基于網(wǎng)絡(luò)照片數(shù)據(jù)與Auto ML模型的湖泊公園景觀意象特征及感知偏好研究

馬薛騎

裘鴻菲*

景觀意象是旅游意象的重要組成部分，指的是游客主體和景觀客體之間的映射，即主體對(duì)客體的想象與感知[1]。強(qiáng)烈的景觀意象對(duì)游客的吸引力更強(qiáng)，是景觀建設(shè)的基礎(chǔ)與理論依據(jù)，也是提高旅游競(jìng)爭(zhēng)力的重要途徑。湖泊公園作為城市典型的藍(lán)綠空間，提供著重要的生態(tài)調(diào)節(jié)服務(wù)與景觀游憩服務(wù)，具有多種環(huán)境及社會(huì)效益[2]，對(duì)于提高人類(lèi)福祉和公共健康大有裨益，已經(jīng)成為公眾休閑放松、活動(dòng)娛樂(lè)的重要城市開(kāi)放空間。因此研究湖泊公園的景觀意象有助于從公眾角度完善湖泊公園的景觀建設(shè)，但目前缺乏對(duì)景觀意象的理論研究與系統(tǒng)化的感知挖掘分析。

隨著互聯(lián)網(wǎng)與人工智能的革新發(fā)展，使用社交媒體的人數(shù)以及來(lái)自大眾網(wǎng)絡(luò)公開(kāi)數(shù)據(jù)的類(lèi)型和數(shù)量呈指數(shù)級(jí)增長(zhǎng)[3]，網(wǎng)絡(luò)平臺(tái)端口的打通也為獲取公開(kāi)數(shù)據(jù)提供了支持[4]。基于大眾網(wǎng)絡(luò)媒介的數(shù)據(jù)源樣本量大、公眾參與程度高，能夠更全面多維度地表達(dá)公眾的感知偏好。目前來(lái)自Flicker、Panoramio、Twitter、微博、豆瓣等社交平臺(tái)以及大眾點(diǎn)評(píng)、攜程等旅游網(wǎng)站的多源數(shù)據(jù)已被廣泛應(yīng)用于景觀研究[5-8]，在線旅游網(wǎng)站逐漸成為游客表達(dá)景區(qū)感知偏好和情感評(píng)價(jià)的重要途徑[9]。人們?cè)诟黝?lèi)網(wǎng)絡(luò)平臺(tái)分享的評(píng)論與照片，為相關(guān)研究貢獻(xiàn)了海量的樣本數(shù)據(jù)，目前基于網(wǎng)絡(luò)文本的內(nèi)容分析已經(jīng)可以通過(guò)自然語(yǔ)言處理等方法實(shí)現(xiàn)自動(dòng)化處理，然而基于照片數(shù)據(jù)的研究仍多依賴于手動(dòng)編碼和定性分析[10]，這不僅使得分析結(jié)果易受到研究人員個(gè)體偏見(jiàn)和主觀性的影響，還難以將其擴(kuò)展到大型數(shù)據(jù)集和大尺度研究領(lǐng)域[11-13]；而利用包含深度學(xué)習(xí)標(biāo)簽的大型圖片數(shù)據(jù)集的研究則存在數(shù)據(jù)難以進(jìn)行再處理，研究?jī)?nèi)容受限的問(wèn)題[14]。因此，通過(guò)計(jì)算機(jī)視覺(jué)算法處理大量圖片數(shù)據(jù)來(lái)彌補(bǔ)手動(dòng)編碼的缺陷，目前已成為景觀視覺(jué)和景觀偏好研究的重要手段。在圖像大數(shù)據(jù)集和云計(jì)算的推動(dòng)下，計(jì)算機(jī)視覺(jué)應(yīng)用程序的能力也迅速提升[15]，目前可通過(guò)在線機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)圖像識(shí)別的平臺(tái)包括Google Cloud Vision①、Microsoft Azure、Clarifai及百度智能云，其中Google Cloud Vision提供的圖像識(shí)別API可以通過(guò)預(yù)訓(xùn)練的機(jī)器學(xué)習(xí)算法識(shí)別圖像中的特定對(duì)象，包括人、動(dòng)物、物體、標(biāo)志等，提取圖片顏色以及識(shí)別文本；除此之外，還提供了基于研究人員分類(lèi)標(biāo)簽的自定義模型程序，為實(shí)現(xiàn)特定研究提供了條件。目前Google Cloud Vision在國(guó)外已被應(yīng)用于國(guó)家、城市、自然保護(hù)區(qū)、國(guó)家公園等對(duì)象的生態(tài)系統(tǒng)文化服務(wù)、景觀美學(xué)等研究[16-19]，已成為實(shí)現(xiàn)大規(guī)模圖像內(nèi)容分析的前言技術(shù)方法。

