李哲 王立亞 高穎 李潔

在當(dāng)前高質(zhì)量發(fā)展背景下，結(jié)合風(fēng)景園林研究與實(shí)踐特色，深入開展建成環(huán)境景觀情緒量化研究，助力人性化、有溫度的城市更新行動(dòng)，促進(jìn)存量環(huán)境提質(zhì)增效，已成為人民城市和公園城市建設(shè)的重要內(nèi)容。數(shù)字化場景分析已經(jīng)成為當(dāng)代“人-景”耦合分析視野下環(huán)境體驗(yàn)與情感測度研究持續(xù)探索的方向之一[1]，呈現(xiàn)出由環(huán)境行為與心理認(rèn)知（environment behavior and psychology）研究發(fā)端，經(jīng)環(huán)境神經(jīng)學(xué)（Environment Neuroscience）驅(qū)動(dòng)而深入腦科學(xué)（Brain Science）領(lǐng)域的發(fā)展趨勢[2]。

“情緒”是一組由感覺、行為和思想等刺激產(chǎn)生并經(jīng)大腦處理的神經(jīng)反應(yīng)，是當(dāng)代腦科學(xué)研究的重要領(lǐng)域[3]。景觀情緒則是人對(duì)景觀要素綜合感知而產(chǎn)生的直接神經(jīng)表征，通過即時(shí)性的“喚醒”（arousal）、“效價(jià)”（valence）情緒向量表示[4]。當(dāng)代景觀情緒研究在腦科學(xué)、情緒神經(jīng)學(xué)和統(tǒng)計(jì)測量技術(shù)支持下，不斷拓展景觀環(huán)境分析、評(píng)價(jià)與設(shè)計(jì)中實(shí)體景觀要素與感知覺融合分析的研究深度與專業(yè)領(lǐng)域，其非植入式腦電信號(hào)探測技術(shù)（如腦電圖、近紅外成像等）、情緒識(shí)別技術(shù)已較為成熟，能夠在風(fēng)景園林研究中融通使用[5]，并通過獲取可運(yùn)算、可比較的場景腦電數(shù)據(jù)，建構(gòu)與研究問題契合的分析模型及其相關(guān)算法，為客觀評(píng)測建成環(huán)境情緒量化構(gòu)成及其關(guān)聯(lián)景觀要素提供研究途徑與技術(shù)手段。

GRA-TOPSIS是現(xiàn)代工程績效中發(fā)展形成的重要統(tǒng)計(jì)測量技術(shù)。相關(guān)研究表明[6-7]，GRA-TOPSIS能夠在腦電數(shù)據(jù)支持的算法模型中搭載分析，相關(guān)方法為科學(xué)表征復(fù)合景觀要素彼此間的量化關(guān)聯(lián)提供拓展技術(shù)。因此，基于數(shù)字景觀耦合理論和情緒腦電數(shù)據(jù)，集成熵權(quán)法（entropy-weight method, EWM）、灰色關(guān)聯(lián)度（grey relation analysis, GRA）、逼近理想解排序（technique for order preference by similarity to ideal solution, TOPSIS）以及因子障礙度（obstacle factor）關(guān)聯(lián)算法，科學(xué)建構(gòu)場景腦電GRA-TOPSIS模型，開展景觀情緒量化研究與測度分析，已經(jīng)為搭建經(jīng)場景大腦認(rèn)知通向景觀情感的技術(shù)橋梁夯筑基石。

1 基于腦電技術(shù)的景觀情緒分析方法

1.1 相關(guān)研究綜述

景觀情緒是風(fēng)景園林學(xué)科研究視野由實(shí)體空間轉(zhuǎn)向環(huán)境情緒而形成的重要科學(xué)概念。景觀情緒量化研究由風(fēng)景園林認(rèn)知評(píng)價(jià)研究發(fā)展而來，相關(guān)方法與技術(shù)包括情感量表統(tǒng)計(jì)、生理數(shù)據(jù)（如腦電、眼動(dòng)、肌電、心電等）采集與行為測量、面部情緒識(shí)別、大數(shù)據(jù)詞頻與情感語義分析等。相關(guān)研究近年來迅速開展，如陳箏等[8]、朱萌等[9]利用可穿戴生理儀系統(tǒng)采集城市環(huán)境景觀情緒基礎(chǔ)數(shù)據(jù)；朱遜等[10]探索城市藍(lán)色開放空間與積極情緒的關(guān)聯(lián)機(jī)制；Lengen[11]、Walford等[12]聚焦開放空間的安全感和幸福感評(píng)價(jià)等。當(dāng)代景觀情緒研究總體呈現(xiàn)出方法定量化、內(nèi)容類型化與技術(shù)模塊化的發(fā)展趨勢，景觀情緒測量與分析方法逐漸從主觀向客觀、由局部到整體轉(zhuǎn)變，依托腦認(rèn)知測量技術(shù)進(jìn)行的場景情緒、景觀特征等前瞻性研究迅速開展。

