包瑞清

機器學習是實現(xiàn)人工智能的一個途徑，是處理大數(shù)據(jù)的關(guān)鍵技術(shù)。機器學習算法可以自動分析一類或幾類數(shù)據(jù)來獲取規(guī)律、發(fā)現(xiàn)事物的作用機制，并利用規(guī)律對未知數(shù)據(jù)進行預(yù)測。目前將機器學習（包含深度學習）應(yīng)用到風景園林及城市規(guī)劃和建筑領(lǐng)域，解決人居環(huán)境等相關(guān)問題已經(jīng)成為可能。1）基于Python語言的機器學習開源庫scikit-learn集成了機器學習領(lǐng)域的主流核心算法，包含分類、回歸和聚類算法以及數(shù)據(jù)預(yù)處理方法等；基于Python語言的深度學習開源庫TensorFlow則通過計算圖（data flow graphs）、自動求導和定制化的方式用于數(shù)值計算。因為機器學習開源庫的出現(xiàn)與快速成長、大量核心算法的逐步改善，機器學習作為工具已經(jīng)廣泛應(yīng)用于各類領(lǐng)域，風景園林學科亦在探索階段。2）應(yīng)用機器學習需要大量的基礎(chǔ)數(shù)據(jù)，目前風景園林學科相關(guān)分析的數(shù)據(jù)源包括：1）已有地理信息系統(tǒng)中涉及的各類地理信息數(shù)據(jù)，例如遙感影像（Remote Sensing Image，簡稱RS）數(shù)據(jù)、數(shù)字高程數(shù)據(jù)（Digital Elevation Model，簡稱DEM）、氣象數(shù)據(jù)及其衍生數(shù)據(jù)等；2）來自網(wǎng)絡(luò)的大數(shù)據(jù)，例如各類網(wǎng)絡(luò)服務(wù)行業(yè)百度地圖興趣點（Point of Interest，簡稱POI）業(yè)態(tài)分布、滴滴出行數(shù)據(jù)、微博和微信相關(guān)信息數(shù)據(jù)、智能家居數(shù)據(jù)等；3）自行采集的批量數(shù)據(jù)，例如通過各類傳感器測得的小氣候環(huán)境監(jiān)測數(shù)據(jù)、場地調(diào)研影像數(shù)據(jù)或者無人機航拍數(shù)據(jù)和相關(guān)問卷調(diào)查等；4）涉及建筑信息模型（Building Information Modeling，簡稱BIM）數(shù)據(jù)和大量規(guī)劃設(shè)計方案及參數(shù)化模型數(shù)據(jù)。

具備了高度整合的機器學習算法開源庫和可獲取的大量基礎(chǔ)數(shù)據(jù)，應(yīng)用機器學習方法能夠解決規(guī)劃設(shè)計中很多問題，在2017和2018兩年間，風景園林領(lǐng)域已經(jīng)出現(xiàn)一些相關(guān)研究，包括游客微博數(shù)據(jù)主題情感分析[1]，基于街景圖像與機器學習和深度學習的城市景觀研究[2-3]，百度街景語義分割計算綠化要素所占比例[4]，基于機器學習的南京市旅游地個性及其文化景觀表征[5]，基于大數(shù)據(jù)、信息理論和機器學習的中國城市空氣質(zhì)量調(diào)查[6]等。

此次機器學習應(yīng)用于風景園林學科的實驗提取于2017年8月—2018年8月間完成的多個實驗，盡量涉及機器學習中包含的分類、回歸和聚類算法，嘗試探索機器學習應(yīng)用的途徑。在數(shù)據(jù)分析上包括基于調(diào)研圖像的城市色彩分析（應(yīng)用到聚類KMeans算法）和視覺景觀質(zhì)量評價方法（應(yīng)用到KMeans聚類、分類器的極端隨機森林算法Extremely Randomized Tree）2個實驗。在數(shù)字化設(shè)計創(chuàng)作上篩選出應(yīng)用機器學習地形遴選方案的2個實驗[應(yīng)用到Extra Trees、K-nn、Linear Regression和Ridge回歸模型，深度學習下的生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，簡稱 GAN）]。

