LA专题 | 刘泽润刘超 | 可持续建成环境研究的机器学习应用进展与展望

Original 刘泽润刘超风景园林杂志

2024-09-02

全文刊登于《风景园林》2023年第7期 P51-59

刘泽润，刘超.可持续建成环境研究的机器学习应用进展与展望[J].风景园林，2023，30（7）：51-59．

可持续建成环境研究的机器学习应用进展与展望

刘泽润

女 / 同济大学建筑与规划学院在读硕士研究生 / 研究方向为城市可持续发展

刘超

女 / 同济大学建筑与规划学院助理教授 / 智慧社区试验中心负责人 / 研究方向为智能可持续城市规划

摘要：【目的】大数据、物联网和人工智能技术正在经历快速发展阶段，其中机器学习的应用尤为瞩目，探索机器学习对可持续建成环境研究的影响具有理论和实践价值。【方法】基于文献综述，聚焦城市公共健康、能源碳排放、气候环境、生态系统、绿色出行5个可持续建成环境重要议题，详述机器学习的概念、分类、重要算法及关键应用。【结果】提出机器学习应用预测性有余解释力不足的特点，梳理机器学习发展从预测性到解释性的趋势，分析机器学习应用对研究的影响。【结论】结果表明：解释性方法和可读模型增多，研究目的更加侧重决策解读和规律总结，但基于实证研究的因果机制探索仍较少。基于此，比较分析了机器学习在不同议题中的典型应用，展望未来的发展前景。

关键词：人工智能；解释性机器学习；公共健康；能源碳排放；气候环境；生态系统

1 背景

1.1 大数据和物联网加快智能化进程

大数据和物联网的兴起和发展加快了智能化的进程，为建成环境可持续发展带来了新的机遇和挑战。建立在智能化数据和信息基础上的新方法和分析体系蓄势待发，以应对可持续建设中日新月异的问题，响应新的需求和应用，实现智能化的建设、改造和管理，促进建成环境的可持续发展。

1.2 可持续建成环境研究受到更多关注

对可持续环境的讨论是历久弥新的问题，在建筑、城市规划和风景园林领域，这一问题尤为重要。越来越多的学者投入到相关的工作中，致力于挖掘新的方向。因此，探讨建成环境的可持续发展的研究议题，分析其实践成果并展望趋势，能引起当下建筑、城市和风景园林研究者的共鸣。

为了遴选关键和前沿的可持续建成环境议题，比较联合国可持续发展目标和建成环境概念，发现它们都包含促进健康、气候行动、绿色出行、生态性景观的内容，可以归纳为公共健康、能源碳排放、气候环境、生态系统和绿色出行这5个议题。同时，中国知网和Web of Science数据统计显示，近5年来，大数据和机器学习（machine learning, ML）的研究在这5个议题中增长较快，有必要对这几个议题开展深入研究。

可持续建成环境概念及重要议题

重要议题 2019—2023 年文献数量变化趋势

1.3 机器学习给各研究领域带来新影响

机器学习在过去几年中快速崛起，并在不同学科领域展示了强大的能力。对于可持续建成环境中的议题，机器学习也依靠能够处理复杂大量信息的优势，迅速生根繁荣，在实证研究和决策实践中都得到了广泛应用。

因此，笔者通过对机器学习相关概念的回顾，分析机器学习在可持续建成环境中的应用重点和发展趋势。进一步聚焦公共健康、能源碳排放、气候环境、生态系统和绿色出行5个可持续建成环境领域核心议题，梳理不同议题用到了何种机器学习方法，以及这些方法如何帮助研究者解决研究问题。

2 从预测性到解释性：机器学习的发展

2.1 机器学习的诞生

机器学习通过模拟人类的学习过程，使计算机能自主从经验数据中学习规律，并用于新的样本和数据中。从最初的简单算法开始，经历概率理论完善、算法升级、数据驱动和算力飞跃几个阶段，机器学习表现不断提高，在预测准确度和自主学习能力上具有巨大提升。