得益于認(rèn)知行為與心理、環(huán)境神經(jīng)學(xué)在人居環(huán)境領(lǐng)域中逐漸形成的學(xué)術(shù)認(rèn)同與研究鋪墊，結(jié)合腦電技術(shù)開展的景觀情緒研究在近10年持續(xù)升溫。腦電技術(shù)正在以“景-腦”聯(lián)立的分析方式迅速植入風(fēng)景園林心理與行為、健康園林（園林康復(fù)）和建成環(huán)境績效等廣闊的研究領(lǐng)域，呈現(xiàn)出從傳統(tǒng)統(tǒng)計(jì)分析到專業(yè)設(shè)備集成解析的研究潛力與專業(yè)動(dòng)力。如Kim等[13]結(jié)合主觀評(píng)價(jià)和行為特征腦電實(shí)驗(yàn)進(jìn)行夜景情緒感知研究；Zhang等[14]基于生理監(jiān)測數(shù)據(jù)和統(tǒng)計(jì)模型量化街景元素的情感反應(yīng)；Wang等[15]利用回歸分析探索觀賞植物色彩情緒腦電偏好等。在側(cè)重認(rèn)知型景觀“腦”研究日益豐富的同時(shí)，基于腦電技術(shù)的景觀情緒研究逐步走向運(yùn)用算法模型解析景觀要素耦合規(guī)律和聯(lián)立邏輯，推進(jìn)以腦電數(shù)據(jù)驅(qū)動(dòng)的景觀情緒研究方法拓展與技術(shù)深化。

1.2 研究框架與技術(shù)路線

本研究以場景腦電關(guān)聯(lián)數(shù)據(jù)為研究對(duì)象，根據(jù)環(huán)境神經(jīng)科學(xué)以及“景-腦”視知覺理論[16-18]，開展景觀構(gòu)成機(jī)制與情緒腦電獲取技術(shù)協(xié)同研究，提出基于喚醒、效價(jià)情緒腦電解析和GRA-TOPSIS統(tǒng)計(jì)分析的景觀情緒量化研究框架（圖1）：建立適用于場景分析的觀測要素指標(biāo)體系，擬合相關(guān)算法建構(gòu)腦電GRA-TOPSIS模型；設(shè)計(jì)情緒誘發(fā)實(shí)驗(yàn)方案，依托實(shí)例實(shí)現(xiàn)景觀情緒解析的喚醒、效價(jià)觀測數(shù)據(jù)供給；結(jié)合實(shí)驗(yàn)數(shù)據(jù)優(yōu)化模型，獲取景觀要素對(duì)應(yīng)的情緒指數(shù)矩陣，開展場景情緒效能分析與評(píng)價(jià)。相關(guān)研究可按照以下5個(gè)步驟進(jìn)行。

圖1 研究框架Research framework

1）景觀情緒腦電關(guān)聯(lián)。標(biāo)準(zhǔn)化處理場景樣本腦電觀測要素，根據(jù)要素形式類別各選取3～5張照片形成情緒誘發(fā)實(shí)驗(yàn)材料（圖2）。

圖2 部分觀測要素類型及照片樣本Types and sample photos of partial observation elements

2）情緒腦電實(shí)驗(yàn)設(shè)計(jì)。鏈接E-Prime平臺(tái)進(jìn)行實(shí)時(shí)腦電數(shù)據(jù)采集，優(yōu)化案例樣本腦電信號(hào)直至確定適合項(xiàng)目開展的觀測要素群。

3）情緒腦電測量識(shí)別。對(duì)腦電數(shù)據(jù)包進(jìn)行情緒腦電識(shí)別，將腦電信號(hào)轉(zhuǎn)化為情緒喚醒、效價(jià)分析對(duì)象。

4）GRA-TOPSIS模型搭建。封裝處理場景腦電關(guān)聯(lián)算法構(gòu)建GRA-TOPSIS模型，經(jīng)模型運(yùn)算獲得情緒指數(shù)矩陣。

5）景觀情緒量化解析。依托模型獲取要素指標(biāo)的熵權(quán)和關(guān)聯(lián)度、場景樣本的景觀情緒貼近度和主控因子，相關(guān)結(jié)果可用于建成環(huán)境景觀情緒生成與演進(jìn)的效能分析（圖3）。

