美国高校景观绩效系列课程教学特点与启发

景观绩效的研究和实践是当前风景园林专业关注的热点。美国风景园林基金会倡导的景观绩效系列（LPS）研究,促使美国高校风景园林课程将景观绩效评估课程纳入课程体系之中。通过分析和借鉴美国高校的景观绩效课程建设概况,为国内景观绩效评估课程的建设提供参考。基于美国高校目前所开设的19门景观绩效系列课程,分析课程的设立目标、开设概况和关注的景观绩效类型,并从课程的理论研究、案例分析、工具使用和项目实践4个方面,探讨其与景观绩效评估的结合情况。景观绩效系列课程教学特点体现在通过绩效价值评估项目成效,基于实践研究进行循证设计,以及绩效评估与参数化设计结合3个方面。课程尚存在的问题则反映在部分评估数据获取存在难度、评估指标和工具的应用限制,以及评估过程与项目设计结合不足。     

全景绿视率自动识别和计算研究

绿视率是用于绿色空间感知的直观评价标准，传统研究的绿视率多基于平面影像进行计算，不能完全反映三维空间中人对绿量的主观感受。基于全景影像，提出全景绿视率的概念，通过全景相机获取球面全景照片，将等距圆柱投影转换为等积圆柱投影，利用基于语义分割的卷积神经网络模型，自动识别植被区域面积以实现全景绿视率自动化识别和计量。通过比较5项卷积神经网络模型对绿视率的识别效果，显示出Dilated ResNet-105神经网络模型具有最高的识别准确度。以武汉市武昌区紫阳公园为例，对各级园路和广场的全景绿视率进行计算和分析。将卷积神经网络的识别结果同人工判别结果进行对比研究，结果显示：使用Dilated ResNet-105卷积神经网络对绿植范围识别的平均交并比（mIoU）为62.53%，与人工识别的平均差异为9.17%。全景绿视率自动识别和计算可以为相关研究提供新的思路，实现客观准确、快速便捷的绿视率测量评估。