人工智能方法在風(fēng)景園林中的運(yùn)用進(jìn)展

汪曉菲

（深圳市萬(wàn)卉園景觀工程有限公司，廣東深圳 518042）

0 引言

20世紀(jì)70年代人工智能方法開(kāi)始在城市空間、建筑領(lǐng)域中應(yīng)用[1]。由于人工智能技術(shù)表現(xiàn)出高效的資料-知識(shí)轉(zhuǎn)化能力，分析能力強(qiáng)、推理嚴(yán)密、準(zhǔn)確的擇優(yōu)能力而很快應(yīng)用到風(fēng)景園林的多個(gè)領(lǐng)域的研究中。人工智能技術(shù)不僅可將風(fēng)景園林中復(fù)雜的定性描述，通過(guò)某些相關(guān)數(shù)據(jù)進(jìn)行高效、準(zhǔn)確地計(jì)算，轉(zhuǎn)化為定量分析，而且，通過(guò)建立智能模型能解決風(fēng)景園林研究中一些疑難性問(wèn)題，揭示現(xiàn)象背后的內(nèi)在機(jī)理，因而在風(fēng)景園林研究中廣泛應(yīng)用。本研究將介紹人工智能技術(shù)在風(fēng)景園林研究應(yīng)用中的進(jìn)展動(dòng)態(tài)，其目的在于推動(dòng)風(fēng)景園林研究向智能技術(shù)、數(shù)字化技術(shù)方向發(fā)展。

1 風(fēng)景園林中的人工智能相關(guān)概念及分類(lèi)

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(méi)有一個(gè)統(tǒng)一定義。有學(xué)者認(rèn)為“人工智能是計(jì)算機(jī)學(xué)科的一個(gè)分支”；也有學(xué)者把人工智能解釋為“是研究人類(lèi)智能活動(dòng)的規(guī)律，構(gòu)造具有一定智能行為的過(guò)程”[2]；尼爾松教授的理解是“人工智能是關(guān)于怎樣表示知識(shí)以及怎樣獲得知識(shí)并使用知識(shí)的學(xué)科”[3]。

目前，人工智能主要有模擬推演論證和算法2種類(lèi)型。模擬推演論證又將人工智能細(xì)劃分為能邏輯推理、定理證明等的“推理型”；能深度學(xué)習(xí)、支持向量機(jī)等的“學(xué)習(xí)型”；為專(zhuān)家系統(tǒng)等的“知識(shí)型”。算法將人工智能又分為采用邏輯推理方法，推演出整個(gè)理論體系來(lái)模擬類(lèi)人智能的過(guò)程的“符號(hào)主義”型；利用機(jī)器模擬人類(lèi)大腦的神經(jīng)系統(tǒng)與連接方式的“連接主義”型；通過(guò)行為活動(dòng)來(lái)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(jù)人工智能技術(shù)的功能和屬性及在風(fēng)景園林研究中應(yīng)用情況，目前應(yīng)用于風(fēng)景園林領(lǐng)域的人工智能技術(shù)有智能隨機(jī)優(yōu)化、人工生命類(lèi)、機(jī)器學(xué)習(xí)3種類(lèi)型。

2 風(fēng)景園林研究中的人工智能方法應(yīng)用

2.1 優(yōu)化方法

隨機(jī)優(yōu)化方法是一種生成并利用隨機(jī)元素的優(yōu)化算法。隨機(jī)包括2個(gè)方面，一是數(shù)據(jù)的隨機(jī)性，二是算法本身的隨機(jī)性。智能隨機(jī)優(yōu)化方法在風(fēng)景園林研究中，主要用于尋求優(yōu)化問(wèn)題的最優(yōu)解。由于試遍全部可能解而找出最優(yōu)解的時(shí)間成本太高，而隨機(jī)優(yōu)化方法加速搜索過(guò)程，容易找到全局最優(yōu)解。遺傳算法和模擬退火法是常見(jiàn)的隨機(jī)優(yōu)化方法。

