羅小嬌，彭黎君

(1. 西南科技大學城市學院，四川 綿陽 621000；2. 西南科技大學，四川 綿陽 621010)

1 引言

景觀是由不同土地單元聚合而成的，是具有明顯視覺效果、經(jīng)濟效果和美學效果的混合型制造物。景觀的聚集程度由景觀布局和景觀個體大小排列交匯而成，是景觀動態(tài)變化的具體表達方式，由于景觀聚集程度需要符合當前市場、社會以及城市的多方面需求，因此將其作為自然和社會要素間產(chǎn)生的相互作用結果。隨著人們對城市景觀需求的不斷增強，景觀對人們生活的影響范圍也不斷擴大[1]。提高城市景觀建設的合理性，是對城市人們休閑生活狀態(tài)的負責。景觀聚集程度是當前城市景觀合理性的核心部分，為提高城市景觀聚集程度的合理性，必須仿真研究景觀聚集程度，通過分析城市景觀布局和人類活動的相關關系，獲取人為干預下城市景觀的演變規(guī)律，進而研究當前城市景觀建設的重要意義。

文獻[2]結合景觀生態(tài)學研究了土地利用景觀格局變化特征，引入CA-Markov模型對土地利用變化過程進行模擬，預測和評估景觀的聚集程度。但是該方法存在引入模型局限性大的問題，導致方法無法普遍應用。文獻[3]基于混合蛙跳算法，耦合邏輯回歸與馬爾可夫模型構建了SFLA-M-L模型。利用景觀適宜性指數(shù)和景觀聚集度指數(shù)構造目標函數(shù)，以景觀轉移概率矩陣為景觀聚集的控制條件。該方法效果較理想，但是其過程過于復雜，應用要求太高。文獻[4]利用粒度反推法和主成分分析從增強整體連通性的角度實現(xiàn)了生態(tài)源地的客觀選取，并結合最小累積阻力模型構建了生態(tài)景觀聚集程度評估網(wǎng)絡。該方法雖然實現(xiàn)過程較為簡單，但是其景觀聚集程度分析結果與實際相差較大，方法不夠精準。

為有效提高城市景觀聚集程度數(shù)據(jù)精度，設計從Ripley K函數(shù)角度出發(fā)，對當前景觀的各據(jù)點進行分析，再對噪聲進行評估，根據(jù)當前景觀圖像的布局，完成景觀聚集程度的仿真[3]。

2 景觀聚集程度模擬方法

在對城市景觀聚集程度總計布局來說，需要利用認知美感和認知情感結合的方式，實現(xiàn)景觀匯聚。在此過程中，分析當前景觀聚集程度的美感認知程度，可以獲取當前景觀聚集網(wǎng)絡走向。

圖1 景觀聚集程度網(wǎng)絡走向

所以在對景觀聚集程度進行模擬仿真的過程中，需要結合當前城市人群情感特征，包括美感認知層次，計算當前城市人群對于景觀節(jié)點的覆蓋概率[5]。因為景觀的美感層次包括匯聚等多重結構，均需要一個由淺入深的過程，所以需要對其進行量化處理[6]。設計以RipleyK函數(shù)為核心，通過引入多重空間數(shù)據(jù)，制定局部據(jù)點的分析層次，對當前景觀均值圖像進行噪聲評估，通過多重景觀視角，實現(xiàn)景觀匯聚程度仿真。

2.1 基于RipleyK函數(shù)的景觀各據(jù)點分析

想要獲取最佳的景觀聚集程度仿真數(shù)據(jù)，需要保證當前景觀的核心層次美感，滿足當前區(qū)域空間環(huán)境以及人們的需要。RipleyK函數(shù)是一種可以實現(xiàn)多種數(shù)據(jù)空間限制尺度下的空間點格局分析方法，景觀類型包括空間尺度特征和強度特征，均可以通過RipleyK函數(shù)進行體現(xiàn)，如果借助RS技術，就可以完成對景觀板塊的初步分析。在應用RipleyK函數(shù)前，需要引入當前環(huán)境下人們對景觀的認知數(shù)據(jù)，確定其層次結構，如圖2所示[7]。

