EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 2: 227 - 241

DOI: https://doi.org/10.12082/dqxxkx.2024.240023

研究笔谈与综述

地球信息科学在旅游休闲领域研究的辩证审视

  • 蒋依依 , 1, 2 ,
  • 邓宁 3 ,
  • 高秉博 4 ,
  • 李渊 5 ,
  • 李云鹏 6 ,
  • 刘逸 7 ,
  • 刘珍环 8 ,
  • 牟乃夏 9 ,
  • 彭澎 10 ,
  • 唐承财 3 ,
  • 张宏磊 11 ,
  • 张翔 12 ,
  • 徐海滨 , 1, *
展开
  • 1.北京体育大学体育休闲与旅游学院，北京 100084
  • 2.北京市冬奥文化与冰雪运动发展研究基地，北京 100084
  • 3.北京第二外国语学院旅游科学学院，北京 100024
  • 4.中国农业大学土地科学与技术学院，北京 100193
  • 5.厦门大学建筑与土木工程学院，厦门 361005
  • 6.首都经济贸易大学工商管理学院，北京 100070
  • 7.中山大学旅游学院，广州 510275
  • 8.中山大学地理科学与规划学院，广州 510006
  • 9.山东科技大学测绘与空间信息学院，青岛 266590
  • 10.中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室，北京 100101
  • 11.南京大学地理与海洋科学学院，南京 210023
  • 12.中山大学测绘科学与技术学院，珠海 519082
*徐海滨（1995— ），男，山东东营人，博士生，研究方向为体育地理、体育旅游。E-mail:

蒋依依（1978— ），女，贵州贵阳人，博士，教授，博士生导师，研究方向为体育旅游、奥运遗产，旅游地理。E-mail:

Copy editor: 蒋树芳 黄光玉

收稿日期: 2024-01-11

  修回日期: 2024-02-04

  网络出版日期: 2024-03-27

基金资助

国家社会科学基金重点项目(21ATY001)

国家自然科学基金面上项目(42071199)

中央高校基本科研业务费专项资金项目(2022YB016)

收起

A Dialectical Examination of Geo-information Science in the Field of Tourism and Recreation

  • JIANG Yiyi , 1, 2 ,
  • DENG Ning 3 ,
  • GAO Bingbo 4 ,
  • LI Yuan 5 ,
  • LI Yunpeng 6 ,
  • LIU Yi 7 ,
  • LIU Zhenhuan 8 ,
  • MOU Naixia 9 ,
  • PENG Peng 10 ,
  • TANG Chengcai 3 ,
  • ZHANG Honglei 11 ,
  • ZHANG Xiang 12 ,
  • XU Haibin , 1, *
Expand
  • 1. School of Leisure Sports and Tourism, Beijing Sport University, Beijing 100084, China
  • 2. Research Base for the Development of Winter Olympic Culture and Ice and Snow Sports of Beijing, Beijing 100084, China
  • 3. School of Tourism Sciences, Beijing International Studies University, Beijing 100024, China
  • 4. College of Land Science and Technology, China Agricultural University, Beijing 100193, China
  • 5. School of Architecture and Civil Engineering, Xiamen University, Xiamen 361005, China
  • 6. College of Business Administration, Capital University of Economics and Business, Beijing 100070, China
  • 7. School of Tourism Management, Sun Yat-sen University, Guangzhou 510275, China
  • 8. School of Geography and planning, Sun Yat-Sen University, Guangzhou 510006, China
  • 9. College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
  • 10. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 11. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China
  • 12. School of geospatial engineering and science, Sun Yat-Sen University, Zhuhai 519082, China
*XU Haibin, E-mail:

Received date: 2024-01-11

  Revised date: 2024-02-04

  Online published: 2024-03-27

Supported by

National Social Science Fundation of China(21ATY001)

National Natural Science Foundation of China(42071199)

Fundamental Research Funds for the Central Universities(2022YB016)

Fold

摘要

随着经济社会的发展，旅游休闲已成为人民对美好生活追求的重要方式，也是将“绿水青山”“冰天雪地”转换为“金山银山”的重要载体。然而，旅游休闲发展不平衡、不充分的矛盾亟待解决。地球信息科学为旅游休闲领域提供了一套基于空间系统的分析框架和方法，大数据技术的快速发展也使得地球信息科学在旅游休闲领域的研究得到广泛关注和应用。然而，二者的结合研究并不是研究对象和研究理论、方法之间的简单交叉，且大数据在旅游休闲研究中存在数据有偏性、多源异构数据的融合、技术迭代等问题。为此，围绕着地球信息科学在旅游休闲领域的研究现状、学科贡献、研究局限性及未来方向，以“地球信息科学在旅游休闲领域研究的辩证审视”为主题，荣幸地邀请了旅游管理、地球信息科学、地理科学等领域的12位代表学者展开专家笔谈。基于专家们的观点，总结发现地球信息科学在旅游休闲领域研究中扮演着关键角色，具体体现在： ①为研究者深入理解旅游者行为、旅游目的地特征等多维度旅游现象提供了丰富的空间数据和分析方法； ② 为旅游休闲领域的研究提供了深刻的时空认知逻辑和人地思维； ③ 突破了传统旅游休闲领域研究的精细度不够、尺度单一的不足，提高了对旅游休闲复杂场景和多维尺度过程机制的解读能力。地球信息科学在旅游休闲领域未来具有广阔的应用前景，但是大数据的有偏性、研究结果的可解释性、学科之间深度交互等研究挑战，仍需要学者进一步回答和探索。本文通过对专家的笔谈，抛砖引玉，希望对地球信息科学与旅游休闲的融合研究及未来发展具有指导意义。

关键词： 旅游休闲; 地球信息科学; 大数据; 研究现状; 学科贡献; 研究局限性; 未来方向; 辩证审视

本文引用格式

蒋依依 , 邓宁 , 高秉博 , 李渊 , 李云鹏 , 刘逸 , 刘珍环 , 牟乃夏 , 彭澎 , 唐承财 , 张宏磊 , 张翔 , 徐海滨 . 地球信息科学在旅游休闲领域研究的辩证审视[J]. 地球信息科学学报, 2024 , 26(2) : 227 -241 . DOI: 10.12082/dqxxkx.2024.240023

Abstract

Tourism and leisure have become important aspects of modern life, enhancing the quality of life through recreational activities. However, the development of tourism and leisure is characterized by imbalances and deficiencies that need immediate attention. Geo-information Science provides a spatial analytical framework and methods for studying tourism and leisure. Additionally, the rapid advancement of big data technology has facilitated the widespread application and interest in Geo-information Science in the field of tourism and leisure. This article aims to critically review the current state of research, disciplinary contributions, limitations, and future directions of Geo-Information Science in the field of tourism and leisure. To achieve this objective, we conducted interviews with representative scholars from various fields such as tourism management, Geo-information Science, and geography to gather their insights. Through interviews with twelve experts, we found that one of the major contributions of Geo-information Science to tourism and leisure research is the integration of spatial thinking, including the spatial and temporal dimensions. On one hand, by emphasizing the importance of space, Geo-information Science allows for a deeper understanding of how the geographical environment influences tourist behavior and decision-making processes. Analytical techniques such as spatial analysis, geographic visualization, and spatial modeling offer technical opportunities for valuable insights into various aspects of tourism, including the spatial behavior of tourists, distribution patterns, and the utilization of tourism resources. On the other hand, the use of Geo-information Science rooted in spatiotemporal cognitive logic helps in understanding the generation and evolution of tourism patterns. This approach can analyze changes and impacts of tourism processes at different time and spatial scales, revealing underlying behavioral mechanisms, spatial-temporal distribution patterns of tourist attractions, and temporal trends in the tourism market. However, challenges remain in interpreting research findings, integrating data from multiple sources, and promoting interdisciplinary exchanges. Addressing these challenges requires further exploration and research from scholars. Nonetheless, it is important to recognize the tremendous potential of Geo-information Science in future applications in the field of tourism and leisure. In the era of Artificial Intelligence 2.0, the integration and breakthroughs in combining 3D GIS with human sensory devices, enhancing decision-making abilities through spatiotemporal modeling technologies, the integration of AIGC with Geo-information Science technologies, and the automatic generation of multidimensional virtual spaces all hold exciting prospects. This study aims to provide guidance for the fusion of Geo-information Science with tourism and leisure research and anticipate future directions in this field. By addressing current limitations and exploring future directions, researchers can further enhance our understanding of these fields and contribute to their sustainable development.