2.1.1 遺傳算法 20世紀(jì)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(xué)機(jī)制的概率搜索算法。在風(fēng)景園林應(yīng)用中與其他算法相比，遺傳算法具有并行性、自適應(yīng)性、隨機(jī)性與可擴(kuò)展性等特點(diǎn)，且搜索過(guò)程簡(jiǎn)單，搜索能力快速，容易與其他算法結(jié)合等。遺傳算法能控制變量的變化范圍，使用極其復(fù)雜的適應(yīng)度函數(shù)，能越過(guò)局部從全局觀念出發(fā)尋求全局性的最適宜解。

遺傳算法擅長(zhǎng)處理約束條件眾多、環(huán)境復(fù)雜的風(fēng)景園林研究問(wèn)題。如利用不同時(shí)期的遙感數(shù)據(jù)，選取并構(gòu)建一系列景觀指數(shù)（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(shù)），采用遺傳算法的投影尋蹤方法，生成景觀生態(tài)安全指數(shù)，這樣有利于景觀生態(tài)安全的準(zhǔn)確評(píng)價(jià)[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(guò)來(lái)的。模擬退火法優(yōu)點(diǎn)在于具有通用性強(qiáng)、計(jì)算過(guò)程簡(jiǎn)單、運(yùn)行效率高、對(duì)分析主體的初始狀態(tài)要求不高，以及擅長(zhǎng)解決非線性?xún)?yōu)化問(wèn)題等特征，能有效解決大規(guī)模的又較復(fù)雜的優(yōu)化組合問(wèn)題。其方法能有效跳出局部最優(yōu)，得到全局最優(yōu)，因?yàn)樗軌蛟谀扯螘r(shí)間內(nèi)提供某一空間內(nèi)的近似最優(yōu)解。模擬退火法能保證算法的穩(wěn)定性，在每步迭代過(guò)程中，模擬退火法接受次優(yōu)解的概率會(huì)隨著時(shí)間的推移而逐漸降低。

模擬退火法在森林景觀運(yùn)營(yíng)管理、景觀配置等方面應(yīng)用較多。采用模擬退火算法建立不同優(yōu)化景觀空間規(guī)劃的模型，對(duì)于不同空間約束形式形成的規(guī)劃效果進(jìn)行量化比較，以最優(yōu)的方式此尋求景觀空間結(jié)構(gòu)最合理的構(gòu)成和配置需求[5]。對(duì)景觀在不同階段持續(xù)的動(dòng)態(tài)變化，不同階段的不同價(jià)值指標(biāo)，采用并行模擬退火算法，在獨(dú)立搜索與合作搜索的共同作用下得出全局最優(yōu)解，這樣能更好更有效地對(duì)景觀資源進(jìn)行科學(xué)管理[6]。通過(guò)恢復(fù)植被為鳥(niǎo)類(lèi)修復(fù)生境，利用模擬退火法和迭代改進(jìn)啟發(fā)式算法，尋找到預(yù)算大小的有效解和不同目標(biāo)函數(shù)來(lái)確定景觀資源配置，最大限度地實(shí)現(xiàn)所有植被景觀的預(yù)計(jì)數(shù)量[7]。

2.2 人工生命類(lèi)

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(guī)律與特質(zhì)，對(duì)具有自然生命行為特征的人工系統(tǒng)通過(guò)建模模擬自然生命現(xiàn)象，探索生命進(jìn)化規(guī)律。人工生命是一種自下而上的分布式系統(tǒng)模型，為解決復(fù)雜現(xiàn)象的行為提供了新的解決方法[8]。風(fēng)景園林的研究中，人工生命類(lèi)主要用于風(fēng)景園林中復(fù)雜現(xiàn)象的模擬，以此驗(yàn)證或預(yù)測(cè)實(shí)施的策略。風(fēng)景園林研究中應(yīng)用人工生命類(lèi)技術(shù)主要有智能體模型、多智能體系統(tǒng)、元胞自動(dòng)機(jī)等。

