EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 10: 2004 - 2020

DOI: https://doi.org/10.12082/dqxxkx.2022.210840

旅游行为

基于多源数据的旅游者视觉行为模式与感知评估方法

  • 李渊 , 1, 2, * ,
  • 郭晶 1, 2 ,
  • 陈一平 2, 3
展开
  • 1.厦门大学建筑与土木工程学院,厦门 361005
  • 2.福建省智慧城市感知与计算重点实验室,厦门 361005
  • 3.厦门大学信息学院,厦门 361005

李渊（1979—）,男,湖北荆门人,教授,博导,主要从事旅游者时空行为、遗产空间感知与计算研究。E-mail:

收稿日期: 2021-12-30

  修回日期: 2022-02-28

  网络出版日期: 2022-12-25

基金资助

国家自然科学基金项目(42171219)

福建省自然科学基金项目(2020J01011)

收起

A New Approach for Tourists' Visual Behavior Patterns and Perception Evaluation based on Multi-source Data

  • LI Yuan , 1, 2, * ,
  • GUO Jing 1, 2 ,
  • CHEN Yiping 2, 3
Expand
  • 1. School of Architecture and Civil Engineering, Xiamen University, Xiamen 361005, China
  • 2. Fujian Key Laboratory on Sensing and Computing for Smart City, Xiamen 361005, China
  • 3. School of Informatics, Xiamen University, Xiamen 361005, China
*LI Yuan, E-mail:

Received date: 2021-12-30

  Revised date: 2022-02-28

  Online published: 2022-12-25

Supported by

National Natural Science Foundation of China(42171219)

Fujian Natural Science Foundation Project(2020J01011)

Fold

摘要

用户生成内容（User Generated Content,UGC）作为感知旅游地物质空间的新型地理大数据,以使用者的视角描绘了旅游地的客观环境,是探索旅游目的地感知的重要途径。然而,传统的旅游研究对旅行摄影照片处理能力有限,深度学习图像语义分割技术的发展,为挖掘旅游者视觉行为模式,探索旅游地环境感知提供了有力支持。本研究提出了整合在线旅行照片大数据与问卷调查小数据的旅游者视觉行为模式与感知评估框架,并将其应用于鼓浪屿案例。首先将744条旅游轨迹,聚类为6类视觉行为模式,并可视化与时空分析;其次基于全卷积网络算法,量化22 507张旅行照片语义,探索不同视觉模式的旅游者关注要素的空间分异;最后通过照片语义与场景感知问卷调查的相关性分析和多重线性回归模型,评估旅游地整体视觉感知满意度,并提出相应的空间优化建议。研究表明：① 鼓浪屿旅游者视觉行为模式聚类为单点游、海岛风光游、环岛游、街巷空间游、遗产建筑游和全岛游6类;② 不同视觉行为模式的旅游者视觉兴趣区存在空间集聚现象,视觉空间转移遵循地理邻近效应;③ 相关性分析与模型结果表明,旅游者偏好空间开敞度较高的区域,感知满意度越低的区域摄影行为越少,是环境提升的重点;④ 出行时间和成本效率最大化、建成环境、心理环境与社会环境是影响旅游者视觉感知的主要因素。本研究延伸了人工智能技术在旅游者视觉感知研究中的应用,为旅游地空间优化提供参考。

关键词： UGC数据; 视觉行为模式; 感知评估; 旅行摄影; 轨迹聚类; 深度学习; 场景语义; 鼓浪屿

本文引用格式

李渊 , 郭晶 , 陈一平 . 基于多源数据的旅游者视觉行为模式与感知评估方法[J]. 地球信息科学学报, 2022 , 24(10) : 2004 -2020 . DOI: 10.12082/dqxxkx.2022.210840

Abstract

User Generated Content (UGC), as a new type of geographic big data for perceiving the physical space of tourism destination, depicts the objective environment of tourism destination from the perspective of users, which is an important way to explore the perception of tourism destination. However, the traditional tourism research has limited ability to deal with travel photos. The development of deep learning image semantic segmentation technology provides strong support for mining tourists' visual behavior patterns and exploring tourism destination environmental perception. This study proposes a framework for tourists' visual behavior model and perception evaluation, which integrates the big data of online travel photos and small data of questionnaire survey, and applies it to the case of Gulangyu Island. Firstly, 744 tourism trajectories are clustered into six types of visual behavior patterns, and visualized and spatiotemporal analysis is carried out; Secondly, based on the full convolution network algorithm, the semantics of 22 507 travel photos are quantified to explore the spatial differentiation of the elements concerned by tourists with different visual modes; Finally, through the correlation analysis of photo semantics and scene perception questionnaire and the multiple linear regression model, the overall visual perception satisfaction of tourism destination is evaluated, and the corresponding spatial optimization suggestions are put forward. The results show that: (1) the visual behavior patterns of tourists on Gulangyu Island are clustered into six categories: single point tour, island scenery tour, around the island tour, street and lane space tour, heritage building tour, and whole island tour; (2) Tourists with different visual behavior patterns have spatial agglomeration in their visual interest areas, and the transfer of visual space follows the geographical proximity effect; (3) The results of correlation analysis and model show that tourists prefer areas with high spatial openness, and the areas with lower perceived satisfaction have less photography behavior, which is the focus of environmental improvement; (4) Maximizing travel time and cost efficiency, built environment, psychological environment, and social environment are the main factors affecting tourists' visual perception. This study extends the application of artificial intelligence technology in the study of tourists' visual perception, and provides a reference for tourism destination spatial optimization.

Key words： UGC data; visual pattern; perception assessment; travel photography; trajectory clustering; deep learning; scene semantics; Gulangyu Island