圖3 技術(shù)路線Technical route

2 景觀情緒分析模型與數(shù)據(jù)處理

2.1 景觀情緒腦電分析簡述

腦電圖（electroencephalogram, EEG）是利用神經(jīng)成像技術(shù)實(shí)現(xiàn)，并經(jīng)過電極記錄下來的腦細(xì)胞群自發(fā)性、節(jié)律性電活動(dòng)，蘊(yùn)含著豐富的情緒信息[19]。EEG的情緒神經(jīng)活動(dòng)主要包括瞬時(shí)活動(dòng)（transient activities）和節(jié)律（rhythm）2種類型，其節(jié)律的α、β頻段可以被有效用于情緒識(shí)別[20]。相關(guān)研究表明，環(huán)境情緒可以由情緒“效價(jià)”和“喚醒”組成的二維模式表征[21]（圖4），其中效價(jià)反映了情緒的積極程度，喚醒反映了環(huán)境的沉浸或被吸引的程度。

圖4 32位EEG相關(guān)神經(jīng)活動(dòng)以及情緒效價(jià)和喚醒二維模式Neural activity associated with 32-bit EEG and 2D model of emotion valence and arousal

本研究以典型建成環(huán)境引發(fā)的腦電反應(yīng)為切入點(diǎn)，以“喚醒-效價(jià)”情緒數(shù)據(jù)鏈的邏輯貫通和算法關(guān)聯(lián)為關(guān)鍵問題，通過實(shí)驗(yàn)采集代表性場景下景觀情緒對(duì)應(yīng)的腦電數(shù)據(jù)，構(gòu)建腦電GRA-TOPSIS量化模型，使情緒喚醒、效價(jià)數(shù)據(jù)轉(zhuǎn)化為景觀要素邏輯關(guān)聯(lián)對(duì)象，建立“景觀要素—腦電提取—關(guān)聯(lián)解析—矩陣描述—模型解析”關(guān)聯(lián)數(shù)據(jù)鏈，實(shí)現(xiàn)景觀情緒的數(shù)據(jù)推演和指數(shù)矩陣遞次生成。

2.2 場景腦電測量與情緒數(shù)據(jù)處理

采用SAGA 32位全移動(dòng)腦電儀和TMSI polybench軟件，利用實(shí)驗(yàn)室環(huán)境鏈接E-Prime編制室內(nèi)情緒誘發(fā)實(shí)驗(yàn)、刺激呈現(xiàn)和數(shù)據(jù)處理流程，獲取室內(nèi)實(shí)驗(yàn)的腦電信號(hào)。情緒腦電采集過程中，EEG設(shè)備可以通過在受測人頭部放置的電極點(diǎn)，無創(chuàng)性地實(shí)時(shí)測量大腦情緒活動(dòng)電位變化[22]。

情緒數(shù)據(jù)處理包括3個(gè)部分，分別是預(yù)處理、特征頻段提取和情緒解析。首先，根據(jù)情緒刺激類型，將32導(dǎo)腦電信號(hào)進(jìn)行截取分類處理；其次，通過快速傅里葉變換（fast Fourier transform, FFT）實(shí)現(xiàn)從腦電到頻譜的轉(zhuǎn)換，從中計(jì)算腦電功率譜密度（power spectral density, PSD），得到與情緒聯(lián)系密切的腦電α（8～12 Hz）和β（13～28 Hz）子頻段；最后，根據(jù)情緒神經(jīng)的腦電額葉不對(duì)稱特性，獲取觀測要素影響下受測人的瞬時(shí)情緒喚醒、效價(jià)特征向量[23]，并結(jié)合情緒計(jì)算①形成“喚醒-效價(jià)”景觀情緒水平數(shù)值（式1、2）：

式中：EVA和EAR分別指效價(jià)和喚醒的情緒水平，其取值范圍位于[-5，5]，數(shù)值越大表示情緒水平越高；P（α）、P（β）分別指α、β頻段的功率，left和right分別對(duì)應(yīng)左、右半腦。

3 模型搭建與關(guān)聯(lián)算法

GRA-TOPSIS關(guān)聯(lián)算法是建立在指標(biāo)熵權(quán)、灰色關(guān)聯(lián)度和因子障礙度基礎(chǔ)上的一種解決有限方案多目標(biāo)函數(shù)的多變量統(tǒng)計(jì)方法[24]。相較于層次分析法、德爾菲法、美景度評(píng)價(jià)法等主觀評(píng)測方法，GRA-TOPSIS關(guān)聯(lián)算法能增強(qiáng)情緒指數(shù)聯(lián)立關(guān)系的分辨意義和差異性，為論證多組景觀指標(biāo)結(jié)構(gòu)間的合理性和場景整體情緒效能提供前置條件。

