園林植物優(yōu)選系統(tǒng)的應用分析

夏繁茂

肖鐘秀

1 研究背景

進入21世紀以來，信息技術獲得了飛速的發(fā)展，其在園林中的應用也日益廣泛而深入。信息技術的應用涵蓋了計算機硬件和軟件，網(wǎng)絡和通信技術等。數(shù)據(jù)挖掘技術、物聯(lián)網(wǎng)技術、云計算技術和大數(shù)據(jù)分析都是信息技術在目前研究比較活躍的領域。

信息技術在園林上的應用一般集中在以下三大領域：景觀的數(shù)字模擬、風景園林分析評價和參數(shù)化設計、數(shù)字景觀教育[1]。2007年之前多集中在景觀的建模和景觀數(shù)據(jù)的可視化，很少涉及專業(yè)的分析。2007年之后，信息化技術與園林的結合逐步向多領域、縱深發(fā)展，在景觀可視化發(fā)展的同時，景觀數(shù)據(jù)的分析逐步深入，從而推動了園林設計逐步向科學化、參數(shù)化和數(shù)字化方向發(fā)展。

景觀信息模型(Landscape Information Modeling, LIM)和地理設計(Geodesign)的概念依次提出[2]。這說明在信息技術發(fā)展的同時，園林技術的發(fā)展也逐步與之融合發(fā)展，數(shù)字景觀技術概念逐漸提出并獲得了廣泛的認同。數(shù)字景觀技術是以相關軟件為支撐的，園林設計領域一些廣為熟知的軟件在開始階段多以單機版的桌面程序呈現(xiàn)，隨著互聯(lián)網(wǎng)技術的發(fā)展，也提供了一些網(wǎng)絡功能。如WebGIS技術、虛擬現(xiàn)實模擬語言(Virtual Reality Modeling Language,VRML)。一些GIS軟件如ArcView、ERDAS Virtual GIS存在生成生成VRML的功能。目前這些網(wǎng)絡應用功能是初級的，沒有桌面程序的功能強大，一些設計與分析的主要工作，也只能在桌面應用程序中才能完成。但是隨著云計算技術的不斷發(fā)展，基于網(wǎng)絡的參數(shù)化設計和協(xié)同設計辦公將成為今后數(shù)字景觀技術發(fā)展的一個方向。如果能將各種計量模型和空間分析模型通過(B/S)的架構加以實現(xiàn)，實現(xiàn)基于網(wǎng)絡的園林數(shù)據(jù)挖掘分析，則是數(shù)字景觀技術發(fā)展的一個美好愿景。

基于網(wǎng)絡的園林數(shù)據(jù)挖掘開發(fā)，首先的任務是進行數(shù)據(jù)的整理、清洗，并組建相應的數(shù)據(jù)庫。該工作涉及內容較多，但都是基礎性的，園林植物的數(shù)據(jù)挖掘便是其中之一。正是在此背景下，本文作者開發(fā)出了園林植物的優(yōu)選系統(tǒng)，進行了初步的嘗試。

圖1 基于互聯(lián)網(wǎng)的園林植物優(yōu)選系統(tǒng)(作者繪)

2 園林植物優(yōu)選系統(tǒng)的開發(fā)

2.1 三級模糊綜合評判模型

本模型執(zhí)行的是三級模糊綜合評判。一級評判因素共有36項，二級評判因素分成措施項和生態(tài)項2類，三級評判因素分為建植和維護2項，是在二級評判因素上的綜合評判。當然這樣劃分對于數(shù)目龐大的園林植物并不能包括維護和建植的全部項目，但基本上涵蓋了絕大部分，則皆為對最終評價結果有重要影響的因素。評語集是對評價項目進行評定的詞句[3-4]，共有4個等級，其一般模式為“好”“臨界”“壞”和“較壞”。

2.2 桌面應用程序的開發(fā)

