非正式绿地识别技术面临的问题与挑战

 

现阶段，基于深度学习的非正式绿地识别仍存在一定的问题及挑战。首先，当前并无对非正式绿地定义的统一定性标准，对非正式绿地不同的定义标准将影响深度学习的识别结果。其次，多源数据耦合的深度学习识别非正式绿地方法研究数量较少，识别可实践性及结果精度有待进一步确认。

 

识别数据来源同样面临一系列问题。第一，对于深度学习而言，神经网络的参数通常是数量巨大且无法解释的，可能会出现错误或偏向某些类型的其他绿色空间，进行实地观测或其他信息来源来验证结果同样重要。

 

第二，在影像数据方面，遥感图像作为识别非正式绿地的主要数据源，在使用该数据时可能会出现一些问题。大气干扰会影响遥感数据的质量，使部分非正式绿地边界出现识别错误，特别在空间污染严重和其他大气条件复杂的城市地区可能更加严重。

 

第三，网络媒体数据、PPGIS平台数据等补充数据同时存在潜在的问题。PPGIS平台数据可能存在一定的偏差，数据通常是由志愿者或居民线上提交的，可能对非正式绿地存在错误的认知，导致数据库出现其他类型的绿地，不同居民的不同认知导致收集的数据可能存在错误或不一致的情况。

 

 

 

深度学习在风景园林行业进行图像识别方面可以发挥重要作用。本文对识别非正式绿地的研究总结可能有所疏漏，但体现了深度学习在识别非正式绿地方面的鲁棒性、灵活性、准确性、自主性等优势。当前，对于非正式绿地的识别已经取得了一定的进展，本研究认为仍可以从以下三方面进行进一步探索。

 

第一，结合多领域提高非正式绿地识别精度。积极开展跨学科研究团队或学术机构与政府机构之间的合作伙伴关系，人工智能和城市规划等领域的专家可以就非正式绿地识别提供指导和见解，根据相关专业意见提高非正式绿地训练集、测试集制作的准确性，有助于确保深度学习模型准确识别和分类所有非正式绿地。

 

第二，结合先进技术及设备提高非正式绿地识别速度。深度学习算法需要强大的计算能力来快速处理大型数据集，通过大量图形处理器(GPU)和张量处理器(TPU)等高性能计算设备可有效加速对深度学习模型的训练，从而更快地识别非正式绿地。此外，可以通过配备激光雷达传感器和摄像头的汽车快速收集非正式绿地的土壤湿度、绿度、植物种类等数据，填补部分非正式绿地街景数据的缺失。

 

第三，结合多元数据提高非正式绿地识别多元性。通过结合不同类型的数据，可以确定非正式绿地的具体位置和边缘，以及有潜力转化为非正式绿地的空间。卫星图像等遥感数据可以提供有关植被覆盖、土地利用和其他与绿地相关的物理特征信息，结合社会经济数据，如人口密度、收入、教育水平等人口统计数据，可以帮助规划者确定转化为非正式绿地后能为更多居民服务的城市空间。

 

现阶段非正式绿地识别仍存在一定问题与困难，但基于深度学习的遥感卫星影像、街景数据分割、网络媒体数据、PPGIS平台等多源数据耦合仍是现阶段进行非正式绿地识别的有效途径。