摘要：城市湿地公园在城市生态系统中具有重要地位，兼具生态保护、休闲游憩与环境教育等功能。然而在现今的实际规划设计中，普遍存在功能分区同质化、空间结构缺乏系统逻辑、设计效率低等问题，制约了其功能的全面发展与可持续建设。随着人工智能技术的发展，深度学习等方法为风景园林规划设计提供了新路径。如何通过深度学习技术实现城市湿地公园平面布局的智能生成，以提升设计科学性与效率，是当前亟待解决的重要课题。从上述问题出发，本研究以城市湿地公园为研究对象，提出基于深度学习的平面布局智能生成方法，旨在构建一个具备空间逻辑学习、图像生成与实践应用能力的算法模型。通过文献与案例分析，系统总结了城市湿地公园的空间布局特征与逻辑。在功能分区方面，归纳出生态湿地区、科普宣教区、游览活动区和综合管理服务区四大类型；在景观元素方面，从元素分类、空间分布与周边用地特征等维度提取其布局规律，为模型训练提供理论依据与数据基础。在方法路径上，本研究选取了 Pix2Pix 与 CycleGAN 两种图像生成算法，实验总共标注处理了 900 组数据，每组 4 个标注图像，构建了 6 个训练模型，其中720 组为训练集，180 组为测试集。针对功能分区与景观元素两个维度进行图像学习与生成。通过损失函数（LOSS）、峰值信噪比（PSNR）、结构相似性指数（SSIM）等客观指标与主观评价相结合的方法对模型性能和测试结果进行系统评估。实验结果显示，Pix2Pix 在图像清晰度、结构还原与主观一致性方面表现更优。最终，该模型被选用于长沙大泽湖湿地公园的规划设计实践中。主要研究结果如下：
（1）归纳了城市湿地公园平面布局的逻辑特征。通过提取城市湿地公园的功能分区类型与典型景观元素布局特征，并从空间结构、功能组织、周边用地等角度进行了综合分析，为后续模型输入和数据标注提供了明确参考。基于此构建的空间结构逻辑模型，既具备通用性，又适用于不同规模的城市湿地公园。
（2）建立了基于 Pix2Pix 和 CycleGAN 的六个图像生成模型，分别对功能分区和景观元素进行图像训练，初步实现了城市湿地公园平面布局从输入条件到输出方案的智能生成过程。
（3）通过综合评价对模型性能进行了评估。实验结果表明，Pix2Pix 模型在图像清晰度、结构还原等方面整体优于 CycleGAN，其 LOSS 值稳定在 0.005 左右，PSNR 稳定在 30dB 左右，SSIM 值在 0.90–0.92 之间，主观评价符合训练要求的比例也均高于 80%。验证了 Pix2Pix 模型的生成效果更优，更适用于后续实践。
（4）完成了深度学习模型在实际公园中的应用实践。将大泽湖湿地公园用地条件输入模型，Pix2Pix 模型结果从整体布局、路网结构、水体和硬质分布都更为清楚，因此选其应用于长沙大泽湖湿地公园的规划设计实践，生成初步平面布局方案，并结合人工优化进行深化设计，最终形成符合城市湿地公园空间逻辑的完整总平面图图纸，体现了算法在实际规划设计中的适配性与指导能力。
研究表明，深度学习生成模型能够较好的生成符合城市湿地公园布局逻辑的平面布局方案。相比传统方法，该方法具备自动化、客观性强、设计效率高等优势，可降低主观因素对方案生成过程的消极影响，辅助设计人员高效完成规划设计，让设计人员实现从设计者到决策者的角色转变。这种创新模式为公园规划设计开拓了崭新思路，也为深度学习在风景园林领域的应用探索了实践方向，有助于未来打造出更科学合理、独具特色的城市湿地公园规划设计方案。
基于深度学习的城市湿地公园平面布局智能生成研究—以长沙大泽湖湿地公园为例第一部分.pdf (947.85 KB, 下载次数: 0)

