王思阳,路 毅
(东北林业大学,黑龙江哈尔滨 150000)
植物景观设计是集艺术审美、社会服务、生态科学多维度的高度统一的科学,是人与自然沟通的桥梁,也可以为生产生活添光加彩,不断追求更科学合理的配置方案已经成为设计者们永恒的议题。为此,学者们从不同角度出发提出了多样的评价标准,旨在为植物景观评价提供科学的理论依据。
在植物景观量化发展的过程中,传统方式的局限性也愈加明显,繁复冗杂的数据收集和处理流程与现今大数据时代下以Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性)这5V特性为发展目标的追求格格不入,亟须新技术的加入,将多元数据以科学的手段进行高效精准的表达,从而为更多评价视角的扩展提供技术支持[1]。
深度学习,作为人工智能与数据科学的核心,将计算机科学和统计学融合,在“信息超载”的挑战下能快速挖掘大数据所蕴含的潜在价值,为植物景观的量化注入了新动力;而全景图像则是深度学习与植物景观联合中成效突出的媒介,为真实场景的多维度呈现提供了可能[2]。然而由于植物景观评价范围较广且新技术存在一定的应用难度,在相关的研究中没有得到很好的应用。基于此,本研究从过往相关领域中深度学习与全景图像技术的应用出发,结合其应用特征,就在植物景观量化中适用的范围、条件特征与未来展望进行多方面阐述与分析,旨在为今后深度学习与全景图像技术和植物景观评价指标量化更为深入的实践应用提供参考。
采用内容研究法,在中国知网(CNKI)数据库中以关键词为植物景观评价进行检索,时间为1995年10月—2022年10月,在核心期刊内筛选建立植物景观评价体系的文献共147篇,分析文献中各个评价指标的关键词、频率及其所属评价层次,并将词义相同或相近的指标进行合并,利用Excel软件进行统计,共提取评价指标83个,按照普莱斯公式M2=0.749 Nmax计算出核心关键词频次M=6.53,选取整数提取出词频大于7次的评价指标26个。
为避免分析结果分散、变形,需要合并归纳相同或相近的指标,参考过往文献中各评价指标的研究方向,根据表1所示的分类依据进行相似性归类,统计各层次的应用情况;将数据以图表的形式进行各个层次及总体评价体系中各评价指标应用频次的可视化;比较每个同属于2或3个准则层的评价指标在各个层次中出现的次数,分析其应用特征;在每个评价指标中选取出现频次最高的准则层,并记录频次及评价性质,生成植物景观评价的共性评价指标。
由于在中国知网(CNKI)数据库中应用深度学习和全景图像技术处理植物景观评价的文献较少,因此扩大数据库,在中国知网(CNKI)数据库和Web of Science数据库中以关键词“深度学习”“全景图像”“植物景观评价”“景观评价”以及“deep learning”“panoramic image”“plant landscape evaluation”“landscape evaluation”为关键词分别检索并人工筛选使用深度学习和全景图像技术处理植物景观评价和其他相关景观评价的研究文献,分析其在植物景观评价指标量化的现状特征;讨论在景观评价中的研究方向、数据来源,记录其在景观数据及其他数据多种评价指标中的应用情况,并阐述深度学习的应用形式;最后依据这些评价指标和两种技术的功能特征在传统植物景观高频评价指标中区分是否可以利用深度学习进行处理,并探讨各自难以操作的原因。
植物景观评价体系大多从生态层次、景观层次和社会层次3个准则层进行划分,其中以视觉为评价依据的景观层次应用频次最多(图1),这是因为视觉能够将人的感觉与知觉进行“可成像”,从而达到感知与表达的良性互动循环,是人们感受植物景观、度量环境体验的主体因素,此外国外对以视觉作为切入点进行评价的重视及相关评价方法的创新性与相对成熟性也有一定的影响[3-4]。
图1 高频评价指标Figure 1 High-frequency evaluation indicators at all levels
由图2可知,各评价层次的高频评价指标大多呈现两种趋势:各层次内均有3~6个评价指标应用频次显著,这些评价指标广泛适用于大多数的评价体系,是衡量植物景观质量的核心评价指标;一些评价指标在多个评价层次中均有出现,这表明每个评价指标都可能存在多层的含义与侧重点,在建立评价指标时不宜生搬硬套,应着眼于实际,因时制宜、因事制宜。探究各评价层次的研究热点,社会层次聚焦于经济性、可达性与安全性,重视植物的经济价值及其他功能属性;生态层次聚焦于植物物种适用性和群落结构稳定性,考虑植物能否在当地健康生长并促进生态系统的稳定性;而景观层次则更关注于植物观赏特征的多样性、层次丰富度及与整体环境和谐性等,以植物更合理的配置形式为研究重点。
