一种旅游资源开发适宜性评估方法及系统

1.本发明涉及旅游开发评估技术领域，更具体地，涉及一种旅游资源开发适宜性评估方法及系统。


背景技术：

2.土地利用类型的空间分布，不仅表征着人类活动和社会经济的空间特征，而且直接驱动着景观格局的演变。土地利用格局的演变，又与城市群用地规划和生态系统服务保护密切相关。旅游开发在新型城镇化推进过程中发挥着重要作用，了解旅游用地的发展特征和演化机制，融入地方文化特色和内涵，可有效促进旅游资源开发和新型城镇化进程的有机结合。
3.分析人类活动和社会经济现状，挖掘和集成各类空间环境要素，采用地统计学方法进行空间相关性分析，构建适宜性评价模型，是旅游资源调查和开发的常用方法和流程。比如层次分析法(analytic hierarchy process，ahp)作为一种定性和定量相结合的决策方法，通常以地理信息系统(geographic information system，gis)为平台，借助专家打分和熵值等方法确定因子权重，并结合遥感影像和地理兴趣点(point of interest，poi)等多源地学数据，被用于旅游开发和生态环境的适宜性评价。但是，用于开展地学分析、预测和评价的空间数据(spatial data)，虽然大多数在体量和产生及处理速度方面难以达到大数据的要求，但其具有多源多类、价值密度低和数据质量难以保证等大数据所具有的显著特点。


技术实现要素：

4.本发明针对现有技术中存在的目前旅游资源开发适宜性评估不精准的技术问题。
5.本发明提供了一种旅游资源开发适宜性评估方法，包括以下步骤：
6.s1，获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；
7.s2，将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；
8.s3，利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；
9.s4，利用优化模型对待开发地区进行旅游资源开发适宜性评估。
10.优选地，所述s2包括采用随机森林算法对训练集进行分类和回归处理，具体包括：
11.s21，构建决策树样本集；
12.s22，确定特征变量个数，构建一棵决策树；
13.s23，根据步骤s21～s22，构建多棵决策树分类器，集合组成为预测模型。
14.优选地，所述s21具体包括：将样本集ds按照7：3的比例，划分为训练集dt和验证集dv，训练模型时，采用bootstrap采样法从训练集dt的n个样本中抽取n次，用于构建一个决
策树分类器，n为训练集dt的样本数。
15.优选地，所述s22具体包括：从m个特征变量中随机抽取m
try
个，然后根据gini不纯度最小或最小均方差的原则进行分裂得到一棵决策树。
16.优选地，所述s3具体包括：将构建的模型用于验证集进行测试，若满足分类或回归性能要求，则应用于预测集dp进行预测；若不满足，则重新构建样本集，通过参数调优修正模型，直至其满足分类或回归性能得到优化模型。
17.优选地，所述s3中修正预测模型的过程还包括模型评价过程如下：
18.采用判定系数(r-square，r2)、平均绝对误差(mae，mean absolute error)和均方根误差(rmse，root mean square error)来评估预测模型的性能；
19.r2从总体判断模型的精度，反映了预测值与实测值的之间的匹配程度，r2越高，意味着模型的拟合程度越好；mae是绝对误差的平均值，能更好地反映预测值误差的实际情况；rmse从样本本身出发，直接比较预测值与实测值之间的偏差，其值越小，说明预测能力越好，计算公式如下：
[0020][0021][0022][0023]
上述各式中，n为样本总数，yi为样本实测值，为样本的预测值，为样本实测值的平均值。
[0024]
优选地，所述s4之后还包括：
[0025]
选取最大斑块指数(lpi)(板块尺度)和分维数(pafrac)代表景观个体单元特征，用最大斑块指数(lpi)(类型尺度)和蔓延度(contag)表征景观组分空间构型，选用景观多样性指数(shdi)和动态度(de)代表景观整体多样性特征；将各指数在fragstats平台上基于其相应的应用尺度进行建模并计算得到景观指数变化趋势。
[0026]
本发明提供了一种旅游资源开发适宜性评估系统，所述系统用于实现旅游资源开发适宜性评估方法，包括：
[0027]
数据获取模块，用于获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；
[0028]
模型训练模块，用于将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；
[0029]
优化模块，用于利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；
[0030]
评估模块，用于利用优化模型对待开发地区进行旅游资源开发适宜性评估。
[0031]
