人工智能在現代景觀園林設計中的運用策略

杜海榮

（安陽市三角湖公園管理站，河南 安陽 455000）

0 引言

隨著社會文明程度的不斷提升，賦予景觀園林的功能也逐漸多樣化，服務對象也逐漸囊括了了所有年齡段。過去。景觀園林僅服務于老年人，而現代化園林已面向了兒童、中青年，因此，在開展現代景觀園林建筑設計中，無論是兒童公園還是中老年健身場館設計，都呈現更加精細化特點。這就造成傳統的景觀園林設計方式存在的問題越發明顯，嚴重限制了城市景觀園林建設的健康發展。本研究基于相關學者研究資料的梳理，在概述了人工智能技術專家系統、機器學習、智能優化計算及遷移學習等方面內容基礎上，對城市景觀園林設計中人工智能技術的具體應用方面展開了深入分析，以求增強公園景觀效果。

1 人工智能技術概述

人工智能就是融合了數學、統計學、邏輯學與倫理學于一體的交叉性學科，其基本思路是借助計算機智能載體，實現相應工作環境中的對象分析效率提升。機器學習是人工智能技術的核心研究方向，通過算法的不斷改進，使歷史數據得到精確分析與處理。現階段，應用最為廣泛的機器學習方法主要包括傳統機器學習、集成學習、深度學習、遷移學習以及智能優化計算。隨著人工智能技術水平的進一步提升，對于人工智能技術的研究已逐漸從淺層的傳統機器學習模型過渡到深度學習模型，這一轉型使電力設備狀態的分析結果更具準確性與高效性[3]。

1.1 專家系統

專家系統是最早的人工智能雛形，其實現形式就是對專家決策能力的計算機系統進行模擬，然后以知識庫為基礎進行推理、演進。知識庫的主要功能是對某領域內專家所提供的知識經驗信息；推理機則是通過對行業領域內專家思維過程的模擬，對相關問題進行控制、求解，實現狀態的準確識別。根據系統功能的不同，專家系統又可細分為診斷型專家系統、預測型專家系統、修理型專家系統及規劃型專家系統4 類。

1.2 機器學習

1.2.1 傳統機器學習

對于傳統機器學習而言，其主要目標就是進行相關數據標識，所以，它可被細分為監督學習、無監督學習及半監督學習，學習算法過程如表1 所示。

表1 傳統機器學習算法

1.2.2 集成學習

集成學習就是在傳統機器學習基礎上通過不斷演進與升華而成，其實質就是將多個體學習結果集于一身的集成式學習方法。集成學習的基本思路就是通過對多個體學習器同時解決同一問題的思路、方法的訓練，并對相關規格進行學習結果整合，從而獲得更加顯著的泛化性能。

對于集成學習算法分類，可從各個體學習器生成方式及依賴程度進行考慮，一般將其分為Boosting 算法和Bagging 算法。Boosting 算法就是在初始訓練集時，對各個訓練樣本的初始權重進行平均分配，訓練處弱學習器1，然后再根據計算錯誤率進行訓練樣本權重更新，從而訓練處弱學習器2，如此往復，直至達到最大迭代輪數T，最后再結合相關策略對所有弱學習器進行整合，形成強學習器。Boosting 算法原理如圖1 所示。

圖1 Boosting 算法原理

1.2.3 深度學習

集成學習是基于傳統機器學習的不斷演進與升華，它是集眾多個體學習器學習結果于一身的集成式學習方法。其基本思路是通過對各學習器在解決同一問題思路、方法的訓練，并結合相關規格進行學習結果的整合，從而獲得比單一學習器更加顯著的泛化性能。

從個體學習器生成方式及不同學習器依賴程度分析，集成學習可被分為Boosting 算法和Bagging 算法2 類。首先Boosting 算法的基本原理是先在初始訓練集之初，就為各訓練樣本的初始權重進行平均分配，訓練出弱學習器1；其次依據學習錯誤率進行訓練樣本權重更新，并訓練出弱學習器2；再次逐次重復，直至達到最大迭代輪數T；最后，依據相關策略對全部弱學習器進行整合，最終形成強學習器。深度學習回歸預測模型如圖2 所示。

圖2 深度學習回歸預測模型

1.3 智能優化計算

受到自然界與生物界規律的啟迪，智能優化計算模型才得以形成，它是對問題求解算法的模仿設計，其中最具代表性的算法有進化計算與群智能計算。在進化計算中，遺傳算法最為典型；而群智能算法則以粒子群優化算法和蟻群優化算法為典型。相較于傳統的經典數學算法，智能優化計算的通用性及穩定性更強，在實際運用過程中，壓根就不需要通過建立相關數學模型或知識標識，就能直接處理所輸入的數據信息，尤其在傳統算法無法快速有效解決的非線性問題上最突出，是數據驅動的人工智能技術系統中最可靠的一種算法。

1.4 遷移學習

遷移學習就是將機器從一個場景遷移至另一個場景，對既有模型與目標模型間的關系進行分析，這一過程其實是模擬運用人類所學解決現實生活中的問題的過程。在遷移學習中，沒有太多的局限性，可以在訓練中應用不同的數據域，這一特性不僅使算法性能得到改善，還能有效縮減訓練時間，使學習算法的泛化性能得到有效提升，保障了樣本訓練效率的提升。