1 基于調(diào)研圖像色彩聚類分析的城市色彩印象

1.1 實驗?zāi)康?/h3>

城市色彩，也稱“城市環(huán)境色彩”，泛指城市各個構(gòu)成要素公共空間部分所呈現(xiàn)出的色彩面貌總和。城市色彩包含大量復雜多變的元素，因此必須科學地調(diào)查與分析，才能實現(xiàn)有效引導和規(guī)劃其發(fā)展[7]。在城市色彩相關(guān)的研究上，主要有：分析城市色彩特征[8]，調(diào)查與定量分析[9]，更新與保護機制研究[10]；景觀環(huán)境色彩構(gòu)成[11]以及利用MATLAB計算插值與應(yīng)用回歸算法，實現(xiàn)城市色彩主色調(diào)意向圖的自動填充，得到城市色彩主色調(diào)理想色彩地圖的研究[12]。部分傳統(tǒng)的研究由于受到數(shù)據(jù)分析技術(shù)的限制，對于批量的城市影像提取主題色時偏重手工提取，不僅增加時間成本，也影響分析的精度，同時在數(shù)據(jù)分析方法和數(shù)據(jù)信息表達上亦受到限制。因此有必要借助機器學習中的聚類等方法，自主聚類主題色，并通過Python的Matplotlib標準庫實現(xiàn)數(shù)據(jù)增強表達。

1 城市色彩印象主題色提取Theme color extraction of urban color impression

1.2 方法與數(shù)據(jù)

此次實驗的數(shù)據(jù)主要為通過手機實際調(diào)研拍攝的帶有經(jīng)緯度和高程信息的圖像。分為兩組，一組來自杭州虎跑，數(shù)量為38張JPG格式的圖像，拍攝時間為2017年7月21日；另一組來自北京碧云寺，數(shù)量為126張JPG格式的圖像，拍攝時間為2017年4月12日。

具體的技術(shù)路線（圖1）。首先在Python程序語言中批量讀取圖像，因為所拍攝的圖像約為4 200 pixels×2 400 pixels大小，而色彩分析不需要這樣的高精度，因此通過壓縮圖像降低圖像大小來節(jié)約分析的時間。然后設(shè)置色彩主題色聚類的數(shù)量為7，即獲取每幅圖像的7個主題色。采用KMeans聚類算法分類色彩提取主題色（圖2～3），提取所有圖像的主題色之后匯總于一個數(shù)組中。在數(shù)據(jù)增強可視化方面設(shè)計了2種形式。1）散點形式打印主題色，直觀反映城市色彩印象。通過城市主題色的提取、色彩印象感官的呈現(xiàn)來研究城市色彩，可以針對不同的城市空間、不同的調(diào)研時間，分析色彩的變化。2）試圖將兩地的調(diào)研圖像主題色投射到三維空間中，觀察兩組數(shù)據(jù)在Red、Green和Blue 3個方向上的變化情況。

1.3 結(jié)果與討論

杭州虎跑和北京碧云寺調(diào)研圖像聚類結(jié)果，以散點形式打印主題色后的色彩印象（圖4～5）。虎跑主題色偏灰偏暗（建筑的色調(diào)），摻雜植被的綠色和天空的藍色，樸實素雅。碧云寺因為建筑本身多為紅色，穿插植被和天空后，整體感覺斑斕絢爛。通過此種數(shù)據(jù)的可視化方法，能夠較為直觀反映研究區(qū)域的城市色彩特征。如果調(diào)研區(qū)域的數(shù)量激增，根據(jù)建立的模型可以實現(xiàn)自動化批量處理，例如研究城市不同區(qū)域的色彩特征及其分布關(guān)系等。包含色彩信息（RGB）的數(shù)據(jù)投射到三維空間中（圖6），可以通過判斷2個區(qū)域色彩在三維空間域中的分布情況來把握Red、Green和Blue色彩分量的變化情況。北京碧云寺的色彩傾向較高的是Red值，而杭州虎跑色彩的3個分量趨于較低值。在分析中也可以把色彩轉(zhuǎn)換為HSV（Hue，Saturation，Value）投射到三維空間域中，分析色相、飽和度和明度的關(guān)系。

在機器學習聚類中，sklearn整合了眾多聚類算法，通過程序的實際運行比較不同聚類算法對不同數(shù)據(jù)類型的效應(yīng)。除了應(yīng)用調(diào)研照片來分析研究城市色彩環(huán)境，亦可以使用錄制的影片，將其按照指定的幀提取圖像之后進行同樣的分析。在具體的數(shù)據(jù)分析中，也可以把每一圖像的主題色落在其經(jīng)緯度的坐標點上，在空間中再次應(yīng)用聚類算法聚類具有相近色彩值的區(qū)域，從而能夠分類城市色彩特征區(qū)域，并與反映城市功能的POI數(shù)據(jù)，反映城市社交關(guān)系的微博、微信等數(shù)據(jù)相結(jié)合分析，找到城市色彩空間分布特征的內(nèi)在機制。

