EN中文

Landscape Architecture >

2024 , Vol. 31 >Issue 9: 51 - 58

DOI: https://doi.org/10.3724/j.fjyl.202405120259

Special: Application of Artificial Intelligence in Landscape Architecture

Research Progress of Computational Design in Planting Design

  • Jinnuo LI , 1 ,
  • Yueqi MA , 1 ,
  • Hao YIN , 1, 2, *
Expand
  • 1 School of Landscape Architecture, Beijing Forestry University
  • 2 Beijing Laboratory of Urban and Rural Ecological Environment

LI Jinnuo (Korean) is a master student in the School of Landscape Architecture, Beijing Forestry University. Her research focuses on landscape planning and ecological restoration

MA Yueqi is a master student in the School of Landscape Architecture, Beijing Forestry University. Her research focuses on landscape planning and design

YIN Hao, Ph.D., is a professor in the School of Landscape Architecture, Beijing Forestry University, and a member of the Beijing Laboratory of Urban and Rural Ecological Environment. His research focuses on urban and rural eco-habitat

Received date: 2024-05-12

  Revised date: 2024-07-15

  Online published: 2025-12-16

Copyright

Copyright © 2024 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] Planting design is a non-linear process that must simultaneously consider the scientific configuration of plant communities and the artistic and practical aspects of spatial creation. The diverse requirements in this field make traditional planting design rely heavily on the experience accumulation of designers, resulting in a certain degree of subjectivity. Computational design organizes the elements of planting design through algorithms, potentially replacing human cognitive process with machine. This presents new opportunities for intelligent planting design. Therefore, this research aims to summarize the research progress of computational design in the context of planting design.

[Methods] This research utilizes Web of Science (WoS) and China National Knowledge Infrastructure (CNKI) as data sources, and employs both bibliometric analysis and narrative review methodologies to statistically analyze and synthesize the literature collected. 1) Bibliometric analysis: By virtue of COOC 14.9 and Citespace 6.3.R2, visual knowledge maps of 330 publications in the landscape architecture field are constructed with a focus on development stages and emergence timelines, based on which the trends and dynamics of computational design in landscape architecture are elucidated, with a specific emphasis on planting design. 2) Narrative review: Of the 330 publications, by reviewing their titles and abstracts, 24 ones relevant to planting and computational design are selected. These publications are then categorized and analyzed based on computational design techniques, research directions, and specific research objects within planting design.

[Results] Between 2009 and 2023, the number of research on computational design in planting design has shown an overall upward trend. In terms of research objects, urban parks serve as the most significant research object with the largest number of publications, with recent trends extending to urban forests. Avenue trees and vertical greening also show significant potential. Regarding research directions, plant community configuration is a hot topic, followed by plant spatial layout. The research on planting direction still needs further enhancement. Computational design in planting design has progressed through three stages, namely parametric design, algorithmic design, and generative design. 1) Parametric design emphasizes the regulation of quantifiable parameters, aiming to deal with the complex qualitative characteristics of planting design on a one-to-one basis. It is the earliest and most widely used and mature design method in planting design, commonly applied in plant community configurations of urban parks. 2) Algorithmic design focuses on rule formulation, commonly using cellular automata (CA) and multi-agent system (MAS). CA simulates the “dynamic system” of natural communities and is adept at predicting competitive relationships within plant communities, which is widely used in natural plant community configurations in urban forests. MAS, suitable for interactions involving different goals and proprietary information, has significant implications for collaborative design among designers, the public, and the government, and has been applied to the spatial layout of avenue trees. 3) Generative design possesses strong rule-learning and implicit rule-capturing capabilities, with the potential for automated design generation. Algorithms like deep neural networks and hybrid intelligent systems are frequently used in planting design. Generative adversarial networks (GANs), such as Pix2Pix, CycleGAN, and StyleGAN, excel in style transfer, can generate images similar to input data, and are mainly used in plantscape layout in urban parks. For the aforesaid design methods, although the current focus is on their suitability for planting design, rapid development suggests they may become the primary technical approach for planting design in the future. By integrating multiple intelligent algorithms, hybrid intelligent systems can overcome the limitations of individual algorithms and combine the advantages of various techniques, which are currently applied in the integration of cellular automata and GANs.

[Conclusion] Computational design can effectively address the issues of ambiguity and high dimensionality in planting design, but still requires improvements. Presently, planting design lacks a data sharing platform, with various plant database resources dispersed across multiple platforms, leading to inconsistent data quality. Given the high demands of computational design for data quantity and quality, there is a need to promote the construction of planting design data sharing platforms and provide data evaluation channels to filter diverse and high-quality data. Moreover, planting design is highly related to human subjective aesthetics. Existing research primarily uses quantifiable spatial factors, lacking qualitative factors such as aesthetics and culture. Although generative design can mimic the design capabilities of designers, current generative results are unstable and lack detail. Future research needs to distinguish between quantitative and qualitative factors, with repetitive and quantifiable tasks handled by computational design, while qualitative factors judged by designers’ experience, thus forming a collaborative workflow between designer and computer. Additionally, most planting design research uses single techniques, failing to address the complexity of planting design practice comprehensively. Hybrid intelligent systems capable of integrating multiple intelligent methods, offer new ideas for planting design. Finally, computational design in planting design remains primarily at the experimental and research stages, necessitating further integration with practical application in the future.

