光環境視覺舒適性測評方法綜述

徐 劍，向澤銳，支錦亦，陳堯東，何思俊

（1.西南交通大學 a.建筑與設計學院；b.人機環境系統設計研究所，成都 610031；2.阜陽師范大學信息工程學院，安徽阜陽 236041）

隨著經濟的發展和科技的進步，健康照明光環境逐漸受到了社會的重視，人們對生活、學習和工作環境的照明質量要求也在不斷提高［1-2］。照明質量又稱光環境質量［3］，既涉及光度學問題，又涉及人的視覺舒適性（visual comfort）問題［4-5］。從人的視覺舒適性角度對各種環境的照明進行研究，有助于優化、改善和提升其照明質量。

視覺舒適性的影響因素較多，既涵蓋極端亮度對比和眩光等物理因素對人眼刺激造成的不適，也涉及人的主觀視覺心理感受［6-7］，同時不同的人對同一場所的光環境的要求也不同。因此，這對視覺舒適性的相關研究帶來挑戰：第一，所涉及的相關學科理論知識較為復雜；第二，視覺舒適性的影響因素增多，量化難度增大；第三，對于不同層次的視覺舒適性，難以用一種方法處理。視覺舒適性研究存在以下不足：①用戶的主觀因素（體驗經歷、觀念）對視覺舒適性的影響難以量化，大部分研究方法集中在對環境因素的研究上；②文獻對視覺舒適性的評價指標主要集中在光環境的物理因素上，較少從用戶的生理指標出發進行研究；③視覺舒適性不同層次的評價指標，有很大的差異性；④視覺舒適性的理論性不夠成熟，不同的專家從不同的角度對視覺舒適性做出量化方法和評價方法。

針對以上問題，本文主要對光環境視覺舒適性方面的研究成果進行了較為系統地梳理，給出了光環境視覺舒適性的定義，對其影響因素進行了分析，綜述了其測量和評價方法，以及光環境優化設計進展，最后指出了光環境視覺舒適性研究的發展趨勢。

1 光環境視覺舒適性的概述

1.1 光環境視覺舒適性的定義

在人機工程領域，“Comfort”宜譯為“舒適”或“舒適性”，常用于表達人對舒適（comfort）與不舒適（discomfort）的主觀感受，是一個中性詞（neutral word），而“comfort level（degree）/level（degree）of comfort”宜譯為“舒適度”，用于對舒適性進行定量研究，量化用戶的舒適程度［8-9］。長期以來，學界對舒適（性）也并沒有形成統一的共識，但相關研究均表明舒適是人的一種重要主觀感受：Richards等［9］認為舒適是人在特定環境中產生的一種有效的感覺狀態；Slater［10］認為舒適是人與環境在生理、心理和物理三方面處于和諧而形成的一種愉悅狀態；Hertzberg［11］認為舒適即為沒有不舒適（discomfort）感受；Zhang等［12］還進一步指出舒適和不舒適既有區別又有聯系，不舒適主要與生理、生物力學和疲勞等方面聯系緊密，如人的疼痛感、難過感和僵硬感等，且主要是由設計形成的物理限制因素所導致，舒適主要與放松感和康樂感等體驗感覺有關，如人對產品或環境的審美印象等。

同時，視覺舒適性（visual comfort）也沒有統一的共識，目前學術界主要存在2類定義方法［13-14］：第1類是基于“舒適就是沒有不舒適”假設基礎上的“無煩惱法”（non-annoyance approach），如 Hopkinson［15］認為視覺舒適性是指沒有生理疼痛、刺激或分心的感覺，Araji［16］指出視覺舒適性是確保人們在任何情況下都有舒適的視力，最大限度減緩眼睛緊張和眼睛疲勞；第2類是基于主觀幸福和滿意感受來評判的“康樂感法（well-being approach）”，如 EN 12665［17］定義視覺舒適性是視覺環境誘發的一種主觀的視覺康樂感受。綜上分析可以得出：視覺舒適性本質上是用戶基于視覺通道，在與各種光環境交互作用過程中所產生的主觀感受，用戶和光環境為視覺舒適性的直接影響因素；視覺舒適度則是用戶在視覺方面對光環境形成刺激所產生并被量化得到的主觀幸福和滿意程度。

