洪昕晨 黃圳 王光玉 劉江

城市公園是高密度城市環(huán)境下居民重要的休憩和娛樂場所[1]。多樣的城市公園為居民提供了豐富的景觀感受，而聲景在其中起著重要的作用[2-3]。適宜的聲景能提升一個區(qū)域的幸福指數(shù)和環(huán)境價(jià)值[4]，提高城市居民的睡眠質(zhì)量和娛樂活力，而對適宜聲景的有效感知主要與聲景認(rèn)知的可持續(xù)性和不確定性有關(guān)[5-6]。在城市開放空間中，噪聲與背景聲的聲壓級對比越強(qiáng)烈，對居民健康的危害越大[7]。對城市核心區(qū)域綠地進(jìn)行聲景評估十分必要，因?yàn)檫@些區(qū)域中適宜的聲景空間對公眾具有娛樂和康復(fù)的作用[8]。

城市居民在進(jìn)入城市公園中進(jìn)行休憩娛樂活動時[9-10]，人們能體驗(yàn)到豐富的地球物理聲景和生物聲景，諸多學(xué)者也聚焦于這些聲景元素并開展了多樣的聲景評估研究：扈軍等[11]和Liu等[12]通過繪制聲景地圖進(jìn)行城市綠色空間聲景可視化評估；費(fèi)馨慧等[13]運(yùn)用層次分析法進(jìn)行心理感受的主觀評價(jià)，進(jìn)而明確各聲景元素之間的權(quán)重關(guān)系；Hong等[14]通過心理物理學(xué)定律進(jìn)行聲景的主客觀評價(jià)，進(jìn)而研究聲物理量和心理感受量之間的關(guān)系。但是，由于城市綠色空間的聲景通常是非重復(fù)的聲信號，人們在瞬時感受或環(huán)境暴露結(jié)束前，短時注意力易影響聲景評估結(jié)果，導(dǎo)致研究結(jié)果不能完全反映動態(tài)聲景變化對人心理感受的影響[15]。同時，根據(jù)以往對城市聲景認(rèn)知衰減的研究[5]，在城市公園長時間的聲景暴露情況下，人們會在暴露時間內(nèi)受到多重短時記憶的聲景認(rèn)知衰減以及光景引起的視聽認(rèn)知資源分配影響。因此，如何長時間模擬動態(tài)聲景并考慮聲景認(rèn)知衰減以及聲–光景交互作用對心理感受的影響是亟須解決的問題。

在“人機(jī)共生”的大背景下，新興的技術(shù)為長時間動態(tài)聲景評估帶來了具有潛力的先進(jìn)技術(shù)方法和手段。在二十多年前，有學(xué)者提出了人工智能（artificial intelligence, AI）技術(shù)應(yīng)用于聲景的可能性[16]，并通過誤差反傳（back propagation, BP）、人工神經(jīng)網(wǎng)絡(luò)驗(yàn)證了聲舒適度①模型對城市開放空間中聲景心理物理特征具有適應(yīng)性[17]。然而，對于AI技術(shù)在城市開放空間中長時間模擬動態(tài)聲景的研究尚少，而循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network, RNN）是一種時序循環(huán)、帶記憶和延遲功能的人工神經(jīng)網(wǎng)絡(luò)類型，因此RNN在長時動態(tài)聲景評估研究中具有一定潛力。NARX神經(jīng)網(wǎng)絡(luò)（Nonlinear autoregressive with exogeneous inputs neural network，外源輸入的非線性自回歸神經(jīng)網(wǎng)絡(luò)）與Elman神經(jīng)網(wǎng)絡(luò)是典型的RNN類型，NARX神經(jīng)網(wǎng)絡(luò)是針對時序數(shù)據(jù)預(yù)測問題提出的非線性自回歸循環(huán)網(wǎng)絡(luò)，它是在神經(jīng)網(wǎng)絡(luò)的隱藏層中具有延時輸出單元的前饋神經(jīng)網(wǎng)絡(luò)②，類似于具有延遲反饋功能的BP神經(jīng)網(wǎng)絡(luò)[18]；Elman神經(jīng)網(wǎng)絡(luò)是針對語音處理問題提出的典型局部回歸循環(huán)網(wǎng)絡(luò)，它是在隱藏層中具有局部記憶單元和局部反饋連接的遞歸神經(jīng)網(wǎng)絡(luò)[19-20]。NARX神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)的內(nèi)在功能特性為長時間的城市公園聲景感知預(yù)測提供了研究基礎(chǔ)。