2.2.1 智能體模型與多智能體系統(tǒng) 1971年謝林最初提出智能體模型(ABM)的基本概念，到21世紀(jì)初，智能體模型被廣泛應(yīng)用于在風(fēng)景園林的各個(gè)方面。其中，智能體（計(jì)算機(jī)軟件的智能行為）在風(fēng)景園林研究領(lǐng)域如設(shè)計(jì)師智能體、城市智能體、市民行為智能體等是完全異質(zhì)的，沒(méi)有全局?jǐn)?shù)據(jù)或全局控制，每個(gè)智能體按照自身屬性規(guī)則運(yùn)行。而且根據(jù)解決問(wèn)題的需要，智能體可以自由組合或刪除。

用來(lái)模擬多個(gè)智能體交互作用和同時(shí)行動(dòng)的計(jì)算通過(guò)采取“自下而上”的涌現(xiàn)方法，可以模擬極其復(fù)雜多變的景觀狀態(tài)。多智能體系統(tǒng)在風(fēng)景園林研究中具有：自主地選擇合適方案解決問(wèn)題；能夠根據(jù)自己的步調(diào)使彼此之間異步運(yùn)行；能運(yùn)用模擬、推理等多種方式來(lái)學(xué)習(xí)風(fēng)景園林知識(shí)；可通過(guò)多個(gè)智能體協(xié)調(diào)合作解決單一智能體無(wú)法解答的難題；智能體可以是不同的景觀元素，運(yùn)用的設(shè)計(jì)方法和計(jì)算機(jī)語(yǔ)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(wèn)題等優(yōu)越性[9]。多智能體系統(tǒng)與傳統(tǒng)的風(fēng)景園林研究方法相比，多智能體系統(tǒng)能給予景觀空間開(kāi)發(fā)更多的可能性，可提供更多的量化數(shù)據(jù)。

物種擴(kuò)散與生存與林地空間格局有關(guān)，也與生態(tài)網(wǎng)絡(luò)保護(hù)框架關(guān)系密切。有學(xué)者在GIS平臺(tái)建立了智能體的生態(tài)格局評(píng)價(jià)模型，分析了它們對(duì)物種擴(kuò)散與生存的影響[10]。土地利用未來(lái)發(fā)展?fàn)顩r方面，侯賽因阿里等構(gòu)建了未來(lái)土地利用的多智能體系統(tǒng)預(yù)測(cè)模型，通過(guò)采用現(xiàn)有數(shù)據(jù)校準(zhǔn)，模擬了4種未來(lái)發(fā)展情景[11]。博恩等[12]利用智能體模型能夠?qū)W習(xí)特性，通過(guò)時(shí)空知識(shí)設(shè)計(jì)獲得自然資源管理方案的最優(yōu)解；萊頓柏格等[13]利用多智能體系統(tǒng)，基于多個(gè)決策主體因素對(duì)荷蘭某區(qū)域的土地使用規(guī)劃進(jìn)行模擬，為土地利用的空間布局和未來(lái)使用提供了最佳的決策方案。

VPA處理可顯著抑制SH-SY5Y細(xì)胞中自噬標(biāo)志蛋白LC3-II的水平（圖8），同時(shí)還抑制p62的降解，但不影響B(tài)eclin1的表達(dá)；而使用miR-34c-5p抑制劑聯(lián)合處理則可使LC3-II與p62的水平得到恢復(fù)。聯(lián)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(dòng)機(jī) 元胞自動(dòng)機(jī)(CA)模型主要用于解決自然領(lǐng)域里的動(dòng)態(tài)系統(tǒng)模擬問(wèn)題，其概念最早由諾依曼和烏拉姆提出，隨后被廣泛應(yīng)用于空間生態(tài)學(xué)、景觀更替、城市增長(zhǎng)過(guò)程等的模擬。元胞自動(dòng)機(jī)模擬能展現(xiàn)景觀演進(jìn)規(guī)律與過(guò)程及內(nèi)在機(jī)制，幫助預(yù)測(cè)景觀的未來(lái)發(fā)展態(tài)勢(shì)，能為風(fēng)景園林建設(shè)和城市發(fā)展布局管理提供依據(jù)。