1 引言

旅游感知是人们通过感觉器官获得对旅游对象、旅游环境条件等信息的心理过程[1]。了解地方视觉感知异质性,提升视觉空间品质对旅游地可持续发展具有重要意义[2]。随着旅游商业化效应,旅游地面临使用群体的更替和功能的变迁[3],令旅游者产生视觉、行为甚至心理上都排斥的问题：如缺陷的设施、纷乱的色彩、无序的人流、嘈杂的街角、矛盾的标识等[4]。近年来,学者们致力于通过图像理解场景的视觉特征,并由此探讨环境与感知之间的联系[5]。但是,受限于数据获取和内容挖掘的技术门槛,旅游者视觉行为空间规律与情绪体验的研究尚为少数。如何快速提取旅游者视觉行为模式,评估旅游地的环境感知,亟需一个有效评估框架。
旅游者视觉行为研究起源于旅游摄影。1979年,Chalfen[6]首次对旅游摄影（Tourist Photophy）做出明确定义,初步探讨了游客类型与摄影行为及照片内容的关系。此后,英国社会学家Urry对旅游与视觉的关系进行了深刻探讨,认为人们通过凝视不同于日常生活的景观和事务获得愉悦、刺激等体验,将无形的体验有形化[7]。一方面,旅游摄影可作为理解旅游形式、意义和过程的基础数据,另一方面,旅游摄影可作为阐述、分析旅游视觉体验和所涉及的旅游环境的补充数据[8]。以往的研究多以 问卷方式进行测度,学者们使用游客受雇拍照法（Visitor Employed Photography,VEP）[9]、照片诱导法（Photo-Elicitation）[10]、Q方法[11]等展开一系列研究,探讨旅游视觉体验和评估城市访问量等。然而,问卷调查往往需要消耗大量的人力和时间成本[12]。随着多源大数据的涌现,用户生成内容（UGC）,包括地理标记照片[13]、GPS[14]、在线文 本[15]、移动漫游[16]、网页搜索[17]等,为旅游者行为[18]、旅游者情绪体验[19]、旅游消费与酒店营销[20]等研究提供了可靠数据源。Lin[21]探讨了UGC数据和传统游客拦截调查的差异,发现二者在识别出的关键目的地形象方面具有很大的相似性,UGC数据更能揭示旅游目的地的多样性,是研究的重要数据源。其中,地理标记照片从使用者视角反映了旅游者行为,并且包含了更加丰富的时空属性信息,为旅游者视觉感知研究提供了新视角[22-23]。
目前,基于地理标记照片的研究大致分为两大类。其一,通过地理坐标信息探索旅游者的空间分布特征[24],以此发现游客兴趣区[25]、兴趣点[26]和景观偏好,预估景点受欢迎程度[27]、估计客流量[28]、识别旅游热点[29]等。此类主要使用GIS空间分析[30]、聚类分析和关联规则挖掘分析[31]等方法。常用的聚类方法有基于质心的K-means聚类、基于密度的DBSCAN聚类和基于连通性的层次聚类法等[32],Mou[33]使用DBSCAN聚类算法提取游客兴趣区域;Zheng[34]依据相似的景点访问次序,聚类游客移动模式。其二,基于地理坐标信息和时间序列数据描绘旅游者时空行为[35],包括探索旅游者数字足迹[36-37]、多旅行目的地行为[38]等。此类分析主要使用社会网络分析法[39]、马尔可夫链等。马尔可夫链（Markov Chain,MC）是一种能够很好地处理时间序列信息的概率模型,可以捕获更详细的旅行路线并根据当前游客的位置预测游客可能出现的下一个地点[34]。Payntar[40]将地理标记照片和马尔可夫链结合,识别遗产旅游线路中的旅游模式,并量化秘鲁库斯科的视觉体验。因此,从UGC数据中可以提取有价值的旅游视觉行为信息,此类研究正从关注“旅游摄影”这一现象转移到照片内容分析。
人工智能与计算机视觉技术的快速发展,为高效读取海量旅行照片,识别图像场景语义提供便利[41]。不少学者通过深度学习识别街景影像辅助城市设计[42]、量化建成环境[43],以及快速评价与预测城市感知。Zhang[44]利用机器学习测量空间感知与建筑环境特征之间的联系,提出大规模测量城市感知的模型。Yao[12]构建了一个人机对抗性评分框架,将深度学习和迭代反馈相结合,能够高效地评估城市感知。在旅游领域,基于照片内容分析的研究正在兴起[23,36,45]。在识别精度方面,多数研究认为的深度学习语义分割精度达80%即可应用于旅游研究[27]。在感知结果方面,Paul通过对Instagram上城市图像的聚类表明Instagram照片倾向于强化城市中心空间的形象[46]。尽管地理大数据与深度学习方法得到极大应用,不少学者开始反思大数据结果的解释性不足的问题[47],例如,现有研究多基于Flicker图片库[22]或地图运营商提供的街景影像数 据[5],Flicker图片库虽然能够提供海量带坐标图片,但是缺乏完整的旅行GPS轨迹,且用户群体多为境外游客,难以体现基数更大的国内游客群体的视觉行为特征;另外,旅游地内部的街景影像往往处于缺失或不完整状态,难以对旅游地内部空间环境进行全局感知评估。
总体而言,整合多源数据和深度学习技术,识别旅游者视觉行为模式,进而评估旅游地场景感知是当前研究的突破点。本研究提出一种基于多源数据的旅游者视觉行为模式与感知评估方法,并将其用于鼓浪屿案例地中,有助于客观识别旅游者视觉行为模式,量化评估旅游地物质空间的场景感知,为旅游地空间优化和政策制定提供参考。

2 研究方法

本研究技术路线如图1所示。首先,获取在线旅游网站的UGC数据,对旅游照片和GPS轨迹预处理。其次,提取旅游摄影行为的拓扑路径,采用层次聚类算法聚类视觉行为模式。再次,通过深度学习全卷积网络（FCN）,识别与量化不同视觉模式的照片内容的差异;同时,对不同视觉模式的旅行照片进行场景感知语义差异（Semantic Differential,SD）问卷调查。最后,将物质空间语义量化结果与场景感知调查结果进行相关性分析,并构建多重线性回归模型,探索影响视觉感知的因子,将模型系数拟合至人工采集的旅游地街景影像中,评估旅游地全局空间感知,并提出相应的空间优化建议。
图1 研究技术框架

Fig. 1 Research technology framework

2.1 摄影轨迹建模与视觉模式聚类

旅游摄影时空轨迹链与拓扑路径数据库如图2所示。每条轨迹内拍摄的照片定义为一组带地理标记的点P={p},按照时间序列排序{p0,…,pk}。
图2 旅游摄影轨迹链挖掘示意图

Fig. 2 Schematic diagram of temporal and spatial trajectory of tourist photography behavior chain

定义1：旅行者照片轨迹对应一个时空序列S=<(x0, y0, t0), …, (xk, yk, tk)>,其中x,y是照片的经纬度,t是时间序列。
定义2：将旅游者选择摄影的空间单元作为视觉兴趣区域（Regions of Attractions,RoA）,旅游者摄影地在空间上移动,RoA可以建模为空间邻域函数F（xi,yi,ti）：R2→{0,1},（xi,yi）是摄影行为停留单元,ti是摄影行为在该单元内的停留时间。
定义3：RoA之间的过渡统计描述了旅游摄影行为如何从一个RoA流向另一个,定义为不同RoA之间的转移概率。将游客的移动建模为一个独立的随机过程。随机过程的状态空间是旅游目的地RoA集合,令T=1, 2, …, n表示移动的选择索引。如果给定当前状态的值,下一个状态的值不依赖于任何先前状态,则称为马尔可夫链,代表旅游摄影行为的随机过程{Rt}i∈C。
P ( R t + 1 = r t + 1 | R t = r t , R t - 1 = r t - 1 , … , R 0 = r 0 ) = P ( R t + 1 = r t + 1 | R t = r t )
式中：Rt是RoA的随机变量;rt是Rt的值,rt∈{r},可以通过计算从Ri移动到Rj的摄影行为数量来估计视觉兴趣从Ri移动到Rj的转移概率。
定义4：旅游视觉模式是一组在RoA的访问顺序上拓扑相似的旅游路线,适合采用层次聚类分析。研究采用Ward提出的层次聚类算法,将所有的摄影行为链进行聚类,聚类距离计算公式为：
E S S = ∑ i = 1 n x i 2 - 1 n ∑ i = 1 n x i 2