為了對長時間的城市公園聲景感知進(jìn)行預(yù)測，本研究選用了循環(huán)神經(jīng)網(wǎng)絡(luò)中的NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)作為城市公園聲景長時感知（Long-term perceived soundscape in urban parks, LSUP）模型搭建的基礎(chǔ)，進(jìn)而探究AI技術(shù)中循環(huán)神經(jīng)網(wǎng)絡(luò)對LSUP模型構(gòu)建的適用性，以期為城市公園聲景的長時評價(jià)和人工神經(jīng)網(wǎng)絡(luò)在聲景領(lǐng)域的應(yīng)用提供參考。

1 研究方法

1.1 研究區(qū)域概況

本研究選取加拿大溫哥華市的3個城市公園作為研究區(qū)域：斯坦利公園（Stanley Park）、杰瑞科公園（Jericho Park）和伊麗莎白女王公園（Queen Elizabeth Park）；它們都具有較高的綠化率，是溫哥華市重要的綠色空間區(qū)域[5]。本研究首先對3個城市公園進(jìn)行了聲環(huán)境調(diào)查。在斯坦利公園、杰瑞科公園和伊麗莎白女王公園測量得到的聲環(huán)境現(xiàn)狀表明（表1）：等效A聲級（LAeq）的區(qū)間現(xiàn)狀反映了研究區(qū)域具有較大的聲壓級變化；聲源變異量（L10– L90）和低頻聲信息（LCeq– LAeq）的區(qū)間現(xiàn)狀反映了聲景強(qiáng)度和豐富程度較穩(wěn)定，適合進(jìn)行城市公園聲景的實(shí)驗(yàn)研究。

表1 3個城市公園地理位置及聲環(huán)境情況Tab. 1 Geographical locations and acoustic environments of three urban parks

1.2 數(shù)據(jù)采集和評價(jià)過程

1.2.1 主觀評價(jià)內(nèi)容

根據(jù)ISO 12913-1[21]和ISO 12913-2[22]中對聲景數(shù)據(jù)采集、評價(jià)標(biāo)準(zhǔn)和報(bào)告要求的規(guī)定，本研究的主觀評價(jià)實(shí)驗(yàn)采用語義差異法來衡量評價(jià)者對城市公園的聲景評估情況。語義差異法（semantic differential method, SD）是奧斯顧德（C. E. Osgood）提出的心理測定方法，又稱感受記錄法[6]。本研究涉及的語義差異法指標(biāo)為城市公園聲景感知響度（perceived loudness of soundscape, PLS）和聲景感知協(xié)調(diào)度（perceived harmoniousness of soundscape,PHS）。PLS表示受訪者對所在區(qū)域聲景響度大小的評判，在實(shí)驗(yàn)問卷中的評價(jià)等級為：很響的（+2）、較響的（+1）、一般的（0）、較安靜的（–1）和很安靜的（–2）。PHS表示受訪者對所在研究區(qū)域的某一聲景元素相對整體聲景協(xié)調(diào)程度的評價(jià)，評價(jià)等級可分為：很協(xié)調(diào)的（+2）、較協(xié)調(diào)的（+1）、一般的（0）、較失調(diào)的（–1）和很失調(diào)的（–2）。

1.2.2 受試者培訓(xùn)

