露营地选址规划集成技术方法实践研究——以麦积山游憩空间优化为例

■ 贾 静 JIA Jing 吴承照 WU Chengzhao

0 引言

随着我国家庭汽车保有量的迅猛增长及国家公路网络建设的持续推进，自驾旅游已成为我国国民旅游主流。2017年，中国自驾游总人数达31亿人次，占国内出游总人数的62%。近几年，全国范围内掀起户外休闲热潮，特别是青少年的户外教育拓展营地、户外运动爱好者的野外露营地的需求量正在迅猛增加。目前，全国已建成和在建的露营地总数量约为900个左右，而美国仅房车露营地保有量已达到27 210个，相比之下，我国露营地已呈现严重缺乏的境况。2018年全国旅游工作会议上明确提出：“到2020年，露营地会达到2 000个。”旅游消费市场的刚需已触发各大城市投入休闲营地建设的积极性。

为应对一时所需，出现了盲目建设、随意规划的情况，特别是由于选址不利，导致露营地生态环境破坏、使用效率低下等问题屡见不鲜。目前，营地大都与城市典型景观、热门景区联系在一起，有30%自驾车房车营地建设在高禀赋的景区里或其附近地段[1]，景区中资源的稀缺性与有限的环境承载力对于营地的功能、数量、环保等提出更高的要求。目前的情况是，很多城市正面临着营地数量短缺、产品单一、发展模式不清晰等问题[2]，而城市人群多元化需求和消费升级必须依靠特定的空间和形态来支撑，各类游憩地的空间优化特别是露营地规划选址的科学性成为首要问题，将直接影响后续营地的建设、运营及资源保护的成效。

1 空间优化问题的集成技术方法

1.1 相关研究技术

空间优化选址是指在一定地理区域内为一个或多个选址对象选择或分配位置，使某一指标或一组指标达到最优的过程[3]。它一直是擅长处理二维或高维地理空间信息领域较为经典的问题之一，而遗传算法[3、4]、神经网络算法[5]、蚁群算法[6]等智能启发式算法早已因其出色的启发搜索能力和效率，很早被广泛应用于解决选址的问题中。地理信息系统（GIS）强大的信息集成与分析能力可以将多个相互冲突的目标或限制条件转化成多目标优化问题，但会由于传统的优化算法局限而导致不可避免的折衷解问题。在土地利用空间优化决策中，遗传算法可以通过高效搜索运算能力等配合模型构建，很好地解决相互冲突的多个规划目标的优化问题[7]，但这样的多种智能启发式算法又会因为缺少空间信息的支持，常会将多目标简单化为单一目标处理。由此，集成技术方法可以取长补短实现空间优化多重问题的解决。在规划设计研究领域，集成技术方法常指集成多学科、多专业的技术成果，针对规划目标或问题，建构一个因地制宜、量才适用的技术方法集成体系[8]。集成技术在空间优化选址中的应用可以突出以下优势：①应对复杂的环境条件；②实现多目标规划；③技术方法可控且具备自学习能力。

1.2 基本原理

针对选址空间优化问题，本文主要借助地理信息系统（GIS）强大的空间分析能力，通过遗传算法原理，实现对理想场地基因组的描述，确立学习样本，最后利用神经网络算法在充分训练与学习的基础上，实现大批量场地分类与规划决策。

（1）利用地理信息系统的数据分析能力，对各类规划问题实现集成空间复杂数据的空间可视化分析。规划中常用的高程分、坡度坡向、生态敏感性及视觉敏感性等分析成果的集成，可以将选址中涉及的复杂问题进行相对科学系统的描述，这对于后期样本的选择与场地属性定义的科学性具有非常重要的意义。

（2）在数学模型研究中，受遗传算法（GA）的进化算法（EA）的自然选择过程所启发，通过依赖生物启发运算符，利用复杂适应原理中的多样性变异（如变异、交叉和选择）来生成优化和搜索问题的高质量解决方案[9]。在环境干扰等附加信息处理的基础上，实现对于某一事件的描述与规划指令，故设定场地为Pn；每个对场地的属性分析值按一定规则描述为Ri，并通过选择一个可见的图式进行描述。这种描述以场地基因组的方式进行表达，将一个场地的某个基本属性看成其一个基因片断，这样，我们可以得到Ri的适应性，用f(Ri)来表示，从而样本被选中复制或反复使用的概率为：一般情况下，规划者需要结合前期丰富的设计经验，通过定义理想场地基因组赋值的方式来实现多个规划想法，并实现理想场地描述（图1），从而形成几个基于设计思考的不同基因组成的理想场地样本。

（3）在处理场地分类阶段，需要利用人工神经网络算法，基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，它具有较强的自学习能力和处理非线性问题能力。其反向传播算法是应用最广泛的神经网络，通过遗传算法与神经网络算法的集成，实现选址与空间布局最优解的过程（图2），这一过程常常通过各类软件的数学模型工具加以实现。

