风景园林研究中的人工智能方法综述

赵 晶

曹 易*

从模拟仿真到景观可视化，从虚拟现实、增强现实到算法设计，风景园林研究逐渐步入了数字化时代，尤其是随着人工智能技术的迅速发展，针对风景园林中的模拟推演论证、参数分析调优，元素与目标的因果分析等问题，人工智能技术表现出高度的分析能力、严密的推理能力、准确的择优能力，以及高效的资料-知识转化能力等突出优点。本文将风景园林研究中常用的人工智能技术进行分类，总结了常用的智能技术特点、每类技术可解决的风景园林问题类型，并筛选了对应的风景园林研究成果进行综述，力图展现人工智能解决风景园林问题的多种可能，促进风景园林智能化发展。

1 风景园林中的人工智能相关概念及分类

1.1 相关概念

人工智能(Artificial Intelligence)的概念早在1956年由麦卡锡(McCarthy)在达特茅斯(Dartmouth)学会上正式提出，虽然定义尚未统一，但此后有关人工智能的解释不断涌现，如美国斯坦福大学人工智能研究中心的尼尔松(Nilson)教授认为“人工智能是关于知识的学科——怎样表示知识以及怎样获得知识并使用知识的学科”[1]。作为21世纪的三大尖端技术之一，人工智能极富挑战性，从狭义上讲，人工智能是计算机学科的一个分支；从广义上讲，它是研究人类智能活动的规律，构造具有一定智能行为的过程[2]。

人工智能在城市空间、建筑领域的应用始于20世纪70年代[3]。近10年来，随着互联网带来的巨大变革，人工智能已在风景园林的多个研究方向进行了应用探索，随着研究深度与广度的增强，风景园林智能化逐渐形成。笔者认为，风景园林中的人工智能是通过智能机制将风景园林中复杂的定性描述转化为定量分析和设计模型的过程。人工智能技术在风景园林研究中的作用主要体现在2个方面：1)运用人工智能算法和思维对风景园林研究中的相关数据进行高效、准确地计算与分析，从中挖掘知识与规律；2)针对风景园林研究中的复杂性、疑难性问题，建立风景园林智能模型，揭示现象背后的内在机理。基于此，本文中的人工智能主要指“弱人工智能”：能够制定并运用技术规则实现特定目标，执行能力一般优于人类[4]。其核心在于应用人工智能技术取代过去由人脑处理的工作，提升风景园林研究的信度、效度与准确性。

1.2 人工智能在风景园林研究中的分类

目前，人工智能的主流分类方法主要有2种，一种如前文所述，基于时间的发展，人工智能可分为“推理型”(如逻辑推理、定理证明等)、“知识型”(如专家系统等)和“学习型”(如深度学习、支持向量机等)。另一种是依据人工智能的算法类型，分为“符号主义”(如专家系统、知识工程等)、“连接主义”(如神经网络)和“行为主义”(如多自主体、元胞自动机等)[5]。符号主义是采用逻辑推理方法，推演出整个理论体系来模拟类人智能的过程；连接主义是利用机器模拟人类大脑的神经系统与连接方式；行为主义是通过行为活动来控制智能的新方法，具有定量化研究属性。

基于前文对人工智能相关概念的界定，根据人工智能技术的属性、功能，以及可解决的风景园林问题类型，将近年来应用于风景园林领域的人工智能方法划分为3类：人工生命类、智能随机优化类和机器学习类(表1)。

2 风景园林研究中的人工智能方法应用进展

2.1 人工生命类(Artificial Life)

人工生命的概念是由计算机科学家兰德勒(Christopher Landon)在1987年首次提出，是对具有自然生命行为特征的人工系统进行研究。它遵循自然界的规律与特质，通过人工系统的建模方法及核心算法，模拟自然生命现象，探索生命进化规律，为解决复杂现象的行为提供了新的解决方法，是一种自下而上的分布式系统模型[6]。人工生命类主要可以解决风景园林中的模拟问题，以及验证或预测实施的策略，典型技术包括元胞自动机、智能体模型与多智能体系统等。