既往研究表明，對于城市聲景研究，受過評價(jià)培訓(xùn)的受試者超過7人就能得到較充足和準(zhǔn)確的結(jié)果[5-6,23-24]。本研究對13名（男性7人，女性6人）身體健康、聽力正常的受試者進(jìn)行評價(jià)培訓(xùn)，培訓(xùn)目的在于熟悉主要聲景及其類別、研究區(qū)域的綠色空間植被狀況等，并通過預(yù)實(shí)驗(yàn)讓受試者熟悉實(shí)驗(yàn)記錄的過程，最大限度地減小記錄誤差。對每組受試者進(jìn)行5次重復(fù)的培訓(xùn)，每次培訓(xùn)相隔1周，具體培訓(xùn)內(nèi)容包括2部分[6,25]。1）采集城市公園的主要聲景（地球物理聲景、生物聲景和人工聲景）并處理成65 dB的聲音，通過Sennheiser HD 650耳機(jī)播放，讓受試者收聽并進(jìn)行評價(jià)打分。從第2次培訓(xùn)開始，向受試者展示近2次培訓(xùn)的評價(jià)結(jié)果（第2次培訓(xùn)展示初次和第2次的評價(jià)結(jié)果，初次培訓(xùn)無此步驟），進(jìn)而讓他們逐漸調(diào)整以減小主觀評價(jià)誤差。2）向受試者講述研究區(qū)域城市公園植物群落的相關(guān)知識，并進(jìn)行實(shí)地實(shí)景踏勘。

給受試者培訓(xùn)的目的在于減少不穩(wěn)定波動因素帶來的主觀結(jié)果影響，包括受試者的文化背景、興趣傾向等；此外，還在于訓(xùn)練受試者感知聲景元素的能力[6]。在培訓(xùn)開始之前，所有受試者簽署知情同意書，內(nèi)容包括培訓(xùn)內(nèi)容、培訓(xùn)目的和培訓(xùn)方法。

1.2.3 評價(jià)實(shí)驗(yàn)

已有的聲景研究中通常將聲景樣本時長定為1、3、5 min等[24,26-27]。為了探究長時感知模型更廣泛的適用性，本研究選擇5 min作為長時聲景樣本的時間長度，并結(jié)合城市聲景認(rèn)知可持續(xù)性的最佳時間長度[5]（20 s），將5 min的聲景樣本劃分為15個20 s的子樣本。

調(diào)查時間選擇在非節(jié)假日的晴天，讓受過培訓(xùn)的13位受試者對觀測位置（共46個測點(diǎn)）進(jìn)行每組時長5 min的城市公園聲景感知響度和感知協(xié)調(diào)度評價(jià)，測試期間每20 s填寫一次問卷，同時使用I級聲級計(jì)、錄音機(jī)、照度計(jì)、魚眼鏡頭和相機(jī)等采集聲、光景信息。每組實(shí)驗(yàn)均在不同實(shí)驗(yàn)日重復(fù)3次。

1.2.4 模型結(jié)構(gòu)設(shè)計(jì)

NARX神經(jīng)網(wǎng)絡(luò)的隱藏層包含了輸入輸出的延遲計(jì)算，因此可以預(yù)測和反映數(shù)據(jù)集的時序狀態(tài)以及模擬人腦對時序聲景信息的認(rèn)知衰減過程；Elman神經(jīng)網(wǎng)絡(luò)的神經(jīng)元只記憶中間的循環(huán)層，并且每個循環(huán)層都相互獨(dú)立，因此搭建該人工神經(jīng)網(wǎng)絡(luò)顯得更為靈活，并且可以模擬人腦對時序聲景信息的認(rèn)知資源分配過程。人工神經(jīng)元、NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的簡明結(jié)構(gòu)如圖1所示。

圖1 人工神經(jīng)元、NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)簡化結(jié)構(gòu)The simplified frameworks of artificial neurons, NARX neural network and Elman neural network