2.2 全卷积网络算法

深度学习提取图像语义在计算机视觉领域已有较成熟的应用。为快速提取旅游照片中与感知密切相关的视觉元素,采用目前较高效的一个图像语义分割全卷积网络算法（Fully Convolution Network, FCN）,它是通过预测图像中每个像素的语义属性,生成自然对象级别的分割结果[12]。分割结果为151类对象（如,建筑、天空、树等,包括阴影或其他因素造成的“未知对象”）,识别精度达81.44%（图3）。
图3 FCN图像分割示意图

Fig. 3 Schematic diagram of FCN image segmentation

计算分割结果中每类对象的像素比例,每张照片都可以表示为一个151维的特征向量：
P = ϕ O 1 P , ϕ O 2 P , ϕ O 3 P , … , ϕ O i P T
式中： O i,i=1,2,…,151,代表第i类对象; ϕ O i P代表对象 O i在图像P中的面积占比。

2.3 语义差异法与相关性分析

场景感知调查问卷采用心理学研究方法语义差异法（SD法）,该方法要求被试者在具有7个等级的语义量表上对事物或概念进行评分,等级序列的两端是意义相反的形容词。根据前人研究[4],设定12个与场景感知相关的形容词对,每组形容词对之间设置7个量表等级,分别赋值-3、-2、-1、0、1、2、3,受访者根据照片感受进行打分,由此获取旅游者场景感知评分。感知问卷数据服从正态分布,采用Pearson相关性系数量化场景感知与照片语义量化结果之间的相关性。
P e a r s o n = ∑ i = 1 n ( x i - x - ) ( y j - y - ) ∑ i = 1 n ( x i - x - ) 2 ∑ j = 1 n ( y j - y - ) 2
式中：xi表示第i类场景感知得分; x -表示场景感知得分平均值;yj表示第j类对象在图像中的占比; y -表示所有分析对象在图像中占比平均值。

2.4 多重线性回归模型

针对旅行照片P,获得对应的视觉感知满意度Sp,采用多重线性回归模型,每个样本 ϕ O i P作为解释变量xi,视觉感知满意度Sp作为响应变量y,建立多重线性回归模型：
y = β 0 + β 1 x 1 + β 2 x 2 + ⋯ + β n x n + e
式中, β i反映了解释变量 x i对响应变量y的贡献程度,通过最小二乘法对 β i进行估计。最后,将回归系数 β i拟合至人工采集的街景图像 P -中,综合评估旅游地视觉感知满意度。

3 研究区概况与数据源

3.1 研究区概况

本文以鼓浪屿为研究区（图4）。鼓浪屿位于 福建省厦门市,与厦门岛隔海相望,占地面积为1.91 km2,拥有国家5A级旅游景区、全国重点文物保护单位和世界文化遗产地等称号。鼓浪屿尺度适宜、人口少,街道历史风貌显著,岛上步行为主,空间干预与景观季节变化较小,是旅游者视觉行为模式与感知研究的合适对象,对其他景区也有借鉴意义。根据《鼓浪屿历史风貌建筑保护规划（2016年）》[48]和视觉核心景观,本研究将鼓浪屿划分为5个风貌区19个空间单元（表1）。
图4 鼓浪屿风貌分区与旅游者拍摄点、街景采样点GPS分布

Fig. 4 GPS distribution map of Gulangyu Island landscape zoning, tourist photography points and street view sampling points

表1 鼓浪屿风貌分区

Tab. 1 Landscape zoning of Gulangyu Island

风貌区编号 风貌区 空间单元
A 旅游商业区 A1、A2、A3、A4、A5
B 滨海风景区 B1、B2、B3
C 北部森林区 C
D 内厝澳社区 D1、D2、D3
E 遗产建筑区 E1、E2、E3、E4、E5、E6

3.2 数据来源

数据来源主要分为大数据和小数据两部分（表2）。大数据是通过开放的API接口爬取国内两大UGC数据分享平台“两步路”和“六只脚”网站的984条带照片的旅行轨迹和26 422张旅行照片（图4（a））,删除有偏轨迹和无效照片,提取出744条旅行轨迹和22 507张有效照片。由于旅游者照片信息受拍摄者角度、时间、偏好、同行者等多方面影响,难以全面客观地刻画旅游地感知,通过人工采集小数据进行感知评估。小数据一方面是采集间隔均匀的街景图像,用以评估鼓浪屿全岛的感知。采集日期为2021年9月,天气条件与光线适宜,拍摄角度为垂直街道截面的正常视角,共采集777张有效街景照片（图4（b））。另一方面,对不同视觉模式的游客照片进行场景感知SD问卷调查,回收有效问卷354份。
表2 数据来源与类型描述表

Tab. 2 Data source and type description

数据类型 数据来源 数据格式 初始样本/个 处理后样本/个 有效率/% 数据时间
大数据 两步路、六只脚 照片 26 422 22 507 85.18 2007年11月—2021年9月
GPS轨迹 984 744 75.61
小数据 街景采样 照片 793 777 97.98 2021年9月
问卷调查 量表 360 354 98.33 2021年9月

4 结果及分析

4.1 旅游者视觉行为模式

4.1.1 层次聚类分析

根据旅游者摄影轨迹链的拓扑路径,采用层次聚类Ward算法将旅游者摄影轨迹聚类为6类旅游视觉行为模式,依据轨迹访问单元和照片内容的差异,分别命名为单点游、海岛风光游、街巷空间游、环岛游、遗产建筑游和全岛游（图5、表3）。从摄影轨迹链数量上看,海岛风光游和单点游数量较大,但结合照片数量,全岛游、遗产建筑游和街巷空间游的单条摄影轨迹链较长,表明全岛游和遗产建筑游视觉兴趣区规模较大,而单点游、海岛风光游和环岛游的视觉兴趣区较少,摄影轨迹链较短。
图5 视觉行为模式聚类谱系