改進(jìn)的元胞自動(dòng)機(jī)模型能預(yù)測(cè)城市在內(nèi)生發(fā)展、歷史外推、外生發(fā)展3種狀況下的演變空間過(guò)程與規(guī)律，從中能得到影響城市形態(tài)擴(kuò)展的主要因素，這對(duì)制定城市發(fā)展規(guī)劃有利[14]。阿克約爾等[15]利用地理、景觀信息建立元胞自動(dòng)機(jī)模型，自動(dòng)模擬生成未來(lái)的城市景觀，形成的模擬環(huán)境可檢驗(yàn)原來(lái)的設(shè)計(jì)是否合理，有利于完善原來(lái)的設(shè)計(jì)方案。元胞自動(dòng)機(jī)模型在城市空間形態(tài)與土地利用模擬方面也得到很好應(yīng)用，在一種基于慣性權(quán)重粒子群優(yōu)化的城市增長(zhǎng)元胞自動(dòng)機(jī)模型模擬城市動(dòng)力學(xué)，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(dòng)機(jī)模型與灰色局勢(shì)決策方法相結(jié)合，能獲得鄰域轉(zhuǎn)換規(guī)則，同時(shí)考慮了模擬轉(zhuǎn)換時(shí)的隨機(jī)性因素，對(duì)景觀格局的動(dòng)態(tài)進(jìn)行模擬，能驗(yàn)證在景觀格局動(dòng)態(tài)變化預(yù)測(cè)中的有效性與可行性[17]。

目前，在預(yù)測(cè)空間格局演化、未來(lái)土地利用動(dòng)態(tài)等領(lǐng)域的元胞自動(dòng)機(jī)模擬應(yīng)用已較為成熟，然而元胞自動(dòng)機(jī)模型在景觀格局的時(shí)空變化的模擬上應(yīng)用尚少。這方面還需眾多景觀規(guī)劃研究者在元胞自動(dòng)機(jī)模擬應(yīng)用上進(jìn)行深入研究。

2.3 機(jī)器學(xué)習(xí)類(lèi)

機(jī)器學(xué)習(xí)包括3種類(lèi)型：（1）直接模擬人類(lèi)對(duì)概念進(jìn)行判定的樹(shù)形流程，其代表算法為決策樹(shù)，稱(chēng)之為符號(hào)主義學(xué)習(xí)。（2）連接主義學(xué)習(xí)，其代表為人工神經(jīng)網(wǎng)絡(luò)，目前在工程領(lǐng)域的應(yīng)用效果是最好的。（3）主要是結(jié)合推斷統(tǒng)計(jì)學(xué)的理論成果，其代表為支持向量機(jī)，故稱(chēng)之為統(tǒng)計(jì)學(xué)習(xí)。機(jī)器學(xué)習(xí)主要可以解決風(fēng)景園林中每個(gè)元素對(duì)于景觀結(jié)果的影響問(wèn)題，評(píng)分問(wèn)題，分類(lèi)問(wèn)題，應(yīng)用較為廣泛的是連接主義學(xué)習(xí)和符號(hào)主義，如卷積神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和決策樹(shù)等[18]。

2.3.1 卷積神經(jīng)網(wǎng)絡(luò) 深度學(xué)習(xí)是最具代表意義的復(fù)雜神經(jīng)網(wǎng)絡(luò)模型的算法，而卷積神經(jīng)網(wǎng)絡(luò)(CNN)又是深度學(xué)習(xí)中關(guān)注度最高、最為典型的算法。卷積神經(jīng)網(wǎng)絡(luò)具有權(quán)值共享、局部連接及多層結(jié)構(gòu)的特征[19]，通過(guò)增加層次深度改善擬合目標(biāo)函數(shù)，能更好地發(fā)現(xiàn)特征，可解決更為復(fù)雜的分類(lèi)問(wèn)題。