為同時(shí)考慮情緒腦電數(shù)據(jù)序列的位置和形狀特性，進(jìn)而得到更加準(zhǔn)確的景觀情緒量化結(jié)果，構(gòu)建基于“喚醒-效價(jià)”情緒數(shù)據(jù)的GRA-TOPSIS模型（圖5）。作為一種算法模型，針對(duì)“喚醒-效價(jià)”情緒數(shù)據(jù)的GRATOPSIS模型需要聯(lián)立場景腦電評(píng)價(jià)指標(biāo)權(quán)重、情緒指數(shù)矩陣、場景主控因子的關(guān)鍵算法并形成數(shù)據(jù)閉合，其與之相應(yīng)的具體操作可分為3個(gè)步驟。

3.1 觀測要素指標(biāo)權(quán)重確定

EWM是非觀測多元數(shù)據(jù)客觀評(píng)定的重要驗(yàn)證模式，GRA能夠定量描述和比較指標(biāo)體系的發(fā)展變化態(tài)勢及其關(guān)聯(lián)[25]?；趫鼍爸衝個(gè)景觀觀測要素指標(biāo)，對(duì)m個(gè)場景樣本的評(píng)價(jià)結(jié)果，形成景觀情緒初始決策矩陣Z，并獲取矩陣Z的歸一化矩陣P和無量綱規(guī)范化矩陣R，由此計(jì)算要素指標(biāo)的灰色關(guān)聯(lián)系數(shù)O和熵權(quán)w*j（式3）：

式中：w*j指第j個(gè)指標(biāo)的熵權(quán)；pij指矩陣P在第i個(gè)場景第j個(gè)指標(biāo)的信息不確定度。

3.2 景觀情緒指數(shù)矩陣決策

考慮到因景觀要素間信息重疊而無法精準(zhǔn)獲取景觀要素與場景之間的關(guān)系、實(shí)現(xiàn)場景方案的比選的問題，結(jié)合相乘優(yōu)化與線性規(guī)劃決策技術(shù)建立GRA-TOPSIS模型，代入喚醒、效價(jià)數(shù)值將矩陣P聚合為加權(quán)指數(shù)矩陣，從而獲得景觀情緒的正理想解（positive ideal solution,PIS）t+、負(fù)理想解（negative ideal solution, NIS）t–（式4、5）。最終結(jié)果以貼近度S表示（式6），表明各場景與最優(yōu)方案的接近程度，貼近度越接近1，景觀情緒質(zhì)量越好，并以其作為景觀情緒等級(jí)的劃分標(biāo)準(zhǔn)[26]（表1）。

表1 景觀情緒質(zhì)量劃分標(biāo)準(zhǔn)Tab. 1 Classification standard for landscape emotion quality

3.3 情緒質(zhì)量主控因子判別

引入因子障礙算法對(duì)制約場景情緒質(zhì)量的景觀要素進(jìn)行聯(lián)立分析[27]，厘清單一指標(biāo)對(duì)景觀情緒質(zhì)量的影響力大小并進(jìn)行相應(yīng)的對(duì)策調(diào)整。根據(jù)前文構(gòu)建的景觀情緒加權(quán)指數(shù)矩陣，研究利用指標(biāo)熵權(quán)w*j和因子障礙度Y對(duì)場景樣本的主控因子進(jìn)行判別（式7）：

式中：Y指場景觀測要素指標(biāo)的障礙度，反映的是景觀情緒主控因子的障礙強(qiáng)度；rij指初始決策矩陣規(guī)范化的值。

4 案例研究：襄陽衛(wèi)東廠

4.1 場景樣本遴選

本研究選取襄陽衛(wèi)東廠進(jìn)行實(shí)證分析。衛(wèi)東廠位于襄陽峴山風(fēng)景區(qū)西側(cè)，始建于1964年，其前身為軍工企業(yè)，2003年改制為衛(wèi)東機(jī)械化工有限公司。廠區(qū)占地面積56 hm2，建筑占地12 hm2。衛(wèi)東廠作為國家“三線建設(shè)”廠區(qū)，保留狀態(tài)完好，時(shí)代氛圍濃郁，廠區(qū)內(nèi)場景特征鮮明，空間結(jié)構(gòu)完整，景觀構(gòu)成要素全面，以梧桐、水杉構(gòu)成的林蔭道路連貫，現(xiàn)已結(jié)合《你好，李煥英》影片拍攝基地改造為城市休閑游憩地。本研究梳理電影中的典型場景，現(xiàn)場測量并攝錄衛(wèi)東廠20處實(shí)景照片（圖6）。

圖6 衛(wèi)東廠場景點(diǎn)位置及部分圖像Location and corresponding images of scenescape sites of Weidong Plant

