“全域旅游”导向下鄂西游憩服务的空间潜力预测研究——基于集成模型的机器学习方法

Spatial Potential of Recreational Services in Western Hubei Region in Light of the “All-for-One Tourism” Development

—A Machine Learning Approach Based on Ensemble Model

1 华中科技大学建筑与城市规划学院

2 自然资源部城市仿真重点实验室

3 华中科技大学建成遗产研究中心

4 北京建筑大学建筑与城市规划学院

背景概述

全域旅游指把整个区域作为旅游区考虑，推动旅游和全产业融合，以知名景点景区、乡村旅游热点带动相关片区发展，全面激活游憩服务潜力。全域旅游发展并不是均匀发力，重点发展区的选位和资源投入需要科学决策。实践中需要根据当地的自然资源、人文资源、基础设施等禀赋，识别出具有较高游憩服务潜力的区域进行重点发展，并借此考虑不同区位的开发成效，制定优先发展策略。然而，现有研究较少从连续空间中对当地独特的生态－文化旅游资源和潜力进行量化和可视化。这些研究的缺失也阻碍了精细化城乡融合发展策略的制定。生态系统文化服务理论（cultural ecosystem services，CES）为识别、量化和评估当地生态-文化资源提供了支持框架，但在实践中也需要克服乡村及荒野片区数据匮乏、建模难以体现本地偏好、传统打分法存在的不确定性等问题。

本研究旨在运用CES游憩潜力空间测定的方法论，搭建基于多源数据和机器学习的空间分析框架，从而进行区域尺度游憩潜力的预测。研究将“游憩服务潜力”（recreation potential）界定为自然环境提供游憩活动或体验的可能性。本文研究目标为：1）根据本地受认可的游憩服务热点预测全域连续空间的游憩服务潜力；2）从环境特征数值关系的角度理解区域游憩服务的空间规律。

文献综述

CES是指人类通过与自然接触所能得到的非物质类福祉，包括游憩、审美体验、精神感知、宗教、教育、治愈、启发创造等。近年来，有研究开始使用物种分布模型（Species Distribution Modeling，SDM）进行区域尺度社会文化现象的空间预测，取得了良好成效。SDM主要是将生物的观测记录点信息和环境特征建立联系，可通过机器学习方法拟合模型并生成连续空间下的预测结果。在相关研究中，使用SDM进行预测的理论依据是地理环境因素仍可以作为代理变量从不同角度反映人文因素。

现有区域尺度的研究中常用的叠加法和多准则分析法在设定不同影响因素的权重时较为主观，缺乏复现和验证研究，而专家打分法也会引入不确定性因素。其次，现有建模研究较少挖掘本地游憩服务点，导致地域性难以体现。最后，数据样本较为稀缺的荒野等连续空间较少被纳入研究。

研究资料与方法

研究场地位于湖北西部——鄂西区域全境，覆盖人口超2730万，主要为山地。鄂西既是CES多样且丰富的地区，也是发展旅游扶贫的重点区域。

研究场地内受认证的游憩服务发生点 

鄂西游憩服务点示例 

研究采用机器学习的建模框架，将现有受认证的游憩服务离散点位作为发生观测，将鄂西地区内的社会－生态多源数据作为环境特征。

发生数据集在本研究中指已产生游憩服务的点位。研究选择了三类游憩服务热点数据构建发生数据集：1）国家A级旅游景点景区和湖北省精品旅游线路中所涉景点；2）国家级传统村落；3）社交网络微博热门打卡地点。这些游憩服务热点代表了受官方认证或市场认可的游憩服务。

研究团队通过高德API地理编码获取上述游憩服务热点的空间坐标；在预处理中，发现所获得的微博签到数据与区域人口分布高度相关，存在仅代表居住点的问题，所以剔除了所有主城区范围内的打卡数据，仅保留了乡镇、乡村的热门签到点位。最终得到336个空间点位。

研究团队参考了现有CES文献中有关游憩潜力建模的研究（表1），将土地覆盖、地形地貌、景观构成、气候、交通便利等16个变量作为本研究的环境特征类别。