Key words： landscape architecture; artificial intelligence; machine learning; deep learning; algorithm

Cite this article

Jinnuo LI , Yueqi MA , Hao YIN . Research Progress of Computational Design in Planting Design[J]. Landscape Architecture, 2024 , 31(9) : 51 -58 . DOI: 10.3724/j.fjyl.202405120259

植物要素是风景园林的基调，与其他风景园林要素不同，植物是一种有生命的动态材料，种植设计既要考虑植物空间营造的艺术性和实用性，又要兼顾植物群落配置的科学性。从参数化设计到算法设计，再到由人工智能延伸而来的生成式设计，计算性设计的发展使种植设计逐步进入了数字化时代。计算性设计强调系统和逻辑性，利用参数或算法协调组织种植设计要素，更关注于植物个体的生理特征、生长环境和植物群落等因素之间的相互作用，使种植设计更为客观科学。针对复杂情况下的种植设计，机器能够辅助人脑进行高级运算，使设计更加高效。
目前，计算性设计在建筑[1]和室内[2]等较为规则的空间设计中应用广泛，在风景园林领域的研究也集中在规律性较强的空间规划布局中，对需要综合考虑复杂植物空间营造的种植设计关注较少。此外，计算性设计的研究和应用在建筑领域已有系统性的梳理[3-4]，并设置相关会议专门讨论计算性设计的研究情况[5]，可见计算性设计在建筑领域备受关注。而在风景园林领域，当前研究多侧重于计算机辅助设计（computer-aimed design）[6]，仅有针对某一种计算性设计具体技术方法的综述[7]。计算性设计的相关概念常被混淆，在种植设计中计算性设计整体的发展脉络还需要系统性梳理。本研究试图弥补这一不足，分析计算性设计在风景园林领域的研究趋势，为计算性设计方法在种植设计方面的研究与应用提供思路。

1 计算性设计在种植设计中的发展历程

计算性设计是指利用计算机辅助设计或利用计算机的计算能力（如根据算法和程序来生成或提供信息等）指导设计的过程[4]。对计算性设计在建筑和城市规划领域的探索始于20世纪70年代，20世纪90年代在风景园林领域中得以应用。随着设计工具与编程技术的不断更新，设计师从受限制的形式赋予者转变为生成设计过程的控制者，计算性设计经历了从专有软件到开放编程的2个阶段（图1）。
图1 计算性设计的发展历程

Fig. 1 Evolution of computational design

1）专有软件阶段的标志是计算机辅助设计工具的开发，意味着计算机可以进行几何绘图和简单的设计优化。Sketchpad软件于20世纪60年代推出，初步实现了绘图的自动化。随后，AutoCAD、MicroStation、Digital Project、SketchUp、Rhinoceros 3D等软件实 现了计算机从2D数字绘图到3D数字建模 的跃迁，建筑信息模型（building information modeling, BIM）工具更是将计算机3D数字建模技术的发展推向顶峰[5]。AutoCAD软件使设计师能够在没有编程知识的情况下在计算机屏幕上绘图，但该阶段仍没有充分利用计算机的计算能力，本质上只是借助数字工具表达设计形式。
2）开放编程阶段的特征是利用计算机的计算能力进行设计。2008年，Rhinoceros 3D软件中添加了可视化编程工具Grasshopper后，参数化设计（parametric design）作为该阶段的一个重要技术在设计中得到广泛应用，设计师可以在软件中编写规则并调节相应参数来完成设计。计算机与设计行业的进一步交叉催生了新的术语，如算法设计（algorithmic design）和生成式设计（generative design），进而脚本编写、优化算法、数字制造等技术被广泛应用。2012年，深度学习技术在人工智能领域中取得了巨大突破[8]，其数据驱动和表征学习 ①的能力在种植设计中表现出一定的潜力。同时，计算机辅助设计已经实现了沉浸式仿真设计，如虚拟现实（virtual reality, VR）、增强现实（augmented reality, AR）和混合现实（mixed reality, MR）[9]。
计算性设计能够将种植设计中复杂和抽象的定性描述（植物个体的生长特性、群落之间的相互作用、复杂的生长环境等）转化为定量的设计参数或算法，甚至可以直接生成种植设计方案，提升了设计的效率，计算性设计与种植设计的结合已成为种植设计研究的趋势。

2 研究方法

2.1 文献检索及分析

为了全面地了解种植设计在风景园林领域中的研究现状并深入分析与种植设计相关的研究，本研究采用文献计量分析与叙述性综述分析2种方法对文献进行统计和分析。确定两大中心词“计算性设计”“种植设计”，并分解中心词的相关检索词。使用Web of Science（WoS）核心合集数据库和中国知网（CNKI）作为数据源，于2024年6月9日对关键词进行检索，不限制文献发表时间，共检索到有效英文文献166篇、中文文献164篇。分别运用COOC 14.9和Citespace 6.3.R2软件对330篇文献的发表时间和突现时间进行文献计量分析，总结计算性设计在风景园林领域的发展趋势，进而聚焦于种植设计的研究。人工浏览330篇文献的标题和摘要，筛选出种植设计与计算性设计相关的24篇文献，从计算性设计的技术方法、种植设计的研究方向与研究对象进行叙述性综述分析。

2.2 主题分类体系

2.2.1 计算性设计技术方法的分类

计算性设计中应用最多的3种技术方法是参数化设计、算法设计、生成式设计。参数化设计基于算法思维，使用参数来约束设计[10]，常利用已有程序辅助设计[11]；算法设计是一种使用算法生成模型的设计范式，属于生成式设计，且与参数化设计存在交集；生成式设计允许设计师自主编写算法，通过定义规则衍生出大量难以预测的设计方案[12]，无法通过分析算法预测输出结果（图2）。3种术语在研究中经常被混淆。本研究采纳了Caetano等[4]的观点，认为以上三者并非并列关系，应该制定明确的标准以区分使用，可从2个方面加以区分。
图2 计算性设计技术方法分类

