唐晶晶 姚崇懷
植物綠色空間是指主要由植物覆蓋、依托地形地貌且具有一定人為設計的、提供游憩、觀賞、集散等開放功能的空間場所[1],量化植物綠色空間質量可更好地指導植物綠色空間的配置及規劃設計。
人對景觀的評價來源于對客觀外界的感受,而視覺是人體感官中的主導要素,也是當今數字傳媒時代影響下的信息交流主要媒介,相關研究顯示:人類活動中高達70%由視覺引導心理感受、思考行為[2-3]。在人對周圍景觀的感知過程中,視覺感知也占據絕對的優勢地位,在此基礎上建立的美景度評價法(Scenic Beauty Estimation,SBE)是景觀視覺評價中運用廣泛且嚴謹精確的方法[4]。美景度評價屬于心理物理學派評價方法的分支,最先用于森林景觀評價[5],逐漸推廣到公園景觀[6]、居住區綠地[7]、校園景觀[8]等,不同學者運用該方法建立了不同類型綠地的美景度評價模型。以往美景度評價研究中,一般依據主觀感受對不同景觀類型進行分級評分,其優勢是與人的直觀感受具有較好的一致性,但從設計優化的角度看,人們的視覺感知與景觀空間特性、設計要素特性對應性不足,要素間也未能進行關聯性、制約性檢驗,使得評價結果在具體實踐中引導性不強。本文基于上述問題的思考與探究,嘗試用植景中可操作的要素作為美景度評價因子,并結合因子分析,提取出相互獨立的因子來建立數量化模型,以期使美景度評價這一方法能更好地運用于具體植物綠色空間設計的過程中。
1.1.1 樣地選擇與拍攝
正常人眼的水平視線能夠看清細節的距離為25m,在相應范圍空間的景物更能引起視覺注意[9],人雙眼的水平可視范圍約220°,因此本研究的樣方單元格邊長為2×25m,即樣方為50m×50m。樣地選擇武漢市校園、公園中主要以植物營造的綠色空間。
圖1 樣地拍攝方法示意
圖2 16號樣地北側
圖3 16號樣地東側
圖4 16號樣地南側
圖5 16號樣地西側
為減少拍攝帶來的差異影響,拍攝時統一相關參數及限定條件。
1)選擇晴朗的天氣,拍攝時間9:00—11:00及15:00—17:00。
2)固定相機拍攝高度為人眼高度1.6m,保持相同景深橫向拍攝。
3)每個樣方采用東南西北4個方位向中心各拍攝一張(圖1),其中一組樣方照片如圖2~5。
按照上述方法拍攝了72組樣方,剔除畫質模糊、車輛人群干擾照片,獲得69組有效樣方照片并將其編號。
1.1.2 評分人員
此次評分人員共223人,年齡層集中在18~30歲群體,景觀相關專業人員有77人,非專業背景146人。前人的美景度評價研究表明,不同群體盡管年齡層、受教育程度、專業背景差異較大,但審美態度具有較強的一致性[10-11]。
1.1.3 評分方式
樣方評分等級為0~10分,將拍攝的各樣方照片整理為幻燈片,采用室內幻燈片與網絡問卷評分,收集匯總后剔除明顯隨意評分的數據。
1.2.1 影響要素選取分析
本研究選取綠容積率、空間開敞度、植物冠幅、植物豐富度、色彩豐富度、郁閉度6個客觀因子來量化植物綠色空間。
綠容積率(Green Volume Ratio,GVR)國內未統一定義,本文是指單位土地面積上的葉面積總量(Leaf Area,LA),意同葉面積指數(Leaf Area Index,LAI),語義上類比于建筑容積率,與綠地的結構、強度、功能產業了關聯[12]。其確定機制與計算方法是通過實地測算葉面積指數(LAI)、提取遙感影像的植被指數(Vegetation Index,VI),反演出葉面積指數(LAI)與各植被指數(VI)的回歸方程,并通過回歸檢驗、對比分析,建立了葉面積指數(LAI)與歸一化植被指數(NDVI)的最優回歸反演方程[13]。本文通過該程序建立了基于2018年4月SOPT6武漢市遙感影像的LAI反演方程:
Y=e(1.831-0.833/x)
Y=ln(10×LAI);
x=ln(10×NDVI)。
樣方的綠容積率計算公式為:
GVR=LA樣方/S樣方=∑(LAI像元×S像元)/S樣方
S像元——遙感影像的像元面積;
S樣方——樣方面積。
