首页 > 分享 > 基于生成对抗网络的植物景观生成设计——以花境平面图生成为例

基于生成对抗网络的植物景观生成设计——以花境平面图生成为例

花匠小妙招
2024-09-17 07:27

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

Figure 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，初始学习率为图 7 数据集花境和生成花境植物应用类型数量对比

Figure 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

Figure 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

Table 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。