深度学习与全景图像技术在植物景观指标量化中的应用研究.pdf

北方农业学报 2023袁51渊2冤院126-134JOURNAL OF NORTHERN AGRICULTURE王思阳，路毅.深度学习与全景图像技术在植物景观指标量化中的应用研究 J.北方农业学报，2023，51（2）：员26-1猿源.DOI：10.12190/j.issn.2096-1197.2023.02.15收稿日期：202猿-园圆-圆园基金项目：黑龙江省自然科学基金项目（41312602）作者简介：王思阳（1997），女，硕士研究生，研究方向为风景园林规划与设计。通信作者：路毅（1974），女，副教授，博士，主要从事风景园林工程技术和风景园林规划设计的工作。深度学习与全景图像技术在植物景观指标量化中的应用研究王思阳，路毅（东北林业大学，黑龙江 哈尔滨150000）摘要：【目的】研究深度学习与全景图像技术在植物景观指标量化中的应用特征，为评价指标的量化提供理论依据。【方法】基于中国知网（CNKI）和 Web of Science 数据库对植物景观评价进行检索，统计传统植物景观高频评价指标的应用特征，根据是否适于应用深度学习与全景图像技术指标量化进行划分，并分析该技术在其中的应用形式、促进作用及难以操作的原因。【结果】深度学习与全景图像技术在植物景观指标量化中，具有数据收集完整性和数据处理科学性的优化作用；同时该技术简化了繁复的人工操作流程、降低了技术成本、提升了工作效率，在植物景观指标量化中适用性较广。【结论】在适用范围上，深度学习适用性广泛；在适用条件上，大多受制于图像传递信息的局限性，需要传统调研方式进行补足；在未来发展上，深度学习与全景图像技术在植物景观指标量化中依旧存在很多可操作的评价指标有待实践。关键词：深度学习；全景图像技术；植物景观；指标量化中图分类号：TU986.5文献标识码：A文章编号：2096-1197渊2023冤园2原园126原园9Research on the application of deep learning and panoramic imaging technologyin plant landscape index quantificationWANG Siyang袁LU Yi渊Northeast Forestry University袁Harbin150000袁China冤Abstract：揖Objective铱To study the application characteristics of deep learning and panoramic imaging technology in plantlandscape index quantification and provide theoretical basis for the quantification of indexes.揖Methods铱Based on searches ofthe plant landscape evaluation in CNKI and Web of Science database袁the application characteristics of traditional plantlandscape high-frequency evaluation indexes were compiled.Classification was made according to whether it was suitable forapplying deep learning and panoramic imaging technology index quantification.The application form袁promotion role andreasons for operational challenges of the technology were analyzed.揖Results铱Deep learning and panoramic imaging technologyoptimized both the integrity of data collection and scientific of data processing in plant landscape index quantification.At thesame time袁this technology simplified complex manual operation processes袁lowered technical expenses袁and improved workefficiency袁making it widely applicable in plant landscape index quantification.