鑒于此，本研究開(kāi)發(fā)了一個(gè)新框架來(lái)綜合分析大規(guī)模圖像數(shù)據(jù)，通過(guò)Google Cloud Vision提供的在線機(jī)器學(xué)習(xí)算法，自定義景觀標(biāo)簽，構(gòu)建Auto ML模型對(duì)武漢市7個(gè)湖泊公園的16 883張網(wǎng)絡(luò)景觀照片進(jìn)行圖像挖掘與內(nèi)容識(shí)別，歸納景觀意象的具體維度，分析研究地的景觀意象特征及感知偏好，為提升研究地的景觀吸引力提供建議。

1 研究設(shè)計(jì)

1.1 研究區(qū)域概況

武漢位于中國(guó)中部地區(qū)，是湖北省省會(huì)，地處古云夢(mèng)澤地帶，市內(nèi)湖泊眾多，素有“百湖之市”之稱，現(xiàn)有大小湖泊166個(gè)。湖泊不僅是武漢市重要的生態(tài)系統(tǒng)，也是城市歷史文化的源流，是城市形象的重要標(biāo)志。本研究以武漢市為例，根據(jù)公園面積、公園類(lèi)型、地理位置等公園屬性選取了7個(gè)具有代表性的湖泊公園作為研究對(duì)象(圖1，表1)。

圖1 湖泊公園地理位置

1.2 數(shù)據(jù)收集與預(yù)處理

本研究的照片數(shù)據(jù)來(lái)源于在線旅游網(wǎng)站上游客的評(píng)論圖片，考慮到社交媒體平臺(tái)(微博、小紅書(shū)等)用戶數(shù)據(jù)的私密性以及平臺(tái)本身的隱私政策，在此不予考慮。本研究選取大眾點(diǎn)評(píng)網(wǎng)、攜程網(wǎng)、馬蜂窩旅游網(wǎng)3個(gè)受眾性高、評(píng)價(jià)數(shù)據(jù)量大的國(guó)內(nèi)主流旅游網(wǎng)站，通過(guò)網(wǎng)絡(luò)爬蟲(chóng)進(jìn)行照片檢索與爬取，時(shí)間跨度為2018年4月26日—2021年4月26日，爬取7個(gè)公園所有的游客評(píng)論圖片，共21 674張。隨后對(duì)照片數(shù)據(jù)進(jìn)行預(yù)處理，剔除模糊照片、同一評(píng)論者上傳的相同照片以及以人像、食物、地圖、門(mén)票、廣告等為主的非景觀照片，最后保留16 883張景觀照片(表1)。

表1 湖泊公園名錄

1.3 研究方法

本研究應(yīng)用Google Cloud Vision提供的在線機(jī)器學(xué)習(xí)算法分析網(wǎng)絡(luò)照片，運(yùn)用圖像識(shí)別應(yīng)用程序編程接口(Vision API)和Vertex AI平臺(tái)來(lái)識(shí)別圖像內(nèi)容、自定義景觀標(biāo)簽以及創(chuàng)建、訓(xùn)練、評(píng)估Auto ML(Automated Machine Learning，自動(dòng)機(jī)器學(xué)習(xí))模型，最后利用Auto ML模型批量預(yù)測(cè)景觀照片得到圖像識(shí)別結(jié)果，通過(guò)統(tǒng)計(jì)分析、分類(lèi)總結(jié)等方法探討研究地景觀意象的特征及公眾偏好，分析其感知共性與特性。具體研究思路如圖2所示。

圖2 研究思路

2 研究分析

2.1 圖像標(biāo)簽分析

將景觀照片數(shù)據(jù)集按不同公園分為7層，在各層中通過(guò)分層定比，即按2.96%的樣本比例，在各層中進(jìn)行簡(jiǎn)單隨機(jī)抽樣，共抽樣出500張照片，用于圖像標(biāo)簽分析。根據(jù)景觀特征和相關(guān)研究，通過(guò)人工識(shí)別對(duì)500張樣本照片進(jìn)行景觀分類(lèi)和空間尺度分類(lèi)，通過(guò)Vision API對(duì)樣本照片進(jìn)行圖像內(nèi)容識(shí)別。

