風景園林研究中的人工智能方法分析

唐金飛

（郴州市園林科研規劃設計院，湖南 郴州 423000）

0 引言

在風景園林研究工作中，風景圖像所呈現出的特點有簡單、抽象和片段化。所形成的圖像大多是對風景對象做了一定的取舍，而事實上風景園林的特點卻是十分廣泛的，除了同時具備自然和文化的雙重屬性以外，也有一些其他的屬性，其他屬性往往是不固定的，而且在不斷發生變化，使用一種圖像對風景園林的全部特征進行表達有很大的難度，所以就需要借助人工智能方法進行呈現。

1人工智能應用于風景園林的基本情況

在設計領域，經常會使用圖像對設計方案進行呈現。風景園林設計平面圖是呈現方案的主要形式，能幫助設計師借鑒其他的案例，在呈現概念時，也更加形象生動，同時也方便設計師進行方案溝通。對于設計方案來說，如果平面圖的表達是規范的，并且能夠實現高質量的渲染，施工時落實設計方案也會更容易。在實際的設計工作中，設計師的一項重要工作是搜集可借鑒的風景園林平面案例，同時也要渲染平面圖，此時會用到多種軟件。在當前的發展階段中，計算機視覺（Computer Vision）技術所具備的功能有圖像識別和生成，且已經基本發展成熟，有了技術強大功能的支持，就能實現AI 識別案例平面的目標，同時也能順利完成渲染制圖的工作，實現這一自動化分析和制圖的功能的重要前提條件是擁有全面而又優質的風景園林平面圖集[1]。風景園林平面數據庫的特點是專業性非常強，這與人臉或物體的圖像數據庫有很大的不同，主要是因為用地類型復雜多變。使用圖紙的形式表達風景園林設計方案，需兼具規范性和藝術性，這就有一定的難度，不僅需要進行細致的篩選，還要做好數據標注工作。

2 風景園林研究中的人工智能分類

在當前的發展階段中，將人工智能主要分為兩種，一種包括推理、知識、學習。具體可進一步劃分為對邏輯的推理、證明某種定理、專家分析系統、進行有深度的學習和思考、使用支持向量等。另一種劃分方法的主要依據是人工智能算法，其中所涵蓋的主義是符號、連接、行為，可進一步細分為專家分析系統、知識資源工程項目、神經網絡系統、多個自主形式的主體、元胞自動機。實現符號主義主要使用的方法是邏輯推理，實現對整個理論體系的有效推理，從而模擬出與人類智能相似的過程。連接主義的本質是一種連接方式，連接的對象是機器所模擬的人類大腦神經系統。在研究風景園林時采用行為主義方法，該方法的出現時間還不長，發展不夠成熟，實際應用是采用行為活動實現對智能的有效控制，突出了定量化研究的特點。綜上所述，研究風景園林所使用的人工智能方法可以大致劃分成人工生命型、智能隨機優化型和機器學習型這三大類。在劃分類別時，所堅持的依據是人工智能技術的屬性和功能，同時也對可解決的風景園林問題類型有充分的考慮。

3人工智能應用于風景園林研究所取得的進步

3.1人工生命類的智能方法

隨著科技的發展，一些人工系統已經具備生命行為的特性，這些人工系統是人工生命研究的主要對象。所展開的研究任務對自然界的規律與特質十分尊重，也會對自然生命的現象進行模擬，模擬時會用到人工系統建模及核心算法的內容，認真探究生命進化的規律，以研究結果為依據確定了有效的解決措施，從而去解釋一些復雜現象以及行為，該系統模型的分布形式呈現出自下而上的特征。采用人工生命類的人工智能技術，所解決的問題主要來源于風景園林的模擬工作，此外還會對施工中采用的方法和策略進行驗證或者預測。當前應用較為廣泛且功能較為突出的技術有元胞自動機、智能體模型以及多元的智能化體系。

3.1.1 元胞自動機的動態預測功能

元胞自動機也被稱為細胞自動機，其主要組成有元胞主體、元胞的一些特性、臨近的區域和調整狀態的相應規范標準。CA概念的主要功能是處理自然領域中所發生的動態系統模擬問題。CA 概念在地理學的研究中能夠發揮關鍵作用，能夠用來預測城市土地動力學規律，同時也能實現對交通流的科學預測。在模擬建模的工作中有廣泛的應用，這些模型包括城市增長所經歷的過程、城市內的景觀更替情況、空間的生態學系統，另外還有土地的動力變化等，能夠實現對景觀變化內在機制以及法則進行科學的演繹，從而較為準確地預測出園林景觀的發展形勢以及未來可能呈現的狀態，這對風景園林的管理和規劃而言，是一種有效的保障手段。目前已經有研究學者使用CA 技術模擬風景園林的景觀格局，并呈現出動態的變化情況，通過研究得到鄰域轉換規則，研究過程中也會用到的決策手段是灰色局勢，在模擬轉換的過程中，不能忽視一些隨機性因素所產生的影響，在分析的過程中對這一問題也有考慮。所得到的結果能夠說明可以將CA 技術應用于預測景觀格局的動態變化情況，所得到的預測結果也是有效的。另外還可以結合CA 模型和地理、景觀信息，進行模擬能成功展現城市景觀未來的情況，所構建的模擬環境能夠用來測試設計解決方案潛在的問題。

