周 梅

(合肥滨湖职业技术学院 教育科学学院,安徽 合肥 230601)

0 引 言

可持续发展是人类探寻与生态环境和谐共存的一个持久性过程。体育旅游产业必须遵循可持续发展原则，达到旅游和自然、文化形成一个整体的目标[1]。旅游的生存与发展依附于环境，同时也会对环境造成相当严重的破坏。体育旅游是新兴旅游产品，在旅游项目中会影响到周围的生态环境[2]。例如水上体育旅游项目会遗留船用清洁剂等残留物品，给水体造成负面影响，给后期环境保护留下隐患的同时，也制约着旅游产业的进一步拓展[3]。因此，必须将水环境保护作为体育旅游产业可持续发展的基石，本文针对水环境保护对体育旅游产业发展的促进作用进行深入研究。

首先，对开展水上体育旅游项目的水域进行水质预测，利用小波分析对水质数据实行去噪，把优化后的RBF、Elman神经网络和支持向量机算法进行融合，在此基础上采用Adaboost算法构建水质预测模型，判断旅游区域水质污染状态；其次，计算水环境容量与体育旅游环境容量，并通过分析水域纳污性能，充分说明水环境保护对旅游人口、布局的影响；最后，建立水环境保护下体育旅游促进作用函数模型，证明水环境保护和体育旅游产业之间的内涵关联，完成环境保护与经济发展的双赢。

1 基于Adaboost算法的水质预测分析

小波分析是将小波函数当作基函数，把初始信号根据频率分解成多个层面，每层之间的信号不重叠，并且分析信号内含有初始信号的全部频率[4]。将小波去噪效果评估准则分为以下两种：

均方根偏差RMSE代表去噪后信号和初始信号的均方偏差，值越小表明去噪成效越好，具体记作

(1)

信噪比SNR的计算公式为

(2)

式中，powers代表初始信号功率，powern代表噪声信号功率。

RBF神经网络是拥有单隐层的3层前馈网络，利用网络中的隐含层将低维度的输入数据进行转换，变为高维度的输出，解决了低维空间数据线性不可分的问题。其架构如图1所示。

图1 RBF神经网络架构

支持向量机SVM可作用在模式划分及非线性回归，把样本数据从样本空间折射至高维特征空间实施线性回归，继而得到一个涵盖诸多元素影响的水质最佳回归函数[5]。在最佳回归函数中，使用合适的核函数替代高维空间内的向量内积，可以实现转换后数据的拟合，并且此过程没有增加运算复杂性，最终获取最佳回归函数：

(3)

式中，αi与αi*均是拉格朗日乘子，b是回归函数的临界值，SV表示支持向量，k(xi,x)是一个核函数。

Elman网络较前馈神经网络拥有更好的运算性能，是一种反馈性神经网络，完美地呈现出系统的动态性。Elman网络在BP神经网络的前提下增添一个承接层，拥有适应时变特征的网络预判功能。具体如图2所示。

图2 Elman神经网络架构

Adaboost算法是一种典型的统计学习方法，其关键思路为首先给予弱学习算法与K组样本数据，各组数据的原始权重是1/K，再运用弱学习算法实施训练，把训练结果和真实值进行对比，对预判失误的训练样本给出较大权值，在其下次迭代计算的过程中，让这些训练样本获得更多的关注，训练失误判断取决于错误率ε。若ε高于临界值时，断定为预判失败样本，继而获取一系列使用不同权重训练样本的弱预判器序列f1,f2,…,fn，同时让各个弱预判器也拥有相对的权值，预判结果准确率较高。最后在实现迭代后，把全部弱预判器加权求和获得强预判器，运用强预判器实行预测。

RBF网络能够自适应明确网络架构，但运用固定的目标偏差goal和拓展系数spread，不能对样本作出进一步优化，致使训练准确率较差。因此本文采用梯度下降法来得到对照的目标偏差和拓展系数，利用试凑法明确最佳预判结果。

将某地区体育旅游范围的水域当作研究目标，该水域的水质指标会受到自然及人为的共同影响[6]。本文的水质预判主要针对此水域4-8月份溶解氧浓度实施分析研判，对预判结果进行比较分析。