2.2 “黑盒”模型的应用瓶颈

现有的机器学习模型已经可以达到很高的准确度，但是，实际问题更多关注到决策的过程和背后的机制，所以，对机器学习的模型解释尤为重要，机器学习的研究导向也从提高预测性转变为优化解释性。然而，计算机语言的难读性、计算过程的复杂性、决策的不透明性使得机器学习成为“黑盒”模型，为解释机器学习提出挑战。

2.3 解释性机器学习的兴起与发展

为了更好地理解“黑盒”模型的内部工作原理，机器学习的解释性方法逐步发展起来。机器学习的可解释性可以被看作对抽象概念的解释、对决策过程的解读和对功能的理解。根据解释发生时间的不同，可以将解释性机器学习（interpretable ML）分为本身可解释的机器学习方法的事前可解释和本身不可解释模型的事后可解释方法（表1）。

表1 解释性机器学习分类及常见算法总结

3 重要议题的机器学习应用

机器学习看似晦涩难懂，但其核心是通过数据对不同议题进行预测和解释。传统的研究过程是通过对理论原理的深度剖析，推导公式或算法，预测事物的运行，解释其背后的原因。然而，机器学习“暴力”地降低了这一过程的难度：一方面，它给了研究者通往未知领域的“钥匙”，借助机器学习，很多过去难以用公式定义的、复杂的、多尺度的、动态的问题得以解决；另一方面，它打破了知识的壁垒，研究者能够通过机器学习快速入门，甚至跨学科地解决复杂问题。当然，机器学习并不是万能的，数据的体量和质量都极大影响着结果的可靠性和准确度，现阶段，研究者更多地把机器学习作为数据分析的工具，帮助快速识别关键信息，发现其中规律。

3.1 公共健康议题有大量的解释性需求

国内外较为典型的建成环境与公共健康的研究对公共健康话题的讨论十分多元，涵盖传染病、慢性病、健康行为习惯、心理健康问题等不同方面，特别是对慢性病、行为习惯、心理问题的探索。总之，对于建成环境与健康关系的解释探索仍是当下和未来的热点，该议题的研究将面临数据更多元化和模型更复杂化的形势，现有研究对机器学习的解释度挖掘有限，可解释机器学习的应用较少，尤其是基于临床实验的因果机制挖掘，随着各类健康问题理论的完善，亟须结合病理的可解释的机器学习算法来帮助人们梳理其中的关系和决策。

3.2 能源碳排放议题更多关注预测与决策过程

建成环境与能源方面的研究主要关注到区域尺度、城市尺度和建筑尺度，包括燃料消耗、能源消费、电网负荷等。而碳排放方面的研究，多是在国家、城市和家庭层面，综合运用多种机器学习方法，对碳排放量进行计算。机器学习算法多用于对结果的预测，通过算法和数据的“暴力破解”，节省公式计算的成本和时间。面对更为精细的系统，可解释性方法也能帮助人们捕捉数据背后隐藏的线索。该议题之下的预测性应用更多，解释性应用较少，但解释性方法探索已初见成效。此外，寻找发展和保护的平衡是该议题下机器学习的另一个主要应用方面，基于决策过程并结合各种深度学习算法的强化学习能有效助力这一过程，提高与能源碳排放相关决策的效率和合理性。

3.3 气候环境议题兼顾预测性与解释性

对于建成环境中气候、空气质量和热岛效应等话题的研究主要关注到时空变化和驱动力分析，在数据监测和量化体系逐步完善的当下，多元数据处理、多情景估算和影响要素分析愈发丰富，虽然传统的统计分析、空间分析和空间模型应用已比较成熟，但机器学习仍展现出优势和潜力，兼顾预测问题和解释问题。该议题下，机器学习应用更多体现在预测和模拟的环节，解释性能力发展相对较慢：一方面气候环境的复杂性导致数据难以收集，建立解释性机器学习模型的数据基础较薄弱；另一方面，原有的气候模型与机器学习各种算法的结合尚未成熟，仍需更多的探索实践。伴随数据和监测手段的多元化，机器学习方法会越来越多地参与到数据处理和预测模拟的过程中，解释应用的场景也将更加多样。