圖2 認知數(shù)據(jù)結構

圖2中的各邊均可看做是景觀認知途徑，包括多種拓撲結構。RipleyK函數(shù)以認知層次數(shù)據(jù)為中心，構建N個不同景觀的認知網(wǎng)絡G(V，L)，其中根據(jù)景觀匯聚數(shù)據(jù)構建的美感認知節(jié)點集合為

V={V1，V2，V3，…Vn}

(1)

在景觀美感認知網(wǎng)絡G中，將任意的節(jié)點Vi帶入到相鄰節(jié)點的分析矩陣中，可以獲取當前景觀節(jié)點的前導性集合

F(Vi)={Vj|(Vi，Vj)∈L}

(2)

RipleyK函數(shù)作為點格局分析工具，可以進行多尺度研究，利用前導性集合對數(shù)據(jù)的顯著性進行驗證[8]。最大化減少后續(xù)景觀匯聚程度仿真的過程，會影響分類的工作量，而且可以最大化保證計算精度。其計算公式如下

(3)

在上述式(3)中，A、n、d分別指當代景觀研究區(qū)的區(qū)域面積、隨機研究點個數(shù)以及絕對空間點尺度[9]。獲取函數(shù)數(shù)據(jù)后，利用仿真工具ArcGIS10.0的軟件工具箱中的SpatialStatistics工具，隨機生成5000個函數(shù)公式指代點，并將指代點的圖層按照不同結構需要進行矢量疊加和分析，獲取隨機點的專屬類型，然后利用RipleyK函數(shù)進行三級顯著點劃分。RipleyK函數(shù)中的L(d)函數(shù)值計算時，半徑每增加1000米，需要計算至少20次。函數(shù)邊界的矯正需要采用編制模擬法，如圖3所示。

圖3 編制模擬示意圖

利用編制模擬，根據(jù)采樣區(qū)域邊界，劃分函數(shù)邊界，在利用蒙特卡洛模擬法進行檢驗，包括偏離隨機性和顯著性，其置度數(shù)超過99%。

把RipleyK函數(shù)獲取的格式結果導入到排序文件中，生成上包線、下包線則該景觀空間分布整體呈聚集性趨勢。當L(d)值關系數(shù)大于預期值是，函數(shù)觀測值曲線會遠離預測值曲線，則整體數(shù)據(jù)觀測點的分布處于集聚趨勢中。將觀測線數(shù)據(jù)進行匯總，建立數(shù)據(jù)集，該數(shù)據(jù)集即為當前RipleyK函數(shù)下，景點數(shù)據(jù)的數(shù)據(jù)點分析數(shù)據(jù)[10]。

2.2 景觀據(jù)點圖像噪聲評估

利用RipleyK函數(shù)建立景觀匯聚趨勢下的分析數(shù)據(jù)集后，即可建立當前景觀的均值圖像數(shù)據(jù)。但上述數(shù)據(jù)集存在有用數(shù)據(jù)和無用數(shù)據(jù)，利用獲取到的有效圖像濾波信息，同時引入立體圖像組織數(shù)據(jù)建立立體圖像，結合特征信息構建向量集，完成數(shù)據(jù)的分解，以實現(xiàn)對其噪聲的確定。

設當前圖像信號噪聲為n(t)，此時存在以下關系

s(t)=x(t)-n(t)

(4)

其中x(t)表示當前景觀原始數(shù)據(jù)點分析數(shù)據(jù)；設

fx(x，μ，σ2，γ)=ωmey

(5)

其中，μ與σ表示現(xiàn)階段圖像信息分布子代系數(shù)的平均數(shù)與均方差，γ表示分類帶狀數(shù)值；ey表示公式的分類數(shù)。利用小波變換當前圖像信息的分布情況，實行多角度檢測。通過不同特征值組成圖像的向量集，具體表達式如下

(6)

在公式中，d代表方向，s代表圖像尺度；

通過以上方法可以獲取圖像的特征信息，包括n個噪聲信息向量，{x1，…，xn}?X，σi表示當前個圖像布局中的樣本下相應的噪聲水平參數(shù)，指定當前圖像布局的特征向量Y，利用下述公式表達當前景觀圖像的實際布局噪聲