首先，建造一个弱预判器，分别由3个单一模型构成。结合上文所述的RBF神经网络，以及支持向量机进一步处理，实现预测。其根本就是寻找输入与输出间的非线性函数关联，想要得到精度较高的预判结果，输入及输出数据的择取具有十分关键的作用。

因为溶解氧浓度的转变是一个渐变过程，因此按照历史数据改变走向来预判后续的输出能够得到很好的成效，具体计算为

d(t)=F(d(t-1),d(t-2),…,d(t-n))

(4)

其中，d(t)是t时段溶解氧的检测信息，n是输入层节点数量，f是通过单一预判模型明确的输入-输出映射关联。经过实验了解，利用最近2天内的溶解氧历史信息来预判输出效果最优，也就是n=2。

在模型输入输出择取方面，依次采集溶解氧信息的前2天历史信息当作模型输入矢量，未来一天的预判值是输出矢量，建立2输入1输出的弱预判器为

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

(5)

其次，建立Adaboost强预判器。使用Adaboost算法把获得的若干个弱预判器序列构成全新的强预判器，具体流程为

第一次迭代数据的原始权重是D1(k)=1/n， 给各个样本数据配发相同权重。每次迭代之前，把预判器权值进行初始化[7]，然后使用同样的数据集训练3个弱预判器，如果某个样本数据预判偏差高于固定值，那么将其权重进行相加，最终获得该弱预判器的权值总和：

Error=Errorj+Di

(6)

式中，Errorj表示第j个弱预判器权值累积总和，Di是超出偏差临界值的数据权值。

更新样本数据权重，如果目前偏差没有超出临界值，那么权值Di不会产生任何变化，延续至下一次迭代过程中。如果超出偏差临界值，那么权值会增大，具体描述为

Di+1=1.1Di

(7)

按照弱预判器权值累积之和Error，计算出序列权值：

(8)

通过n轮迭代之后得到强预判结果：

F=at·[f1,f2,…,fn]

(9)

选择平均相对偏差绝对值MRE、最大相对偏差绝对值MaxRE和均方偏差MSE当作对预判结果的评估指标：

(10)

(11)

(12)

2 水环境容量与体育旅游环境容量计算

通常情况下，多数封闭与半封闭水体的水质模型是以水环境容量为前提[8]。则水环境容量的解析式为

W=1/Δt(Cs-C0)V+KVCs+C0Q

(13)

其中，W是水体内有机污染物的水环境容量，V是旅游水域贮水量，Δt是水域保持其既定贮水量的时间，Cs是水质维护标准，C0是某个污染物的真实测量浓度，K是污染物生化降解指数，Q是水域内流出的水量。

若污染物汇入水域后，污染主要体现在排污口周边水体中，使用式(14)进行排污口位置r之内水域纳污性能计算。

M=(Cs-C0)exp(KφhLr2/2Qp)Qp

(14)

其中，M是水域与排污口间距之内水体的环境容量，φ代表扩散角；水域内进行排放时，φ=2π。hL是扩散地区水深均值，r是推算水域边界至入河排污口的间距，Qp是排进水域中的污水数量。

水域内氮或磷的水体纳污性能使用狄龙模型实施计算：

MN=LsA

(15)

Ls=PshQ/(1-Rp)V

(16)

Rp=1-W出/W入

(17)

其中，MN为氮、磷的水体纳污性能，Ls为单位水域面积内氮、磷的水体纳污性能，A代表水域面积，h是水域深度，Ps是体育旅游水域内氮、磷的平均浓度系数，Rp为氮、磷的存留参数。

体育旅游人数的计算方法很多，本文采用游览环境的面积法实施人口计算[9-10]，也就是旅客进出口是相同位置，把具体方法描述为

C=(M/m)·D

(18)

其中，C是环境日容纳最高人数，M是旅游路径总长，m是每个游客占据的适当旅游路径长度，D为周转率。

3 水环境保护下体育旅游促进作用模型

使用麦肯奈尔模型，将旅客体育旅游停留时间外生情况下的需求函数记作

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

(19)

