نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

مدیریت و بازاریابی منطقه حفاظت شده نیاز به اطلاعات در زمان واقعی در مورد رفتار و ترجیحات بازدیدکنندگان دارد. تا کنون، اطلاعات بازدیدکنندگان بیشتر با نظرسنجی های مکرر بازدیدکنندگان جمع آوری شده است. تعداد زیادی از داده های جغرافیایی غنی از محتوا توسط کاربران پلتفرم های مختلف رسانه های اجتماعی تولید می شود. این داده‌ها به طور بالقوه می‌توانند اطلاعات مستمری در مورد فعالیت‌ها و تعاملات افراد با محیط در مقیاس‌های مکانی و زمانی مختلف ارائه دهند. در این مقاله، ما داده‌های رسانه‌های اجتماعی را با داده‌های نظرسنجی سنتی مقایسه می‌کنیم تا فعالیت‌ها و ترجیحات مردم را با استفاده از محبوب‌ترین پارک ملی فنلاند، پارک ملی Pallas-Yllästunturi، به عنوان یک مطالعه موردی ترسیم کنیم. ما داده‌های نظرسنجی جمع‌آوری‌شده سیستماتیک و محتوای داده‌های رسانه‌های اجتماعی دارای برچسب جغرافیایی را مقایسه می‌کنیم و تجزیه و تحلیل می‌کنیم: (i) مردم در پارک به کجا می‌روند. (ii) فعالیت های آنها چیست. (iii) مردم چه زمانی از پارک بازدید می کنند و آیا الگوهای زمانی در فعالیت های آنها وجود دارد. (IV) بازدیدکنندگان چه کسانی هستند. (v) چرا مردم از پارک ملی بازدید می کنند. و (vi) چه اطلاعات تکمیلی از رسانه های اجتماعی می تواند علاوه بر نتایج نظرسنجی های سنتی ارائه دهد. مقایسه داده‌های نظرسنجی و رسانه‌های اجتماعی نشان داد که محتوای رسانه‌های اجتماعی دارای برچسب جغرافیایی اطلاعات مرتبطی در مورد استفاده بازدیدکنندگان از پارک ملی ارائه می‌دهد. از آنجایی که پلتفرم‌های رسانه‌های اجتماعی منبعی پویا از داده‌ها هستند، می‌توانند اشکال سنتی نظارت بر بازدیدکنندگان را با ارائه بینش بیشتر در مورد فعالیت‌های در حال ظهور، الگوهای زمانی محتوای مشترک و الگوهای تحرک بازدیدکنندگان تکمیل و غنی کنند. به طور بالقوه،
کلید واژه ها:

محتوای تولید شده توسط کاربر ؛ داده های رسانه های اجتماعی دارای برچسب جغرافیایی ؛ خدمات تفریحی ; نظرسنجی بازدید کننده

 

