全域旅游空间潜力预测，让AI助力乡村振兴
注：本文为删减版，不可直接引用。原中英文全文刊发于《景观设计学》（Landscape Architecture Frontiers）2022年第5期"生态系统文化服务与景观实践"。获取全文免费下载链接请点击https://journal.hep.com.cn/laf/EN/10.15302/J-LAF-1-020073；参考引用格式见文末。
导 读
在建设“全域旅游”的背景下，区域尺度的游憩服务发展将从单一景点景区的建设转向旅游目的地的综合统筹，助力乡村振兴和区域协调发展。然而，在全域旅游“连点成片”的过程中，如何根据本地独特的环境禀赋识别出具有较高游憩潜力的区域并据此评估发展的优先程度，仍是研究与实践的热点和难点。本研究以鄂西地区为例，引入生态系统文化服务理论中潜力评估的研究方法，运用社会－生态多源数据构建了结合集成机器学习的SDM模型，对研究区域内336个已知游憩服务热点的环境特征进行了剖析，并预测了连续空间中高游憩潜力区域的概率分布。本研究提供了一条从环境特征变量数值关系角度理解区域尺度游憩空间规律的技术路径，旨在为全域旅游和乡村振兴的空间发展策略提供参考。
关键词
全域旅游；游憩服务；生态系统文化服务；空间潜力预测；机器学习；鄂西
“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
作 者
文晨1,2，茶静1,2，徐利权1,2,3，徐海韵4
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
研究区域
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 © 文晨，茶静，徐利权，徐海韵
鄂西游憩服务点示例 © Rural Construction Center of Hubei Province (RCC-HB)
机器学习数据集构建
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。
研究将土地利用类型转化为了四类用地（林地、建成区、农田、水体）的构成比例值，使用了“移动视窗”的方法计算了每一个像元邻域内的全局景观指数，选取了JOINENT（景观联合熵值）和SHDI（香农多样性指数）两个指标来量化多样性和复杂性特征。研究将环境特征数据集的空间分辨率统一为1000m。此后，提取336个已知游憩服务发生点的所有环境特征数值。
融合集合机器学习框架的SDM建模
SDM模型能够通过学习已知游憩服务热点的环境特征（自变量），并将预测概率推广至全域。本研究数据分析过程使用了编程语言R和Python；并借助QGIS进行可视化。
在预处理阶段，确认预测范围为鄂西全域，并使用环境过滤法来预筛选预测范围内的发生数据集。输入数据后，算法针对潜在共线性问题，随机生成了伪缺失数据集，并使用了主成分分析的方法进行降维。
研究使用了空间块划分法对336个点位进行训练集和验证集的拆分。具体将数据集分为四个块（“空间折叠”），其中三个块用作训练集，另一个块用作验证集；而后循环将每个块作为验证集。
研究构建了纳入了不同环境特征变量的三组模型（表2），通过比较最终的模型预测性能来分析不同环境特征对于预测游憩服务潜力的显著程度。
研究使用最大熵模型（MEM）、高斯过程模型（GAU）、广义线性模型（GLM）、随机森林（RF）四类算法进行建模，此后采用基于集成模型的机器学习方法，将以上算法合并，达到全局更优的预测效果。研究首先对不同单独算法的预测结果进行加权平均，权重的依据是各模型的性能评价指标，包括TSS（真实技巧统计值）、AUC（ROC曲线下面积）和JACCARD（杰卡德相似系数）调试完毕的模型将用于预测鄂西游憩服务潜力的空间概率，并完成相应的游憩潜力制图。
研究结果
发生数据和环境特征数据分析结果
通过样本点环境特征分析可知，游憩服务发生点的各个环境特征变量在多个环境特征中具有明显的聚集效应。游憩服务发生点所处位置的平均海拔为591m，平均坡度为3.85°；所属公里网格的林地占比超过50%，建成区占比7.8%，农田占比17.7%；距离最近的城镇约22km，距离最近的湖泊和河流约7.6km。鄂西生态状态较好，体现为NDVI和EVI指数在全域范围均较高；其中海拔较低和相对平坦的市域范围农田占比高，水网发达；通过景观指数，识别出若干带状区域具有较高的景观多样性和复杂度。
环境特征的空间建模结果 © 文晨，茶静，徐利权，徐海韵
环境特征的数值分布 © 文晨，茶静，徐利权，徐海韵