Fig. 5 Clustering pedigree of tourists'photographic trajectory chain

表3 视觉行为模式聚类统计表

Tab. 3 Clustering statistics of photographic behavior chain types （个）

视觉行为
模式		 摄影轨迹链
数量		 照片
数量		 单条轨迹平均
照片数量
单点游 177 845 4.77
海岛风光游 209 3116 14.91
环岛游 76 788 10.37
街巷空间游 123 5125 41.67
遗产建筑游 60 2868 47.80
全岛游 99 9657 97.55
不同视觉模式下的GPS轨迹、摄影行为链和摄影内容可视化结果如图6所示。单点游旅游者的摄影行为链较短,集中在少数空间单元内,照片内容主要为该行程的主要目的地或休憩场所,如列宾美术馆和街心公园。海岛风光游旅游者GPS足迹主要呈现半环岛状,摄影点集中在滨海风景区,照片内容主要为日光岩或海滨浴场,在B2区域内摄影停留时间较长。环岛游GPS轨迹呈现环岛状,摄影行为链较长,几乎涵盖沿海的空间单元,摄影点较分散,既有北部森林风光,又有南部滨海风景,照片总体以自然风景为主。街巷空间游摄影的地点集中在街巷密集的旅游商业区,摄影内容主要为街道景观、人群和特色商铺。遗产建筑游GPS足迹主要涉及遗产建筑区和旅游商业区,摄影轨迹链较长,摄影内容多为核心遗产建筑单体。全岛游旅游者GPS足迹遍布全岛,摄影轨迹链最长,涵盖各大热门拍摄点,如“最美转角”和郑成功雕像,摄影停留时间较长的区域集中在北部森林区和滨海风景区。
图6 不同视觉模式的GPS轨迹、摄影行为链和摄影内容

Fig. 6 GPS track, photography behavior chain and photography content in different visual modes

4.1.2 空间密度分析

将不同视觉行为模式的拍摄点进行空间分布的核密度分析（图7）。从空间结构上看,单点游视觉兴趣区分散在东部码头区域,南部日光岩、菽庄花园、沙滩等景点。海岛风光游集中在日光岩、菽庄花园、皓月园等核心热门景点。环岛游涵盖海岛边缘的环岛路、鼓声路和港后路等,以及横穿海岛的泉州路、龙头路。街巷空间游视觉兴趣区除了日光岩和菽庄花园2个核心景点外,还集中在有“最美转角”之称的三明路,旅游商业街龙头路到福建路一带。遗产建筑游旅游者集聚于遗产建筑区,包括八卦楼、汇丰银行公馆、春草堂到安海路环线,以及东部的日本领事馆、海天堂构、菽庄花园等遗产核心要素。全岛游旅游者视觉兴趣区几乎涵盖全岛,在多个交汇路口形成摄影集聚区。从集聚程度上看,核密度数值越大表明集聚程度越高,不难看出,海岛风光游和环岛游的视觉兴趣区集聚程度较低,而全岛游、街巷空间游、单点游、遗产建筑游集聚程度较高,形成多个吸引力“波峰”,这种非均衡集聚空间特征既体现了不同视觉模式的旅行偏好,又与鼓浪屿的景观资源、文化资源和旅游商业格局大体一致。
图7 不同视觉模式的拍摄点分布密度

Fig. 7 Distribution density of photography points in different visual modes

4.1.3 时间序列分析

从空间单元间的关联程度上看,摄影照片的时间序列体现了旅游者的视觉转移方向,视觉兴趣区之间的转移遵循马尔可夫过程。一般而言,旅游者最先拍摄主要目的地,或者印象深刻的节点。图8反映了不同视觉模式下的一阶马尔可夫转移矩阵,箭头代表旅游者第一次拍摄点到第二次拍摄点的转移方向,连接线的宽度越大表明单元间的转移比例越大。① 尽管存在不同视觉模式,但是游客群体存在相似的移动路线和观光偏好。从出发点看,受鼓浪屿轮渡上岛方式的条件制约,第一次拍摄点往往位于码头区C和A1;日光岩（B2）和鼓浪屿沙滩（B1）既是旅游者偏好的视觉空间,也是大多数团队游路线的主要观光点,在所有的转移模式中访问量均较大。② 一次旅行中的视觉兴趣区的数量不一定与其旅行时间长度相关。89%的单点游旅游者摄影行为单元只有1个,但旅行GPS轨迹并不随着摄影行为的结束而终止,可能由于单点深度游的偏好或后续行程视觉吸引力较弱。③ 不同的旅行视觉模式下旅游者的视觉兴趣区访问顺序不同。海岛风光游和环岛游的访问路径多从北部森林区到滨海风景区,街巷空间游偏好进入旅游商业区和内厝澳社区,遗产建筑游的大部分转移是从不同区域进入遗产建筑区和一些位于旅游商业区内的核心遗产建筑,全岛游的空间转移方向最多样化。第四,空间过渡具有地理邻近效应。各类旅行模式中空间邻近单元之间的转移量均较大。
图8 不同视觉模式的拍摄点空间转移

注：百分数代表空间单元间转移比例;箭头方向代表旅游者第一次拍摄点到第二次拍摄点的转移方向;每一条色带代表一种空间单元风貌分区。

Fig. 8 Spatial transfer of shooting points in different visual modes

4.2 旅游视觉感知评估

4.2.1 照片语义量化

提取出照片内容分割占比最大的前12项（未知对象除外）作为视觉关注要素进行分析（图9）。各类视觉模式中由于照片阴影或像素噪点导致的未知对象差异较小,约占11.4%。在所有模式中,遗产建筑游的照片中建筑面积占比最大,达到21.5%,其次是全岛游,占比20.9%,再次是街巷空间游,占比16.9%,表明鼓浪屿作为万国建筑博物馆,岛上的特色建筑是多数旅游者视觉关注的核心要素。环岛游和海岛风光游中,均以树和天空作为视觉的主要关注要素,环岛游中,树占比19.1%,天空占比14.2%;海岛风光游中,树占比16.7%,天空占比15.6%,可以发现在环岛区域和日光岩、菽庄花园等热门摄影点,旅游者热衷于拍摄带天空和树木的自然风景照。街巷空间游和单点游中,旅游者摄影内容主要为天空和建筑,这2项平均占比约16%,再次是树,约占14%。街巷空间游的摄影照片中,墙、人行道和招牌的占比相较其他模式多,分别占6%、4.3%和0.5%,低矮植被同比相对较少,占1.5%。可见街巷空间相对狭窄,旅游者视野所见的绿视率相对较低。人群在单点游模式下的占比最大,达3.7%,进一步证实了单点游旅游者热衷于拍摄热门景点和休憩空间。从照片内容前12项要素的累积曲线中发现,遗产建筑游累积占比最大,达到82%,表明该类模式的视觉内容丰富度相对较少,而环岛游和海岛风光游累积占比分别为76%和74%,说明旅游者在鼓浪屿环岛区域和日光岩上能够收获更丰富的视觉空间体验。
图9 不同视觉模式的照片内容语义量化结果