3.4 生态系统议题处于解释性初步探索阶段

实测、模型和遥感技术的发展使人们对生态系统和生物的认知更全面和详细，机器学习参与到对生态演化驱动力、物种分布、生态足迹和生物量的分析中，提供预测和解释的能力支持。目前，预测估算和模拟工作是该议题下的主流，解释性方面，驱动力分析的量化较为简单，对模型的解读也比较初步地停留在重要因子的识别上，仍需更多的探索挖掘。

3.5 绿色出行议题发展成熟且应用前沿

机器学习在有关绿色出行的研究应用上积累了丰硕的成果，在数据处理、预测、模拟、决策、解释方向都有前沿性的探索和突破，涵盖的话题包括但不限于出行行为、出行安全、交通流、出行工具、拥堵风险、道路网络等的研究。不难推测，对可持续交通问题的研究是过去、当下和未来的热点，面向未来的多样场景，机器学习的应用仍有更大的潜力和更多可能的探索方向，机器学习本身已成为可持续智能交通体系不可或缺的一部分，二者是相互依存共同促进的关系，预测与解释将会更加精细和深入，为更为智能的决策提供基础。

4 讨论

总的来说，机器学习的发展和应用对可持续建成环境的研究方法、研究方向、研究对象和研究结论均产生了重要影响。机器学习解释能力的提高显著促进了研究方法的变革，更多学者实践基于机器学习的研究框架，应用各种机器学习模型，发展具有专业特色的可操作方法路径。机器学习日渐强大的性能极大拓宽了研究方向和研究对象，机器学习擅长处理复杂的、多元的、动态的、大规模的数据，以往被认为难以解决的复杂问题成为机器学习的破译对象。这为解答多地区、多尺度、长时间跨度的动态复合问题提供了新视角。同时，机器学习自身不断向着智能化、透明化、可解释化发展，通过对以往经验和人类思路的学习，机器学习能帮助研究者得出最优决策方案，揭示决策机制，发现潜在规律。

5 展望

随着数据和模型的发展日趋完善，机器学习应用的资源和场景也更丰富多元，可持续建成环境的研究将更多依赖并受益于机器学习的发展。不同议题的发展程度不同，将来可能有不同的侧重。绿色出行等交通问题的机器学习应用更为前沿，未来将持续探索从预测、解释到智能决策的完整体系，更多关注动态数据，更多开发人机互动场景；对于能源、碳排放和气候环境，解释性的应用将不断增多，方法将会更加多元化和专业化；而生态系统和公共健康的机器学习应用将进一步普及，此外，这2个议题也存在大量的解释性需求，可解释的方法和模型亟须大量实证探索，相关的研究将成为下一步的热点。当然，本研究仅在文献综述的基础上关注重点议题，对较为典型的应用进行了总结分析，并未对机器学习方法本身的原理、技术和道德问题做更深入的探索。机器学习有效推动了该领域更定量、更多元、更智能、更科学的发展，可以预见，这一领域的机器学习研究应用正在且将不断快速发展，且具备长久广阔的发展前景。

图片来源：

图1由作者绘制，其中可持续发展目标部分来自参考文献[3]；图2由作者绘制；表1根据参考文献[18]~[20]整理；表2根据参考文献[21]~[60]整理。

为了微信阅读体验，文中参考文献标注进行了删减，详见杂志。

参考文献

[1] 龙瀛.颠覆性技术驱动下的未来人居：来自新城市科学和未来城市等视角[J].建筑学报，2020（Z1）：34-40.

LONG Y. Future of Human Habitats Driven by Disruptive Technologies: Perspectives from the New Science of Cities and Future Cities[J]. Architectural Journal, 2020 (Z1): 34-40.

