風景園林研究中的人工智能方法綜述

趙 晶

曹 易*

從模擬仿真到景觀可視化，從虛擬現實、增強現實到算法設計，風景園林研究逐漸步入了數字化時代，尤其是隨著人工智能技術的迅速發展，針對風景園林中的模擬推演論證、參數分析調優，元素與目標的因果分析等問題，人工智能技術表現出高度的分析能力、嚴密的推理能力、準確的擇優能力，以及高效的資料-知識轉化能力等突出優點。本文將風景園林研究中常用的人工智能技術進行分類，總結了常用的智能技術特點、每類技術可解決的風景園林問題類型，并篩選了對應的風景園林研究成果進行綜述，力圖展現人工智能解決風景園林問題的多種可能，促進風景園林智能化發展。

1 風景園林中的人工智能相關概念及分類

1.1 相關概念

人工智能(Artificial Intelligence)的概念早在1956年由麥卡錫(McCarthy)在達特茅斯(Dartmouth)學會上正式提出，雖然定義尚未統一，但此后有關人工智能的解釋不斷涌現，如美國斯坦福大學人工智能研究中心的尼爾松(Nilson)教授認為“人工智能是關于知識的學科——怎樣表示知識以及怎樣獲得知識并使用知識的學科”[1]。作為21世紀的三大尖端技術之一，人工智能極富挑戰性，從狹義上講，人工智能是計算機學科的一個分支；從廣義上講，它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]。

人工智能在城市空間、建筑領域的應用始于20世紀70年代[3]。近10年來，隨著互聯網帶來的巨大變革，人工智能已在風景園林的多個研究方向進行了應用探索，隨著研究深度與廣度的增強，風景園林智能化逐漸形成。筆者認為，風景園林中的人工智能是通過智能機制將風景園林中復雜的定性描述轉化為定量分析和設計模型的過程。人工智能技術在風景園林研究中的作用主要體現在2個方面：1)運用人工智能算法和思維對風景園林研究中的相關數據進行高效、準確地計算與分析，從中挖掘知識與規律；2)針對風景園林研究中的復雜性、疑難性問題，建立風景園林智能模型，揭示現象背后的內在機理。基于此，本文中的人工智能主要指“弱人工智能”：能夠制定并運用技術規則實現特定目標，執行能力一般優于人類[4]。其核心在于應用人工智能技術取代過去由人腦處理的工作，提升風景園林研究的信度、效度與準確性。

1.2 人工智能在風景園林研究中的分類

目前，人工智能的主流分類方法主要有2種，一種如前文所述，基于時間的發展，人工智能可分為“推理型”(如邏輯推理、定理證明等)、“知識型”(如專家系統等)和“學習型”(如深度學習、支持向量機等)。另一種是依據人工智能的算法類型，分為“符號主義”(如專家系統、知識工程等)、“連接主義”(如神經網絡)和“行為主義”(如多自主體、元胞自動機等)[5]。符號主義是采用邏輯推理方法，推演出整個理論體系來模擬類人智能的過程；連接主義是利用機器模擬人類大腦的神經系統與連接方式；行為主義是通過行為活動來控制智能的新方法，具有定量化研究屬性。

基于前文對人工智能相關概念的界定，根據人工智能技術的屬性、功能，以及可解決的風景園林問題類型，將近年來應用于風景園林領域的人工智能方法劃分為3類：人工生命類、智能隨機優化類和機器學習類(表1)。

2 風景園林研究中的人工智能方法應用進展

2.1 人工生命類(Artificial Life)

人工生命的概念是由計算機科學家蘭德勒(Christopher Landon)在1987年首次提出，是對具有自然生命行為特征的人工系統進行研究。它遵循自然界的規律與特質，通過人工系統的建模方法及核心算法，模擬自然生命現象，探索生命進化規律，為解決復雜現象的行為提供了新的解決方法，是一種自下而上的分布式系統模型[6]。人工生命類主要可以解決風景園林中的模擬問題，以及驗證或預測實施的策略，典型技術包括元胞自動機、智能體模型與多智能體系統等。

