5D Library › 建筑声学、混响时间与空间环境心理学的物理模型 · English

第四章 窗外的树:分形维数与亲生命设计

一扇窗的故事

证据

乌尔里希 1984 年。 罗杰·乌尔里希查阅了美国宾夕法尼亚州一家郊区医院 1972–1981 年间(每年 5 月至 10 月)胆囊切除术后患者的病历。同一侧病房,有的窗户正对一小片落叶树,有的正对一面砖墙。他按性别、年龄、是否吸烟、是否肥胖等条件配成 23 对。看到树的患者术后住院平均 7.96 天,看到墙的 8.70 天;护士记录中的负面评语前者每人平均 1.13 条、后者 3.96 条;术后第 2–5 天,看到树的患者使用的中等与强效止痛药剂量较少、弱效止痛药较多;术后当天、第 1 天与第 6–7 天的止痛药没有显著差别 (Ulrich 1984)。

这项发表在《科学》上的短文常被引为「亲生命设计」的奠基证据。它的价值在于问对了问题;它的局限也应当一并说清:这是回顾性的病历比较,不是随机分配;只有 23 对患者、一家医院、一种手术;对照的「墙」是单调的砖墙,乌尔里希本人也提醒结论不一定能推广到所有建筑景观。

两种解释与一份不太确定的综述

为什么自然景观可能有益?有两个主要理论。乌尔里希等人的压力恢复理论认为,自然景观能更快地平复应激反应。他们让 120 名受试者先看一段令人紧张的影片,再看自然或城市环境的录像,发现看自然录像者的主观情绪与心率、肌电、皮肤电等生理指标恢复得更快、更完全 (Ulrich et al. 1991)。卡普兰的注意恢复理论则认为,自然环境以「柔和的吸引」让需要主动控制的定向注意得到休息 (Kaplan 1995)。威尔逊用「亲生命性」(biophilia)一词概括人类亲近其他生命形式的倾向 (Wilson 1984)。

证据

注意恢复的系统综述。 奥利等人 2016 年系统综述了 31 项研究,做了 13 项元分析,只有 3 项显著:数字广度顺背、倒背与连线测验 B;其余 10 项没有显示明显的好处。作者认为证据「部分支持」注意恢复理论,但研究数量少、样本小、质量报告不一致、结局指标五花八门,哪些注意成分受影响仍不确定 (Ohly et al. 2016)。

分形与盒计数维数

自然景观有什么共同的视觉特征?一种回答是:分形。曼德博把在不同尺度上重复相似结构的形状称为分形,并用分形维数 DD 描述它们填充空间的程度 (Mandelbrot 1982):一条光滑曲线 D=1D = 1,一块填满的面 D=2D = 2,介于两者之间的曲线越曲折,DD 越接近 2。

推导

盒计数法。 用边长为 ε\varepsilon 的方格覆盖图形,数出被曲线经过的方格数 N(ε)N(\varepsilon)。对分形,N(ε)∝ε−DN(\varepsilon) \propto \varepsilon^{-D},所以

D=limε→0log⁡N(ε)log⁡(1/ε),D = \lim_{\varepsilon\to 0}\frac{\log N(\varepsilon)}{\log(1/\varepsilon)},

实际中在一段 ε\varepsilon 范围内对 log⁡N\log N 与 log⁡(1/ε)\log(1/\varepsilon) 做直线拟合,取斜率。科赫曲线每一步把每段换成 4 段、每段长为原来的 1/3,所以 D=log⁡4/log⁡3≈1.262D = \log 4/\log 3 \approx 1.262。分数布朗运动的轮廓线(赫斯特指数 HH)的维数为 D=2−HD = 2 – H:HH 越小,轮廓越粗糙。

下面的程序分两部分。第一部分检验盒计数法:对已知维数的曲线,看它能估计得多准;第二部分留到本章最后一节再读。

推导

# Box-counting dimension: cover a curve in the unit square with boxes of side e = 2^-k,
# count occupied boxes N(e), fit log N against log(1/e). Part 1: test curves of known D
# (a line, the Koch curve, fractional-Brownian profiles with D = 2 - H). Part 2: four
# synthetic window views.
import math, random

def box_dim(pts, kmin, kmax):
    xs, ys = [], []
    for k in range(kmin, kmax + 1):
        e = 2.0 ** -k
        top = 2 ** k - 1
        boxes = {(min(int(x / e), top), min(int(y / e), top)) for x, y in pts}
        xs.append(k * math.log(2)); ys.append(math.log(len(boxes)))
    mx, my = sum(xs) / len(xs), sum(ys) / len(ys)
    sxy = sum((a - mx) * (b - my) for a, b in zip(xs, ys))
    return sxy / sum((a - mx) ** 2 for a in xs)