2.1.1 元胞自动机(Cellular Automata)

元胞自动机(CA)又叫细胞自动机，由元胞、元胞状态、邻域和状态更新规则构成[7]。CA的概念最早由诺依曼(Von Neumann)和乌拉姆(Ulam)提出，主要用于解决自然领域里的动态系统模拟问题。1980年开始，CA逐渐在地理学研究中崭露头角，如城市土地动力学模拟预测、交通流的预测等。它被广泛应用于城市增长过程、景观更替、空间生态学和土地动力学等的模拟建模，展现了景观演进的内在机制和法则，帮助预测景观的未来发展形势，进而为风景园林的管理与规划提供保障。

表1 人工智能在风景园林研究中的分类

在景观格局模拟方面，李晖等运用CA技术进行景观格局的动态模拟，并结合灰色局势决策方法获得邻域转换规则，同时考虑了模拟转换时的随机性因素，验证了CA在景观格局动态变化预测中的可行性与有效性[8]。阿克约尔(Akyol)等运用CA模型与地理、景观信息相结合，自动模拟生成未来的城市景观，形成的模拟环境可测试潜在的设计解决方案[9]。

在城市土地利用与空间形态模拟方面，冯(Feng)等提出了一种基于惯性权重粒子群优化的城市增长CA模型，将群体智能引入城市建模中，减少了模拟的不确定性，建立了高效的CA模型来模拟城市动力学[10]；黄焕春等运用改进的logistic-CA模型，来模拟预测天津市滨海地区2011—2020年3种状况下(历史外推、内生发展、外生发展)城市形态的演化空间过程特征，进一步获取影响城市形态扩展的要素，掌握城市发展过程[11]。

近年来，CA模型在模拟土地利用模式、预测空间格局演化等领域的应用已较为成熟，但在景观格局模拟上应用尚少。由于CA能够利用简单有效的规则对复杂系统进行建模，因此可以逐渐发展成为可持续景观规划的一种新型表现技术。

2.1.2 智能体模型(Agent-based Model)与多智能体系统(Multi-agent System)

1971年，谢林(Thomas Schelling)在分割模型中首次提出智能体模型(ABM)的基本概念，到21世纪初，ABM已被应用于风景园林、建筑和城市规划的各个层面，如设计和模拟人流、评估城市环境等。其中，“agent”表示计算机软件的智能行为，称为智能体。在风景园林研究领域，agent可以是个体或组合，如城市智能体、设计师智能体、市民行为智能体等，每个智能体按照自身属性规则运行；可以是完全异质的，没有全局数据或全局控制；依问题需求，可自由加入和删除等。

多智能体系统(MAS)是一种用来模拟多个智能体同时行动和交互作用的计算模型，由不同专家合作求解，再现和预测复杂现象，它可以将庞大复杂的系统转换成小而简单、方便管理的系统。它通过采取“自下而上”的涌现方法，可以模拟极其复杂多变的景观情况。在风景园林研究中，它的优势主要体现在如下几个方面。1)智能性。运用推理、模拟等多种方式来学习曾经接触或给定的风景园林知识。2)自主性。根据问题，自主地选择合适的解决方案，并对景观环境产生影响。3)协调性。作为一个集成系统，通过多个智能体的合作解决单一智能体无法解答的难题。4)异步性。由于每个智能体都有自主性，因此能够根据自己的步调使彼此之间异步运行。5)沟通性。智能体之间能够互相交流，高效处理问题。6)异质性与分布性。作为分布式人工智能的分支，智能体可以是不同的景观元素，运用的设计方法和计算机语言也不相同[12]。

在风景园林设计与城市规划方面，不同的决策者可以成为智能体进行模拟预测。莱顿柏格(Ligtenberg)等以荷兰某区域的土地使用规划情况为例，利用MAS基于多个决策主体因素模拟场景的空间规划[13]；侯赛因阿里(Farhad Hosseinali)等提出了一种基于ABM的未来土地利用预测模型，对伊朗加兹温省的城市土地利用进行模拟，通过采用现有数据校准，测试了4种未来发展情景[14]。