本发明还提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现旅游资源开发适宜性评估方法的步骤。
[0032]
本发明还提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现旅游资源开发适宜性评估方法的步骤。
[0033]
有益效果：本发明提供的一种旅游资源开发适宜性评估方法及系统，其中方法包括：获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；利用优化模型对待开发地区进行旅游资源开发适宜性评估。通过本方案能快速精准的预测出研究区域的旅游开发适宜度。
附图说明
[0034]
图1为本发明提供的一种旅游资源开发适宜性评估方法流程图；
[0035]
图2为本发明提供的一种可能的电子设备的硬件结构示意图；
[0036]
图3为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图；
[0037]
图4为本发明提供的多年度类别尺度的景观指数图；
[0038]
图5为本发明提供的多年度景观尺度的景观指数图。
具体实施方式
[0039]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0040]
图1为本发明提供的一种旅游资源开发适宜性评估方法，包括以下步骤：
[0041]
s1，获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；
[0042]
s2，将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；
[0043]
s3，利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；
[0044]
s4，利用优化模型对待开发地区进行旅游资源开发适宜性评估。
[0045]
其中，s2包括采用随机森林算法对训练集进行分类和回归处理，具体包括：s21，构建决策树样本集；s22，确定特征变量个数，构建一棵决策树；s23，根据步骤s21～s22，构建多棵决策树分类器，集合组成为预测模型。
[0046]
随机森林(random forests，rf)是一种基于决策树的有监督集成学习算法，它通过对样本数据的学习，训练一系列弱学习器(决策树)，并将这些弱学习器进行集成，对其结果进行整合，从而获得更优模型。面对分类问题时，采取类似“民主投票”的方式，对所有弱学习器的预测结果进行投票，以少数服从多数的原则产生最终的预测结果；回归时则将所有弱学习器预测值的算术平均值作为最终的预测结果。
[0047]
(1)随机过程
[0048]
随机森林模型的构建有两个随机过程，一是有放回随机抽样，即数据随机；二是随机子空间，即特征维随机。经典的bagging(bootstrap aggregating)法是构建随机森林分类模型的算法基础，其原理是从包含n个样本的原始训练样本中有放回地随机抽取n次，构建1个新的数据集；抽样时每个样本被抽中的概率为1/n，当抽样次数足够大时，每一个样本不被抽中的概率为：
[0049][0050]
这些没被抽中的样本就组成了袋外(oob，out of bag)数据，可用于评判所构建分类器的分类误差。如此反复抽取t轮，获得t个训练集，进而通过学习构建t个决策树。
[0051]
对于每个样本来说，都对应了m个特征维。在构建决策树时，如果特征变量个数选择不当，则会出现欠拟合或过拟合的问题，即泛化能力差，表现为决策树对样本本身的分类(回归)能力差，或对样本之外的数据不具备分类或回归能力。
[0052]
(2)树节点分裂
[0053]
①
当随机森林中的决策树构建是基于二叉树分裂时，其节点分裂依据的是gini不纯度。gini不纯度是指从一个数据集中随机选取一个子项，计算其被错误分类的概率，其值越小，纯度越高，被错分的概率就越小，反之，纯度则低。gini不纯度表达式为：
[0054][0055]
其中gini(ak)为特征a在节点k处的gini不纯度，pk为训练样本中特征a在当前节点k中出现的概率，在二分类中对应的概率分别为p
k1
和p
k0
。
[0056]
对于分类问题，训练学习过程的本质，就是减少样本得不确定性程度，即熵减过程，故应选择节点gini不纯度最小时的特征切分点进行分裂。设父节点对应的样本数为d，分类树选择特征a分裂为两个子节点，对应集合为a
l
与ar，则分裂后节点gini不纯度定义为：
[0057][0058]
其中gini(d,a)为特征a在当前节点分裂时的gini不纯度加权和，d
l
为位于分裂节点左侧的样本数，dr则为右侧的样本数。
[0059]
②
当随机森林中的决策树构建的是二叉树回归时，则采用最小均方差进行分裂。即对于特征a，分裂节点k处左右两侧得样本集合分别为a
l
与ar，其gini不纯度的表达式为：
[0060][0061]
其中d当前父节点所有样本个数，yi为样本中该节点所有特征a的数值，为左侧样本特征a的均值，则为右侧的均值。寻找出使a