1.2 光環境視覺舒適性的影響因素

光環境視覺舒適性的影響因素涉及兩個方面：光環境和用戶（見圖1）。光環境方面的影響因素主要包括可見光和空間環境的結構形態、照明布置和各種物件的配置等，其中可見光涉及的主要有光的數量（如照度、亮度、眩光、采光系數、全自然采光百分比等）、光的分布（如照度均勻度、亮度比率等）及光的顏色（色溫、顯色性指數等）等參數［18-20］。用戶方面的影響因素主要涉及個人背景（如年齡、性別、受教育程度、觀念等）、體驗經歷、視覺生理、自身期望、視覺心理等［7，21-23］。

2 光環境視覺舒適性的測量方法

2.1 測量量表類型

依據心理測量理論的分類，量表一般分為以下4類［24］：類別量表（nominal scale，也稱名稱量表）、順序量表（ordinal scale，也稱等級量表）、等距量表（interval scale，也稱區間量表）、等比量表（ratio scale，也稱比率量表），各自特點詳見表1。其中，類別量表主要是用數字和符號指代事物的種類，不涉及比較，數字沒有數量意義［25］；順序量表是按照事物的大小、等級、程度進行數字排列，不僅能指代事物類別，還能表明不同類別的大小、等級或事物具有的特征的程度，數字也不表示絕對數值和事物特征的數量［26］；等距量表不僅能夠指代事物的種類、等級，而且具有相等的單位，數字是一個真正的數量，各個部分的單位相等，但沒有絕對的零點［27］；等比量表既具有種類、等級、等距的特征，同時也是具有絕對零點的量表［28］。在行為研究方面很少有符合等比量表的條件［29］，所以等比量表在光環境視覺舒適性評測方面應用較少。

表1 測量量表及特點

2.2 視覺舒適性測量

在光環境視覺舒適性測量中，人對整體光環境刺激的感知和情感是兩個最重要的測量項，運用的主觀判斷方式主要有 3類［30］：認同判斷（judgments of agreement）、滿意判斷（judgments of satisfaction）和質量判斷（judgments of quality）。在問卷的選項中，使用這些判斷的具體量表均屬于類別量表、順序量表和/或等距量表。表2為視覺舒適性測量的常用量表、測量方法及特點。

在用戶主觀感知測量方面，文獻［31-32］將用于測評照明條件問題的量表分為2類（2-point scale），包括同意（agree）和不同意（disagree），屬運用認同判斷測量的類別量表。

文獻［33-35］均使用了順序量表：文獻［33］將用于測評照明條件的量表分為7級（7-point scale），包括 7=非常強烈同意（very strongly agree），6=強烈同意（strongly agree），5=同意（agree），4=中立（neither agree nor disagree），3=不同意（disagree），2=強烈不同意（strongly disagree），1=非常強烈不同意（very strongly disagree），屬認同判斷測量；文獻［34］將用于測評照明條件的量表劃分為3級（3-point scale），包括更好（better），相當（about the same）和更差（worse），屬質量判斷測量；文獻［35］綜合運用了認同判斷、滿意判斷和質量判斷來進行照明質量測評，將量表分為5級（5-point scale），包括5=強烈同意（strongly agree）/非常滿意（very satisfied）/極好（excellent），4=同意（agree）/比較滿意（fairly satisfied）/比較好（pretty good），3=中立（neither agree nor disagree）/中立（neither satisfied nor dissatisfied）/一般（neutral），2=不同意（disagree）/不太滿意（not very satisfied）/不太好（not very good），1=完全不滿意（not at all satisfied）/強烈不統一（strongly disagree）/差（poor）。

在用戶主觀情感測量方面，為了研究照明條件和光源特性如何影響用戶的情感認同，文獻［21-22］采用語義差異量表（semantic differential rating scales）分別對光源色彩和美術館照明條件進行研究。由于語義差異量表所獲取的數據具有等距性，因此這種測量方法屬于等距量表類型。