式中，px表示旅游成本，pn表示机会成本，n为停留时长，y是总收入，p代表消费希克斯商品束成本。

若停留时间为内生状况，则：

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

(20)

旅游需求函数受到旅游成本、停留时间成本、消费希克斯商品束成本及旅客总收入的影响。影响民众旅游需求函数的相关变量[11]，对停留时间也具备较大影响。停留时间的决策公式为

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

(21)

在旅游成本模型内，针对制定的适宜性场景的需求函数差异较大，拥有伴随时间改变而产生变化的情况。所以，在预判民众旅游需求函数的过程中，应当考虑目的地时间效应[12]，将其设置成两种模式：第一种是假设参观次数伴随时间t的改变产生转变，第二种是通过参观次数的滞后时间与其他控制变量共同决定。本文使用第二种假设描述旅客游玩的动态行为收敛，具体表示为

xt=x(px,t,pn,pt,yt,xt-1,xt-2,…,xt-i)

(22)

使用式(20)与式(22)就会得到动态行为收敛下的旅客需求函数，因此可将停留时间的预判方程定义为

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

(23)

式中，t代表第t期，通常描述为第t年，今年参观次数会受到前期t-i年参观次数的影响，与此同时，之前若干年在目的地的停留期限也决定了第t年旅客在目的地逗留的时长。式(22)与式(23)表明了旅客对于相同目的地水环境保护下的旅游需求与停留时间需求的动态决策问题。

关于水环境保护下的停留时间外生旅游成本模型而言，按照式(19)，同时融合旅游消费函数的变量解析，j地区旅客在水环境较好状态下的旅游产业马歇尔需求函数是

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期对j地区的参观率人均值，因为探讨的具体目标是旅客在水环境保护下的旅游需求行为，所以假设各地区每个体育旅游产业的景点都是相同品质的产品，一个区域固定时段的出游率即为此地区目前时段对同品质旅游景点的参观率人均数值，也就是区域旅游成本模型内的旅游需求量。px,j,t表示第t期区域的旅游成本均值，pn,j,t表示第t期j地区的在景区停留时间单位成本，yj,t是第t期j地区的人均收入均值，xj,t-i是j区域滞后i期的人均参观率，Oj,t表示第t期j地区的不包含体育旅游产业的剩余经济发展特性。

若停留时间处于内生状态时，根据式(22)，把j地区旅客的马歇尔需求函数设置成

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

(25)

通过动态面板数据解析算法，将回归模型转换为

(26)

式中，ui表示不可观察的个体效应，εj,t是随机扰动项。回归方程设置为

(27)

假如式(27)的回归方程作用较大，则认定停留时间为内生状态。由此，本文把水环境保护与体育旅游产业之间的游客需求函数回归模型描述为

(28)

4 仿真实验

本文使用MATLAB的Simulink工具实施建模，Simulink拥有一定数量的基本库和面向固定领域的拓展库，用户可按照自身需要建造符合实际状态的模型。在系统内输出某区域体育旅游景观水体CODC r浓度及氨氮浓度的模拟值。因为该水域属于景观水体，所以在夏季水体极易产生黑臭现象。本文通过对水体CODC r及氨氮的模拟值与实际值进行对比，继而了解水环境保护与体育旅游产业之间的促进作用。具体见表1和图3所示。

表1 水体预测结果

图3 CODC r实测值、模拟值及旅客人数对比

按照模拟值和实测值的对比可知，两者的偏差均收敛在一定单位中，且在量值方面比较相近。以CODC r为例，伴随水环境污染指数的上升，旅客人数呈现出下降趋势。由此可知，只有在水环境保护作用下，体育旅游产业才能拥有良性发展。因此可认定本文促进作用模型可以很好地呈现出水环境保护与体育旅游产业之间的耦合关联，得到的结果符合真实场景的计算需要。

5 结 论

为了保证水环境保护和体育旅游产业的良性交互，建立一个水环境保护与体育旅游产业间的促进作用模型。通过分析水质的具体状态，模拟不同水环境条件下旅游人口容量状态，以停留时间内生旅行成本模型，对水环境保护下体育旅游需求函数进行评估，获得水环境保护下体育旅游促进作用函数模型。