想知道AI + 眼动如何硬核破解公园景观评价难题？这篇桂林山水公园研究，把SAM 模型、眼动追踪、美景度评价三合一，用最直观的数据告诉你：人们到底爱看什么景观、不同人群偏好差在哪、AI 如何自动量化景观元素。一篇读懂城市公园景观视觉偏好的前沿实验方法，干货拉满，速看！
- 方法的基本信息
核心思想：以桂林山水公园为案例，整合眼动追踪技术 + 美景度评价法 (SBE)+SAM 图像分割模型，构建 “客观视觉行为 — 主观审美评价 —AI 自动量化” 三维景观视觉偏好分析框架，揭示城市公园景观视觉质量的空间分异与人群差异规律。
独特价值：首次将SAM 大模型用于景观元素零样本自动分割，替代人工解译，效率更高、更客观；同时验证眼动指标可预测景观美景度，实现 “主观评分 + 客观数据 + AI 量化” 三角互证。
关键产出：
1）公园 SBE 美景度双核心集聚空间格局；
2）长期 / 短期停留人群景观视觉偏好差异规律；
3）SAM 模型与眼动数据显著相关，可用于景观量化；
4）得出平均注视时长为预测景观视觉质量的关键指标。
- 方法的操作过程
（1）应用原则
科学性：控制拍摄、光照、呈现时间，排除无关干扰；
系统性：功能区全覆盖、样本均衡、指标统一；
客观性：眼动数据 + AI 分割 + 主观评分相互验证。
（2）操作步骤
研究区与样图筛选：划分 6 大功能区，拍摄并筛选 18 张代表性景观图；
被试分组与眼动实验：40 人分为长期 / 短期停留组，Tobii 眼动仪采集数据；
兴趣区 AOI 划分：植物、建筑、水体、山体、道路、小品、天空；
美景度 SBE 评分：7 点李克特量表主观打分；
SAM 模型自动分割：AI 识别各类景观元素面积占比；
空间与统计分析：核密度分析、方差分析、相关分析、组间差异检验。
（3）数据分析方法
描述性统计、正态性检验、方差分析 (ANOVA)
独立样本 t 检验、Mann‑Whitney U/Kruskal‑Wallis 非参数检验
Pearson 相关分析、核密度空间分析 (KDE)
SAM 图像分割与眼动指标一致性验证
研究技术路线图
样图拍摄→眼动实验→SBE 评分→SAM 分割→AOI 分析→空间核密度→统计检验→结论与优化
- 方法的应用启示
适用情境：城市公园、滨水景观、历史街区、校园绿地、居住区景观等视觉评价；
个人思考：AI 模型大幅降低景观解译成本，眼动指标比单纯打分更可信，“长期居民 vs 游客” 视角对设计极有价值；
值得探讨的新问题：季节变化对视觉偏好影响？动态视频与静态图片结果是否一致？VR / 沉浸式景观能否进一步提升生态效度？欢迎一起讨论！
- 论文基本信息
国标引用
李昱晋，黄东，蓝旖旎，莫燕华，马姜明，张惠琴。桂林市山水公园景观视觉偏好研究 [J/OL]. 广西师范大学学报 (自然科学版),2026,44 (0):00-00.
APA 引用
Li, Y. J., Huang, D., Lan, Y. N., Mo, Y. H., Ma, J. M., & Zhang, H. Q. (2026). Research on landscape visual preference of Guilin Shanshui Park. Journal of Guangxi Normal University (Natural Science Edition), 44(0), 00-00.