表2 視覺舒適性測量的常用量表、測量方法及特點

3 視覺舒適性主觀評價方法

主觀評價就是通過研究受試群體的意見來確定或評估相關因素對用戶主觀感覺的影響［8］。采用主觀評價的優點是能夠基于用戶真實感受和意見來研究和評估光環境，但通過主觀性問卷調查方式獲得的數據具有模糊性、不確定性，所以評價過程通常需要引入數學模型對相關數據進行處理。在光環境視覺舒適性主觀評價研究中，常用的有基于因子分析法和基于綜合評判2類評價方法。

3.1 基于因子分析法的評價方法

針對光環境視覺舒適性評價，主要是研究視覺舒適性評價方法、評價指標以及各指標間的相互關系。為了全面、系統地研究視覺舒適性，理論上需要研究并獲取盡可能多的影響視覺舒適性的變量。但是，獲得的變量越多所帶來的變量分析工作量就會越大，同時對評價模型也會提出更大的挑戰。因此評價過程中，通常采用因子分析法（factor analysis）［36］來對相關變量進行分析和簡化。文獻［37］對18種照明條件的視覺效果進行了主觀測量，獲得評分數據后用因子分析法對其進行處理，提取并獲得2個主要因子：視覺興趣（visual interest）和視覺亮度（visual lightness），從而簡化了影響視覺舒適性的變量，為研究光環境視覺舒適性評價提供了參考。

3.2 基于綜合評判的評價方法

3.2.1 層次分析法

層次分析法（analytic hierarchy process，AHP）是一種定性與定量相結合的多目標決策分析方法，可用來分析多指標、多方案綜合照明問題，主要涉及4個步驟［38］：第一，構建包括目標層、準則層和方案層的層次結構模型；第二，結合專家、用戶或相關決策者意見構造成對比較矩陣；第三，進行層次單排序和總排序，并進行一致性檢驗；第四，獲取評價結果。文獻［39］建立了高校教室光環境舒適性層次分析模型，將影響高校教室照明舒適性的準則層指標分為照明水平、眩光感覺、亮度分布、燈具與室內布置4個方面，然后把教室照明系統作為方案層指標，計算獲得了照明最適宜的教室照明系統方案，提出了提升教室光環境視覺舒適度的優化建議。

3.2.2 模糊綜合評價

模糊綜合評價法（fuzzy comprehensive evaluation method，FCEM）是應用模糊集合論對決策活動所涉及的人、物、事、方案等進行多因素、多目標的評價和判斷，其應用步驟涉及［40］：第一，確定被評判對象的因素（指標）集 U=｛u1，u2，…，un｝和評價（等級）集 V=｛v1，v2，…，vn｝；第二，分別確定各因素的權重及它們的隸屬度向量A=｛a1，a2，…，an｝，對被評判對象進行等級評價并獲得模糊評判矩陣R=（rij）nm；第三，將模糊評判矩陣與因素的權向量進行模糊運算B=A·R，進行歸一化處理并得到模糊評價綜合結果。文獻［41］提出了住宅光環境舒適度模糊綜合評價方法，指出室內光環境舒適性影響因素包括照度（E）、一般顯色指數（Ra）、光色的相關色溫（TCD）和眩光（UGR），并基于這4項因素構建了因素集；將室內光環境的舒適性評價等級分為優、良、中、較差、差，并基于5級劃分構建了評價集；對光環境舒適性各因素進行評判，建立模糊評判矩陣，獲得了照度、一般顯色指數、光色的相關色溫和眩光對評判結果的隸屬度集；對模糊評判矩陣進行歸一化處理，獲得了綜合評判結果，并以案例論證了有效性。

基于綜合評判的這兩種評價方法能較好解決多指標以及多層次的問題，其缺點是需要依賴專家人員的經驗，對于同一層次指標間的相互關系無法描述，而且要保證同一層指標間的相互獨立。

4 視覺舒適性客觀評價方法

隨著測量技術的快速發展，視覺舒適性研究開始由光環境物理因素轉向人的生理因素。即通過在現場光環境或實驗光環境中進行合理的實驗設計，采用專用儀器設備來測量光環境物理參數和用戶樣本生理反應，以獲取客觀性的物理和生理數據來支撐研究［23］。通過測量獲得的物理數據和人體生理數據均具有客觀性、誤差小的特征，但是這些數據本身不能預測人的主觀感受，包括光環境的視覺舒適度［42］，因此需要通過在物理和生理指標與視覺舒適性的主觀測量之間建立數學模型來進行預測。