2.1.1 元胞自動機(Cellular Automata)

元胞自動機(CA)又叫細胞自動機，由元胞、元胞狀態、鄰域和狀態更新規則構成[7]。CA的概念最早由諾依曼(Von Neumann)和烏拉姆(Ulam)提出，主要用于解決自然領域里的動態系統模擬問題。1980年開始，CA逐漸在地理學研究中嶄露頭角，如城市土地動力學模擬預測、交通流的預測等。它被廣泛應用于城市增長過程、景觀更替、空間生態學和土地動力學等的模擬建模，展現了景觀演進的內在機制和法則，幫助預測景觀的未來發展形勢，進而為風景園林的管理與規劃提供保障。

表1 人工智能在風景園林研究中的分類

在景觀格局模擬方面，李暉等運用CA技術進行景觀格局的動態模擬，并結合灰色局勢決策方法獲得鄰域轉換規則，同時考慮了模擬轉換時的隨機性因素，驗證了CA在景觀格局動態變化預測中的可行性與有效性[8]。阿克約爾(Akyol)等運用CA模型與地理、景觀信息相結合，自動模擬生成未來的城市景觀，形成的模擬環境可測試潛在的設計解決方案[9]。

在城市土地利用與空間形態模擬方面，馮(Feng)等提出了一種基于慣性權重粒子群優化的城市增長CA模型，將群體智能引入城市建模中，減少了模擬的不確定性，建立了高效的CA模型來模擬城市動力學[10]；黃煥春等運用改進的logistic-CA模型，來模擬預測天津市濱海地區2011—2020年3種狀況下(歷史外推、內生發展、外生發展)城市形態的演化空間過程特征，進一步獲取影響城市形態擴展的要素，掌握城市發展過程[11]。

近年來，CA模型在模擬土地利用模式、預測空間格局演化等領域的應用已較為成熟，但在景觀格局模擬上應用尚少。由于CA能夠利用簡單有效的規則對復雜系統進行建模，因此可以逐漸發展成為可持續景觀規劃的一種新型表現技術。

2.1.2 智能體模型(Agent-based Model)與多智能體系統(Multi-agent System)

1971年，謝林(Thomas Schelling)在分割模型中首次提出智能體模型(ABM)的基本概念，到21世紀初，ABM已被應用于風景園林、建筑和城市規劃的各個層面，如設計和模擬人流、評估城市環境等。其中，“agent”表示計算機軟件的智能行為，稱為智能體。在風景園林研究領域，agent可以是個體或組合，如城市智能體、設計師智能體、市民行為智能體等，每個智能體按照自身屬性規則運行；可以是完全異質的，沒有全局數據或全局控制；依問題需求，可自由加入和刪除等。

多智能體系統(MAS)是一種用來模擬多個智能體同時行動和交互作用的計算模型，由不同專家合作求解，再現和預測復雜現象，它可以將龐大復雜的系統轉換成小而簡單、方便管理的系統。它通過采取“自下而上”的涌現方法，可以模擬極其復雜多變的景觀情況。在風景園林研究中，它的優勢主要體現在如下幾個方面。1)智能性。運用推理、模擬等多種方式來學習曾經接觸或給定的風景園林知識。2)自主性。根據問題，自主地選擇合適的解決方案，并對景觀環境產生影響。3)協調性。作為一個集成系統，通過多個智能體的合作解決單一智能體無法解答的難題。4)異步性。由于每個智能體都有自主性，因此能夠根據自己的步調使彼此之間異步運行。5)溝通性。智能體之間能夠互相交流，高效處理問題。6)異質性與分布性。作為分布式人工智能的分支，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不相同[12]。

在風景園林設計與城市規劃方面，不同的決策者可以成為智能體進行模擬預測。萊頓柏格(Ligtenberg)等以荷蘭某區域的土地使用規劃情況為例，利用MAS基于多個決策主體因素模擬場景的空間規劃[13]；侯賽因阿里(Farhad Hosseinali)等提出了一種基于ABM的未來土地利用預測模型，對伊朗加茲溫省的城市土地利用進行模擬，通過采用現有數據校準，測試了4種未來發展情景[14]。