Fig. 9 Quantitative results of photo semantics in different visual modes

4.2.2 场景感知调查

参考前人的研究[4,12],场景感知调查设置了12组影响视觉感知的形容词对,包括活力、开敞度、趣味性、安全性、商业化程度等方面。将不同视觉模式下的旅游者照片进行分组,并招募了360个志愿者对不同组别照片进行随机调查。各组样本量根据轨迹数量和照片数量而定,剔除不完整样本,最终获得有效样本354份,所有组别的问卷信度系数均大于0.7,数据质量较好,可用于进一步分析。统计各类模式每个形容词对的视觉感知得分平均值,作为不同维度的视觉感知满意度,并绘制SD曲线图（图10）。由SD曲线图可知,视觉感知满意度总体差距较小,且曲线具有相似的趋势,旅游者对开敞、整洁、光明、绿化多、独特和安心的视觉感知满意度较高。不同模式的旅游者对冷清、宽松、复杂和活力的感知差距较大,差值均超过1.6;光明、安心、独特和商业化的感知差距较小,差值均低于0.6。环岛游与单点游视觉感知差异最大,全岛游与街巷空间游视觉感知差异最小。通过场景感知调查,表明物理和社会环境因素与旅游者集体感知之间存在相互作用,许多研究也证实了在自然景观较多,人口密度较低的地区,幸福感较高[30]。
图10 不同视觉模式下的感知SD曲线（N=354）

Fig. 10 Perceived SD curve under different visual modes (N=354)

4.2.3 相关性分析

为进一步评估视觉感知差异与旅游地环境之间的关系,将照片内容占比最大的前12项与视觉感知满意度进行相关性分析,用皮尔逊系数（Pearson）度量变量之间的相关程度（图11）,并将这12项照片内容进行GIS空间热点分析,识别不同视觉要素在空间中出现的热点区域（图12）。
图11 照片内容与视觉感知相关性分析

Fig. 11 Correlation analysis between photo content and visual perception

图12 旅行照片内容热点分析

Fig. 12 Analysis of hot spots in travel photos

结果显示并非所有的照片内容都与视觉感知满意度显著相关,天空、人、海三项与感知变量相关性不显著（图11）。建筑作为鼓浪屿上的核心要素,建筑越密集的区域使人感知越封闭。树木与开敞性和安全感呈显著正相关。墙壁与整洁度呈现负相关。鼓浪屿的人行道经过百年洗礼,留存完整,视觉感知与沧桑呈较强相关性。低矮植被与绿化多呈显著正相关,表旅游者对低矮灌木的感知较为强烈。地板与绿化少、脏乱、单调呈显著相关;地板多位于街道空间（图12（h））,受旅游商业活动影响,在游客照片中表现出消极的一面。地面多位于鼓浪屿的沙滩和内厝澳社区内（图12（j））,也呈现脏乱和单调的显著相关性,表明鼓浪屿地板和地面视觉占比较突出的区域是环境提升的重点区域。山占照片比重较大的区域位于滨海风景区（图12（k））,是旅游者拍摄点选择的热门区域,与拥挤、独特、商业化弱呈显著相关,旅游者偏好在岛上视觉景观最独特的日光岩、菽庄花园、皓月园三大热门景点集聚,导致视觉感知较为拥挤,商业活动在这些景点内部受到严格管控,商业化程度感知较弱。招牌主要分布在旅游商业区内（图12（l））,与阴暗感知呈显著相关,表明招牌在一定程度上遮挡了沿街的光线,使得视觉感知较昏暗。

4.2.4 视觉感知评估

使用下列多重线性回归模型来分析旅游者对鼓浪屿视觉感知满意度的判别指标：
y = β 0 + β 1 x 1 + β 2 x 2 + ⋯ + β 9 x 9 + e
式中：y代表旅游者视觉感知满意度;x1到x9分别代表了9项影响感知的照片内容变量。
如表4所示,在9个自变量中有2个显著地判别了旅游者视觉感知的满意度,对因变量的解释率达93.9%。视觉感知满意度高的照片具有地板和建筑面积占比较少的特征。为了检验自变量之间是否存在多重共线性问题,对容忍度和方差因子进行分析,一般认为容忍度在0.19以上,方差膨胀因子在5.3以下,超出这个范围则自变量之间存在多重共线性问题,该回归模型不存在多重共线性问题。
表4 旅游者视觉感知要素的多重线性回归分析

Tab. 4 Multiple linear regression analysis of tourists' visual perception factors

因变量 自变量 标准系数 t 累积R² 方差膨胀因子 容忍度
视觉感知满意度 地板 -0.814 -7.265*** 0.731 1.028 0.972
建筑 -0.429 -3.824** 0.939 1.028 0.972

注：显著性*p<0.1,**p<0.05,***p<0.01。

将回归系数拟合至人工采集的街景图像中,并将评估结果标准化显示（图13（a））。鼓浪屿街道视觉感知满意度总体较为良好,55.43%的路段感知满意度在0.6以上,满意度达到0.9以上的路段集中在环岛路、鼓声路港后路、观海路、鹿礁路和延平路,在0.2以下的路段为深入一般建筑内部的街巷凹空间,如虎巷、市场路、内厝澳路到鸡山路、乌埭路等,这些街道中主要的视觉要素为地板和建筑。
图13 旅游者视觉感知满意度与拍摄点密度

Fig. 13 Tourists' visual perception satisfaction and shooting point density

结合所有旅游者拍摄点的密度图（图13（b））,视觉满意度较高的路段及核心遗产建筑周边产生了显著的空间集聚,而视觉满意度较差的路段拍摄点的密度较低。这符合环境心理学的理论,来自空间的刺激物通过视觉感官产生知觉,这一知觉在大脑中得到释义,这一释义机制中存储有过去记忆下来的认知图档库,图档库内的“图式”来自社会规范、亲身经验或教育,然后将外来输入的直觉与图档内存的内容进行扫描和比较,根据认知产生外显行为[49]。当旅游地空间刺激物难以符合旅游者心理感知的满意度,将减少旅游者摄影行为,因此视觉感知评估较差的路段是空间提升的重点区域。

5 讨论

5.1 旅游者视觉模式形成机制

基于上述旅游者时空轨迹的分析,对视觉模式形成机制作出如下探讨：① 行为地理学视角下,个体出行受时空整合和客观制约[50],旅游者趋向于时间和成本效率最大化的旅行路线。因此,可以解释海岛风光游和单点游的轨迹数量占比最大,岛上的日光岩、菽庄花园等旅行套票收费景点的拍摄点密度较大,景点之间的转移流动量高于其他区域; ② 建成环境和心理环境对旅游者行为产生复杂影响。通过深度学习语义量化与场景感知调查相关性分析结果可以发现,尽管存在不同视觉模式,总体而言旅游者视觉偏好高绿视率、高开敞度、低商业化和拥挤程度较弱的景观;③ 社会环境对视觉行为决策产生间接影响。社会网络、地理声誉和区位品牌对旅游者拍摄点的选取产生隐性影响,如鼓浪屿上文化IP、“最美拐角”等现象级景点的出现,通过旅游者之间的信息交流,从“小众打卡点”逐渐变为“业内皆知”,长此以往,形成路径依赖,进一步强化旅游者视觉兴趣区的马太效应,导致视觉行为模式集聚效应的产生和视觉感知偏好的分异。