l
与ar样本集合的均方差最小、且均方差之和也最小时所对应的切分点，即为分裂的最小切分点。
[0062]
(3)随机森林模型即预测模型的构建过程如下：
[0063]
①
构建决策树样本集。将样本集ds按照7：3的比例，划分为训练集dt和验证集(测试集)dv。训练模型时，采用bootstrap采样法从训练集dt的n个样本中抽取n次，用于构建一个决策树分类器；
[0064]
②
确定特征变量个数。从m个特征变量中随机抽取mtry(约为)个，然后根据gini不纯度最小或最小均方差的原则进行分裂，构建一棵决策树；
[0065]
③
按照步骤1随机抽样和步骤2节点分裂的过程，构建多棵决策树分类器，集合组成为随机森林模型；
[0066]
④
将构建的模型用于验证集进行测试，若满足分类或回归性能要求，则应用于预测集dp(即数据集d)进行预测；若不满足，则重新构建样本集，通过参数调优修正模型，直至其满足分类或回归性能。
[0067]
(4)模型评价
[0068]
对于分类模型来说，混淆矩阵是对分类结果观测类和预测类的交叉可视化描述。通过混淆矩阵，可计算出灵敏度(true positive rate，tpr)、特异度(true negatives rate，tnr)和准确率(accuracy)等数值，这些指标在一定程度上可反应分类器的优劣。但往往由于存在样本比例过低或样本结构不均衡的问题，常需要借助kappa系数(kappa coefficient)和受试者工作特征曲线(receiver operating characteristic，roc)下方面积(area under the roc curve，auc)来评估模型的分类性能，kappa系数和auc值越接近于1，说明分类器的诊断效果越好。
[0069]
针对回归模型(预测模型)，则采用判定系数(r-square，r2)、平均绝对误差(mae，mean absolute error)和均方根误差(rmse，root mean square error)来评估其性能。r2从总体判断模型的精度，反映了预测值与实测值的之间的匹配程度，r2越高，意味着模型的拟合程度越好；mae是绝对误差的平均值，能更好地反映预测值误差的实际情况；rmse从样本本身出发，直接比较预测值与实测值之间的偏差，其值越小，说明预测能力越好。此三者的计算公式如下：
[0070][0071][0072][0073]
上述各式中，n为样本总数，yi为样本实测值，为样本的预测值，为样本实测值的平均值。
[0074]
如此便可以得到优化模型，通过优化模型对待开发地区(研究区)数据进行分析，得到研究区土地利用覆盖类型，从而可以得知是否适宜旅游开发。
[0075]
在一个具体的实施场景中，获取基于2013年4月份、2017年4月份和2021年3月份landsat-oli数据的地类分类结果。依据《土地利用现状分类》标准(gb/t 21010-2017)，考虑到研究需求和瑞金市地类结构，并结合样本的可分性，拟将工作区分为水域、耕地、林地、居住工矿用地和道路开阔场地。为了很好的识别并区分这五类地类，本文通过波段运算和光谱变换，获取了植被指数(ndvi，normalized difference vegetation index)、水体指数(ndwi，normalized difference water index)、建筑指数(ndbsi，normalized difference build-up soil index)、缨帽变换(tcp，tasseled cap transform)前三个分量和真彩色rgb组合图像的色调-饱和度-亮度(hsv，hue-saturation-value)空间转换三分量，共计九个因子图层，集成后用作地类分类的特征变量。
[0076]
然后将上述三个年度的样本数据集，划分制作为训练集和验证集，在enmap-box图形分析模块上，采用随机森林算法对训练集进行学习，构建了三个年度的多元分类模型，分别应用于相应的验证集，获取的总体精度均超过了95％，kappa系数也均大于85％。将模型分别应用与所对应的数据集进行分类，并将最终结果转换为tiff影像，用于后续的景观格局计算。
[0077]
通过对三个年度地类分类影像目视解译可得出：(1)虽然森林覆盖面积逐年减少，
但其依然是研究区的优势地类；(2)居住建设用地从2013年的局部集中发展为2021年的中心扩大化、四周离散化，表明瑞金的市政建设随着经济的不断发展在持续拓展；(3)耕地面积在扩大，道路开阔场地沿市镇中心向外围扩展，且二者参杂分布，其中2021年度耕地与道路开阔场地的比例稍显异常，原因是可获取的同类型遥感影像所处的时相处于种植期间，部分耕地的影像光谱信息与开阔场地近似或一致。
[0078]
通过计算能表征景观个体单元、组分空间和整体多样性特征的格局指数，可分析出景观格局的空间变化规律和趋势。因此，本研究选取最大斑块指数(lpi)(板块尺度)和分维数(pafrac)代表景观个体单元特征，用最大斑块指数(lpi)(类型尺度)和蔓延度(contag)表征景观组分空间构型，选用景观多样性指数(shdi)和动态度(de)代表景观整体多样性特征。这些指数在fragstats平台上基于其相应的应用尺度进行建模并计算。