在自然资源管理方面，博恩(Bone)等发现智能体模型能够通过学习，利用时空知识设计出提取自然资源方案的最优解[15]；傅强等基于GIS平台建立了智能体的生态格局评价模型，发现了不同林地空间格局及生态网络保护框架对于物种生存与扩散的影响[16]。

MAS作为景观系统分析与模拟的重要工具，通过预测模拟，给予了景观空间开发更多的可能性，相较于传统的风景园林研究方法，可提供更多的量化数据。

2.2 智能随机优化类(Intelligent Stochastic Optimization Processes)

随机优化方法(SO)是一种生成并利用随机元素的优化算法，随机元素不仅包括数据的随机性，还包括算法本身的随机性。在风景园林研究中，智能随机优化方法主要用于求解优化问题的最优解。这类问题对任意解有确定的评价方法，但试遍全部可能解而找出最优解的时间成本太高，因此引入随机元素来加速搜索过程，不仅能高效地找到最优解，而且对模型的误差具有鲁棒性[17]。又因为随机性的引入，更容易找到全局最优解，而避免陷入局部最优解。它主要可以解决景观决策中的参数调整、全局寻优的问题。常见的随机优化方法主要包括遗传算法和模拟退火法。

2.2.1 遗传算法(Genetic Algorithms)

遗传算法(GA)由霍兰德(John Holland)在20世纪70年代初率先提出，是一种基于自然选择和种群遗传学机制的概率搜索算法。与应用于风景园林的其他算法相比，GA能够跳出局部最优而找到全局最优解，能够使用极其复杂的适应度函数，并控制变量的变化范围。作为一种进化算法，它的优势还表现在具有快速搜索能力，搜索过程简单，具有随机性、并行性、自适应性与可扩展性，容易与其他算法结合等。

除了能够模拟自然界中的现象外，GA现已被广泛用于解决各个领域的优化问题，以及涉及随机性的系统建模、模拟和预测等领域，尤其擅长处理环境复杂、约束条件众多的风景园林研究问题。近年来，GA在辅助景观评价、景观数据分析，以及寻优上应用较多。高(Yang Gao)等以不同时期的遥感数据为基本数据源，选取并构建了聚集度、景观破碎度、景观形状指数、Shannon多样性指数、景观脆弱度指数和景观安全邻接指数，基于GA的投影寻踪方法，生成景观生态安全指数，有效提升了景观生态安全评价效果[18]；张郴等以旅游城市南京为例，运用GA的特征选择方式搜索城市文化景观的表征形式与表征机制，为旅游定量研究提供了由数据驱动的智能化研究手段[19]。

GA的运行与人类思维逻辑习惯近似，但GA对初始值及参数的设定要求较高，要求研究者对参数调优具有较丰富的经验。目前其在风景园林研究中的应用还很有限，需要更多的实践尝试。

2.2.2 模拟退火法(Simulated Annealing)

模拟退火法由梅特罗波利斯(Metropolis)等在1953年首次提出[20]，是一种和固体材料退火原理类似的算法。作为一种优化算法，它通常能够在一段时间内提供某一空间内的近似最优解，从而有效跳出局部最优，得到全局最优。SA对分析主体的初始状态要求较低，可有效解决复杂的大规模优化组合问题。在每步迭代过程中，SA接受次优解的概率会随着时间的推移而逐渐降低，这也保证了算法的稳定性。