5.2 案例地的空间优化对策

针对鼓浪屿存在的问题,本研究提出以下空间优化对策。① 提升视觉感知满意度较低的街道环境。例如,在人行道与居住社区的连接处增加软性活动空间,楼糊边界;加强旅游商业区的功能组织,规范招牌尺寸,提升街道光线;注重地板和地面的整洁度等。② 结合绿色植物等弹性景观优化步行系统,强化交通意向,增加支路与主路的整合,加强交通节点的空间意向设计,引导旅游者分散活动。③ 加强旅游社会网络的缔结。旅游中介组织在旅游者动态行为中发挥重要作用,通过发布针对不同视觉偏好模式的个性化旅行攻略,加强旅行社引导,在遗产建筑区定期组织活动等方式,吸引旅游者延长摄影行为链,深入感受旅游地魅力与文化。④ 积极构建偶发的视觉要素,吸引旅游者自发形成规模化的视觉集聚地,从而构建层次分明、结构合理、文景相融的视觉关注要素体系,形成“多中心、蔓延式”的摄影集聚模式,实现旅游地空间结构的优化。

5.3 评估框架的适用性

本研究提出了一种基于UGC大数据和问卷调查小数据的旅游者视觉行为模式与感知评估框架,并将其应用于鼓浪屿案例,证明了所提出框架的可行性和有效性。空间现象的发生与特性随着环境、社会经济条件、人口分布、城市特征的变化而变化,越来越多的学者探讨空间综合人文计量方法在跨时空中的可重复性[51]。相较于前人研究,本框架的改进之处在于：① 方法上,传统的社会科学统计难以对社会规律进行高粒度建模、预测与模拟[52],融合多源数据和人工智能技术的方法,将旅游视觉感知的抽象空间转移形态转化为非欧式的拓扑形态,能够刻画更复杂的社会规律和模式,为社会决策提供数据驱动的精确支持。Yao,Huang和Zhang 等[12,30,44]的研究也证实了地理标记照片和机器学习方法的结合,为丰富场所语义,测量人类对城市的感知提供了新的契机;② 数据上,以往研究往往仅从大数据或小数据单一方面展开[30,47],本框架能够分析包含多种格式、庞大且非结构化的多源数据。另外,基于国内旅游者UGC数据的研究相对缺乏,本框架通过对国内在线旅行网站的地理标记照片、GPS轨迹元数据处理以提取旅游摄影行为链的方法,在鼓浪屿案例中得到较好应用,也适用于国内其他相似尺度的景区,具有较强可迁移性;③ 研究尺度上,街道是人类活动发生的主要场所,不少学者从区域或城市宏观尺度开展街道视觉感知[2,44],本框架丰富了景区微观尺度的街道空间探索,挖掘不同旅行路线的视觉感知。本框架的结果对城市规划和旅游管理具有重要意义,辅助旅游地空间优化与景区品牌形象塑造;也为相关研究提供启发。

6 结论

量化评估旅游者的视觉行为特征和场景偏好,对城市设计和旅游管理至关重要。本文构建了基于多源数据的旅游者视觉行为时空模式与感知评估研究框架,并将其应用至鼓浪屿案例中,证明了大数据和小数据结合的方法在旅游者视觉行为与感知评估方面的价值,延伸了人工智能技术在学习和量化景区街道级别的旅游图像方面的应用,具有可扩展性,为后续探索人地互动过程中地方形象生成与演化的研究提供启发。具体结论如下：
（1）通过旅游摄影的轨迹链建模与层次聚类算法能够较客观地划分旅游者视觉行为类型,鼓浪屿旅游者存在单点游、海岛风光游、街巷空间游、环岛游、遗产建筑游和全岛游6类视觉行为模式,符合鼓浪屿典型旅游路线的视觉行为特征,具有代表性意义。
（2）对旅游者视觉兴趣区的密度分析发现,不同视觉行为模式下的视觉关注空间呈现非均衡分布特征,总体与鼓浪屿的景观资源、文化资源和旅游商业格局一致。
（3）不同视觉模式的时间序列分析结果显示,存在相似的移动路线和视觉偏好,旅游者视觉兴趣区数量与旅行时间相关性弱,不同行为模式的空间视觉访问顺序存在差异,视觉空间移动具有地理邻近效应。
（4）不同视觉模式的照片语义量化结果表明,鼓浪屿上的视觉关注要素以建筑、天空、树为主,不同模式下视觉内容占比分异显著;场景感知调查的结果表明,单点游视觉感知与其他类型差异较大,尤其在宽松度、复杂性和活力感知方面。
（5）相关性分析结果表明建筑、墙和地板等人工要素对视觉感知满意度具有负向影响,而自然景观对视觉感知满意度呈正向影响。多重线性回归模型结果显示,建筑和地板是显著影响视觉感知的两大要素,旅游者青睐高视觉开敞度的空间,视觉满意度评估高值区与旅游者摄影点密度高值区大致相似,符合环境心理学理论。
本研究仍存在不足,当前的照片语义分割精度有待提升,后续研究可开发不同旅行模式下的训练集,如针对遗产建筑游的遗产建筑要素识别训练集,进一步挖掘不同行为模式下的视觉感知。其次,还可尝试机器学习标定等智能化评估手段,提升评估效率。最后,旅游感知具有独特性和主观性,不仅与个人视觉行为有关,还与其他环境因素有关,如噪声、温度、价格等,将来应充分挖掘多样化的影响因子,开展基于虚拟场景和VR体验的旅游感知环境心理学实验,构建更完整的旅游感知模型,辅助多案例地的比较。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
白凯, 马耀峰, 游旭群. 基于旅游者行为研究的旅游感知和旅游认知概念[J]. 旅游科学, 2008(1):22-28.

[ Bai K, Ma Y F, You X Q. Reflections on the Concepts of tourism perception and cognition based on Researchs of tourist behaviors[J]. Tourism Science, 2008, 22(1):22-28. ] DOI: 10.3969/j.issn.1006-575X.2008.01.004

DOI

[2]
Zhang F, Zhou B, Ratti C, et al. Discovering place-informative scenes and objects using social media photos[J]. Royal Society Open Science, 2019, 6(3):1-15. DOI: 10.10 98/rsos.181375

DOI

[3]
吴志才, 张凌媛, 郑钟强, 等. 旅游场域中古城旅游社区的空间生产研究——基于列斐伏尔的空间生产理论视角[J]. 旅游学刊, 2019, 34(12):86-97.

[ Wu Z C, Zhang L Y, Zhang Z Q, et al. The production of space within the field of tourism: A case study of the tourism community of Chaozhou ancient city[J]. Tourism Tribune, 2019, 34(12):86-97. ] DOI: 10.19765/j.cnki.1002-5006.2019.12.011

DOI

[4]
李渊, 杨璐, 高小涵. 鼓浪屿街道空间体验分析与提升策略[J]. 规划师, 2019, 35(14):24-31.