[0079]
基于类别尺度的多年度景观指数变化趋势。如图4所示。就pland(图4a)和lpi(图4b)而言，二者变化趋势基本一致，具体表现为：(1)林地覆盖率从2013年的94.15％降到了2021年度的61.31％，其最大斑块指数也急剧下降；(2)居住建设用地和道路开阔场地所占研究区面积的比例和最大斑块指数从2013年至2021年呈现出上升趋势，同时耕地之所以表现为先上升后下降，是因为处于休耕期的农田被误分为开阔场地，导致出现了2021年度耕地覆盖率降低而开阔场地占比急速增大的现象；(3)水体的这两个指数基本上处于稳定状态。对于平均分维数(frac_mn)(图4c)来说，水域和林地等固有的地类，呈现出平稳下降趋势，而跟人类活动相关的耕地、建设用地和道路开阔场地等，变化波动较大。从动态度图(图4d)中可知，从2013年到2021年，唯一减少的地类为森林，其年度变化幅度为-4.98％；水域稍有变化，每年增长4.91；由于休耕期的田地被误分为开阔场地，所以其变化幅度应远小于图示的450.10％，相应的，耕地的年度变化幅度应远大于45.01％，即二者都在大幅度增加；居住建设用地也达到了每年45.96％的增速。
[0080]
这些现象表明，(1)居住建设用地、耕地和道路开阔场地的不断扩散，不但造成了森林面积的减少，而且使其离散化；(2)居住建设用地和道路开阔场地逐渐集中、愈发具有规模，且同水域这种稳固的地物类型一样，受人为活动的干扰程度也在递增。因此可以得出：人类活动影响加强，城镇建设规模扩大，经济处于快速发展之中。
[0081]
基于景观尺度的多年度景观指数变化趋势如图5所示。2013到2021八年间，lpi从90.03％下降至22.47％，contag从87.27％下降至52.43％，均呈现出下降趋势，在景观中直接体现为：主要地类的优势度在大幅度降低，各地类的破碎化程度逐年增加。shdi和frac_mn均呈现出下降趋势，也直接表明地类分布受人为干扰的程度在增强，破碎化程度越来越高。结合类型尺度的景观指数变化趋势，可分析得出：随着时间的推进，土地利用愈加丰富，景观空间形态愈加复杂。
[0082]
综上所述，从2013年至2021年，瑞金市的土地景观格局发生了较大变化，居住建设用地、耕地和道路开阔场地的占地面积保持了较快的增长速度，逐渐占据了林地的分布空间；林地的破碎化程度增加，景观优势度下降，居住建设用地和道路开阔场地的斑块趋于集中和扩张，优势度和复杂度在不断增加，且呈现一定的无序性。这些现象表明，人类活动强度逐年增强，影响范围逐渐增大，经济活力不断提升。瑞金市的这种土地利用格局变化趋势，适宜旅游开发。尤其在其红色人文资源的加持下，是有利于开发红色旅游资源的。
[0083]
本发明实施例还提供了一种旅游资源开发适宜性评估系统，所述系统用于实现如
前所述的旅游资源开发适宜性评估方法，包括：
[0084]
数据获取模块，用于获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；
[0085]
模型训练模块，用于将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；
[0086]
优化模块，用于利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；
[0087]
评估模块，用于利用优化模型对待开发地区进行旅游资源开发适宜性评估。
[0088]
请参阅图2为本发明实施例提供的电子设备的实施例示意图。如图2所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：s1，获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；
[0089]
s2，将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；
[0090]
s3，利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；
[0091]
s4，利用优化模型对待开发地区进行旅游资源开发适宜性评估。
[0092]
请参阅图3为本发明提供的一种计算机可读存储介质的实施例示意图。如图3所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：s1，获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；
[0093]
s2，将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；
[0094]
s3，利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；
[0095]
s4，利用优化模型对待开发地区进行旅游资源开发适宜性评估。