能夠自動(dòng)學(xué)習(xí)是卷積神經(jīng)網(wǎng)絡(luò)特征，且具有提取抽象的優(yōu)點(diǎn)，利用Seg Net（卷積神經(jīng)網(wǎng)絡(luò)圖像語(yǔ)義分割工具）在風(fēng)景園林圖片信息識(shí)別，因而在分類(lèi)上廣泛應(yīng)用。將公益協(xié)作模式和卷積神經(jīng)網(wǎng)絡(luò)工具(Seg Net)相結(jié)合，基于騰訊街景圖片，評(píng)估街道空間的物理視覺(jué)質(zhì)量，這是一種對(duì)大面積街道空間進(jìn)行視覺(jué)質(zhì)量評(píng)價(jià)和變異識(shí)別的新方法[20]。已有研究證明經(jīng)過(guò)預(yù)處理卷積神經(jīng)網(wǎng)絡(luò)對(duì)高清遙感影像具有較好的泛化能力和城市形態(tài)特征發(fā)現(xiàn)能力[21]。運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)模型的圖像分割技術(shù)，從街道圖像中能得到綠化空間分布信息以及街谷開(kāi)闊程度的計(jì)算值[22]。采用Seg Net將街景圖片中的像素點(diǎn)準(zhǔn)確識(shí)別為綠化、建筑、天空等具象要素，可為后續(xù)綠化要素比值運(yùn)算提供可靠信息[23]。

卷積神經(jīng)網(wǎng)絡(luò)仍存在一些有待改善的不足之處，如果學(xué)習(xí)數(shù)據(jù)與測(cè)試數(shù)據(jù)分布不同，容易導(dǎo)致識(shí)別結(jié)果不準(zhǔn)確[24]。而且，與人工神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)需要更多的數(shù)據(jù)用于學(xué)習(xí)，構(gòu)建模型也比人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜許多。

2.3.2 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)(ANN)能夠像生物神經(jīng)系統(tǒng)一樣與現(xiàn)實(shí)世界進(jìn)行交互，由簡(jiǎn)單單元并行互聯(lián)網(wǎng)絡(luò)組成。在認(rèn)知科學(xué)和機(jī)器學(xué)習(xí)范疇內(nèi)，人工神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力，網(wǎng)絡(luò)會(huì)通過(guò)學(xué)習(xí)自動(dòng)識(shí)別出相似的圖像，這種功能對(duì)于風(fēng)景園林領(lǐng)域的預(yù)測(cè)問(wèn)題具有重要意義；而且它的表達(dá)能力強(qiáng)，能充分逼近復(fù)雜的非線性關(guān)系。具有聯(lián)想記憶能力也是人工神經(jīng)網(wǎng)絡(luò)的一個(gè)特征，當(dāng)修改或添加新特征時(shí)，只訓(xùn)練新特征對(duì)應(yīng)的參數(shù)，對(duì)原先的網(wǎng)絡(luò)參數(shù)影響不大。因此，人工神經(jīng)網(wǎng)絡(luò)可為風(fēng)景園林設(shè)計(jì)與資源管理提供科學(xué)高效的研究方法與理論依據(jù)。近年來(lái)人工神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用模擬預(yù)測(cè)、評(píng)價(jià)和景觀分類(lèi)等研究領(lǐng)域。塔伊布等[25]提出了一種利用人工神經(jīng)網(wǎng)絡(luò)、GIS和遙感信息模擬幾何形狀的城市增長(zhǎng)邊界模型，預(yù)測(cè)城市增長(zhǎng)，保護(hù)周?chē)泥l(xiāng)村景觀。有學(xué)者利用人工神經(jīng)網(wǎng)絡(luò)探討了街區(qū)密度、建筑高度、零售土地使用、街道寬度和與街道可達(dá)性之間的關(guān)系[26]。土地覆蓋分類(lèi)用人工神經(jīng)網(wǎng)絡(luò)分類(lèi)器和專(zhuān)家系統(tǒng)分類(lèi)器結(jié)合建模，能大大提高分類(lèi)精度[27]。森林結(jié)構(gòu)變化分析中，人工神經(jīng)網(wǎng)絡(luò)結(jié)合移動(dòng)窗口法，利用人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)強(qiáng)、快速尋優(yōu)、泛化力強(qiáng)等特點(diǎn)，能對(duì)森林結(jié)構(gòu)變化進(jìn)行模擬分析[28]。蘇塞克斯等[29]采用人工神經(jīng)網(wǎng)絡(luò)，結(jié)合高清航拍影像，實(shí)現(xiàn)了對(duì)道路區(qū)域的精確分類(lèi)，降低了自動(dòng)提取城市道路網(wǎng)的復(fù)雜性。

