基于层次分析法和人工智能技术的乡村景观设计效果评估

曾丽娟

摘  要： 为研究乡村景观资源并分析景观问题，提出基于层次分析法和人工智能技术的乡村景观设计效果评估方法。以门头沟为例，通过层次分析法构建乡村景观设计效果评估指标体系并确定指标权重，采用基于人工智能技术的BP神经网络构建乡村景观设计效果评估模型，从目标层、项目层及指标层三方面指标评估乡村景观设计效果。结果表明：该方法可有效评估研究区乡村景观设计效果，其中指标层评估值在0.4～0.64之间，综合评估为优，目标层的综合评估分值是0.60，设计效果为优，项目层的承载力与吸引力综合评估均较优，说明研究区在开展乡村旅游方面潜力与条件充足;该方法误差变化趋势较为平稳，整体相对误差低，说明该方法具有较高的准确性与理想性，可为乡村景观资源问题的分析及设计效果评估奠定基础。

关键词： 乡村景观设计评估; 层次分析法; 人工智能技术; 景观设计评估模型; 评估指标体系构建; 评估方法对比

中图分类号： TN99?34; S372                      文献标识码： A                      文章编号： 1004?373X（2020）11?0128?04

Rural landscape design effect evaluation based on AHP and AI

ZENG Lijuan

（Guangdong Polytechnic Normal University， Guangzhou 510665， China）

Abstract： In order to study rural landscape resources and analyze related problems， an evaluation method of rural landscape design effect based on AHP （analytic hierarchy process） and AI （artificial intelligence） is proposed. Mentougou is taken as an example for this research. On the basis of AHP， the evaluation index system of rural landscape design effect is established and the index weight is determined， the evaluation model of rural landscape design effect is established by AI?based BP neural network， and the rural landscape design effect is evaluated from indexes of target layer， project layer and index layer. The results show that this method can effectively evaluate the rural landscape design effect of the research area. The evaluation value of index layer is within 0.4～0.64， and its comprehensive evaluation is excellent; the comprehensive evaluation score of the target layer is 0.60， and its design effect is excellent; the comprehensive evaluation of both the carrying capacity and attraction of the project layer is good. The above shows that the research area has sufficient potential and conditions for developing rural tourism. The error change trend of the method is relatively stable and the overall relative error ratio is low， which indicates that the method is of high accuracy and ideality， and can lay a foundation for analysis of rural landscape resource problems and evaluation of design effect.

Keywords： rural landscape design evaluation; AHP; AI; landscape design evaluation model; evaluation index system construction; evaluation method contrast

0  引  言

随着近些年人们生活水平的提高，人们对旅游的需求也随之增长[1?2]，而乡村旅游也成为当下旅游者们所选取的重要旅游场所，因此，乡村景观资源的开发也逐渐趋于商业化。但是，因开发的不合理所带来的乡村景观自然度与特殊文化的丢失，造成乡村景观无法向高层次发展[3]。为保护乡村景观的特殊文化与环境的优化性，令乡村景观的格局更具多功能性，在对乡村旅游景观资源开发时需采用科学的乡村景观评估方法[4?5]，可有效规划乡村景观各资源，以免不合理的过度开发乡村旅游景观，所以对乡村景观设计效果进行综合评估意义重大。

由美国学者马斯·萨提最先提出的层次分析法（AHP），通过对定性问题采取定量分析，属于一种多准则决策方式，是极具代表意义的问题分析方法[6?8]。它可拆分掉一个繁琐的问题，使其具备多个方面，将这些方面分别当作此问题的各个层次[9]，再模糊量化各个层次的定性指标，汇总排列所调查的结果后，研究评估的定量依据即可产生[10?11]。BP神经网络作为一类人工智能技术，是可通过模仿人类的大脑实现学习的算法[12?13]，在安全评估及风险预估等方面应用时可处理多个指标的变权动态求解等问题，故而本文对乡村景观的设计效果评估时，采用BP神经网络算法构建乡村景观设计效果评估模型的方式实现。

