人工智能在现代景观园林设计中的运用策略

杜海荣

（安阳市三角湖公园管理站，河南 安阳 455000）

0 引言

随着社会文明程度的不断提升，赋予景观园林的功能也逐渐多样化，服务对象也逐渐囊括了了所有年龄段。过去。景观园林仅服务于老年人，而现代化园林已面向了儿童、中青年，因此，在开展现代景观园林建筑设计中，无论是儿童公园还是中老年健身场馆设计，都呈现更加精细化特点。这就造成传统的景观园林设计方式存在的问题越发明显，严重限制了城市景观园林建设的健康发展。本研究基于相关学者研究资料的梳理，在概述了人工智能技术专家系统、机器学习、智能优化计算及迁移学习等方面内容基础上，对城市景观园林设计中人工智能技术的具体应用方面展开了深入分析，以求增强公园景观效果。

1 人工智能技术概述

人工智能就是融合了数学、统计学、逻辑学与伦理学于一体的交叉性学科，其基本思路是借助计算机智能载体，实现相应工作环境中的对象分析效率提升。机器学习是人工智能技术的核心研究方向，通过算法的不断改进，使历史数据得到精确分析与处理。现阶段，应用最为广泛的机器学习方法主要包括传统机器学习、集成学习、深度学习、迁移学习以及智能优化计算。随着人工智能技术水平的进一步提升，对于人工智能技术的研究已逐渐从浅层的传统机器学习模型过渡到深度学习模型，这一转型使电力设备状态的分析结果更具准确性与高效性[3]。

1.1 专家系统

专家系统是最早的人工智能雏形，其实现形式就是对专家决策能力的计算机系统进行模拟，然后以知识库为基础进行推理、演进。知识库的主要功能是对某领域内专家所提供的知识经验信息；推理机则是通过对行业领域内专家思维过程的模拟，对相关问题进行控制、求解，实现状态的准确识别。根据系统功能的不同，专家系统又可细分为诊断型专家系统、预测型专家系统、修理型专家系统及规划型专家系统4 类。

1.2 机器学习

1.2.1 传统机器学习

对于传统机器学习而言，其主要目标就是进行相关数据标识，所以，它可被细分为监督学习、无监督学习及半监督学习，学习算法过程如表1 所示。

表1 传统机器学习算法

1.2.2 集成学习

集成学习就是在传统机器学习基础上通过不断演进与升华而成，其实质就是将多个体学习结果集于一身的集成式学习方法。集成学习的基本思路就是通过对多个体学习器同时解决同一问题的思路、方法的训练，并对相关规格进行学习结果整合，从而获得更加显著的泛化性能。

对于集成学习算法分类，可从各个体学习器生成方式及依赖程度进行考虑，一般将其分为Boosting 算法和Bagging 算法。Boosting 算法就是在初始训练集时，对各个训练样本的初始权重进行平均分配，训练处弱学习器1，然后再根据计算错误率进行训练样本权重更新，从而训练处弱学习器2，如此往复，直至达到最大迭代轮数T，最后再结合相关策略对所有弱学习器进行整合，形成强学习器。Boosting 算法原理如图1 所示。

图1 Boosting 算法原理

1.2.3 深度学习

集成学习是基于传统机器学习的不断演进与升华，它是集众多个体学习器学习结果于一身的集成式学习方法。其基本思路是通过对各学习器在解决同一问题思路、方法的训练，并结合相关规格进行学习结果的整合，从而获得比单一学习器更加显著的泛化性能。

从个体学习器生成方式及不同学习器依赖程度分析，集成学习可被分为Boosting 算法和Bagging 算法2 类。首先Boosting 算法的基本原理是先在初始训练集之初，就为各训练样本的初始权重进行平均分配，训练出弱学习器1；其次依据学习错误率进行训练样本权重更新，并训练出弱学习器2；再次逐次重复，直至达到最大迭代轮数T；最后，依据相关策略对全部弱学习器进行整合，最终形成强学习器。深度学习回归预测模型如图2 所示。

图2 深度学习回归预测模型

1.3 智能优化计算

受到自然界与生物界规律的启迪，智能优化计算模型才得以形成，它是对问题求解算法的模仿设计，其中最具代表性的算法有进化计算与群智能计算。在进化计算中，遗传算法最为典型；而群智能算法则以粒子群优化算法和蚁群优化算法为典型。相较于传统的经典数学算法，智能优化计算的通用性及稳定性更强，在实际运用过程中，压根就不需要通过建立相关数学模型或知识标识，就能直接处理所输入的数据信息，尤其在传统算法无法快速有效解决的非线性问题上最突出，是数据驱动的人工智能技术系统中最可靠的一种算法。