與傳統(tǒng)方法相比，人工神經(jīng)網(wǎng)絡(luò)能有效處理風(fēng)景園林中的非線性問(wèn)題，可為風(fēng)景園林設(shè)計(jì)實(shí)踐與資源管理提供科學(xué)高效的研究方法與理論依據(jù)。但是，人工神經(jīng)網(wǎng)絡(luò)像黑箱一樣，學(xué)習(xí)的過(guò)程是不可見(jiàn)的，沒(méi)有任何規(guī)律，輸出結(jié)果難以解釋。

2.3.3 決策樹(shù) 決策樹(shù)(DT)與人類(lèi)推理相似，所需數(shù)據(jù)簡(jiǎn)單，可兼顧常規(guī)數(shù)據(jù)和處理數(shù)據(jù)。對(duì)多屬性數(shù)據(jù)源建立的決策樹(shù)其擴(kuò)展性強(qiáng)，通過(guò)決策樹(shù)利用大數(shù)據(jù)作某種決策時(shí)具有速度快、效果好等特點(diǎn)。

決策樹(shù)己被廣泛應(yīng)用于景觀分類(lèi)，景觀空間布局和風(fēng)景園林設(shè)計(jì)領(lǐng)域。齊樂(lè)等[30]運(yùn)用決策樹(shù)分類(lèi)技術(shù)，提高了遙感影像的分類(lèi)精度，實(shí)現(xiàn)了計(jì)算機(jī)高精度的遙感影像分類(lèi)；內(nèi)德等[31]提出了運(yùn)用決策樹(shù)分析步行目的與人們對(duì)步行景觀質(zhì)量感知之間的關(guān)系模型；運(yùn)用決策樹(shù)對(duì)城市形態(tài)特征進(jìn)行分類(lèi)，范得海根等[32]在此基礎(chǔ)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(shù)、結(jié)構(gòu)分類(lèi)技術(shù)、GIS和決策樹(shù)，根據(jù)景觀特性建立了侵蝕因子的決策樹(shù)回歸模型。

決策樹(shù)增多可能帶來(lái)的過(guò)度擬合問(wèn)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(jī)森林 為了解決決策樹(shù)泛化能力弱的問(wèn)題，對(duì)決策樹(shù)進(jìn)行改進(jìn)就出現(xiàn)了隨機(jī)森林(RF)算法。隨機(jī)森林能夠在運(yùn)用小規(guī)模的訓(xùn)練樣本以及有限計(jì)算量的情況下，保持運(yùn)算的準(zhǔn)確性，能較好地處理異常值問(wèn)題，可以評(píng)估變數(shù)的重要程度，提高了問(wèn)題預(yù)測(cè)的準(zhǔn)確性。