研究使用10个主成分提取了原始数据中累计达95%的可解释变异，并作为自变量参与模型构建。在三组模型中，纳入了所有环境特征变量的模型三性能表现最好，将以此作为空间可视化的对象。
基于不同算法的游憩服务潜力预测结果 © 文晨，茶静，徐利权，徐海韵
基于模型三的全域游憩潜力的预测概率地图和二元适应性地图 © 文晨，茶静，徐利权，徐海韵
预测结果和模型表现
不同算法下的预测结果显示，随机森林模型预测的高游憩服务潜力区域相对较少，主要体现为以西北－东南向的两个带状区域及周边的星点区域。其他三个模型也识别出了长江沿岸和这两个带状区域，但又额外识别出大量山地地区。
在运用相同环境特征数据集的情况下，三个模型的预测结果略有差异。以AUC和JACCARD来看，三个模型差异较小，显示了较好的模型表现；但以TSS来看，各模型表现差异较大，仍有随机性。
集成模型能够提高整体的模型表现，提升预测准确率（表3）。结果显示，最高游憩服务潜力地区较为分散，但是西部地区的整体游憩服务潜力较高，而且一些明显条带状区域具备连片条件。另外精细识别出了位于长江水系与荆山等山脉交汇处的高游憩服务潜力区域。
讨 论
理论和方法论意义
本研究通过现有游憩服务热点的环境特征作为机器学习的模型参数，既能够从数值角度理解游憩服务潜力规律，又能克服专家打分的主观性，提供了一种区域尺度游憩服务潜力评估的新路径。
在实证研究中，本案例的样本点代表了区域尺度下的常见旅游目的地，体现了复合的群体偏好，回应了CES在相应空间研究中关于偏好的难点。
在技术方法论上，本研究分步骤地纳入了不同类别的环境特征变量，以剖析不同变量的预测能力。结果表明，在用地构成、地形等环境特征变量之上，加入水域和城镇的邻近度、景观指数、光谱指数、气候等变量能提升模型在研究场地的预测表现（表4）。鉴于游憩服务是复杂的社会－生态现象，应预先调查现有游憩服务热点具有何种吸引力特征，针对不同的研究场地和目的构建数据集。
其次，本研究提出的技术路线能够在区域尺度产生连续的预测结果，不依赖特定统计单元（如行政区或特定景区）。因此，适用于边界难以确定的乡村和荒野地区。
实证研究重要结果解释
本研究提供了鄂西地区连续空间中游憩服务潜力的预测结果。其中部分区位呈现出的空间模式与一些现有研究结果相一致。同时，本研究回应了全域旅游对景区周边和景点之间的关切，并进一步细化了游憩服务潜力的内部差异，使预测更有空间区分度和实用性。
模型运用
本研究在实践中具有以下两大优势。其一，基于GIS的空间建模和评价能够在连续地理空间中识别出具有不同游憩服务潜力的区域，并克服数据样本不平衡的问题。其二，在实际应用中，全域旅游的开发可分步骤、有计划地连点成片。通过识别高游憩服务潜力区域间的空间关系，分析出连片发展的挑战和障碍。
然而，模型结果在运用过程中也存在限制。例如，模型的构建依托输入数据的类别、时间点，以及数据质量，因此需要根据实证调研和相关文献构建数据集，并以较新和较高分辨率的形式发展成指标变量。其次，当尝试将结果用于较小尺度的分析时，应警惕跨尺度带来的不确定性。因此，建模研究不能取代现场调研。在规划实践中，应把建模结果当作空间定位的参考。
研究不足
本研究主要有两点不足。首先，很多人文因素难以直接量化。作者曾尝试纳入社会经济发展水平和少数民族分布等，但是仍受制于数据不足和无法精确空间化的掣肘。研究区域内的有效微博签到数据较少。其次，遵循SDM模型的数据要求，未区分不同游憩服务热点的质性差异。在SDM模型框架下，如何分析多类别社会事件的发生并将结果聚合，将是未来研究的重点。
结 论
本研究运用基于集成模型的机器学习方法，基于SDM模型提出全域旅游视角下区域游憩服务空间潜力预测的新研究路径。结果表明，集成模型的预测表现较好，在数据测试集中也有较高准确率。研究发现，运用不同算法可能导致预测结果的不同。而集成模型提供了一种避免“将鸡蛋放在一个篮子里”的预测方法，具有实践指导价值。
鄂西地区的研究结果表明，区域尺度的综合游憩服务潜力预测结果与用地类型、景观构成、气候要素、交通便利等因素相关，但其评价体系的构建应充分考虑已受官方认证或市场认可的文化游憩服务热点，将通过热点“学习”到的环境特征推广到全域，能更好地指导“连点成片”，并通过可达性分析聚焦关键空间位置，助力区域发展。
部分参考文献
[1] Yang, Z., (2016). The connotation of all-for-one tourism and its development stages. Tourism Tribune, 31(12), 1–3.