揖Conclusion铱In terms of the scope ofapplication袁deep learning was highly adaptable.In terms of applicable conditions袁most of them were constrained by thelimitations of image transmission information袁which needed complementation by traditional research methods.In futuredevelopment袁there are still many operational evaluation indexes need to be practiced in plant landscape index quantificationby deep learning and panoramic imaging technology.Keywords院Deep learning曰Panoramic imaging technology曰Plant landscape曰Index quantification植物景观设计是集艺术审美、社会服务、生态科学多维度的高度统一的科学，是人与自然沟通的桥梁，也可以为生产生活添光加彩，不断追求更科学合理的配置方案已经成为设计者们永恒的议题。为此，学者们从不同角度出发提出了多样的评价标准，旨在为植物景观评价提供科学的理论依据。在植物景观量化发展的过程中，传统方式的局限性也愈加明显，繁复冗杂的数据收集和处理流程与现今大数据时代下以 Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）这 5V 特性为发展目标的追求格格不入，亟须新技术的加入，将多元数据以科学的手段进行高效精准的表达，从而为更多评价视角的扩展提供技术支持1。深度学习，作为人工智能与数据科学的核心，将计算机科学和统计学融合，在“信息超载”的挑战下能快速挖掘大数据所蕴含的潜在价值，为植物景观的量化注入了新动力；而全景图像则是深度学习与植物景观联合中成效突出的媒介，为真实场景的多维度呈现提供了可能2。然而由于植物景观评价范围较广且新技术存在一定的应用难度，在相关的研究中没有得到很好的应用。基于此，本研究从过往相关领域中深度学习与全景图像技术的应用出发，结合其应用特征，就在植物景观量化中适用的范围、条件特征与未来展望进行多方面阐述与分析，旨在为今后深度学习与全景图像技术和植物景观评价指标量化更为深入的实践应用提供参考。1材料和方法1.1植物景观高频评价指标整理采用内容研究法，在中国知网（CNKI）数据库中以关键词为植物景观评价进行检索，时间为 1995 年10 月2022 年 10 月，在核心期刊内筛选建立植物景观评价体系的文献共 147 篇，分析文献中各个评价指标的关键词、频率及其所属评价层次，并将词义相同或相近的指标进行合并，利用 Excel 软件进行统计，共提取评价指标 83 个，按照普莱斯公式M2=0.749 Nmax计算出核心关键词频次 M=6.53，选取整数提取出词频大于 7 次的评价指标 26 个。为避免分析结果分散、变形，需要合并归纳相同或相近的指标，参考过往文献中各评价指标的研究方向，根据表 1 所示的分类依据进行相似性归类，统计各层次的应用情况；将数据以图表的形式进行各个层次及总体评价体系中各评价指标应用频次的可视化；比较每个同属于 2 或 3 个准则层的评价指标在各个层次中出现的次数，分析其应用特征；在每个评价指标中选取出现频次最高的准则层，并记录频次及评价性质，生成植物景观评价的共性评价指标。表 1评价层次归纳Table 1Evaluation level induction评价层次Evaluation level景观层次 Landscape level生态层次 Ecological level社会层次 Social level出现频次Frequency384173161相似指标Similar metrics艺术构成指标、美感效果、形式美、时空美、意境美、美感效果、美学、季相美、植物多样性环境性、生态价值、结构、功能、质量、植物多样性服务功能、社会适应、实用功能、休闲功能、文化、竞技指标、游憩重要性、心理影响、经济性1.2深度学习与全景图像技术在植物景观量化中的应用由于在中国知网（CNKI）数据库中应用深度学习和全景图像技术处理植物景观评价的文献较少，因此扩大数据库，在中国知网（CNKI）数据库和 Webof Science 数据库中以关键词“深度学习”“全景图像”“植物景观评价”“景观评价”以及“deep learning”“panoramicimage”“plantlandscapeevaluation”“landscape evaluation”为关键词分别检索并人工筛选使用深度学习和全景图像技术处理植物景观评价和其他相关景观评价的研究文献，分析其在植物景观评价指标量化的现状特征；讨论在景观评价中的研究方向、数据来源，记录其在景观数据及其他数据多种评价指标中的应用情况，并阐述深度学习的应2 期127王思阳等：深度学习与全景图像技术在植物景观指标量化中的应用研究由图 2 可知，各评价层次的高频评价指标大多呈现两种趋势：各层次内均有 36 个评价指标应用频次显著，这些评价指标广泛适用于大多数的评价体系，是衡量植物景观质量的核心评价指标；一些评价指标在多个评价层次中均有出现，这表明每个评价指标都可能存在多层的含义与侧重点，在建立评价指标时不宜生搬硬套，应着眼于实际，因时制宜、因事制宜。