1. معرفی

محتوای تولید شده توسط کاربر به سرعت به عنوان یک منبع مکمل داده برای مجموعه داده های مکانی سنتی [ 1 ] شناخته می شود. در میان سایر اشکال اطلاعات جغرافیایی تولید شده توسط کاربر، رسانه‌های اجتماعی مبتنی بر مکان، فیدهای ثابتی از داده‌های غنی از محتوای تولید شده توسط کاربران پلتفرم‌های مختلف به اشتراک‌گذاری تجربیات و مشاهدات خود به صورت آنلاین ارائه می‌کنند. این داده‌ها پتانسیل غنی‌سازی روش‌های جمع‌آوری داده‌های موجود برای نقشه‌برداری الگوهای فعالیت مکانی-زمانی و تجربیات مبتنی بر مکان افراد را دارند. پتانسیل رسانه های اجتماعی دارای برچسب جغرافیایی برای نقشه برداری از فعالیت ها و حرکات افراد عمدتاً در محیط های شهری نشان داده شده است [ 2 ، 3 ، 4 ، 5 ، 6 ، 7]. همچنین نتایج امیدوارکننده ای برای استفاده از اطلاعات مکانی-زمانی پست های رسانه های اجتماعی برای نظارت بر بازدیدکنندگان در مناطق تفریحی وجود دارد [ 8 ، 9 ، 10 ، 11 ، 12 ، 13 ]. با این حال، هنوز باید تایید شود که آیا داده های رسانه های اجتماعی می توانند به عنوان منبع داده های مکمل برای تصمیم گیری فضایی مورد استفاده قرار گیرند یا خیر.
رسانه های اجتماعی، به طور کلی، به برنامه های کاربردی مبتنی بر رایانه برای شبکه و اشتراک گذاری محتوای دیجیتالی اطلاق می شود. در اینجا، ما به طور خاص بر روی داده های رسانه های اجتماعی مبتنی بر مکان تمرکز می کنیم که حاوی اطلاعات مکانی (مکان)، اطلاعات زمانی (زمان)، و محتوای مرتبط (متن و عکس) تولید شده توسط کاربران پلتفرم های مختلف رسانه های اجتماعی (به عنوان مثال، فلیکر، اینستاگرام، و توییتر). داده ها را می توان اغلب در مقادیر زیاد از طریق رابط های برنامه نویسی کاربردی (API) که امکان جستجو و بازیابی اطلاعات به اشتراک گذاشته شده عمومی را از پلتفرم ها فراهم می کند، قابل دسترسی است. کاربران می توانند محتوای به اشتراک گذاشته شده (یک پست) را با استفاده از نام مکان در متن، پیوند دادن پست به یک نقطه مورد علاقه از پیش تعریف شده یا با اشتراک گذاری مختصات دستگاه خود، به یک مکان پیوند دهند. کاربران اغلب از طریق چندین پلتفرم (به عنوان مثال، اشتراک گذاری یک پست اینستاگرام از طریق فیس بوک) نیز یک محتوا را به اشتراک می گذارند. همه منابع داده‌های رسانه‌های اجتماعی یکسان نیستند، زیرا پلتفرم‌ها از نظر هدف، محبوبیت، نمایه‌های کاربر، و شرایط استفاده در مورد بازیابی و اشتراک‌گذاری داده‌ها متفاوت هستند.14 ]. رسانه‌های اجتماعی تنها یک بازنمایی منتخب از واقعیت را ارائه می‌دهند و برای استفاده درست از این داده‌ها، تأیید سوگیری‌های ذاتی در داده‌های رسانه‌های اجتماعی از جمله جنسیت، سن، وضعیت اجتماعی-اقتصادی، و انگیزه‌های مشارکت‌کنندگان بالقوه داده‌ها بسیار مهم است [7 ، 15 ، 16 ] . . مقایسه با منابع داده های جانبی به عنوان یکی از راه های غلبه بر برخی از محدودیت های داده های رسانه های اجتماعی [ 17 ] پیشنهاد شده است. به عنوان مثال، داده های سرشماری در مناطق شهری [ 5 ، 7 ] و نرخ بازدید در مناطق تفریحی [ 9 ] اطلاعات مرجع ارزشمندی را برای پست های رسانه های اجتماعی دارای برچسب جغرافیایی در محیط های مختلف ارائه می دهند.
برخلاف سایر اشکال اطلاعات جغرافیایی تولید شده توسط کاربر، داده های رسانه های اجتماعی اغلب برای اهدافی غیر از برنامه ریزی خاص یا تلاش های نقشه برداری تولید می شوند. در نتیجه، رسانه های اجتماعی مبتنی بر مکان را می توان به عنوان منبع اطلاعات جغرافیایی جمع سپاری غیرمعتبر و غیرمعتبر طبقه بندی کرد [ 1 ]. داده‌های رسانه‌های اجتماعی، در میان اشکال دیگر «حسگر جمعی»، همچنین به عنوان منبع داده‌های حسگر اولیه در ادبیات سنجش از دور شناخته می‌شوند [ 18 ، 19 ]. به عنوان مثال، داده های توئیتر جغرافیایی و خوشه بندی بدون نظارت برای نقشه برداری الگوهای کاربری زمین شهری استفاده شده است [ 20]]. داده های رسانه های اجتماعی جغرافیایی مرجع اغلب به موازات منابع مختلف اطلاعات جغرافیایی داوطلبانه (VGI) با اشاره به نقش شهروندان به عنوان حسگر مورد بحث قرار می گیرند [ 21 ، 22 ]. با این حال، به دلیل نقش منفعل مشارکت‌کنندگان داده، داده‌های رسانه‌های اجتماعی صرفاً «داوطلبانه» نیستند [ 1 ]، و حتی زمانی که آشکارا به اشتراک گذاشته می‌شوند، بهره‌گیری از این داده‌ها در تحقیقات دانشگاهی مستلزم ملاحظات خاصی در استفاده اخلاقی است [ 23 ]. از سوی دیگر، جمع‌آوری داده‌ها از رسانه‌های اجتماعی در مقایسه با اشکال فعال جمع‌سپاری مانند نقشه‌برداری مشارکتی [ 1 ] یا کمپین‌های GIS مشارکتی عمومی (PPGIS) کمتر سرزده است [ 24] .]، زیرا افراد نیازی به تلاش اضافی برای مشارکت در تولید داده ندارند. بنابراین، داده‌های رسانه‌های اجتماعی به دلیل ماهیت منفعلانه‌اش می‌توانند به طور بالقوه دیدگاه متفاوتی نسبت به کمپین‌های جمع‌آوری داده‌های فعال نسبت به فعالیت‌ها و نظرات مردم در مکان و زمان داشته باشند.