(7)

式中，w(y，xi)是當前圖像噪點決策權重函數(shù)，該函數(shù)主要依賴于當前圖像布局下的空間矢量數(shù)據(jù)，y為圖像中的矢量數(shù)據(jù)距離，利用下述公式表示當前數(shù)據(jù)權值

(8)

2.3 景觀圖像布局

以1.2節(jié)獲取的景觀聚集趨勢下去噪后的圖像數(shù)據(jù)為依據(jù)，利用景觀仿真形態(tài)學，將景觀圖像的布局劃分為景觀聚集紋理區(qū)和景觀聚集光滑區(qū)兩個部分。采用橢圓形聚合窗數(shù)據(jù)評估景觀圖像，并確定當前圖像小波域圖像區(qū)域個點位的信號方差。然后利用雙重維納濾波對去噪圖像進行重復構建，其構建過程如下：

y(i，j)=s(i，j)+ε(i，j)

(9)

式中，s(i，j)和ε(i，j)分別代表圖像布局點和小波域實際系數(shù)。

對當前景觀聚集圖像布局X來說，需要保證其邊緣檢查效果，獲取最佳圖像布局邊緣。設計采用拉普拉斯算法，定理對應算子L(·)，對三維空間景觀圖像布局進行濾波析出，提取對應算子，再次基礎上根據(jù)濾波處理后的景觀聚集圖像閾值，獲取圖像邊緣：

E={(m，n)：L(m，n)>mean(L(X))+std(L(X))}

(10)

其中，mean(·)與std(·)表示現(xiàn)階段圖像匯聚的分布方陣元素，分別為匯聚仿效的平均數(shù)與平均差計算值，與此同時對現(xiàn)階段匯聚分布圖像進行數(shù)值圖像處理，區(qū)分匯集邊緣和領域，通過式(11)完成計算

M={(E·B)°B}

(11)

式中，·和°分別代表當前景觀邊界區(qū)域運算的開合運算和閉合運算。定義當前參數(shù)M(i，j)，用于指代輸出的三維空間景觀圖像布局數(shù)學形態(tài)最終的處理結果，即

(12)

此時需要進行圖像劃分的景觀聚集區(qū)小波系數(shù)，存在的噪點較低，由此利用上述最終的景觀聚集評估數(shù)據(jù)結果，建立當前景觀聚集圖像小波域不同層級的子帶信號方差，計算公式為

(13)

式中Mj(i，j)代表當前M(i，j)的數(shù)據(jù)采樣結果。評估當前圖像景觀聚集程度的布局信號，再根據(jù)執(zhí)行濾波，獲取最終景觀圖像的布局優(yōu)化結果。

(14)

式中，y2(i，j)代表了圖像布局下的小波分解域系數(shù)。根據(jù)以上方法，即可完成維納濾波景觀下的圖像布局。

2.4 景觀聚集程度模擬的實現(xiàn)

為使景觀聚集程度仿真的結果符合當前城市區(qū)域和使用用戶的應用喜好，設計采用多指數(shù)法對當前景觀格局聚集程度特征進行數(shù)據(jù)描述。根據(jù)景觀斑塊的外部形狀，以及斑塊緊密程度求取當前景觀的近園觀測指數(shù)，包括測度尺上的表征和斑塊邊緣復雜程度的維度值。應用上述數(shù)據(jù)，結合當前景觀斑塊在圖像上的離散程度，可以分組建立多指數(shù)集合，根據(jù)該指數(shù)集合即可最終確定景觀聚集程度，完成仿真。

近園指數(shù)SICi：景觀斑塊的形狀越緊密，景觀聚集的整體效果越趨近于圓形，近園指數(shù)也就越趨近于1。該指數(shù)越小，則表示斑塊形成也就越復雜。其公式表達式為

(15)

方形指數(shù)SISl：該指標的取值一般大于1或者等于1，該值越大，表示當前景觀聚集斑塊越復雜，景觀偏離度也就越遠。其公式表達式為

(16)