Key words： tourism and recreation; geo-information science; big data; state of research; disciplinary contributions; limitations; future directions; dialectical examination

笔谈召集人：蒋依依
蒋依依，北京体育大学体育休闲与旅游学院副院长，教授、博士生导师，入选国家“万人计划”青年拔尖人才、文化和旅游部旅游业青年专家、国家体育总局“优秀中青年专业技术人才百人计划”。研究领域为旅游流、体育旅游、奥运遗产等，在《Tourism Management》《地理学报》《北京体育大学学报》《旅游学刊》等期刊发表论文多篇。主持国家社会科学基金重点项目、国家自然科学基金青年项目、北京市社会科学基金重点项目等科研项目课题。社会学术兼职有《中国生态旅游》编委、北京市冬奥文化与冰雪运动发展研究基地研究员、中国应急管理学会理事兼体育赛事活动与安全工作委员会副秘书长、中国地理学会旅游地理专业委员会委员、世界旅游城市联合会特聘专家、闽江学者讲席教授等。

1 引言

随着经济社会的发展，旅游休闲已经成为新时代满足人民对美好生活追求的重要方式，也是将“绿水青山”“冰天雪地”转换为“金山银山”的重要载体[1-2]。地球信息科学是一个以人口、资源、环境为服务对象的科学，其任务是以信息流调控人流、物流和能量流的人地关系[3]。随着手机信令、互联网地图POI、GPS轨迹、社交媒体等地理大数据的广泛出现[4]，以及人工智能、深度学习、空间分析、文本分析等技术的快速发展[5⇓⇓-8]，大数据在旅游休闲领域研究中得到了广泛关注和应用。对于旅游休闲研究而言，地球信息科学不但提供了一套基于点、线、面空间拓扑关系建立的旅游空间现象可视化系统[9]，也是不断演进的可计算空间分析及遥感分析工具[10]。这使得地球信息科学为精准理解旅游休闲资源多尺度空间分布模式、深度挖掘旅游休闲行为时空规律、高效揭示供需两侧相互作用与协同机制提供了新的研究方法和研究视角[11]。但是大数据在旅游休闲研究中共性存在的选择性偏差、多源异构数据的融合、技术迭代等问题仍然需要学者们的辩证审视。
为此，围绕着地球信息科学在旅游休闲领域的研究现状、学科贡献、研究局限性及未来方向，以“地球信息科学在旅游休闲领域研究的辩证审视”为主题，荣幸地邀请了12位业界专家学者展开了专家笔谈。在这12位专家学者中，既有在旅游管理与GIS融合研究方面多有建树的专家，如：蒋依依教授、唐承财教授、李云鹏教授、刘逸副教授；也有深耕地球信息科学领域同时开展旅游案例研究的专家，如：李渊教授、牟乃夏教授、张翔教授、彭澎副研究员；还有基于地理学、计算机科学理论与方法开展旅游研究的专家学者，如：刘珍环副教授、张宏磊副教授和邓宁教授，以及专门从事地理信息时空统计方法研究的高秉博副教授。本次笔谈希望基于专家们的多元视角和丰富经验，辩证地审视地球信息科学在旅游休闲领域的研究，为相关领域的研究和实践提供有价值的参考。