[2] Cortinovis, C., & Geneletti, D. (2018). Mapping and assessing ecosystem services to support urban planning: A case study on brownfield regeneration in Trento, Italy. One Ecosystem, (3), e25477.
[3] Wen, C., Albert, C., & von Haaren, C. (2022). Nature-based recreation for the elderly in urban areas: Assessing opportunities and demand as planning support. Ecological Processes, (11), 44.
[4] Fish, R., Church, A., & Winter, M. (2016). Conceptualising cultural ecosystem services: A novel framework for research and critical engagement. Ecosystem Services, (21), 208–217.
[5] Cheng, X., Van Damme, S., Li, L., & Uyttenhove, P. (2019). Evaluation of cultural ecosystem services: A review of methods. Ecosystem services, (37), 100925.
[6] Paracchini, M. L., Zulian, G., Kopperoinen, L., Maes, J., Schägner, J. P., Termansen, M., Zandersen, M., Perez-Soba, M., Scholefield, P. A., & Bidoglio, G. (2014). Mapping cultural ecosystem services: A framework to assess the potential for outdoor recreation across the EU. Ecological Indicators, (45), 371–385.
[7] Pérez-Valladares, C. X., Moreno-Calles, A. I., Mas, J. F., & Velazquez, A. (2022). Species distribution modeling as an approach to studying the processes of landscape domestication in central southern Mexico. Landscape Ecology, (37), 461–476.
[8] Zhang, J., & Li, S. (2017, December). A review of machine learning based species’ distribution modelling. In: 2017 International Conference on Industrial Informatics-Computing Technology, Intelligent Technology, Industrial Information Integration (ICIICII) (pp. 199–206). IEEE.
[9] Li, Y., Fei, T., Huang, Y., Li, J., Li, X., Zhang, F., Kang, Y., & Wu, G. (2021). Emotional habitat: Mapping the global geographic distribution of human emotion with physical environmental factors using a species distribution model. International Journal of Geographical Information Science, 35(2), 227–249.
[10] Hermes, J., Albert, C., & von Haaren, C. (2018). Assessing the aesthetic quality of landscapes in Germany. Ecosystem Services, (31), 296–307.
[11] People’s Government of Hubei Province. (2016, May 31). Notice of Provincial People’s Government on Issuance of the 13th Five-Year Plan for Tourism Development in Hubei Province.
[12] Jin, C., Fan, L., & Lu, Y. (2010). Spatial distribution of agricultural tourism based on accessibility in case of Jiangsu Province. Journal of Natural Resources, 25(9), 1506–1518.
[13] Weyland, F., & Laterra, P. (2014). Recreation potential assessment at large spatial scales: A method based in the ecosystem services approach and landscape metrics. Ecological Indicators, (39), 34–43.
[14] Gosal, A. S., Giannichi, M. L., Beckmann, M., Comber, A., Massenberg, J. R., Palliwoda, J., Roddis, P., Schägner, J. P., Wilson, J., & Ziv, G. (2021). Do drivers of nature visitation vary spatially? The importance of context for understanding visitation of nature areas in Europe and North America. Science of the Total Environment, (776), 145190.
[15] Chhetri, P., & Arrowsmith, C. (2008). GIS-based modelling of recreational potential of nature-based tourist destinations. Tourism Geographies, 10(2), 233–257.
[16] Chan, N. W., & Wichman, C. J. (2020). Climate change and recreation: Evidence from North American cycling. Environmental and Resource Economics, (76), 119–151.
[17] Rugel, E. J., Henderson, S. B., Carpiano, R. M., & Brauer, M. (2017). Beyond the Normalized Difference Vegetation Index (NDVI): Developing a natural space index for population-level health research. Environmental Research, (159), 474–483.
[18] Velazco, S. J. E., Rose, M. B., de Andrade, A. F. A., Minoli, I., & Franklin, J. (2022). FLEXSDM: An R package for supporting a comprehensive and flexible species distribution modelling workflow. Methods in Ecology and Evolution, 13(8), 1661-1669.
[19] Martin, C. L., Momtaz, S., Gaston, T., & Moltschaniwskyj, N. A. (2016). A systematic quantitative review of coastal and marine cultural ecosystem services: Current status and future research. Marine Policy, (74), 25–32.
本文引用格式 / PLEASE CITE THIS ARTICLE AS
Wen, C., Cha, J., Xu, L., & Xu, H. (2022). 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. Landscape Architecture Frontiers, 10(5), 8‒31. doi:10.15302/J-LAF-1-020073
编辑 | 田乐
制作 | 高雨婷
版权声明：本文版权归原作者所有，请勿以 编辑版本转载。如有侵犯您的权益请及时联系，我们将第一时间删除。
投稿邮箱：info@landscape.cn
项目咨询：18510568018（微信同号）