2 現代景觀園林設計與人工智能之間的關系

現階段，中國景觀園林設計中還存在較多問題，其中最顯著的就是設計理念落后問題，致使設計方案脫離實際，但通過人工智能技術的應用，就可很好地解決此問題。在人工智能技術應用實踐中，需天譴對相關資料進行收集、整理。同時提出預測性問題，設計人員結合自身知識儲備及工作經驗進行一一解決，如此一來，就要求設計人員必須擁有豐富的專業知識儲備量，并能熟練運用人工智能技術，運用計算機系統自動完成工程資料、數據信息、同類方案的剪碎、顯示與整理，實現人們環境的有效融合。例如，依托智能照明技術，在有效控制光污染基礎上創造出更美觀、更實用、更節能的照明景觀，以最大限度地提升現代盡管園林的實際效益。

3 現代景觀園林設計中工智能技術應用機理

3.1 園林設計中電氣設備狀態特征提取

在現代智慧園林景觀設計中，很多基礎設施都包含有大量電氣設備，而這些電氣設備狀態數據信息源廣、體量大、關聯復雜程度高，依靠傳統的人工搜集與整理不僅加大工作人員的工作量，還無法保證信息的準確性，但通過人工智能技術的科學應用，就可借助相關傳感器進行數據信息的自動化收集與處理，同時結合計算結果進行設備狀態診斷，確保各電氣設備始終處于安全運行狀態中。

3.2 基礎設施設備運維狀態的文本信息挖掘

伴隨著各類基礎設施設備夜以繼日的工作運行，相關運維工作也從未終止，在此期間會產生大量周期性巡檢日志、及運維報告，耳褶系文本類數據信息中又包含了大量結構化數據以外的設備故障信息，并夾帶大量數字、字母符號，使得關鍵信息的提取難度倍增，因此，只能提前對文本信息進行精細化處理，并運用對照表將其轉化為計算編碼，然后實現精準提取，保障了數據信息的真實有效性。

3.3 圖像的特征識別

當前，人工智能技術在挖掘數據特征時，主要通過三種方式實現，即圖像分割、圖像識別及語義分割。

因電園林設計中各類設備圖像背景異常復雜，因此，在進行圖像分割時，首先應將輸入圖像進行統一的非重疊區域劃分，避免其受到干擾背景的影響，確保設備狀態評估的準確性。最具代表性的圖像分割技術是K-means 硬聚類算法與FCM 軟聚類算法。前者計算過程較為復雜，其主要機理是借助余弦距離對圖像分層，將部分非關聯數據進行剔除；而FCM 軟聚類算法則是通過對電力設備圖像信息中存在的不確定性的準確描述，然后實現溫度特征的提取，有效改進了初始值敏感缺點，保障了圖像分割的準確性。

4 現在景觀園林設計中人工智能技術的科學應用實踐

4.1 人工智能技術在照明景觀設計中的應用

在傳統景觀園林設計中，照明設計房網往往只注重照明功能設計及氣氛調節設計，忽略了照明景觀設計中的人性化與互動性。而通過人工智能技術的科學應用，不僅能增強人們的視覺體驗感，還能有效彌補以往照明景觀設計中存在的電力資源浪費、燈光顏色搭配不合理等缺陷。在智能照明系統建設中，應注重智能感應系統設計，這一系統的主要功能是感知環境光線，并根據環境變化進行光照強度及顏色太正，實現照明景觀的互動性。

此外，傳統照明系統中，很多照明設備的狀態巡檢基本都是依靠人工進行定期巡檢。在進行人工巡檢時，會暴露出許許多多的問題，如安全系數低、受主觀影響強、受外界客觀因素影響大等。隨著深度學習技術水平的不斷提升，深度學習在照明景觀設備巡檢影像處理中得到了大范圍運用，其實現過程就是借助機器人所采集到的各類數據信息進行科學分析，從而實現對照明設備類型、異常運行及內部缺陷識別，真正做到了照明設備的無人化智能巡檢。基于深度學習的照明設備狀態智能化識別基本流程為：首先，要對大量數據信息進行預處理，而后根據分析結果對異常數據進行剔除，同時結合設備形態進行樣本標注訓練；其次，在公共數據集下執行深度學習模型預訓練后，使用標識訓練集微調模型，使之得到大幅改善；最后，通過由機器人、無人機等將巡檢測試圖像傳輸至微調模型，從而獲得準確識別結果。此過程中，圖像獲取與預處理犯法基本相同，因此無須進行擴展。照明設備狀態智能識別的關鍵是使用深度學習分析框架有效地檢測目標，并提取和挖掘目標特征。智能照明的實現，不僅極大地減輕了人們的作業強度，還極大地保障了照明效果及電力資源節約，促進了城市的可持續發展。