模拟退火法在森林景观运营管理、景观配置等方面有着明显优势，与其他算法相比具有计算过程简单、通用性强、运行效率高、受初始条件约束少，以及擅长解决非线性优化问题等特征。韦斯特法尔(Westphal)等在南澳大利亚高山山脉通过恢复植被为鸟类修复生境，为确定景观配置，利用SA和迭代改进启发式算法，寻找到不同目标函数和预算大小的有效解，最大限度地实现所有植被景观的预计数量[21]；于慧伶等运用并行模拟退火算法针对森林在不同阶段的不同价值指标，以及持续的动态变化，研究在独立搜索与合作搜索的共同作用下，接收各自线程的局部优化解，对比后得出全局最优解，进而实现高效低成本的森林管理[22]；董灵波等采用SA算法建立了3种优化森林空间规划的模型，通过量化方法比较不同空间约束形式形成的规划效果，以一种近似最优的方式完成森林空间结构的构成和配置需求[23]。

2.3 机器学习类(Machine Learning)

机器学习是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法，作为人工智能的一个分支，自20世纪80年代以来被研究最多、应用最广的是“从样例中学习”，主要包括3种类型：1)符号主义学习，其代表算法为决策树，直接模拟了人类对概念进行判定的树形流程；2)连接主义学习，其代表为人工神经网络，以及近期发展很快的深度学习，虽然产生的结果可解释性较差，但在工程领域的应用效果是最好的；3)基于统计学习，其代表为支持向量机，主要是结合推断统计学的理论成果。机器学习主要可以解决风景园林中的分类问题、评分问题，以及每个元素对于景观结果的影响问题。在风景园林中应用较为广泛的是符号主义和连接主义学习，如人工神经网络、卷积神经网络、决策树和随机森林等。

2.3.1 人工神经网络(Artificial Neural Network)

人工神经网络(ANN)是由简单单元(通常具有自适应性)组成的大规模并行互联网络，能够像生物神经系统一样与现实世界进行交互[24]。在机器学习和认知科学范畴内，它被称作一种具有学习能力和泛化能力的信息处理系统。

近几十年来，ANN受到生物神经和大脑结构的启发，大量原始技术可用于解决风景园林实践问题，它的主要优点表现为：1)学习能力，如将待识别的图像与应识别的效果输入神经网络，网络就会通过学习自动识别出相似的图像，这种功能对于风景园林领域的预测问题具有重要意义；2)ANN利用激活函数和多隐层的结构，表达能力大大增强，能充分逼近复杂的非线性关系；3)联想记忆能力，一个训练好的ANN网络，每一层的网络参数都具有固定意义，当新添加或修改特征时，可保留原先的网络参数，只训练新特征对应的参数。但同时，ANN像黑箱一样，没有任何规律，学习的过程是不可见的，输出结果难以解释。

目前在风景园林学中，ANN已被广泛应用于景观分类、模拟预测和评价等研究领域。在景观信息分类研究中，刘(Liu)等提出了一种基于规则的专家系统分类器和ANN分类器的分类集成方法，提高了土地覆盖分类精度[25]；苏塞克斯(Tatiana Sussel)等采用ANN，结合高清航拍影像和激光衍生图像，实现了对道路区域的精确分类，降低了自动提取城市道路网的复杂性[26]。

在景观的模拟预测研究中，塔伊布(Tayyebi)等提出了一种利用ANN、GIS和RS模拟几何形状的城市增长边界模型(UGBM)，预测城市增长，保护周围的乡村景观[27]。同时，ANN还表现出较强的泛化能力，陈冬洋等以澄迈林场森林景观为例，基于ANN优秀的泛化力、自适应、快速寻优等特点，结合移动窗口法，建立森林景观格局模型，对森林结构变化进行模拟分析[28]；赛义德(Al-Sayed)等通过ANN训练描述了街道宽度、建筑高度、街区密度和零售土地使用与街道可达性之间的关系[29]。

景观综合评价不仅是认知场地的基本途径，更可为风景园林设计实践与资源管理提供科学高效的研究方法与理论依据。在选择评价因子和评价方法上，宋(Sung)等将ANN和GIS相结合建立了MD发展模型，利用ANN的景观元素值，对基于MD开发的大型住宅综合体景观进行评价[30]。