[0096]
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
[0097]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

技术特征：
1.一种旅游资源开发适宜性评估方法，其特征在于，包括以下步骤：s1，获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；s2，将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；s3，利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；s4，利用优化模型对待开发地区进行旅游资源开发适宜性评估。2.根据权利要求1所述的旅游资源开发适宜性评估方法，其特征在于，所述s2包括采用随机森林算法对训练集进行分类和回归处理，具体包括：s21，构建决策树样本集；s22，确定特征变量个数，构建一棵决策树；s23，根据步骤s21～s22，构建多棵决策树分类器，集合组成为预测模型。3.根据权利要求2所述的旅游资源开发适宜性评估方法，其特征在于，所述s21具体包括：将样本集ds按照7：3的比例，划分为训练集dt和验证集dv，训练模型时，采用bootstrap采样法从训练集dt的n个样本中抽取n次，用于构建一个决策树分类器，n为训练集dt的样本数。4.根据权利要求3所述的旅游资源开发适宜性评估方法，其特征在于，所述s22具体包括：从m个特征变量中随机抽取m
try
个，然后根据gini不纯度最小或最小均方差的原则进行分裂得到一棵决策树。5.根据权利要求1所述的旅游资源开发适宜性评估方法，其特征在于，所述s3具体包括：将构建的模型用于验证集进行测试，若满足分类或回归性能要求，则应用于预测集dp进行预测；若不满足，则重新构建样本集，通过参数调优修正模型，直至其满足分类或回归性能得到优化模型。6.根据权利要求1所述的旅游资源开发适宜性评估方法，其特征在于，所述s3中修正预测模型的过程还包括模型评价过程如下：采用判定系数(r-square，r2)、平均绝对误差(mae，mean absolute error)和均方根误差(rmse，root mean square error)来评估预测模型的性能；r2从总体判断模型的精度，反映了预测值与实测值的之间的匹配程度，r2越高，意味着模型的拟合程度越好；mae是绝对误差的平均值，能更好地反映预测值误差的实际情况；rmse从样本本身出发，直接比较预测值与实测值之间的偏差，其值越小，说明预测能力越好，计算公式如下：好，计算公式如下：好，计算公式如下：上述各式中，n为样本总数，y
i
为样本实测值，为样本的预测值，为样本实测值的平均值。
7.根据权利要求1所述的旅游资源开发适宜性评估方法，其特征在于，所述s4之后还包括：选取最大斑块指数(lpi)(板块尺度)和分维数(pafrac)代表景观个体单元特征，用最大斑块指数(lpi)(类型尺度)和蔓延度(contag)表征景观组分空间构型，选用景观多样性指数(shdi)和动态度(de)代表景观整体多样性特征；将各指数在fragstats平台上基于其相应的应用尺度进行建模并计算得到景观指数变化趋势。8.一种旅游资源开发适宜性评估系统，其特征在于，所述系统用于实现如权利要求1-7任一项所述的旅游资源开发适宜性评估方法，包括：数据获取模块，用于获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；模型训练模块，用于将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；优化模块，用于利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；评估模块，用于利用优化模型对待开发地区进行旅游资源开发适宜性评估。9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的旅游资源开发适宜性评估方法的步骤。10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的旅游资源开发适宜性评估方法的步骤。

技术总结
本发明属于旅游开发评估技术领域，具体提供了一种旅游资源开发适宜性评估方法及系统，其中方法包括：获取地区的地物类型、景点数据、构筑设施及人文经济的调查数据，整理得到样本数据；将调查数据分成训练集和验证集，对训练集进行分类回归的训练后得到预测模型；利用预测模型对验证集进行测试，并分类回归得到差优数据以修正预测模型得到优化模型；利用优化模型对待开发地区进行旅游资源开发适宜性评估。通过本方案能快速精准的预测出研究区域的旅游开发适宜度。游开发适宜度。游开发适宜度。


技术研发人员：秦耀祖 李文静 李媛 陈磊 吴志春 余倩 周翠敏
受保护的技术使用者：东华理工大学
技术研发日：2023.05.04
技术公布日：2023/9/20