1.3 技术流程与实现过程

图1 GIS空间数据集成与理想图式选择原理图

图2 遗传算法与神经网络算法的集成原理图

图3 空间优化选址技术流程图

整个露营地空间优化过程可分为规划前期准备、GIS空间分析、场地描述过程、场地分类决策四个板块，各板块内部具体技术流程如图3所示，最后所用测试样本场地通过MATLAB软件实现游憩地分类空间可视化的过程。麦积山风景区资源特色及实际需要，将房车营地、小木屋、帐篷营地作为本次空间优化布局的3种休闲营地类型，并结合景区建设规划完善一定数量普通性休憩地。根据麦积山的“山、水、林、田”特色，可考虑规划森林型、滨水型、田园型3种车营地，森林可移动木屋、森林小木屋、滨水小木屋三种，森林露营地与滨水露营地，以及功能型、水景型、观景型3种休憩地。营地的主题可在后期游憩机会植入时进一步得到深化，规划管理者可以对所有营地的开发时序与适应性管理做进一步探讨。

2 项目概况

2.1 麦积山基本情况

麦积山景区自2014年成为世界遗产后，旅游热度持续升高，作为西部长线自驾游热门目的地，其出游高峰期出现在6～8月，大部分为自驾游群体。因此，市场消费需求正不断在增长，景区内原有游憩地需要结合新露营地规划，进一步整合优化其空间布局，从而促进景区逐步从单一游览地向游憩体验地转变，并缓解景区瞬时旅游压力。

在游客满意度调查中，当问询是否期待诸如车营地、户外露营的体验时，87.5%的游客表示“期待”。但营地规划需要依托景区来形成不同特色主题，开发特色活动和游线，发展个性化。对景区来说，营地的建设对环境影响较小，属于较为环保的开发；相比酒店宾馆，营地对管理和排污要求都相对较低，并且能起到一定的生态环保教育作用。露营地建设项目是一个相对复杂且与地域景观特征、服务能力、环境影响、游憩机会等方面相结合的综合游憩规划，景区管理方也希望结合旅游周期将短期、高负荷的旅游趋势向长期低负荷转化，挖掘适应户外运动爱好者亲近自然体验需求的游憩空间，并针对景区内不同保护目标，进行包括游憩地在内的各类露营地的统筹规划与可持续管理。

2.2 明确规划目标

在借鉴各类休闲营地规划实践的基础上，针对整个风景区游憩系统发展不均衡的现状，在不同景区实现分时序开发多类型的营地，拓展可接受的游憩项目，低影响开发实现各景区协调发展。具体规划目标为：①缓解石窟景区旅游压力，满足景区生态保护的要求；②带动乡村旅游产业，提高近郊户外游憩空间的利用率；③提供多样化的露营地，满足大众各种户外休闲体验需要。结合麦积山露营地的多目标规划，实现景区内各类游憩地空间优化布局的问题。

2.3 选择露营地类型

针对景区保护要求与营地建设的可持续化问题，露营地发展必定会对植被、环境、水质有一定的影响，多种类型的露营地选择更利于开展多种方式的度假休闲项目。本文希望借助遗传算法工具实现可发展不同游憩机会的营地类型与场地属性智能匹配的问题。依据所在环境特点，营地一般被划分为山地、湖畔、海滨、乡村、海岛和森林等6种类型[10]。《自驾游目的地基础设施和公共服务指南》明确指出，“露营地类型包括有帐篷露营地、集装箱露营地、木屋露营地等多种类型的露营地”。 在露营地规划设计中，可依据主要服务对象和住宿设施来确定营帐型、小木屋型、自驾车型、房车型几个营地类型[11]。结合

3 方法应用

3.1 GIS空间叠层技术成果集成

近些年，GIS叠层技术的场地信息采集在大尺度规划中应用广泛。在麦积山风景区总体规划中，对于景区自然环境状况诸如坡度、坡向、高程、生态敏感性、视觉敏感性等分析成果，可以被有效利用进行成果集成（图4）。另外，通用的3S技术集成成果与现场踏勘结合后，最后可确定50个场地并提取必要的场地信息（图5）。根据各类营地设计的目标，利用关键指标来表达场地基本信息，并用于后续各场地属性的描述上。

3.2 遗传算法与理想场地描述

规划管理者在规划游憩项目与选点时，常因调研工作量太大、调研场地数量过小而导致游憩项目设计过于主观化，影响游憩项目后期的管理与运营。同时，从环境保护的角度出发，景区营地后期持续管理包括基础设施建设、生活垃圾处理、饮用水的安全等问题。因此，在对理想场地的描述中，规划者兼顾市场需要、自然资源、交通网络和保护等级等主要影响因素，既要依附于高禀赋资源的吸引，又要依赖于优良生态环境的支撑，考虑适度交通水平、特色景观空间及环境承载下的游憩活动潜力。最终，选取可能游憩机会、景域环境特征、场地主要朝向、植物自然度、植物郁闭度、可进入性、服务依托性、生态植被敏感度、景观视觉敏感度9个场地属性，对各类游憩地的理想场地进行描述（表1）。

