周 梅

(合肥濱湖職業(yè)技術學院 教育科學學院,安徽 合肥 230601)

0 引 言

可持續(xù)發(fā)展是人類探尋與生態(tài)環(huán)境和諧共存的一個持久性過程。體育旅游產(chǎn)業(yè)必須遵循可持續(xù)發(fā)展原則，達到旅游和自然、文化形成一個整體的目標[1]。旅游的生存與發(fā)展依附于環(huán)境，同時也會對環(huán)境造成相當嚴重的破壞。體育旅游是新興旅游產(chǎn)品，在旅游項目中會影響到周圍的生態(tài)環(huán)境[2]。例如水上體育旅游項目會遺留船用清潔劑等殘留物品，給水體造成負面影響，給后期環(huán)境保護留下隱患的同時，也制約著旅游產(chǎn)業(yè)的進一步拓展[3]。因此，必須將水環(huán)境保護作為體育旅游產(chǎn)業(yè)可持續(xù)發(fā)展的基石，本文針對水環(huán)境保護對體育旅游產(chǎn)業(yè)發(fā)展的促進作用進行深入研究。

首先，對開展水上體育旅游項目的水域進行水質預測，利用小波分析對水質數(shù)據(jù)實行去噪，把優(yōu)化后的RBF、Elman神經(jīng)網(wǎng)絡和支持向量機算法進行融合，在此基礎上采用Adaboost算法構建水質預測模型，判斷旅游區(qū)域水質污染狀態(tài)；其次，計算水環(huán)境容量與體育旅游環(huán)境容量，并通過分析水域納污性能，充分說明水環(huán)境保護對旅游人口、布局的影響；最后，建立水環(huán)境保護下體育旅游促進作用函數(shù)模型，證明水環(huán)境保護和體育旅游產(chǎn)業(yè)之間的內涵關聯(lián)，完成環(huán)境保護與經(jīng)濟發(fā)展的雙贏。

1 基于Adaboost算法的水質預測分析

小波分析是將小波函數(shù)當作基函數(shù)，把初始信號根據(jù)頻率分解成多個層面，每層之間的信號不重疊，并且分析信號內含有初始信號的全部頻率[4]。將小波去噪效果評估準則分為以下兩種：

均方根偏差RMSE代表去噪后信號和初始信號的均方偏差，值越小表明去噪成效越好，具體記作

(1)

信噪比SNR的計算公式為

(2)

式中，powers代表初始信號功率，powern代表噪聲信號功率。

RBF神經(jīng)網(wǎng)絡是擁有單隱層的3層前饋網(wǎng)絡，利用網(wǎng)絡中的隱含層將低維度的輸入數(shù)據(jù)進行轉換，變?yōu)楦呔S度的輸出，解決了低維空間數(shù)據(jù)線性不可分的問題。其架構如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡架構

支持向量機SVM可作用在模式劃分及非線性回歸，把樣本數(shù)據(jù)從樣本空間折射至高維特征空間實施線性回歸，繼而得到一個涵蓋諸多元素影響的水質最佳回歸函數(shù)[5]。在最佳回歸函數(shù)中，使用合適的核函數(shù)替代高維空間內的向量內積，可以實現(xiàn)轉換后數(shù)據(jù)的擬合，并且此過程沒有增加運算復雜性，最終獲取最佳回歸函數(shù)：

(3)

式中，αi與αi*均是拉格朗日乘子，b是回歸函數(shù)的臨界值，SV表示支持向量，k(xi,x)是一個核函數(shù)。

Elman網(wǎng)絡較前饋神經(jīng)網(wǎng)絡擁有更好的運算性能，是一種反饋性神經(jīng)網(wǎng)絡，完美地呈現(xiàn)出系統(tǒng)的動態(tài)性。Elman網(wǎng)絡在BP神經(jīng)網(wǎng)絡的前提下增添一個承接層，擁有適應時變特征的網(wǎng)絡預判功能。具體如圖2所示。