探究各评价层次的研究热点，社会层次聚焦于经济性、可达性与安全性，重视植物的经济价值及其他功能属性；生态层次聚焦于植物物种适用性和群落结构稳定性，考虑植物能否在当地健康生长并促进生态系统的稳定性；而景观层次则更关注于植物观赏特征的多样性、层次丰富度及与整体环境和谐性等，以植物更合理的配置形式为研究重点。评价指标量化的方法有定性和定量两种（表 2），其中定性评价占总体评价的比重更大，但居于前列的高频评价指标大多由定量评价进行分析。定量评价运用数量分析的方法，以数值的形式对某一数据进行描述和价值判断，具有强烈的客观性5。传统的植物景观评价样本数量少、调研精度低、普查难度大，在数据的获取和数据处理中存在昂贵且耗时的问题5。随着多媒体数据、3S、计算机模拟等技术的渗透，植物景观的定量评价正不断向多维度、大尺度、高效率的评价方向发展和转变6。定性分析则是一种非量化的手段，通过问卷调查的方式对现场记录的照片、文字、视频等进行人为评分，其实质在于对数据“质”的分析，受个人的相关学术水平、分析能力及主观倾向等影响因素的制约7；评价指标多为社会层次，一般通过提供形容词或划分等级的方式供被调查者选择8-9；调查方式与分析方法较单一，调查难度大、影响因素多。由于研究方式不同，定性和定量两种评价方法都能达到一定的评价效果，受因人而异用形式；最后依据这些评价指标和两种技术的功能特征在传统植物景观高频评价指标中区分是否可以利用深度学习进行处理，并探讨各自难以操作的原因。2结果与分析2.1植物景观的评价指标植物景观评价体系大多从生态层次、景观层次和社会层次 3 个准则层进行划分，其中以视觉为评价依据的景观层次应用频次最多（图 1），这是因为视觉能够将人的感觉与知觉进行“可成像”，从而达到感知与表达的良性互动循环，是人们感受植物景观、度量环境体验的主体因素，此外国外对以视觉作为切入点进行评价的重视及相关评价方法的创新性与相对成熟性也有一定的影响3-4。总体频次 Overall frequency图 1高频评价指标Figure 1High-frequency evaluation indicators at all levels物种适应性 Species adaptation休闲游憩 Leisure and recreation视线开敞性 Anti-interference植物景观尺度 Plant landscape scale艺术构图 Artistic composition群落结构稳定性 Community structural stability舒适愉悦感 Comfort and pleasure抗干扰性 Immunity to interference可停留度 Stayability绿地率 Green space rate生态性 Ecological情感性 Emotional植物配置多样性 Plant configuration diversity趣味性 Interesting安全性 Security经济性 Economy植物生长健康状况 Plant growth health可达性 Accessibility郁闭度 Depression closure乡土性 Vernacity植物生活型多样性 Plant life type diversity色彩构成 Color composition植物景观空间类型多样性 Diversity of spatial types of plant landscapes景观意境及文化内涵 Landscape artistic conception and cultural connotation植物季相性 Plant quaternity植物层次丰富度 Plant level richness植物观赏特性多样性 Diversity of ornamental properties of plants植物物种多样性 Plant species diversity与整体环境的和谐性 Harmony with the overall environment128北 方 农 业 学 报51 卷的主观评价进行客观性表达的影响，对传统的定性评价进行定量分析的更新开始不断出现，客观性进一步增强。总体来说，园林植物景观评价角度多变、指标分支繁多、评价方式彼此互补、评价标准尚不唯一。2.2深度学习与全景图像技术对植物景观量化的介入实践由图 3 可知，基于深度学习与全景图像技术对植物景观进行量化分为 4 个步骤：（1）数据收集。全景图像的获取主要有两种方式，即相机拍摄与采用专业的全景设备。普通相机和单反相机拥有操作简单、成本低的优势，但拍摄方法要求严格，后期拼接过程难度大，适合小场景的使用。