Fig. 2 Categories of computational design techniques and methods

1）调控参数与制定算法。算法设计是生成式设计的子集，二者均需直接制定算法，要求设计师具有一定的编程能力；而参数化设计一般依赖于已经编写好算法的软件，如Grasshopper、Revit，设计师只需调控参数，不用了解背后的算法。算法和参数之间存在差异，算法是一组数学指令，有助于计算问题的答案，而参数是一组固定的限制条件，用于组织或限制某件事的完成，因此生成式设计相对于参数化设计来说在设计过程中更加灵活。
2）算法与输出结果的同构性。算法和输出结果之间是否可回溯是区分算法设计和生成式设计的标准。算法设计侧重建立规则，指定明确的约束，算法和设计结果之间同构且可回溯；生成式设计通过控制变量不断优化循环设计路径，适用于解决多个标准模糊且无法确定的设计问题，常会产生随机和意外的输出结果[13]，具有不可回溯性，包括深度神经网络（deep neural networks, DNN）、混 合智能系统（hybrid intelligence systems, HIS）等模型。使用元胞自动机（cellular automata, CA） 和多智能体系统（multi-agent system, MAS）的设计在部分研究中既可被认定为生成式设计又可被认定为算法设计[14]，但目前在种植设计领域的应用中，二者的算法与输出结果是同构的，因此本研究将二者纳入算法设计。

2.2.2 种植设计研究方向的分类

基于不同的空间尺度和侧重点，种植设计的研究方向可分为植物空间布局、植物种植方式、植物群落配置3个方面。植物空间布局的研究着眼于整个场地尺度，对植物的分布进行整体性的规划，侧重于对空间的塑造；植物种植方式的研究是对植物空间布局的进一步细化，对种植分区的植物在空间层面上进行排列；植物群落配置的研究则聚焦于植物组团的尺度，除了关注对空间的塑造，还考虑了植物所处的生境条件和植物配置的生态学理论等要素对植物垂直结构层次的影响和组合。

3 研究结果

3.1 计算性设计在种植设计中的研究概况

3.1.1 发表时间及发展阶段

计算性设计在风景园林领域的文献数量在2016年之前整体偏少，2017年后逐渐增多，自2020年，文献数量迅速增多，大部分研究（64.55%）发表在2020年以后。
近15年来，计算性设计在种植设计方面的研究发文量总体呈上升态势：2009—2019年间，发文量较少，研究内容主要以参数化设计为主；2020—2021年，发文量增多，研究内容开始向算法设计延伸；2022—2023年，总体发文量趋于稳定，参数化设计及算法设计的研究逐渐减少，生成式设计的研究不断增多，预计未来会成为种植设计的计算性设计研究的主流。

3.1.2 研究热点与趋势

通过计算性设计在风景园林领域中关键词突现的时间与强度可以有效预测未来潜在的研究主题。1）2005—2014年，“模拟”“遥感”“城市扩张”等关键词的出现，表明在该阶段计算性设计主要应用于城市尺度；2）2015—2019年，“植物群落”和“种植设计”关键词的突现说明计算性设计研究开始关注更小的尺度，并且已经关注到了种植设计这一细分领域；3）2021—2022年，“植物群落”关键词再一次突现，呈现出持续发展的趋势；“参数化”“元胞自动机”“多智能体系统”“机器学习”等关键词突现强度较高，说明风景园林领域已经开始探索更多样的计算性设计的技术；4）2020—2024年，从“绿色空间”到“城市公园”再到“城市森林”和“植物景观”等关键词相继出现，说明计算性设计研究逐步深入到不同类型的绿色基础设施，并向种植设计扩展；与此同时，人工智能相关的技术自2021年呈爆发性发展，涌现出“深度学习”“卷积神经网络” “随机森林”“智能化”等术语，计算性设计研究的技术得到了突破（图3）。
图3 计算性设计在风景园林领域中的关键词突现趋势

Fig. 3 Keywords emergence trend of computational design in the field of landscape architecture

进一步总结计算性设计应用在种植设计中的研究方法、研究对象与研究方向，可以发现：在研究方法上，参数化设计的发展时间较长，相关文献数量最多，生成式设计与算法设计次之；在研究对象上，研究城市公园的文献数量最多，有向城市森林发展的趋势，行道树和立体绿化方面的研究也展现了较大的潜力；在研究方向上，植物群落配置是研究的热点，其次是植物空间布局和植物种植方式的研究。综合来看，参数化设计相关文献的研究对象大部分是城市公园，以研究植物群落配置为主；算法设计相关文献中以CA为算法的文献多关注城市森林中的植物配置，以MAS为算法的文献多以行道树的空间布局为主要研究内容；生成式设计相关文献侧重对城市公园的植物空间布局的研究（图4）。
图4 研究方向、研究对象与主要研究方法发文量统计

Fig. 4 Statistics on the number of articles issued related research directions, research objects and main research methods

3.2 计算性设计在种植设计中的主要应用

3.2.1 参数化设计在种植设计中的应用

参数化设计以Rhino、Grasshopper、Revit为核心工具。现有研究主要集中在植物群落配置、植物种植方式、植物空间布局3个方面（表1）。
表1 参数化设计在种植设计中的应用[15-27]

Tab. 1 Parametric design in planting design[15-27]