隨著隨機(jī)森林算法逐漸成熟，也逐漸用于風(fēng)景園林學(xué)等領(lǐng)域的分類(lèi)和預(yù)測(cè)問(wèn)題。在變量重要性分析研究中，通過(guò)隨機(jī)森林算法建模得出園林植物優(yōu)選系統(tǒng)中分析變量的相對(duì)重要性結(jié)果[34]。使用隨機(jī)森林回歸樹(shù)分析，評(píng)估了河流棲息地不同預(yù)測(cè)變量反應(yīng)變化中的重要性[35]；基于GF-2遙感數(shù)據(jù)，運(yùn)用隨機(jī)森林算法建立了高精度的濕地分類(lèi)模型[36]。利用隨機(jī)森林模型得出了影響訪視率空間變化的社會(huì)經(jīng)濟(jì)因素和生物物理學(xué)因素[37]。運(yùn)用地面植被蓋度信息和衛(wèi)星遙感影像生成隨機(jī)森林回歸模型，能很好預(yù)測(cè)草場(chǎng)植被蓋度的變化趨勢(shì)[38]。彼得斯等[39]在景觀生態(tài)水文研究中建立隨機(jī)森林模型，能得到研究區(qū)域內(nèi)植被類(lèi)型分布變化的預(yù)測(cè)結(jié)果。利用隨機(jī)森林較好的擬合性建立山洪災(zāi)害模型，能較準(zhǔn)確預(yù)測(cè)災(zāi)害風(fēng)險(xiǎn)度[40]。

隨機(jī)森林算法在景觀生態(tài)領(lǐng)域中預(yù)測(cè)環(huán)境發(fā)展、植被分類(lèi)、景觀土地利用對(duì)景觀生態(tài)的影響，以及分析景觀中的變量重要性等是一種高效的預(yù)測(cè)工具。

3 混合智能系統(tǒng)

風(fēng)景園林作為一個(gè)由多種因素共同影響的復(fù)雜綜合體，利用單一智能技術(shù)是不能完全解決錯(cuò)縱復(fù)雜的問(wèn)題。這就迫使尋求更優(yōu)的技術(shù)與方法，一種將多種智能算法結(jié)合起來(lái)的混合智能系統(tǒng)由此而產(chǎn)生了。

神經(jīng)網(wǎng)絡(luò)(NN)對(duì)識(shí)別相關(guān)知識(shí)比元胞自動(dòng)機(jī)模型高效。有研究者利用元胞自動(dòng)機(jī)和學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)能自動(dòng)找到土地利用的元胞轉(zhuǎn)換規(guī)則，建立元胞自動(dòng)機(jī)-神經(jīng)網(wǎng)絡(luò)(CA-NN)模型，根據(jù)不同時(shí)相遙感數(shù)據(jù)，尋找土地利用演變的內(nèi)在規(guī)律并預(yù)測(cè)土地利用格局[41]。神經(jīng)網(wǎng)絡(luò)的內(nèi)部參數(shù)具有自適應(yīng)性和實(shí)時(shí)性及較高的分類(lèi)性能，默奇卡科等[42]將專(zhuān)家知識(shí)與神經(jīng)網(wǎng)絡(luò)分類(lèi)器相結(jié)合(Hybrid-NN)，能夠根據(jù)美景度對(duì)景觀圖像進(jìn)行分類(lèi)。利用遺傳算法將元胞自動(dòng)機(jī)參數(shù)編碼成染色體，通過(guò)比對(duì)模擬數(shù)據(jù)與真實(shí)情況進(jìn)行優(yōu)化，建立土地利用遺傳算法-元胞自動(dòng)機(jī)模型(CA-GA)，分析景觀變化機(jī)理[43]。利用遺傳算法在運(yùn)算精確度的優(yōu)勢(shì)和元胞自動(dòng)機(jī)的轉(zhuǎn)換規(guī)則建模，能提升城市格局變化預(yù)測(cè)的精度，如張大川等利用遺傳算法-元胞自動(dòng)機(jī)(RF-CA)模型預(yù)測(cè)不同類(lèi)別的土地利用情況和變化趨勢(shì)，準(zhǔn)確地獲取了各空間變量參數(shù)[44]。有研究者利用多智能體代表居民、開(kāi)發(fā)商及政府，元胞自動(dòng)機(jī)表征城市擴(kuò)張模擬的空間環(huán)境和城市發(fā)展的空間自組織性，構(gòu)建元胞自動(dòng)機(jī)-多智能體(CA-ABM)模型。這個(gè)模型具有多智能體的學(xué)習(xí)能力和決策能力，以及元胞自動(dòng)機(jī)的空間自組織性，從而能更精確地模擬景觀動(dòng)態(tài)演化過(guò)程[45]。