1)單標(biāo)簽-景觀要素：景觀要素可歸納總結(jié)為兩大類(lèi)型、8項(xiàng)要素。其中自然景觀包括水體景觀、林木景觀、花卉景觀、水生植物景觀；人文景觀包括歷史文化(以傳統(tǒng)的亭臺(tái)樓閣、歷史雕像等為主的文史景觀)、景觀設(shè)施(以廣場(chǎng)、景觀小品等為主的硬質(zhì)景觀)、游樂(lè)設(shè)施、道路環(huán)境。

2)單標(biāo)簽-空間尺度：空間尺度可分為宏觀、中觀、微觀和微距4類(lèi)，宏觀指110m見(jiàn)方以上的空間，中觀指25～110m見(jiàn)方的空間，微觀指25m見(jiàn)方以下的空間[20]，微距在此指的是特寫(xiě)照片。

3)多標(biāo)簽-圖像內(nèi)容：Vision API基于預(yù)訓(xùn)練的機(jī)器學(xué)習(xí)模型，為每張照片返回帶有置信度得分(0～1)的關(guān)鍵詞標(biāo)簽[12]。通過(guò)設(shè)定為每張照片添加最多10個(gè)關(guān)鍵詞標(biāo)簽，得到初始多標(biāo)簽數(shù)據(jù)庫(kù)。提取所有置信度>0.5分的標(biāo)簽，并對(duì)標(biāo)簽數(shù)據(jù)進(jìn)行檢查，刪除極低頻率出現(xiàn)的標(biāo)簽(flowerpot，coquelicot等)和與研究需求無(wú)關(guān)的標(biāo)簽(botany，symmetry等)，歸并相似意義的標(biāo)簽(grass和meadow，building和architecture等)，整合具有相同屬性的標(biāo)簽(monument，arts等)，最后整理得到38個(gè)圖像內(nèi)容識(shí)別多標(biāo)簽(表2)。考慮景觀意象的復(fù)雜性和多元性，部分標(biāo)簽之間存在一定的交叉關(guān)系。

表2 圖像內(nèi)容識(shí)別多標(biāo)簽

2.2 模型訓(xùn)練

在景觀照片數(shù)據(jù)集中按6.33%的樣本比例，在各層中進(jìn)行簡(jiǎn)單隨機(jī)抽樣，共抽樣出1 068張照片，用于Auto ML模型的訓(xùn)練與評(píng)估。首先人工為每張照片添加單標(biāo)簽與多標(biāo)簽，并保證每項(xiàng)標(biāo)簽至少有50張以上照片。其次將標(biāo)記后的數(shù)據(jù)集按照80%、10%和10%的比率拆分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。最后Vertex AI通過(guò)監(jiān)督學(xué)習(xí)，訓(xùn)練Auto ML模型。

2.3 Auto ML模型評(píng)估

2.3.1 景觀分類(lèi)模型評(píng)估

景觀分類(lèi)模型的平均精確率為0.946，在置信度閾值為0.5時(shí)，精確率為86.8%，召回率為85.2%(圖3)，總體來(lái)看模型精度較高，各項(xiàng)指標(biāo)均大于0.85。評(píng)估結(jié)果表明模型可以較好地分類(lèi)所有景觀類(lèi)型，其中對(duì)游樂(lè)設(shè)施、水體景觀、花卉景觀的識(shí)別能力最好(置信度>0.95，正確預(yù)測(cè)比率>85%)；但對(duì)景觀設(shè)施和歷史文化以及水生植物景觀和林木景觀之間存在一定程度的混淆，混淆比率分別為27%和25%，原因可能在于2組景觀要素的部分樣本包含了重疊或相似的景觀內(nèi)容，考慮到景觀的復(fù)雜性和人工識(shí)別誤差，該部分誤差可認(rèn)為是正常結(jié)果。

圖3 景觀分類(lèi)Auto ML模型評(píng)估指標(biāo)

2.3.2 空間尺度分類(lèi)模型評(píng)估

空間尺度分類(lèi)模型的平均精確率為0.887，在置信度閾值為0.5時(shí)，精確率為85.7%，召回率為84.7%，且各項(xiàng)標(biāo)簽的模型置信度得分均大于0.85(圖4)。評(píng)估結(jié)果表明模型可以較好地分類(lèi)所有空間尺度，其中對(duì)微距尺度景觀的識(shí)別能力最好(置信度得分>0.95，正確預(yù)測(cè)比率>85%)。