与传统方法相比，ANN具有一定智能推理、并行运算的技术优势，可以有效处理风景园林中的非线性问题，准确性高。

2.3.2 卷积神经网络(Convolutional Neural Network)

神经网络模型的算法很多，深度学习(deep learning)是最具代表意义的复杂模型之一，它是很深层的神经网络。而卷积神经网络(CNN)又是深度学习中最为典型、受关注度最高的算法。作为一种前馈神经网络，CNN具有局部连接、权值共享、池化操作及多层结构的特征[31]，与传统的手动提取特征相比，它能从已知数据中自动学习、挖掘特征：局部连接有效减少了连接量，使机器训练更加简单方便；卷积层的权值共享特点使训练参数减少，网络模型更为简单，降低过拟合问题的出现，泛化能力提升；池化操作能够对输入的局部变换，如平移、旋转等，保持网络模型的不变性，具有较强的鲁棒性和泛化能力；模型结构的可拓展性增加了层数的深度，可应对更为复杂的分类问题，表达能力提升。简言之，CNN通过增加层数深度改善拟合目标函数，能更好地发现特征。近年来，CNN在图像识别、语音识别、语音检索和医疗等领域应用广泛，成效卓然。

由于CNN能够从海量图像中自动学习，提取抽象的特征，因此在风景园林图片信息识别、特征提取和分类上应用广泛，其中SegNet是风景园林研究中使用频率较高的CNN图像语义分割工具。胡(Fan Hu)等利用CNN在对象识别和检测方面的优越性能，对遥感图像场景分类，证明了经过预处理的深度CNN对高清遥感(HRRS)影像具有较好的泛化能力和城市形态特征发现能力[32]；叶宇等在街道景观绿化可见度研究中，采用SegNet将街景图片中的像素点准确识别为天空、建筑、绿化等具象要素，为后续绿化要素比值运算提供信息[33]；李小江等运用CNN模型的图像分割技术，从街道图像中识别马萨诸塞州剑桥市的城市特征，进而得出绿化空间分布信息以及街谷开阔程度的计算值[34]；唐(Jingxian Tang)等以北京历史街区空间的胡同为例，基于腾讯街景图片，将SVPs和CNN工具(SegNet)相结合，评估街道空间的物理视觉质量，探索了一种对大面积街道空间进行视觉质量评价和变异识别的新方法[35]。

虽然CNN所具有的能力已被广泛应用于景观图像信息的深度处理中，但仍然存在一些有待改善的不足之处，如学习数据与测试数据如果分布不同，容易导致识别结果不准确等[36]。同时，相比ANN，CNN所需学习的数据量较大，模型构建复杂度较高。

2.3.3 决策树(Decision Tree)

决策树在机器学习中是一种预测模型。通常，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点。使用决策树方法的目的在于产生一棵泛化能力强、能够处理未见示例的决策树，其基本流程遵循简单且直观的“分而治之”(divide-and-conquer)策略[37]。

由于决策树易于理解的性质与人类推理相似，因此被广泛用于表示景观的分类模型。与其他学习算法相比，决策树的优势还包括所需数据简单，不需要预处理；可兼顾处理数据型和常规型属性；容易推导出逻辑表达方式；易于测试模型可信度；根据大数据做出决策的速度快、效果好；具有对多属性数据源建立决策树的能力；扩展性强，且自身大小不受数据库影响等[38]。

在风景园林学中，由于决策树的算法能够根据约束条件进行调整，生成多个假设，因而可为风景园林设计的行为结果提供预测指导。内德(Naderi)等运用决策树学习算法对收集的数据进行归纳推理，生成的决策规则可以构建出自顶向下的概念层次模型，来分析步行目的与人们对步行景观质量感知之间的关系[39]；海尔(Kheir)等使用GIS、遥感技术、结构分类技术和决策树模型来制定水土流失的优先级管理规划，基于景观特性建立了侵蚀因子的决策树回归模型[40]。

