结论与讨论
4.1结论
本研究以武汉市7个湖泊公园为研究对象，对大数据网络照片进行图像挖掘与内容识别，归纳景观意象的具体维度，通过在线机器学习算法构建AutoML模型，分析景观意象的特征及感知偏好。主要结论如下。
1)本研究将景观意象解构为两大类型、8类景观要素、4层空间尺度和38项意象元素，从不同层面分析人们对景观意象的感知偏好。
2)在感知共性方面，湖泊公园中自然景观的感知高于人文景观，其中水体景观、林木景观、历史文化是湖泊公园的核心感知要素；在空间尺度层面，人们更偏好于大尺度的空间广阔深远的自然景观和小尺度的精细化设计的人文景观；在意象元素层面，游客对湖泊公园中常绿树、湖泊、背景建筑群、草地和倒影的感知最强；体现了人们对自然风景的向往和对地域历史文化的认同。
3)在感知特性方面，不同公园的感知偏好差异较大，其中代表公园特色的特异性景观更容易得到游客的高度感知，表明了景观特质挖掘与差异化景观建设的重要性。
4)总体来看，游客对湖泊公园景观意象的感知偏好表现出自然性与历史性相结合、同质性与异质性相共存的特征。
4.2讨论
景观意象作为游客主体对景观客体的认知与情感寄托的载体[1]，反映了游客对景观的感知偏好，其具体内容分析可为研究地的景观营建与改造提供建议。
1)保持自然景观的本真性，营建开敞的滨水空间。提升滨水空间的亲水性，创造可亲近自然的休憩景观场所。
2)重视历史底蕴，提高地域文化感。保留人文景观的当地原真性，保护公园中的历史资源并加以改造使之成为公园核心景点，设立文史展览区以加强人文科普教育。3)加强公园特色建设，体现公园的异质性。避免千篇一律的景观建设，基于不同公园的景观风貌与感知特性，加强差异化景观的营建与管理。
了解游客心理及其感知偏好对于公园建设和管理至关重要，目前问卷调查是获取游客偏好最普遍的方法，但该方法存在耗时久、样本量受限等问题，而网络开放数据则为研究者提供了一种了解游客景观偏好的新方式[21]，随着计算机视觉算法的应用，景观偏好研究已向大规模定量化分析方向发展。已有研究表明计算机视觉算法是分析大量图片内容的有效方法，且不同算法在识别不同目标上的表现存在差异，如GoogleCloudVision算法在识别景观特征(水、植被、基础设施等)方面表现较好[22]，而Clarifai算法更擅长识别情绪[23]。因此未来可考虑结合多种方法与算法来实现更全面的游客感知偏好研究。
本研究利用GoogleCloudVision提供的在线机器学习算法，构建AutoML模型分析大量网络景观照片，来量化和推断景观感知偏好。本研究的结论也得到了相关研究的证实，例如Pe?aL[24]和TieskensKF[25]等发现山林、草地和水体景观更受人们欢迎，Casado-ArzuagaI[26]等表明具有更多自然景观的地区有更高的美学价值，其他研究还表明具有农业区、山林、水体和过渡植被的区域景观连贯性更高，而高的景观连贯性则有助于提高景观美学质量[6]，这与本研究的结论相一致。
除此之外，本研究的结果还表明历史文化是人们感知偏好的重点，补充支持了LangemeyerJ[27]和郭先华[28]等的研究；JungeX[29]等发现季相变化会影响景观偏好，其中花卉景观最受人们喜爱，这也与本研究的分析结果相一致。高度的一致性不仅解释了计算机视觉算法应用于图像分析的合理性，也证明了网络照片数据表征游客景观偏好的有效性。
大众网络媒体可提供大数据样本用于量化分析景观意象特征，但由于其更常被中青年群体使用，导致数据存在固有抽样偏差的局限性，可能无法代表所有公园游客[22]。因此，未来的研究可通过整合多源数据和多种方法来降低用户偏差的影响，如加入老龄人群调查数据，实现更全面的分析。
另外，由于国内网络媒体中地理信息开源数据不够完善，本研究使用的网络照片数据未带有地理坐标信息，故难以进行景观意象感知偏好的空间分异分析，日后可深入探讨如何实现景观意象的可视化研究。