def densify(pts, step=1e-3):                 # add points so no gap exceeds `step`
    out = [pts[0]]
    for (x0, y0), (x1, y1) in zip(pts, pts[1:]):
        n = max(1, int(math.hypot(x1 - x0, y1 - y0) / step) + 1)
        out += [(x0 + (x1 - x0) * i / n, y0 + (y1 - y0) * i / n) for i in range(1, n + 1)]
    return out

def koch(level):
    pts = [(0.0, 0.0), (1.0, 0.0)]
    for _ in range(level):
        new = [pts[0]]
        for (x0, y0), (x1, y1) in zip(pts, pts[1:]):
            dx, dy = (x1 - x0) / 3, (y1 - y0) / 3
            a, b = (x0 + dx, y0 + dy), (x0 + 2 * dx, y0 + 2 * dy)
            r3 = math.sqrt(3) / 2
            peak = (a[0] + dx / 2 - dy * r3, a[1] + dy / 2 + dx * r3)
            new += [a, peak, b, (x1, y1)]
        pts = new
    return [(x, y * 3 + 0.05) for x, y in pts]           # stretch into the unit square

def fbm(H, seed, n=11):                 # random midpoint displacement, scaled to 0..1
    rng = random.Random(seed)
    N = 2 ** n
    y, step, scale = [0.0] * (N + 1), N, 1.0
    while step > 1:
        half = step // 2
        scale *= 0.5 ** H
        for i in range(half, N, step):
            y[i] = (y[i - half] + y[i + half]) / 2 + rng.gauss(0, scale)
        step = half
    lo, hi = min(y), max(y)
    return [(v - lo) / (hi - lo) for v in y]

line = lambda y, y0=0.05, span=0.9: densify([(i / (len(y) - 1), y0 + span * v)
                                             for i, v in enumerate(y)])
CURVES = [("straight line", 1.0, densify([(0.0, 0.1), (1.0, 0.9)])),
          ("Koch curve", math.log(4) / math.log(3), densify(koch(7)))]
CURVES += [(f"fBm profile H = {H}", 2 - H, line(fbm(H, 31, 12)))
           for H in (0.9, 0.7, 0.5, 0.3)]
print(f"{'curve':20s} true D   box-count D, e = 1/4..1/128   e = 1/16..1/256")
for name, D, p in CURVES:
    print(f"{name:20s}  {D:.3f}            {box_dim(p, 2, 7):.3f}"
          f"                {box_dim(p, 4, 8):.3f}")

rng = random.Random(7)                       # block skyline: random widths and heights
B, i = [0.0] * 2049, 0
while i < 2049:
    w, h = rng.randint(60, 260), rng.uniform(0.25, 0.85)
    B[i:i + w] = [h] * len(B[i:i + w]); i += w
TREES = [0.1 + 0.5 * v for v in fbm(0.3, 5)]
VIEWS = {"block skyline": B,
         "mountain ridge (H 0.7)": [0.2 + 0.6 * v for v in fbm(0.7, 3)],
         "rough tree line (H 0.3)": TREES,
         "blocks behind trees": [max(b, t) for b, t in zip(B, TREES)]}
print(f"{'window view':25s} D (e = 1/8..1/128)   D (e = 1/32..1/512)")
for name, y in VIEWS.items():
    p = line(y)
    print(f"{name:25s}     {box_dim(p, 3, 7):.2f}                {box_dim(p, 5, 9):.2f}")
# curve                true D   box-count D, e = 1/4..1/128   e = 1/16..1/256
# straight line         1.000            1.001                1.000
# Koch curve            1.262            1.300                1.245
# fBm profile H = 0.9   1.100            1.210                1.135
# fBm profile H = 0.7   1.300            1.293                1.261
# fBm profile H = 0.5   1.500            1.379                1.399
# fBm profile H = 0.3   1.700            1.520                1.537
# window view               D (e = 1/8..1/128)   D (e = 1/32..1/512)
# block skyline                 1.04                1.00
# mountain ridge (H 0.7)        1.28                1.21
# rough tree line (H 0.3)       1.48                1.45
# blocks behind trees           1.13                1.09