在处理风景园林研究的分类问题上，决策树算法的引入实现了分类的自动化和高精度化。齐乐等运用决策树分类技术，从不同遥感影像数据中提取主成分、植被信息、纹理信息等，实现了计算机高精度的遥感影像分类，验证了基于CART遥感影像决策树的分类方法精度较高[41]；范得海根(Vanderhaegen)等运用决策树对城市形态特征进行分类，分析了传统景观生态指标在绘制城市形态方面的不足，提出了度量景观空间布局的新方法[42]。

2.3.4 随机森林(Random Forest)

随机森林(RF)作为决策树的改进算法，解决了后者泛化能力弱的问题。由于RF能够在运用小规模的训练样本以及有限计算量的情况下，实现短时间内较准确的分类，提高了问题预测的准确性，因此被称作代表集成学习技术水平的算法。同时，RF算法避免了决策树增多可能带来的过度拟合问题，在一些信息丢失或不全面的情况下，仍然能泛化误差，保持运算的准确性，也能较好地处理异常值问题。特别针对分类问题时，可以评估变数的重要程度。近年来，随着RF算法的逐渐成熟，已被广泛用于生物学、医学、经济学、管理学和风景园林学等领域中的分类和预测问题。

在风景园林领域中，RF的高精度树形分类器特征常被用于景观生态、土地覆盖等分类研究，尤其是提取遥感数据的RF算法应用较为广泛。皮桑(Anne Puissant)等利用RF分类器和面向对象的方法，从高分辨率光学图像(VHR)中记录并绘制城市树木空间，并在法国斯特拉斯堡市不同类型的建成区数据集上对其性能进行了评估，结果显示RF分类技术具有较好的准确性和较高的鲁棒性[43]；詹国旗等基于GF-2遥感数据，运用RF算法对吉林省白城市通榆县东部地区进行了高精度的湿地分类[44]。

在景观问题预测方面，RF技术在分布预测模型上表现出更好的性能。彼得斯(Jan Peters)等在景观生态水文研究中建立了RF模型，预测研究区域内植被类型分布，通过将精度与回忆度相结合的F测度方法验证了RF具有较准确的预测结果[45]；陈妍等运用卫星遥感影像和地面植被盖度监测信息生成RF回归模型，推演出布尔津县草场植被盖度的变化趋势，验证了RF较强的预测能力[46]；吴小君等利用RF优秀的拟合性建立山洪灾害模型，预测灾害风险度，并指出该模型在评价山洪灾害等级上具有较高的精准度[47]。

在变量重要性分析研究中，利尔(Cecília G. Leal)等针对人为干扰对亚马孙河流域内生境的物理和化学特征问题，使用RF回归树进行分析，评估了不同预测变量在河流内栖息地反应变量变化中的重要性[48]；拉森(Courtney L. Larson)等在一项研究人群娱乐活动对保护区中物种影响的项目中，利用RF模型得出了影响访视率空间变化的生物物理学因素和社会经济因素[49]；夏繁茂等在园林植物优选系统中运用RF算法建模，得到分析变量的相对重要性结果[50]。

RF在景观土地、植被分类、预测环境发展对景观生态的影响，以及分析景观中的变量重要性等问题上应用频率较高，特别是在景观生态领域，是一种高效的预测工具。

3 混合智能系统的应用前景

通过前文的梳理可见，不同的人工智能技术关注的风景园林问题不同，随着人工智能应用的日趋广泛，一些单一技术的问题逐渐显露，同时，风景园林实践作为一个由多种因素共同影响的复杂综合体，仅依靠单项技术常常难以解决问题。面对这些现象，近年来，一种将多种智能算法结合起来的混合智能系统(Hybrid AI Systems)发展起来。它综合了2种及以上的人工智能技术，将经典人工智能算法与现代人工智能算法综合起来，兼具多项技术的优势，能运用多种算法和公式协作进行模拟仿真[51]。下面梳理一些常用的智能混合系统，以期在研究方法上给予一些启发。