空間開敞度(spatial openness)反映了植物綠色空間的開闔關系,表現為植物的配置設計形式。其量化采用以通視率與平均遮擋距離為核心的評價模型[14],其優勢在于優化D/H的不足,能較好反映二維、三維視覺影響。
1)通視率:在某一觀察點上,模擬人眼視野為與地面垂直的虛擬面,分為豎向遮擋部分與通視部分。某一觀察點的單一方向通視率計算公式為:
O——觀察點;
Pi——視野面中任一點;
f(O,Pi)=,當O與Pi通視為1,不通視為0。
2)平均遮擋距離:Perry Yang等學者提出的“視域球體”以人眼為球心的虛擬半球體模擬觀察點周邊的空間范圍[15]。在假定二維視覺影響不變時,障礙物與觀察點間的距離同樣影響“視域球體”的可視體積,因此遮擋距離可反映三維視覺影響。計算公式:
x0、y0、z0——觀察點的三維坐標;
xi、yi、zi——遮擋點i的三維坐標;
k——遮擋點的總數。
一個樣方需要多角度才能完整地反映出整體空間開敞程度,環視通視率、環視遮擋距離可簡化為4個連續方向平均通視率和平均遮擋距離,其表達式為:
植物冠幅在實地調研中采用手持激光測距儀測量。一定的種植面積內,使用間接因子喬木冠幅與灌草冠幅之比量化不同植物配比的冠幅情況。
植物豐富度即樣方中植物的種類數目,反映了植景設計中植物種類的多樣性;色彩豐富度反映植物的觀賞特性,計測即統計樣方中顏色對比差異明顯的色彩數目。
郁閉度(crowndensity)的計算即為樣方中喬木樹冠垂直總投影面積與樣方面積之比,反映了植物頂層的遮陰效果。
1.2.2 影響要素的指標構建
6個影響要素的計算方法與取值范圍見表1,通過實地調研及內業處理整理出其原始指標數據。
將每個樣方4張照片的平均得分作為該樣方的最終評價分值,將樣方的最終評分數據導入SPSS 19,顯示其符合正態分布。計算出每個樣方的平均z值,隨機選擇一個樣方為“基準線”,用來調整SBE度量的起始點,將各樣方的平均z值與“基準線”的z值相減再乘以100,得到各樣方的原始SBE值[7]。計算公式如下:
Mzi——樣方i的平均z值;
CPik——評價者給予樣方i的評值為k或高于k的頻率;
f(CPik)——累計正態函數分布頻率;
m——評值的等級數。
SBE=(Mzi-BMMZ)×100
SBE——樣方i原始SBE值;
BMMZ——基準線(base line)平均z值。
原始SBE值除以基準線樣方平均z值的標準差,可消除不同樣方間因認知不同所造成的度量尺度的差異影響。計算公式如下:
SBE*i=SBE/BSDMZ
SBE*i——樣方i的標準化SBE值;
BSDMZ——所有樣方平均值的標準差。
因子分析(factor analysis)是主成分分析(Principal Components Analysis,PCA)基礎上的擴展,保證數據信息損失最小原則下,通過降維的方法將多個指標簡化為少數幾個互相獨立的指標,克服因素間的多重線性關系,得到相關性強的公用因子、相關性弱的特殊因子,可探尋新變量因子的實際釋義與邏輯關聯[16]。將影響要素的7個指標數據導入SPSS中即可快速進行因子分析(表2~6)。
1)相關系數矩陣。
由表2可知,平均遮擋距離(D)與平均通視率(I)的相關系數為0.814,說明平均遮擋距離(D)與平均通視率(I)相關性較高,而其他因子的相關程度均較低。
2)KMO和Bartlett的檢驗。
KMO值是檢驗因子是否適用因子分析的指標值,由表3可知,KMO值為0.592>0.5表示基本適合,Bartlett球形度檢驗的顯著性概率Sig.=0.000<0.001,說明高度顯著,適合因子分析。
3)因子累計貢獻率。
表1 指標計算及取值范圍
表2 相關系數矩陣
表3 KMO和Bartlett的檢驗
表4 解釋的總方差
公因子根據特征值大于1的個數提取,由表4可知,特征值λ1=2.549,λ2=1.369,前2個因子的累積貢獻率為55.974%,通常需滿足累計貢獻率達到80%以上,則應提取4個公因子才能提供足夠的原始信息。
4)公共因子提取。