4.2 實(shí)驗(yàn)過程

相關(guān)研究表明，現(xiàn)場實(shí)驗(yàn)時(shí)常面臨著物理環(huán)境的干擾，而通過在實(shí)驗(yàn)室內(nèi)向受測人展示照片的方式，可以較好地接收視覺呈現(xiàn)任務(wù)中的情緒反應(yīng)[28]。本研究在實(shí)驗(yàn)室曲面屏幕場景樣本沉浸投射播放的同時(shí)（圖7），采用“啟動(dòng)—探查”（prime-probe）實(shí)驗(yàn)范式，即日內(nèi)瓦情緒圖片②（S1）—場景觀測要素照片（S2）實(shí)測流程，將10組要素維度的場景圖像分成4個(gè)部分進(jìn)行實(shí)驗(yàn)，每張圖像呈現(xiàn)3 s，并進(jìn)行3輪播放（圖8）。實(shí)驗(yàn)結(jié)束后提取29名受測人的EEG腦波特征③，探索不同觀測要素對(duì)景觀情緒的影響力，并進(jìn)行景觀情緒量化解析。

圖7 在東南大學(xué)數(shù)字景觀實(shí)驗(yàn)室的實(shí)時(shí)EEG測試Real-time EEG testing in the Digital Landscape Lab, Southeast University

圖8 景觀情緒誘發(fā)實(shí)驗(yàn)流程Procedure of landscape emotion elicitation experiment

4.3 典型場景腦電觀測要素體系建立

根據(jù)國內(nèi)外有關(guān)景觀感知、特征識(shí)別和場景營造等研究成果[29-30]，遵循景觀要素選取的代表性、全面性和可獲取性原則[31]，分析衛(wèi)東廠典型場景主要景觀特征，擬定物理識(shí)別與認(rèn)知識(shí)別兩大要素群，并從中選取10個(gè)代表要素維度建立場景腦電指標(biāo)體系（表2）。本研究采用頻度統(tǒng)計(jì)法和信效度檢驗(yàn)對(duì)場景樣本情緒腦電數(shù)據(jù)持續(xù)優(yōu)化，綜合考慮數(shù)據(jù)相關(guān)性與量化測度進(jìn)行觀測要素篩選，由此確定腦電GRA-TOPSIS景觀情緒量化研究的26種觀測要素指標(biāo)，規(guī)避因選用指標(biāo)含混造成的分析困難。

表2 場景腦電觀測要素指標(biāo)體系Tab. 2 Index system of scenescape EEG observation elements

4.4 景觀情緒實(shí)驗(yàn)結(jié)果分析

4.4.1 景觀情緒誘發(fā)因素分析

實(shí)驗(yàn)獲得衛(wèi)東廠20個(gè)場景的29組受測人樣本數(shù)據(jù)，其中有效數(shù)據(jù)26組。根據(jù)情緒腦電識(shí)別結(jié)果，對(duì)情緒喚醒、效價(jià)數(shù)值進(jìn)行統(tǒng)計(jì)分析。場景間情緒數(shù)據(jù)的顯著性檢驗(yàn)P值小于0.05，具有顯著差異；情緒數(shù)據(jù)在10組要素維度上的克朗巴哈系數(shù)均在0.753以上，表明10類要素圖像具有較好的內(nèi)部一致性。通過比較分析，文字原型B51、植物層次A43和歷史文化B52普遍表現(xiàn)出更高的喚醒或效價(jià)水平，且均集中在（0，5]（圖9）；總體而言，景觀喚醒與效價(jià)關(guān)于場景要素閾值呈非線性單調(diào)遞增關(guān)系。

圖9 觀測要素情緒喚醒和效價(jià)數(shù)值分布Value distribution of emotion arousal and valence on observation elements

為了區(qū)分不同場景的情緒狀態(tài)，基于向量模型將喚醒和效價(jià)相乘得到的綜合情緒值進(jìn)行進(jìn)一步分析[32-33]。根據(jù)場景腦電數(shù)據(jù)獲取景觀情緒初始決策矩陣，載入熵權(quán)法求取指標(biāo)間的綜合情緒灰色關(guān)聯(lián)系數(shù)，其中非相同要素維度的圖像符號(hào)B41和歷史文化B52、景施組合A11和色相豐富度B31、植物態(tài)勢A44和色彩飽和度B32、植物層次A43和空間視域B23的關(guān)聯(lián)度較高，均超過0.82（圖10）。以上結(jié)果說明，衛(wèi)東廠場景間建設(shè)水平良莠不齊，各景觀要素誘發(fā)的情緒水平不穩(wěn)定，且存在共變關(guān)系。在整體景觀效能穩(wěn)定的條件下，提升符號(hào)類要素的景觀情緒水平，將直接影響到對(duì)場景歷史文化的情緒體驗(yàn)。此外，景觀空間視域與綠化種植在景觀情緒上呈現(xiàn)此消彼長狀態(tài)，為滿足所需空間場景營造，會(huì)衍生視覺植物景觀衰減情況。