[2] 鲍毅，黄舟，郭庆华，等.城市建成环境存量的空间计算：进展及展望[J].遥感学报，2022，26（10）：1909-1919.

BAO Y, HUANG Z, GUO Q H, et al. Spatial Calculation of Urban Built Environment Stock: Progress and Prospects[J]. National Remote Sensing Bulletin, 2022, 26 (10): 1909-1919.

[3] 牛文元.可持续发展理论的内涵认知：纪念联合国里约环发大会20周年[J].中国人口·资源与环境，2012，22（5）：9-14.

NIU W Y. The Theoretical Connection of Sustainable Development: the 20th Anniversary of UN Conference on Environment and Development in Rio De Janeiro, Brazil[J]. China Population, Resources and Environment, 2012, 22 (5): 9-14.

[4] 崔桂彬.可持续发展理念下城市园林景观设计探讨[J].工程建设与设计，2022（16）：56-58.

CUI G B. Discussion on Urban Landscape Design under the Concept of Sustainable Development[J]. Construction & Design for Engineering, 2022 (16): 56-58.

[5] 陈凯，朱钰.机器学习及其相关算法综述[J].统计与信息论坛，2007（5）：105-112.

CHEN K, ZHU Y. A Summary of Machine Learning and Related Algorithms[J]. Journal of Statistics and Information, 2007 (5): 105-112.

[6] 何清，李宁，罗文娟，等.大数据下的机器学习算法综述[J].模式识别与人工智能，2014，27（4）：327-336.

HE Q, LI N, LUO W J, et al. A Survey of Machine Learning Algorithms for Big Data[J]. Pattern Recognition and Artificial Intelligence, 2014, 27 (4): 327-336.

[7] DE SOUZA J T, DE FRANCISCO A C, PIEKARSKI C M, et al. Data Mining and Machine Learning in the Context of Sustainable Evaluation: A Literature Review[J]. IEEE Latin America Transactions, 2019, 17 (3): 372-382.

[8] DE LA TORRE R, CORLU C G, FAULIN J, et al. Simulation, Optimization, and Machine Learning in Sustainable Transportation Systems: Models and Applications[J]. Sustainability, 2021, 13 (3): 1551.

[9] CIOFFI R, TRAVAGLIONI M, PISCITELLI G, et al. Artificial Intelligence and Machine Learning Applications in Smart Production: Progress, Trends, and Directions[J]. Sustainability, 2020, 12 (2): 492.

[10] AHMAD T, MADONSKI R, ZHANG D, et al. Data-Driven Probabilistic Machine Learning in Sustainable Smart Energy/Smart Energy Systems: Key Developments, Challenges, and Future Research Opportunities in the Context of Smart Grid Paradigm[J]. Renewable and Sustainable Energy Reviews, 2022, 160: 112128.

[11] WANG J, BILJECKI F. Unsupervised Machine Learning in Urban Studies: A Systematic Review of Applications[J]. Cities, 2022, 129: 103925.

[12] SHAFIQ M, TIAN Z, BASHIR A K, et al. Data Mining and Machine Learning Methods for Sustainable Smart Cities Traffic Classification: A Survey[J]. Sustainable Cities and Society, 2020, 60: 102177.

[13] RANGEL-MARTINEZ D, NIGAM K, RICARDEZ-SANDOVAL L A. Machine Learning on Sustainable Energy: A Review and Outlook on Renewable Energy Systems, Catalysis, Smart Grid and Energy Storage[J]. Chemical Engineering Research and Design, 2021, 174: 414-441.

[14] EL NAQA I, MURPHY M J. What is Machine Learning? [M/OL].(2015-06-19)[2023-03-01]. https://link.springer.com/book/10.1007/978-3-319-18305-3.

[15] 孔祥维，唐鑫泽，王子明.人工智能决策可解释性的研究综述[J].系统工程理论与实践，2021，41（2）：524-536.

