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.
祥森对SAM模型与眼动追踪结合的三维框架分析得很透彻，尤其是用零样本分割替代人工解译这个创新点，确实提升了效率与客观性。不过顺着这个思路，如果引入不同季节或天气条件下的动态景观刺激，眼动指标与AI分割结果是否还能保持稳定的一致关系？这或许能进一步验证框架的生态效度，也拓展到更真实的游憩体验研究。
或许得结合 桂林自己的特点来谈
我认为该研究很创新的将眼动追踪技术和AI技术融入风景园林分析方法来揭示城市公园景观视觉质量的空间分异与人群差异规律。一方面，ai能够提高研究者解译景观的效率，同时，眼动技术能够提高解读的客观性，我认为对风景园林研究很有借鉴意义
这篇研究把 AI 大模型、眼动技术和经典景观评价方法完美结合，方法创新，我认为是一篇很前沿的研究。我注意到实验用静态景观样图做眼动测试，但是这和人真实漫步公园的动态视觉体验、视线自由移动的差异很大，静态实验结论多大程度能代表真实游园视觉偏好，我认为有待验证。
这篇最打动我的是把景观偏好从主观感受推进到利用数据说明景观好看，SBE负责主观审美，眼动记录真实注意力，SAM再把植物、水体、建筑等元素量化，三者互相校验，方法链条很完整。尤其平均注视时长能预测视觉质量，这点对公园更新很有启发。当然也想继续看动态游览、季节变化下结果会不会变，毕竟人在真实公园里不是只看一张照片。