選用基于T-SQL語言編寫的存儲過程來執(zhí)行模糊綜合評判，然后將存儲過程放入SQLServer數(shù)據(jù)庫管理系統(tǒng)創(chuàng)建的數(shù)據(jù)庫中，利用Visual C++ 6.0編寫程序的界面，在界面中調用存儲過程完成模糊綜合評判過程。從而基于該模型開發(fā)出園林植物的優(yōu)選系統(tǒng)。

此桌面應用程序雖然運行速度快、計算迅速，但服務范圍較窄，需要開發(fā)基于網(wǎng)絡的云計算平臺。

2.3 網(wǎng)絡應用程序的開發(fā)

將后臺數(shù)據(jù)庫改成開源的PostgreSQL數(shù)據(jù)庫，將執(zhí)行三級模糊綜合評判的存儲過程用PL/pgSQL語言進行改寫。采用傳統(tǒng)的JSP+Servlet+JavaBean的開發(fā)模式。進而開發(fā)出基于互聯(lián)網(wǎng)的園林植物優(yōu)選系統(tǒng)(圖1)。

3 系統(tǒng)的應用分析

3.1 與等級參數(shù)評判法結合的綜合評判值計算

由于模糊綜合評判時僅利用的最大的bj所對應的評語vj作為評判結果，僅利用了bj(j=1, 2, …, n)中的最大者信息，沒有充分利用評語模糊子集B的綜合信息，因而反映的結果是不全面的。如節(jié)約性評價中，在模糊評價集中的節(jié)約性指數(shù)、臨界節(jié)約指數(shù)、浪費指數(shù)、較浪費指數(shù)之中，節(jié)約性指數(shù)的值大于其他三者，則評語定為“節(jié)約”，從而忽略了其他三者帶來的信息。因而可以根據(jù)實際情況給各種評語(等級)規(guī)定某些參數(shù)，然后與評判結果B進行加權平均計算，使得評判結果更加符合實際。

具體計算公式如下：

由上述公式計算出園林中常見322種植物的3類指數(shù)。

圖2 分析變量的相對重要性(作者繪)

3.2 不同分類3種指數(shù)的平均值

將園林植物按優(yōu)選系統(tǒng)分析的便利性分為園林樹木、越冬花卉及草坪植物、不越冬花卉及草坪植物3類。應用類別、觀賞部位為多項分類變量，是否耐陰、是否大喬、是否常綠皆為二項分類變量，從應用類別及其之后的這幾個分類變量皆按園林植物的常用分類方法進行了分類。

利用該系統(tǒng)以濟寧地區(qū)為基礎，對常見的322種園林植物進行節(jié)約性指數(shù)、生態(tài)適應性指數(shù)、選擇性指數(shù)的計算，并求出不同分類模式3種指數(shù)的平均值。

3.3 指數(shù)差異顯著性的T檢驗

對計算獲得的數(shù)據(jù)按照不同的分類依據(jù)進行分析。對于對立特性分類的數(shù)據(jù)應用R語言中的Rattle包來進行T檢驗[5]，以檢測其指數(shù)的差異顯著性，這些分類包括是否耐陰、是否大喬、是否常綠。

經(jīng)過分析，對于對立特性的T檢驗，可以觀察到是否大喬的節(jié)約性指數(shù)差異顯著，其余皆不顯著，在園林中提高大喬的比例可以提高植物整體的節(jié)約性水平，有利于降低植物建植及維護的成本。不耐陰植物的生態(tài)適應性指數(shù)高于耐陰植物，大喬的生態(tài)適應指數(shù)也高于非大喬的園林樹木。而選擇性指數(shù)在這3個分類面前皆為顯著，因而是否耐陰、是否大喬、是否常綠對于植物的選擇比有較強影響。