图2 各层次高频评价指标Figure 2 High-frequency evaluation indicators at all levels
评价指标量化的方法有定性和定量两种(表2),其中定性评价占总体评价的比重更大,但居于前列的高频评价指标大多由定量评价进行分析。定量评价运用数量分析的方法,以数值的形式对某一数据进行描述和价值判断,具有强烈的客观性[5]。传统的植物景观评价样本数量少、调研精度低、普查难度大,在数据的获取和数据处理中存在昂贵且耗时的问题[5]。随着多媒体数据、3S、计算机模拟等技术的渗透,植物景观的定量评价正不断向多维度、大尺度、高效率的评价方向发展和转变[6]。定性分析则是一种非量化的手段,通过问卷调查的方式对现场记录的照片、文字、视频等进行人为评分,其实质在于对数据“质”的分析,受个人的相关学术水平、分析能力及主观倾向等影响因素的制约[7];评价指标多为社会层次,一般通过提供形容词或划分等级的方式供被调查者选择[8-9];调查方式与分析方法较单一,调查难度大、影响因素多。由于研究方式不同,定性和定量两种评价方法都能达到一定的评价效果,受因人而异的主观评价进行客观性表达的影响,对传统的定性评价进行定量分析的更新开始不断出现,客观性进一步增强。总体来说,园林植物景观评价角度多变、指标分支繁多、评价方式彼此互补、评价标准尚不唯一。
表2 共性评价指标Table 2 Common evaluation indicators
由图3可知,基于深度学习与全景图像技术对植物景观进行量化分为4个步骤:(1)数据收集。全景图像的获取主要有两种方式,即相机拍摄与采用专业的全景设备。普通相机和单反相机拥有操作简单、成本低的优势,但拍摄方法要求严格,后期拼接过程难度大,适合小场景的使用。实地采集时通常采用加装特殊镜头或使用球形相机的方式达到缩短焦距、扩大成像视角的效果,无须经过后期的拼接过程即可获得完整的全景图像,但由于透视角度的问题,变形相对严重,且分辨率较低。专业全景设备可实现全景图像的自动、实时获取与对应的三维空间信息收集,采集速度快、图片质量高,适合虚拟环境下的图像获取,但公开的全景图像获取系统多为街景图像,如谷歌街景、百度街景等,构建个人的全景获取系统操作复杂且造价昂贵[10]。通过全景图像的方式收集数据能够实现场景多维度的实时再现,为植物景观的量化提供了更多评价依据。(2)图像处理。通过图像分割的方式提取全景图像中的各个景观要素,是图像预处理的环节。现有的有关场景解析的大规模图像数据集,如 ADE20K Dataset、Cityscapes,等可直接应用于一些景观类的图像分割,均呈现出良好的分割效果,但一般应用于街景图像。在不同的场景图片中,为追求更高的适应性则需要训练更为精确的语义分割模型,其步骤分为图像标注、文件预处理、模型训练、模型检验4个部分[11]。通过深度学习神经网络处理图片能削弱人工提取数据时的主观性,减少冗杂的基础工作,是科学性与高效性的高度展现。(3)指标量化。将所提取的各个景观要素通过数学方法计算为需要的评价指标量化,分为定性与定量两种。定量评价指标量化结果可由图像处理结果直接计算,计算公式与传统植物景观量化方式一致,同时由于全景图像透视角度的不同,针对不同的全景图像如等距圆柱全景图像、鱼眼图像等需要进行不同的图像转换与公式换算过程以保证计算结果的准确性。定性评价指标量化则需要通过新的模型训练,将人工评价的流程运用数据标注的方法建立评价模型,以达到大批量、高效率、客观性的评价结果。大量实际案例表明,该量化方法能达到传统量化方式的效果,且更具客观、高效性。(4)综合评价。即将评价指标相互结合进行植物景观的综合评价,本研究的综合评价方法和流程与传统植物景观综合评价相同,但其中大量的计算过程可通过python等脚本进行简化,降低使用门槛。
图3 基于深度学习与全景图像的植物景观量化流程图Figure 3 Quantitative flow chart of plant landscape based on deep learning and panoramic image