KONG X W, TANG X Z, YANG Z M. A Survey of Explainable Artificial Intelligence Decision[J]. Systems Engineering-Theory & Practice, 2021, 41 (2): 524-536.

[16] 纪守领，李进锋，杜天宇，等.机器学习模型可解释性方法、应用与安全研究综述[J].计算机研究与发展，2019，56（10）：2071-2096.

JI S L, LI J F, DU T Y, et al. Survey on Techniques, Applications and Security of Machine Learning Interpretability[J]. Journal of Computer Research and Development, 2019, 56 (10): 2071-2096.

[17] 陈珂锐，孟小峰.机器学习的可解释性[J].计算机研究与发展，2020，57（9）：1971-1986.

CHEN K Y, MENG X F. Interpretation and Understanding in Machine Learning[J]. Journal of Computer Research and Development, 2020, 57 (9): 1971-1986.

[18] MOLNAR C. Interpretable Machine Learning[M/OL]. (2020-02-28)[2023-03-01]. https://dlib.hust.edu.vn/bitstream/HUST/18122/3/OER000000269.pdf.

[19] 张旭.基于机器学习的精细化可解释公共盗窃犯罪分布研究[D].广州：广州大学，2022.

ZHANG X. Research on the Distribution of Fine Explainable Public Theft Crimes Based on Machine Learning[D]. Guangzhou: Guangzhou University, 2022.

[20] 杨丰春，郑思，李姣.可解释机器学习方法在疾病预测中的应用：脓毒血症患者死亡风险研究[J].首都医科大学学报，2022，43（4）：610-617.

YANG F C, ZHENG S, LI J. Interpretable Machine Learning Methods Applied in Disease Risk Prediction: A Case Study of Sepsis Mortality Risk Prediction[J]. Journal of Capital Medical University, 2022, 43 (4): 610-617.

[21] 王兰，张苏榕，杨秀.建成环境满意度对乡村新型社区居民自评健康的影响分析：以成都市远郊4个社区为例[J].风景园林，2020，27（9）：57-62.

WANG L, ZHANG S R, YANG X. Impacts of Built Environment Satisfaction on Self-rated Health Outcomes in New Types of Village Communities: A Case Study of Four Communities in Chengdu Outskirts[J]. Landscape Architecture, 2020, 27 (9): 57-62.

[22] CUESTA H A, COFFMAN D L, BRANAS C, et al. Using Decision Trees to Understand the Influence of Individual- and Neighborhood-Level Factors on Urban Diabetes and Asthma[J]. Health & Place, 2019, 58: 102119.

[23] 张雨晴，许宁，武云云，等.应用随机森林分析非吸烟女性肺癌风险因素[J].环境卫生学杂志，2022，12（2）：80-86.

ZHANG Y Q, XU N, WU Y Y, et al. Using Random Forest Method to Analyze Risk Factors for Lung Cancer among Non-smoking Women[J]. Journal of Environmental Hygiene, 2022, 12 (2): 80-86.

[24] 裴泽华，葛淼，李浩，等.基于随机森林模型的中国中老年人群HDL-C环境影响因素研究[J].地球信息科学学报，2022，24（7）：1286-1300.

PEI Z H, GE M, LI H, et al. Environmental Factors Influencing HDL-C in Middle-aged and Elderly Chinese Population based on Random Forest Model[J]. Journal of Geo-information Science, 2022, 24 (7): 1286-1300.

[25] WATTANAPISIT A, ABDUL RAHMAN H, CAR J, et al. The Clusters of Health-Risk Behaviours and Mental Wellbeing and Their Sociodemographic Correlates: A Study of 15,366 Asean University Students[J]. BMC public health, 2022, 22 (1): 1-12.

[26] SINHA K, DWIVEDI J, SINGH P, et al. Spatio-Temporal Dynamics of Water Quality in River Sources of Drinking Water in Uttarakhand with Reference to Human Health[J]. Environmental Science and Pollution Research, 2022, 29 (43): 64756-64774.