由表5可知,第一列中高載荷的因子有平均通視率、平均遮擋距離,載荷值分別為0.909、0.918,這2個因子是開敞度的指標,故將第一個公共因子命名為空間開敞度因子。
第二列中高荷載的因子有綠容積率、植物豐富度,載荷值分別0.876、0.662,這2個因子與綠量有關,將第二個公共因子命名為綠量因子。
第三列高荷載因子只有色彩豐富度0.943,該因子反映的是綠色空間色相,故命名為色相因子。
第四列的高荷載因子為喬木冠幅與灌草冠幅之比、郁閉度,其荷載值分別為0.927、0.701,該2個因子反映了綠色空間中植物冠幅情況,故命名為冠幅因子。
最終,7個指標歸納為4個公共因子,分別為:空間開敞度因子、綠量因子、色相因子、冠幅因子。
5)公共因子得分。
由Thomson回歸法獲得因子得分系數,根據表6得到各公共因子的表達式,其中F、ZX不再是原始變量,而是標準正態變換后的變量。
將標準化后的指標數據代入上述4個因子表達式中,即可獲得每個樣方的公共因子得分。
2.3.1 回歸模型建立
按照每15個樣方隨機選擇1個作為精度檢驗的樣方,則其中54個樣方作為回歸分析,15個樣方數據作為回歸檢驗。將4個公共因子的標準化數據導入SPSS中進行多元逐步回歸分析(表7、8)。
表7顯示當4個因子均進入回歸模型后,其R方(擬合優度)達到0.802>0.8,表明4個因子與SBE值的回歸擬合效果較高。
根據變量系數表8,美景度評價值SBE回歸模型表達式為:SBE=48.373+30.201×F1+38.150×F2+16.611×F3+11.703×F4。
表5 旋轉成分矩陣a
表6 成分得分系數矩陣
表7 模型相關性
表8 變量系數匯總
表9 顯著性F檢驗
2.3.2 回歸方程檢驗
1)顯著性F檢驗。
顯著性檢驗可驗證因變量與自變量間的是否具有顯著的線形關系,對回歸方程進行顯著性檢驗(表9)。
由表9可知,回歸方程Sig.=0.000<0.05,表明回歸效果顯著。
2)回歸精度檢驗。
用隨機選擇的15組樣方數據進行精度檢驗,即衡量預測SBE值與實際SBE值間的差異是否顯著(表10、11)。
由表10可知,預測SBE與實際SBE間的相關系數中,顯著性為0.01<0.05,表明預測SBE值與實際SBE值相關性高。
由表11可知,t檢驗中的Sig.=0.486>0.05,說明實際SBE與預測SBE不存在顯著差異。
綜上,回歸方程通過了F顯著性檢驗與t檢驗,說明回歸方程精度較高,可用于綠色空間視覺質量的評判。
表10 配對樣本相關系數
表11 配對樣本t檢驗
本文通過因子分析避免了要素間的制約、關聯性,更加明確了美景度中影響要素的重要程度。根據美景度評價模型:SBE=48.373+30.201×F1+38.150×F2+16.611×F3+11.703×F4,影響美景度的重要性排序為:綠量因子39.47%、空間開敞度因子31.24%、色相因子17.18%、冠幅因子12.11%。
其中,綠量因子對植物綠色空間美景度影響最大:表現為植物的結構特征、層次搭配是否豐富,以及植物種類的多樣性。其次是空間開敞度:表明綠色空間中植物圍合的尺度感對于人的視覺感官沖擊較明顯,開敞、通透的空間更加吸引人停留、觀賞。色彩豐富度與植物的季相相關:在特定季節中,人們會較偏向于具有色彩感的空間,在植物配置中可多考慮采用具有季相性表現的植物,注重其質感與色彩搭配。冠幅因子反映在植物冠幅大小及其喬灌草的配置上,說明人群較偏好于喬木類林蔭空間。
數量化的模型能幫助設計者在植物空間營造時,更加科學理性地根據不同因素的重要性考慮,創造更加舒適、吸引人群的植物綠色空間。但植物綠色空間設計涉及生態學、美學、心理學等多學科,而且植物空間是動態變化的,如植物生長周期變化導致綠量、空間開敞度、色彩、植物冠幅都會隨之改變,呈現出不同的植物空間感受。因此運用美景度評價模型時,需設計者們不僅需從美學的角度考慮其影響要素,還要熟悉植物的生長習性、成熟狀態,從而預判成型的植物綠色空間是否符合大眾審美。
注:文中圖片均由作者繪制或拍攝。