2 领域专家观点（按姓氏拼音字母排序）

专家：邓宁
邓宁，博士，教授，北京第二外国语学院旅游科学学院副院长，数字文旅研究中心（文化和旅游部文化和旅游研究基地）主任，文化和旅游部信息科技领域专家，国家自然科学基金管理学部通讯评审专家。主要研究方向为数字文旅，旅游大数据，UGC数据挖掘，旅游目的地营销，智慧旅游等，在《Tourism Management》《Journal of Travel Research》等旅游领域顶刊发表文章。
观点：地球信息科学驱动下的旅游休闲研究在研究对象、研究数据等方面实现了突破，但是面临着研究数据的可获得性、研究范式的理论性、研究者背景的复合型等方面的挑战。
地球信息科学的学科理论与技术手段对旅游科学研究的主要贡献是在游客行为的分析方面，特别是对游客时空行为精细化刻画与行为规律的探究。目前，基于遥感、地理标签、数字足迹、位置签到等多源数据对游客行为进行分析已经成为旅游休闲领域研究的热点之一[12-13]。相较于传统的旅游休闲领域研究，其主要的突破体现在：① 研究对象向主客共享的新场景延伸[14]：随着多源大数据的大规模出现与广泛使用，目前旅游休闲领域的研究对象已经从周边游、度假、亲子户外等主客分异的研究场景向餐饮、美妆、购物中心、健身康体、文化场所等主客共享的新场景延伸。② 研究数据向多源异构的大数据扩展[15]：由于移动互联网平台的快速发展，本地生活、短视频、用户点评、地图导航等多源数据成了旅游休闲研究的主要数据来源之一。
虽然地球信息科学在旅游休闲领域的研究实现了研究对象和研究数据方面的突破，但是仍面临研究数据的可获得性、研究范式的理论性、研究者背景的复合型等方面的一些挑战。① 研究数据的可获得性受限[16]：一方面，供给侧数据更多只能依靠合理的爬虫技术或者互联网平台开放、合作等方式获得，而可以体现旅游休闲活动更多属性信息及时空特征的商家存续数据、消费数据、景点内部设施数据等却难以获取；另一方面，需求侧数据往往只能通过网络口碑、评论、消费者评价等间接表征，而各网站愈发严苛的反爬机制和更加规范的反爬约束也使得上述数据的获取门槛不断提升。② 研究范式的理论性亟待发展[17]：学科差异与地球信息科学本身的特点容易让基于此类方法的旅游休闲研究陷入有结果无理论的争议中，如何在旅游研究交叉复合的大环境下，走出一条适合旅游休闲领域数据研究的范式之路显得尤为关键。③ 研究者背景复合的要求提高：基于地球信息科学理论和方法进行旅游休闲研究，除了具有更多的地球科学背景外，还需要具备信息科学及数字经济方面的研究视角。特别是随着智能化大模型技术的演进，未来还会出现一波旅游休闲业态的重构，这也为研究者的复合型背景提出了更高的要求。
专家：高秉博
高秉博，中国农业大学副教授、博士生导师，中国地理学会地理模型与地理信息分析专业委员会委员、地图学与地理信息系统专委会委员、中国空间统计学会理事。主要从事空间统计分析建模方法与应用研究，针对资源环境系统变量的非正态性、异质性及其之间关系的复杂耦合性研发了相应的空间抽样、预测与归因方法，并应用于自然资源、农业环境和公共健康领域。
观点：基于大数据开展旅游休闲领域研究需要警惕陷入大样本迷雾和伪相关陷阱。手机信令、社交媒体等数据具有非常大的样本量，容易导致初学者将大样本当作总体，忽视其难以代表全体人群的偏性问题，进一步推断出偏误的结果。在研究中，建议参照“三位一体（总体、样本、统计量）” 空间统计框架，辨析总体、样本和统计量之间信息流链路，选择恰当的抽样方法和统计推断模型，实现无偏最优估计。同时，在非设计的大数据中往往容易发现变量之间的相关性，但相关不代表因果，相关也不一定蕴含因果。需要基于专业知识、工作经验和先进的因果推断方法进一步甄别是伪相关还是真因果。
空间统计学是地球信息科学空间分析的重要内容。经过70年的发展，空间统计学已成长为一个重要的科学领域，并在自然科学和社会科学中得到了广泛应用。最初，它关注空间自相关性，尝试利用位置和距离来描述空间模式，获得准确的估计或预测，并建立不同变量之间的关联。后来，空间异质性逐渐地得到重视，空间局部异质性、各向异性、空间分层异质性以及相应的指标和推断方法不断被开发出来，为旅游休闲领域研究提供了众多的方法工具。在数据科学时代，将空间统计方法与大数据结合为旅游休闲研究提供了有用的研究范式。但是，也需要警惕陷入大样本迷雾。有时大样本可能会导致空间统计方法误用，例如由于错误地认为大样本就是总体而导致的估计偏误。如何正确地将空间统计方法应用于旅游休闲相关大数据是一项挑战。在这方面，空间统计推断“三位一体”框架提供了有益的参考[18]。该框架认为，估计结果的精度由总体性质、抽样方法和统计推断方法共同决定，不同的组合具有不同效率。总体的性质，有可能会反映在样本中，也有可能不会，取决于所采用的抽样方法。基于样本估计总体参数，需要根据总体和样本选择合适的推断方法，比如对于代表性有偏的旅游休闲大数据，需要选择能够纠偏的统计推断方法才能够得到无偏的结果。
除了估计和预测，关联发现和解释也是旅游休闲领域的主要研究目标。许多研究旨在识别旅游休闲领域中的因果关系并估计因果效应，虽然没有直接使用因果关系的概念，但是使用了“影响”、 “导致”、“驱动”、“促进”、“决定因素”、“效应”等一些等价术语[19]。众所周知，相关不等于因果。具有相关性的2个变量，有可能是具有一个共同的原因，也有可能源于选择偏好或者幸存者偏差，抑或是无关要素随着时间的流逝具有相似的变化趋势，还可能是纯属巧合。需要基于专业知识、工作经验和先进的因果推断方法进一步甄别是伪相关还是真因果。近些年来，因果推断方法发展迅猛，有较多的方法可供选用，如源于Sewall Wright (1889—1988)并由Judea Pearl (1936—)发展建立的结构因果模型，源于Ronald Fisher (1890—1962)和Jerzy Neyman (1894—1981)并由Donald Rubin (1943—)发展建立的潜在结果框架，基于预测的如Granger检验、收敛交叉映射和地理收敛交叉映射方法，以及基于地理空间格局相似性的地理探测器等。旅游休闲数据往往在存在空间自相关、空间异质性、非正态性和非线性等情况，并非所有因果推断方法都能胜任[20-21]。需要根据研究场景、数据特征和方法特点审慎选用。空间统计在旅游休闲领域具有广阔的应用前景，两者的紧密结合不仅能促进旅游休闲领域研究不断深化，也能给空间统计领域引入新的挑战，带动新的发展。
专家：蒋依依
观点：从“旅游者”的角度分析，基于地球信息科学理论及方法可以综合考虑游客的认知要素、情感体验和行为表现，更全面地理解旅游者在旅游休闲环境中的需求特征和行为动态，进而为提升旅游者体验提供科学依据；从“旅游目的地”的角度分析，得益于地球信息科学提供的“自上而下”和“由人及地”两种研究视角和多粒度的研究数据，旅游目的地的研究逐步由单一尺度刻画转向对目的地空间结构、景点特征、建成环境和空间活力等多维尺度作用过程机制的探讨。
地球信息科学是一个涉及地理信息系统、遥感技术、地球观测、地理数据分析等领域的综合性学科，其理论和技术手段对旅游休闲领域产生了广泛的影响。尤其是随着大数据时代的到来以及社会感知理论[22]的提出，空间点数据、时序数据、交通流数据、社交媒体数据等多源异构数据为研究者开展旅游休闲领域的研究提供了一种新的观测手段[23]。
从“旅游者”的角度分析，认知、情感与行为之间的关系受到了学者们的广泛关注[6]，且已经提出多种理论解释个体认知与情感之间的关系机制，如情感评价理论、认知—情感系统理论、刺激—机体—反应理论等。然而，现有的理论及研究大多聚焦游客某一方面的认知或特定情感及行为，而缺乏旅游目的地认知要素对游客情感及行为影响的全面探究和系统评价。同时，结构方程模型、相关性分析等常用分析方法并不适用于系统分析游客不同情感、行为之间影响因素差异这一复杂的非线性关系，且对数据异常值较为敏感。而基于地球信息科学理论及方法可以综合考虑游客的认知要素、情感体验和行为表现，进而更全面地理解其在旅游休闲环境中的需求特征和行为动态，为提升旅游者体验提供科学依据。例如：基于空间行为互动的理论框架和随机森林等方法，通过对旅游设施、建筑、服务、自然、人物、活动等认知要素的感知和理解，揭示旅游者不同行为模式异质性和情感体验差异之间的影响要素重要性及形成过程差异，进而为不同类型的旅游目的地管理和服务提升提供有针对性的优化建议。
从“旅游目的地”的角度分析，得益于地球信息科学提供的“自上而下”和“由人及地”两种研究视角和多粒度的研究数据，旅游目的地的研究逐步由单一尺度刻画转向对目的地空间结构、景点特征、建成环境和空间活力等多维尺度人地耦合作用过程机制的探讨。一方面，随着对地观测技术的快速发展，基于高分辨率影像、无人机倾斜摄影、激光点云等数据，通过实现对颜色、纹理、光谱等特征属性的定量提取和旅游场景分类，可以为研究者提供“自上而下”的旅游目的地刻画方法。另一方面，利用社会感知手段，基于手机信令、社交媒体数据等地理时空大数据的高覆盖特性，可以感知获得具有规律性的人群特征，构建场所、活动和旅游者交互联系视角下的旅游目的地评价体系，进而可以推断旅游目的地的空间特征，实现“由人及地”的研究路径。
专家：李渊
李渊，厦门大学建筑与土木工程学院教授，博士生导师，建筑系副主任，厦门大学教务处副处长（挂职）。联合国教科文组织HIST厦门分中心副主任，国家文物局重点科研基地（清华大学）厦门工作站站长，厦门市建筑遗产保护智能技术集成应用重点实验室副主任，高校GIS创新人物，第三届全国高校教师教学创新大赛新工科正高组一等奖。研究方向为空间感知与计算。
观点：地球信息科学的学科理论、技术方法在旅游休闲领域已经得到了广泛认可与应用，主要集中于解决空间问题和行为量化。其中，地球信息科学的学科理论带给旅游科学的突出影响之一是“空间思维”和“时空观”，技术方法对旅游休闲领域的开拓主要体现在旅游的信息化。未来结合3D GIS和人因设备感知技术的整合与突破具有较大前景；在人工智能2.0时代，AIGC与地球信息科学技术的结合是否会促进旅游元宇宙或旅游休闲领域多元的虚拟空间、产品、服务的自动生成也令人期待。
地球信息科学的理论思维、技术方法在旅游休闲领域已经得到了广泛认可与应用，主要集中于解决空间问题和行为量化，主要表现为旅游客源地与目的地管理、旅游者时空行为以及“人—地”间时空关系的研究[24]，旅游者行为的时空动态[25]、行为模式与作用机理[26]，旅游产业的地理位置、时空分异、影响因素[27-28]，旅游产品或服务的设计优化（如旅游地图、旅游线路等）[29]，旅游者或其他利益相关者的主观感受（如空间感知、体验评价）等[30⇓-32]。
其中，地球信息科学的学科理论带给旅游科学的突出影响之一是“空间思维”和“时空观”。旅游科学是社会发展到达一定阶段的产物，注重社会现象和现实问题。在传统意义上，旅游科学是对“地-地”关系的探讨，并关注复杂的“人-地”和“人-人”关系。这些关系随着时间推移和空间转换始终处在一个动态过程，涉及的地理对象、生命主体、交互模式使旅游的科学记录、量化、分析具有一定的难度，而传统的地理学、社会学、经济学的方法难以实现。地球信息科学作为综合性较强的理学学科，囊括了地球科学、地理学、地图学、测量学、数学、物理学、计算机科学等理论视角，其本质是融合信息科学等技术解决地球科学问题，这为旅游科学提供了重要的空间思维和量化方法。地球信息科学的技术方法对旅游休闲领域的开拓主要体现在旅游的信息化。从空间视角出发，地球信息科学使旅游空间从实体空间转向二维、三维，使之能够被数字化和可视化。同时旅游产品不再局限于实体商品，基于位置信息的各类产品和服务均可成为商品；旅游服务更加智能化，例如景区导航和景区讲解均可通过线上方式或便携设备完成。总体而言，地球信息科学重点解决了旅游休闲领域的信息挖掘、资源分配、行为追踪、空间规划、体验优化、模拟预测等问题。