在自然資源管理方面，博恩(Bone)等發現智能體模型能夠通過學習，利用時空知識設計出提取自然資源方案的最優解[15]；傅強等基于GIS平臺建立了智能體的生態格局評價模型，發現了不同林地空間格局及生態網絡保護框架對于物種生存與擴散的影響[16]。

MAS作為景觀系統分析與模擬的重要工具，通過預測模擬，給予了景觀空間開發更多的可能性，相較于傳統的風景園林研究方法，可提供更多的量化數據。

2.2 智能隨機優化類(Intelligent Stochastic Optimization Processes)

隨機優化方法(SO)是一種生成并利用隨機元素的優化算法，隨機元素不僅包括數據的隨機性，還包括算法本身的隨機性。在風景園林研究中，智能隨機優化方法主要用于求解優化問題的最優解。這類問題對任意解有確定的評價方法，但試遍全部可能解而找出最優解的時間成本太高，因此引入隨機元素來加速搜索過程，不僅能高效地找到最優解，而且對模型的誤差具有魯棒性[17]。又因為隨機性的引入，更容易找到全局最優解，而避免陷入局部最優解。它主要可以解決景觀決策中的參數調整、全局尋優的問題。常見的隨機優化方法主要包括遺傳算法和模擬退火法。

2.2.1 遺傳算法(Genetic Algorithms)

遺傳算法(GA)由霍蘭德(John Holland)在20世紀70年代初率先提出，是一種基于自然選擇和種群遺傳學機制的概率搜索算法。與應用于風景園林的其他算法相比，GA能夠跳出局部最優而找到全局最優解，能夠使用極其復雜的適應度函數，并控制變量的變化范圍。作為一種進化算法，它的優勢還表現在具有快速搜索能力，搜索過程簡單，具有隨機性、并行性、自適應性與可擴展性，容易與其他算法結合等。

除了能夠模擬自然界中的現象外，GA現已被廣泛用于解決各個領域的優化問題，以及涉及隨機性的系統建模、模擬和預測等領域，尤其擅長處理環境復雜、約束條件眾多的風景園林研究問題。近年來，GA在輔助景觀評價、景觀數據分析，以及尋優上應用較多。高(Yang Gao)等以不同時期的遙感數據為基本數據源，選取并構建了聚集度、景觀破碎度、景觀形狀指數、Shannon多樣性指數、景觀脆弱度指數和景觀安全鄰接指數，基于GA的投影尋蹤方法，生成景觀生態安全指數，有效提升了景觀生態安全評價效果[18]；張郴等以旅游城市南京為例，運用GA的特征選擇方式搜索城市文化景觀的表征形式與表征機制，為旅游定量研究提供了由數據驅動的智能化研究手段[19]。

GA的運行與人類思維邏輯習慣近似，但GA對初始值及參數的設定要求較高，要求研究者對參數調優具有較豐富的經驗。目前其在風景園林研究中的應用還很有限，需要更多的實踐嘗試。

2.2.2 模擬退火法(Simulated Annealing)

模擬退火法由梅特羅波利斯(Metropolis)等在1953年首次提出[20]，是一種和固體材料退火原理類似的算法。作為一種優化算法，它通常能夠在一段時間內提供某一空間內的近似最優解，從而有效跳出局部最優，得到全局最優。SA對分析主體的初始狀態要求較低，可有效解決復雜的大規模優化組合問題。在每步迭代過程中，SA接受次優解的概率會隨著時間的推移而逐漸降低，這也保證了算法的穩定性。