圖10 觀測要素灰色關(guān)聯(lián)熱力圖GRA heat map of observation elements

4.4.2 景觀情緒場景質(zhì)量分析

結(jié)合GRA-TOPSIS關(guān)聯(lián)算法，計(jì)算20個(gè)場景的PIS和NIS，得到相對(duì)貼近度及其情緒質(zhì)量等級(jí)（表3）。評(píng)價(jià)結(jié)果可知，衛(wèi)東廠景觀情緒貼近度均大于0.345，Ⅰ類場景4個(gè)，Ⅱ類場景5個(gè)，Ⅲ類場景3個(gè)，Ⅳ類場景8個(gè)，整體未達(dá)到最優(yōu)狀態(tài)。Ⅰ類場景的S17、S1、S7和S5均在《你好，李煥英》中出現(xiàn)，其文字符號(hào)多樣，年代特色鮮明，且綠植生長態(tài)勢良好，表明電影場景營造對(duì)衛(wèi)東廠景觀情緒質(zhì)量有顯著的拉動(dòng)作用。

表3 場景樣本情緒評(píng)價(jià)結(jié)果及其質(zhì)量等級(jí)Tab. 3 Emotion evaluation results and quality level of scenescape samples

根據(jù)因子障礙法進(jìn)一步探究4類景觀情緒質(zhì)量標(biāo)準(zhǔn)下的前5位主控因子排名及其障礙度（表4）。由表可見，植物形態(tài)A41、植物構(gòu)成A42、水體可視度A51和空間視域B23的頻次在2次及以上，主控因子的約束作用強(qiáng)弱不一，Ⅳ類場景的因子障礙度普遍較高。衛(wèi)東廠植物均為建廠之初所栽植，以其規(guī)整的空間排布和生長歷史，塑造了獨(dú)特的景觀基礎(chǔ)，但除Ⅰ類場景外大多對(duì)植物的維護(hù)水平較差，導(dǎo)致植物要素顯著阻礙景觀情緒。顯見推論即良好綠化種植與視野空間、多樣的水體景觀與駁岸設(shè)施，對(duì)衛(wèi)東廠整體景觀情緒質(zhì)量的提升最為明顯，景觀改造與更新設(shè)計(jì)需要特別注意。

表4 4類場景的景觀情緒主控因子障礙度排序Tab. 4 Ranking of obstacle degree of main landscape emotion control factors in four types of scenescape

4.5 衛(wèi)東廠景觀情緒綜合評(píng)述

實(shí)驗(yàn)分析證明，利用EEG新型生理探測分析技術(shù)，研究者可以更準(zhǔn)確、高效地識(shí)別景觀環(huán)境下的瞬時(shí)情緒喚醒、效價(jià)數(shù)據(jù)；建立GRA-TOPSIS算法模型獲取觀測要素間的邏輯關(guān)聯(lián)，實(shí)現(xiàn)對(duì)可感知、認(rèn)知場景的情緒量化和景觀要素聯(lián)立分析；結(jié)合情緒指數(shù)矩陣評(píng)估不同場景及其主控因子的景觀情緒質(zhì)量，可為景觀情緒量化研究及其實(shí)踐應(yīng)用提供循證依據(jù)。

實(shí)驗(yàn)數(shù)據(jù)表明，衛(wèi)東廠景觀環(huán)境中景施組合A11、視覺尺度B11、色彩飽和度B32、綠視率B21等與景觀情緒的顯著性檢驗(yàn)P值小于0.01，皮爾遜相關(guān)系數(shù)r均大于0.55，呈顯著正相關(guān)。符號(hào)B4、空間B1和建筑A2等要素維度對(duì)景觀情緒提升的阻礙最小，而植物A4的阻礙較大，可以發(fā)現(xiàn)衛(wèi)東廠認(rèn)知識(shí)別要素較之物理識(shí)別要素對(duì)于正向景觀情緒的影響更加明顯。同時(shí)，衛(wèi)東廠景觀要素間具有共變關(guān)聯(lián)效應(yīng)，例如圖像符號(hào)B41和歷史文化B52、景施組合A11和色相豐富度B31、植物態(tài)勢A44和色彩飽和度B32等，隨景觀情緒的變化而具有相似的發(fā)展趨勢?？梢娫谔嵘坝^時(shí)代認(rèn)知的導(dǎo)向下，場景可視范圍內(nèi)典型圖像符號(hào)的引入能夠顯著提升景觀環(huán)境歷史文化特色。相應(yīng)地，空間、色彩、構(gòu)筑物等易激發(fā)情緒關(guān)聯(lián)變動(dòng)的景觀要素值得關(guān)注，其綜合性改造對(duì)景觀情緒提升作用顯著。