4.2 人工智能技術在水景景觀設計中的應用

在城市園林景觀中，水景景觀所占比例較大，其設計質量會對整個園林景觀效果產生直接影響。過去，人們在進行水景景觀設計中，常用方法是水流引入、假山堆砌、噴泉系統構建，但這一方式雖能夠到給人們一定的視覺沖擊，但縱觀整個水景景觀，活力不足，可循環程度低，后期維護成本極高，不利于城市園林管理單位的成本控制，基于此，只有在水景景觀設計中科學應用人工智能技術，才能真正實現城市園林景觀建設的可持續發展。

在應用實踐中，可借助人工智能感應技術，形成光影水池、音樂噴泉等，構建可持續性強的循環水體，充分發揮出水景活力功能。例如，在噴泉中心區域設計重力感應裝置，當地表重力達到一定程度后，噴泉水流及周邊匹配燈光便自行啟動，增強美觀效果，當運行一段時間后，系統自行停止，此時，在噴泉周圍游玩的人們可拍照、嬉戲，增強與水景的互動性。

4.3 在智能噴灌設計中的應用

在建設現代景觀園林工程時，除考慮其時效性與美觀程度外，還應考慮其后續養護問題。具體而言，就是在工程設計中，盡可能延長園林景觀存在年限，提高植被成活率，保障現代園林景觀使用壽命，并使之維持在高水平范圍內。為實現此目標，就應該在景觀園林設計過程中設計智能噴灌系統，并對噴灌系統進行智能化控制設計。例如，在園林內各方位安裝攝像頭，以及時獲取地表土壤信息獲取，如土壤溫濕度、肥沃度等，并運用計算機技術對何時開啟/關閉噴灌系統進行準確判斷；當控制系統判斷結果為土壤含水量低時，噴灌系統便就自動開啟，實現園林內植被的自動化澆灌，待濕度達到一定程度后，自行切斷，保證園林內植物不被干旱所擾。

4.4 在智能鋪裝設計中的應用

地面鋪裝是實現現代園林景觀設計中的主要內容。在進行園林景觀鋪裝設計中，首先要保證其強度，其次才是視覺效果與美觀程度。過去，人們在園林景觀地面鋪裝設計中，往往只注重其美觀效果，其功能效果無法真正體現。而現階段通過人工智能技術的應用，就可實現鋪裝板塊的自動生成及鋪裝顏色的科學選定，從而生成三維導視圖。在應用實踐中，借助計算機系統根據現場地勢地貌進行圖像投放動態，實現動園林地面鋪裝設計的優化升級。此外，在運用人工智能技術進行地面鋪裝設計時，可借鑒其他成功案例，構建“地面琴鍵”景觀，實現人、景的友好互動，增強人們的喜悅感受。

5 人工智能技術應用的局限性

5.1 人工智能技術尚缺乏理論層面的支撐

盡管當前景觀園林設計中對于人工智能技術應用表現出了較強的智能性、準確性優勢，但該技術應問世尚晚，沒有太長的應用史，部分有價值的應用經驗及數學理論支撐較為欠缺，因此，仍待進一步研究，注重設備運行機理、物理規律及專家經驗融合方面的智能算法深究，從而使數據分析與挖掘更具高效性與準確性。

5.2 宏觀泛化能力不足

結合人工智能技術在景觀園林工程相關設備狀態分析應用實踐來開，在某些特定設備的單一狀態分析中已顯示出較強的分析和學習能力，但僅適用于局部層面的設備部件類型、故障類型、故障定位的分析與判斷，泛化協調能力依然較弱。以人工智能技術為核心算法的電力設施狀態分析往往有助于決策制定，因此，應進一步加強現有分析、評估技術方法的整合優化，建立更加完善的設施狀態數據融合框架。

5.3 快速解決問題

由于園林工程中很多電氣設備的運行狀態會隨運行實踐不停變化，且各設備運行條件也不同，所以，在進行狀態分析時，必須要求所用模型具備較為快速的響應能力及在線處理能力。現階段，設備運行狀態數據已呈現出多遠異構性質，且人工智能技術應用實踐中存在圖像處理時耗時過長問題，難以滿足毫秒級處理要求，所以，必須對系統快速響應能力進行重點研究。一方面，要實現一、二次設備融合技術與邊緣計算技術的優化，將數據識別系統、狀態分析系統及設備行為納入智能傳感器中，同時對集成傳感器與深度學習芯片進行科學整合，實現園林基礎設施設備狀態的精準分析。另一方面借助設備云后臺進行設備故障算法訓練，并將診斷依據通過物聯網傳輸至邊緣計算設備中，實現狀態分析算法響應時間的有效縮減。

6 結語

在大數據技術水平不斷提升背景下，人工智能技術被廣泛應用于各行業領域內，尤其是在景觀園林設計中得到有效應用，使得園林景觀性、經濟性及環保性效果更佳。然而，基于人工智能技術在園林景觀設計中的運用還尚處在進一步探索階段，一些核心技術仍需在進一步探索研究中進行優化。本文主要介紹了以深度學習為核心的人工智能技術在照明景觀、水景景觀及鋪裝景觀方面的應用，已凸顯其強大的泛化能力，相信隨著研究工作的進一步深入，必將為城市景觀園林建設作出更大貢獻。