直线的估计几乎精确(1.001 与 1.000);科赫曲线在两段尺度范围内分别得到 1.300 与 1.245,围绕真值 1.262 摆动;对分数布朗轮廓,平滑的被高估(H=0.9H = 0.9,真值 1.1,估出 1.21 与 1.14),粗糙的被低估(H=0.3H = 0.3,真值 1.7,只估出 1.52 与 1.54)。有限分辨率下的盒计数法会把估计值向中间「压缩」,而且结果取决于拟合用的尺度范围。一个 DD 值只有在说明了测量方法与尺度范围之后才有意义。

泰勒与「中等复杂度」

证据

自然界的分形维数并不都在 1.3–1.5。 泰勒等人 2011 年的综述列出:云的轮廓约 1.30–1.33,海岸线约 1.05–1.52,木本植物与树约 1.28–1.90,并写道「许多自然分形集中在 D=1.3D = 1.3 附近」(Taylor et al. 2011)。泰勒等人 2005 年汇总了他们对分形图案的知觉与生理反应的系列研究 (Taylor et al. 2005)。

证据

偏好。 斯佩哈尔等人 2003 年让 220 名受试者在成对的图案中选择,图案包括数学分形、自然分形与波洛克的画作,三类图案的偏好都在 DD 约 1.3–1.5 处达到峰值 (Spehar et al. 2003);哈格霍尔等人 2004 年用景观天际线轮廓得到类似结果,最受偏好的约为 1.3 (Hägerhäll et al. 2004)。但斯佩哈尔、沃克与泰勒 2016 年的研究显示,群体平均的峰值掩盖了明显的个体差异:在第一项实验中,约一半人偏好中等复杂度,约五分之一偏好更平滑的图案,约五分之一偏好更粗糙的图案 (Spehar et al. 2016)。

证据

生理。 泰勒 2006 年报告了一项初步研究:24 名受试者在模拟空间站舱内做脑力作业,墙上挂一幅图像,D=1.4D = 1.4 的图案对应的皮肤电「压力上升」最小 (Taylor 2006)。哈格霍尔等人 2008 年让 32 名受试者(31 人的脑电数据纳入分析)观看 DD = 1.14、1.32、1.51、1.70 的天际线轮廓,各看 1 分钟,D≈1.3D \approx 1.3 的图案引起最明显的脑电变化,额区 α 波与顶区 β 波都最高 (Hägerhäll et al. 2008)。

注

对作者原框架的修正。 第一,「自然景观的盒计数维数集中在 1.3–1.5」应改为:不同自然形态的 DD 分布很宽(海岸线 1.05–1.52、树木 1.28–1.90),许多集中在 1.3 附近;1.3–1.5 是群体偏好的峰值区间,个体之间差异明显。第二,生理证据来自小样本的初步研究(皮肤电 24 人、脑电 32 人),结局是短时的生理变化,不是健康结局,目前没有大样本重复。第三,「D→1.0D \to 1.0 或 D→1.9D \to 1.9 都会增加视觉皮层负荷」没有找到直接证据;现有研究显示的是偏好与部分脑电指标在中间值附近较高,不能写成「视觉皮层负荷」。第四,乌尔里希 1984 年的研究没有测量分形维数,「窗外的树」与「D≈1.3D \approx 1.3」是两条独立的证据线,把它们连起来是假说。

你的窗外是多少?

本章第一个程序的第二部分生成四种合成的窗景轮廓:一排方盒子式的楼房、一条山脊线、一条粗糙的树冠线,以及被树冠部分遮挡的楼房,并用同样的盒计数法测量它们的维数。

四种合成窗景轮廓及其盒计数维数(方格边长 1/8–1/128):方盒子楼房、山脊线(H = 0.7)、粗糙树冠线(H = 0.3)、树后的楼房。

方盒子楼房的维数约 1.0(1.04 与 1.00),几乎是光滑线;山脊线 1.28 与 1.21;粗糙树冠线 1.48 与 1.45;楼前有一排树时只升到 1.13 与 1.09,因为楼房挡住了大部分树冠的轮廓。在较细的尺度范围内,每一种的估计都更低一些。这提醒我们:如果想用「DD」来描述一个真实的窗景,必须规定拍摄距离、图像分辨率、轮廓提取方法与拟合范围,否则不同人测得的数字不能比较。

假说 · 尚未验证

桌面视野中轮廓维数在 1.3–1.5 的自然元素,比维数约 1.0 的建筑视野更能加快短时应激后的恢复(尚未确立)。可检验的推论:在受试者内随机交叉设计中,先施加标准化的心算应激,再随机观看按统一方法测得 D≈1.0D \approx 1.0、≈1.4\approx 1.4、≈1.8\approx 1.8 的窗景 5 分钟,皮肤电与心率变异性的恢复应当在 D≈1.4D \approx 1.4 时最快,并且这一差别在控制「是否自然」后仍然存在。如果恢复只取决于「是不是自然景物」而与 DD 无关,或者三种条件没有差别,这一假说就被否定。