2 杭州虎跑調(diào)研圖像、聚類結(jié)果和主題色提取Investigation image, clustering results and theme color extraction of Hupao Park, Hangzhou

3 北京碧云寺調(diào)研圖像、聚類結(jié)果和主題色提取Investigation image, clustering results and theme color extraction of Biyun Temple, Beijing

5 北京碧云寺色彩印象Color impression of Biyun Temple, Beijing

2 圖像識別技術(shù)下景觀視覺質(zhì)量評估與網(wǎng)絡(luò)應(yīng)用平臺部署實驗

2.1 實驗?zāi)康?/h3>

在大數(shù)據(jù)分析技術(shù)及機器學習算法成熟之前，視覺景觀評估的研究通常制定用于評估景觀可視化的標準分類：準確度、代表性、清晰度、興趣度、合法性、視覺信息獲取及編制和演示[13]，以專家評估和公眾參與的方式來達到評估視覺景觀的目的。隨著科學技術(shù)的發(fā)展，也出現(xiàn)應(yīng)用最新技術(shù)來研究景觀視覺質(zhì)量的方法，例如基于VR全景圖技術(shù)的鄉(xiāng)村景觀視覺評價偏好研究[14]，基于眼動的景觀視覺質(zhì)量評價[15-16]等。景觀視覺質(zhì)量評價是基于人對美的追求，在美學意義上表現(xiàn)為在景觀觀賞中獲得主觀的滿足。實際上好的景觀可以愉悅身心、減輕人們的日常壓力，因此出現(xiàn)不少研究景觀視覺質(zhì)量評估的方法。但是主觀定義的一些指標，例如可見度、連續(xù)度、視域面積占比、相對坡度和相對距離景觀視覺敏感度等指標[17]來評價景觀視覺質(zhì)量與人們對美的衡量會在一定程度上存在難以避免的差異。機器學習則試圖從大量歷史數(shù)據(jù)中挖掘其中隱含的規(guī)律，用于預(yù)測或者分類：因此對于以人意識為基本的景觀視覺質(zhì)量評價可以借助機器學習的方法，學習大量含有標簽的樣本來建立模型，進而利用模型來預(yù)測景觀視覺價值，這也是本實驗的目的所在。

6 色彩數(shù)據(jù)的三維空間投射分布Three-dimensional spatial projection distribution of color data

7 景觀視覺質(zhì)量評估與網(wǎng)絡(luò)應(yīng)用平臺部署Visual quality evaluation of landscape and network application platform deployment

2.2 方法與數(shù)據(jù)

因為目前缺少評價景觀視覺質(zhì)量帶有標簽（類標）的圖像數(shù)據(jù)源，因此實驗小組通過自建的網(wǎng)絡(luò)平臺自行對準格爾旗薛大快速路城市公園道項目調(diào)研中的圖像進行評價，用于模型的訓練。具體的技術(shù)路線如圖7，首先建立基于圖像視覺的基礎(chǔ)評價類標庫，用好、中和差3個類標。在構(gòu)建的網(wǎng)絡(luò)平臺上發(fā)布大量不同城市或者自然景觀的圖像，以便更多公眾參與評價。每一幅圖像對應(yīng)多人評價統(tǒng)計的結(jié)果，計算多數(shù)為對應(yīng)的類標，這樣就構(gòu)建了一個基于人類純粹視覺感知的數(shù)據(jù)庫，參與評價的人越多，越容易反映大多數(shù)人共同的感知結(jié)果。同時利用Start特征檢測器和SIFT尺度不變特征變換提取圖像特征向量，構(gòu)建視覺詞袋模型（Bag-of-Words Model，簡稱BoW），聚類所有圖像特征向量。本實驗采用極端隨機森林算法[18]，每一個聚類即為一個視覺詞匯，這些視覺詞匯的頻數(shù)作為圖像分類器的解釋變量部分，對應(yīng)建立的圖像類標構(gòu)建機器模型。最后創(chuàng)建圖像識別器，調(diào)取圖像分類器建立的分類模型，以及計算待預(yù)測圖像的特征向量，獲取待評價圖像的類標。當要對新調(diào)研區(qū)域的圖像進行評價時，解析其圖像特征向量后，直接作為圖像分類器的解釋變量，預(yù)測的類標即為該圖像的一個視覺景觀質(zhì)量的評價。為了更好地收集評價信息，基于Flask構(gòu)建實驗用網(wǎng)絡(luò)應(yīng)用平臺，建立不斷自行優(yōu)化參數(shù)的模型，以及根據(jù)該模型實時預(yù)測圖像視覺評價結(jié)果。