3.4 指數(shù)差異的多重比較

而對于有多個不同特征值的分類則采用SAS中方差分析功能的GLM過程來實現(xiàn)，通過應用Fisher's LSD方法進行不同類型的多重比較，這些分類按照應用類型、分析類型、觀賞特點來進行劃分。其中應用類型分類包含草坪草、灌木、灌木綠籬、花卉、喬木、藤本和竹類7項；分析類型分類包含花卉及草坪不越冬、花卉及草坪越冬、園林樹木3項；觀賞特點分類包含草坪、觀果、觀花、觀形、觀葉、觀枝、色葉、庭蔭和枝葉共9項。

對于按不同應用類型、不同觀賞特點的分類僅列出類型對比差異顯著的項，而其余不顯著的項則未列出。

3.4.1 節(jié)約指數(shù)的差異顯著性分析

花卉和竹類、藤本、喬木、灌木綠籬、草坪草、灌木之間在節(jié)約性指數(shù)方面差異顯著。除草坪草之外，花卉的大量應用往往會降低園林植物的節(jié)約性指數(shù)，從而使園林植物的建植與養(yǎng)護成本增加。

在不同分析類型方面，園林樹木、花卉及草坪越冬對比花卉及草坪不越冬的差異顯著，因而不越冬的花卉及草坪比較浪費，增加了成本費用，可以考慮多應用一些宿根性花卉及地被植物進行相應的替換。

在不同觀賞特點分類方面，枝葉-色葉、枝葉-草坪、枝葉-觀花、枝葉-觀葉、庭蔭-觀花皆差異顯著，其余皆不顯著?；究梢钥闯鲇^賞價值越高的植物，則成本費用增加越大。

3.4.2 生態(tài)適應性指數(shù)的差異顯著性分析

在不同應用類型分類中可以看出竹類、草坪草生態(tài)適應性指數(shù)較低，因而園林中如果增加這2類植物的栽種面積或者種類，則需要周密考慮，不應盲目引種，而應該選擇生態(tài)適應性指數(shù)高的相應植物。喬木對比灌木或灌木綠籬，皆差異顯著，喬木和后兩者相比，生態(tài)適應性指數(shù)會高一些，生長狀況較好，因而適當?shù)卦黾訂棠镜谋壤?，尤其是喬灌草復層結構的應用，對提高園林植物的生態(tài)適應性指數(shù)具有重要意義[6]。不越冬的花卉及草坪植物相比于越冬的花卉及草坪植物或園林樹木皆差異顯著，因而對于北方園林來說，越冬狀況是影響生態(tài)適應性指數(shù)的重要因素，引種植物必需首先考慮植物的越冬性狀況，這是決定植物引種成功與否的關鍵。

從不同觀賞特點分類的比較看出，色葉、草坪、觀葉類植物的生態(tài)適應性指數(shù)較低，而觀枝、庭蔭、觀果、觀花的生態(tài)適應性指數(shù)略高，并相較前幾類差異顯著。園林植物中的變色、變型等的變異種雖然提高了園林植物的觀賞價值，但是以生態(tài)適應性指數(shù)的降低為代價的，因而在園林中應用應妥善考慮。

3.4.3 選擇性指數(shù)的差異顯著性分析

選擇性指數(shù)是基于節(jié)約性指數(shù)和生態(tài)應用性指數(shù)產(chǎn)生的，在不同應用類型分類方面，喬木-灌木、喬木-草坪草差異顯著，喬木相較于后兩者，可供選擇的程度與范圍較大，因而園林中選擇灌木、草坪草的難度較選擇喬木大，需要考慮的因素較多，因而需要周密考慮。選擇性指數(shù)在不同分析類型方面皆差異不顯著。因而不同分析類型對植物選擇性的影響較小。

在不同觀賞特點分類方面，觀枝、庭蔭、枝葉、喬木、花卉、藤本的選擇性指數(shù)較高，而色葉、草坪、觀葉的選擇性指數(shù)較低，因而在對色葉、草坪、觀葉這3類植物選擇時需要慎重考慮多方面因素。

