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 描述它们填充空间的程度 (Mandelbrot 1982):一条光滑曲线 ,一块填满的面 ,介于两者之间的曲线越曲折, 越接近 2。
推导
盒计数法。 用边长为 的方格覆盖图形,数出被曲线经过的方格数 。对分形,,所以
实际中在一段 范围内对 与 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 。分数布朗运动的轮廓线(赫斯特指数 )的维数为 : 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(,真值 1.1,估出 1.21 与 1.14),粗糙的被低估(,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 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 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 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, 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 = 1.14、1.32、1.51、1.70 的天际线轮廓,各看 1 分钟, 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 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,「 或 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「」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。
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「」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 、、 的窗景 5 分钟,皮肤电与心率变异性的恢复应当在 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 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 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 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
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).