既往研究表明，城市公園聲景認(rèn)知的衰減率主要受聲物理指標(biāo)等效A聲級、背景聲（L95）、前景聲（L5）及心理聲學(xué)參數(shù)響度（Loudness, LO）和尖銳度（Sharpness, SH）的影響；而光景信息則會作為次要因素影響城市公園聲景認(rèn)知衰減，包括植被空間光景系數(shù)（Lightscape Coefficient of Plants Space, LCP）、照度均勻度（Uniformity of Illuminance, UI）、天空開闊度（Sky View Factor, SVF）、直射光（Direct Light, TL）和漫射光（Diffuse Light, EL）[5,28]。本研究通過NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型，并將上述聲光景信息與城市公園聲景感知響度和感知協(xié)調(diào)度聯(lián)系起來。所有的聲、光景客觀信息分別作為NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，而實(shí)驗(yàn)問卷統(tǒng)計(jì)得到的PLS和PHS分別作為NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的輸出參數(shù)。

輸入?yún)?shù)的測量和計(jì)算得到：1）由I級聲級計(jì)直接測量采集得到LAeq的數(shù)值（公式1），并統(tǒng)計(jì)該設(shè)備單位時間內(nèi)分別占95%和5%的A聲級，進(jìn)而得到L95和L5的數(shù)值；2）用錄音機(jī)采集的錄音文件，基于國際標(biāo)準(zhǔn)ISO 532B（德國標(biāo)準(zhǔn)DIN 45631和DIN 45692）計(jì)算得到LO和SH的 數(shù)值（公式2、3）；3）用照度計(jì)采集最小照度、平均照度和植被空間下照度等信息，計(jì)算出LCP和UI的數(shù)值（公式4、5）；4）由魚眼鏡頭拍攝的照片信息計(jì)算得到SVF（公式6），并通過照片像素顆粒分析得到TL和EL的數(shù)值。

式中，LA是某時刻t的瞬時A聲級，T是測量時間。

式中，N是總響度值，N'是特征響度，z對應(yīng)臨界頻帶。

式中，Eav,p是植物空間下方的平均照度，Eav,o是開敞空間的平均照度。

式中，Eav是平均照度，Emin是最小照度。

式中，n是魚眼圖被分成的圓環(huán)數(shù)，pi/ti為第i個圓環(huán)內(nèi)所求像素占整個圓環(huán)像素的比例，i為從外圈向內(nèi)圈的排列序號。

為了減少數(shù)據(jù)集之間數(shù)據(jù)區(qū)間的極值差異影響，筆者對所有參數(shù)進(jìn)行了標(biāo)準(zhǔn)化處理。NARX神經(jīng)網(wǎng)絡(luò)由15層隱藏層構(gòu)成，各隱藏層的神經(jīng)元都為tanh函數(shù)；Elman神經(jīng)網(wǎng)絡(luò)由15層隱藏層構(gòu)成，各隱藏層的神經(jīng)元都為Sigmoid函數(shù)。此外，還構(gòu)建了不具有時序循環(huán)、記憶和延遲功能的BP神經(jīng)網(wǎng)絡(luò)作為非長時感知模型（隱藏層的神經(jīng)元都為Sigmoid函數(shù)），進(jìn)而與NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)共同進(jìn)行模擬精度的對比分析。

2 長時感知模型指標(biāo)分析與模擬

2.1 主客觀指標(biāo)相關(guān)性分析

為了探究LSUP模型中各指標(biāo)間的關(guān)系，通過皮爾遜相關(guān)性矩陣（Pearson Correlation Matrix）對主客觀指標(biāo)進(jìn)行分析，得到的結(jié)果如圖2所示。

圖2 主客觀指標(biāo)的皮爾遜相關(guān)性矩陣The Pearson Correlation Matrix of subjective and objective parameters