CA-GA模型可以用CA分析景观变化机理，利用GA对CA的模型转换规则或参数集进行优化或校准，如冯永玖等利用GA将CA参数编码成染色体，通过比对模拟数据与真实情况，挑选最优染色体，建立土地利用模拟及景观评价模型[52]。GA-NN模型中的GA能够自动调整NN的内部参数，并降低分类器系统的复杂度，具有较高的分类性能，同时，NN系统具有自适应性和实时性的属性，它能不断学习并存储新的模式，如默奇卡科(Mougiakakou)等基于NN和GA建立了Hybrid-NN，将专家知识与NN分类器相结合，能够根据美景度对景观图像进行分类[53]。CA-NN可以简化CA模型的结构，显著降低对识别相关知识的要求，挖掘景观问题的演变规则，如陈华根等基于CA和学习矢量量化神经网络(LVQ network)，结合不同时相遥感数据，寻找土地利用演变的内在规律，自动找到土地利用元胞的转换规则，反演和预测土地利用格局[54]。CA-ABM模型兼具了CA的空间自组织性，以及多智能体的决策能力与学习能力，可代理景观发展过程中的多个决策行为对象，从而更精确地模拟景观动态演化过程，如张云堂运用CA表征城市扩张模拟的空间环境和城市发展的空间自组织性，多智能体可代理居民、开发商及政府[55]。RF-CA模型借助RF在过拟合、运算精确度和时间复杂性上的优势提取CA的转换规则，提升城市格局变化模拟、预测的精度，如张大川等利用RF-CA模拟、预测不同类别的土地变化趋势与利用情况，并准确地获取了各空间变量的参与度[56]。

随着人工智能在风景园林研究中应用范围与深度的拓展，国内外学者已经设计出许多个性化的混合智能系统应用于风景园林领域。常见的混合智能系统算法包括CA、ANN、CNN和GA等。由于目前混合智能系统仍在发展初期，众多先进技术还在不断融入，基于混合智能系统的风景园林研究还有很大的发展空间。同时，在当前的风景园林研究中，混合系统的使用尚不普遍，实践应用性还有待加强。

4 结论与讨论

人工智能揭示了风景园林研究数字化、智能化的发展趋势。虽然本文所述内容并不能囊括风景园林中应用的全部人工智能技术，但展现了人工智能自主性、数字性、综合性的技术优势，它是传统定性研究方法的有益延伸。研究还发现：1)当前人工智能技术应用于风景园林单一学科的研究较少，大部分是涉及城市规划、生物学、地理学等多学科的综合研究，说明风景园林研究中的人工智能应用尚处于初级阶段，生成模型的应用广度和有效性还有待提升；2)建立的人工智能模型多用于风景园林研究的调查分析、模拟预测和评估方面，风景园林智能设计方面较少，这主要是因为风景园林设计是人们主观情感与客观条件共同作用的结果，但现阶段应用的主要为弱人工智能，不具备自主意识，尚不能代替人类的情感需求；3)虽然人工智能在风景园林研究中的应用越来越广泛，但解决风景园林实践复杂性和不确定性问题的能力仍然有限，整合到一个系统框架中难度尤甚。原因之一是缺乏集成多种人工智能方法的高级架构；其二是基于人工智能的景观建模是跨学科的智能系统，涉及计算机科学、风景园林、生物和地理等多学科，对某一专业知识的欠缺都会限制智能模型的生成。

尽管当前的人工智能技术与风景园林结合运用尚不成熟，但随着技术的积累与飞速发展，风景园林研究将会获得更多智能化的科学支持。未来风景园林的智能化发展，需要积极尝试建立混合多种人工智能方法的景观模型，推进多种技术的协调集成；其次，提高模型的精确度与效度，加快风景园林研究的自动化水平；再次，应尝试发展智能型风景园林的理论与方法，同时运用智能算法加强多学科的知识联动。相信未来人工智能在风景园林领域的应用潜力无限，也会为风景园林的可持续发展带来无尽的可能。