4 系統(tǒng)的應用實例

濟寧市人民公園建于20世紀新中國成立初期，采用中國古典式園林的設計風格，是濟寧市建立時間較早的園林。因位于濟寧市中心區(qū)，人氣較旺，公園利用率較高。該公園曾于2000年進行了改造，將原先位于園內的動物園遷出。由于該公園設計合理，整個公園山水相依，綠樹環(huán)繞，生態(tài)效益、社會效益良好，具有一定的典型性，因而選取該公園作為分析對象。

4.1 計算工具的選取

計算工具選用最新的R語言版本3.4.1，Rattle的版本也升級到5.1.0。

Rattle是一個用于數(shù)據(jù)挖掘的R語言的圖形交互界面(GUI)，可用于快捷地處理常見的數(shù)據(jù)挖掘問題。從數(shù)據(jù)的整理到模型的評價，Rattle給出了完整的解決方案。Rattle和R平臺良好的交互性，又為用戶使用R語言解決復雜問題開啟了方便之門。

隨機森林是一種比較新的機器學習模型，利用bootsrap重抽樣方法從原始樣本中抽取多個樣本，對每個bootsrap樣本進行決策樹建模，然后組合多棵決策樹的預測，通過投票得出最終結果[7]。隨機森林在運算量沒有顯著提高的前提下提高了預測精度。隨機森林對多元共線性不敏感，結果對缺失數(shù)據(jù)和非平衡的數(shù)據(jù)比較穩(wěn)健，可以很好地預測多達幾千個解釋變量的作用，被譽為當前最好的算法之一。

隨機森林在生物生態(tài)、經(jīng)濟金融等多個領域都有應用[8-9]。本實例通過Rattle的Forest按鈕實現(xiàn)隨機森林建模，它是基于隨機森林算法包中的Random Forest函數(shù)實現(xiàn)。

4.2 分析變量重要性分析

以322種植物算出的指數(shù)為主要輸入數(shù)據(jù)集，應用隨機森林算法進行數(shù)據(jù)建模。建模時假設該公園植物的選擇已經(jīng)非常合理，在322種植物中以濟寧市人民公園是否選用作為預測變量，而其余5個分類變量為：觀賞部位、應用類別、是否常綠、是否耐陰、是否大喬。3個數(shù)字變量為：選擇性指數(shù)、生態(tài)適應性指數(shù)、節(jié)約性指數(shù)。將上述5個分類變量和3個數(shù)字變量作為輸入變量，后經(jīng)過隨機森林算法執(zhí)行數(shù)據(jù)建模分析，得出變量重要性分布圖(圖2)。

由圖可以看出在Mean Decrease Accurac排序中，分類變量中以應用類別、觀賞部位較為重要，因而在對濟寧人民公園植物的優(yōu)化選擇分析方面這2個變量是優(yōu)先要考慮的變量。

4.3 模型評估

在計算中不斷調整決策樹的數(shù)量和變量的個數(shù)這2個參數(shù)，從而使OOB的估計誤差率最小化，并逐步穩(wěn)定在35%左右，從而使隨機森林算法進一步調優(yōu)[10]。

在rattle中執(zhí)行隨機森林算法給出基于OOB(Out Of Bag)的混淆矩陣，其中誤差率的OOB估計(OOB estimate of error rate)是35.56%，即它的準確率是64.44%，這個模型基本可以。