在聲景客觀信息中，等效A聲級、背景聲、前景聲及心理聲學(xué)客觀參數(shù)響度和尖銳度相互間具有較強(qiáng)的相關(guān)性，體現(xiàn)了城市公園聲景物理信息的一致性和穩(wěn)定性[14]。在客觀光景信息中，植被空間光景系數(shù)、照度均勻度、天空開闊度、直射光和漫射光相互間具有一定的相關(guān)性，受到空間的光影狀況和開敞程度影響，可反映所在位置的光環(huán)境特點(diǎn)[5,28]。在聲景與光景信息之間的相關(guān)性中，背景聲分別與植被空間光景系數(shù)和照度均勻度具有相關(guān)性，心理聲學(xué)參數(shù)尖銳度與照度均勻度具有相關(guān)性，反映了照度均勻度會受到上層植被覆蓋度或開敞程度的影響，并潛在指示了觀測點(diǎn)的空間狀況，進(jìn)而反映了所在位置的環(huán)境混響狀況。不同于視覺因素中色彩信息的多極指標(biāo)特征，光景信息作為視覺因素中的單極指標(biāo)，可以更好地聯(lián)系聲景信息中聲物理的單極指標(biāo)[29]。因此，本研究的聲、光景客觀信息能夠較好地反映城市公園的聲景物理狀態(tài)和空間狀況，這與既往研究結(jié)果相似[5]，說明聲、光景客觀信息適合作為城市公園長時感知模型的輸入?yún)?shù)。

對于聲景客觀信息和主觀指標(biāo)之間的相關(guān)性分析可知。1）聲景感知響度方面，研究發(fā)現(xiàn)PLS與等效A聲級、背景聲、前景聲及客觀參數(shù)響度之間具有較強(qiáng)的相關(guān)性，說明聲壓級強(qiáng)度對聲景主觀感受的變化具有激發(fā)作用，反映了城市公園中聲能量傳播對訪客心理變化發(fā)揮著一定的作用；PLS還與光景客觀指標(biāo)中的照度均勻度和直射光具有一定的相關(guān)性，反映了視覺刺激對景觀認(rèn)知資源分配的影響，進(jìn)而影響了聲景感知響度的敏感性[30]。2）聲景感知協(xié)調(diào)度方面，研究發(fā)現(xiàn)PHS與等效A聲級、背景聲以及心理聲景參數(shù)尖銳度之間具有較強(qiáng)的相關(guān)性，背景聲和心理聲學(xué)參數(shù)尖銳度反映了聲景的事件性，影響了人對原有聲景感受的協(xié)調(diào)程度[14]；PHS還與植被空間光景系數(shù)、天空開闊度、直射光和漫射光具有一定的相關(guān)性，反映了空間狀況和光景交互共同影響了聲景感知協(xié)調(diào)度的變化[5]。

根據(jù)上述分析，研究發(fā)現(xiàn)LSUP模型中各指標(biāo)間都能相互發(fā)揮作用，有助于提升人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建時各神經(jīng)元對輸入輸出參數(shù)的魯棒性[31]，說明本研究中的聲、光景指標(biāo)適用于LSUP模型的搭建與模擬。

2.2 模型仿真與模擬

2.2.1 模型訓(xùn)練結(jié)果

為驗(yàn)證長時感知模型的適用性，研究使用了414個樣本（每樣本內(nèi)含15個子樣本，共計(jì)6 210個子樣本），并將之隨機(jī)分為3組：訓(xùn)練集（290個樣本，占70.0%）、測試集（62個樣本，占15.0%）和驗(yàn)證集（62個樣本，占15.0%），作為對比分析的非長時感知模型采用同樣的分組比例。本研究總共進(jìn)行了3次交叉驗(yàn)證。

訓(xùn)練結(jié)果表明，NARX神經(jīng)網(wǎng)絡(luò)輸出得到的城市公園PLS和PHS的精度分別為78.6%和61.3%；Elman神經(jīng)網(wǎng)絡(luò)得到的PLS和PHS的精度分別為81.9%和55.1%；而作為對照模型的BP神經(jīng)網(wǎng)絡(luò)，輸出得到的城市公園PLS和PHS的精度僅分別為69.3%和47.4%。因此，NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的模擬精度都優(yōu)于作為對照模型的BP神經(jīng)網(wǎng)絡(luò)，說明機(jī)器學(xué)習(xí)中的循環(huán)神經(jīng)網(wǎng)絡(luò)適用于構(gòu)建LSUP模型且具有較好的魯棒性，這與以往該類模型在語音識別領(lǐng)域應(yīng)用的研究結(jié)果相類似[32]。