实地采集时通常采用加装特殊镜头或使用球形相机的方式达到缩短焦距、扩大成像视角的效果，无须经过后期的拼接过程即可获得完整的全景图像，但由于透视角度的问题，变形相对严重，且分辨率较低。专业全景设备可实现全景图像的自动、实时获取与对应的三维空间信息收集，采集速度快、图片质量高，适合虚拟环境下的图像获取，但公开的全景图像获取系统多为街景图像，如谷歌街景、百度街景等，构建个人的全景获取系统操作复杂且造价昂贵10。通过全景图像的方式收集数据能够实现场景多维度的实时再现，为植物景观的量化提供了更多评价依据。（2）图像处理。通过图像分割的方式提取全景图像中的各个景观要素，是图像预处理的环节。现有的有关场景解析的大规模图像数据集，如 ADE20K Dataset、Cityscapes，等可直接应用于一些景观类的图像分割，均呈现出良好的分割效果，但一般应用于街景图像。在不同的场景图片中，为追求更高的适应性则需要训练更为精确的语义分割模型，其步骤分为图像标注、文件预处理、模型训练、模型检验 4 个部分11。通过深度学习神经网络处理图片能削弱人工提取数据时的主观性，减少冗杂的基础工作，是科学性与高效性的高度展现。（3）指标量化。将所提取的各个景观要素通过数学方法计算为需要的评价指标量化，分为定性与定量两种。定量评价指标量化结果可由图像处理结图 2各层次高频评价指标Figure 2High-frequency evaluation indicators at all levels生态层次 Ecological level社会层次 Social level景观层次 Landscape level物种适应性 Species adaptation群落结构稳定性 Community structural stability生态性 Ecological郁闭度 Depression closure植物生长健康状况 Plant growth health植物层次丰富度 Plant level richness与整体环境的和谐性 Harmony with the overall environment乡土性 Vernacity植物生活型多样性 Plant life type diver植物物种多样性 Plant species diversitysity休闲游憩 Leisure and recreation植物观赏特性多样性 Diversity of ornamental properties of plants可停留度 Stayability景观意境及文化内涵 Landscape artistic conception and cultural connotation安全性 Security可达性 Accessibility经济性 Economy植物景观尺度 Plant landscape scale艺术构图 Artistic composition植物生长健康状况 Plant growth health舒适愉悦感 Comfort and pleasure绿地率 Green space rate情感性 Emotional植物配置多样性 Plant configuration diversity郁闭度 Depression closure趣味性 Interesting植物物种多样性 Plant species diversity景观意境及文化内涵 Landscape artistic conception and cultural connotation色彩构成 Color composition植物景观空间类型多样性 Diversity of spatial types of plant landscapes植物季相性 Plant quaternity与整体环境的和谐性 Harmony with the overall environment植物层次丰富度 Plant level richness植物观赏特性多样性 Diversity of ornamental properties of plants2 期129王思阳等：深度学习与全景图像技术在植物景观指标量化中的应用研究表 2共性评价指标Table 2Common evaluation indicators果直接计算，计算公式与传统植物景观量化方式一致，同时由于全景图像透视角度的不同，针对不同的全景图像如等距圆柱全景图像、鱼眼图像等需要进行不同的图像转换与公式换算过程以保证计算结果的准确性。定性评价指标量化则需要通过新的模型训练，将人工评价的流程运用数据标注的方法建立评价模型，以达到大批量、高效率、客观性的评价结果。大量实际案例表明，该量化方法能达到传统量化方式的效果，且更具客观、高效性。（4）综合评价。即将评价指标相互结合进行植物景观的综合评价，本研究的综合评价方法和流程与传统植物景观综合评价相同，但其中大量的计算过程可通过 python 等脚本进行简化，降低使用门槛。全景图像技术能够采集人双眼有效视角外的周边信息甚至更广的图像，打破了普通相机对完整环境要素转述的局限性12。