3.1.2 智能體模型能模擬多變復雜的景觀情況

就智能體模型而言，出自分割模型，具體的應用方向是對城市人流加以設計和模擬，同時也能實現對城市環境的科學評價和預測。模型在表示軟件的智能化行為時，用到了“agent”，“agent”代表的是智能體。在研究風景園林時，所使用的“agent”主要有兩種，分別是個體和組合，比較常見的智能體形式是城市、設計師和市民行為。每個智能體在運行的過程中，都是按照自身的屬性和規則實現的。完全異質是其主要的表現形式，無論是數據還是控制的形式都不具備全局性[2]。多智能體系統的一項重要功能就是計算，能實現對多個智能體動作的模擬，可能發生的動作有同時行動和交互行動。在實際操作中，需要不同的專家合作進行問題的求解，在此基礎上模擬預測復雜現象，以重現的方式來表達。能夠實現對系統的轉變，一些系統是龐大而又復雜的，通過轉變就能形成體量小、形式簡單、方便管理的系統。出現的形式是“自下而上”，即便風景園林的景觀情況復雜而又多變，也能實現有效模擬。

將智能體模型應用于風景園林的研究中，主要有以下幾方面優勢：①智能性。能學習曾經接觸到的風景園林知識，可采用的學習方法是推理和模擬；②自主性。可針對不同的問題，自主選擇能夠有效解決問題的方案，促進景觀環境朝好的方向發展；③整體的平衡性。智能體模型是一種集成系統，當有單一智能體無法解答的難題時，就需要多個智能體合作解決問題；④異步性。每個智能體都具有自主性，在運行時都能堅持自己的步調；⑤溝通性。智能體相互之間可以通暢溝通，在處理問題時效率也會有所提高；⑥異質性與分布性。智能體是分布式人工智能的分支，所呈現的景觀元素也會有所不同，另外也會使用不同的設計方法和計算機編程語言。

3.2 機器學習類的智能方法

機器學習類的智能方法能夠對未知的數據進行預測，并對數據進行分析，從而獲得某種規律，借助所得到的規律實現對未知數據的預測。機器學習類的智能方法是人工智能的一個分支。符號主義學習是案例學習的一種，決策樹是該學習形式的代表算法，能夠形成樹形流程，是對人類概念判定的有效模擬。

就連接主義學習形式而言，人工神經網絡是代表性算法，另外還有深度學習，該方法在最近幾年中發展比較快。其所生成的結果可解釋性較差，但仍然在工程領域得到非常好的應用效果。就基于統計的學習方法而言，在其中有代表性意義的方法是支持向量機，所借助的理論成果主要來自推斷統計學。應用機器學習類的智能方法，能夠實現對風景園林中分類問題、評分問題的有效處理，除此之外，還能有效應對每個元素對景觀效果產生的不利影響。當前符號主義和連接主義學習在風景園林的研究中應用較為廣泛，比較常用的研究手段有人工神經網絡、卷積神經網絡、決策樹和隨機樹。人工神經網絡的組成是簡單的單元，這些簡單單元具備自適應性，能夠形成大規模并行的互聯網絡，在與現實世界進行交互時，具備與生物神經系統相似的性能[3]。機械學習類系統是一種具有學習能力和泛化能力的信息處理系統，隸屬于認知科學范疇內。在最近幾十年的發展中，生物神經和大腦結構對AN 閃起到了一定的啟發作用，可利用一些原始技術處理風景園林的實踐問題，所表現出的優點是學習能力很強，向神經網絡輸入待識別的圖像和應識別的效果，此時網絡會學習，并對相似的圖像進行識別，該功能在應對風景園林領域的預測問題上能發揮著關鍵作用。

4 結語

人工智能應用于風景園林研究所取得的進步表現為元胞自動機具備動態預測功能，智能體模型能模擬多變復雜的景觀情況，機器學習類的智能方法能夠對未知的數據進行預測，能分析數據，進而通過總結獲得某種規律，在此基礎上借助所得到的規律來實現對未知數據的科學預測。