4.4 濟寧人民公園植物的優(yōu)化

根據(jù)植物配置方式的不同，將濟寧人民公園的植物配置類型分為草坪、垂直綠化、灌草、灌木綠籬、花帶、花壇、喬草、喬灌草、疏林草坪、密林、水生植物、硬質地面綠化共12類。在此基礎上根據(jù)植物配置類型及其地形特點將全園劃分為82個小區(qū)，在ArcGIS中據(jù)此繪制植物配置圖，然后根據(jù)植物的種類輸入相應的選擇性指數(shù)、節(jié)約性指數(shù)、生態(tài)適應性指數(shù)，并計算各配置小區(qū)的指數(shù)均值。在此基礎上繪制相應的指數(shù)分級地圖，顏色越綠表示節(jié)約性指數(shù)越高，顏色越紅表示節(jié)約性指數(shù)越低，從而在ArcGIS中對各小區(qū)的指數(shù)高低進行了可視化展現(xiàn)。然后對配置小區(qū)相應的指數(shù)均值進行降序操作，選取排名后10位的小區(qū)，藍色線圈出的部分為節(jié)約性指數(shù)排名后10位的小區(qū)，需要進行改良。其余生態(tài)適應性分級圖和選擇性分級圖的繪制方法與之類似[11]。在圖上找出節(jié)約性需要優(yōu)化的小區(qū)，對這些需要優(yōu)化改進的小區(qū)進行分析，找出影響節(jié)約性指數(shù)較大的10種植物如下：彩葉草、矮牽牛、草地早熟禾、萬壽菊、百日草、石菖蒲、白車軸草、香樟、重陽木和月季。

在對植物進行優(yōu)化時，以應用類別作為首先考慮的因素，觀賞部位作為第二重要考慮的因素，在此基礎上選取節(jié)約性指數(shù)較高的植物以替換上述節(jié)約性指數(shù)較低的植物。節(jié)約性優(yōu)化選取的20種植物如下：金邊闊葉麥冬、金葉番薯、馬藺、石竹、吉祥草、沿階草、八寶景天、黃菖蒲、松果菊、紫露草、蘆葦、蒲葦、馬蹄金、狗牙根、北美楓香、紫葉李、臭椿、杜仲、紫穗槐和迎春。

同理找出影響生態(tài)適應性指數(shù)較大的10種植物和影響選擇性指數(shù)較大的10種植物并進行相應的優(yōu)化。

在植物的替代優(yōu)化選擇上還應考慮植物要符合園林的整體設計風格、各配置小區(qū)的設計風格，從而在不降低園林觀賞特色的前提下，提升園林植物的節(jié)約性指數(shù)、生態(tài)適應性指數(shù)，進而提高選擇適合性指數(shù)。從而達到園林植物優(yōu)化的目標。

5 結語

園林植物是園林中有生命的個體，具有植物學屬性、成本屬性、觀賞屬性等多種屬性。園林中所有植物個體的屬性數(shù)據(jù)的組合就構成了園林植物的大數(shù)據(jù)。

目前大數(shù)據(jù)的最初來源多集中在人的行為數(shù)據(jù)，及基于此的各種傳感器數(shù)據(jù)。因而大數(shù)據(jù)的應用多集中在一些商業(yè)應用領域。但是園林植物的大數(shù)據(jù)收集并不容易，因而園林植物的大數(shù)據(jù)應用分析目前只是處于起步階段。

大數(shù)據(jù)的分析不同于傳統(tǒng)的統(tǒng)計分析領域，但大數(shù)據(jù)的優(yōu)勢是通過計算機技術，利用機器深度學習，以數(shù)據(jù)挖掘作為大數(shù)據(jù)的核心工作，將大量數(shù)據(jù)進行清洗、加工，挖掘出有價值的部分，用于對決策提供技術支撐[12]。這對今后園林植物的優(yōu)化配置和選擇具有重要意義。

園林植物的設計除了滿足植物的生態(tài)習性和景觀效果外，還應將建植及維護成本最小化，這樣才能形成人與自然和諧的系統(tǒng)景觀，才能使園林景觀具有可持續(xù)性[13]。

園林植物優(yōu)選系統(tǒng)側重于節(jié)約性和生態(tài)性的評價，采用隨機森林算法計算出分析變量的相對重要性，可以看出節(jié)約性指數(shù)、生態(tài)適應性指數(shù)、選擇性指數(shù)的重要性皆靠前。說明該優(yōu)選系統(tǒng)對于園林規(guī)劃設計中植物的選樣具有一定的指導意義。但是該系統(tǒng)功能單一，對于植物的景觀美學價值沒能涉及。如何構建功能完備而又穩(wěn)健的園林植物網(wǎng)絡應用分析平臺是今后不斷努力的方向。