将全景图像技术应用于植物景观评价，植物个体要素的微小细节和植物景观在整体大环境的配置模式均被镜头捕捉，海量的新评价指标Evaluation indicators植物观赏特性多样性 Diversity of ornamental properties of plants植物物种多样性 Plant species diversity植物层次丰富度 Plant level richness与整体环境的和谐性 Harmony with the overall environment植物季相性 Plant quaternity植物景观空间类型多样性 Diversity of spatial types of plant landscapes色彩构成 Color composition景观意境及文化内涵 Landscape artistic conception and cultural connotation植物生活型多样性 Plant life type diversity乡土性 Vernacity经济性 Economy可达性 Accessibility安全性 Security趣味性 Interesting郁闭度 Depression closure植物生长健康状况 Plant growth health植物配置多样性 Plant configuration diversity情感性 Emotional绿地率 Green space rate生态性 Ecological可停留度 Stayability舒适愉悦感 Comfort and pleasure艺术构图 Artistic composition群落结构稳定性 Community structural stability休闲游憩 Leisure and recreation物种适应性 Species adaptation植物景观尺度 Plant landscape scale频率/次Frequency3935353433303020191816141413121111111099987777准则层Guidelines layer景观层次生态层次景观层次景观层次景观层次景观层次景观层次景观层次生态层次生态层次社会层次社会层次社会层次景观层次景观层次生态层次景观层次景观层次景观层次生态层次社会层次景观层次景观层次生态层次社会层次生态层次景观层次性质Quality定性/定量定量定量定性定量定量定性/定量定性定量定性/定量定性/定量定性/定量定性定性定量定性定性/定量定性定量定性定性/定量定性定性定性定性定性定性130北 方 农 业 学 报51 卷型全景数据汇聚于评价模型中，带来了数据调研中场景信息采集的全面化和便捷化，为更多评价指标的量化提供了数据依据。深度学习能够以抽象的结构将读取的多层数据间复杂的映射关系加以分析学习、整合加工，将深度学习技术嵌入植物景观评价链条，不仅能解决数据处理时操作难度大的问题，起到高效准确的效果，更能削弱人因状态和偏好的不同所带来的主观感知偏差，在实际应用中大大提升了评价的科学性13。深度学习与全景技术结合，达到了数据收集更完整和数据处理更科学两方面的优化，同时降低了操作难度并提升了工作效率，在植物景观评价方面是行之有效、值得探索实践的良好方式。目前，深度学习与全景图像的量化技术在纯植物景观评价中应用较少，高频评价指标是针对绿视率和景观开阔度的评价，在各个评价系统中均有出现，指标量化大多停留在定量评价中14-15。由表 3（各案例中采用的评价指标用“姨”标注，应用形式用“O”标注）可知，观察既有的一些在景观评价中的应用案例，与纯植物景观评价一致，更为广泛的深度学习网络的便捷性在景观客观感知评价中得以体现，例如通过对绿视率、天空开敞指数、区域饱和度、色彩丰富度、道路机动化程度等评价指标量化对景观的形态与空间规划进行具有科学性与全面性的评价研究；在此基础上结合基于深度学习的行人数据、街道营业时长分布等评价指标能够衡量居民对景观的接触，进行更深层次的景观规划；结合其他来源的评价指标如空间地理数据进行景观的格局分析以及结合网络大数据中用户的图像、语言与时空信息进行景观的意向认知评价，这些结合能够在主观感知评价中将专家评价的结果运用深度学习推广到大规模景图 3基于深度学习与全景图像的植物景观量化流程图Figure 3Quantitative flowchart of plant landscape based on deep learning and panoramic image2 期131王思阳等：深度学习与全景图像技术在植物景观指标量化中的应用研究观评价当中，达到公众层面与专家层面两方面主观感知评价的多方法、多维度、少主观、少工作量的转变。总体而言，基于深度学习与全景图像技术的植物景观评价是以传统植物景观评价为依据的，是传统植物景观评价在技术上的延伸，而各评价指标的选取也是在传统植物景观评价中选择可操作的部分，并针对特定的评价角度达到客观、高效、精准的效果。