圖4 空間尺度分類(lèi)Auto ML模型評(píng)估指標(biāo)

2.3.3 圖像內(nèi)容識(shí)別模型評(píng)估

圖像內(nèi)容識(shí)別模型的平均精確率為0.834，在置信度閾值為0.5時(shí)，精確率為87%，召回率為61.8%(圖5)。由模型置信度得分(圖6)可知所有標(biāo)簽中置信度>0.5的有35項(xiàng)(占92.1%)，即絕大多數(shù)標(biāo)簽滿足模型用于內(nèi)容識(shí)別的要求；置信度>0.8的標(biāo)簽過(guò)半，大于0.95的標(biāo)簽超過(guò)1/4，即模型在精確識(shí)別部分標(biāo)簽方面表現(xiàn)良好。其中模型對(duì)花瓣、主題雕塑、摩天輪、臺(tái)階、纜車(chē)、夜景6項(xiàng)標(biāo)簽的識(shí)別能力最好(置信度=1)，對(duì)水上棧道、拱橋和落葉樹(shù)幾項(xiàng)標(biāo)簽的識(shí)別能力較差(置信度<0.5)，原因可能在于部分標(biāo)簽的樣本量較少及標(biāo)簽之間存在一定的相似度和交叉關(guān)系，使模型學(xué)習(xí)時(shí)遇到困難，導(dǎo)致正確識(shí)別該項(xiàng)標(biāo)簽的比率降低。

圖5 圖像內(nèi)容識(shí)別Auto ML模型評(píng)估指標(biāo)

圖6 圖像內(nèi)容識(shí)別多標(biāo)簽?zāi)Ｐ椭眯哦鹊梅?/p>

3 景觀意象特征及感知偏好分析

3.1 景觀意象維度結(jié)構(gòu)分析

通過(guò)圖像標(biāo)簽分析得到樣本照片的景觀要素單標(biāo)簽、空間尺度單標(biāo)簽和圖像內(nèi)容識(shí)別多標(biāo)簽結(jié)果，以此作為歸納景觀意象維度結(jié)構(gòu)的依據(jù)。因此湖泊公園的景觀意象可解構(gòu)為兩大景觀類(lèi)型、8類(lèi)景觀要素、4層空間尺度和38項(xiàng)意象元素(見(jiàn)2.1)。

3.2 景觀類(lèi)型及景觀要素分析

在Vertex AI平臺(tái)上通過(guò)構(gòu)建的Auto ML模型對(duì)16 883張景觀照片進(jìn)行批量預(yù)測(cè)，刪除預(yù)測(cè)數(shù)據(jù)中置信度值低于0.5分的樣本數(shù)據(jù)，最后保留可用于分析研究的15 656張照片數(shù)據(jù)。

經(jīng)過(guò)整理得到7個(gè)湖泊公園景觀類(lèi)型的感知分析結(jié)果(圖7)和景觀要素的感知強(qiáng)度分析結(jié)果(圖8)。總體來(lái)看，湖泊公園中自然景觀(60.92%)的感知高于人文景觀(39.08%)，其中沙湖公園和月湖公園的自然景觀感知強(qiáng)度尤其高；水體景觀、林木景觀和歷史文化是湖泊公園的核心感知要素，其占比超過(guò)所有要素的半成(55.07%)。由此可知，湖泊公園中水景作為最重要的構(gòu)景要素也是最受人們歡迎的景觀要素，這也反映了人們的親水心理以及對(duì)自然風(fēng)景的向往很大程度上影響了其感知偏好；除此之外，歷史文化得到高度感知的原因在于其代表了城市重要的景觀風(fēng)貌，武漢市作為國(guó)家歷史文化名城，楚文化的重要發(fā)祥地，城市多處旅游地的風(fēng)景、建筑都展現(xiàn)著濃厚的人文歷史風(fēng)貌，引起了游客的強(qiáng)烈感知。其次，由于每個(gè)公園的自身定位和景觀特色差異較大，每個(gè)公園的特性感知要素也不盡相同(表3)。

