地利用格局[41]。神經網絡的內部參數具有自適應性和實時性及較高的分類性能，默奇卡科等[42]將專家知識與神經網絡分類器相結合(Hybrid-NN)，能夠根據美景度對景觀圖像進行分類。利用遺傳算法將元胞自動機參數編碼成染色體，通過比對模擬數據與真實情況進行優化，建立土地利用遺傳算法-元胞自動機模型(CA-GA)，分析景觀變化機理[43]。利用遺傳算法在運算精確度的優勢和元胞自動機的轉換規則建模，能提升城市格局變化預測的精度，如張大川等利用遺傳算法-元胞自動機(RF-CA)模型預測不同類別的土地利用情況和變化趨勢，準確地獲取了各空間變量參數[44]。有研究者利用多智能體代表居民、開發商及政府，元胞自動機表征城市擴張模擬的空間環境和城市發展的空間自組織性，構建元胞自動機-多智能體(CA-ABM)模型。這個模型具有多智能體的學習能力和決策能力，以及元胞自動機的空間自組織性，從而能更精確地模擬景觀動態演化過程[45]。

目前，混合智能系統技術并不完全成熟，還需要眾多先進技術不斷完善。同時，混合智能系統在當前的風景園林研究中應用也還處于起步階段，還有很大的發展空間，在這方面的實踐應用還有待加強。

4 結語

本研究雖不能囊括人工智能技術在風景園林中的應用全貌，但還是展現了風景園林研究智能化的發展趨勢。當前人工智能技術在生物學、城市規劃、地理學等多學科的綜合研究中應用較多，在風景園林研究中應用尚處于初級階段。從人工智能技術在風景園林研究應用情況來看，風景園林設計方面應用較少，一般用于風景園林研究的調查分析、模擬預測和評估方面。風景園林設計是客觀條件與人類主觀情感共同作用的結果，現階段應用的人工智能還屬于弱人工智能，不能完全具有人類情感的自主意識，不能代替人類的情感需求。因此，對風景園林研究而言，人工智能模型應用的有效性及應用的廣度和深度有待提升。盡管風景園林研究中越來越多地應用到人工智能技術，但人工智能解決風景園林的不確定性和復雜性問題的能力仍然達不到人們預先要求，將風景園林的不確定性和復雜性問題整合到一個系統框架中進行解決更是難上加難。首先，將多種人工智能方法集成在一起的技術還不夠完善，目前還沒有較適用的多種人工智能方法集成的高級架構。其次，在風景園林研究中構建人工智能模型不僅要具有風景園林知識，還需要具有計算機科學、地理和生物等多學科知識，如果某一專業知識的有所欠缺，就不能構建理想的人工智能模型。這就要求每個建模者應具有較為廣泛的知識面。盡管當前風景園林中運用人工智能技術尚不成熟，但隨人工智能技術的飛速發展，更多人工智能將會運用到風景園林研究中。未來風景園林的智能化發展，需要積極嘗試集成多種技術建立混合人工智能方法的景觀模型，加快風景園林研究的自動化水平。