目前便携式人因设备围绕旅游营销推广、旅游体验评价、旅游行为偏好等研究场景，在旅游休闲领域掀起了应用热潮。然而由于这类设备缺乏与地球信息科学相关技术的关联，相关研究往往需要通过多种设备或技术叠加来实现旅游者感知与足迹行为的同步采集与分析。我国部分人因实验设备的代理公司也在进行人因感知与行为数据一体化采集的技术研发，并且能够在实验中进行有效应用。但此类实验的开展（尤其是现场实验）仍然需要多位主试人员对多种设备进行操作与监测，在采集上操作难度和精度都具有较大挑战。未来结合3D GIS和人因设备感知技术的整合与突破具有较大前景，3D GIS在空间场景上的可创造性与各类预测模型的结合也为旅游休闲领域的仿真模拟、需求预测等面向未来时间阶段的研究提供了较大的空间。同时，在人工智能2.0时代，AIGC（Artificial Intelligence Generated Content）与地球信息科学技术的结合是否会促进旅游元宇宙或旅游休闲领域多元的虚拟空间、产品、服务的自动生成也令人期待[33]。
专家：李云鹏、张翔
李云鹏，管理学博士，区域经济学博士后，首都经济贸易大学教授、博士生导师，旅游互联网+研究院执行院长。研究方向：商务智能与旅游大数据决策，文体旅产业融合数据分析。第五届全国旅游标准化委员会委员，世界旅游城市联合会专家委员会特聘专家，中国管理科学与工程学会大数据与商务分析研究会会员，中国人工智能学会智能服务专业委员会委员，中国管理科学学会旅游专业委员会委员，北京旅游学会理事。在《Tourism Management》《Asia Pacific Journal of Tourism Research》《Tourism Review》《Information Technology and Tourism》《International Journal of Contemporary Hospitality Management》《旅游学刊》等期刊发表学术论文40余篇。
张翔，教授，博士生导师，现任中山大学测绘科学与技术学院地理信息教研室主任，主要从事多尺度空间数据融合、地理空间智能处理与众源大数据挖掘研究。主持参与多项国家自然科学基金、国家重点研发计划、“863”等项目，在《ISPRS P&RS》《JAG》《IJGIS》《测绘学报》等国内外地理信息权威期刊发表论文40余篇，申请专利9项、取得软件著作权7项，成果在全国1:50 000基础地理数据缩编更新工程，全国第二、第三次土地调查，海岛礁制图，省市级地理国情普查数据库建设中发挥了重要作用，先后获得国家科技进步二等奖1项、测绘科技进步二等奖4项。担任中国测绘学会智能化测绘工作委员会委员。
观点：大数据在旅游休闲领域的研究中发挥着重要的作用，但其存在的偏差、采样和代表性等共识性问题仍无法忽略。地球信息科学在旅游休闲领域的未来突破需要从理论和实践、地理数据和旅游休闲2个角度进行辩证审视。
大数据在旅游休闲领域的研究中发挥着重要的作用，但其存在的偏差、采样和代表性等共识性问题仍无法忽略[34]。大数据的偏差主要包含数据选择偏差和采集过程偏差[35]。在数据采集过程中，由于不同地区、文化、经济状况的差异，采样可能出现偏差，进而导致结果不具备广泛适用性[36]。大数据在采样过程中也会存在一定的偏差：一方面某些旅游休闲领域的数据获取相对困难，这会导致数据的不完整性，进而影响分析的全面性；另一方面采样时段和频率的选择可能影响研究结果，即不同时间段的数据可能呈现出不同的特征，选择不当可能导致研究结论的不确定性。另外，由于偏差和采样的影响，大数据并不能覆盖所有的旅游休闲活动和群体，进而导致研究结果的代表性受到限制。例如，只基于在线预订数据进行研究可能无法涵盖所有游客群体，无法反映实际旅游休闲活动的全貌。
地球信息科学在旅游休闲领域的未来突破需要从理论和实践、地理数据和旅游休闲2个角度进行辩证审视。具体而言，二者未来的发展需要相互依存、相互促进，即地理数据需要为旅游休闲中人-地-业的发展提供基础支撑，理论要为旅游休闲领域的实际问题提供了科学的指导。同时，在旅游休闲领域实践中人-地-业存在的新问题和新现象，如露营、房车等新业态的出现，也需要反过来促进地球信息科学在数据和方法上的发展和创新，甚至新理论的发现和提出。由此可见，对于理论和实践、地理数据和旅游休闲角度而言，正确的认识和处理其辩证关系对于推动旅游休闲领域的发展具有重要意义。
专家：刘逸
刘逸，副教授，博士生导师，现任中山大学旅游学院院长助理、旅游管理与规划系主任。主要研究领域为经济地理、旅游地理、乡村旅游、产业升级与创新。至今于《Tourism Management》等高水平刊物发表中英文论文80余篇。获文化与旅游部优秀学术成果二等奖2次、三等奖1次，承担国家自然科学基金项目2项，教育部人文社科项目等省部级课题7项。
观点：地球信息科学的方法应用化解了传统休闲研究在结论精细度与研究对象尺度之间的矛盾。相比于传统研究，这些研究解决了旅游休闲研究中休闲现象和特征复杂性的感测问题，提高了对复杂休闲时空模式的解读能力。但是地球信息科学的方法在结论可解释性层面稍显不足，下一步应引入可解释性的机器学习算法和知识图谱算法进一步捕捉休闲空间格局产生的原因以及休闲行为背后的机理。未来需要在多模态数据的统一量纲和清洗上实现突破，地球信息科学技术的发展方向大致会朝着智能化的方向发展。
地球信息科学应用到旅游休闲研究的方法可分为2类：第一类是基于GIS技术的传统空间分析方法；第二类是与人工智能相关的相关方法，其中包括聚类、分类、关联分析和深度学习4类算法。第一类方法主要用于刻画不同空间单位的休闲空间分布特征，如休闲旅游目的地、休闲设施、休闲业态等空间格局[37]；第二类中的聚类算法主要用于休闲行为和休闲设施的分类，如DBSCAN算法、 K-means等聚类算法用于休闲物质空间的集聚特征[38]；分类算法则应用于休闲行为模式的捕捉；关联规则算法则用于捕捉休闲业态之间的关联特征[39]；深度学习算法则被应用于捕捉居民对休闲空间的感知[40]。上述方法的应用化解了传统休闲研究在结论精细度与研究对象尺度之间的矛盾。传统的休闲研究受限于数据的成本与调查方式，研究对象常常局限于中小尺度范畴，比如微观的区域或者特定的群体。面对国家、区域等大尺度研究对象，研究结论相比而言显得宏观。地球信息科学构建了相对可靠的质量评估模型，通过有效使用规模宏大且具有细粒度特征的地理大数据，在人工智能算法支持下，针对各种尺度的研究对象，尤其大尺度对象，依然可捕捉到相对精细特征和结论。例如，移动信令数据的城市人群休闲活动分布模型实现了从精细尺度到粗略尺度，从微观特征到宏观格局的多级复合表达能力。
相比传统方法，这些研究实现了2个突破。 ① 解决了休闲现象和特征复杂性的感测问题。以休闲业态为例，其形式丰富多样，且规模小、数量多、分布零散、结构不一[41]。地球信息科学技术将这些多模态数据归整到空间单元之后，可以实现数据量纲的统一问题。② 提高了对复杂休闲时空模式的解读能力。旅游休闲行为模式解释的是不同群体在不同情境下的休闲活动规律。同伴、活动顺序、情境都会影响，而且这些影响因素相互交织，使得规律隐藏在众多的数据细节中，难以通过人工或常规的方式挖掘。地球信息科学提供了处理地理大数据的方法，借助高性能计算手段和人工智能技术有助于挖掘行为规律和模式。
地球信息科学方法主要用于测度和描述休闲空间和休闲行为，验证基本的空间格局和行为模式规律[42]，但是仍有需要突破的地方。① 这些方法对于分析结果的可解释性稍显不足，下一步应引入可解释性的机器学习算法和知识图谱算法进一步捕捉休闲空间格局产生的原因以及休闲行为背后的机理。② 地球信息科学方法未来需要在多模态数据的统一量纲和清洗上实现突破，从而更加有效地开展数据挖掘。例如，POI、签到数据和街景图片数据等的结构存在着差异，当前研究者只能将其统一到空间单元上进行简单的归整处理，这个过程中会损失很多有效信息，其融合方法还亟待提升。③ 未来地球信息科学技术的发展方向大致会朝着智能化的方向发展。复杂繁琐的数据清洗问题有可能在人工智能（AI）手段的辅助下实现突破式发展，需要人工介入的部分越来越少，但这对研究者的思辨力和洞察力提出了更高的挑战。
专家：牟乃夏
牟乃夏，山东科技大学教授、博士生导师，研究方向为轨迹数据挖掘及其在旅游、交通等领域的应用。担任中国地理信息产业协会空间大数据技术与应用工作委员会副主任委员，以及地理、测绘、资源等多个学科领域专业委员会委员。主持多项国家级项目，在《Tourism Management》《Computers, Environment and Urban Systems》等期刊发表SCI/SSCI论文30余篇，出版教材5部（出版教材被全国百余所高校采用），获国际华人地理信息科学协会（CPGIS）杰出教育奖、高校GIS创新人物等社会荣誉。
观点：地球信息科学为旅游休闲研究注入了信息思维、时空思维和人地思维，使旅游领域的研究能够在更精细的粒度和空间多尺度上解释人（空间移动与社会感知）、地（景点格局与语义联系）、时（地理过程与演化规律）要素之间的互动关系。但是，由于学科思维的限制和学科发展历史的影响，2个领域的研究实践存在着固有差异，对数据、现象、理论、范式等方面的理解存在着先天不同。如何用地球信息科学的语言讲述“道地”的旅游休闲故事，依然存在诸多挑战。
地球信息科学和旅游休闲领域研究关注的主要问题都是人地关系。地球信息科学为旅游休闲研究注入了新思维，主要表现在3个方面。① 信息思维。GeoAI等分析方法、社交媒体等典型地理大数据的广泛引入能帮助研究者便捷地探析旅游领域的现象规律[43]。例如，社会地理计算方法能够结合人的情感等因素进行定量化解析，有助于发现旅游现象的驱动机制，揭示更深层次的规律成因。 ② 时空思维。时空维度的交互在旅游领域中极为常见，但难以从传统视角被深度挖掘。以旅游流为例，它是一种典型的地理过程，时空视角的切入不仅能更好地建模旅游活动，更便于发掘其中的动态过程隐喻[44]。③ 人地思维[45⇓⇓-48]。地球信息科学的引入使得人地交互模式变得可计算、可量化，大大推动了旅游研究的新发展。在相关技术以及大数据的加持下，地球信息科学推动旅游研究由面向“人”的研究向面向“地”的研究转变，这也促使旅游领域的人地交互特征在宏观、中观和微观尺度都能够获得充足的支持。
然而，由于学科思维的限制，地球信息科学领域更关注数据或现象驱动的研究范式，有意无意地忽视结论的可解释性。旅游休闲领域虽对此研究范式有一定的接受度，但更侧重的是理论驱动的研究，通常要求研究成果具有较强的理论基础与理论贡献[49]。当前旅游休闲领域的研究者更多的倾向于把地球信息科学技术作为一种“子方法论”甚至简单的“工具”，用以进行案例分析或者做出优美的地图（数据可视化），特别是近年来大数据源的可用性和相关分析方法的通用性改善使得这一特征变得尤为突出。相信这一事实对于多数地球信息科学背景的研究者而言是很难接受的，因为地球信息科学本身也是受多个学科的影响和推动而发展的，也拥有庞大的知识体系。矛盾实际上并非来自学科的理论建构，而是主要源于研究实践的差异性。旅游休闲虽然在本质上可被认为是一种地理现象，但由于学科发展历史的影响，该领域的研究更倾向于遵从传统的社会科学研究范式。这类研究通常会从提出理论假设开始，历经概念操作化、问卷设计、抽样、数据采集与分析、得出研究结论等主要环节达成研究目标。但是，并非所有地球信息科学领域的研究者都能够很好地适应该研究流程，这导致许多地球信息科学背景的研究者从事旅游休闲研究时会陷入一个窘境：为了让研究成果被接受，是否应该将研究设计向旅游休闲领域的理论驱动范式靠拢，或在旅游休闲领域找寻现有理论作为“装饰”?对于地球信息科学背景的笔者而言，并不能完全认同这种行为。如果过度拘泥于现有的体系框架，毫无疑问将很难获得长远的进步，对于2个领域都是如此。学界应该用更开放的、更宽容的态度看待学科间的差异性，并尝试推动学科领域间的有机融合。例如，是否可以结合地球信息科学领域的研究经验改进旅游休闲领域现有的研究范式呢?地球信息科学领域的知识能否派生出适应于旅游休闲领域的新理论或新方法呢?反之亦然。目前来看，似乎2个领域的研究者还是有些固守自己的阵地，比如将对方强行纳入自己的“框”。