分維數(shù)D：該值反應了當前觀測尺度下的景觀斑塊邊緣復雜程度，該值越小，越表明當前景觀斑塊的相似性越強。其公式表達式為

(17)

分離度Fl：該指數(shù)可以表述為當前景觀聚集程度下空間分布的離散程度，該值越大，則表示景觀斑塊分散程度越高，其公式表達式為

(18)

(19)

在上述公式表達式中，Pi代表了當前景觀斑塊的周期長度；AI代表了當前景觀實際斑塊面積，nI代表了當前景觀斑塊個數(shù)；綜合上述公式，可以建立多個當前景觀聚集程度的指數(shù)數(shù)據(jù)集合K。

K={SICl，SISl，D，F(xiàn)}

(20)

在實際仿真中，可以根據(jù)當前仿真軟件的實際需求，將當前景觀聚集程度指數(shù)指標錄入到PC端中，所獲取的最終數(shù)據(jù)結果，即為當前景觀聚集程度仿真結果。

3 仿真研究

實驗硬件平臺中央處理器主頻調試為3.5GHz，內存為8GB，仿真軟件平臺設置為Matlab2018a。為了驗證當前設計的基于RipleyK函數(shù)的景觀聚集程度仿真技術是否可以達到理想的效果，以傳統(tǒng)決策樹分析數(shù)據(jù)仿真和Markov數(shù)據(jù)鏈分析仿真為對比組，進行標準化的景觀聚集程度仿真。實驗指標為當前景觀布局的合理性和真實度。其實驗流程如圖4所示。

圖4 實驗流程圖

3.1 景觀布局合理性對比

景觀布局合理性是對景觀聚集程度仿真效果的重要評測指標，其合理性越高，證明景觀聚集程度仿真效果越好。實驗組和對比組仿真結果如圖5所示。

圖5 合理性對比

圖5代表了隨機10組實驗組的合理度系數(shù)評測情況。分析圖5數(shù)據(jù)可知，傳統(tǒng)決策樹和數(shù)據(jù)鏈分析方法進行的景觀聚集程度仿真結果其合理性系數(shù)均在0.5到0.7左右，而基于ipleyK函數(shù)的景觀聚集程度仿真技術其仿真結果的合理度系數(shù)則均在0.7以上，二者相差比例超過20%，證明了當前設計的仿真技術其獲取的模擬結果更加合理。

3.2 景觀聚集真實度對比

傳統(tǒng)景觀聚集程度仿真技術雖然可以獲取更有效的仿真結果，但是因為環(huán)境變更和適應誤差等因素，無法完全滿足實施要求。對此實驗引入真實對評測指標，用于評測當前的景觀模擬結果是否具有真實的應用價值。表1為三種仿真技術獲取數(shù)據(jù)的真實度對比情況：

表1 不同方法下數(shù)據(jù)真實度對比

在上述實驗表格中，H1代表此次設計的基于ipleyK函數(shù)的景觀聚集程度仿真技術，H2和H3分別代表了傳統(tǒng)決策樹和數(shù)據(jù)鏈分析方法。根據(jù)表1數(shù)據(jù)可以看出，此次設計的仿真技術，其仿真結果真實度均在90%以上，而決策樹和數(shù)據(jù)鏈分析方法的平均真實度在75%和71%左右，明顯低于設計方法。經(jīng)過上述兩次分別針對合理性和真實度的對比實驗，可以確定此次設計的基于ipleyK函數(shù)的景觀聚集程度仿真技術獲取的數(shù)據(jù)結果與常規(guī)方法相比，具有更高的數(shù)據(jù)準確度，其整體精確度更高，應用效果更好。

4 結束語

城市景觀聚集程度是城市景觀規(guī)劃的重點，對其進行有效數(shù)據(jù)仿真，可以提高當前景觀規(guī)劃效果。為有效解決仿真精確度問題，此次設計通過RipleyK函數(shù)構建數(shù)據(jù)集，通過去噪布局等步驟，完成仿真，獲取仿真數(shù)據(jù)，其真實度更強，且整體仿真效果優(yōu)于傳統(tǒng)方法。