本章小结

乌尔里希 1984 年的病历比较(23 对,住院 7.96 对 8.70 天)开启了对「窗外景观」的研究,但它不是随机试验,也没有直接重复;注意恢复理论的系统综述只给出部分支持。分形维数可以用盒计数法测量,但有限分辨率下会低估粗糙曲线,结果依赖尺度范围。自然形态的 DD 分布很宽,1.3–1.5 是群体偏好的峰值,个体差异明显;皮肤电与脑电的证据来自 24 人与 32 人的初步研究。示意计算中,方盒子楼房的窗景 DD 约 1.0,粗糙树冠线约 1.5。下一章讨论另外两个看得见的空间变量:光与层高。

参考文献

Hägerhäll, Caroline M., Thorbjörn Laike, Richard P. Taylor, Marianne Küller, Rikard Küller, and Theodore P. Martin. 2008. “Investigations of Human EEG Response to Viewing Fractal Patterns.” Perception 37 (10): 1488–94. https://doi.org/10.1068/p5918.
Hägerhäll, Caroline M., Terry Purcell, and Richard Taylor. 2004. “Fractal Dimension of Landscape Silhouette Outlines as a Predictor of Landscape Preference.” Journal of Environmental Psychology 24 (2): 247–55. https://doi.org/10.1016/j.jenvp.2003.12.004.
Kaplan, Stephen. 1995. “The Restorative Benefits of Nature: Toward an Integrative Framework.” Journal of Environmental Psychology 15 (3): 169–82. https://doi.org/10.1016/0272-4944(95)90001-2.
Mandelbrot, Benoit B. 1982. The Fractal Geometry of Nature. W. H. Freeman.
Ohly, Heather, Mathew P. White, Benedict W. Wheeler, et al. 2016. “Attention Restoration Theory: A Systematic Review of the Attention Restoration Potential of Exposure to Natural Environments.” Journal of Toxicology and Environmental Health, Part B 19 (7): 305–43. https://doi.org/10.1080/10937404.2016.1196155.
Spehar, Branka, Colin W. G. Clifford, Ben R. Newell, and Richard P. Taylor. 2003. “Universal Aesthetic of Fractals.” Computers & Graphics 27 (5): 813–20. https://doi.org/10.1016/S0097-8493(03)00154-7.
Spehar, Branka, Nicholas Walker, and Richard P. Taylor. 2016. “Taxonomy of Individual Variations in Aesthetic Responses to Fractal Patterns.” Frontiers in Human Neuroscience 10: 350. https://doi.org/10.3389/fnhum.2016.00350.
Taylor, Richard P. 2006. “Reduction of Physiological Stress Using Fractal Art and Architecture.” Leonardo 39 (3): 245–51. https://doi.org/10.1162/leon.2006.39.3.245.
Taylor, Richard P., Branka Spehar, Paul Van Donkelaar, and Caroline M. Hagerhall. 2011. “Perceptual and Physiological Responses to Jackson Pollock’s Fractals.” Frontiers in Human Neuroscience 5: 60. https://doi.org/10.3389/fnhum.2011.00060.
Taylor, Richard P., Branka Spehar, James A. Wise, et al. 2005. “Perceptual and Physiological Responses to the Visual Complexity of Fractal Patterns.” Nonlinear Dynamics, Psychology, and Life Sciences 9 (1): 89–114.
Ulrich, Roger S. 1984. “View Through a Window May Influence Recovery from Surgery.” Science 224 (4647): 420–21. https://doi.org/10.1126/science.6143402.
Ulrich, Roger S., Robert F. Simons, Barbara D. Losito, Evelyn Fiorito, Mark A. Miles, and Michael Zelson. 1991. “Stress Recovery During Exposure to Natural and Urban Environments.” Journal of Environmental Psychology 11 (3): 201–30. https://doi.org/10.1016/S0272-4944(05)80184-7.
Wilson, Edward O. 1984. Biophilia. Harvard University Press.

Fan, Y. (2026). Architectural Acoustics, Reverberation Time and the Environmental Psychology of Built Space: From Sabine's Equation and Fractal Visual Dimensions to Cognitive Performance, Read Beside Classical Chinese Spatial Design [建筑声学、混响时间与空间环境心理学的物理模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23782090 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).