另一个重要矛盾是数据的有偏性与结论可靠性。旅游休闲领域的大数据（如轨迹大数据）的发展毫无疑问让更多具有信息科学背景的学者参与到相关研究中来。然而近年来，大数据的有偏性等质量问题受到了诸多领域学者的抨击。具有信息科学背景的研究者往往着眼于展示技术方法与现象规律，在一定程度上缺乏“数据同理心”，即缺乏对所用数据“从何而来”、“如何产生”、“有何问题”的深刻了解。传统的旅游休闲领域研究多使用调查数据，且由于数据生产过程往往由研究者亲自参与，研究者通常对数据的样本背景有较好掌握。正如Zheng等[34]所呼吁的，大数据的有偏性虽然是一个亟待解决的问题，但不应该成为旅游研究的掣肘，研究者应平静的看待这种有偏，保持中立态度（“批判”与“宽容”并存），并着力于推动研究数据的背景透明化。
专家：彭澎
彭澎，中国科学院地理科学与资源研究所副研究员、硕士生导师。主要从事复杂地理网络分析研究。目前已发表学术论文50余篇，其中，第一作者/通讯作者论文20篇，申请或授权发明专利15项；受邀担任SCI期刊《ISPRS IJGI》《Sensors》客座编辑，W2GIS等国际学术研讨会组委会成员；主持国家重点研发项目子课题、国家自然科学基金等项目。
观点：基于地球信息科学能够从不同的时空尺度对旅游资源进行观测和分析，在研究的粒度、尺度和预测精度等方面都带来了一些突破，但是在数据、技术和学科交叉这3个方面还存在一些不足之处和突破空间。结合团队已有的研究基础，在以相关性代替因果性、决策生成能力的提升两方面对地球信息科学在旅游休闲领域中的未来应用保持期待。
传统的旅游研究方法主要集中在问卷调查、统计分析等定量方法上，而地球信息科学领域为旅游休闲领域的研究带来了大数据、人工智能等新的理论和技术方法，在研究的粒度、尺度和预测精度都带来了一些突破。① 研究粒度：有别于传统粗粒度的统计面板数据源，时空大数据相关方法不仅能够展示全局统计总量，更能揭示数据内部的结构特征。尤其可以细化到具体的个体化用户，完整构建用户的个性化画像，以更加精细的研究粒度来探究旅游现象规律。② 研究尺度：由于UGC（User Generated Content）信源易得性良好，以及各种相关AI技术不断提出，时空大数据方法能够突破传统调研式数据采集的成本限制，实现大区域、大尺度、全覆盖的完整性综合研究，从而大幅提升传统案例型研究发现与结论的代表性和可泛化性。③ 预测精度：在一些可抽象为预测任务的应用场景中，以深度学习为代表的各种时空大数据模型得益于卷积、注意力机制等网络结构设计，能够充分刻画现实中的复杂非线性关系。这使得在游客需求量预测、价格预测和个性化推荐等方面可以取得远超传统建模方式的精度/召回表现。
尽管地球信息科学在旅游休闲领域已经取得了一定的突破，但是在数据、技术和学科交叉这3个方面还存在一定的不足之处。① 数据获取方面：旅游数据收集缺乏标准化、规范化的收集渠道和方式，不同的景区、景点、旅游在线平台之间可能采用不同的统计方法和标准，这使得多源数据的融合、比较和分析变得困难。② 技术应用方面：地球信息科学技术的应用需要具备一定的专业知识和技能，如地理信息系统、遥感技术、空间数据分析等。这使得技术应用门槛相对较高，需要有一定的专业背景和经验才能有效应用；地球信息科学技术在旅游休闲领域的应用往往需要与实际需求紧密结合。然而，由于技术更新迅速和实际应用场景的复杂性，技术与旅游休闲领域的实际应用之间往往存在一定的脱节现象。③ 学科交叉融合方面：虽然地球信息科学与旅游研究之间存在交叉和融合，但目前的研究还相对较为分散和表面，缺乏深入的交叉研究，这使得2个学科之间的联系和互动不够紧密，难以形成系统性、显著性的研究成果；地球信息科学和旅游研究分属不同的学科领域，其研究人员和研究机构也相对独立，这导致2个学科之间的跨学科合作存在一定的困难和障碍，难以实现资源共享和研究优势互补；另外，地球信息科学和旅游研究领域各自拥有相对独立的研究平台和数据库，缺乏综合性的研究平台来整合2个学科领域的优势研究资源和成果，以促进学科交叉融合的快速发展。
结合团队已有的研究基础[50⇓⇓-53]，对地球信息科学技术在旅游休闲领域的未来研究主要有2方面的期待：① 以相关性代替因果性：不同于旅游管理领域十分注重通过精巧的实验设计探究某种现象的内在机理（如认知行为学），时空大数据方法只能粗略挖掘游客行为与一些宏观因素的相关性（通常表现为聚类、频繁模式挖掘等），缺乏对现象背后机理的深入探讨，更多是作为对旅游管理学发现和结论的宏观印证。未来希望能够进一步融合旅游领域的专家知识体系，将专家知识注入模型的黑箱推理过程中，以提升现有AI模型预测结果的可解释性、可控性和可靠性，从而将大数据管理优势转化真正的旅游决策智慧。② 决策生成能力的提升：与预测问题不同，近期提出的时空大模型的技术体系，有望基于人类海量可重复性工作的训练数据，可实现多场景、多任务的预测型、诊断型、方案型的综合决策生成能力。
专家：唐承财、刘珍环
唐承财，北京第二外国语学院旅游科学学院教授。兼任中国自然资源学会理事、旅游资源研究专委会副主任，中国地理学会旅游地理专委会委员，内蒙古财经大学特聘教授、长治学院特聘教授。主要研究方向为：生态旅游与国家公园、低碳旅游与绿色发展、乡村旅游与乡村振兴。主持了10余项国家级、省部级课题。在国内外学术杂志发表旅游相关论文160余篇。担任《Tourism Management Perspectives》《干旱区资源与环境》《中国生态旅游》编委。
刘珍环，中山大学地理科学与规划学院副教授，国土资源与环境系主任。研究方向为景观与综合自然地理学、自然资源管理、国土空间生态修复理论与实践。主持国家自然科学基金项目3项，发表学术论文70多篇。
观点：地球信息科学在理论上有助于丰富旅游研究理论，在技术方面促使旅游休闲研究更精细化，在方法方面有利于研究角度更多元，在数据上为旅游研究提供了海量数据。大数据的出现，突破了传统旅游研究中只做产业规划而不能做决策的局限性，重点解决了旅游休闲领域长期存在的规划与管理中数据与市场偏差问题。目前的不足在于尚未有效地实现大数据信息与旅游目的地及休闲群体之间的衔接应用。
地球信息科学的发展极大地促进了旅游科学在数据获取、游客偏好及目的地的选择等方面的研究[54-55]，在文化和历史遗产的数字化和可视化、保护地的管理和规划，休闲旅游的规划与管理都有很好的拓展。主要表现为：① 在理论上，有助于丰富旅游研究理论。从旅游者的行为活动方面看，主要表现为旅游者行为理论；从旅游地理环境方面看，主要表现为旅游资源理论、生态旅游理论和旅游环境理论；从旅游人地关系方面看，主要体现在旅游可持续发展理论、旅游系统论与协调论、旅游空间结构理论和旅游生命周期理论。② 在技术上，促使旅游休闲研究更精细化。旅游休闲研究引入大量的地理大数据，使旅游者的时空行为特征，旅游者潜在旅游动机、量化旅游者情绪等都有了更加细致的研究。③ 在方法上，有利于研究角度更多元。引入地球信息科学的研究方法与传统的旅游研究方法相结合，使得某一核心问题，可以从不同的角度进行研究与验证[42]。④ 在数据上，为旅游研究提供了海量数据。地球信息科学利用现代新兴技术获取了大量有应用价值的数据，将这些数据应用于旅游研究使旅游研究克服了传统研究中普遍存在的数据不足的现象。
大数据的出现，突破了传统旅游研究中只做产业规划而不能做决策的局限性，重点解决了旅游休闲领域长期存在的规划与管理中数据与市场偏差问题。大数据可以定向推送精准的旅游客户群体，引导产业发展，为旅游市场预测、旅游目的地推广、休闲群体针对性服务提供数据支撑。目前的不足在于尚未有效地实现大数据信息与旅游目的地及休闲群体之间的衔接应用，即缺少不同的APP或者在线系统之间的多源异构数据的融合能力，这制约了地球信息科学在旅游休闲领域的应用空间，难以实现对行业的赋能提升。
专家：张宏磊
张宏磊，南京大学副教授。主要从事旅游地理研究，已发表论文100余篇，其中一作及通讯作者SSCI论文近30篇。主持国家自然科学基金3项，入选原国家旅游局旅游业青年专家培养计划。以第一完成人获教育部高等学校科学研究优秀成果奖（人文社会科学）三等奖等奖项多项。担任中国地理学会旅游地理专业委员会秘书长、《Journal of Travel Research》编委、《旅游论坛》编委等。
观点：由于其学科的空间性和信息性使得地球信息科学学科理论与技术手段在“格局-过程-机制” 3个方面都给予了旅游研究以有效的时空认识逻辑。地球信息科学从方法上介入从而正在进行旅游知识图谱建设的突破。而对空间组织和其他形式的信息中的模式和秩序的追寻应当是旅游与地球信息科学交叉研究领域的核心，但在这种学科交叉追寻中也应当关注数据与方法之间融合的问题与挑战，具体挑战包括： ① 构建地球信息科学数据和传统旅游数据结合的旅游研究基础数据体系的挑战； ② 从格局-过程-机制上构筑本土化的中国旅游空间演化理论的挑战。
地球信息科学是以信息流为手段研究空间系统的物质流、能量流和人流的运动状态和方式[56]。由于其学科的空间性和信息性使得地球信息科学学科理论与技术手段在“格局-过程-机制”3个方面都给予了旅游研究以有效的时空认识逻辑。旅游学者从早期关注旅游要素的空间结构形态、旅游区划、旅游供给和需求要素等“格局体系”发展到关注旅游空间结构的阐释机制、旅游空间相互作用、旅游流、旅游地竞合，以及旅游地空间重构等“过程-机制”重点领域[57]，创新了旅游空间结构的点-轴结构模式、环城游憩带、旅游圈等“格局-过程-机制”等系统理论模型，这些研究背后绝大多数都有地理学科透视以及地球信息科学的技术建构。
以往旅游研究多依靠问卷调查的方式获取数据进行分析，源源不断的时空大数据为旅游研究带来了新机遇，但也带来了诸多挑战。大数据是高维、高频、非线性的潜在解释变量的集[58]，特别是在旅游活动中产生了大量的文本信息数据，这些数据使衡量游客心理感知、旅游政策效应评估、旅游满意度评价、景区接待量实时预测等研究成为可能。但是这些旅游时空大数据仅仅是对旅游活动现实世界的客观记录，数据的科学指征意义不足[59]，数据也可能存在不精准或者模糊表达。地球信息科学领域中的地理知识图谱是一种利用语义网络对地理概念、实体及其相互关系进行形式化描述的知识系统，在地理知识理解、地学问题求解、时空预测决策等方面具有巨大的应用潜力[60]，也是将传统地理信息服务拓展到地理知识服务的关键[61]。旅游研究可以引入地理知识图谱方法，利用基于“过程-关系-机制”的地理知识表示方法，以时间和空间特征为基本条件，以旅游流及旅游产业要素的状态划分为基础，在时空信息流视角下模拟移动主体及物理-几何空间、人文-社会空间的互动耦合探索。
对空间组织和其他形式的模式和秩序的追寻应当是旅游与地球信息科学交叉研究领域的核心，但在这种学科交叉追寻中也应当关注数据与方法之间融合的问题与挑战。① 构建地球信息科学数据和传统旅游数据结合的旅游研究基础数据体系。地球信息科学数据源自多个领域，如遥感、卫星技术、气象、经济、社会数据以及轨迹和痕迹大数据等，呈现出地球尺度的全景信息。传统旅游调查数据则关注个体层面的行为、态度和偏好，提供更深度和细致的洞察。这二者的交叉融合为地球信息科学和旅游交叉研究带来了新的可能性。宏观地球信息科学数据提供了地球系统及其以下尺度空间级别的全景视角，为旅游研究提供了关于目的地可持续性、环境影响和资源管理的重要线索；旅游抽样调查则提供了对旅游者或其他利益相关者个体层面的深入理解，揭示了他们的动机、需求和满意度。通过整合这2种数据形成交叉补充的基础数据库体系，可以实现对区域级目的地空间尺度和游客及利益相关者个体尺度的全面理解。宏观数据提供了广阔的背景信息和整体趋势，而微观数据则为这些趋势提供了个体行为和需求的深入解释。通过统计分析、空间建模和机器学习等技术手段，将宏观数据与微观数据相结合，可以更好地支持旅游目的地规划、资源管理以及旅游体验的优化。 ② 从格局-过程-机制上构筑本土化的中国旅游空间演化理论。传统的旅游研究训练和实践，使学者习惯于依托传统调查数据抑或近年来兴起的旅游实验数据，对西方既有理论进行异地、异时和不同人群的拓展检验，形成了明显数据和理论的时空脱节，助产了一种“盆景式”的不接地气的旅游研究。借助地球信息科学的视角与方法，或许可以重新审视中国旅游发展的复杂面貌。通过GIS等技术工具，能够从空间格局、过程和机制3个维度对中国旅游空间进行深入研究。这样不仅可以探讨中国旅游资源的分布、旅游景点的发展变化，还能洞察旅游过程中的动态变化和发展机制，为构建本土化理论提供丰富的实证基础。