不同類型RNN對數(shù)據(jù)模擬的精度存在差異，NARX神經(jīng)網(wǎng)絡(luò)對城市公園PHS具有較優(yōu)的長時模擬效果，說明PHS可作為需要較復(fù)雜認(rèn)知和綜合感受的心理指標(biāo)[14]，適用于模擬人腦對時序聲景信息的認(rèn)知衰減過程。而Elman神經(jīng)網(wǎng)絡(luò)對城市公園PLS有較好的長時模擬效果，說明PLS作為較簡單認(rèn)知和直接感受的心理指標(biāo)[30]，適用于模擬人腦對時序聲景信息的認(rèn)知資源分配過程。從PLS和PHS兩者的精度均值來看，NARX神經(jīng)網(wǎng)絡(luò)模型得到的精度均值為70.0%，略高于Elman神經(jīng)網(wǎng)絡(luò)模型（68.5%），說明具有延遲輸入的NARX神經(jīng)網(wǎng)絡(luò)模型在構(gòu)建LSUP模型時的效果較優(yōu)，進(jìn)一步驗(yàn)證了城市公園聲景認(rèn)知的可持續(xù)性中記憶衰減的作用。

2.2.2 各參數(shù)對模型的貢獻(xiàn)度

從貢獻(xiàn)度而言，NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的輸入層各參數(shù)在模型中的貢獻(xiàn)度如圖3所示。NARX神經(jīng)網(wǎng)絡(luò)中貢獻(xiàn)度相對較高的指標(biāo)主要有：等效A聲級占26.0%、背景聲占15.2%、前景聲占18.3%、心理聲學(xué)參數(shù)響度占12.6%、漫射光占9.9%；Elman神經(jīng)網(wǎng)絡(luò)中貢獻(xiàn)度較高的指標(biāo)主要有：等效A聲級占18.2%、前景聲占13.4%、心理聲學(xué)參數(shù)響度占11.2%、尖銳度占13.0%、天空開闊度占14.2%、漫射光占16.0%。顯然，等效A聲級、前景聲、心理聲學(xué)參數(shù)響度和漫射光在2個RNN模型中均體現(xiàn)出了較高的貢獻(xiàn)度，進(jìn)一步表明了信號聲對聲景感受的重要作用，以及光景信息對空間狀況的潛在反映[5,26]。因此，在聲景營造過程中可以將這些指標(biāo)作為主要的參考依據(jù)。

圖3 NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的輸入層各參數(shù)的貢獻(xiàn)率Contribution degree of each parameter of input layer of NARX neural network and Elman neural network

將皮爾遜相關(guān)性矩陣（圖2）與模型貢獻(xiàn)率（圖3）合并來看，同時在NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)中模型貢獻(xiàn)率較高的等效A聲級、前景聲、心理聲學(xué)參數(shù)響度和漫射光這4個指標(biāo)在相關(guān)性結(jié)果中也優(yōu)于其他大部分聲光景客觀指標(biāo)，說明了相關(guān)性分析對于模型搭建的重要性和指示作用[33]。從模型貢獻(xiàn)率的差異性來看，NARX神經(jīng)網(wǎng)絡(luò)模型中各參數(shù)貢獻(xiàn)率波動較大，反映出聲景為主要指標(biāo)、光景為次要指標(biāo)的內(nèi)核模型；Elman神經(jīng)網(wǎng)絡(luò)中各參數(shù)貢獻(xiàn)率波動較小，反映出聲景與光景指標(biāo)較為均衡的內(nèi)核模型。因此，NARX神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)可從不同的角度構(gòu)建LSUP模型，在今后的研究中可嘗試用更豐富的指標(biāo)作為這2類人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)接口，進(jìn)一步優(yōu)化和提升模型的模擬精度。