圖2 Elman神經(jīng)網(wǎng)絡架構

Adaboost算法是一種典型的統(tǒng)計學習方法，其關鍵思路為首先給予弱學習算法與K組樣本數(shù)據(jù)，各組數(shù)據(jù)的原始權重是1/K，再運用弱學習算法實施訓練，把訓練結果和真實值進行對比，對預判失誤的訓練樣本給出較大權值，在其下次迭代計算的過程中，讓這些訓練樣本獲得更多的關注，訓練失誤判斷取決于錯誤率ε。若ε高于臨界值時，斷定為預判失敗樣本，繼而獲取一系列使用不同權重訓練樣本的弱預判器序列f1,f2,…,fn，同時讓各個弱預判器也擁有相對的權值，預判結果準確率較高。最后在實現(xiàn)迭代后，把全部弱預判器加權求和獲得強預判器，運用強預判器實行預測。

RBF網(wǎng)絡能夠自適應明確網(wǎng)絡架構，但運用固定的目標偏差goal和拓展系數(shù)spread，不能對樣本作出進一步優(yōu)化，致使訓練準確率較差。因此本文采用梯度下降法來得到對照的目標偏差和拓展系數(shù)，利用試湊法明確最佳預判結果。

將某地區(qū)體育旅游范圍的水域當作研究目標，該水域的水質指標會受到自然及人為的共同影響[6]。本文的水質預判主要針對此水域4-8月份溶解氧濃度實施分析研判，對預判結果進行比較分析。

首先，建造一個弱預判器，分別由3個單一模型構成。結合上文所述的RBF神經(jīng)網(wǎng)絡，以及支持向量機進一步處理，實現(xiàn)預測。其根本就是尋找輸入與輸出間的非線性函數(shù)關聯(lián)，想要得到精度較高的預判結果，輸入及輸出數(shù)據(jù)的擇取具有十分關鍵的作用。

因為溶解氧濃度的轉變是一個漸變過程，因此按照歷史數(shù)據(jù)改變走向來預判后續(xù)的輸出能夠得到很好的成效，具體計算為

d(t)=F(d(t-1),d(t-2),…,d(t-n))

(4)

其中，d(t)是t時段溶解氧的檢測信息，n是輸入層節(jié)點數(shù)量，f是通過單一預判模型明確的輸入-輸出映射關聯(lián)。經(jīng)過實驗了解，利用最近2天內的溶解氧歷史信息來預判輸出效果最優(yōu)，也就是n=2。

在模型輸入輸出擇取方面，依次采集溶解氧信息的前2天歷史信息當作模型輸入矢量，未來一天的預判值是輸出矢量，建立2輸入1輸出的弱預判器為

d(t)=F(d(t-1),d(t-2))

(5)

其次，建立Adaboost強預判器。使用Adaboost算法把獲得的若干個弱預判器序列構成全新的強預判器，具體流程為

第一次迭代數(shù)據(jù)的原始權重是D1(k)=1/n， 給各個樣本數(shù)據(jù)配發(fā)相同權重。每次迭代之前，把預判器權值進行初始化[7]，然后使用同樣的數(shù)據(jù)集訓練3個弱預判器，如果某個樣本數(shù)據(jù)預判偏差高于固定值，那么將其權重進行相加，最終獲得該弱預判器的權值總和：

Error=Errorj+Di

(6)

式中，Errorj表示第j個弱預判器權值累積總和，Di是超出偏差臨界值的數(shù)據(jù)權值。

更新樣本數(shù)據(jù)權重，如果目前偏差沒有超出臨界值，那么權值Di不會產(chǎn)生任何變化，延續(xù)至下一次迭代過程中。如果超出偏差臨界值，那么權值會增大，具體描述為

Di+1=1.1Di

(7)

按照弱預判器權值累積之和Error，計算出序列權值：

(8)

通過n輪迭代之后得到強預判結果：

F=at·[f1,f2,…,fn]

(9)

選擇平均相對偏差絕對值MRE、最大相對偏差絕對值MaxRE和均方偏差MSE當作對預判結果的評估指標：

(10)