[ Li Y, Yang L, Gao X H. Preference and spatial improvement strategies of street space of Gulangyu Island[J]. Planners, 2019, 35(14):24-31. ] DOI: CNKI:SUN:GHSI.0.2019-14-005

DOI

[5]
张帆, 刘瑜. 街景影像——基于人工智能的方法与应用[J]. 遥感学报, 2021, 25(5):1043-1054.

[ Zhang F, Liu Y. Street view imagery: Methods and applications based on artificial intelligence[J]. National Remote Sensing Bulletin, 2021, 25(5):1043-1054. ] DOI: 10.11834/jrs.20219341

DOI

[6]
Chalfen R M. Photograph's role in tourism Some unexplored relationships[J]. Annals of Tourism Research, 1979,6(4):435-447. DOI:10.1016/0160- 7383(79)90006-9

[7]
Urry J. The Tourist Gaze: Leisure and Travel in Contemporary Society[C]. Sites of Memory, Sites of Mourning: the Great War in European Cultural History, 1990.

[8]
周功梅, 宋瑞, 刘倩倩. 旅游摄影:研究述评与展望[J]. 旅游学刊, 2020, 35(11):129-144.

[ Zhou G M, Song R, Liu Q Q. Tourism photography: A literature review and analysis[J]. Tourism Tribune, 2020, 35(11):129-144. ] DOI: 10.19765/j.cnki.1002-5006.2020.11.014

DOI

[9]
Haywood K M. Visitor-employed photography: An urban visit assessment[J]. Journal of Travel Research, 1990, 29(1): 25-29.

DOI

[10]
Cederholm, Andersson E. The use of photo-elicitation in tourism research: Framing the backpacker experience[J]. Scandinavian Journal of Hospitality & Tourism, 2004, 4(3):225-241. DOI: 10.1177/004728759002900106

DOI

[11]
Fairweather J R, Swaffield S R. Visitor experiences of Kaikoura, New Zealand: An interpretative study using photographs of landscapes and Q method[J]. Tourism Management, 2001, 22(3):219-228. DOI: 10.1016/S0261-5177(00)00061-3

DOI

[12]
Yao Y, Liang Z, Yuan Z, et al. A human-machine adversarial scoring framework for urban perception assessment using street-view images[J]. International Journal of Geographical Information Science, 2019, 33(12):2363-2384. DOI: 10.1080/13658816.2019.1643024

DOI

[13]
Sheng F, Zhang Y, Shi C, et al. Xi'an tourism destination image analysis via deep learning[J]. Journal of Ambient Intelligence and Humanized Computing, 2020:1-10. DOI: 10.1007/s12652-020-02344-w

DOI

[14]
Miranda A S, Fan Z, Duarte F, et al. Desirable streets: Using deviations in pedestrian trajectories to measure the value of the built environment[J]. Computers Environment and Urban Systems, 2021, 86(3):1-17. DOI: 10.1016/j.compenvurbsys.2020.101563

DOI

[15]
Sohrabi B, Vanani I R, Nasiri N, et al. A predictive model of tourist destinations based on tourists' comments and interests using text analytics[J]. Tourism Management Perspectives, 2020, 35:1-12. DOI: 10.1016/j.tmp.2020.100710

DOI

[16]
Zanwar P, Kim J, Kim J, et al. Use of Connected Technologies to Assess Barriers and Stressors for Age and Disability-Friendly Communities[J]. Frontiers in Public Health, 2021, 9:1-9. DOI: 10.3389/fpubh.2021.578832

DOI

[17]
Ren X, Li Y, Zhao J, et al. Tourism Growth Prediction Based on Deep Learning Approach[J]. Complexity, 2021, 2021: 1-10. DOI: 10.1155/2021/5531754

DOI

[18]
Zhang K, Chen Y, Li C L. Discovering the tourists' behaviors and perceptions in a tourism destination by analyzing photos' visual content with a computer deep learning model: The case of Beijing[J]. Tourism Management, 2019, 75:595-608. DOI: 10.1016/j.tourman.2019.07.002

DOI

[19]
Zhang X, Yang Y, Zhang Y, et al. Designing tourist experiences amidst air pollution: A spatial analytical approach using social media[J]. Annals of Tourism Research, 2020, 84:1-16. DOI: 10.1016/j.annals.2020.102999

DOI

[20]
Li C, Kwok L, Xie K L, et al. Let photos speak: The effect of user-generated visual content on hotel review helpfulness[J]. Journal of Hospitality & Tourism Research, 2021. DOI: 10.1177/10963480211019113

DOI

[21]
Lin M S, Liang Y, Xue J X, et al. Destination image through social media analytics and survey method[J]. International Journal of Contemporary Hospitality Management, 2021, 33(6):2219-2238. DOI:10.1108/ijchm-08-20 20-0861

DOI

[22]
Li J, Xu L, Tang L, et al. Big data in tourism research: A literature review[J]. Tourism Management, 2018, 68: 301-323. DOI: 10.1016/j.tourman.2018.03.009

DOI

[23]
Zhang K, Chen Y, Lin Z. Mapping destination images and behavioral patterns from user-generated photos: a computer vision approach[J]. Asia Pacific Journal of Tourism Research, 2020, 25(11):1199-1214. DOI: 10.1080/10941665. 2020.1838586

DOI

[24]
He B, Liu K, Xue Z, et al. Spatial and temporal characteristics of urban tourism travel by taxi: A case study of Shenzhen[J]. Isprs International Journal of Geo-information, 2021, 10(7):1-13. DOI: 10.3390/ijgi10070445

DOI

[25]
Yao Q, Shi Y, Li H, et al. Understanding the tourists' spatio-temporal behavior using Open GPS trajectory data: A case study of Yuanmingyuan Park (Beijing, China)[J]. Sustainability, 2021, 13(1):1-13. DOI: 10.3390/su13010094

DOI

[26]
Bao H, Ming D, Guo Y, et al. DFCNN-based semantic recognition of urban functional zones by integrating remote sensing data and POI data[J]. Remote Sensing, 2020, 12(7):1-26. DOI: 10.3390/rs12071088

DOI

[27]
Kang Y, Cho N, Yoon J, et al. Transfer learning of a deep learning model for exploring tourists' urban image using geotagged photos[J]. Isprs International Journal of Geo-Information, 2021, 10(3):1-20. DOI: 10.3390/ijgi10030137

DOI

[28]
Chen W, Xu Z, Zheng X, et al. Geo-tagged photo metadata processing method for Beijing inbound tourism flow[J]. Isprs International Journal of Geo-information, 2019, 8(12):1-15. DOI: 10.3390/ijgi8120556

DOI

[29]
Agusti D P I. Mapping tourist hot spots in African cities based on instagram images[J]. International Journal of Tourism Research, 2020, 22(5):617-626. DOI: 10.1002/jtr. 2360

DOI

[30]
Huang Y, Fei T, Kwan M-P, et al. GIS-based emotional computing: A review of quantitative approaches to measure the emotion layer of human-environment relationships[J]. Isprs International Journal of Geo-Information, 2020, 9(9):1-15. DOI: 10.3390/ijgi9090551

DOI

[31]
Zheng Y T, Zha Z J, Chua T S. Mining travel patterns from geotagged photos[J]. Acm Transactions on Intelligent Systems and Technology, 2012, 3(3):1-18. DOI: 10.1 145/2168752.2168770

DOI

[32]
Gong Z, Ma Q, Kan C, et al. Classifying street spaces with street view images for a spatial indicator of urban functions[J]. Sustainability, 2019, 11(22):1-17. DOI: 10.33 90/su11226424

DOI

[33]
李渊, 刘嘉伟, 严泽幸, 等. 基于卫星定位导航数据的景区旅游者空间行为模式研究——以鼓浪屿为例[J]. 中国园林, 2019, 35(1):73-77.