模擬退火法在森林景觀運營管理、景觀配置等方面有著明顯優勢，與其他算法相比具有計算過程簡單、通用性強、運行效率高、受初始條件約束少，以及擅長解決非線性優化問題等特征。韋斯特法爾(Westphal)等在南澳大利亞高山山脈通過恢復植被為鳥類修復生境，為確定景觀配置，利用SA和迭代改進啟發式算法，尋找到不同目標函數和預算大小的有效解，最大限度地實現所有植被景觀的預計數量[21]；于慧伶等運用并行模擬退火算法針對森林在不同階段的不同價值指標，以及持續的動態變化，研究在獨立搜索與合作搜索的共同作用下，接收各自線程的局部優化解，對比后得出全局最優解，進而實現高效低成本的森林管理[22]；董靈波等采用SA算法建立了3種優化森林空間規劃的模型，通過量化方法比較不同空間約束形式形成的規劃效果，以一種近似最優的方式完成森林空間結構的構成和配置需求[23]。

2.3 機器學習類(Machine Learning)

機器學習是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法，作為人工智能的一個分支，自20世紀80年代以來被研究最多、應用最廣的是“從樣例中學習”，主要包括3種類型：1)符號主義學習，其代表算法為決策樹，直接模擬了人類對概念進行判定的樹形流程；2)連接主義學習，其代表為人工神經網絡，以及近期發展很快的深度學習，雖然產生的結果可解釋性較差，但在工程領域的應用效果是最好的；3)基于統計學習，其代表為支持向量機，主要是結合推斷統計學的理論成果。機器學習主要可以解決風景園林中的分類問題、評分問題，以及每個元素對于景觀結果的影響問題。在風景園林中應用較為廣泛的是符號主義和連接主義學習，如人工神經網絡、卷積神經網絡、決策樹和隨機森林等。

2.3.1 人工神經網絡(Artificial Neural Network)

人工神經網絡(ANN)是由簡單單元(通常具有自適應性)組成的大規模并行互聯網絡，能夠像生物神經系統一樣與現實世界進行交互[24]。在機器學習和認知科學范疇內，它被稱作一種具有學習能力和泛化能力的信息處理系統。

近幾十年來，ANN受到生物神經和大腦結構的啟發，大量原始技術可用于解決風景園林實踐問題，它的主要優點表現為：1)學習能力，如將待識別的圖像與應識別的效果輸入神經網絡，網絡就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；2)ANN利用激活函數和多隱層的結構，表達能力大大增強，能充分逼近復雜的非線性關系；3)聯想記憶能力，一個訓練好的ANN網絡，每一層的網絡參數都具有固定意義，當新添加或修改特征時，可保留原先的網絡參數，只訓練新特征對應的參數。但同時，ANN像黑箱一樣，沒有任何規律，學習的過程是不可見的，輸出結果難以解釋。

目前在風景園林學中，ANN已被廣泛應用于景觀分類、模擬預測和評價等研究領域。在景觀信息分類研究中，劉(Liu)等提出了一種基于規則的專家系統分類器和ANN分類器的分類集成方法，提高了土地覆蓋分類精度[25]；蘇塞克斯(Tatiana Sussel)等采用ANN，結合高清航拍影像和激光衍生圖像，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[26]。

在景觀的模擬預測研究中，塔伊布(Tayyebi)等提出了一種利用ANN、GIS和RS模擬幾何形狀的城市增長邊界模型(UGBM)，預測城市增長，保護周圍的鄉村景觀[27]。同時，ANN還表現出較強的泛化能力，陳冬洋等以澄邁林場森林景觀為例，基于ANN優秀的泛化力、自適應、快速尋優等特點，結合移動窗口法，建立森林景觀格局模型，對森林結構變化進行模擬分析[28]；賽義德(Al-Sayed)等通過ANN訓練描述了街道寬度、建筑高度、街區密度和零售土地使用與街道可達性之間的關系[29]。

景觀綜合評價不僅是認知場地的基本途徑，更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。在選擇評價因子和評價方法上，宋(Sung)等將ANN和GIS相結合建立了MD發展模型，利用ANN的景觀元素值，對基于MD開發的大型住宅綜合體景觀進行評價[30]。

與傳統方法相比，ANN具有一定智能推理、并行運算的技術優勢，可以有效處理風景園林中的非線性問題，準確性高。

2.3.2 卷積神經網絡(Convolutional Neural Network)