2.3 結(jié)果與討論

圖8為參與圖像打分建立基礎(chǔ)圖像視覺評價具有類標的圖像樣本庫，圖9為基于圖像分類器模型預(yù)測圖像分數(shù)，預(yù)測的結(jié)果反映了人們對自然景觀的偏好，其中對于穿越于自然景觀的道路、人工建造的擋土墻的視覺感知并不好。通過機器學習分類器、聚類器算法的綜合應(yīng)用來建立模型，并建立用于模型訓練的具有類標的圖像數(shù)據(jù)集訓練模型，應(yīng)用訓練好的模型預(yù)測待評價圖像的類標即實現(xiàn)對該圖像的視覺景觀評價，因此可以依賴于人感官應(yīng)用機器學習實現(xiàn)景觀視覺美的評估?；跈C器學習，尤其深度學習需要大量相關(guān)的樣本數(shù)據(jù)集，數(shù)據(jù)集的建立相當耗費人工，例如手寫數(shù)字數(shù)據(jù)集MNIST包含一個含6萬個樣本的訓練集和一個含1萬個樣本的測試集，可以用于圖像分割的MS-COCO圖像數(shù)據(jù)集的圖像樣本則超過33萬張，有大于20萬張的圖像已被標記。大的數(shù)據(jù)集通常依賴全球貢獻者的標識得以實現(xiàn)。本次實驗的樣本數(shù)量受人工標識成本的限制，只有約500張圖像標識，這是進一步實驗需要重點調(diào)整的部分。

因為預(yù)測結(jié)果與最初的基礎(chǔ)評價，即類標的設(shè)定有關(guān)，如果基礎(chǔ)評價的是景觀的視覺質(zhì)量，則對應(yīng)輸出視覺評價結(jié)果。如果基礎(chǔ)評價類標庫是為區(qū)分人工建筑還是自然景觀，則預(yù)測結(jié)果為該圖像是人工建筑還是自然景觀的分類。在風景園林領(lǐng)域，基于圖像識別器與圖像分類器相結(jié)合的圖像分析機制，可以用于與視覺相關(guān)的分析研究上。

3 用于設(shè)計方案遴選的地形生成方法

3.1 實驗?zāi)康?/h3>

數(shù)字設(shè)計迅猛發(fā)展，形成了豐富的理論與方法，許多研究者嘗試運用數(shù)字設(shè)計方法來開發(fā)由計算機自動生成設(shè)計方案的參數(shù)化模型，減少建筑師將設(shè)計構(gòu)思轉(zhuǎn)化為設(shè)計方案的工作負擔和時間延遲；提出簡化的模擬算法快速計算設(shè)計方案的性能指標，減少獲得技術(shù)性能評價的時間延遲；以某些性能指標作為目標，利用遺傳算法等對設(shè)計方案進行自動尋優(yōu)，找到設(shè)定目標下的“最優(yōu)方案”等[19]。其中大部分的研究都或多或少的使用參數(shù)化設(shè)計工具（往往以Grasshopper節(jié)點式編程為主）來實現(xiàn)，并擴展有大量設(shè)計師可用的組件。基于參數(shù)化的設(shè)計生成方法已經(jīng)成熟，在進一步的研究中試圖從人工智能下的機器學習途徑找到一些設(shè)計生成的新方法，并以探索設(shè)計方案遴選的地形生成方法為切入點，亦為本次實驗的目的。

3.2 方法與數(shù)據(jù)

根據(jù)應(yīng)用機器學習方法的不同，此次實驗包含2個子項目：1）基于深度學習生成對抗網(wǎng)絡(luò)的地形生成，學習給定區(qū)域自然地形特征來自主創(chuàng)作地形的過程；2）建立遮罩，預(yù)測未知區(qū)域的高程，試圖學習已有地形設(shè)計，來彌補地形缺失的部分。