图4 麦积山GIS叠层分析组图（图源：中规院）

图5 麦积山游憩场地规划样地分布图

3.3 场地基因染色体编码与营地学习样本

针对露营地空间做最优选址问题，即在景区空间单元范围内找到最大化满足符合理想场地属性的场地。将每个场地理解为由多个场地属性组成的组合编码，成为该场地的染色体编码。故需场地设计染色体为n个场地属性的组合编码，场地Pn可以通过9个场地属性进行染色体编码描述:为尽量避免描述的主观性，以更好地对接规划目标，采用多位专家决策法，集成所有场地信息和场地各类分析成果，并对不同理想营地类型进行数字化描述（表2），主要由场地物理属性及环境影响因素来构思一系列理想化场地样板，即营地学习样本。

表1 理想场地属性描述列表

3.4 神经网络算法与场地分类决策

3.4.1 模型建立与算法

运用神经网络原理与统计学习理论为基础，开发出的工具箱——SVM支持向量机进行模型的建立与算法，运用其模式分类和非线性回归的功能，通过建立一个分类超平面作为决策曲面，使正例和反例之间的隔离边缘被最大化[12]。由台湾大学林智仁教授开发设计 的SVM模式识别器，在Matlab软件环境中可完成工作计算，其算法流程为：确定场地训练集（学习样本）和测试集（场地）→数据处理→按理想场地训练SVM训练集→分类适应度→形成场地分类决策→MATLAB实现。

3.4.2 运算结果

经计算得出的50个场地分类结果如表3所示。

4 结果分析与决策

4.1 可视化分析

在实际SVM训练中，参数Bestc=27.5421； 函 数g=63.9757， 通过遗传算法进行分类，终止代数为100，种群数量POP=20。其CV适应度为93.0769%,训练集的适应度为100%，实际测试集的适应度为74%，其运算显示的分类可视化结果如图6。

4.2 营地规划与管理决策

空间优化的决策分析成果为后续的景区生态保护与营地的持续管理提供科学依据。国外很早就有相关研究证明，规划数量少、高使用率的营地要比规划量大、低使用率营地的环境影响小很多[13]。在营地管理对策中，短暂关闭高使用频率的场地，便于在下次开放前得到足够的修复[14]。在景区管理中，最大化地减少露营地环境的不良影响极为关键，少量集中使用与轮休使用是两种最为有效的方法[13]。因此，两大问题成为明确露营地规划的策略及解决后续持续管理问题的关键。

4.2.1 关注开发优先性问题

在择选可以规划特定营地类型的场地后，规划者可根据可能的使用频率高低及服务半径，选择优先开发的类型与数量，并根据游客需求与资源保护要求，尽量规划少量高使用频率的营地。经分析，麦积山的营地24与28可比33、29、38优先建设（表4、图7）。

4.2.2 解决管理营休性问题

对于同类型规划的场地，可在同一景区内或不同景区分别确定不同露营地、休憩地的营休计划，以最大化地利用自然修复力达到生态保护的目标。如在石窟核心景区中，4与7号帐篷营地可根据旅游淡旺季制定交替的轮休开放计划，以利于典型资源的保护。

表2 营地学习样本数据表

表3 景区50个场地规划分类结果

图6 游憩场地测试集的分类结果图

表4 各景区各类游憩地数量

图7 麦积山各景区各种营地分布图

5 讨论与启示

目前，国内露营地建设除独立开发外，大多依赖景区或依托旅游村落布置，景区内的营地在与游憩机会结合的同时，可以成为特色亮点为景区带来人气，而依托村落建设的营地既可以充分共享村落公共设施，又进一步促进村落基础设施更加完善，对营地与风景社区来说是双赢的可持续发展之路。露营地规划选址长久以来是一个体现过多规划者主观决策的过程，而新项目的选址恰恰可以通过集成技术来实现各类型游憩空间优化目标。通过场地基因染色体编码的方式有目的地选择能够对接规划目标，以实现最理想的场地选择图式。缺陷仍在于带有一定主观性成分，特别是学习样本属性图式的确定，会对后期分类结果的影响较大。另外，从场地测试集的适应度表现上看，有些选址点的适应度表现不佳也是一大问题，仍需要更多的后期人工判断与调试。但随着各城市大数据云的支撑、学习样本数量的增加与各种实践案例的经验积累，会不断提高该技术方法的科学性。实证中，将近郊探险、拓展训练、露营、野炊等游憩需要和远程自驾旅游服务的露营地选址与原有游憩空间系统结合，精准对接规划目标，在综合考虑复杂环境影响、景观特征、游憩服务等诸多因素的基础上，探索一套可实现多样化休闲游憩空间优化的规划方法。

该方法可以基于更大的城市尺度甚至区域尺度，选址点的数量可以成倍数增加，因为遗传算法与神经网络算法的高阶运算速度，可充分体现集成方法智能批量处理的效率优势。最后，集成技术体系可以在某些环节进一步拓展，使其更加科学化、智能化，是一个可改进及进化的开放方法体系。其应用范围也不仅局限在露营地的选址问题，适用于城市其它各类项目分类选址，并进行空间优化决策的问题研究。