4.1 基于韋伯-費昔勒定律的視覺舒適性評價方法

韋伯-費昔勒定律（weber-fechner law）是用于描述心理量（感覺量）和物理量之間關系的定律，該定律認為心理量和物理量之間是對數關系，可用于照明方面的評價研究［43］。韋伯在研究人對重量的感覺時發現差別感覺閾限和原有重量的比值在中等刺激強度范圍內是一個常數，可用數學模型：k=ΔS/S表示，其中ΔS為刺激增量，S為刺激量，k為韋伯常數；在此基礎上，費昔勒提出心理量與物理量的對數值成正比，并進一步推導出了數學模型：P=k Log I，其中P為心理量，I為刺激量［44］。

韋伯-費昔勒定律可用于量化描述人類心理和生理2個方面對物理刺激感覺，適用于視覺、聽覺、味覺、嗅覺和時間感知等多方面［45］。基于韋伯-費昔勒定律，文獻［46］建立了視覺舒適度與照度關系的數學模型，結合實驗數據求得了起居室光環境下視覺舒適度隨照度的變化曲線，為節能照明設計提供了依據；文獻［47］研究獲得了列車內室照度與照度變化率的綜合舒適性評價指標，為列車車內綜合照度舒適性分級提供了參考依據。

4.2 人工智能評價方法

人工智能（artificial intelligence，AI）的重點研究領域之一為機器學習，包括支持向量機、人工神經網絡等關鍵技術，被應用于視覺舒適性評價問題。

支持向量機（support vector machine，SVM）由Vapnik提出［48］，其原理是通過核函數將輸入的數據集映射到特征空間，在其中尋找劃分數據集的分類器，構建預測或評價模型。優點是僅需少量樣本即可達到很好的效果。文獻［49］通過模擬不同場景下的古塔夜景照明，進行古塔夜景照明色溫視覺舒適性的主觀實驗，并利用支持向量機（SVM）的徑向基函數來構建不同場景下古塔夜景照明色溫視覺舒適性評價模型，以實現對古塔夜景色溫視覺舒適度的預測。

神經網絡模型主要涉及淺層人工神經網絡和深度神經網絡，常用于解決復雜的非線性問題［50］。BP神經網絡是神經網絡模型中應用最廣泛的一種，其訓練學習和算法過程主要包括［51］：第一，神經網絡初始化，確定神經網絡的拓撲結構及輸入和輸出層的神經元數目；第二，訓練神經網絡，確定隱藏層的神經元個數和學習算法；第三，校驗神經網絡，校準神經網絡模型的精確度和穩定性。文獻［52］將BP神經網絡技術應用于視覺舒適性評價研究，以559人次視覺生理測試數據為基礎，利用基于BP神經網絡和視覺參數特征的視覺健康舒適性分級評價模型來進行光環境視覺健康舒適程度的等級預測，為設計研發健康照明產品提供了新的方法。神經網絡具有非線性的特征，更接近于人的非線性認知方式，優點是精度較高，缺點是神經網絡訓練學習過程較為復雜。

4.3 基于照明仿真軟件的評價方法

與上述評價方法不同，基于照明仿真軟件的評價方法可以在光環境設計前期階段評估并預測其視覺舒適度，從而保證設計方案的照明質量。在照明研究領域，常用的商業照明仿真軟件包括［53-55］：ASAP，Zemax，Code V，TracePro，FRED，Lighttools，Dialux，SPEOS，Specter，Radiance，Relux，AGI32，等。在視覺舒適性評價方面應用較為廣泛的有DIALux和SPEOS：DIALux已被應用于控制艙室［56］、煤礦巷道［57］、船舶機艙［58］等空間環境的照明舒適性仿真評估，SPEOS則在飛機駕駛艙［59］、高速列車駕駛室［60］等空間環境的照明舒適性仿真評估中得到了應用。