神經網絡模型的算法很多，深度學習(deep learning)是最具代表意義的復雜模型之一，它是很深層的神經網絡。而卷積神經網絡(CNN)又是深度學習中最為典型、受關注度最高的算法。作為一種前饋神經網絡，CNN具有局部連接、權值共享、池化操作及多層結構的特征[31]，與傳統的手動提取特征相比，它能從已知數據中自動學習、挖掘特征：局部連接有效減少了連接量，使機器訓練更加簡單方便；卷積層的權值共享特點使訓練參數減少，網絡模型更為簡單，降低過擬合問題的出現，泛化能力提升；池化操作能夠對輸入的局部變換，如平移、旋轉等，保持網絡模型的不變性，具有較強的魯棒性和泛化能力；模型結構的可拓展性增加了層數的深度，可應對更為復雜的分類問題，表達能力提升。簡言之，CNN通過增加層數深度改善擬合目標函數，能更好地發現特征。近年來，CNN在圖像識別、語音識別、語音檢索和醫療等領域應用廣泛，成效卓然。

由于CNN能夠從海量圖像中自動學習，提取抽象的特征，因此在風景園林圖片信息識別、特征提取和分類上應用廣泛，其中SegNet是風景園林研究中使用頻率較高的CNN圖像語義分割工具。胡(Fan Hu)等利用CNN在對象識別和檢測方面的優越性能，對遙感圖像場景分類，證明了經過預處理的深度CNN對高清遙感(HRRS)影像具有較好的泛化能力和城市形態特征發現能力[32]；葉宇等在街道景觀綠化可見度研究中，采用SegNet將街景圖片中的像素點準確識別為天空、建筑、綠化等具象要素，為后續綠化要素比值運算提供信息[33]；李小江等運用CNN模型的圖像分割技術，從街道圖像中識別馬薩諸塞州劍橋市的城市特征，進而得出綠化空間分布信息以及街谷開闊程度的計算值[34]；唐(Jingxian Tang)等以北京歷史街區空間的胡同為例，基于騰訊街景圖片，將SVPs和CNN工具(SegNet)相結合，評估街道空間的物理視覺質量，探索了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[35]。

雖然CNN所具有的能力已被廣泛應用于景觀圖像信息的深度處理中，但仍然存在一些有待改善的不足之處，如學習數據與測試數據如果分布不同，容易導致識別結果不準確等[36]。同時，相比ANN，CNN所需學習的數據量較大，模型構建復雜度較高。

2.3.3 決策樹(Decision Tree)

決策樹在機器學習中是一種預測模型。通常，一棵決策樹包含一個根結點、若干個內部結點和若干個葉結點。使用決策樹方法的目的在于產生一棵泛化能力強、能夠處理未見示例的決策樹，其基本流程遵循簡單且直觀的“分而治之”(divide-and-conquer)策略[37]。

由于決策樹易于理解的性質與人類推理相似，因此被廣泛用于表示景觀的分類模型。與其他學習算法相比，決策樹的優勢還包括所需數據簡單，不需要預處理；可兼顧處理數據型和常規型屬性；容易推導出邏輯表達方式；易于測試模型可信度；根據大數據做出決策的速度快、效果好；具有對多屬性數據源建立決策樹的能力；擴展性強，且自身大小不受數據庫影響等[38]。

在風景園林學中，由于決策樹的算法能夠根據約束條件進行調整，生成多個假設，因而可為風景園林設計的行為結果提供預測指導。內德(Naderi)等運用決策樹學習算法對收集的數據進行歸納推理，生成的決策規則可以構建出自頂向下的概念層次模型，來分析步行目的與人們對步行景觀質量感知之間的關系[39]；海爾(Kheir)等使用GIS、遙感技術、結構分類技術和決策樹模型來制定水土流失的優先級管理規劃，基于景觀特性建立了侵蝕因子的決策樹回歸模型[40]。