1.4 迁移学习

迁移学习就是将机器从一个场景迁移至另一个场景，对既有模型与目标模型间的关系进行分析，这一过程其实是模拟运用人类所学解决现实生活中的问题的过程。在迁移学习中，没有太多的局限性，可以在训练中应用不同的数据域，这一特性不仅使算法性能得到改善，还能有效缩减训练时间，使学习算法的泛化性能得到有效提升，保障了样本训练效率的提升。

2 现代景观园林设计与人工智能之间的关系

现阶段，中国景观园林设计中还存在较多问题，其中最显著的就是设计理念落后问题，致使设计方案脱离实际，但通过人工智能技术的应用，就可很好地解决此问题。在人工智能技术应用实践中，需天谴对相关资料进行收集、整理。同时提出预测性问题，设计人员结合自身知识储备及工作经验进行一一解决，如此一来，就要求设计人员必须拥有丰富的专业知识储备量，并能熟练运用人工智能技术，运用计算机系统自动完成工程资料、数据信息、同类方案的剪碎、显示与整理，实现人们环境的有效融合。例如，依托智能照明技术，在有效控制光污染基础上创造出更美观、更实用、更节能的照明景观，以最大限度地提升现代尽管园林的实际效益。

3 现代景观园林设计中工智能技术应用机理

3.1 园林设计中电气设备状态特征提取

在现代智慧园林景观设计中，很多基础设施都包含有大量电气设备，而这些电气设备状态数据信息源广、体量大、关联复杂程度高，依靠传统的人工搜集与整理不仅加大工作人员的工作量，还无法保证信息的准确性，但通过人工智能技术的科学应用，就可借助相关传感器进行数据信息的自动化收集与处理，同时结合计算结果进行设备状态诊断，确保各电气设备始终处于安全运行状态中。

3.2 基础设施设备运维状态的文本信息挖掘

伴随着各类基础设施设备夜以继日的工作运行，相关运维工作也从未终止，在此期间会产生大量周期性巡检日志、及运维报告，耳褶系文本类数据信息中又包含了大量结构化数据以外的设备故障信息，并夹带大量数字、字母符号，使得关键信息的提取难度倍增，因此，只能提前对文本信息进行精细化处理，并运用对照表将其转化为计算编码，然后实现精准提取，保障了数据信息的真实有效性。

3.3 图像的特征识别

当前，人工智能技术在挖掘数据特征时，主要通过三种方式实现，即图像分割、图像识别及语义分割。

因电园林设计中各类设备图像背景异常复杂，因此，在进行图像分割时，首先应将输入图像进行统一的非重叠区域划分，避免其受到干扰背景的影响，确保设备状态评估的准确性。最具代表性的图像分割技术是K-means 硬聚类算法与FCM 软聚类算法。前者计算过程较为复杂，其主要机理是借助余弦距离对图像分层，将部分非关联数据进行剔除；而FCM 软聚类算法则是通过对电力设备图像信息中存在的不确定性的准确描述，然后实现温度特征的提取，有效改进了初始值敏感缺点，保障了图像分割的准确性。

4 现在景观园林设计中人工智能技术的科学应用实践

4.1 人工智能技术在照明景观设计中的应用

在传统景观园林设计中，照明设计房网往往只注重照明功能设计及气氛调节设计，忽略了照明景观设计中的人性化与互动性。而通过人工智能技术的科学应用，不仅能增强人们的视觉体验感，还能有效弥补以往照明景观设计中存在的电力资源浪费、灯光颜色搭配不合理等缺陷。在智能照明系统建设中，应注重智能感应系统设计，这一系统的主要功能是感知环境光线，并根据环境变化进行光照强度及颜色太正，实现照明景观的互动性。

此外，传统照明系统中，很多照明设备的状态巡检基本都是依靠人工进行定期巡检。在进行人工巡检时，会暴露出许许多多的问题，如安全系数低、受主观影响强、受外界客观因素影响大等。随着深度学习技术水平的不断提升，深度学习在照明景观设备巡检影像处理中得到了大范围运用，其实现过程就是借助机器人所采集到的各类数据信息进行科学分析，从而实现对照明设备类型、异常运行及内部缺陷识别，真正做到了照明设备的无人化智能巡检。基于深度学习的照明设备状态智能化识别基本流程为：首先，要对大量数据信息进行预处理，而后根据分析结果对异常数据进行剔除，同时结合设备形态进行样本标注训练；其次，在公共数据集下执行深度学习模型预训练后，使用标识训练集微调模型，使之得到大幅改善；最后，通过由机器人、无人机等将巡检测试图像传输至微调模型，从而获得准确识别结果。此过程中，图像获取与预处理犯法基本相同，因此无须进行扩展。照明设备状态智能识别的关键是使用深度学习分析框架有效地检测目标，并提取和挖掘目标特征。智能照明的实现，不仅极大地减轻了人们的作业强度，还极大地保障了照明效果及电力资源节约，促进了城市的可持续发展。