圖7 景觀類(lèi)型感知分析

圖8 景觀要素感知強(qiáng)度分析

3.3 空間尺度分析

通過(guò)空間尺度分類(lèi)模型識(shí)別景觀照片，分析游客對(duì)景觀的空間感知偏好，可得游客對(duì)7個(gè)公園中宏觀(28.92%)、中觀(28.88%)和微觀(31.52%)3種尺度的景觀感知差異不大，對(duì)微距景觀的感知略低(11.34%)。由圖9可得，人們?cè)诤暧^(81.21%)和微距(99.94%)尺度上對(duì)自然景觀的感知要明顯高于人文景觀，其中以廣闊的水體景觀和特寫(xiě)花卉景觀為主；在中觀(56.19%)和微觀(56.11%)尺度上，人們對(duì)人文景觀的感知略高于自然景觀，其中以開(kāi)闊的道路環(huán)境、交往尺度下的林木景觀和細(xì)節(jié)感強(qiáng)的歷史文化景觀為主。即在湖泊公園的空間感知層面，人們更偏好于空間廣闊深遠(yuǎn)的自然景觀和精細(xì)化設(shè)計(jì)的人文景觀。

圖9 景觀意象的空間感知特征

3.4 意象元素分析

利用圖像內(nèi)容識(shí)別模型識(shí)別景觀照片中的意象元素，通過(guò)置信度篩選，每張照片保留1～8個(gè)標(biāo)簽，最終得到42 365個(gè)標(biāo)簽數(shù)據(jù)，平均每張照片分配到2.7個(gè)標(biāo)簽。通過(guò)38項(xiàng)意象元素的感知頻率，可得湖泊公園景觀意象元素的感知共性為：常綠樹(shù)(25.96%)、湖泊(10.86%)、背景建筑群(7.82%)、草地(6.93%)和倒影(4.90%)的感知最強(qiáng)，這也契合了湖泊公園的景觀特色和現(xiàn)實(shí)情況，由于研究地均位于武漢中心城區(qū)，建筑密度較高，背景建筑群入鏡景觀照片十分普遍。除去5項(xiàng)共性意象元素外，根據(jù)每個(gè)公園中感知較強(qiáng)的特性意象元素總結(jié)不同公園的感知特性并分析其感知偏好原因(表3)。

表3 湖泊公園景觀意象感知特性分析

4 結(jié)論與討論

4.1 結(jié)論

本研究以武漢市7個(gè)湖泊公園為研究對(duì)象，對(duì)大數(shù)據(jù)網(wǎng)絡(luò)照片進(jìn)行圖像挖掘與內(nèi)容識(shí)別，歸納景觀意象的具體維度，通過(guò)在線機(jī)器學(xué)習(xí)算法構(gòu)建Auto ML模型，分析景觀意象的特征及感知偏好。主要結(jié)論如下。

1)本研究將景觀意象解構(gòu)為兩大類(lèi)型、8類(lèi)景觀要素、4層空間尺度和38項(xiàng)意象元素，從不同層面分析人們對(duì)景觀意象的感知偏好。

2)在感知共性方面，湖泊公園中自然景觀的感知高于人文景觀，其中水體景觀、林木景觀、歷史文化是湖泊公園的核心感知要素；在空間尺度層面，人們更偏好于大尺度的空間廣闊深遠(yuǎn)的自然景觀和小尺度的精細(xì)化設(shè)計(jì)的人文景觀；在意象元素層面，游客對(duì)湖泊公園中常綠樹(shù)、湖泊、背景建筑群、草地和倒影的感知最強(qiáng)；體現(xiàn)了人們對(duì)自然風(fēng)景的向往和對(duì)地域歷史文化的認(rèn)同。

3)在感知特性方面，不同公園的感知偏好差異較大，其中代表公園特色的特異性景觀更容易得到游客的高度感知，表明了景觀特質(zhì)挖掘與差異化景觀建設(shè)的重要性。

4)總體來(lái)看，游客對(duì)湖泊公園景觀意象的感知偏好表現(xiàn)出自然性與歷史性相結(jié)合、同質(zhì)性與異質(zhì)性相共存的特征。

4.2 討論

景觀意象作為游客主體對(duì)景觀客體的認(rèn)知與情感寄托的載體[1]，反映了游客對(duì)景觀的感知偏好，其具體內(nèi)容分析可為研究地的景觀營(yíng)建與改造提供建議。1)保持自然景觀的本真性，營(yíng)建開(kāi)敞的濱水空間。提升濱水空間的親水性，創(chuàng)造可親近自然的休憩景觀場(chǎng)所。2)重視歷史底蘊(yùn)，提高地域文化感。保留人文景觀的當(dāng)?shù)卦嫘裕Ｗo(hù)公園中的歷史資源并加以改造使之成為公園核心景點(diǎn)，設(shè)立文史展覽區(qū)以加強(qiáng)人文科普教育。3)加強(qiáng)公園特色建設(shè)，體現(xiàn)公園的異質(zhì)性。避免千篇一律的景觀建設(shè)，基于不同公園的景觀風(fēng)貌與感知特性，加強(qiáng)差異化景觀的營(yíng)建與管理。