[27] REHMAN A, SABA T, HASEEB K, et al. Sustainability Model for the Internet of Health Things (IoHT) Using Reinforcement Learning with Mobile Edge Secured Services[J]. Sustainability, 2022, 14 (19): 12185.

[28] LIN B, COOK D J. Analyzing Sensor-based Individual and Population Behavior Patterns Via Inverse Reinforcement Learning[J]. Sensors, 2020, 20 (18): 5207.

[29] 姚婷婷，马晓茜，王梓桓.基于多元线性回归模型和碳平衡的CO2排放量简便算法[J].环境污染与防治，2017，39（11）：1264-1267.

YAO T T, MA X Q, WANG Z H. A Simple Algorithm for CO2 Emission based on Multiple Linear Regression Model and Carbon Balance[J]. Environmental Pollution & Control, 2017, 39 (11): 1264-1267.

[30] 霍娟，孙晓伟，张明杰.电力负荷预测算法比较-随机森林与支持向量机[J].电力系统及其自动化学报，2019，31（7）：129-134.

HUO J, SUN X W, ZHANG M J. Comparison between Power Load Forecasting Algorithms based on Random Forest and Support Vector Machine[J]. Proceedings of the CSU-EPSA, 2019, 31 (7): 129-134.

[31] 窦嘉铭，马鸿雁.基于多神经网络组合的建筑能耗预测研究[J].计算机仿真，2022，39（5）：438-443.

DOU J M, MA H Y. Prediction of Building Energy Consumption Based on Ensemble Artificial Neural Networks[J]. Computer Simulation, 2022, 39 (5): 438-443.

[32] 郭芳，王灿，张诗卉.中国城市碳达峰趋势的聚类分析[J].中国环境管理，2021，13（1）：40-48.

GUO F, WANG C, ZHANG S H. Cluster Analysis of Carbon Emissions Peaking Trends in Chinese Cities[J]. Chinese Journal of Environmental Management, 2021, 13 (1): 40-48.

[33] YU X, ERGAN S, DEDEMEN G. A Data-Driven Approach to Extract Operational Signatures of Hvac Systems and Analyze Impact on Electricity Consumption[J]. Applied Energy, 2019, 253: 113497.

[34] ROCCHETTA R, BELLANI L, COMPARE M, et al. A Reinforcement Learning Framework for Optimal Operation and Maintenance of Power Grids[J]. Applied Energy, 2019, 241: 291-301.

[35] 侯慧，陈跃，吴细秀，等.非预测机制下计及碳交易的家庭能量低碳优化实时管理[J].电网技术，2023，47（3）：1-13.

HOU H, CHEN Y, WU X X, et al. Low-carbon Optimal Real-Time Management Strategy for Home Energy Considering Carbon Trading Under Non-prediction Mechanisms[J]. Power System Technology, 2023, 47 (3): 1-13.

[36] 廖了，魏汝焱，卢军，等.山地城市绿地和水体对热环境的影响[J].重庆大学学报，2022，45（S1）：125-129.

LIAO L, WEI R Y, LU J, et al. The Influence of Green Space and Water on Thermal Environment in Mountainous Cities[J]. Journal of Chongqing University, 2022, 45 (S1): 125-129.

[37] 侯赛男，党国锋.机器学习模拟热环境及热岛时空变化特征研究[J].测绘科学，2022，47（9）：200-207.

HOU S N, DANG G F. Simulation of Urban Thermal Environment Based on Machine Learning and Research on the Temporal and Spatial Variation Characteristics of Urban Heat Island[J]. Science of Surveying and Mapping, 2022, 47 (9): 200-207.

[38] 袁帅，张金梦，徐志刚，等.城市热岛效应对建筑形态的响应及其昼夜变化研究[J].地理与地理信息科学，2022，38（5）：40-46.