(11)

(12)

2 水環(huán)境容量與體育旅游環(huán)境容量計算

通常情況下，多數(shù)封閉與半封閉水體的水質模型是以水環(huán)境容量為前提[8]。則水環(huán)境容量的解析式為

W=1/Δt(Cs-C0)V+KVCs+C0Q

(13)

其中，W是水體內有機污染物的水環(huán)境容量，V是旅游水域貯水量，Δt是水域保持其既定貯水量的時間，Cs是水質維護標準，C0是某個污染物的真實測量濃度，K是污染物生化降解指數(shù)，Q是水域內流出的水量。

若污染物匯入水域后，污染主要體現(xiàn)在排污口周邊水體中，使用式(14)進行排污口位置r之內水域納污性能計算。

M=(Cs-C0)exp(KφhLr2/2Qp)Qp

(14)

其中，M是水域與排污口間距之內水體的環(huán)境容量，φ代表擴散角；水域內進行排放時，φ=2π。hL是擴散地區(qū)水深均值，r是推算水域邊界至入河排污口的間距，Qp是排進水域中的污水數(shù)量。

水域內氮或磷的水體納污性能使用狄龍模型實施計算：

MN=LsA

(15)

Ls=PshQ/(1-Rp)V

(16)

Rp=1-W出/W入

(17)

其中，MN為氮、磷的水體納污性能，Ls為單位水域面積內氮、磷的水體納污性能，A代表水域面積，h是水域深度，Ps是體育旅游水域內氮、磷的平均濃度系數(shù)，Rp為氮、磷的存留參數(shù)。

體育旅游人數(shù)的計算方法很多，本文采用游覽環(huán)境的面積法實施人口計算[9-10]，也就是旅客進出口是相同位置，把具體方法描述為

C=(M/m)·D

(18)

其中，C是環(huán)境日容納最高人數(shù)，M是旅游路徑總長，m是每個游客占據(jù)的適當旅游路徑長度，D為周轉率。

3 水環(huán)境保護下體育旅游促進作用模型

使用麥肯奈爾模型，將旅客體育旅游停留時間外生情況下的需求函數(shù)記作

x=x(px+pnn,p,y,n)

(19)

式中，px表示旅游成本，pn表示機會成本，n為停留時長，y是總收入，p代表消費希克斯商品束成本。

若停留時間為內生狀況，則：

x=x(px,pn,p,y)

(20)

旅游需求函數(shù)受到旅游成本、停留時間成本、消費?？怂股唐肥杀炯奥每涂偸杖氲挠绊憽Ｓ绊懨癖娐糜涡枨蠛瘮?shù)的相關變量[11]，對停留時間也具備較大影響。停留時間的決策公式為

t=t(px,pn,p,y)

(21)

在旅游成本模型內，針對制定的適宜性場景的需求函數(shù)差異較大，擁有伴隨時間改變而產(chǎn)生變化的情況。所以，在預判民眾旅游需求函數(shù)的過程中，應當考慮目的地時間效應[12]，將其設置成兩種模式：第一種是假設參觀次數(shù)伴隨時間t的改變產(chǎn)生轉變，第二種是通過參觀次數(shù)的滯后時間與其他控制變量共同決定。本文使用第二種假設描述旅客游玩的動態(tài)行為收斂，具體表示為

xt=x(px,t,pn,pt,yt,xt-1,xt-2,…,xt-i)

(22)

使用式(20)與式(22)就會得到動態(tài)行為收斂下的旅客需求函數(shù)，因此可將停留時間的預判方程定義為

nt=x(px,t,pn,t,pt,yt,nt-1,nt-2,…,nt-i)

(23)

式中，t代表第t期，通常描述為第t年，今年參觀次數(shù)會受到前期t-i年參觀次數(shù)的影響，與此同時，之前若干年在目的地的停留期限也決定了第t年旅客在目的地逗留的時長。式(22)與式(23)表明了旅客對于相同目的地水環(huán)境保護下的旅游需求與停留時間需求的動態(tài)決策問題。