在處理風景園林研究的分類問題上，決策樹算法的引入實現了分類的自動化和高精度化。齊樂等運用決策樹分類技術，從不同遙感影像數據中提取主成分、植被信息、紋理信息等，實現了計算機高精度的遙感影像分類，驗證了基于CART遙感影像決策樹的分類方法精度較高[41]；范得海根(Vanderhaegen)等運用決策樹對城市形態特征進行分類，分析了傳統景觀生態指標在繪制城市形態方面的不足，提出了度量景觀空間布局的新方法[42]。

2.3.4 隨機森林(Random Forest)

隨機森林(RF)作為決策樹的改進算法，解決了后者泛化能力弱的問題。由于RF能夠在運用小規模的訓練樣本以及有限計算量的情況下，實現短時間內較準確的分類，提高了問題預測的準確性，因此被稱作代表集成學習技術水平的算法。同時，RF算法避免了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，仍然能泛化誤差，保持運算的準確性，也能較好地處理異常值問題。特別針對分類問題時，可以評估變數的重要程度。近年來，隨著RF算法的逐漸成熟，已被廣泛用于生物學、醫學、經濟學、管理學和風景園林學等領域中的分類和預測問題。

在風景園林領域中，RF的高精度樹形分類器特征常被用于景觀生態、土地覆蓋等分類研究，尤其是提取遙感數據的RF算法應用較為廣泛。皮桑(Anne Puissant)等利用RF分類器和面向對象的方法，從高分辨率光學圖像(VHR)中記錄并繪制城市樹木空間，并在法國斯特拉斯堡市不同類型的建成區數據集上對其性能進行了評估，結果顯示RF分類技術具有較好的準確性和較高的魯棒性[43]；詹國旗等基于GF-2遙感數據，運用RF算法對吉林省白城市通榆縣東部地區進行了高精度的濕地分類[44]。

在景觀問題預測方面，RF技術在分布預測模型上表現出更好的性能。彼得斯(Jan Peters)等在景觀生態水文研究中建立了RF模型，預測研究區域內植被類型分布，通過將精度與回憶度相結合的F測度方法驗證了RF具有較準確的預測結果[45]；陳妍等運用衛星遙感影像和地面植被蓋度監測信息生成RF回歸模型，推演出布爾津縣草場植被蓋度的變化趨勢，驗證了RF較強的預測能力[46]；吳小君等利用RF優秀的擬合性建立山洪災害模型，預測災害風險度，并指出該模型在評價山洪災害等級上具有較高的精準度[47]。

在變量重要性分析研究中，利爾(Cecília G. Leal)等針對人為干擾對亞馬孫河流域內生境的物理和化學特征問題，使用RF回歸樹進行分析，評估了不同預測變量在河流內棲息地反應變量變化中的重要性[48]；拉森(Courtney L. Larson)等在一項研究人群娛樂活動對保護區中物種影響的項目中，利用RF模型得出了影響訪視率空間變化的生物物理學因素和社會經濟因素[49]；夏繁茂等在園林植物優選系統中運用RF算法建模，得到分析變量的相對重要性結果[50]。

RF在景觀土地、植被分類、預測環境發展對景觀生態的影響，以及分析景觀中的變量重要性等問題上應用頻率較高，特別是在景觀生態領域，是一種高效的預測工具。

3 混合智能系統的應用前景

通過前文的梳理可見，不同的人工智能技術關注的風景園林問題不同，隨著人工智能應用的日趨廣泛，一些單一技術的問題逐漸顯露，同時，風景園林實踐作為一個由多種因素共同影響的復雜綜合體，僅依靠單項技術常常難以解決問題。面對這些現象，近年來，一種將多種智能算法結合起來的混合智能系統(Hybrid AI Systems)發展起來。它綜合了2種及以上的人工智能技術，將經典人工智能算法與現代人工智能算法綜合起來，兼具多項技術的優勢，能運用多種算法和公式協作進行模擬仿真[51]。下面梳理一些常用的智能混合系統，以期在研究方法上給予一些啟發。