1  评估方法

1.1  研究區概况及数据来源

门头沟地处北京西部，辖区总面积1 448.9 km2，山地面积占98.5%。现有9个镇、4个街道办事处，2008年末常住人口27.5万人，其中，居民面积、林地面积、河流面积分别为0.092 8 km2，11.675 8 km2及0.433 8 km2。当地居住村民主要通过管护林、出外务工及经济林作为经济来源，门头沟区空气怡人、水质清澈，且被众山围绕，近些年逐渐通过自有景观特点成为民俗旅游的代表民俗乡村。依据2015年5—9月的实际考察获取所研究地区的自然数据，依据2015年的北京统计年鉴获得该地区社会经济情况。

1.2  基于层次分析法的乡村景观评估指标体系

1.2.1  乡村景观设计效果评估指标体系构建

评估区域的景观主要有以下特色：繁琐的山地形态、众多绿色植物覆盖、林木种类繁多、水源水质好、乡村景观中独具特色及景观会依据季节产生变化。依据评估区域景观的特色采用层次分析法选择评估指标。首先，确定基本层次框架为目标层、项目层及指标层，其中，项目层划分为吸引力、生命力及承载力三项指标。吸引力由森林景观多样性、景观季节特色性、历史遗迹知名度等构成;生命力由农产值年增长率、人均年纯收入增长率及大气质量构成;承载力由历史遗迹完整度、人口密度、游客满意度及居民满意度构成。构建乡村景观评估指标体系时，先依据前一层次所定义的内容大致划分类别，再经由收集与调研资料，细致划分各层次各方面的具体内容，最后结合所研究区域的乡村景观特色与选择指标的基本准则选取评估指标，见表1。

1.2.2  确定指标权重

指标权重的确定通过层次分析法实现，利用各相关专家所构建的首要性矩阵并核实其统一性后，对应的指标权重是由此获取的特征最高值的特征向量权重，通过计算每个专家所设定权重的均值即为最后的权重。

1.3  基于人工智能技术的乡村景观设计效果评估模型

1.3.1  构建BP神经网络

以学习规则为核心的BP神经网络属于一种人工智能技术的机器学习算法[14]。组成其学习过程的为正向传播和反向传播两部分。评估乡村景观设计效果时，采用三层BP神经网络模型实现[15]，包括单输入层、单输出层与单隐含层。神经网络的输入由上文构建的乡村景观评估体系内的14个指标层构成，神经网络的输出为乡村景观的评估值，通过输入、输出向量的维数确定输入神经元与输出神经元的个数分别为14个与1个。

参变量可设为：从输入层（隐含层）到输出层（隐含层）的权值设为[vlk]，每个节点连接的权值设为[vku];输出层（隐含层）的每个节点阈值依次设为[βl]，[βk];输入层的单元状态与输出层（隐含层）的单元迭加信号依次设为[Lau]，[mal]（[mak]）;已确定的某组评估指标设为[a]。

BP神经网络训练和工作过程主要由以下几部分组成：

1） 样本的输入。归一化到[0，1]区间内的网络训练样本数据，同已确定的期望输出一并输入到经过初始化的网络中。

2） 正向传播。[Mak]，[Pal]为隐含层和输出层每个节点的输出情况，则有：

[Mak=bmak=buvkuLau-βk]     （1）

[Pal=bmal=bkvlkLak-βl] （2）

式中：[b]表示激活函数，[by=11+c-dy]，[d]表示常数。

3） 网络的现实和理想两种输出之间的误差为：

[CV=12l?aAal-Pal2]    （3）

式中：所有权构成的向量与理想输出分别用[V]，[Aal]表示。

4） 反向传播。修正权值和阈值的表达式为：

[vlke+1=vlke+1-σΔvlke+σΔvlke-1vkue+1=vkue+1-σΔvkue+σΔvkue-1] （4）

[βle+1=βle+λPal1-PalAal-Palβke+1=βke+λMak1-MaklvlkAak-Pak] （5）

式中：[e]，[λ]分别表示训练次数与学习效率;[σ]表示动量因子，且[0≤σ<1];[Δvlk=-λ?C?vlk];[Δvku=-λ?C?vku]。

5） 乡村景观设计效果评估。符合需求的权值与阈值通过以上迭代算法学习训练后，可得到向BP神经网络模型内输入等待评估的乡村景观设计效果的评分数据，所对应的输出值便是汇聚各专家经验和知识的评估结果。