在城市公園聲景的應(yīng)用層面，上述人工神經(jīng)網(wǎng)絡(luò)可預(yù)測被測位置較長時間的城市公園聲景感受，也可將該系統(tǒng)植入傳感器從而提供設(shè)備化的動態(tài)聲景評估，為城市公園游憩路線規(guī)劃和聲景優(yōu)化設(shè)計(jì)提供了有效方法和參考依據(jù)。對于長時聲景評估得分較低的游憩路線，可進(jìn)一步分析聲景感知響度和協(xié)調(diào)度的具體情況并采取相應(yīng)措施[34-36]：1）在長時間感知響度和協(xié)調(diào)度得分都較低的情況下，聲景發(fā)生概率較低，需提升游憩路線或觀測點(diǎn)的聲景多樣性和發(fā)生頻次，可通過配置漿果類植物吸引鳥類，進(jìn)而產(chǎn)生鳥鳴聲景，或適當(dāng)增加動態(tài)水景來產(chǎn)生水聲景；2）在長時間感知響度得分較高和協(xié)調(diào)度得分較低的情況下，可能存在響度較大和令人不適的噪聲，需對游憩路線或觀測點(diǎn)進(jìn)行降噪處理，可通過高程調(diào)整或配置降噪植物等方式降低噪聲干擾；3）在長時間感知響度得分較低和協(xié)調(diào)度得分較高的情況下，聲源距離較遠(yuǎn)或強(qiáng)度較低，可在游憩路線或觀測點(diǎn)營造安靜空間，供游客休憩和放松身心，也可增加自然聲景提升人們的聽覺感受。

3 結(jié)論

本研究基于機(jī)器學(xué)習(xí)中循環(huán)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，將多重的短時聲景認(rèn)知感受聯(lián)系起來，探究了不同RNN模型對構(gòu)建LSUP模型的適用性。1）循環(huán)神經(jīng)網(wǎng)絡(luò)適用于構(gòu)建LSUP模型，能將多重的短時聲景認(rèn)知感受聯(lián)系起來，并且聲、光景主客觀參數(shù)間具有相關(guān)性；2）Elman神經(jīng)網(wǎng)絡(luò)對城市公園聲景感知響度的長時模擬效果較好（模擬精度達(dá)81.9%），而NARX神經(jīng)網(wǎng)絡(luò)則對城市公園聲景感知協(xié)調(diào)度的模擬效果較好（模擬精度達(dá)61.3%）；3）等效A聲級、前景聲、心理聲學(xué)參數(shù)響度和漫射光這4項(xiàng)指標(biāo)在Elman和NARX模型的累計(jì)貢獻(xiàn)度上均超過58%，對城市公園聲景長時感知模型的搭建發(fā)揮了重要的作用。

因此，具有時序記憶功能的人工神經(jīng)網(wǎng)絡(luò)較適用于對城市公園聲景的研究。在城市綠色空間的長期監(jiān)測中，可考慮此類人工神經(jīng)網(wǎng)絡(luò)對訪客進(jìn)行長時間的聲景感受模擬，進(jìn)而制定更適宜的城市綠色空間管理和優(yōu)化設(shè)計(jì)對策。

注釋(Notes)：

① 聲舒適度：表征人在聲環(huán)境中的舒適感受。

② 前饋神經(jīng)網(wǎng)絡(luò)：采用一種單向多層結(jié)構(gòu)。其中每一層包含若干個神經(jīng)元。在此種神經(jīng)網(wǎng)絡(luò)中，各神經(jīng)元可以接收前一層神經(jīng)元的信號，并產(chǎn)生數(shù)據(jù)集合輸出到下一層。

圖表來源(Sources of Figures and Table)：

文中圖表均由作者繪制。