132北 方 农 业 学 报51 卷OOOOOOOOOOOOOO表 3既有基于深度学习的景观评价案例Table 3Existing cases of landscape evaluation based on deep learning李鑫16LI Xin曹越皓17CAO Yuehao郑屹18ZHENG Yi徐知宇19XU Zhiyu叶宇20YE YuMIDDEL A21YIN L22LU Y23姜维24JIANG Wei张永霖25ZHANG Yonglin叶宇26YE YuCHENG L27第一作者First author景观Landscape姨姨姨姨姨姨姨色彩Color姨姨建筑Building姨姨姨姨姨姨天空Sky姨姨姨姨姨姨姨道路Road姨姨姨姨绿视率Green view姨姨姨姨姨姨姨姨水面Water姨人群Crowd姨姨姨姨场景文字Scene text姨干扰因素Disturbing factors姨评价指标Evaluation indicators景观数据Landscape data其他Other由表 4、表 5 可知，深度学习与全景图像技术对植物景观于大部分的评价指标量化都是适用的，而不适用的原因主要为全景图像拍摄技术操作的困难性与图像对真实场景展现的局限性所导致的图像信息不足。拍摄难度大主要是因为普通的全景图像在精度上难以展示出植物个体完整的生理细节、在拍摄过程中难以保证相同的时间与外界环境、在拍摄技术上难以达到任意角度的拍摄需求，这便导致了评价植物开花情况、季相特征、郁闭度等评价指标的困难性，但拍摄困难并非无法克服，一定的新兴技术和科学手段可以达到缩减误差的效果；图像信息不足大多欠缺在对具体植物种类、数量等信息和地形环境数据的掌握，需要实地调研进行数据补充，如乡土性、生态型、科普教育、地形环境多样性、防震减灾效果等改善环境的这类评价指标则需要对整体环境和其他因素进行统一评价，局部的图像信息难以达到良好的评价效果。3 讨论与结论在适用程度上，深度学习与全景图像技术在植物景观量化中的应用范围广泛，大部分常用的植物景观评价指标都可以通过深度学习技术进行处理，适应性强，在植物景观评价不断向数字化发展的今天依旧占据重要作用，尤其是在样本数量过大的案例中均展现出突出效果。在适用条件上，就目前研究现状而言，大部分相关技术无法利用的原因均来自图像信息无法完全表达。需要通过传统调研等来补足信息，因此为保证应用形式Application form图像分割Imagesegmentation主观感知Subjectiveperception评价指标量化研究的全面发展，应注重传统方法与新兴技术的融合，避免产生求数量而放弃质量的负面效果。在未来发展上，将强势崛起的深度学习与全景图像技术渗透到更多的评价指标量化进程，在传统量化过程的千军万马中，深度学习技术的介入试验在其中只占寥寥，众多未被尝试的评价指标正翘首企足地等待研究者们以新技术的方式进行实践，进而挖掘深度学习对于植物景观全景评价指标量化在未知方面的契合度，并思考引入更多技术的可能性。表 5难以处理的评价指标Table 5Evaluation indicators that are difficult to address表 4可处理的评价指标Table 4Addressable evaluation indicators评价性质Nature of evaluation定性 Qualitative定量 Quantitative评价指标Evaluation indicators与整体环境的和谐性、安全性、趣味性、植物生长健康状况、植物配置多样性、情感性、舒适愉悦感、艺术构图、休闲游憩、植物景观尺度、植物线条轮廓、水岸景观、统一与变化、公共服务设施、引导性、营造的人性空间、可达性、植物形态、群落结构稳定性植物观赏特性多样性、植物层次丰富度、植物景观空间类型多样性、色彩构成、植物生活型多样性、绿视率、可停留度、视线开敞性、群落植被类型评价性质Nature of evaluation定性定性定量定量定性定性定性定性定性定性定量定量定量定性定性定性定性评价指标Evaluation indicators开花情况 Flowering situation叶片情况 Blade condition植物季相性 Plant quaternity郁闭度 Depression closure物种适应性 Species adaptation科普教育 Popular science education景观意境及文化内涵Landscape artistic conception and cultural connotation生态性 Ecological抗干扰性 Anti-interference标志性 Landmark植物物种多样性 Plant species diversity乡土性 Vernacity经济性Economy地形环境多样性 Diversity of terrain environments隔离性 Isolation功能性 Functionality防震减灾 Earthquake prevention and disaster reduction不可操作原因Inoperable reason图片精度要求大拍摄难度较大拍摄时间须保持定期、统一需要空中图像，地上拍摄的全景图像无法实现所需图像信息无法识别需要与整体场景信息相结合拍摄难度较大图像信息不足2 期133王思阳等：深度学习与全景图像技术在植物景观指标量化中的应用研究需要对具体物种、数量等进行实地调研1 杜林林.