5 光環境優化設計

光環境優化設計應重點圍繞人的因素開展，同時也應考慮能效、成本、控制等眾多因素。文獻［18］指出建筑照明設計中，電能消耗和能源效率并非唯一考慮因素，視覺舒適性與能效同等重要。張濱［61］綜合考慮采光、耗熱和舒適等因素，利用多目標優化設計的數學方法，建立了住宅天然光環境設計的多目標優化設計模型，形成了整合多因素的住宅天然光環境優化設計方法。文獻［3］從人的因素、控制因素和能效因素3個方面系統分析了人工照明光環境的質量，結合模糊神經網絡的理論方法，研究了能夠優化住宅人工照明光環境質量的自主智能控制方法，同時自主開發了住宅人工照明光環境智能控制裝置技術。

光環境具體的優化要素主要涉及兩方面：人工照明方面的要素包括光源、燈具的選擇，燈具的布局、照明方式等；自然光方面的要素包括建筑的方位、窗戶的采光、建筑內部材質反射系數等。為了提高教室的光環境質量，文獻［39］研究提出的優化建議包括：增加日光燈數量以提升教室整體照度均勻度，使用百葉窗降低可能的眩光，在室內表面采用合適反射系數的材質，根據教室課桌的布置重新布置燈具。甄蒙等［62］利用實際測量，結合Dilux仿真軟件模擬分析了寒地農村住宅光環境，從農村住宅的長寬比、高度和窗戶形式3個方面對寒地農村住宅光環境進行了優化設計。

6 結論

光環境視覺舒適性測評是一項涉及人-機-環境多要素的系統問題，其研究目的就是要以用戶為中心，從定性和定量相結合的視角測評光環境的整體質量，優化光環境的質量，為人們生活、學習和工作提供健康照明光環境。基于對上述現有研究成果的分析，總結出未來整體的發展趨勢是：光環境視覺舒適性的研究發展方向已從最初的心理物理學的研究方法轉變為生理物理學研究方法，即從研究主觀心理反應與光物理條件之間的關系轉向研究人體（眼）生理反應與光物理條件之間關系。

1）研究內容：需研究視覺生理功能與不同光參數之間的關系，以及腦電和心電與不同光參數的映射關系，進一步從生理-物理相互作用揭示視覺舒適性的神經機制；構建人眼健康視覺生理指標體系數據庫，為預測光環境的健康照明提供方法；構建全面系統的光環境照明條件-視覺舒適性要素匹配模型，為健康照明光環境設計提供科學合理的依據和參考。

2）研究指標：視覺舒適性的客觀生理指標與用戶的主觀感受密切相關。另外，心電圖（ECG）、腦電圖（EEG）等［63］多維指標也可用于研究確定視覺舒適區域的照度邊界值，且這些生理數據在預測視覺舒適度方面較物理數據更具優勢。

3）測評方法：在用戶主觀感知和情感測量方面，應設計集認同判斷、滿意判斷、質量判斷和語義差異量表的綜合性問卷進行測量；應結合不同的光環境特征，充分考慮用戶的視覺行為，主客觀相結合改進和整合現有測評方法，進一步提升光環境視覺舒適性評價的合理性和精確度，降低評價爭議；現有的評價方法忽略了光環境視覺舒適性主觀評價是動態、隨機過程，未來可引入隱馬爾可夫模型（hidden markov model，HMM）［64］進行研究，以提升評價的穩定性和可靠性。

4）測評應用：目前，基于照明仿真軟件的評價方法是利用商業照明仿真軟件模擬設計方案的光環境物理參數，然后結合相應領域照明標準對設計方案的照明質量進行優劣評估。未來可將照明仿真軟件融入人的生理指標參數，模擬光環境中光度學參數對用戶生理指標的影響，進一步提升光環境視覺舒適度，為用戶營造更舒適健康的照明環境。

5）光環境優化設計：從人的因素、控制因素和能效因素方面綜合研究光環境優化設計仍然是當前的研究內容與發展方向。隨著今后光環境領域在人的因素、控制因素和能效因素各個方面的研究突破，照明智能控制將在光環境優化方面成為主流，并能實現集用戶生理數據、環境照明數據和能效數據的實時收集和實時匹配，有助于實時提高光環境質量。