1.3.2  BP神经网络训练与仿真

1） 样本数据的获取。根据乡村景观设计效果的评估指标体系与乡村景观的评估准则，特邀业界内各专家学者所组成的评委组共同参加调研工作，并对乡村景观设计效果的吸引力、生命力及承载力三方面所包含的14个指标层实行评估打分，各专家均熟悉乡村景观的设计并拥有足够的景观评估知识和经验，对所评估区域的文化特征较为了解，其中，邀请的景观学专家、生态学专家及交通工程专家各5位，每个领域内的5位专家所打分的平均值即为每个指标层的最后评分。评估等级时需结合现实状况，因为每个指标层之间存在一部分模糊特性，故设1与0为评估的最高与最低分，评估的标准见表2。BP神经网络模型的样本数据即为所获得的综合评分数据，也就是评估的标准值。

2） 学习与训练BP神经网络。以数组样本数据为训练样本，通过Matlab实现对BP神经网络的训练。训练函数与隐含层函数分别设为trainlm，tansig，输出值为[0，1]之间的logsin输出层函数，以1 000与0.000 1分别作为最高训练次数与训练的目标。为降低网络的系统误差与迭代次数，重复多次地对网络以不同的隐含层层数与学习率实行训练，直到网络稳定且网络参数与结构可被确准，最后确准14[×]10[×]1为乡村景观设计效果评估模型的三层BP神经网络结构。

3） BP神经网络的检测与仿真。采用作为网络检测样本的余下样本数据检测评估模型的可靠性与合理性。比对分析后可了解到，评估模型经过训练其期望输出和仿真输出的相对误差都低于4%，见表3，误差范围合理，仿真评估结果同原数据的结果相同，可用于综合评估乡村景观的设计效果。

2  实际应用

以门头沟乡村景观为例，评估其设计效果的指标层、目标层及项目层各项指标的综合评估值，并与其他方法对比验证本文方法的准确可行性。

2.1  门头沟乡村景观指标层评估

为了对门头沟乡村景观的设计效果实行评估，特邀相关方面的专家共同评估乡村景观的设计效果，经过详细的分析和探讨研究区的大概状况与工程项目状况后，依据前文所构建的乡村景观设计效果评估指标体系与评估模型，为研究区的乡村景观设计效果评估打分，向经过训练的评估模型内代入评分数据，最后网络评估结果通过Matlab运算输出，如表4所示。

通过表4可以看出，研究区指标层中评分结果最低的为农产值年增长率和历史遗迹完整度，说明该地区应重视这两方面指标的优化;所得综合网络仿真评估值在0.4～0.64之间，说明研究区乡村景观指标层综合评估为优。由此验证本文方法可准确评估研究区乡村景观设计效果的指标层各指标评分，说明本文方法评估有效。

2.2  门头沟乡村景观综合评估

依据2.1节中研究区指标层各指标评分结果，采用本文方法计算得出研究区乡村景观设计效果的综合评估结果，如表5所示。

通过表5可以看出，研究区的综合评估分值是0.60，说明研究区的乡村景观设计效果优，且三个项目层的综合评估值分别为0.65，0.48，0.67，说明研究区的承载力指标最优，生命力指标相对最为薄弱，由此可知，此研究区的环境状态较好，而经济发展水平和社会综合条件仍需改善，且该评估结果同乡村的现实调查状况几乎一致，说明本文评估方法具有准确可行性。