目前，混合智能系統(tǒng)技術(shù)并不完全成熟，還需要眾多先進(jìn)技術(shù)不斷完善。同時(shí)，混合智能系統(tǒng)在當(dāng)前的風(fēng)景園林研究中應(yīng)用也還處于起步階段，還有很大的發(fā)展空間，在這方面的實(shí)踐應(yīng)用還有待加強(qiáng)。

4 結(jié)語(yǔ)

本研究雖不能囊括人工智能技術(shù)在風(fēng)景園林中的應(yīng)用全貌，但還是展現(xiàn)了風(fēng)景園林研究智能化的發(fā)展趨勢(shì)。當(dāng)前人工智能技術(shù)在生物學(xué)、城市規(guī)劃、地理學(xué)等多學(xué)科的綜合研究中應(yīng)用較多，在風(fēng)景園林研究中應(yīng)用尚處于初級(jí)階段。從人工智能技術(shù)在風(fēng)景園林研究應(yīng)用情況來(lái)看，風(fēng)景園林設(shè)計(jì)方面應(yīng)用較少，一般用于風(fēng)景園林研究的調(diào)查分析、模擬預(yù)測(cè)和評(píng)估方面。風(fēng)景園林設(shè)計(jì)是客觀條件與人類(lèi)主觀情感共同作用的結(jié)果，現(xiàn)階段應(yīng)用的人工智能還屬于弱人工智能，不能完全具有人類(lèi)情感的自主意識(shí)，不能代替人類(lèi)的情感需求。因此，對(duì)風(fēng)景園林研究而言，人工智能模型應(yīng)用的有效性及應(yīng)用的廣度和深度有待提升。盡管風(fēng)景園林研究中越來(lái)越多地應(yīng)用到人工智能技術(shù)，但人工智能解決風(fēng)景園林的不確定性和復(fù)雜性問(wèn)題的能力仍然達(dá)不到人們預(yù)先要求，將風(fēng)景園林的不確定性和復(fù)雜性問(wèn)題整合到一個(gè)系統(tǒng)框架中進(jìn)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(shù)還不夠完善，目前還沒(méi)有較適用的多種人工智能方法集成的高級(jí)架構(gòu)。其次，在風(fēng)景園林研究中構(gòu)建人工智能模型不僅要具有風(fēng)景園林知識(shí)，還需要具有計(jì)算機(jī)科學(xué)、地理和生物等多學(xué)科知識(shí)，如果某一專(zhuān)業(yè)知識(shí)的有所欠缺，就不能構(gòu)建理想的人工智能模型。這就要求每個(gè)建模者應(yīng)具有較為廣泛的知識(shí)面。盡管當(dāng)前風(fēng)景園林中運(yùn)用人工智能技術(shù)尚不成熟，但隨人工智能技術(shù)的飛速發(fā)展，更多人工智能將會(huì)運(yùn)用到風(fēng)景園林研究中。未來(lái)風(fēng)景園林的智能化發(fā)展，需要積極嘗試集成多種技術(shù)建立混合人工智能方法的景觀模型，加快風(fēng)景園林研究的自動(dòng)化水平。