4.2 人工智能技术在水景景观设计中的应用

在城市园林景观中，水景景观所占比例较大，其设计质量会对整个园林景观效果产生直接影响。过去，人们在进行水景景观设计中，常用方法是水流引入、假山堆砌、喷泉系统构建，但这一方式虽能够到给人们一定的视觉冲击，但纵观整个水景景观，活力不足，可循环程度低，后期维护成本极高，不利于城市园林管理单位的成本控制，基于此，只有在水景景观设计中科学应用人工智能技术，才能真正实现城市园林景观建设的可持续发展。

在应用实践中，可借助人工智能感应技术，形成光影水池、音乐喷泉等，构建可持续性强的循环水体，充分发挥出水景活力功能。例如，在喷泉中心区域设计重力感应装置，当地表重力达到一定程度后，喷泉水流及周边匹配灯光便自行启动，增强美观效果，当运行一段时间后，系统自行停止，此时，在喷泉周围游玩的人们可拍照、嬉戏，增强与水景的互动性。

4.3 在智能喷灌设计中的应用

在建设现代景观园林工程时，除考虑其时效性与美观程度外，还应考虑其后续养护问题。具体而言，就是在工程设计中，尽可能延长园林景观存在年限，提高植被成活率，保障现代园林景观使用寿命，并使之维持在高水平范围内。为实现此目标，就应该在景观园林设计过程中设计智能喷灌系统，并对喷灌系统进行智能化控制设计。例如，在园林内各方位安装摄像头，以及时获取地表土壤信息获取，如土壤温湿度、肥沃度等，并运用计算机技术对何时开启/关闭喷灌系统进行准确判断；当控制系统判断结果为土壤含水量低时，喷灌系统便就自动开启，实现园林内植被的自动化浇灌，待湿度达到一定程度后，自行切断，保证园林内植物不被干旱所扰。

4.4 在智能铺装设计中的应用

地面铺装是实现现代园林景观设计中的主要内容。在进行园林景观铺装设计中，首先要保证其强度，其次才是视觉效果与美观程度。过去，人们在园林景观地面铺装设计中，往往只注重其美观效果，其功能效果无法真正体现。而现阶段通过人工智能技术的应用，就可实现铺装板块的自动生成及铺装颜色的科学选定，从而生成三维导视图。在应用实践中，借助计算机系统根据现场地势地貌进行图像投放动态，实现动园林地面铺装设计的优化升级。此外，在运用人工智能技术进行地面铺装设计时，可借鉴其他成功案例，构建“地面琴键”景观，实现人、景的友好互动，增强人们的喜悦感受。

5 人工智能技术应用的局限性

5.1 人工智能技术尚缺乏理论层面的支撑

尽管当前景观园林设计中对于人工智能技术应用表现出了较强的智能性、准确性优势，但该技术应问世尚晚，没有太长的应用史，部分有价值的应用经验及数学理论支撑较为欠缺，因此，仍待进一步研究，注重设备运行机理、物理规律及专家经验融合方面的智能算法深究，从而使数据分析与挖掘更具高效性与准确性。

5.2 宏观泛化能力不足

结合人工智能技术在景观园林工程相关设备状态分析应用实践来开，在某些特定设备的单一状态分析中已显示出较强的分析和学习能力，但仅适用于局部层面的设备部件类型、故障类型、故障定位的分析与判断，泛化协调能力依然较弱。以人工智能技术为核心算法的电力设施状态分析往往有助于决策制定，因此，应进一步加强现有分析、评估技术方法的整合优化，建立更加完善的设施状态数据融合框架。

5.3 快速解决问题

由于园林工程中很多电气设备的运行状态会随运行实践不停变化，且各设备运行条件也不同，所以，在进行状态分析时，必须要求所用模型具备较为快速的响应能力及在线处理能力。现阶段，设备运行状态数据已呈现出多远异构性质，且人工智能技术应用实践中存在图像处理时耗时过长问题，难以满足毫秒级处理要求，所以，必须对系统快速响应能力进行重点研究。一方面，要实现一、二次设备融合技术与边缘计算技术的优化，将数据识别系统、状态分析系统及设备行为纳入智能传感器中，同时对集成传感器与深度学习芯片进行科学整合，实现园林基础设施设备状态的精准分析。另一方面借助设备云后台进行设备故障算法训练，并将诊断依据通过物联网传输至边缘计算设备中，实现状态分析算法响应时间的有效缩减。

6 结语

在大数据技术水平不断提升背景下，人工智能技术被广泛应用于各行业领域内，尤其是在景观园林设计中得到有效应用，使得园林景观性、经济性及环保性效果更佳。然而，基于人工智能技术在园林景观设计中的运用还尚处在进一步探索阶段，一些核心技术仍需在进一步探索研究中进行优化。本文主要介绍了以深度学习为核心的人工智能技术在照明景观、水景景观及铺装景观方面的应用，已凸显其强大的泛化能力，相信随着研究工作的进一步深入，必将为城市景观园林建设作出更大贡献。