2.3  评估方法对比

为进一步验证本文评估方法的可靠性与合理性，现将本文评估方法与模糊综合评估法、美景度评判法（SBE）分别进行对比。以14个指标层中[F1～F7]，[F8～F14]作为样本数据，分别对比其他两种评估方法的相对误差值，具体对比结果如图1所示。

通过图1a）可以看出，模糊综合评估法的相对误差值出现三个高峰，评估结果不够可靠、准确，而本文评估方法的相对误差变化趋势较为平稳，且整体的相对误差均低于模糊综合评估法;通过图1b）可分析出，美景度评判法仅出现一次最低相對误差值，其余6次相对误差值均较高，评估效果极为不理想，本文评估方法的相对误差值始终保持在4%的合理误差范围内，说明本文评估方法的准确可靠性及理想性更高。

3  结  语

采用本文提出的基于层次分析法和人工智能技术的乡村景观设计效果评估方法，对门头沟乡村景观设计效果的评估发现，此乡村具有丰富的森林景观资源，历史遗迹完整度较好，乡村景观的整体结构设计效果较为理想，承载力及吸引力较优，具备开发乡村旅游的充分条件。但乡村景观中的生命力仍有不足之处，需针对此因素展开充分的调研评估，克服不利于此因素发展的条件，合理利用此乡村的优势条件，以期更为科学合理地规划此乡村旅游景观的设计效果，实现乡村景观独有的特色，为此乡村带来更大的旅游发展效益。

参考文献

[1] 康秀琴，李海防.基于层次分析法的桂林市“两江四湖”景区植物景观评价[J].中南林业科技大学学报，2016，36（3）：129?133.

[2] 徐新洲，薛建辉.蠡湖湖滨湿地景观生态格局分析及适宜性评价研究[J].西北林学院学报，2019，34（3）：219?224.

[3] 孙姝亭，陈美谕，李苹，等.北京市居民小区景观林林内景观质量评价研究[J].西北林学院学报，2016，31（5）：297?305.

[4] 肖伟峰，张婷婷.基于视觉分析的百色市麒麟山公园景观要素评价与布局优化[J].规划师，2016，32（4）：78?84.

[5] 刘佳丽，杜荣祥.西双版纳景观格局时空变化及其生态效应研究[J].环境科学与管理，2016，41（9）：167?171.

[6] 赵敏，牛晓军，薛小杰.基于层次分析法的特色地域文化酒店建筑设计方案的比较研究[J].四川建筑科学研究，2017，43（6）：110?113.

[7] 聂军委，韩立军，孟庆彬，等.层次分析法在巷道支护优化设计中的应用研究[J].煤炭技术，2016，35（4）：73?75.

[8] 孙传龙，张卓栋，邱倩倩，等.基于层次分析法的锡林郭勒草地景观系统风蚀危险性分析[J].干旱区地理，2016，39（5）：1036?1042.

[9] 解铭.基于层次分析法的多属性灰决策方法及应用[J].数学的实践与认识，2018，48（20）：107?113.

[10] 秦国华，吴志斌，叶海潮，等.基于层次分析法与定位确定性的工件定位方案规划算法[J].机械工程学报，2016，52（1）：193?203.

[11] 汪鹤，相蓉，张道农，等.基于层次分析法的时间同步装置多源判决模型[J].电力科学与技术学报，2016，31（3）：8?13.

[12] 海清，李维民.基于人工智能技术的认知光网络结构研究[J].光通信技术，2016，40（5）：15?18.

[13] 徐彬彬.基于人工智能技术的建筑工程造价估算研究[J].湖南城市学院学报（自然科学版），2016，25（4）：24?25.

[14] 陈娟.基于人工智能Agent技术发展现状分析[J].电脑知识与技术，2016，12（3）：195?196.

[15] 朱志鹏，黎俊仪，傅伟聪，等.云南洱海次生水面枯木景观评价[J].江苏农业科学，2016，44（3）：236?239.