已有完整学习路线，如果你是景观设计方向对结合AI机器学习深度学习感兴趣，想全面系统学习机器学习深度学习的可戳！
卷积神经网络 (Convolutional Neural Networks, CNN)
模型理由： 景观设计中涉及大量的图像数据（如航拍图、卫星遥感、街景照片）和网格化的地理空间数据。CNN 能够高效地从这些 2D 数据中提取地物类型、空间纹理、视觉质量和生态结构特征。
循环神经网络 (Recurrent Neural Networks, RNN) / LSTM
模型理由： 景观设计涉及规划历史、气候演变、植被生长等时序序列数据，以及用户在空间中的移动轨迹序列。LSTM 及其变体擅长捕捉这些时序数据中的长期依赖和演变趋势。
强化学习 (Reinforcement Learning, RL)
模型理由： 景观设计方案的生成是一个多目标、序列决策优化问题，目标是在生态、美学、功能、经济等多约束下选择最优布局。RL 适用于在设计环境中自主探索最优的设计策略。
图神经网络 (Graph Neural Networks, GNN)
模型理由： 景观设计中的生态网络、城市道路系统、公共空间关联都是典型的图结构。GNN 适用于将生态斑块、城市街区或功能节点建模为图结构，进行系统性的连接和功能分析。
Transformer / 自注意力模型 (Self-Attention)
模型理由： 景观设计方案生成和场地评估需要融合多尺度、多模态数据（如地形、生态、社会数据）。Transformer 的自注意力机制能高效捕捉长距离空间依赖和异构特征间的动态关联。
自动编码器 (Autoencoder, AE) / 变分自编码器 (VAE)
模型理由： 景观设计需要对既有设计风格、空间形态进行分析和重构。AE 擅长无监督地学习设计数据的低维、潜在表示，用于风格迁移和设计空间探索。
#人工智能 #深度学习 #机器学习 #交叉学科 #sci #神经网络 #计算机视觉 #提供思路和创新点 #SCI论文 #建筑学 #ai #景观设计
卷积神经网络 (Convolutional Neural Networks, CNN)
模型理由： 景观设计中涉及大量的图像数据（如航拍图、卫星遥感、街景照片）和网格化的地理空间数据。CNN 能够高效地从这些 2D 数据中提取地物类型、空间纹理、视觉质量和生态结构特征。
循环神经网络 (Recurrent Neural Networks, RNN) / LSTM
模型理由： 景观设计涉及规划历史、气候演变、植被生长等时序序列数据，以及用户在空间中的移动轨迹序列。LSTM 及其变体擅长捕捉这些时序数据中的长期依赖和演变趋势。
强化学习 (Reinforcement Learning, RL)
模型理由： 景观设计方案的生成是一个多目标、序列决策优化问题，目标是在生态、美学、功能、经济等多约束下选择最优布局。RL 适用于在设计环境中自主探索最优的设计策略。
图神经网络 (Graph Neural Networks, GNN)
模型理由： 景观设计中的生态网络、城市道路系统、公共空间关联都是典型的图结构。GNN 适用于将生态斑块、城市街区或功能节点建模为图结构，进行系统性的连接和功能分析。
Transformer / 自注意力模型 (Self-Attention)
模型理由： 景观设计方案生成和场地评估需要融合多尺度、多模态数据（如地形、生态、社会数据）。Transformer 的自注意力机制能高效捕捉长距离空间依赖和异构特征间的动态关联。
自动编码器 (Autoencoder, AE) / 变分自编码器 (VAE)
模型理由： 景观设计需要对既有设计风格、空间形态进行分析和重构。AE 擅长无监督地学习设计数据的低维、潜在表示，用于风格迁移和设计空间探索。
#人工智能 #深度学习 #机器学习 #交叉学科 #sci #神经网络 #计算机视觉 #提供思路和创新点 #SCI论文 #建筑学 #ai #景观设计