3 结语

基于专家们的观点，总结发现地球信息科学在旅游休闲领域研究中扮演着关键角色，可以帮助研究者更全面、深入地理解旅游现象，具体体现在：① 地球信息科学为研究者深入理解旅游者行为、旅游目的地特征等多维度旅游现象提供了丰富的空间数据和分析方法； ② 基于地球信息科学的跨学科整合优势，地球信息科学为旅游休闲领域的研究提供了深刻的时空认知逻辑和人地思维； ③ 基于社会感知支持下的地理大数据和感测方法，突破了传统旅游休闲领域研究的精细度不够、尺度单一的不足，提高了对旅游休闲复杂场景和多维尺度过程机制的解读能力。
而目前针对大数据的选择性偏差、研究结果的可解释性、多源数据之间的融合、学科之间深度交互等其他地球信息科学在旅游休闲领域研究中面临的挑战，仍需要学者进一步回答和探索。
当然，我们也应该看到地球信息科学的理论与方法在旅游休闲领域未来广阔的应用前景。在人工智能2.0时代，结合3D GIS和人因设备感知技术的整合与突破、基于时空大模型技术体系的决策能力提升、AIGC与地球信息科学技术的结合、旅游元宇宙或旅游休闲领域多元虚拟空间的自动生成等领域都值得期待。本文通过对专家的笔谈，抛砖引玉，希望对地球信息科学与旅游休闲的融合研究及未来发展具有指导意义。
声明：访谈专家的作者顺序按姓氏拼音首字母排序，排名不分先后。

厦门大学建筑与土木工程学院博士研究生梁嘉祺，首都经济贸易大学工商管理学院博士研究生刘雨菲，北京大学遥感与地理信息系统研究所博士研究生郑允豪，中国科学院地理科学与资源研究所博士研究生高嘉良，北京第二外国语学院旅游科学学院硕士研究生王柒柒，中山大学旅游学院博士研究生肖文杰在文章撰写过程中提供了帮助，在此表示感谢。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
朱竑, 陈晓亮, 尹铎. 从“绿水青山”到“金山银山”:欠发达地区乡村生态产品价值实现的阶段、路径与制度研究[J]. 管理世界, 2023, 39(8):74-91.

[ Zhu H, Chen X L, Yin D. Transforming "Green Water and Green Mountains" into "Golden Mountains and Silver Mountains":research on the stage, path and system of the value realization of rural ecological products in underdeveloped areas[J]. Journal of Management World, 2023, 39(8):74-91. ] DOI:10.19744/j.cnki.11-1235/f.2023.0093

[2]
唐承财, 方琰, 厉新建, 等. 新时代中国冰雪旅游高质量发展模式构建与路径创新[J]. 干旱区资源与环境, 2023, 37(12):140-150.