[ Li Y, Liu J W, Yan Z X, et al. Spatial behavior patterns of toupprists based on satellite navigation data: A case study of gulangyu[J]. Chinese Landscape Architecture, 2019, 35(1):73-77. ] DOI: 10.3969/j.issn.1000-6664.2019.01.014

DOI

[34]
Mou N X, Yuan R Z, Yang T F, et al. Exploring spatio-temporal changes of city inbound tourism flow: The case of Shanghai, China[J]. Tourism Management, 2020, 76: 14. DOI: 10.1016/j.tourman.2019.103955

DOI

[35]
Onder I. Classifying multi-destination trips in Austria with big data[J]. Tourism Management Perspectives, 2017, 21:54-58. DOI: 10.1016/j.tmp.2016.11.002

DOI

[36]
Xiao X, Fang C, Lin H. Characterizing tourism destination image using photos' visual content[J]. Isprs International Journal of Geo-information, 2020, 9(12):730. DOI: 10.3390/ijgi9120730

DOI

[37]
Mikhailov S, Kashevnik A, Smirnov A, et al. tourist vehaviour analysis vased on digital pattern of life[C]. 7th International Conference on Control, Decision and Information Technologies (CoDIT), 2020:622-627. DOI: 10.1109/CoDIT49905.2020.9263945

DOI

[38]
Salas-Olmedo M H, Moya-Gomez B, Garcia-Palomares J C, et al. Tourists' digital footprint in cities: Comparing Big Data sources[J]. Tourism Management, 2018, 66:13-25. DOI: 10.1016/j.tourman.2017.11.001

DOI

[39]
李渊, 丁燕杰, 王德. 旅游者时间约束和空间行为特征的景区旅游线路设计方法研究[J]. 旅游学刊, 2016, 31(9):50-60.

[ Li Y, Ding Y J, Wang D. A new approach for designing tourist routes by considering travel time constraints and spatial behavior characteristics of tourists[J]. Tourism Tribune, 2016, 31(9):50-60. ] DOI: 10.3969/j.iss n.1002-5006.2016.09.016

DOI

[40]
Payntar N D, Hsiao W L, Covey R A, et al. Learning patterns of tourist movement and photography from geotagged photos at archaeological heritage sites in Cuzco, Peru[J]. Tourism Management, 2021, 82. DOI: 10.1016/j.tourman.2020.104165

DOI

[41]
Zhang C, Wu T, Zhang Y, et al. Deep semantic-aware network for zero-shot visual urban perception[J]. International Journal of Machine Learning and Cybernetics, 2021:1-15. DOI: 10.1007/s13042-021-01401-w

DOI

[42]
Qiu W, Li W, Liu X, et al. Subjectively measured streetscape perceptions to inform urban design strategies for Shanghai[J]. Isprs International Journal of Geo-information, 2021, 10(8):493. DOI: 10.3390/ijgi10080493

DOI

[43]
Key S, Gross M D. From architects' terms to computable descriptions of spatial qualities[J]. Spatial Cognition and Computation, 2021, 21(3):173-196. DOI:10.1080/1387 58 68.2020.1862125

DOI

[44]
Zhang F, Zhou B, Liu L, et al. Measuring human perceptions of a large-scale urban region using machine learning[J]. Landscape and Urban Planning, 2018, 180:148-160. DOI: 10.1016/j.landurbplan.2018.08.020

DOI

[45]
Arefieva V, Egger R, Yu J. A machine learning approach to cluster destination image on Instagram[J]. Tourism Management, 2021, 85:1-11. DOI: 10.1016/j.tourman. 2021.104318

DOI

[46]
Paul I Agusti D. The clustering of city images on Instagram: A comparison between projected and perceived images[J]. Journal of Destination Marketing & Management, 2021, 20:1-12. DOI: 10.1016/j.jdmm.2021.100608

DOI

[47]
Huang J, Obracht-Prondzynska H, Kamrowska-Zaluska D, et al. The image of the city on social media: A comparative study using "Big Data" and "Small Data" methods in the Tri-City Region in Poland[J]. Landscape and Urban Planning, 2021, 206:1-19. DOI: 10.1016/j.landurbplan.202 0.103977

DOI

[48]
厦门市人民政府. 鼓浪屿历史风貌建筑保护规划修编[R]. 2016:11-20.

[ Xiamen Municipal People's government. Revision of kulangsu historic building protection plan[R]. 2016:11-20. ]

[49]
李道增. 环境行为学概论[M]. 北京: 清华大学出版社, 1999:10.

[ Li D Z. Introduction to environmental behavior[M]. Beijing: Tsinghua University Press, 1999:10. ]

[50]
塔娜, 柴彦威. 行为地理学的学科定位与前沿方向[J]. 地理科学进展, 2022, 41(1):1-15.

DOI

[ Ta N, Chai Y W. Disciplinary position and research frontiers of behavioral geography[J]. Progress in Geography, 2022, 41(1):1-15. ] DOI: 10.18306/dlkxjz.2022.01.001

DOI

[51]
乐阳, 刘瑜, 陈云松, 等. 空间和地理计算与计算社会学的融合路径[J]. 武汉大学学报·信息科学版, 2022, 47(1):1-18.

[ Yue Y, Liu Y, Chen Y S, et al. Integration Path of Spatial and Geo-Computing and Computational Social Science[J]. Geomatics and Information Science of Wuhan University, 2022, 47(1):1-18. ] DOI: 10.13203/j.whugis 20 210619

DOI

[52]
杨敏, 李君轶, 徐雪. ICTs视角下的旅游流和旅游者时空行为研究进展[J]. 陕西师范大学学报(自然科学版), 2020, 48(4):46-55.

[ Yang M, Li J Y, Xu X. The progress of tourist flow and tourist spatio-temporal behavior based on ICTs[J]. Journal of Shaanxi Normal University(Natural Science Edition), 2020, 48(4):46-55. ] DOI: 10.15983/j.cnki.jsnu.2020.04.020

DOI

Options
文章导航

/

〈 〉