研究类别 参数类别 参数选择 研究对象 发表年份
植物群落配置 植物群落结构 时间结构（花径大小变化、花期、花色和叶色变化等季
相变化数据）[15]		 城市公园 2020
空间结构（通透度、覆盖度、围合度、胸径与树高的比
值、空间面积、空间体积、密度、延伸度、复杂度）[16]		 2022
群落生境因子 风（风速）[21] 城市森林 2009
水分（地表径流）、光照（太阳辐射量、日照方向）、
地形（坡度）[17]		 城市公园 2015
光照（日照辐射）[18] 2016
水分（湿度、降水量）、光照（太阳路径）、温度[19-20] 2022、2023
群落配置理论 宫胁造林法的混合密植模式[22-23] 城市森林 2021
植物种植方式 规则式种植 孤植、列植、片植[24] 城市公园 2020
自然式种植 仿自然的混合式种植[25] 2021
植物空间布局 空间要素 植物种植点位、绿化面积、空间形式[26] 立体绿化 2021
空间要素、
视听感知要素		 空间形式（地形、水体、建筑和植物边界）、视听感知要素（游览路线、观赏点密度、观赏视距、噪声来源、噪声音量等）[27] 城市公园 2022
1）植物群落配置。研究大多在植物群落结构[15-16]、群落生境因子[17-21]、群落配置理论[22-23]3个方向进行探索。在植物群落结构方面，选取可量化的植物群落空间结构参数（通透度、胸径与树高的比值、空间体积、复杂度等）[16]，以及植物群落生长和季相变化等时间结构参数（花径大小、花期、花色和叶色变化等）[15]；在群落生境因子方面，选取影响植物生长的生境参数，如光照[17-20]、温度[19-20]、风[21]、水分[17, 19-20]、地形[17]等；在群落配置方面，由于植物配置理论可以简化为具有特定规律的种植形式，如将宫胁造林法的混合密植模式转化成可以量化的参数[22-23]，指导城市森林的植物群落配置。
2）植物种植方式。参数化设计可以将植物在空间上的排布抽象成一个模式化的空间组织单元，并转化为参变量进行设计。参数的选择既可以是孤植、列植[24]和现代种植[25]等规则式种植方式，也可以是仿自然的混合式种植方式[25]。
3）植物空间布局。植物在空间上的组织，还需兼顾生态性、艺术性和实用性。多数研究选择可量化的空间参数，如植物种植点位、绿化面积[26]、空间形式等。少量研究考虑了视听感知要素，如游览路线、观赏点密度、观赏视距、噪声来源、噪声音量[27]等参数。
参数化设计大多使用容易被量化的参数，如空间维度的指标，没有考虑到植物群落本身复杂的动态特性，有限的参数无法囊括影响种植设计的多重因素。因此，参数化设计只能辅助设计师进行分析，无法实现自动化设计。

3.2.2 算法设计在种植设计中的应用

算法设计主要解决设计的模拟问题，以验证或预测实施策略，在城乡规划[28]、林业[29]和生态学[30]领域已有应用，典型算法有CA、MAS。
表2 算法设计在种植设计中的应用[33-35, 37]

Tab. 2 Algorithmic design in planting design[33-35, 37]

算法类别 研究对象 研究类别 规则制定 研究内容 发表年份
CA 城市森林 植物群落
配置		 藻类的个体竞争机制 生成自然灌木群落配置[34] 2019
个体生态学理论 生成近自然的乔灌群落[35] 2020
竞争指数、高程要素 模拟具有地形的近自然林地的乔灌群落[33] 2023
MAS 行道树 植物空间
布局		 种植政策（城市法规、种植规范、城市设计规则）、空间要素（地理边界）、植物规格（树木规模、生长、深度与高度比例、树冠大小、根系生长数据） 设计了一款城市居民和规划者共同设计城市行道树的工具[37] 2020
1）CA。CA是一种在时间和空间上都离散的计算模型，能够对复杂的离散动力系统建模，如预测区域的种群动态[31]和个体之间的相互作用[32]，在种植设计中得到了广泛应用。随着近自然林业、潜在自然植被和新演替理论的兴起，种植设计研究的视角转向了近自然林地的营造。自然中的植物群落集群分布，垂直结构上各层植被的郁闭度、树种、高度等存在较大差异，无明显规律可循，需从群落的自然演替规律中寻找切入点。CA模拟自然环境中动态系统的优势，在植物群落生成模式上克服了参数化设计采用随机式或正交网格布局的局限性，建立了以沃洛诺伊图 ①为基础的相邻植株优化单元和动力学机制，提升了植物平面布局的灵活性[33]，广泛应用于城市森林的植物群落配置中，如灌木群落[34]和乔灌群落[33, 35]。早期研究采用个体生态学理论（individual-based modeling）建立反映植物生 长、繁殖和同物种聚类等个体生理特征的代理模型[35]，能够生成基于植物个体行为的群落空间，但未能将群落整体与个体的群落动力机制建立联系。竞争作为植物群落间相互作用的关键概念，是决定群落空间结构和群落动态的主要动力。因此，竞争指数（design competition index）成了大部分研究选择的可量化指标，如归纳藻类的个体竞争机制[34]和竞争指数[33]。针对存在地形变化的设计基底，刘喆等[33]在竞争指数的基础上加入了高程要素，模拟在有明显地形变化的场地中植物的竞争状态，扩展了CA在种植设计中的应用场景。
2）MAS。某些个体经过协商之后可求得问题的解，这些个体就是智能体，具有社会交互性和智能性。多个智能体在环境中交互组成的计算机系统即为MAS[36]。MAS将单独开发的智能体相互连接，使整体的功能优于任何单个智能体的功能，促使各智能体协作实现个人目标及共同的社会目标，适用于涉及具有不同目标的成员或组织之间的互动领域，如协调设计师、公众、政府共同协作进行种植设计，以满足各方不同的种植设计需求及目标。Ali等[37]为鼓励城市居住者和规划者共同设计城市行道树，设计了一款易于用户操作的MAS工具，该工具共包括3个模块：合规工具（T-Rule）、街道植被设计工具（T-Design）和智能体工具（T-Agent）。T-Rule将城市设计中的规则、标准和法规从文本格式转换为数学格式，代表了规划者制定的规则，T-Design是城市居民操控端，可以调控植物特性和周边环境设计行道树，最后利用T-Agent系统生成符合实际法规的500个备选方案，实现了多方共同主导的种植设计（表2）。
一方面，CA注重植物群落的动态特征，而没有考虑人类的审美、文化、法规等因子与植物的关系，而MAS可以弥补CA在这方面的不足，补充了不同层次的个体决策行为对种植设计的影响；另一方面，MAS是缺乏空间概念的模型，CA良好的空间自组织性可以弥补MAS在这方面的缺憾。所以在未来的研究里，2个模型可以结合使用，共同模拟复杂的种植设计，从而使模拟的结果更贴合实际。

3.2.3 生成式设计在种植设计中的应用

机器学习作为人工智能中的一个分支，具有强大的规则学习和隐式规则捕获的能力，推动了计算机技术从需人为制定规则的参数化设计、算法设计发展为由算法自行学习的生成式设计。目前，在种植设计中常用的生成式设计方法包括DNN和HIS。
表3 生成式设计在种植设计中的应用[42-45, 49]

Tab. 3 Generative design in planting design[42-45, 49]

算法类别 算法子类别 研究对象 输入数据类型 生成结果及问题 发表年份
DNN Pix2Pix
 城市公园 色块设计布局 区分出植被和其他空间要素，但出现了模式崩溃[43] 2023
手绘黑白线条设计图 生成图像颜色不均匀，并出现显示崩溃[44] 2024
CycleGAN 色块设计布局 能区分出草地及乔木，肌理较丰富，但植物细节不够[45] 2021
色块设计布局 植物分布呈现自然和规则种植，但植物空间单一[43] 2023
手绘黑白线条设计图 树木的表现较好，部分草坪有均匀的渐变效果，但一些植物组团和点状树出现模式
崩溃[44]		 2024
StyleGAN 色块设计布局 可以表现植物郁闭度，并能在林缘线外进行点状种植[42] 2023
HIS CA、CycleGAN 行道树 CA模拟的森林菌根网络样本、城市卫星图像 生成了优先考虑绿化的城市行道树生态网络[49] 2023
1）DNN。人工神经网络（artificial neural network, ANN）通过模仿人脑分析和处理信息来解决问题，神经元作为执行任务的基本计算单元，包括输入层、隐藏层和输出层[38]。DNN本质上是具有许多隐藏层的ANN，可以对输入值进行加权和大量运算，具有强大的表征学习能力和非线性建模能力。这种非线性建模的过程可以与种植设计过程很好地对应，将植物物种数据库作为输入层，植物的自然环境因素、种植搭配方式等关联因子组成隐藏层，通过调整输入信息、参数阈值和激励函数输出多样的种植设计方案[39-40]。生成对抗网络（generative adversarial networks, GANs） 是基于DNN的一种特定架构，由生成器和判别器2个神经网络组成，通过相互对抗训练来生成逼真的数据样本，在约束中生成丰富的结果。在GANs众多的变体模型中，端对端图像翻译 （image-to-image translation, Pix2Pix）、循环生成对抗网络（cycle-consistent generative adversarial network, CycleGAN）、基于样式的生成对抗网络 （style-generative adversarial network, StyleGAN）模型因具有强大的风格迁移能力，擅长生成与输入数据相似的图像[41]，可在空间规则和功能明确的场地中应用，有向种植设计等规律性较弱的复杂领域发展的趋势，主要用于城市公园的植物空间布局规划研究[42-45]。Pix2Pix算法将输入图像视为条件，学习输入图像和输出图像之间的映射关系，进而生成结果[46]，是一种支持条件控制的监督学习模型，该模型需要高质量的一对一数据集，用相同内容的成对图片作为训练数据让计算机学习转换逻辑，否则无法输出理想的结果[44]。CycleGAN是一种无需成对数据的无监督网络，可以同时学习2个方向的映射[47]，对图像的学习更加全面，降低了收集训练数据集的难度。CycleGAN在生成结果上相比Pix2Pix有一定程度的提升，可以更好地区分出草地和乔木之间的空间关系[44-45]，并且呈现出自然和规则2种植物空间布局[44]，但生成结果的植物群落细节和清晰度仍有待提高。StyleGAN[48]可以对图像进行更细粒度的控制，生成高分辨率的高清图像，另外还能理解抽象指标含义，通过调整截断系数来控制植物空间的郁闭度及植物群落边缘的点状种植方式，创造多样的植物空间[42]。
2）HIS。HIS综合了至少2种以上的智能技术，运用多种算法协作进行模拟仿真，兼具多项技术的优势，克服了单个算法的缺陷，可以解决种植设计中涉及多重因素的实践问题，在种植设计中具有应用价值。Le等[49]将CA和CycleGAN技术融合，利用CA模拟城市行道树的森林菌根网络样本，并结合城市卫星图像进行训练，借助CycleGAN风格迁移的优势，生成了一种城市尺度下优先考虑绿化的城市行道树生态网络布局（表3）。
参数化设计和算法设计通过人工逻辑进行正向推导，产生可“循证”的设计结果，而基于机器学习的生成式设计利用海量数据进行训练，从中发现“隐式规则”并进行再创造，难以循证和解释，这将影响技术落地，因此生成式设计能否成功应用于种植设计仍需要深入讨论。

4 讨论与展望

计算性设计与种植设计的结合已成为趋势，但仍有4个方面的问题有待解决。
1）种植设计所需数据缺乏。植物的生理特征、生境情况复杂，种植设计需大量的数据支撑。大部分植物信息在线网站的检索方式是根据植物名称或通过分类检索表进行检索，难以反向查找所需植物特征以获取可用的植物清单，这要求设计师有一定的植物知识储备。同时，植物数据库的数据具有地域性，资源分散且质量无法保证。因此，需要建设集合所有种植设计所需数据的共享平台，如PlantNet[50]是一个允许全球用户上传植物照片的共建数据库，官方认证专家和人工智能共同审核上传的数据以保证数据质量，但目前该平台收集的数据并不全面，侧重于用户所在区域内植物位置数据的共享，无法直接应用于种植设计。此外，当前尚未有成熟的种植设计实践的长期跟踪反馈机制，造成后期管理维护数据的缺失。因此，亟待补充一个包含长期跟踪和维护数据的数据库，收集种植设计方案实施后的反馈数据，如植物的成活率、维护成本等，并将其应用于未来的种植设计任务中。
2）缺少对质性因子的考量。计算性设计研究较少考虑难以量化的质性因子，如季相变化、地域特色、感官体验等，导致生成方案较为死板。生成式设计虽具有学习人类设计方案的能力，但生成结果不稳定且缺少细节。因此，可建立计算机与人类设计师的协同工作流，将计算性设计的初步方案交由人类设计师进行质性因子的优化调整。此外，可开发混合建模方法，如在多维度评价体系的基础上，利用遗传算法、多目标粒子群优化算法等多目标优化算法，将质性与定量因子结合。对于质性因子的优化，可利用VR和AR技术，在设计阶段模拟不同方案的质性因子表现，结合用户体验的反馈信息，选择最佳方案，以提高设计决策的准确性。
3）单一技术无法应对种植设计实践的复杂性。目前将大部分计算性设计应用于种植设计的研究倾向使用单一技术，无法解决种植设计实践中的复杂问题。虽然HIS能够融合多种智能方法的优势，为种植设计提供了新的思路，但目前仍在发展初期，众多技术还在不断融合，仍有很大的发展空间。
4）理论与实践脱节。计算性设计在种植设计中的应用多集中于理论探讨和模拟实验，缺乏落地实践。国内已有团队进行参数化设计尝试，如秋天花园工作室建立了参数化自然主义种植设计程序以快速生成花境平面布局，该程序已在四川初步实地应用。LTplants 绿图是另一团队研发的自动生成苗木表及分析图的网站，但在图像方案的生成方面仍有欠缺。凡尔赛Landscpae LAB、顺茵园林等团队将人工智能技术应用于公园设计的自动生成，对种植设计考虑较少。未来应鼓励更多实际的种植设计项目应用计算性设计方法，涵盖不同类型的种植设计，验证计算性设计方法的适用性，从而提高设计的可操作性。

① 在机器学习中，表征学习是一种将原始数据转换为更容易被机器学习应用的数据的过程。

② 沃罗诺伊图是一种空间分割算法，将空间分割成多个区域，‌每个区域包含离特定点（‌通常是离散数据集中的一个点）‌比离任何其他点更近的所有点。‌

文中图表均由作者绘制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
SUN Q, CHEN Y, TAO W, et al. A GAN-Based Approach Toward Architectural Line Drawing Colorization Prototyping[J]. The Visual Computer, 2022, 38(4): 1283-1300.

DOI

[2]
WANG S, ZENG W, CHEN X, et al. ActFloor-GAN: Activity-Guided Adversarial Networks for Human-Centric Floorplan Design[J]. IEEE Transactions on Visualization and Computer Graphics, 2023, 29(3): 1610-1624.

DOI

[3]
袁潮, 郑豪. 生成式人工智能影响下的建筑设计新模式[J]. 建筑学报, 2023(10): 29-35.

YUAN C, ZHENG H. A New Architectural Design Methodology in the Age of Generative Artificial Intelligence[J]. Architectural Journal, 2023(10): 29-35.

[4]
CAETANO I, SANTOS L, LEITÃO A. Computational Design in Architecture: Defining Parametric, Generative, and Algorithmic Design[J]. Frontiers of Architectural Research, 2020, 9(2): 287-300.

DOI

[5]
CAETANO I, LEITÃO A. Architecture Meets Computation: An Overview of the Evolution of Computational Design Approaches in Architecture[J]. Architectural Science Review, 2020, 63(2): 165-174.

DOI

[6]
LIU Y, XU F. Analysis of Computer Aided Landscape Planning and Design Strategy[J]. Journal of Physics: Conference Series, 2021, 1992(2): 022100

DOI

[7]
FERNBERG P, CHAMBERLAIN B. Artificial Intelligence in Landscape Architecture: A Literature Review[J]. Landscape Journal, University of Wisconsin Press, 2023, 42(1): 13-35.

[8]
DONG S, WANG P, ABBAS K. A Survey on Deep Learning and Its Applications[J]. Computer Science Review, 2021, 40(2): 100379

[9]
HUNDE B R, WOLDEYOHANNES A D. Future Prospects of Computer-Aided Design (CAD): A Review from the Perspective of Artificial Intelligence (AI), Extended Reality, and 3D Printing[J]. Results in Engineering, 2022, 14(2): 100478

[10]
JABI W, SOE S, THEOBALD P, et al. Enhancing Parametric Design Through Non-manifold Topology[J]. Design Studies, 2017, 52(5): 96-114.

[11]
OXMAN R. Thinking Difference: Theories and Models of Parametric Design Thinking[J]. Design Studies, 2017, 52(5): 4-39.

[12]
JANG S, YOO S, KANG N. Generative Design by Reinforcement Learning: Enhancing the Diversity of Topology Optimization Designs[J]. Computer-Aided Design, 2022, 146(5): 103225

[13]
CHASZAR A, JOYCE S C. Generating Freedom: Questions of Flexibility in Digital Design and Architectural Computation[J]. International Journal of Architectural Computing, 2016, 14(2): 167-181.

DOI

[14]
BUKHARI F A. A Hierarchical Evolutionary Algorithmic Design (HEAD) System for Generating and Evolving Building Design Models[D]. Brisbane: Queensland University of Technology, 2011.

[15]
ALVEAR A. G. New Technologies + Algorithmic Plant Communities: Parametric / Agent-Based Workflows to Support Planting Design Documentation and Representation of Living Systems[J]. Journal of Digital Landscape Architecture, 2020, 5(1): 103-110.

[16]
王一婧, 成玉宁. 数字技术辅助下的风景园林空间精细化设计路径探索[J]. 中国园林, 2022, 38(S2): 93-98.

WANG Y J, CHENG Y N. Exploration of Refined Landscape Space Design Path Supported by Digital Technology[J]. Chinese Landscape Architecture, 2022, 38(S2): 93-98.

[17]
CHARALAMPIDIS E, TSALIKIDIS I. A Parametric Landscape Design Approach for Urban Green Infrastructure Development[C]// GOSPODINI A. Proceedings of the International Conference on Changing Cities II: Spatial, Design, Landscape & Socio-economic Dimensions. Thessaloniki: Meteorological Institute, Grafima Publications, 2015: 591-600.

[18]
魏合义. 基于日照需求的景观植物选择及智能决策方法[D]. 武汉: 武汉大学, 2016.

WEI H Y. An Intelligent Decision-Making Method for Landscape Plant Selection Based on Their Habits of Sunshine Requirements[D]. Wuhan: Wuhan University, 2016.

[19]
SĘDZICKI D, CUDZIK J, BONENBERG W, et al. Computer-Aided Automated Greenery Design: Towards a Green BIM[J]. Sustainability, 2022, 14(14): 8927

DOI

[20]
SĘDZICKI D, CUDZIK J, NYKA L. Computer-Aided Greenery Design-Prototype Green Structure Improving Human Health in Urban Ecosystem[J]. International Journal of Environmental Research and Public Health, 2023, 20(2): 1198

DOI

[21]
MOSAVI A. Parametric Modelling of Trees and Using Integrated CAD/CFD Tools: Application to Create a Planting Pattern for New Forests[C]// SCHINDLER D, BAUHUS J, MAYER H. Proceedings of the 2nd International Conference “Wind Effects on Trees”. Freiburg: Meteorological Institute, Albert-Ludwigs-University of Freiburg, 2009: 213-221.

[22]
钱小琴, 刘喆, 赵天祎, 等. 基于宫胁造林法的近自然城市森林数字化设计探索: 以河北省绿博园邢台林为例[J]. 景观设计学（中英文）, 2021, 9(6): 60-76.

DOI

QIAN X Q, LIU Z, ZHAO T Y, et al. Digital Design Exploration of Nature-Approximating Urban Forest Basing on the Miyawaki Method: A Case Study of Xingtai Forest in a Hebei Green Expo Garden[J]. Landscape Architecture Frontiers, 2021, 9(6): 60-76.

DOI

[23]
钱小琴. 城市森林的近自然植物群落数字化设计方法研究[D]. 北京: 北京林业大学, 2021.

QIN X Q. Research on the Method of Digital Designing Nature-Approximating Plant Community in Urban Forest[D]. Beijing: Beijing Forestry University, 2021.

[24]
舒斌龙, 王忠杰, 王兆辰, 等. 风景园林信息模型（LIM）技术实践探究与应用实证[J]. 中国园林, 2020, 36(9): 23-28.

SHU B L, WANG Z J, WANG Z C, et al. Research on the Framework Construction of Landscape Information Modeling (LIM)[J]. Chinese Landscape Architecture, 2020, 36(9): 23-28.

[25]
NA S. Case Analysis and Applicability Review of Parametric Design in Landscape Architectural Design[J]. Journal of the Korean Institute of Landscape Architecture, 2021, 49(2): 1-16.

DOI

[26]
HOLLANDS J, KORJENIC A. Evaluation and Planning Decision on Facade Greening Made Easy-Integration in BIM and Implementation of an Automated Design Process[J]. Sustainability, 2021, 13(16): 9387

DOI

[27]
祝薇雅, 李鹏波. 基于参数化设计方法的城市公园植物景观布局设计: 以天津市水西庄公园为例[J]. 中国园林, 2022, 38(5): 110-115.

ZHU Y W, LI P B. Plant Landscape Layout Design of Urban Park Based on the Parametric Design Method: A Case Study of Shuixizhuang Park in Tianjin[J]. Chinese Landscape Architecture, 2022, 38(5): 110-115.

[28]
TAN X, DENG M, CHEN K, et al. A Spatial Hierarchical Learning Module Based Cellular Automata Model for Simulating Urban Expansion: Case Studies of Three Chinese Urban Areas[J]. GIScience & Remote Sensing, 2024, 61(1): 2290352

[29]
MOREIRA R M, LANA M, SIEBER S, et al. A Landscape Ecology Approach: Modeling Forest Fragmentation with Artificial Neural Networks and Cellular-Automata Markov-Chain for Improved Environmental Policy in the Southwestern Brazilian Amazon[J]. Land Degradation & Development, 2024, 35(2): 687-704.

[30]
WANG H, XUE H, YANG Y, et al. Multi-Scenario Simulation and Eco-Environmental Effects Analysis of Land Use/Cover Change in China by an Integrated Cellular Automata and Markov Model[J]. Land, 2024, 13(4): 520

DOI

[31]
KOMAROV A S, PALENOVA M M, SMIRNOVA O V. The Concept of Discrete Description of Plant Ontogenesis and Cellular Automata Models of Plant Populations[J]. Ecological Modelling, 2003, 170(2-3): 427-439.

DOI

[32]
FROLOV P V, ZUBKOVA E V, KOMAROV A S. A Cellular Automata Model for a Community Comprising Two Plant Species of Different Growth Forms[J]. Biology Bulletin, 2015, 42(4): 279-286.

DOI

[33]
刘喆, 郑曦. 近自然森林景观空间结构参数化设计研究[J]. 北京林业大学学报, 2023, 45(6): 100-107.

LIU Z, ZHENG X. Parametric Design of Close-to-Nature Forest Landscape Spatial Structure[J]. Journal of Beijing Forestry University, 2023, 45(6): 100-107.

[34]
BILURBINA M, ABELLAN S, CHRISTODOULOU M. Landscape Design Methodology: Pattern Formation Through the Use of Cellular Automata[J]. Journal of Digital Landscape Architecture, 2019, 4(1): 95-104.

[35]
WHITE M G, HAEUSLER M H, ZAVOLEAS Y. Simulation of Plant-Agent Interactions in a Landscape Information Model[J]. Journal of Digital Landscape Architecture, 2020, 5(1): 188-197.

[36]
REN Z, ANUMBA C J. Multi-agent Systems in Construction-State of the Art and Prospects[J]. Automation in Construction, 2004, 13(3): 421-434.

DOI

[37]
ALI A K, SONG H, LEE O J, et al. Multi-Agent-Based Urban Vegetation Design[J]. International Journal of Environmental Research and Public Health, 2020, 17(9): 3075

DOI

[38]
ABIODUN O I, JANTAN A, OMOLARA A E, et al. State-of-the-Art in Artificial Neural Network Applications: A Survey[J]. Heliyon, 2018, 4(11): e00938

DOI

[39]
张所任. 基于人工神经网络的园林植物配置研究[J]. 林业调查规划, 2022, 47(5): 196-200.

ZHANG S R. Carden Plant Configuration Based on Artificial Neural Network[J]. Forest Inventory and Planning, 2022, 47(5): 196-200.

[40]
林文君. 植物配置应用人工神经网络技术的可行性研究[D]. 广州: 华南理工大学, 2017.

LIN W J. Feasibility Study on Application of Artificial Neural Network in Plant Arrangement[D]. Guangzhou: South China University of Technology, 2017.

[41]
WANG Z W, SHE Q, WARD T E. Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy[J]. ACM Computing Surveys (CSUR), 2021, 54(2): 1-38.

[42]
陈然, 赵晶. 基于样式生成对抗网络的风景园林方案生成及设计特征识别[J]. 风景园林, 2023, 30(7): 12-21.

CHEN R, ZHAO J. Generation and Design Feature Recognition of Landscape Architecture Scheme Based on Style-Based Generative Adversarial Network[J]. Landscape Architecture, 2023, 30(7): 12-21.

[43]
CHEN R, ZHAO J, YAO X, et al. Generative Design of Outdoor Green Spaces Based on Generative Adversarial Networks[J]. Buildings, 2023, 13(4): 1083

DOI

[44]
CHEN R, ZHAO J, YAO X, et al. Enhancing Urban Landscape Design: A GAN-Based Approach for Rapid Color Rendering of Park Sketches[J]. Land, 2024, 13(2): 254

DOI

[45]
周怀宇, 刘海龙. 人工智能辅助设计: 基于深度学习的风景园林平面识别与渲染[J]. 中国园林, 2021, 37(1): 56-61.

ZHOU H Y, LIU H L. Artificial Intelligence Aided Design: Landscape Plan Recognition and Rendering Based on Deep Learning[J]. Chinese Landscape Architecture, 2021, 37(1): 56-61.

[46]
ISOLA P, ZHU J Y, ZHOU T, et al. Image-to-Image Translation with Conditional Adversarial Networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 2017: 1125-1134.

[47]
梁俊杰, 韦舰晶, 蒋正锋. 生成对抗网络GAN综述[J]. 计算机科学与探索, 2020, 14(1): 1-17.

DOI

LIANG J J, WEI J J, JIANG Z F. Generative Adversarial Networks GAN Overview[J]. Journal of Frontiers of Computer Science and Technology, 2020, 14(1): 1-17.

DOI

[48]
KARRAS T, LAINE S, AILA T. A Style-Based Generator Architecture for Generative Adversarial Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 43(12): 4217-4228.

DOI

[49]
LE Y, HUANG S Y. Prediction of Urban Trees Planting Base on Guided Cellular Automata to Enhance the Connection of Green Infrastructure[J]. Land, 2023, 12(8): 1479

DOI

[50]
PlantNet: Home[EB/OL]. (2024-07-15) [2024-07-15]. https://plantnet.org/en/.

Options
Outlines

/

〈 〉