2025-6-9 19:10 上传

点击文件名下载附件
第80-157页

摘要：城市湿地公园在城市生态系统中具有重要地位，兼具生态保护、休闲游憩与环境教育等功能。然而在现今的实际规划设计中，普遍存在功能分区同质化、空间结构缺乏系统逻辑、设计效率低等问题，制约了其功能的全面发展与可持续建设。随着人工智能技术的发展，深度学习等方法为风景园林规划设计提供了新路径。如何通过深度学习技术实现城市湿地公园平面布局的智能生成，以提升设计科学性与效率，是当前亟待解决的重要课题。从上述问题出发，本研究以城市湿地公园为研究对象，提出基于深度学习的平面布局智能生成方法，旨在构建一个具备空间逻辑学习、图像生成与实践应用能力的算法模型。通过文献与案例分析，系统总结了城市湿地公园的空间布局特征与逻辑。在功能分区方面，归纳出生态湿地区、科普宣教区、游览活动区和综合管理服务区四大类型；在景观元素方面，从元素分类、空间分布与周边用地特征等维度提取其布局规律，为模型训练提供理论依据与数据基础。在方法路径上，本研究选取了 Pix2Pix 与 CycleGAN 两种图像生成算法，实验总共标注处理了 900 组数据，每组 4 个标注图像，构建了 6 个训练模型，其中720 组为训练集，180 组为测试集。针对功能分区与景观元素两个维度进行图像学习与生成。通过损失函数（LOSS）、峰值信噪比（PSNR）、结构相似性指数（SSIM）等客观指标与主观评价相结合的方法对模型性能和测试结果进行系统评估。实验结果显示，Pix2Pix 在图像清晰度、结构还原与主观一致性方面表现更优。最终，该模型被选用于长沙大泽湖湿地公园的规划设计实践中。主要研究结果如下：
（1）归纳了城市湿地公园平面布局的逻辑特征。通过提取城市湿地公园的功能分区类型与典型景观元素布局特征，并从空间结构、功能组织、周边用地等角度进行了综合分析，为后续模型输入和数据标注提供了明确参考。基于此构建的空间结构逻辑模型，既具备通用性，又适用于不同规模的城市湿地公园。
（2）建立了基于 Pix2Pix 和 CycleGAN 的六个图像生成模型，分别对功能分区和景观元素进行图像训练，初步实现了城市湿地公园平面布局从输入条件到输出方案的智能生成过程。
（3）通过综合评价对模型性能进行了评估。实验结果表明，Pix2Pix 模型在图像清晰度、结构还原等方面整体优于 CycleGAN，其 LOSS 值稳定在 0.005 左右，PSNR 稳定在 30dB 左右，SSIM 值在 0.90–0.92 之间，主观评价符合训练要求的比例也均高于 80%。验证了 Pix2Pix 模型的生成效果更优，更适用于后续实践。
（4）完成了深度学习模型在实际公园中的应用实践。将大泽湖湿地公园用地条件输入模型，Pix2Pix 模型结果从整体布局、路网结构、水体和硬质分布都更为清楚，因此选其应用于长沙大泽湖湿地公园的规划设计实践，生成初步平面布局方案，并结合人工优化进行深化设计，最终形成符合城市湿地公园空间逻辑的完整总平面图图纸，体现了算法在实际规划设计中的适配性与指导能力。
研究表明，深度学习生成模型能够较好的生成符合城市湿地公园布局逻辑的平面布局方案。相比传统方法，该方法具备自动化、客观性强、设计效率高等优势，可降低主观因素对方案生成过程的消极影响，辅助设计人员高效完成规划设计，让设计人员实现从设计者到决策者的角色转变。这种创新模式为公园规划设计开拓了崭新思路，也为深度学习在风景园林领域的应用探索了实践方向，有助于未来打造出更科学合理、独具特色的城市湿地公园规划设计方案。
基于深度学习的城市湿地公园平面布局智能生成研究—以长沙大泽湖湿地公园为例第一部分.pdf (947.85 KB, 下载次数: 0)

2025-6-9 19:10 上传

点击文件名下载附件
第80-157页