ایجاد درک درستی از فعالیت ها و نظرات مردم در بخش های برنامه ریزی و مدیریت، به عنوان مثال، در مناطق حفاظت شده مورد نیاز است [ 14 ، 25 ]. گردشگری مبتنی بر طبیعت به مناطق حفاظت شده در سطح جهانی در حال افزایش است [ 26 ] و نقش مهمی در ایجاد بودجه بسیار مورد نیاز برای حمایت از حفاظت از تنوع زیستی [ 27 ] و ارتقای آگاهی زیست محیطی [ 28 ] ایفا می کند. یک محدودیت مهم در ارزیابی نقش بالقوه گردشگری مبتنی بر طبیعت برای حمایت از حفاظت از تنوع زیستی، برای بسیاری از مناطق حفاظت‌شده، فقدان داده‌ها در مورد تعداد بازدیدکنندگان، و همچنین فعالیت‌ها و ترجیحات بازدیدکنندگان به منظور هدایت مدیریت و تلاش‌های بازاریابی است. 29 ،30 ، 31 ]. مانند بسیاری از زمینه های دیگر، علاقه فزاینده ای به استفاده از فناوری جدید، به ویژه رسانه های اجتماعی، هم به عنوان یک کانال ارتباطی و هم به عنوان منبع داده در حفاظت از طبیعت وجود دارد [ 32 ، 33 ]. به طور سنتی، اطلاعات مربوط به بازدیدکنندگان منطقه حفاظت شده با استفاده از نظرسنجی و شمارش بازدیدکنندگان جمع آوری می شود. در کشورهایی که دارای پیشرفته ترین سیستم های نظارت بر بازدیدکنندگان هستند، مانند فنلاند، نظرسنجی بازدیدکنندگان معمولاً به طور سیستماتیک در یک بازه زمانی مشخص انجام می شود. یک محدودیت مهم این است که انجام چنین نظرسنجی‌هایی زمان‌بر و پرهزینه است. بنابراین، رسانه‌های اجتماعی را می‌توان با نظرسنجی‌های سنتی ترکیب کرد یا حتی گاهی اوقات جایگزین آن‌ها کرد تا برخی از شکاف‌های اطلاعاتی در علم و عمل حفاظت را پر کند.14 ]. در زمینه گردشگری مبتنی بر طبیعت، ویژگی‌های مکانی و زمانی داده‌های رسانه‌های اجتماعی برای تعیین کمیت نرخ بازدید [ 8 ، 9 ]، درآمدهای گردشگری [ 10 ]، ارزش‌های چشم‌انداز [ 11 ] و الگوهای سفر [ 34 ] استفاده شده است. ]. محتوای رسانه های اجتماعی (متن و/یا عکس) همچنین برای نقشه برداری از خدمات اکوسیستم فرهنگی [ 12 ] و برای ارزیابی ترجیحات بازدیدکنندگان برای تنوع زیستی [ 35] استفاده شده است.]. اکنون، نیاز به آزمایش وجود دارد که محتوای رسانه های اجتماعی تا چه اندازه تجربیات و فعالیت های گزارش شده بازدیدکنندگان را در محیط ها و زمینه های فرهنگی مختلف منعکس می کند. به طور خاص، نیاز به ارزیابی نحوه استفاده از داده‌های رسانه‌های اجتماعی برای استنباط فعالیت‌های بازدیدکنندگان در مناطق حفاظت‌شده که برای اهداف تفریحی ایجاد شده‌اند، وجود دارد، نه با در نظر گرفتن اهداف حفاظت از تنوع زیستی. چنین اطلاعاتی برای اطلاع رسانی مدیریت و بازاریابی مناطق حفاظت شده در هر نقطه از جهان بسیار مهم است، به ویژه در مناطقی که فاقد منابع برای نظارت بر تجربیات بازدیدکنندگان هستند.
در این مقاله، ما پتانسیل داده های رسانه های اجتماعی را در ارائه اطلاعات مرتبط در مورد بازدید از یک پارک ملی بررسی می کنیم ( شکل 1 ). به عنوان یک منطقه مورد مطالعه، ما از محبوب ترین پارک ملی فنلاند، پارک ملی Pallas-Yllästunturi (از این پس PY) استفاده می کنیم. PY یک سایت آزمایشی مناسب برای داده‌های رسانه‌های اجتماعی فراهم می‌کند، زیرا مدت‌هاست که با استفاده از نظرسنجی‌های استاندارد شده بازدیدکنندگان از اداره پارک ملی فنلاند Metsähallitus—Parks & Wildlife فنلاند مورد مطالعه قرار گرفته است. جدیدترین نظرسنجی در سال 2016 در این منطقه انجام شد که شامل سؤالاتی در مورد استفاده بازدیدکنندگان از رسانه های اجتماعی بود.
هدف این مطالعه این بود که ببینیم محتوای داده‌های رسانه‌های اجتماعی چقدر با نتایج به دست آمده از نظرسنجی‌های بازدیدکنندگان پارک ملی سنتی مطابقت دارد. علاوه بر این، مایلیم بدانیم چه اطلاعات تکمیلی می تواند از داده های رسانه های اجتماعی در مورد الگوهای بازدید و فعالیت در پارک به دست آید. ما چارچوب را در شکل 1 اعمال می کنیمبا بررسی اینکه آیا و چگونه می‌توان به سؤالات زیر بر اساس داده‌های رسانه‌های اجتماعی و داده‌های نظرسنجی بازدیدکنندگان پاسخ داد: (i) مردم در داخل پارک به کجا می‌روند. (ii) فعالیت های آنها چیست. (iii) چه زمانی مردم از پارک بازدید می کنند و آیا الگوهای زمانی در فعالیت ها وجود دارد. (IV) بازدیدکنندگان چه کسانی هستند. (v) چرا مردم از پارک ملی بازدید می کنند. و (vi) رسانه های اجتماعی علاوه بر نتایج نظرسنجی سنتی چه اطلاعات تکمیلی می توانند ارائه دهند. طبق اطلاعات ما، هیچ مطالعه قبلی داده های رسانه های اجتماعی را با داده های نظرسنجی گسترده بازدیدکنندگان از یک محیط مشابه مقایسه نکرده است.

