本文以麦积山景区为例，通过空间信息叠层分析、理想场地描述与休憩地分类决策等关键过程的技术集成，实现各类游憩地空间优化目标，探索露营地科学选址规划的实现途径，为露营地场地设计、建设及可持续管理提供决策依据。
一、项目概况
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 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。
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。《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。结合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。
二、方法应用
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。
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)。
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。
4 神经网络算法与场地分类决策
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。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。
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。
三、结果分析与决策
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.
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。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。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。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。
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)。
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。
四、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。（作者：贾静 吴承照）