CA-GA模型可以用CA分析景觀變化機理，利用GA對CA的模型轉換規則或參數集進行優化或校準，如馮永玖等利用GA將CA參數編碼成染色體，通過比對模擬數據與真實情況，挑選最優染色體，建立土地利用模擬及景觀評價模型[52]。GA-NN模型中的GA能夠自動調整NN的內部參數，并降低分類器系統的復雜度，具有較高的分類性能，同時，NN系統具有自適應性和實時性的屬性，它能不斷學習并存儲新的模式，如默奇卡科(Mougiakakou)等基于NN和GA建立了Hybrid-NN，將專家知識與NN分類器相結合，能夠根據美景度對景觀圖像進行分類[53]。CA-NN可以簡化CA模型的結構，顯著降低對識別相關知識的要求，挖掘景觀問題的演變規則，如陳華根等基于CA和學習矢量量化神經網絡(LVQ network)，結合不同時相遙感數據，尋找土地利用演變的內在規律，自動找到土地利用元胞的轉換規則，反演和預測土地利用格局[54]。CA-ABM模型兼具了CA的空間自組織性，以及多智能體的決策能力與學習能力，可代理景觀發展過程中的多個決策行為對象，從而更精確地模擬景觀動態演化過程，如張云堂運用CA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，多智能體可代理居民、開發商及政府[55]。RF-CA模型借助RF在過擬合、運算精確度和時間復雜性上的優勢提取CA的轉換規則，提升城市格局變化模擬、預測的精度，如張大川等利用RF-CA模擬、預測不同類別的土地變化趨勢與利用情況，并準確地獲取了各空間變量的參與度[56]。

隨著人工智能在風景園林研究中應用范圍與深度的拓展，國內外學者已經設計出許多個性化的混合智能系統應用于風景園林領域。常見的混合智能系統算法包括CA、ANN、CNN和GA等。由于目前混合智能系統仍在發展初期，眾多先進技術還在不斷融入，基于混合智能系統的風景園林研究還有很大的發展空間。同時，在當前的風景園林研究中，混合系統的使用尚不普遍，實踐應用性還有待加強。

4 結論與討論

人工智能揭示了風景園林研究數字化、智能化的發展趨勢。雖然本文所述內容并不能囊括風景園林中應用的全部人工智能技術，但展現了人工智能自主性、數字性、綜合性的技術優勢，它是傳統定性研究方法的有益延伸。研究還發現：1)當前人工智能技術應用于風景園林單一學科的研究較少，大部分是涉及城市規劃、生物學、地理學等多學科的綜合研究，說明風景園林研究中的人工智能應用尚處于初級階段，生成模型的應用廣度和有效性還有待提升；2)建立的人工智能模型多用于風景園林研究的調查分析、模擬預測和評估方面，風景園林智能設計方面較少，這主要是因為風景園林設計是人們主觀情感與客觀條件共同作用的結果，但現階段應用的主要為弱人工智能，不具備自主意識，尚不能代替人類的情感需求；3)雖然人工智能在風景園林研究中的應用越來越廣泛，但解決風景園林實踐復雜性和不確定性問題的能力仍然有限，整合到一個系統框架中難度尤甚。原因之一是缺乏集成多種人工智能方法的高級架構；其二是基于人工智能的景觀建模是跨學科的智能系統，涉及計算機科學、風景園林、生物和地理等多學科，對某一專業知識的欠缺都會限制智能模型的生成。

盡管當前的人工智能技術與風景園林結合運用尚不成熟，但隨著技術的積累與飛速發展，風景園林研究將會獲得更多智能化的科學支持。未來風景園林的智能化發展，需要積極嘗試建立混合多種人工智能方法的景觀模型，推進多種技術的協調集成；其次，提高模型的精確度與效度，加快風景園林研究的自動化水平；再次，應嘗試發展智能型風景園林的理論與方法，同時運用智能算法加強多學科的知識聯動。相信未來人工智能在風景園林領域的應用潛力無限，也會為風景園林的可持續發展帶來無盡的可能。