[ Tang C C, Fang Y, Li X J, et al. Construction of high-quality development model and innovation path of China's ice and snow tourism in the new era[J]. Journal of Arid Land Resources and Environment, 2023, 37(12):140-150. ] DOI:10.13448/j.cnki.jalre.2023.288

[3]
陈述彭, 陈星. 地球信息科学的理解与实践[J]. 地球信息科学, 2004(1):4-10.

[ Chen S P, Chen X. The cognition and practice of geo-information science[J]. Journal of Geo-information Science, 2004(1):4-10. ] DOI:10.11821/yj2005020010

[4]
裴韬, 刘亚溪, 郭思慧, 等. 地理大数据挖掘的本质[J]. 地理学报, 2019, 74(3):586-598.

DOI

[ Pei T, Liu Y X, Guo S H, et al. Principle of big geodata mining[J]. Acta Geographica Sinica, 2019, 74(3):586-598. ] DOI:10.11821/dlxb201903014

[5]
邓敏, 蔡建南, 杨文涛, 等. 多模态地理大数据时空分析方法[J]. 地球信息科学学报, 2020, 22(1):41-56.

DOI

[ Deng M, Cai J N, Yang W T, et al. Spatio-temporal analysis methods for multi-modal geographic big data[J]. Journal of Geo-information Science, 2020, 22(1):41-56. ] DOI:10.12082/dqxxkx.2020.190491

[6]
刘逸, 保继刚, 陈凯琪. 中国赴澳大利亚游客的情感特征研究——基于大数据的文本分析[J]. 旅游学刊, 2017, 32(5):46-58.

[ Liu Y, Bao J G, Chen K Q. Sentimenatal features of Chinese outbound tourists in Australia: big-data based content analysis[J]. Tourism Tribune, 2017, 32(5):46-58. ] DOI:10.3969/j.issn.1002-5006.2017.05.010

[7]
裴韬, 黄强, 王席, 等. 地理大数据聚合的内涵、分类与框架[J]. 遥感学报, 2021, 25(11):2153-2162.

[ Pei T, Huang Q, Wang X, et al. Big geodata aggregation: connotation, classification,and framework[J]. National Remote Sensing Bulletin, 2021, 25(11):2153-2162. ] DOI:10.11834/jrs.20210480

[8]
杜云艳, 易嘉伟, 薛存金, 等. 多源地理大数据支撑下的地理事件建模与分析[J]. 地理学报, 2021, 76(11):2853-2866.

DOI

[ Du Y Y, Yi J W, Xue C J, et al. Modeling and analysis of geographic events supported by multi-source geographic big data[J]. Acta Geographica Sinica, 2021, 76(11):2853-2866. ] DOI:10.11821/dlxb202111018

[9]
花玉莲, 陆林, 孔祥梅. 基于全球地方化视角的旅游研究新进展[J]. 地理科学进展, 2023, 42(12):2453-2470.

DOI

[ Hua Y L, Lu L, Kong X M. Recent progress of tourism research based on a glocalization perspective[J]. Progress in Geography, 2023, 42(12):2453-2470. ] DOI:10.18306/dlkxjz.2023.12.014

[10]
秦昆, 林珲, 胡迪, 等. 空间综合人文学与社会科学研究综述[J]. 地球信息科学学报, 2020, 22(5):912-928.

DOI

[ Qin K, Lin H, Hu D, et al. A review of spatially integrated humanities and social sciences[J]. Journal of Geo- information Science, 2020, 22(5):912-928. ] DOI:10.12082/dqxxkx.2020.20023

[11]
刘瑜, 詹朝晖, 朱递, 等. 集成多源地理大数据感知城市空间分异格局[J]. 武汉大学学报(信息科学版), 2018, 43(3):327-335.

[ Liu Y, Zhan C H, Zhu D, et al. Incorporating multi-source big geo-data to sense spatial heterogeneity patterns in an urban space[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3):327-335. ] DOI:10.13203/j.whugis20170383

[12]
Li J J, Xu L Z, 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

[13]
邓宁, 牛宇. 旅游大数据:理论与应用[M]. 北京: 旅游教育出版社, 2019:14-15.

[ Deng N, Niu Y. Tourism big data: Theory and application[M]. Beijing: Tourism Education Press, 2019:14-15. ]

[14]
Lee C K H. How guest-host interactions affect consumer experiences in the sharing economy: New evidence from a configurational analysis based on consumer reviews[J]. Decision Support Systems, 2022, 152:113634. DOI:10.1016/j.dss.2021.113634

[15]
李君轶, 刘逸, 肖文杰, 等. “旅游大数据研究与应用前沿”系列笔谈[J]. 旅游论坛, 2022, 15(1):1-24.

[ Li J Y, Liu Y, Xiao W J, et al. "Frontiers of tourism big data research and application" series of written talks[J]. Tourism Forum, 2022, 15(1):1-24. ] DOI:10.15962/j.cnki.tourismforum.202201001

[16]
Mak H W L, Lam Y F. Comparative assessments and insights of data openness of 50 smart cities in air quality aspects[J]. Sustainable Cities and Society, 2021, 69:102868. DOI:10.1016/j.scs.2021.102868

[17]
Lyu J Y, Khan A, Bibi S, et al. Big data in action: An overview of big data studies in tourism and hospitality literature[J]. Journal of Hospitality and Tourism Management, 2022, 51:346-360. DOI:10.1016/j.jhtm.2022.03.014

[18]
Wang J, Gao B, Stein A. The spatial statistic trinity: A generic framework for spatial sampling and inference[J]. Environmental Modelling & Software, 2020, 134:104835.

[19]
Gao B, Wang J, Stein A, Chen Z. Causal inference in spatial statistics[J]. Spatial Statistics, 2022, 50:100621.

DOI

[20]
Gao B, et al. Causal inference from cross-sectional earth system data with geographical convergent cross mapping[J]. Nature Communications, 2023, 14:5875.

DOI PMID

[21]
Gao B, Li M, Wang J, Chen Z. Temporally or spatially? Causation inference in Earth System Sciences[J]. Science Bulletin, 2022, 67:232-235.

DOI PMID

[22]
Liu Y, Liu X, Gao S, et al. Social sensing: A new approach to understanding our socio-economic environments[J]. Annals of the Association of American Geographers. 2015, 105(3):512-530. DOI:10.1080/00045608.2015.1018773

[23]
刘瑜. 社会感知视角下的若干人文地理学基本问题再思考[J]. 地理学报, 2016, 71(4):564-575.

DOI

[ Liu Y. Revisiting several basic geographical concepts:A social sensing perspective[J]. Acta Geographica Sinica, 2016, 71(4):564-575. ] DOI:10.11821/dlxb201604003

[24]
Chun J, Kim C K, Kim G S, et al. Social big data informs spatially explicit management options for national parks with high tourism pressures[J]. Tourism Management, 2020, 81:104136. DOI:10.1016/j.tourman.2020.104136

[25]
Zhang Z, Chen R J, Han L D. Strategic sustainable development through the lenses of tourists' preferences: A geotagged photo approach[J]. Journal of Sustainable Development, 2019, 12(3):12-21. DOI:10.5539/jsd.v12n3p12

[26]
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

[ Li Y, Guo J, Chen Y P. A New approach for tourists' visual behavior patterns and perception evaluation based on multi-source data[J]. Journal of Geo-information Science, 2022, 24(10):2004-2020. ] DOI:10.12082/dqxxkx.2022.210840

[27]
Zhong C, Arisona S M, Huang X, et al. Detecting the dynamics of urban structure through spatial network analysis[J]. International Journal of Geographical Information Science, 2014, 28(11):2178-2199. DOI:10.1080/13658816.2014.914521

[28]
Domènech A, Miravet D, Gutiérrez A. Mining bus travel card data for analysing mobilities in tourist regions[J]. Journal of Maps, 2020, 16(1):40-49. DOI:10.1080/17445647.2019.1709578

[29]
Santos F, Almeida A, Martins C, et al. Using POI functionality and accessibility levels for delivering personalized tourism recommendations[J]. Computers, Environment and Urban Systems, 2019, 77:101173. DOI:10.1016/j.compenvurbsys.2017.08.007

[30]
Cataldi M, Ballatore A, Tiddi I, et al. Good location, terrible food: detecting feature sentiment in user-generated reviews[J]. Social Network Analysis and Mining, 2013, 3(4):1149-1163. DOI:10.1007/s13278-013-0119-7

[31]
Wang M, Zhou X. Geography matters in online hotel reviews[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, 41:573-576. DOI:10.5194/isprs-archives-xli-b2-573-2016

[32]
Wartmann F M, Acheson E, Purves R S. Describing and comparing landscapes using tags, texts, and free lists: An interdisciplinary approach[J]. International Journal of Geographical Information Science, 2018, 32(8):1572-1592. DOI:10.1080/13658816.2018.1445257

[33]
冯学钢, 程馨. 文旅元宇宙:演化路径与产业逻辑[J]. 上海经济研究, 2022, 34(7):70-83.