大数据战略的实践与应用N.中国工商报，2017-12-21（7）.2 MU R H，ZENG X Q.A review of deep learning researchJ.TIIS，2019，13（4）：1738-1763.3 李姝，朱灿.基于视觉感知的工科高校景观评价研究：以成都工业学院郫都校区为例 J.地域研究与开发，2022，41（3）：49-54.4 秦昕璐，刘晖.感知与表达：从视知觉体验看景观空间营建 J.城市建筑，2019，16（28）：179-182.5 刘桂锋，聂云贝，刘琼.数据质量评价对象、体系、方法与技术研究进展 J.情报科学，2021，39（11）：13-20.6 刘滨谊.风景园林主观感受的客观表出：风景园林视觉感受量化评价的客观信息转译原理 J.中国园林，2015，31（7）：6-9.7 赵均.学术期刊定性评价过程以及评价效果对比分析J.中国出版，2014（2）：16-20.8 赵慧楠.基于 SBE 法和 SD 法的植物群落景观评价研究：以杭州西湖周边公园为例 D.浙江：浙江农林大学，2019.9 杨阳，唐晓岚，谢楠.基于公众感知的牛首山风景区人工林植物景观视觉评价 J.山东农业大学学报（自然科学版），2018，49（2）：199-207.10何鼎乾.全景图像获取和显示技术研究 D.郑州：解放军信息工程大学，2013.11ZHOUBL，ZHAOH，PUIGX，etal.Semanticunderstanding of scenes through the ADE20K dataset J.International Journal of Computer Vision，2019，127（3）：302-321.12邓亚蒙.大视差下的图像拼接技术研究 D.天津：天津大学，2016.13卢宏涛，罗沐昆.基于深度学习的计算机视觉研究新进展 J.数据采集与处理，2022，37（2）：247-278.14林小鹭.基于街景图像的城市道路空间绿视率研究：以南京内环线内为例 D.南京：东南大学，2021.15FANG Y G.Mapping sky，tree，and building view factors ofstreet canyons in a high-density urban environment J.Building and Environment，2018，134：155-167.16李鑫，吴丹子，李倞，等.基于深度学习的城市滨河绿道景观视觉感知评价研究 J.北京林业大学学报，2021，43（12）：93-104.17曹越皓，杨培峰，龙瀛.基于深度学习的城市意象认知方法创新与拓展：以重庆主城区为例 J.中国园林，2019，35（12）：90-95.18郑屹，杨俊宴.基于大规模街景图片人工智能分析的精细化城市修补方法研究J.中国园林，2020，36（8）：73-77.19徐知宇.基于深度学习的城市绿地遥感分类及应用研究：以北京市五环内区域为例 D.北京：中国科学院大学（中国科学院空天信息创新研究院），2021.20叶宇，黄镕，张灵珠.多源数据与深度学习支持下的人本城市设计：以上海苏州河两岸城市绿道规划研究为例J.风景园林，2021，28（1）：39-45.21MIDDELA，LUKASCZYKJ，ZAKRZEWSKIS，etal.Urban form and composition of street canyons：A human-centric big data and deep learning approach J.Landscapeand Urban Planning，2019，183：122-132.22YIN L，CHENG Q M，WANG Z X，et al.“Big data”forpedestrian volume：Exploring the use of Google StreetView images for pedestrian counts J.Applied Geography，2015，63：337-345.23LU Y.The association of urban greenness and walkingbehavior：Using google street view and deep learningtechniquestoestimateresidents忆exposuretourbangreenness J.InternationalJournalofEnvironmentalResearch and Public Health，2018，15（8）：1576-1591.24姜维，张重生，殷绪成.基于深度学习的场景文字检测综述 J.电子学报，2019，47（5）：1152-1161.25张永霖，付晓.基于深度学习街景影像解译