結(jié)合現(xiàn)場調(diào)研可見，衛(wèi)東廠場景的圖像符號(hào)類型、時(shí)代文字原型對(duì)景觀情緒具有正向影響，游客在衛(wèi)東廠更容易受到具有時(shí)代特色的場景吸引，往往會(huì)駐留在具有明顯標(biāo)識(shí)處（如年代宣傳標(biāo)語、電影張貼海報(bào)）以及電影設(shè)施搭建處（如梧桐大道、排球廣場）拍照留念。這也意味著，為了滿足游客沿路游賞、場景駐留的基本需求，適當(dāng)強(qiáng)化標(biāo)識(shí)系統(tǒng)布設(shè)和場景空間，通過時(shí)代風(fēng)格明確的構(gòu)筑設(shè)施和植物群落營造“懷舊”氛圍，能夠提升影視場景游憩的興趣和關(guān)注度。

同時(shí)，場景中綠化植被的增強(qiáng)設(shè)計(jì)會(huì)對(duì)景觀情緒產(chǎn)生正向影響[34]。景觀情緒質(zhì)量等級(jí)高的場景中往往高大喬木特色突出，種植結(jié)構(gòu)簡明清晰。景觀情緒主控因子障礙度分析進(jìn)一步表明[35]，連續(xù)性植被景觀更容易喚醒良好情緒，這與《你好，李煥英》電影場景中的植被營造吻合，例如道路旁漫天飛舞的梧桐落葉、排球場金黃燦爛的銀杏、隨風(fēng)蕩漾的湖邊垂柳等，說明完整延續(xù)的植被形態(tài)、構(gòu)成、層次和態(tài)勢可以幫助人們更好地感知景觀，提升景觀情緒喚醒氛圍。

此外，在實(shí)驗(yàn)研究根據(jù)景觀情緒貼近度劃分的4個(gè)等級(jí)標(biāo)準(zhǔn)中，Ⅰ、Ⅱ、Ⅲ、Ⅳ類場景依次為4、5、3、8個(gè)，差異系數(shù)為6.732，部分場景的景觀情緒處于較低水平，這與因影視拍攝造成的廠區(qū)景觀建設(shè)的不同步狀態(tài)有關(guān)。局部場景增強(qiáng)設(shè)計(jì)在獲取高喚醒、高效價(jià)景觀情緒的同時(shí)，反而造成了場景原貌的景觀情緒低效應(yīng)，這種情況在景觀更新實(shí)踐中應(yīng)得到充分關(guān)注，這也意味著，對(duì)于建成環(huán)境的提質(zhì)增效既要對(duì)癥下藥，更應(yīng)均勻發(fā)力，應(yīng)當(dāng)重視景觀情緒的多維度喚醒與延時(shí)效價(jià)，在充分利用景觀要素耦合規(guī)律基礎(chǔ)上更加科學(xué)、全面地進(jìn)行建成環(huán)境存量改造與系統(tǒng)營建。

5 結(jié)語與展望

在當(dāng)前景觀認(rèn)知評(píng)價(jià)的模塊化發(fā)展（如滿意度、活力度等）基礎(chǔ)上，研究將景觀情緒腦電數(shù)據(jù)作為景觀體驗(yàn)的研究契入點(diǎn)與基礎(chǔ)測度，結(jié)合腦科學(xué)認(rèn)知研究途徑探討了場景腦電觀測數(shù)據(jù)轉(zhuǎn)化為情緒非觀測數(shù)據(jù)和分析依據(jù)的技術(shù)流程，在改變傳統(tǒng)主觀評(píng)測的研究方式上進(jìn)行了初步嘗試。在對(duì)相關(guān)成果的梳理、融合以及實(shí)驗(yàn)分析的基礎(chǔ)上，以襄陽衛(wèi)東廠為例，建立了基于場景腦電GRA-TOPSIS模型，通過景觀“刺激—反應(yīng)”實(shí)驗(yàn)和情緒腦電識(shí)別手段，針對(duì)景觀情緒效能的關(guān)系變量進(jìn)行量化分析。在基礎(chǔ)數(shù)據(jù)分析中，采用量化解析與數(shù)學(xué)描述相結(jié)合的方法，初步歸納研究需要的景觀指標(biāo)評(píng)價(jià)體系；在腦電識(shí)別和數(shù)理統(tǒng)計(jì)的基礎(chǔ)上，應(yīng)用情緒計(jì)算和GRATOPSIS建立可供研究有序開展的指數(shù)矩陣，為后續(xù)景觀情緒研究提供一種可供研究參考的腦電量化解析基礎(chǔ)模型。