關于水環(huán)境保護下的停留時間外生旅游成本模型而言，按照式(19)，同時融合旅游消費函數(shù)的變量解析，j地區(qū)旅客在水環(huán)境較好狀態(tài)下的旅游產(chǎn)業(yè)馬歇爾需求函數(shù)是

xj,t=x(px,j,t+n·pn,j,t,nj,t,yj,t,xj,t-1,xj,t-2,Oj,t)

(24)

式中，xj,t表示游客在第t期對j地區(qū)的參觀率人均值，因為探討的具體目標是旅客在水環(huán)境保護下的旅游需求行為，所以假設各地區(qū)每個體育旅游產(chǎn)業(yè)的景點都是相同品質的產(chǎn)品，一個區(qū)域固定時段的出游率即為此地區(qū)目前時段對同品質旅游景點的參觀率人均數(shù)值，也就是區(qū)域旅游成本模型內的旅游需求量。px,j,t表示第t期區(qū)域的旅游成本均值，pn,j,t表示第t期j地區(qū)的在景區(qū)停留時間單位成本，yj,t是第t期j地區(qū)的人均收入均值，xj,t-i是j區(qū)域滯后i期的人均參觀率，Oj,t表示第t期j地區(qū)的不包含體育旅游產(chǎn)業(yè)的剩余經(jīng)濟發(fā)展特性。

若停留時間處于內生狀態(tài)時，根據(jù)式(22)，把j地區(qū)旅客的馬歇爾需求函數(shù)設置成

xj,t=x(px,j,t,pn,j,t,yj,t,xj,t-1,xj,t-2,Oj,t)

(25)

通過動態(tài)面板數(shù)據(jù)解析算法，將回歸模型轉換為

(26)

式中，ui表示不可觀察的個體效應，εj,t是隨機擾動項。回歸方程設置為

(27)

假如式(27)的回歸方程作用較大，則認定停留時間為內生狀態(tài)。由此，本文把水環(huán)境保護與體育旅游產(chǎn)業(yè)之間的游客需求函數(shù)回歸模型描述為

(28)

4 仿真實驗

本文使用MATLAB的Simulink工具實施建模，Simulink擁有一定數(shù)量的基本庫和面向固定領域的拓展庫，用戶可按照自身需要建造符合實際狀態(tài)的模型。在系統(tǒng)內輸出某區(qū)域體育旅游景觀水體CODC r濃度及氨氮濃度的模擬值。因為該水域屬于景觀水體，所以在夏季水體極易產(chǎn)生黑臭現(xiàn)象。本文通過對水體CODC r及氨氮的模擬值與實際值進行對比，繼而了解水環(huán)境保護與體育旅游產(chǎn)業(yè)之間的促進作用。具體見表1和圖3所示。

表1 水體預測結果

圖3 CODC r實測值、模擬值及旅客人數(shù)對比

按照模擬值和實測值的對比可知，兩者的偏差均收斂在一定單位中，且在量值方面比較相近。以CODC r為例，伴隨水環(huán)境污染指數(shù)的上升，旅客人數(shù)呈現(xiàn)出下降趨勢。由此可知，只有在水環(huán)境保護作用下，體育旅游產(chǎn)業(yè)才能擁有良性發(fā)展。因此可認定本文促進作用模型可以很好地呈現(xiàn)出水環(huán)境保護與體育旅游產(chǎn)業(yè)之間的耦合關聯(lián)，得到的結果符合真實場景的計算需要。

5 結 論

為了保證水環(huán)境保護和體育旅游產(chǎn)業(yè)的良性交互，建立一個水環(huán)境保護與體育旅游產(chǎn)業(yè)間的促進作用模型。通過分析水質的具體狀態(tài)，模擬不同水環(huán)境條件下旅游人口容量狀態(tài)，以停留時間內生旅行成本模型，對水環(huán)境保護下體育旅游需求函數(shù)進行評估，獲得水環(huán)境保護下體育旅游促進作用函數(shù)模型。