8 參與圖像打分頁面Page of participating in image scoring

9 預(yù)測圖像分數(shù)頁面Page of predicting image score

10 基于深度學習GAN的地形生成過程Terrain generation based on the GAN of deep learning

3.2.1 深度學習生成對抗網(wǎng)絡(luò)的地形生成的方法與數(shù)據(jù)

圖10為該實驗的技術(shù)路線，核心的算法為生成對抗網(wǎng)絡(luò)（GAN）。GAN包括2個模型：生成模型（Generative Model）和判別模型（Discriminative Model）。通過移植WGANGP生成對抗網(wǎng)絡(luò)建立地形生成模型。因為學習地形設(shè)計需要海量的樣本，獲取海量高程數(shù)據(jù)可以使用全球數(shù)字高程模型（Global Digital Elevation Model，簡稱GDEM）30 m高空分辨率的高程數(shù)據(jù)。DEM分辨率為30 m，設(shè)置單元大小為64 m×64 m時，所實驗的高程數(shù)據(jù)實際單元覆蓋范圍為1 920 m×1 920 m的區(qū)域，總共切分的樣本量為135 192個。通過學習樣本，生成模型可以將隨機的輸入值轉(zhuǎn)換成具有樣本特征的高程數(shù)據(jù)，圖10中給出了訓練階段為0～300時生成的4個地形，因為迭代次數(shù)較少，模型未充分學習樣本，生成的地形沒有規(guī)律，隨機性較強。當訓練到18～400時，給出了100個生成的地形數(shù)據(jù)，此時生成的地形基本具有自然山川空間特征，可以用于地形設(shè)計模式的研究。

3.2.2 建立遮罩，預(yù)測未知區(qū)域高程的方法與數(shù)據(jù)

數(shù)據(jù)選擇圓明園修復之前的地形數(shù)據(jù)，采用機器學習的回歸算法（圖11）。此類方法有2個關(guān)鍵點：1）構(gòu)建遮罩（mask），遮罩嵌套有2層，外層為已知環(huán)境，內(nèi)層為待生成的未知區(qū)域。為方便遮罩內(nèi)外邊界的識別，將其處理為數(shù)據(jù)0和1區(qū)分。2）按照遮罩的大小切分地形高程數(shù)據(jù)，獲取多個訓練樣本。當訓練完成后，就可以根據(jù)訓練的模型，由給定的已知地形高程環(huán)境來預(yù)測未知區(qū)域的地形。由于受到樣本量的限制，預(yù)測的地形高程與已知環(huán)境高程之間的過渡并不平緩，地形空間的營造尚不理想。圖11給出了基于Extra Trees、K-nn、Linear Regression和Ridge 4種回歸模型所預(yù)測的地形，其中Extra Trees預(yù)測的地形高程具有一定的空間藝術(shù)性。

3.3 結(jié)果與討論

2個實驗的結(jié)果在一定程度上達到了實驗的目的，但也存在一定的差距。實驗1的主要目的是學習指定區(qū)域的地形特點來創(chuàng)作具有此類特點的地形設(shè)計，因為GDEM 30 m高空分辨率的高程數(shù)據(jù)精度不高，地形的細節(jié)無法展現(xiàn)出來。在進一步的實驗中可以嘗試獲取高精度的、具有同一地形特征的大量地形數(shù)據(jù)來解決這個問題。實驗2主要目的是根據(jù)已有地形修復受損地形，因為圓明園地形樣本量較少，容易造成過擬合使得預(yù)測結(jié)果較差，解決的方法通常是增加樣本量，然而如果增加不符合圓明園營造特征的數(shù)據(jù)，預(yù)測的結(jié)果將不具備其自身地形的特征，是進一步實驗需要重點解決的問題。

就設(shè)計方案遴選地形生成方法的2個子項目。實驗1是學習給定區(qū)域自然地形特征來自主創(chuàng)作地形的過程，一方面可以用于設(shè)計創(chuàng)作靈感的觸發(fā)、生成方案的直接移植、多種地形空間形式的探索；另一方面可以用于更廣闊區(qū)域上，不同區(qū)域地形地貌的特征提取以及特征的比較分析。實驗2學習已有地形設(shè)計，來彌補地形缺失的部分，補全的地形設(shè)計雖然有所學習地形的特點，但是具有一定的隨機性，對于圓明園這樣的遺址公園，目前通過簡單的機器學習修復地形的方法并不可行。但是，在設(shè)計創(chuàng)作層面，設(shè)計師可以自主設(shè)計部分地形，把控場地邊界和地形空間特點，而部分可采用實驗2的方法來生成地形，補全設(shè)計，或者僅用于方案推演的參考。