[ Feng X G, Cheng X. Culture-tourism metaverse: evolutionary path and industrial logic[J]. Shanghai Journal of Economics, 2022, 34(7):70-83. ] DOI:10.19626/j.cnki.cn31-1163/f.2022.07.005

[34]
Zheng Y H, Zhang Y, Mou N X, et al. Selection biases in crowdsourced big data applied to tourism research: An interpretive framework[J]. Tourism Management, 2024, 102:104874. DOI:10.1016/j.tourman.2023.104874

[35]
Park S, Xu Y, Jiang L, et al. Spatial structures of tourism destinations: A trajectory data mining approach leveraging mobile big data[J]. Annals of Tourism Research, 2020, 84:102973. DOI:10.1016/j.annals.2020.102973

[36]
Baig M I, Shuib L, Yadegaridehkordi E. Big data in education: A state of the art, limitations, and future research directions[J]. International Journal of Educational Technology in Higher Education, 2020, 17(1):1-23. DOI:10.1186/s4 1239-020-00223-0

DOI

[37]
徐晓宇, 李梅. 基于开源大数据的北京地区餐饮业空间分布格局[J]. 地球信息科学学报, 2019, 21(2):215-225.

DOI

[ Xu X Y, Li M. Analysis on spatial distribution pattern of Beijing restaurants based on open source big data[J]. Journal of Geo-information Science, 2019, 21(2):215-225. ] DOI:10.12082/dqxxkx.2019.180437

[38]
刘逸, 陈銮, 刘子惠, 等. 基于同位模式的休闲产业空间集聚特征研究[J]. 旅游学刊, 2022, 37(2):94-104.

[ Liu Y, Chen L, Liu Z H, et al. Exploring spatial agglomeration patterns of the leisure industries based on the co-location mining model[J]. Tourism Tribune, 2022, 37(2):94-104. ] DOI:10.19765/j.cnki.1002-5006.2022.02.013.

[39]
刘智谦, 吕建军, 姚尧, 等. 基于街景图像的可解释性城市感知模型研究方法[J]. 地球信息科学学报, 2022, 24(10):2045-2057.

DOI

[ Liu Z Q, Lv J J, Yao Y, et al. Research method of interpretable urban perception model based on street view imagery[J]. Journal of Geo-information Science, 2022, 24(10):2045-2057. ] DOI:10.12082/dqxxkx.2022.210712

[40]
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

[41]
徐秀玉, 陈忠暖. 地理学视角下我国休闲研究进展综述与启示[J]. 地理与地理信息科学, 2018, 34(5):113-118.

[ Xu X Y, Chen Z N. Review and perspectives of leisure research in China from the aspect of geography[J]. Geography and Geo-Information Science, 2018, 34(5):113-118. ] DOI:10.3969/j.issn.1672-0504.2018.05.019

[42]
刘瑜. 地理信息科学:地理学的核心或是外缘?[J]. 中国科学:地球科学, 2022, 52(2):377-380.

[ Liu Y. 2022. Core or edge? Revisiting gis science from the geography-discipline perspective.[J] Science China:Earth Sciences, 2022, 52(2):377-380] DOI:10.1007/s11430-021-9815-3

[43]
Mou N X, Jiang Q, Zhang L X, et al. Personalized tourist route recommendation model with a trajectory understanding via neural networks[J]. International Journal of Digital Earth, 2022, 15(1):1738-1759. DOI:10.1080/17538947.2022.2130456

[44]
Mou N X, Wang Y C, Zheng Y H, et al. Understanding tourists' travel behavior before, during, and after the trip with data from social media platforms[J]. Transactions in GIS, 2023, 27(4):1043-1067. DOI:10.1111/tgis.13051

[45]
Mou N X, Zheng Y H, Makkonen T, et al. Tourists' digital footprint: The spatial patterns of tourist flows in Qingdao, China[J]. Tourism Management, 2020, 81:104151. DOI:10.1016/j.tourman.2020.104151

[46]
Zheng Y H, Mou N X, Zhang L X, et al. Chinese tourists in Nordic countries: An analysis of spatio-temporal behavior using geo-located travel blog data[J]. Computers, Environment and Urban Systems, 2021, 85:101561. DOI:10.1016/j.compenvurbsys.2020.101561

[47]
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, 76:103955. DOI:10.1016/j.tourman.2019.103955

[48]
Mou N X, Liu Z W, Zheng Y H, et al. Cycling in Tibet: An analysis of tourists' spatiotemporal behavior and infrastructure[J]. Tourism Management, 2022, 88:104418. DOI:10.1016/j.tourman.2021.104418

[49]
Hsu C H C. A frequently asked question: What is the preferred research method?[J]. Tourism Management, 2024, 101:104859. DOI:10.1016/j.tourman.2023.104859

[50]
Gao J L, Peng P, Lu F, et al. Mining tourist preferences and decision support via tourism-oriented knowledge graph[J]. Information Processing & Management, 2024, 61(1):103523. DOI:10.1016/j.ipm.2023.103523

[51]
Gao J, Peng P, Lu F, et al. Towards travel recommendation interpretability: Disentangling tourist decision-making process via knowledge graph[J]. Information Processing & Management, 2023, 60(4):103369. DOI:10.1016/j.ipm.2023.103369

[52]
徐阳, 彭澎, 陆锋, 等. 新冠肺炎疫情前后游客出行行为的时空特征研究——以中国香港为例[J]. 地理研究, 2022, 41(12):3199-3213.

DOI

[ Xu Y, Peng P, Lu F, et al. Exploring spatio-temporal characteristics of tourist travel behavior before and after COVID-19: A case study in Hong Kong, China[J]. Geographical Research, 2022, 41(12):3199-3213. ] DOI:10.11821/dlyj020220156

[53]
Gao J L, Peng P, Lu F, et al. A multi-scale comparison of tourism attraction networks across China[J]. Tourism Management, 2022, 90:104489. DOI:10.1016/j.tourman.2022.104489

[54]
李云鹏. 旅游场景驱动的大数据应用[J]. 旅游学刊, 2017, 32(9):4-6.

[ Li Y P. Tourism scene-driven big data application[J]. Tourism Tribune, 2017, 32(9):4-6. ] DOI:10.3969/j.issn.1002-5006.2017.09.003

[55]
李新, 袁林旺, 裴韬, 等. 信息地理学学科体系与发展战略要点[J]. 地理学报, 2021, 76(9):2094-2103.

DOI

[ Li X, Yuan L W, Pei T, et al. Disciplinary structure and development strategy ofinformation geography in China[J]. Acta Geographica Sinica, 2021, 76(9):2094-2103. ] DOI:10.11821/dlxb202109004

[56]
周成虎, 鲁学军. 对地球信息科学的思考[J]. 地理学报, 1998, 53(4):372-380.

DOI

[ Zhou C H, Lu X J. Preliminary discussion on Geo information science[J]. Acta Geographica Sinica, 1998, 53(4):372-380. ] DOI:10.11821/xb199804010

[57]
黄震方, 黄睿, 葛军莲. 中国式现代化理论视角的旅游地理研究——科学问题与学术使命[J]. 经济地理, 2023, 43(5):16-25.

DOI

[ Huang Z F, Huang R, Ge J L. Tourism geography research from the perspective of Chinese path to modernization:scientific issues and academic mission[J]. Economic geograph, 2023, 43(5):16-25. ] DOI:10.15957/j.cnki.jjdl.2023.05.003

[58]
史达, 黄子璇, 李飞. 多源异构数据融合的旅游规模预测研究[J]. 干旱区资源与环境, 2022, 36(11):175-182.

[ Shi D, Huang Z X, Li F. Forecasting tourism scale using multi-source heterogeneous data fusion[J]. Journal of Arid Land Resources and Environment, 2022, 36(11):175-182. ] DOI:10.13448/j.cnki.jalre.2022.291

[59]
Hargittai E. Potential biases in big data: Omitted voices on social media[J]. Social Science Computer Review, 2020, 38(1):10-24. DOI:10.1177/0894439318788322

[60]
张雪英, 张春菊, 吴明光, 等. 顾及时空特征的地理知识图谱构建方法[J]. 中国科学:信息科学, 2020, 50:1019-1032.

[ Zhang X Y, Zhang C J, Wu M G, et al. Spatio-temporal features based geographical knowledge graph construction[J]. Science China:Earth Sciences, 2020, 50:1019-1032. ] DOI:10.1360/SSI-2019-0269

[61]
陆锋, 诸云强, 张雪英. 时空知识图谱研究进展与展望[J]. 地球信息科学学报, 2023, 25(6):1091-1105.

DOI

[ Lu F, Zhu Y Q, Zhang X Y. Spatiotemporal knowledge graph: advances and perspectives[J]. Journal of Geo-information Science, 2023, 25(6):1091-1105. ] DOI:10.12082/dqxxkx.2023.230154

Options
文章导航

/

〈 〉