了解游客心理及其感知偏好對(duì)于公園建設(shè)和管理至關(guān)重要，目前問(wèn)卷調(diào)查是獲取游客偏好最普遍的方法，但該方法存在耗時(shí)久、樣本量受限等問(wèn)題，而網(wǎng)絡(luò)開(kāi)放數(shù)據(jù)則為研究者提供了一種了解游客景觀偏好的新方式[21]，隨著計(jì)算機(jī)視覺(jué)算法的應(yīng)用，景觀偏好研究已向大規(guī)模定量化分析方向發(fā)展。已有研究表明計(jì)算機(jī)視覺(jué)算法是分析大量圖片內(nèi)容的有效方法，且不同算法在識(shí)別不同目標(biāo)上的表現(xiàn)存在差異，如Google Cloud Vision算法在識(shí)別景觀特征(水、植被、基礎(chǔ)設(shè)施等)方面表現(xiàn)較好[22]，而Clarifai算法更擅長(zhǎng)識(shí)別情緒[23]。因此未來(lái)可考慮結(jié)合多種方法與算法來(lái)實(shí)現(xiàn)更全面的游客感知偏好研究。

本研究利用Google Cloud Vision提供的在線機(jī)器學(xué)習(xí)算法，構(gòu)建Auto ML模型分析大量網(wǎng)絡(luò)景觀照片，來(lái)量化和推斷景觀感知偏好。本研究的結(jié)論也得到了相關(guān)研究的證實(shí)，例如Pe?a L[24]和Tieskens K F[25]等發(fā)現(xiàn)山林、草地和水體景觀更受人們歡迎，Casado-Arzuaga I[26]等表明具有更多自然景觀的地區(qū)有更高的美學(xué)價(jià)值，其他研究還表明具有農(nóng)業(yè)區(qū)、山林、水體和過(guò)渡植被的區(qū)域景觀連貫性更高，而高的景觀連貫性則有助于提高景觀美學(xué)質(zhì)量[6]，這與本研究的結(jié)論相一致。除此之外，本研究的結(jié)果還表明歷史文化是人們感知偏好的重點(diǎn)，補(bǔ)充支持了Langemeyer J[27]和郭先華[28]等的研究；Junge X[29]等發(fā)現(xiàn)季相變化會(huì)影響景觀偏好，其中花卉景觀最受人們喜愛(ài)，這也與本研究的分析結(jié)果相一致。高度的一致性不僅解釋了計(jì)算機(jī)視覺(jué)算法應(yīng)用于圖像分析的合理性，也證明了網(wǎng)絡(luò)照片數(shù)據(jù)表征游客景觀偏好的有效性。

大眾網(wǎng)絡(luò)媒體可提供大數(shù)據(jù)樣本用于量化分析景觀意象特征，但由于其更常被中青年群體使用，導(dǎo)致數(shù)據(jù)存在固有抽樣偏差的局限性，可能無(wú)法代表所有公園游客[22]。因此，未來(lái)的研究可通過(guò)整合多源數(shù)據(jù)和多種方法來(lái)降低用戶偏差的影響，如加入老齡人群調(diào)查數(shù)據(jù)，實(shí)現(xiàn)更全面的分析。另外，由于國(guó)內(nèi)網(wǎng)絡(luò)媒體中地理信息開(kāi)源數(shù)據(jù)不夠完善，本研究使用的網(wǎng)絡(luò)照片數(shù)據(jù)未帶有地理坐標(biāo)信息，故難以進(jìn)行景觀意象感知偏好的空間分異分析，日后可深入探討如何實(shí)現(xiàn)景觀意象的可視化研究。

注：文中圖片均由作者繪制。

注釋：

① 來(lái)源：https://cloud.google.com。Google Cloud Vision提供的操作指南與教程，可參考https://cloud.google.com/vertex-ai/docs/tutorials，Vertex AI 代碼示例可參考https://github.com/googleapis/python-aiplatform/。