全景图像技术能够采集人双眼有效视角外的周边信息甚至更广的图像,打破了普通相机对完整环境要素转述的局限性[12]。将全景图像技术应用于植物景观评价,植物个体要素的微小细节和植物景观在整体大环境的配置模式均被镜头捕捉,海量的新型全景数据汇聚于评价模型中,带来了数据调研中场景信息采集的全面化和便捷化,为更多评价指标的量化提供了数据依据。深度学习能够以抽象的结构将读取的多层数据间复杂的映射关系加以分析学习、整合加工,将深度学习技术嵌入植物景观评价链条,不仅能解决数据处理时操作难度大的问题,起到高效准确的效果,更能削弱人因状态和偏好的不同所带来的主观感知偏差,在实际应用中大大提升了评价的科学性[13]。深度学习与全景技术结合,达到了数据收集更完整和数据处理更科学两方面的优化,同时降低了操作难度并提升了工作效率,在植物景观评价方面是行之有效、值得探索实践的良好方式。
目前,深度学习与全景图像的量化技术在纯植物景观评价中应用较少,高频评价指标是针对绿视率和景观开阔度的评价,在各个评价系统中均有出现,指标量化大多停留在定量评价中[14-15]。由表3(各案例中采用的评价指标用“√”标注,应用形式用“O”标注)可知,观察既有的一些在景观评价中的应用案例,与纯植物景观评价一致,更为广泛的深度学习网络的便捷性在景观客观感知评价中得以体现,例如通过对绿视率、天空开敞指数、区域饱和度、色彩丰富度、道路机动化程度等评价指标量化对景观的形态与空间规划进行具有科学性与全面性的评价研究;在此基础上结合基于深度学习的行人数据、街道营业时长分布等评价指标能够衡量居民对景观的接触,进行更深层次的景观规划;结合其他来源的评价指标如空间地理数据进行景观的格局分析以及结合网络大数据中用户的图像、语言与时空信息进行景观的意向认知评价,这些结合能够在主观感知评价中将专家评价的结果运用深度学习推广到大规模景观评价当中,达到公众层面与专家层面两方面主观感知评价的多方法、多维度、少主观、少工作量的转变。总体而言,基于深度学习与全景图像技术的植物景观评价是以传统植物景观评价为依据的,是传统植物景观评价在技术上的延伸,而各评价指标的选取也是在传统植物景观评价中选择可操作的部分,并针对特定的评价角度达到客观、高效、精准的效果。
表3 既有基于深度学习的景观评价案例Table 3 Existing cases of landscape evaluation based on deep learning
由表4、表5可知,深度学习与全景图像技术对植物景观于大部分的评价指标量化都是适用的,而不适用的原因主要为全景图像拍摄技术操作的困难性与图像对真实场景展现的局限性所导致的图像信息不足。拍摄难度大主要是因为普通的全景图像在精度上难以展示出植物个体完整的生理细节、在拍摄过程中难以保证相同的时间与外界环境、在拍摄技术上难以达到任意角度的拍摄需求,这便导致了评价植物开花情况、季相特征、郁闭度等评价指标的困难性,但拍摄困难并非无法克服,一定的新兴技术和科学手段可以达到缩减误差的效果;图像信息不足大多欠缺在对具体植物种类、数量等信息和地形环境数据的掌握,需要实地调研进行数据补充,如乡土性、生态型、科普教育、地形环境多样性、防震减灾效果等改善环境的这类评价指标则需要对整体环境和其他因素进行统一评价,局部的图像信息难以达到良好的评价效果。
表5 难以处理的评价指标Table 5 Evaluation indicators that are difficult to address
在适用程度上,深度学习与全景图像技术在植物景观量化中的应用范围广泛,大部分常用的植物景观评价指标都可以通过深度学习技术进行处理,适应性强,在植物景观评价不断向数字化发展的今天依旧占据重要作用,尤其是在样本数量过大的案例中均展现出突出效果。
在适用条件上,就目前研究现状而言,大部分相关技术无法利用的原因均来自图像信息无法完全表达。需要通过传统调研等来补足信息,因此为保证评价指标量化研究的全面发展,应注重传统方法与新兴技术的融合,避免产生求数量而放弃质量的负面效果。
在未来发展上,将强势崛起的深度学习与全景图像技术渗透到更多的评价指标量化进程,在传统量化过程的千军万马中,深度学习技术的介入试验在其中只占寥寥,众多未被尝试的评价指标正翘首企足地等待研究者们以新技术的方式进行实践,进而挖掘深度学习对于植物景观全景评价指标量化在未知方面的契合度,并思考引入更多技术的可能性。