YUAN S, ZHANG J M, XU Z G, et al. Response of Urban Heat Island Effect to Morphology Characteristics of Buildings and its Diurnal Variation[J]. Geography and Geo-Information Science, 2022, 38 (5): 40-46.

[39] 夏晓圣，陈菁菁，王佳佳，等.基于随机森林模型的中国PM2.5浓度影响因素分析[J].环境科学，2020，41（5）：2057-2065.

XIA X S, CHEN J J, WANG J J, et al. PM2.5 Concentration Influencing Factors in China based on the Random Forest Model[J]. Environmental Science, 2020, 41 (5): 2057-2065.

[40] ARAUJO G, ANDRADE F A. Post-Processing Air Temperature Weather Forecast Using Artificial Neural Networks with Measurements from Meteorological Stations[J]. Applied Sciences, 2022, 12 (14): 7131.

[41] 左芝鲤，郭海湘，成金华.长江经济带空气质量影响因素研究[J].环境经济研究，2018，3（4）：150-167.

ZUO Z L, GUO H X, CHENG J H. The Study on the Influential Factors of Air Quality in the Yangtze River Economic Belt[J]. Journal of Environmental Economics, 2018, 3 (4): 150-167.

[42] VIGNESH R S, SIVAKUMAR A, SHYAM M, et al. Deep Reinforcement Learning Based Weather Monitoring Systemusing Arduino for Smart Environment[J]. International Journal of Recent Technology and Engineering, 2019, 8 (4): 2277-3878.

[43] 黄隆杨，刘胜华，李健.城市生态用地时空动态及其相关驱动力：以武汉市为例[J].长江流域资源与环境，2019，28（5）：1059-1069.

HUANG L Y, LIU S H, LI J. Spatial and Temporal Dynamics of Urban Ecological Land Use and Its Related Driving Forces: A Case Study of Wuhan City[J]. Resources and Environment in the Yantze Basin, 2019, 28 (5): 1059-1069.

[44] 张文强，罗格平，郑宏伟，等.基于随机森林模型的内陆干旱区植被指数变化与驱动力分析：以北天山北坡中段为例[J].植物生态学报，2020，44（11）：1113-1126.

ZHANG W Q, LUO G P, ZHENG H W, et al. Analysis of Vegetation Index Changes and Driving Forces in Inland Arid Areas Based on Random Forest Models: A Case Study of the Middle Part of Northern Slope of the North Tianshan Mountains[J]. Chinese Journal of Plant Ecology, 2020, 44 (11): 1113-1126.

[45] YANG S, FENG Q, LIANG T, et al. Modeling Grassland Above-Ground Biomass Based on Artificial Neural Network and Remote Sensing in the Three-River Headwaters Region[J]. Remote Sensing of Environment, 2018, 204: 448-455.

[46] MOROS-OCHOA M A, CASTRO-NIETO G Y, QUINTERO-ESPAÑOL A, et al. Forecasting Biocapacity and Ecological Footprint at a Worldwide Level to 2030 Using Neural Networks[J]. Sustainability, 2022, 14 (17): 10691.

[47] 盛硕，王云才.基于生态特征与问题聚类识别的平原农业区乡村生态修复策略：以辽宁省黑山县为例[J].中国园林，2022，38（12）：20-25.

SHENG S, WANG Y C. Rural Ecological Restoration Strategies in Plain Agricultural Areas Based on the Identification of Ecological Characteristics and Issues Through Clustering: A Case Study of Heishan County, Liaoning Province[J]. Chinese Landscape Architecture, 2022, 38 (12): 20-25.

[48] SUNEHAG P, LEVER G, LIU S, et al. Reinforcement Learning Agents Acquire Flocking and Symbiotic Behaviour in Simulated Ecosystems; Proceedings of the ALIFE 2019: The 2019 Conference on Artificial Life, F, 2019[C]. Cambridge, MA: MIT Press, 2019: 103-110.