現(xiàn)階段研究局限于視覺刺激下的情緒反應(yīng)，實(shí)驗(yàn)室數(shù)據(jù)能夠正向反映場景觀測條件下的情緒狀況，但真實(shí)場景中由聽覺、觸覺和認(rèn)知等產(chǎn)生的綜合效應(yīng)仍有待實(shí)測探知，且并未涉及歷時(shí)性情緒感受，由喚醒、效價(jià)基礎(chǔ)情緒標(biāo)識(shí)發(fā)展至連續(xù)的、綜合性的情緒（情感）及其指向（如幸福感、喜悅感等）的研究機(jī)制與技術(shù)有待深入探索。同時(shí)，現(xiàn)有研究的受測人群單一，其腦電數(shù)據(jù)結(jié)果是否對(duì)其他年齡段具有普適性需要進(jìn)一步驗(yàn)證。作為研究縱深發(fā)展的技術(shù)維度，亟待拓展景觀情緒的影響指標(biāo)、場景樣本數(shù)量，完善場景腦電與景觀情緒的復(fù)合算法體系，進(jìn)而增強(qiáng)研究成果在建成環(huán)境循證設(shè)計(jì)中的可操作性，并為實(shí)踐轉(zhuǎn)化開辟技術(shù)途徑。

回眸并不久遠(yuǎn)的過去，風(fēng)景園林場所認(rèn)知、行為與心理、體驗(yàn)與感悟等領(lǐng)域先行者砥礪前行，為今天應(yīng)用腦科學(xué)技術(shù)與設(shè)備進(jìn)行景觀情緒量化研究奠定了堅(jiān)實(shí)的基礎(chǔ)。景觀情緒量化研究根植場景建構(gòu)經(jīng)典理論與情緒認(rèn)知基本規(guī)律，得益于腦科學(xué)與風(fēng)景園林學(xué)交叉程度的日益提高，相關(guān)技術(shù)與關(guān)聯(lián)算法不斷推進(jìn)景觀情緒在“算法模型”和“矩陣解析”技術(shù)條件下的縱深發(fā)展，將數(shù)字化腦電分析手段融入“測量—識(shí)別—建?！馕觥钡难芯咳^程，致力于“人-景”交融維度的科研縱深領(lǐng)域，對(duì)當(dāng)代景觀偏好、景觀認(rèn)知行為、景觀關(guān)注度、景觀安全感或舒適度體驗(yàn)等研究發(fā)展具有推動(dòng)作用，對(duì)建成環(huán)境存量提質(zhì)改善和增量結(jié)構(gòu)調(diào)整具有研究意義。

注釋(Notes)：

① 情緒計(jì)算（affective computing, AfC）由Rosalind Picard在1997年提出（詳見參考文獻(xiàn)[16]），是自動(dòng)識(shí)別、建模和表達(dá)情緒模式的一個(gè)重要研究領(lǐng)域。本研究使用機(jī)器學(xué)習(xí)技術(shù)訓(xùn)練情緒二維模型，獲得分類算法下的“喚醒-效價(jià)”平面象限，并對(duì)象限進(jìn)行插值，得到中間模型和相應(yīng)的景觀情緒預(yù)測數(shù)值。

② 遴選日內(nèi)瓦情緒圖片數(shù)據(jù)庫（Geneva affective picture database, GAPED）的部分圖片作為EEG實(shí)驗(yàn)對(duì)照樣本，以驗(yàn)證受測人是否能表現(xiàn)出標(biāo)準(zhǔn)的情緒反應(yīng)。GAPED情緒激發(fā)后，讓受測人進(jìn)行2 min的靜息，使受測人的情緒狀態(tài)恢復(fù)到基線水平；采用GAPED公布的得分均值和偏差，通過標(biāo)準(zhǔn)分?jǐn)?shù)（z-score）標(biāo)準(zhǔn)化每個(gè)受測人的情緒喚醒和效價(jià)數(shù)值。

③ 本研究使用G＊Power軟件來估計(jì)樣本量，根據(jù)場景要素維度和實(shí)驗(yàn)試次，選擇聯(lián)合假設(shè)檢驗(yàn)中的相關(guān)樣本方差分析，設(shè)定顯著性水平為0.05，統(tǒng)計(jì)功效為0.9，效應(yīng)量為0.25，得到總樣本量≥25。實(shí)驗(yàn)招募29名大學(xué)生（女性14名，男性15名，X=22歲，σ=2.6）參加實(shí)驗(yàn)。受測人的年齡、閱歷與游覽經(jīng)驗(yàn)相似，并對(duì)電影《你好，李煥英》影視場景以及本實(shí)驗(yàn)流程都有清晰的認(rèn)識(shí)。

圖表來源(Sources of Figures and Tables)：

圖4改繪自參考文獻(xiàn)[20][23]；其余圖表均由作者拍攝、繪制。