2. مواد و روشها

2.1. منطقه مطالعه و نظرسنجی بازدیدکنندگان

39 پارک ملی در فنلاند وجود دارد که توسط Parks & Wildlife Finland اداره می شود، واحدی از Metsähallitus، که یک شرکت دولتی است که خدمات مربوط به منابع طبیعی فنلاند را ارائه می دهد (www.metsa.fi/web/en ) . PY پربازدیدترین پارک ملی فنلاند با 538853 بازدیدکننده در سال 2016 است (3 درصد افزایش نسبت به سال 2015) ( www.metsa.fi/web/en/visitationnumbers ). PY مساحت 1020 کیلومتر مربع را پوشش می دهددر منطقه لاپلند نزدیک به مرز سوئد. بلندترین قله Taivaskero به ارتفاع 809 متر از سطح دریا می رسد و چشم انداز پارک ترکیبی منحصر به فرد از کوه های لاپی (آبشار) است که توسط موزاییکی از باتلاق های طبیعی و جنگل ها احاطه شده است. پوشش گیاهی این پارک از تندرا در آبشارها تا جنگل‌های غنی از گیاهان در خندق‌های سرپناه متغیر است. این منطقه دارای سابقه طولانی استفاده از زمین توسط مردم بومی سامی است و شیوه های سنتی مانند گله داری گوزن شمالی هنوز در این پارک انجام می شود. پارک ملی در دو مرحله ایجاد شد. بخش شمالی از سال 1938 به عنوان یک پارک ملی و بخش جنوبی، یک ذخیره‌گاه طبیعی سابق، از سال 2005 در نظر گرفته شده است.www.nationalparks.fi/en/pallas-yllastunturinp ). نظرسنجی از بازدیدکنندگان از سال 1998 در پارک انجام شده است، به دنبال طرح 5 ساله پارک ها و حیات وحش فنلاند. دو بررسی اول (1998 و 2003) فقط بخش شمالی پارک را پوشش دادند. پس از اضافه شدن قسمت جنوبی به پارک ملی، بررسی بازدیدکنندگان (2010 و 2016) نیز در کل منطقه انجام شده است.
یک نظرسنجی بازدیدکنندگان در محل در PY طی ژانویه تا اکتبر 2016 توسط Metsähallitus-Parks & Wildlife Finland انجام شد. فرم نظرسنجی شامل سؤالاتی برای جمع‌آوری اطلاعات اولیه در مورد بازدیدکنندگان پارک ملی – مدت اقامت، فعالیت‌ها در پارک، مکان‌های بازدید شده، هزینه‌ها، نظرات در مورد خدمات، و اطلاعات پس‌زمینه اجتماعی-اقتصادی از جمله سن، جنسیت، و مکان خانه [31] بود . ( مواد تکمیلی، شکل S1 را ببینید ).
علاوه بر سