EN中文

Landscape Architecture >

2024 , Vol. 31 >Issue 9: 59 - 68

DOI: https://doi.org/10.3724/j.fjyl.202404080199

Generative Design of Plantscape Based on Generative Adversarial Network: A Case Study of the Generation of Flower Border Plan

  • Lu FENG , 1 ,
  • Chenwen YU , 1 ,
  • Yuting SUN , 1 ,
  • Jing ZHAO , 2, *
Expand
  • 1 School of Art Design and Media, East China University of Science and Technology
  • 2 School of Landscape Architecture, Beijing Forestry University

FENG Lu, Ph.D., is an associate professor in the School of Art Design and Media, East China University of Science and Technology. Her research focuses on landscape planning and design

YU Chenwen is a master student in the School of Art Design and Media, East China University of Science and Technology. Her research focuses on landscape planning and design

SUN Yuting is a master student in the School of Art Design and Media, East China University of Science and Technology. Her research focuses on landscape planning and design

ZHAO Jing, Ph.D., is a co-researcher in the Key Laboratory of Ecology and Energy Saving Study of Dense Habitat, Ministry of Education, a professor and doctoral supervisor in and vice dean of the School of Landscape Architecture, Beijing Forestry University, and a member of Beijing Laboratory of Urban and Rural Ecological Environment, and a deputy editor-in-chief of this journal. Her research focuses on design intelligence, history and theory of landscape architecture, and landscape planning and design

Received date: 2024-04-08

  Revised date: 2024-08-01

  Online published: 2025-12-16

Copyright

Copyright © 2024 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] Plantscape design is an interdisciplinary field blending art and science. Designers often face multiple challenges in the practical application of plantscape design: 1) Difficulty in summarizing design principles; 2) barriers for beginners amidst a high demand for and shortage of designers; 3) low efficiency in revisions; 4) prevalent manual labor, presenting significant opportunities for automation. The design of flower borders, representing a significant aspect of plantscape design, is suitable for case studies. In this context, machine learning offers new technical support. For patterns that are difficult to summarize, machine learning can rapidly process large volumes of experiential data through probability density estimation, thus reducing reliance on designers' intuition while significantly enhancing design efficiency and reducing labor intensity. Previous research confirmed the effectiveness of generative adversarial network (GAN) in layout generation. Research on plantscape generation based on GAN endeavors to rapidly learn from a large dataset of plant combinations with inherent patterns to generate high-quality plant layout designs that meet real-world application needs, thus assisting designers in quickly producing plant layouts at the initial design stages. Further integration of image processing and evaluative feedback can generate plant arrangement schemes that are both standard and artistic. GAN can provide exploratory tools and methods for the landscape design field, promoting innovation and development in the generation of plant arrangement scheme.

[Methods] The research proposes an experimental framework for a plantscape plan generation model based on GAN. The research design mainly includes three steps: Dataset preparation, model training, and model assessment. Initially, high-quality flower border plan images are collected from a single design firm, and these images are statistically categorized based on spatial structure types and design elements, thereby establishing principles for sample selection to ensure the professionalism and scientificity of the dataset adopted. Then, the selected flower border images undergo preprocessing, including plant classification, merging, image resizing, color tagging, and data augmentation. The cycle generative adversarial network (CycleGAN) algorithm is applied to build the flower border plantscape plan generation model on an open-source programming platform, undergoing multiple training rounds. Lastly, the research objectively analyzes and compares the spatial results of the generated flower border plans with actual design plans. In terms of subjective evaluations, expert scoring and other feedback methods are adopted to assess the generated plantscape images in terms of aesthetics and ecology.

[Results] The objective evaluation reveals that: 1) The model most accurately identifies the contours of rectangular sites, requiring additional optimization for certain curved sites; 2) The model can accurately learn and reflect about half of the tagged types in the dataset, with most generated color blocks closely matching the pre-determined colors in the dataset, demonstrating high color accuracy; 3) The model needs to enhance the diversity of its outputs when handling similar sites. In terms of spatial structure generation, 1) the unit area of generated results conforms to the application and volume characteristics of plants typically used in flower borders; 2) The results can replicate plant combinations frequently used in the dateset; 3) The results can learn the spatial distribution patterns of plants, replicating the shapes of edge plants, internal plant patches, and sculptural shrubs; 4) The results can display vertical variation. In subjective evaluations, rectangular flower borders show certain advantages in aesthetics and ecology, particularly in low maintenance and sustainability, but there is room for improvement in seasonal variation and texture coordination. Curved flower borders are slightly inferior in aesthetics but perform reasonably well in ecological coordination, needing deeper optimization in plant diversity and aesthetics.

[Conclusion] CycleGAN exhibits unique advantages in plantscape design represented by flower borders. Although the number of training samples is not extensive, the CycleGAN model performs well in expressing image quality and spatial layout, and demonstrates accurate boundary recognition for rectangular sites and high precision in color reproduction. The generated plan images mimic the dataset well. The spatial layout of the generated plans showcases the spatial distribution characteristics and visual effects of various plants, reproducing some potential combination patterns. The generated flower border designs align with actual design samples in terms of color, seasonal change, layering, and harmony. Ecologically, the generated designs embody sustainability principles, emphasizing the convenience of sustainable maintenance and management. However, the application of CycleGAN also demonstrates certain limitations. First, the aesthetic and ecological quality of GAN-generated flower border designs highly depends on the quality and diversity of the training dataset. Secondly, CycleGAN models tend to produce generic designs, lacking diversity in similar sites. In view of this, future research may focus on improving model algorithms, enriching the training dataset, and investigating the potential of introducing conditional generative adversarial network (CGAN) .

Key words： landscape architecture; plantscape design; machine learning; neural network; cycle generative adversarial network (CycleGAN); flower border

Cite this article

Lu FENG , Chenwen YU , Yuting SUN , Jing ZHAO . Generative Design of Plantscape Based on Generative Adversarial Network: A Case Study of the Generation of Flower Border Plan[J]. Landscape Architecture, 2024 , 31(9) : 59 -68 . DOI: 10.3724/j.fjyl.202404080199

植物景观设计是一个融合了艺术和科学的领域，其目标是创造与自然环境相结合的美丽、实用和可持续的景观空间。然而，在实际的植物景观设计过程中，设计师常常面临着多方面的挑战。1）设计规律总结难，设计难度高：由于植物种类的多样性，且不同植物具有不同的花期、生态习性、色彩、质感等属性，很难系统总结出植物搭配规律，多依赖于设计师的经验和直觉；2）设计入门难，设计师数量不足：植物景观设计对设计师的要求较高，设计师需要熟悉大量植物，在色彩、质感搭配等方面要具备较高的审美水平，而且面对大量的植物设计需求却缺乏足够的设计师；3）修改效率低：植物景观中植物斑块和组合间相互影响，牵一发而动全身，修改植物设计方案需要花费大量的时间；4）机械性重复工作量大：种植施工图绘制中涉及大量的轮廓描边等机械性重复工作，工作效率有较大的提升空间。
随着植物景观设计的需求日益增大，传统设计方法的局限性也愈发明显，优化植物景观设计方法显得尤为紧迫。在此背景下，机器学习提供了新的技术支撑。对于难以总结的规律，机器学习能够对大量数据进行快速学习和统计，并凝练设计规律，帮助设计师减少对经验和直觉的过度依赖，辅助设计师在设计初期解析和处理大量植物知识。机器学习高效的数据处理能力能够抽取有价值的信息进行自身调优与训练，自主进行复杂的数据分析和机械性重复工作，帮助减少人工试错的时间。在植物景观中，花境是模拟自然界中林地边缘地带多种野生花卉交错生长的状态，运用艺术手法提炼、设计成的一种花卉应用形式[1]。花境设计在植物景观设计中具有较好的代表性，花境通常面积较小，涉及植物种类多，同时也能体现不同植物间的配置关系，适合作为案例来研究。
近年来，随着计算机科学和人工智能技术的快速发展，生成对抗网络（generative adversarial network, GAN）作为一种强大的生成模型逐渐受到研究者们的广泛关注。相关研究已经证明GAN在平面图布局生成中的有效性[2]，基于GAN的植物景观生成设计研究旨在探索如何将深度学习技术与植物景观设计相结合，并通过精确标注的方式处理样本，从而解决复杂的设计问题。本研究试图以数据驱动的方式快速学习大量具有一定潜在规律的植物配置平面图，生成符合实际应用需求的高质量植物布局设计，辅助设计师在设计初期迅速生成植物布局以提高设计效率。结合进一步的图像处理及评估反馈，生成兼具规范性和艺术性的植物配置方案。GAN为植物景观设计领域提供了具有探索性的工具和方法，推动植物配置方案生成设计的创新与发展。

1 相关研究

1.1 生成对抗网络技术应用

GAN是一种基于博弈论的机器学习技术[3]，自从Goodfellow等[4]首次提出GAN以来，该方法在各个领域取得了显著的成果。GAN由一个生成器网络和一个判别器网络组成，两者通过对抗的方式进行迭代训练，使得生成器能够从真实样本中学习平面图像的布局特征，并生成与之类似的样本[5]。GAN可以通过标记样本的方式训练，有很强的能力来学习空间元素的相互关系，以及空间元素和边界之间的关系[6]。近年来，GAN在城市规划、建筑设计、景观设计等领域得到了广泛的关注。
在人居环境学科领域，GAN最早应用在建筑、室内设计领域，随后发展到城市规划领域，在景观设计领域的研究仍处于起步 阶段。在建筑设计领域，GAN最早应用于生成建筑的室内设计图和立面图等。在Zheng等[7]的研究中，研究人员利用GAN生成公寓的室内设计，帮助设计师减少早期设计阶段的工作量。Zhang等[8]利用条件生成对抗网络（conditional generative adversarial network, CGAN）开发了一种用于乡村和城市建筑立面设计的生成技术，展示了GAN的实用性和设计潜力。Yu等[9]利用现有的建筑立面数据集和自制的中国传统建筑数据集，针对不同类型的数据集，测试和验证了Pix2Pix算法能够很好地识别和生成立面图像。在城市设计与规划研究中，Tian[10]利用Pix2Pix算法与城市地理信息系统数据进行街区规划，展现了GAN将复杂城市数据转化为可行设计方案的能力。陈梦凡等[11]使用GAN探索职业技术学院校园平面的布局，证明了GAN能够通过分步学习法在较少样本的基础上针对复杂研究对象生成较为准确的结果。
随着GAN技术的成熟和广泛应用，景观领域也开始借助它进行设计和总平面渲染[12]等。GAN可以识别和理解样本中不同的景观元素、设计风格以及设计对环境的偏好规律，从而生成满足特定需求的设计方案。曲广滨等[13]基于CGAN构建了居住区景观功能平面生成设计方法，不仅显著提高了设计效率和质量，还能够有效满足功能需求。Liu等[2]基于Pix2Pix算法生成了江南私家园林的平面布局，在小样本学习的基础上实现了主要布局关系平面图的生成。陈然等[6]采用样式生成对抗网络2代（style generative adversarial network 2, StyleGAN2）进行风景园林平面图的生成，并尝试通过数据可视化等手段进行分析，基于StyleGAN2所开发的算法不仅能够理解图像形态特征，还能理解设计平面图背后一定的设计逻辑。
以往的生成设计研究使用GAN来生成给定边界条件下的内部布局，研究结果证明了GAN在学习空间元素布局与相互关系方面的巨大潜力。在景观领域中大多数研究仍集中在大尺度的场景生成，如居住区[13]和校园[11]等平面功能区的生成，但GAN在小尺度场地的设计中生成结果的随机性较强，应用还存在难点[14]，尤其是在植物的表达、搭配和布局设计方面，生成设计的应用研究还存在较大的提升空间。以花境为代表的植物景观平面设计中多样的植物配置受到场地环境和设计需求的影响，具有一定的基础规律和特征，GAN可以用于学习植物配置的潜在规律并将其迁移至生成的设计方案中，通过自动化生成替代设计中的重复性工作。

1.2 植物景观生成设计

在景观设计生成领域，近年有许多研究尝试使用多种人工智能技术[15]，自动生成质量高、多样的景观设计方案。智能随机优化类算法中，遗传算法（genetic algorithm, GA）被广泛应用，陈兆倩等[16]通过GA模拟生物进化原理，优化设计参数和布局，改善生态景观格局空间结构。人工生命类算法中常用的方法是元胞自动机（cellular automata, CA），CA的原理是基于细胞之间的交互作用来模拟景观的演变过程[17]。此外，人工神经网络（artificial neural network, ANN）[18]和GAN[19]等机器学习类算法也被尝试应用于景观生成设计中。这些方法结合了不同的优化策略和规则，帮助设计师快速生成景观设计方案。
植物景观设计是景观规划设计中备受关注的领域之一，遵循现状分析、概念规划、方案设计、扩初设计、现场调整的基本原则和程序进行[20]。然而已有研究的设计方法大多着眼于整体的植被格局和大尺度景观结构。小尺度的植物景观设计则涉及植物的生态习性、色彩等内容，更依赖设计师的经验和直觉。人工绘制草图、配置植物和修改方案的效率低，因此亟需一种新型高效的植物景观设计方法。
随着数字技术的发展，已经有部分研究开始探索植物景观的生成设计。智能化设计与传统植物设计在人机交互、数据处理等方面存在差异[21]，遥感、大数据、仿真模拟及参数化等方法被应用于植物景观的方案模拟、数字化生成等方面，使得设计者能够将方案设计程序简化。景观设计生成领域的研究重点包括基于程序控制的方法、基于参数化的优化设计方法和基于机器学习的方法3个方面。
1）基于程序控制的方法通过定义一系列生长规则模拟植物的生长过程，并自动化生成植物形态。Leitner等[22]提出的可视化L-系统（visual L-systems）能够生成形态复杂和多样化的植物景观设计方案。多个公司和科研机构搭建了数字植物建模和生长过程模拟监测等系统，并有多位学者利用相关软件搭建风景园林信息模型（landscape information modeling, LIM）平台，便于设计、施工多流程的数据共享和交流[23]。但是相关研究多通过人工进行植物设计，后期搭配软件建模，尚未在自动生成设计方面获得突破。
2）基于参数化的优化设计方法则多利用数学模型。国内外植物配置的生成设计多利用参数化技术进行设计和艺术实践。Alexandra G开发了传粉植物花园的设计生成网站（pollinator.art）。祝薇雅等[24]基于植物配置的点线面规律，运用Rhinoceros和Grasshopper软件进行参数化布局。该类研究揭示了植物配置的相关规律，并为植物配置设计的数字化转型奠定了基础。
3）基于机器学习的方法则采用人工智能技术，使计算机通过学习已有的案例以及规律，实现在未知场景下的生成设计[14]。通常使用的是深度学习技术，如卷积神经网络 （convolutional neural network, CNN）和GAN。在具体的植物配置方面，基于深度学习的生成设计尚处于起步阶段。林文君[25]探索了在植物配置中应用ANN的可行性，并在实验中利用ANN技术进行植物的选种和定点，让设计师负责数据收集、训练和输出目标的约束，验证了植物景观生成设计的可行性。崔思贤等[26]以50张花境图像为训练集，利用计算机视觉算法与机器学习算法，根据语义分割图和输入的关键词生成新的花境设计方案，验证了人工智能技术在花境设计应用中的可行性及适用性。
尽管已有一些研究在植物景观生成设计方面取得了进展，但整体上仍然处于起步阶段，且植物景观的生成设计大多应用参数化的方式。目前对于植物景观生成设计的研究多针对中大尺度空间内的植物整体布局，而忽略了小尺度下具体植物组团的设计。相关研究[2, 6-11, 13]已经证明将GAN应用于生成不同尺度平面空间布局的有效性，GAN在实际应用中也开始展现出处理植物配置这类复杂问题的能力。GAN通过输入数据和算法生成结果，不仅能够帮助实现植物景观自动化设计的突破，也能以大数据的方式尝试挖掘平面空间布局的潜在规律，实现植物配置设计的数字化转型。

1.3 花境平面图生成组成要素

花境平面图是花境设计中的重要图纸，通过不同的几何形态和色彩来表现植物的选择、空间分布、尺度、数量等内容。花境平面图生成具有4个组成要素，对于花境平面图自动生成的数据集收集、预处理和模型构建等步骤具有重要影响。
1）平面图的组成元素：花境平面图包含植物种类及其组合方式。通常在花境中选用低维护的多年生宿根花卉作为主要植物，并配以花灌木、一二年生花卉和球根花卉[27]。场地外的花境背景通常由树丛、树篱、建筑物、墙体和草坪等组成[28]。
2）平面图的构图形式：花境平面采用了由规则式构图向自然式构图过渡的中间形式。常见的花境平面布局和空间组织方式以植物组团的形式呈现，由呈斑驳状混植的曲线形或自然规整的条形构成[29]。
3）植物组团和尺度：在花境平面图中，按照植物的体量和形态选择不同的组团形式。植物组团面积通常在1~5 m2之间，大体量的植物会形成较大的团块，而小体量的植物则形成较小的团块。竖直线条的植物团块主要呈椭圆形，而水平线条的植物团块主要呈飘带形，常用的组团形式包括椭圆形、飘带形、自由斑块形、半围合形和拟三角形等[30]。
4）植物选择的规律性：在花境平面图中，植物的选择和搭配要遵循生态学、美学等设计原则和相关经验。
在构建花境平面图自动生成模型时，需要探索如何更好地突显以上花境平面图所具有的组成要素，以帮助模型在生成过程中遵循相应的规律，确保生成的花境平面图具备实用性。

2 基于生成对抗网络的植物景观平面图生成模型设计框架

2.1 模型构建

基于文献研究，本研究使用循环生成对抗网络（cycle generative adversarial network, CycleGAN）模型框架来实现花境景观平面图的生成。CycleGAN模型由两对GAN组成：生成器GA负责将输入图像A转换为目标图像B，生成器GB则负责将目标图像B转换回源图像A。同时，CycleGAN模型引入了判别器DA和DB用于分别判断真实图像和生成图像的真实性（图1）。
图1 循环生成对抗网络模型结构

Fig. 1 Structure of CycleGAN model

单个生成器包含编码器、转换器和解码器3个部分。编码器用于识别和提取图像特征，转换器将相似特征组合成特征向量，解码器利用反卷积层从特征向量中还原出低级特征，最终生成具有高度真实感的植物景观平面图像。
判别器对生成器所生成的花境平面图进行区分，通过输入的花境平面图，不断优化判别器的参数，使判别器能够更准确地区分真实图像与生成图像之间的差异。
训练过程中使用损失函数来评价生成图像和真实图像之间的不一致程度。每个生成器和判别器都有对应的损失函数，为了确保生成图像与源图像具有循环一致性，CycleGAN的总损失函数由对抗性损失函数和循环损失函数组成[2]。
基于Anaconda开源编程平台，本研究使用了一个基于CycleGAN的植物景观生成模型框架。为了确保景观平面的清晰度与植物元素的完整性，本研究综合考虑了训练时间成本，经过反复多次试验，调整了算法中学习图像的分辨率，设置模型花境平面图生成训练参数的权重值为10，迭代次数为500，初始学习率为0.0002。

2.2 设计框架

本研究提出了基于CycleGAN的花境平面图生成方法流程框架。研究设计主要包括数据集准备、模型训练和模型评估3个步骤（图2）。
图2 基于CycleGAN的花境平面图生成方法流程图

Fig. 2 Flowchart of CycleGAN-based flower border plan generation method

1）数据集准备。首先从公共数据库、实地调研或已有的植物配置项目中获取花境平面图样本，并对样本数据进行筛选优化。根据空间结构类型和设计元素，提出花境平面图样本的筛选原则，并进行统计和分类。然后，对筛选优化后的花境平面图进行预处理，包括植物分类、合并等。最后进行数据集图像尺寸调整、色彩标注、数据增扩操作。
2）模型训练。应用CycleGAN算法，基于开源编程平台构建花境平面图生成模型，并对模型进行多轮的训练，直到达到预定的停止条件。
3）模型评估。为验证花境平面图生成模型的应用效果，需要评估生成器网络的性能和生成的植物景观平面图像的质量。将测试集中的花境轮廓图像输入到训练完成的模型生成器中，对输出的花境平面图进行验证评价。在客观评价上，分析比较生成的花境平面图与真实设计平面图之间在空间结果上的相似度与差距。在主观评价上，通过专家打分等反馈，对生成图像进行观赏性和生态性评估。综合主客观评价结果，可以进一步调整模型参数或改进数据集。
本研究提出了基于CycleGAN的花境平面图生成模型的实验流程框架。这一流程框架有助于指导实验的具体操作和评估过程，为实现高质量植物景观平面图像生成提供了指导和依据。

3 花境平面图生成实验

3.1 数据集的建立

为了建立一个具有代表性的花境植物平面图数据集，本研究挑选了来自同一设计院的101个花境设计平面图实践案例。这些案例由具有专业资质、经验丰富的花境设计师创建，确保了样本的专业性和实用性。此外，这些植物设计样本具有类似的潜在规律，如植物种类运用规则、组合形式和表达风格等。
GAN依赖于高质量的数据来学习样本的分布，因此样本的专业性极为重要。为了保证花境平面图生成模型的生成效果和样本的适用性，本研究对数据集进行了严格的筛选和优化。在选择花境平面图案例时遵循4个标准。1）选择小于300 m2的中小尺度花境平面图作为训练样本，能够保证模型尺度以及设计深度的统一性。2）花境平面图内均具备能够准确识别的乔、灌、草元素。运用的植物种类至少包括5种以上，且平面图表达兼具规范性和艺术性。3）数据集内样本覆盖广场、道路、桥下空间、公园等不同的环境条件，以保证样本包含大部分常规设计场景。4）平面构图形式包括条形和曲线形轮廓，能够确保探索不同潜在空间结构的花境生成。
经过筛选和优化后，数据集最终包括70个样本，基本涵盖了主要的花境设计元素和设计类型，能够满足本研究对于植物生成设计的初步探索。在平面组成元素方面，植物大多以低维护的多年生宿根花卉为主材，辅以花灌木和一二年生花卉，且样本均包含较为高大的灌木和乔木。在植物组团和尺度上，数据集中的植物斑块反映了植物体量和形态的多样性。大体量植物通常组成较大的团块，范围可达3~5 m2，而小体量植物则形成较小的团块，范围一般在1~2 m2之间。根据平面构图形式进行分类后，数据集内有条形花境26个，通常具有2~3个种植层次；曲线形花境44个，其层次更为复杂，通常在3~5层。这种详细的分类和合理的结构设置旨在保证模型训练所需样本的复杂性和多样性。
数据集单个样本由2幅图片组成（图3），图片A为花境平面图的场地轮廓，图片B包含花境平面图的基本信息，包括种植组团斑块、植物种类选择等。将数据集中的60个样本用于训练模型，其余10个样本用于测试和验证模型的效果。实际测试结果证明，这70个样本已能有效支持模型生成实用且专业的设计方案。
图3 花境平面图数据集示例及植物标注颜色

Fig. 3 Dataset example for flower border plan and colors of plant annotations

3.2 数据处理

如何从平面上准确提取并突出花境植物设计的特征和规律，提高模型训练的效率和准确性，是本研究的重点。基于花境平面图生成特点，在构建数据集时，本研究采用了一系列样本处理方法，包括植物分类、数据合并、元素保留与简化、色彩标注、训练集增扩。

3.2.1 植物分类、数据合并、元素保留与简化

经统计，数据集中共使用249种植物，植物种类过多，为了使模型能够更加高效地学习花境植物设计的规律，本研究基于花境设计植物分类习惯对数据集中的249种植物进行了人工分类与合并。此过程中，本研究特别强调植物的观赏期和地域适应性，确保各个季节都有正值观赏期的植物，并提取不同植物搭配组合的关键信息。样本处理的方法如下。
1）植物分类。本研究对数据集中的植物进行了系统分类和统计分析，考虑了乔木、灌木和草本植物的主要植物类型，并根据植物的色彩、材质和搭配组合用途进行细致记录。经过归纳和总结，最终将这些植物划分为10个类型，包括乔木类、造型灌木类、散状观叶灌木类、绣线菊类、杜鹃类、迷迭香、背景花灌木类、观果灌木类、花卉类、观赏草类。
2）数据合并。本研究在保证训练网络准确率的同时，还应尽可能多地反映样本植物信息，因此，本研究根据设计师和学者的权威观点和专业意见，合并了相似数据，筛选保留了具有重要性和广泛应用的植物种类。针对乔木和灌木类，出于地域、季节和设计需求的考虑，大多选择了常绿类植物，并根据植物质感和观赏特性进行合并。由于本研究重点关注花卉植物的运用，确保选择的植物能够展现四季变换的景象，因此着重保留了使用率高且多年生的花卉类植物，如紫娇花、火炬花、百子莲等。此外，本研究还对种类、材质和色彩相似度较高的植物进行了合并操作，并对相似品种出现较多的植物进行归类，如归纳为鸢尾类、美人蕉类。同时，剔除了使用频率较低或对植物景观设计影响较小的少类植物，最终将植物标注元素细化至51个小类。
3）元素保留与简化。本研究注重植物元素的准确识别与表达，因此数据集仅保留了平面图中不同植物斑块的形状、尺寸、相对位置和比例关系，删除了平面图内部对布局影响较小的细节和干扰信息。根据元素的占地面积比例、视觉上的突出程度以及整体上的功能性贡献，删除了少量平面中如碎石和构筑物等面积较小且视觉上不显著的元素。

3.2.2 色彩标注

本研究使用的数据集样本被按比例统 一处理为2张400×300像素的图片，其中每1×1像素代表实际长宽为5 cm×5 cm，以满足内容清晰和运算量小的需求。数据集中的样本图片大小需要与图幅相匹配。其中，在南北方向上最长的样本58长度为14.8 m，在东西方向上最长的样本29长度为19.3 m。面积最小的为样本43，长和宽分别为9.5 m和9.4 m，其平面图在图片上需要清晰可辨。本研究使用不同颜色标注不同的植物元素，以保留植物设计的平面信息。计算机通过读取图片的红（R）、绿（G）、蓝（B）通道数值以获取图片信息，为减小运算误差，标注颜色的区分度应尽可能大，结合分类与数据合并后的植物元素数量，本研究将R、G、B 3个通道的取值范围三等分，选取4个数值（0、85、170、255）作为3个通道的备选数值，进行排列组合，在标注植物元素时提高计算机读取像素点的可识别性。在这一过程中，标注颜色排除了黑色（0，0，0）与白色（255，255，255）。最终，在制作数据集时，本研究选择了排列组合中对比度高、易于识别的51个颜色与51个元素一一对应进行标注（图3）。

3.2.3 训练集增扩

为了提高模型的准确性，需要对数据集进行增扩。为不影响数据集内斑块形状、尺度和朝向等信息，本研究将数据中的每张图片分别进行顺时针旋转5°和逆时针旋转5°的处理，该图像处理方法已被多个研究证实能够扩充数据集并能有效提升模型准确性[31-32]。经过图像处理后，数据集样本规模由60个扩展至180个。

3.3 训练模型测试结果

在经过300次迭代后，生成图像的结果开始变得相对稳定。随着训练达到500次，训练模型的输出更接近真实图像，色块分割由分散逐步变得完整，界限更清晰（图4）。综合考虑这些结果，研究最终选择将训练的迭代次数设定为500。
图4 各迭代次数下的测试结果

Fig. 4 Test results under different number of iterations

3.4 生成结果优化

为了方便识别植物种类并支持后续花境平面图的进一步细化，对生成结果进行了手动加工以提高准确度和清晰度，并进行了矢量化处理。按照3个步骤对生成结果进行优化（图5）。
图5 结果优化步骤

Fig. 5 Result optimization steps

1）场地边框修复。保留花境场地边框的位置和内部色块，针对性地移除场地范围之外影响设计效果的多余色块，并复原偏离边框和轮廓缺失的部分。
2）内部细节优化。首先进行色彩分离，通过比较每个植物元素与定义的植物标注颜色，将图像中的每个植物元素分离出来。对于生成平面图色值和51个标准RGB色值存在轻微偏差的像素点，使用相近的标准色值对其进行修正。若生成的图片产生了无意义的噪点，或者某像素的色值与选定的51个标准RGB色值相差过大，则将该像素的颜色统一为背景区域的颜色。其次，在色块分界线上，使用相对规整且自然的曲线和线段对植物斑块边界进行拟合，使其更符合实际花境 平面图的特征。例如，可以使用标准大小的圆点对图5中的乔木类植物和造型灌木进行拟合。
3）矢量化处理。首先，使用描边矢量化方法提取边界信息；然后，根据颜色将图像中不同植物元素分割成不同的区域，并将每个区域边界转换为相应的矢量线段；最后，将矢量化结果保存为适用于不同需求和应用场景的矢量文件格式。
通过对生成的花境平面图进行生成结果优化和矢量化处理，可以得到可编辑、可操作和可扩展的矢量数据，从而进一步应用于后续整体布局规划和构造细节、施工图制作等领域。

4 结果分析

本研究根据数据集内平面形态构成比例选择了10个样本作为优化测试样本，选取代表性样本进行展示 （ 图6 ），包括条形场地3个和曲线形场地7个。这些样本在场地形状特征上各具特色，用于评价花境平面图生成模型在不同场地条件下的适用性和准确性。
图6 花境平面图代表性测试样本的输入、生成和真实设计结果比较

Fig. 6 Comparison of input, generation, and realistic designs of representative test samples of the flower border plan

4.1 客观评价

为了衡量模型输出图像的设计质量，探究模型生成的花境平面图与实际设计的平面空间结构之间的一致性与差异，对10个样本进行了深入的比较分析，从而得出生成结果的关键特征。

4.1.1 生成质量

1）部分边界处理模糊。条形场地的生成结果的边界处理均较为精确，没有明显的溢出现象。曲线形场地的输出结果则存在不同程度的色块溢出情况。如“8”字形场地中，输出结果中会出现一定的空白区域。但这些空白在整体结果中所占比例较小，可通过简单的手动操作优化补足。
2）色彩准确性较高。花境平面图生成模型能够准确学习并反馈数据集内约一半的标记色彩，且输出的大部分色块与色彩标注的标准RGB色值相近，生成结果易于优化。但当图像中有效且色值接近的2个色块相邻时，可能出现较大面积的过渡色块，导致难以区分边界。
3）生成植物类型数量合理。生成图像结果中，植物类型共24个，占数据集中所有植物类型的47.06%，模型能够较好地生成数据集样本花境中使用频率超过50%的植物。其中，出现频率最高的5个植物类型依次是造型灌木类、背景花灌木类、细叶小型观赏草、镶边类观赏草和火星花。24个植物类型中多年生花卉数量最多，共14类，其次为观赏草5类，背景花灌木4类和乔木1类，即多年生花卉在生成结果中占58.3%，观赏草类占20.8%，灌木类和乔木类分别占16.8%和4.1%。生成图像中花境植物类型与原始数据集相似（图7），且更倾向于使用多年生花卉和观赏草，可能因为这2类在实际的花境样本中使用频率较高。
图7 数据集花境和生成花境植物应用类型数量对比

Fig. 7 Comparison of the number of plant application type for dataset flower border and generated flower border

4）设计缺乏多样性。对于形状相似、体量相近的场地，模型输出的设计图像也相似，如测试样本109与样本113的左侧弧形轮廓相似，生成结果也相似（图6）。因此模型难以对相似场地做出差异化的解读，部分实验结果缺乏多样性。

4.1.2 空间结构

1）生成结果的单位面积内的植物配置符合实际花境植物运用的特点和体量特征。输出图像中色块的大小能够体现不同植物的数量和面积的差异。乔木类对应的单个色块往往面积大、数量少，而造型灌木类对应的圆点数量多、面积小、间距小；位于边缘的萱草类、镶边类观赏草、石竹类植物成片出现，色块面积较大。观赏草类、造型灌木类和火星花的面积占比大，在生成花境中为主导元素。而其他植物，如大叶线形观赏草和月季类花卉，面积占比则相对较小，起到了丰富景观层次的作用。
2）生成结果能够复现数据集中使用频率较高的植物组合方式。如火星花可以位于场地两端与造型灌木搭配；镶边类观赏草可以与石竹类搭配，位于场地边缘。样本12中右侧松果菊、细叶小型观赏草与造型灌木类的搭配与真实设计的效果相似（图6）。
3）生成结果能够学习植物空间分布形态，每一类植物在平面上出现2～3次，在设计上相互呼应。模型能够复现边缘植物、内部植物斑块和造型灌木的色块形状特征。如镶边类观赏草、石竹类、萱草类等低矮植物大多是飘带状色块，位于场地的边缘；细叶小型观赏草大多为块状，位于场地中间；造型灌木类与乔木类大多呈组合点状分布于斑块之间。然而，生成图像中团块状和分散状植物的应用与实际设计相比，色块分布显得有些零散，缺乏策略性的布局。
4）生成结果能够展现植物配置的竖向变化。模型生成的花境中，每一层的植物斑块厚度约为150 cm，通常每个平面图中有3~4个层次的植物，并且植物之间的空间关系和株高的排布明确展现了前景、中景和背景的划分。例如样本107中（图6），第一层为佛甲草等镶边类观赏草，第二层为美人蕉类，增加了立体感，第三层为紫娇花与造型灌木类的组合，用于提供花境的垂直元素。

4.2 主观分析

将生成方案与样本方案进行对比，统计植物在色彩、季相、观赏期等方面的一致性与差异。同时，选择了2个具有代表性的条形场地生成结果和曲线形场地生成结果（图8），并邀请5名花境与植物景观设计专家比较和评价生成设计方案的优劣。
图8 生成设计代表

Fig. 8 Representative of generated design

生成结果以平面图的形式展示，评价指标包含观赏性、生态性2个方面（表1）。问卷采用李克特五级量表的形式，其中满意度选项依序分别为非常满意、较满意、一般满意、较不满意、非常不满意，且按次序分别赋予5个分值（5、4、3、2、1），将专家对各项指标的评判量化。最后，综合评估意见，得到对生成花境设计效果专业、全面的评价。
表1 生成花境评价指标

Tab. 1 Evaluation indicators for generated flower borders

评价方面 评价指标 评判标准
观赏性 竖向变化 垂直层面不同植物的丰富度
色彩搭配 不同颜色的花叶组合、色彩搭配的合理性
季相变化 一年四季呈现不同的季相之美
质感和谐性 植物质感、整体搭配之间的和谐性
生态性 植物多样性 花境内植物生活型的多样性
低维护性 多年生植物及常绿植物的占比
可持续性 花境的维持效果是否长续持久
生态位和
谐性		 植物生长生态位，种间竞争激烈程度

4.2.1 观赏性

本研究首先对比了样本方案与生成方案中使用植物的色彩、季相和观赏期。生成花境中冷色调植物的使用率有所下降，更突出暖色系植物的运用。季相方面，生成花境中春、夏两季的观赏植物最为丰富，而秋、冬两季虽然观赏植物种类较少，但得益于常绿的乔灌木，仍保持了一定的可观赏性。这种四季均衡的观赏特性与数据集中花境植物的使用特点相似，并满足了景观设计中“四季常绿、三季有花”的理念。在观赏期方面，大部分植物的观赏期达到或超过3个月。但是与数据集中植物的观赏期相比，生成的花境中植物观赏期能达到半年以上的较少，可能会限制花境的季节性展示。
根据专家评价的结果，条形花境的观赏性评分为3.3分，竖向变化和色彩搭配评分均为3.4分，这表明设计在垂直层次和色彩组合方面具有较好的表现。但部分专家认为该花境在层次的处理上未能充分体现植物高度的差异。条形花境的季相变化和质感和谐性评分均为3.2分，反映出植物的选择在不同季节间可能没有显著变化。而质感和谐性的评分略低，表明设计在整体上具备一定的美感，但在植物间质感的过渡上还有改进空间。
曲线形花境的观赏性评分为2.9分，整体表现相对较弱。竖向变化和色彩搭配评分均为2.8分，设计在垂直层次感和色彩组合上表现欠佳，部分专家认为视觉上缺乏深度和色彩的协调性。这可能是由于曲线形花境在实现垂直层次感和色彩丰富性方面存在挑战。曲线形花境的季相变化和质感和谐性评分均为3分，显示出设计在不同季节的表现和整体质感的协调性上能达到一定水平，但还需进一步提升。

4.2.2 生态性

本研究统计了生成花境的植物种类数量和棵数，发现每一个花境的植物运用种类均包括乔、灌、草3类，植物7~15类，种植面积合理。
根据专家评估结果，条形花境在生态性方面表现出色，整体评分为3.95分。特别是在低维护性和可持续性上，均获得了4.2分的高分，表明该设计在降低维护成本和维持生态平衡方面具有显著优势。模型生成花境均以多年生宿根花卉和观赏草为主，为长效花境。结果中多数选取的植物均具有较强的生命力和适应性，如金光菊、景天类。部分专家在生态位和谐性方面给出了较低的评分，整体得分为3.6分。生态位和谐性的低评分可能反映出不同植物之间的生态互动和共生关系在设计中未能得到充分体现。虽然设计在植物多样性（3.8分）方面表现良好，但在如何协调不同植物的生态需求和相互关系上，生成设计仍有提升的空间。
曲线形花境的生态性评分为3.6分。植物多样性得分较低，为3.2分，由于场地面积的差异，使用植物数量相对较少。但在低维护性（3.6分）和可持续性（3.8分）方面表现尚可。生态位和谐性得分为3.8分，表明了曲线形花境设计在生态系统内部的协调性方面相比条形花境表现略好。

5 未来研究方向

通过研究证明，GAN在花境设计中具有一定优势，但本研究也存在若干局限性。首先，GAN生成结果对训练样本的依赖性较强。由于GAN通过学习训练样本的颜色分布特征生成图像，因此生成设计的风格、观赏性和生态性质量均依赖于高质量的数据集，而高质量数据的收集存在一定困难。其次，本研究仅收集了同一家设计院的花境平面图以确保样本设计的质量，因此训练样本量相对较少。虽然已能生成相对理想的结果，但模型对植物分布特征的学习还不够充分。最后，本研究未对使用的数据集中设计场地的地域进行细分，因此模型未能详细考虑地域性和部分植物使用特性，在应用时存在一定的局限性。
未来研究可从4个方面改进实验，以获得更为理想的生成设计方案。
1）扩大数据集的样本量。由于数据可得性的限制，本研究最初收集了101个样本。训练过程中，样本的尺度跨度较大而数量不足，导致模型的输出结果不理想。未来将继续收集小、中、大不同尺度的花境样本帮助花境平面图生成模型的训练。
2）加强对数据集的处理。当前模型的研究主要集中在花境植物配置生成，而未涵盖场地周边环境背景。考虑到模型在输出结果时，相似的场地轮廓会生成相似的设计，未来可以通过增加样本场地的外部环境信息，探索这些外部元素对生成结果多样性和科学性的影响。
3）增加数据集的分类。在研究测试中，条形场地的测试结果最为理想，推测是因为数据集中条形场地样本的尺度相似且样本量较多。因此可考虑将数据集按照场地形态和尺度进行分类，对不同类型的场地采用针对性的生成模型。目前数据集中所使用的植物类型主要限定在特定所处地域及其气候条件下，为了提升模型的迁移性，未来可根据地域对平面和植物进行分类训练，为模型提供样本的地域和气候等条件信息，指导模型生成适应南北方不同条件的植物和设计方案。
4）尝试使用不同算法。本研究使用了CycleGAN算法，避免了训练数据必须成对的限制。未来将尝试不同的模型进行研究，如CGAN[33]，这一模型在GAN的基础上引入了条件变量，该约束条件能够指导整个训练过程，从植物地域特性和色彩等角度进一步细化设计方案并扩展可用的植物种类，达到个性化设计的目的。未来可探索并比较不同算法在花境设计方面的表现优劣，尝试根据不同设计需求选择实验模型。

6 结论

GAN已在建筑、规划等大尺度生成设计中得到广泛应用。本研究则在小样本量的基础上，呈现了GAN在小尺度景观设计下的新应用。本研究构建了基于CycleGAN的植物景观生成设计研究方法，在对植物进行合理分类、简化的前提下，建立了花境平面图的数据集，并成功应用CycleGAN生成了符合美学和生态原则的完整花境设计平面图，取得了较好的生成效果。
GAN在以花境为代表的植物景观设计中具有独特的优势，虽然样本数量不多，但在图像质量和空间布局的表达上效果良好。花境平面图生成模型展现了准确识别条形场地边界的能力，并在色彩再现方面表现出较高的精度和可识别性。生成的设计结果在植物应用种类上较好地模仿了数据集，尤其是在多年生花卉和观赏草的选择上。在生成平面植物空间布局方面，色块大小、平面布局形态和位置的处理展示了各种植物的空间分布特点和视觉效果，并能够复现部分潜在搭配组合。模型生成的花境设计在色彩、季相、层次感以及和谐度方面与实际设计样本相一致。色彩的丰富性和季相的平衡为花境提供了四季观赏的可能性。生态性方面，生成的花境设计体现了可持续性原则，强调了设计的可持续维护与管理的便利性。本研究证明了GAN能够在较多的植物景观设计场景中应用，且模型简化了花境平面图数据的收集、整理和分析的工作。将花境平面图生成模型与现有设计方法相结合，能够在设计初步阶段提升效率。
在研究过程中，CycleGAN的应用也体现出一定的限制。首先，生成的花境设计方案的观赏性与生态性高度依赖于数据集的质量和多样性，这意味着数据集的筛选和选择过程至关重要。缺乏高质量和多样化的数据集可能导致生成的设计方案在创新性和实用性上有所欠缺。其次，GAN模型倾向于输出一般性的设计，仅能够满足数据集中所涵盖的大部分常用需求。在类似场地中欠缺设计多样性，可能无法充分满足某些特殊或个性化设计需求。
本研究在小样本量的基础上实现了小尺度植物景观的模拟设计，并生成了清晰准确的结果，但仍存在一些不足之处，生成结果仍为初步的布局关系。未来的研究可以从改进模型算法、丰富数据集和探索引入CGAN的可能性等方面出发，对场地边界识别、植物搭配方案的多样性生成、植物生长特性和用户参与等方面进行深入探索，进一步提升机器学习模型在植物景观设计中的应用效果，为实际景观设计提供更多新的思路。

致谢(Acknowledgments)：

感谢上海梵繁园艺有限公司为本研究提供了大量的花境设计原始素材。

文中图表均由作者绘制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王美仙, 刘燕. 花境及其在国外的研究应用[J]. 北方园艺, 2006(4): 135-136.

DOI

WANG M X, LIU Y. Flower Border and Its Research Application in Overseas Countries[J]. Northern Horticulture, 2006(4): 135-136.

DOI

[2]
LIU Y, FANG C, YANG Z, et al. Exploration on Machine Learning Layout Generation of Chinese Private Garden in Southern Yangtze[C]// YUAN P F, CHAI H, YAN C, et al. CDRF 2021: Proceedings of the 2021 DigitalFUTURES: The 3rd International Conference on Computational Design and Robotic Fabrication (CDRF 2021). Singapore: Springer, 2021.

[3]
ZHU J, PARK T, ISOLA P, et al. Unpaired Image-to- Image Translation Using Cycle-Consistent Adversarial Networks[C]// IEEE. Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV). Venice: IEEE, 2017: 2242-2251.

[4]
GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative Adversarial Nets[C]// NIPS. Advances in Neural Information Processing Systems. Massachusetts: MIT Press, 2014: 2672-2680.

[5]
XU T, ZHANG P, HUANG Q, et al. Attngan: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks[C]// IEEE. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE Computer Society, 2018: 1316-1324.

[6]
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.

DOI

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.

DOI

[7]
ZHENG H, AN K, WEI J, et al. Apartment Floor Plans Generation via Generative Adversarial Networks[C]// CAADRIA. Proceedings of the 25th International Conference on Computer Aided Architectural Design Research in Asia (CAADRIA) 2020. Hong Kong: CAADRIA, 2020: 601-610.

[8]
ZHANG L, ZHENG L, CHEN Y L, et al. CGAN-Assisted Renovation of the Styles and Features of Street Facades: A Case Study of the Wuyi Area in Fujian, China[J]. Sustainability, 2022, 14(24): 16575

DOI

[9]
YU Q, MALAEB J, MA W J. Architectural Facade Recognition and Generation Through Generative Adversarial Networks[C]. ACADIA. 2020 International Conference on Big Data & Artificial Intelligence & Software Engineering (Icbase 2020) Washington D.C.: IEEE Press, 2020: 310-316.

[10]
TIAN R. Suggestive Site Planning with Conditional GAN and Urban GIS Data[C]// YUAN P F, YAO J, YAN C, et al. CDRF 2020: The International Conference on Computational Design and Robotic Fabrication. Singapore: Springer, 2020: 103-113.

[11]
陈梦凡, 郑豪, 吴建. 基于生成对抗网络的复合功能体系计算性设计: 以职业技术学院校园平面生成为例[J]. 建筑学报, 2022(S1): 103-108.

CHEN M F, ZHEN H, WU J. Computational Design of Multi-functional System Based on Generative Adversarial Networks: Taking the Layout Generation of Vocational and Technical College as an Example[J]. Architectural Journal, 2022(S1): 103-108.

[12]
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.

[13]
曲广滨, 薛博洋. 基于CGAN的居住区景观功能平面生成方法[J]. 低温建筑技术, 2022, 44(12): 5-9.

QU G B, XUE B Y. Generative Design Method of Landscape Functional Layout in Residential Areas Based on Conditional Generative Adversarial Nets[J]. Low Temperature Architecture Technology, 2022, 44(12): 5-9.

[14]
赵晶, 陈然, 郝慧超, 等. 机器学习技术在风景园林中的应用进展与展望[J]. 北京林业大学学报, 2021, 43(11): 137-156.

DOI

ZHAO J, CHEN R, HAO H C, et al. Application Progress and Prospect of Machine Learning Technology in Landscape Architecture[J]. Journal of Beijing Forestry University, 2021, 43(11): 137-156.

DOI

[15]
赵晶, 曹易. 风景园林研究中的人工智能方法综述[J]. 中国园林, 2020, 36(5): 82-87.

ZHAO J, CAO Y. Review of Artificial Intelligence Methods in Landscape Architecture[J]. Chinese Landscape Architecture, 2020, 36(5): 82-87.

[16]
陈兆倩, 王洪雁. 基于参数自动调整的生态景观空间结构优化设计[J]. 现代电子技术, 2020, 43(16): 159-161.

CHEN Z Q, WANG H Y. Design of Ecological Landscape Spatial Structure Optimization Based on Parameters Automatic Adjustment[J]. Modern Electronics Technique, 2020, 43(16): 159-161.

[17]
何庆港, 蔡海生, 张学玲, 等. 基于景观格局及元胞自动机-马尔科夫模型的县域生态风险评价: 以江西省婺源县为例的实证研究[J]. 林业经济, 2020, 42(8): 50-63.

HE Q G, CAI H S, ZHANG X L, et al. Assessment on Ecological Risk of Counties Based on Landscape Pattern and CA-Markov Model: Empirical Study on Wuyuan County in Jiangxi Province[J]. Forestry Economics, 2020, 42(8): 50-63.

[18]
陈冬洋, 陈彩虹, 常双双. 基于移动窗口法与ANN模型的澄迈林场森林景观研究[J]. 中南林业科技大学学报, 2015, 35(12): 95-101.

CHEN D Y, CHEN C H, CHANG S S. Forest Landscape Study for Chengmai Forest Farm, Hainan Province Based on Moving Window Method and ANN Model[J]. Journal of Central South University of Forestry & Technology, 2015, 35(12): 95-101.

[19]
王浩翼, 杨钧然, 吴子悦, 等. 机器学习视野下基于居民偏好的街道风格生成方法研究[J]. 新建筑, 2022(6): 19-24.

DOI

WANG H Y, YANG J R, WU Z Y, et al. Street Style Generation Method Based on Residents’ Preferences from the Perspective of Machine Learning[J]. New Architecture, 2022(6): 19-24.

DOI

[20]
李春娇, 贾培义, 董丽. 风景园林中植物景观规划设计的程序与方法[J]. 中国园林, 2014, 30(1): 93-99.

LI C J, JIA P Y, DONG L. Research on the Procedures and Methods of Planting Plan and Design[J]. Chinese Landscape Architecture, 2014, 30(1): 93-99.

[21]
李中亚. 人工智能技术在园林景观设计中的应用[J]. 现代园艺, 2020, 43(18): 74-75.

DOI

LI Z Y. Application of Artificial Intelligence Technology in Landscape Architecture Design[J]. Contemporary Horticulture, 2020, 43(18): 74-75.

DOI

[22]
LEITNER D, KLEPSCH S, KNIESS A, et al. The Algorithmic Beauty of Plant Roots: An L-System Model for Dynamic Root Growth Simulation[J]. Mathematical and Computer Modelling of Dynamical Systems, 2010, 16(6): 575-587.

DOI

[23]
郭湧. 论风景园林信息模型的概念内涵和技术应用体系[J]. 中国园林, 2020, 36(9): 17-22.

GUO Y. On the Concept and Technology Application System of Landscape Information Modeling[J]. Chinese Landscape Architecture, 2020, 36(9): 17-22.

[24]
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 W Y, 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.

[25]
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.

[26]
崔思贤, 张耀文, 贾婕, 等. 基于AI技术的花境设计应用分析[J]. 园林, 2023, 40(12): 106-112.

CUI S X, ZHANG Y W, JIA J, et al. Analysis of AI-Enabled Floral Design Applications[J]. Landscape Architecture Academic Journal, 2023, 40(12): 106-112.

[27]
王美仙, 刘燕. 花境设计[M]. 北京: 中国林业出版社, 2013.

WANG M X, LIU Y. Flower Border Design[M]. Beijing: China Forestry Publishing House, 2013.

[28]
董丽. 园林花卉应用设计[M]. 北京: 中国林业出版社, 2003.

DONG L. Landscape Flower Application Design[M]. Beijing: China Forestry Publishing House, 2003.

[29]
蔡军火, 黄太章, 魏绪英, 等. 花境设计与应用浅析[J]. 安徽农业科学, 2008(25): 10857-10858.

DOI

CAI J H, HUANG T Z, WEI X Y, et al. Preliminary Analysis on the Design and Application of Flower Border[J]. Journal of Anhui Agricultural Sciences, 2008(25): 10857-10858.

DOI

[30]
张扬, 许文超, 史洁婷, 等. 园林花境的设计要点与植物材料的选择[J]. 生态经济, 2015, 31(3): 191-195.

DOI

ZHANG Y, XU W C, SHI J T, et al. The Designing Approach and Selection of the Plants in Bloom Scenery[J]. Ecological Economy, 2015, 31(3): 191-195.

DOI

[31]
SUN C, ZHOU Y, HAN Y. Automatic Generation of Architecture Facade for Historical Urban Renovation Using Generative Adversarial Network[J]. Building and Environment, 2022, 212(15): 108781

[32]
刘德利, 王科奇. 基于pix2pix算法的建筑形态及其组合生成式设计研究[J]. 建筑科学, 2022, 38(10): 260-267.

LIU D L, WANG K Q. Research on the Generative Design of Architectural Form and Combination Based on Pix2Pix Algorithm[J]. Building Science, 2022, 38(10): 260-267.

[33]
MIRZA M, OSINDERO S. Conditional Generative Adversarial Nets[EB/OL]. (2014-11-06)[2024-04-08]. https://arxiv.org/abs/1411.1784.

Options
Outlines

/

〈 〉