[49] WEN Y, WU R, ZHOU Z, et al. A Data-Driven Method of Traffic Emissions Mapping with Land Use Random Forest Models[J]. Applied Energy, 2022, 305: 117916.

[50] VAIYAPURI T, GUPTA M. Traffic Accident Severity Prediction and Cognitive Analysis Using Deep Learning [J/OL]. Soft Computing, 2021(2021-11-23)[2023-03-01]. https://link.springer.com/article/10.1007/s00500-021-06515-5.

[51] YAN M, SHEN Y. Traffic Accident Severity Prediction Based on Random Forest[J]. Sustainability, 2022, 14 (3): 1729.

[52] WEI T, ZHU T, LIU H. Risk Prediction and Factor Analysis of Rider’s Injury Severity in Passenger Car and E-Bike Accidents Based on Interpretable Machine Learning [J/OL]. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2022(2022-09-07)[2023-03-01]. https://journals.sagepub.com/doi/abs/10.1177/09544070221121864.

[53] DAS S, DUTTA A, DEY K, et al. Vehicle Involvements in Hydroplaning Crashes: Applying Interpretable Machine Learning[J]. Transportation Research Interdisciplinary Perspectives, 2020, 6: 100176.

[54] 饶丹，时宏伟.基于深度聚类的航空交通流识别与异常检测研究[J].计算机科学，2023，50：1-11.

RAO D, SHI H W. Study on Air Traffic Flow Recognition and Anomaly Detection Based on Deep Clustering[J]. Computer Science, 2023, 50: 1-11.

[55] 李闻，常秋实.基于卷积神经网络的交通工具分类系统[J].信息与电脑（理论版），2022，34（20）：171-174.

LI W, CHANG Q S. Vehicle Classification System based on Convolutional Neural Network[J]. Information & Computer, 2022, 34 (20): 171-174.

[56] LI H, LAM J S L, YANG Z, et al. Unsupervised Hierarchical Methodology of Maritime Traffic Pattern Extraction for Knowledge Discovery[J]. Transportation Research Part C: Emerging Technologies, 2022, 143: 103856.

[57] SHANG Q, YU Y, XIE T. A Hybrid Method for Traffic State Classification Using K-Medoids Clustering and Self-Tuning Spectral Clustering[J]. Sustainability, 2022, 14 (17): 11068.

[58] 曹欢.交通场景下基于深度强化学习的感知型路径分配算法[J].信息技术与网络安全，2022，41（6）：43-49.

CAO H. Perceptual Path Allocation Algorithm based on Deep Reinforcement Learning in Traffic Scene[J]. Cyber Security And Data Governance, 2022, 41 (6): 43-49.

[59] YAN L, ZHU L, SONG K, et al. Graph Cooperation Deep Reinforcement Learning for Ecological Urban Traffic Signal Control[J]. Applied Intelligence, 2023, 53 (6): 6248-6265.

[60] 王金永，黄志球，杨德艳，等.面向无人驾驶时空同步约束制导的安全强化学习[J].计算机研究与发展，2021，58（12）：2585-2603.

WANG J Y, HUANG Z Q, YANG D Y, et al. Spatio-Clock Synchronous Constraint Guided Safe Reinforcement Learning for Autonomous Driving[J]. Journal of Computer Research and Development, 2021, 58 (12): 2585-2603.

版面预览

相关阅读：

《风景园林》2023-07刊首语 | 胡一可：景观智能化规划与设计

《风景园林》2023-07目录 | 景观智能化规划与设计

新刊速览 | 《风景园林》2023-07 景观智能化规划与设计

学术主持人与您聊新刊 | 《风景园林》2023-07 景观智能化规划与设计

《风景园林》2023-07专题导读 | 景观智能化规划与设计

LA专题 | 陈然赵晶 | AI是如何理解设计方案的?

LA专集 | 智能创享，慧聚于景——数字化技术辅助景观设计

完整深度阅读请参看《风景园林》2023年7期

扫描下方二维码或点击阅读原文进入店铺购买

文章编辑 王一兰