4 結(jié)語

規(guī)劃設(shè)計學科傳統(tǒng)意義的計算機輔助設(shè)計主要強調(diào)二維制圖和三維模型，在相關(guān)數(shù)據(jù)分析中則借助電子表格（通常以Microsoft Excel為主）、統(tǒng)計分析軟件（通常以SPSS為主）、科學計算工具（通常以MATLAB和R為主），同時地理信息系統(tǒng)（Geographic Information System，簡稱GIS，主流平臺有ArcGIS和QGIS）中包含有大量完善的算法工具，以及大量重點解決某一領(lǐng)域的專屬工具，例如復雜系統(tǒng)多智能體仿真環(huán)境NetLogo、量化生境斑塊和連通性重要程度的Conefor、時空分析和模擬的復雜空間算法工具Dinamica EGO等。大量集成工具中往往包含機器學習算法，涉及分類、聚類和回歸三大主要方向。為了拓展設(shè)計的創(chuàng)造性和研究分析中數(shù)據(jù)處理的能力，目前高校師生和設(shè)計師逐漸地開始學習程序設(shè)計語言（主要以Python為主，部分涉及C語言及其他程序語言類型），來應(yīng)對第4次工業(yè)革命（以人工智能、清潔能源、機器人技術(shù)、量子信息技術(shù)、虛擬現(xiàn)實以及生物技術(shù)為主）為規(guī)劃設(shè)計學科在設(shè)計研究方法上帶來的機遇。

11 建立遮罩，預(yù)測未知區(qū)域高程的地形生成過程Building a mask and predicting the terrain generation process of elevation in unknown areas

本研究涉及3個實驗，前2個偏向于數(shù)據(jù)分析研究層面，后1個（含2個子項目）偏向于數(shù)字設(shè)計創(chuàng)作方面。包含機器學習分類（采用了極端隨機森林算法）、聚類（采用了KMeans算法）和回歸（涉及Extra Trees、K-nn、Linear Regression和Ridge）以及深度學習中的生成對抗網(wǎng)絡(luò)，試圖探索機器學習在風景園林領(lǐng)域下的一些應(yīng)用模式。因為scikit-learn機器學習和tensorflow深度學習開源庫框架的出現(xiàn)，機器學習和深度學習廣泛應(yīng)用于各個領(lǐng)域，成為以智能化的方法解決相關(guān)問題的有效工具，是規(guī)劃設(shè)計領(lǐng)域最為前沿，能夠引領(lǐng)未來規(guī)劃設(shè)計方向的主要途徑之一。

機器學習很難單獨去解決問題，只有將其應(yīng)用結(jié)合到規(guī)劃設(shè)計學科中涉及的更為廣泛的領(lǐng)域，例如大數(shù)據(jù)中的數(shù)據(jù)處理與分析、地理信息系統(tǒng)、復雜系統(tǒng)、參數(shù)化技術(shù)、建筑信息模型、網(wǎng)絡(luò)技術(shù)以及嵌入式系統(tǒng)實驗設(shè)備等相關(guān)技術(shù)，才能更好地發(fā)揮作用。3項實驗中基本都需要將機器學習結(jié)合到地理信息系統(tǒng)，或獲取數(shù)據(jù)，或分析數(shù)據(jù)；在地形生成中則結(jié)合了參數(shù)化設(shè)計技術(shù)，以參數(shù)化的方式讀取生成的地形數(shù)據(jù)三維顯示地形；而景觀視覺質(zhì)量評價應(yīng)用網(wǎng)絡(luò)技術(shù)部署平臺，收集評價信息和用訓練的模型提供服務(wù)。當前城鄉(xiāng)規(guī)劃、風景園林和建筑領(lǐng)域都在推動著數(shù)字化建設(shè)，數(shù)字化涉及的內(nèi)容廣泛龐雜，機器學習是數(shù)字化技術(shù)中的一種智能化解決問題的工具，綜合運用多種途徑，互相結(jié)合，可以有效解決傳統(tǒng)中遇到的或者因為新技術(shù)而出現(xiàn)的新問題。

注釋：

文中圖片均由作者繪制。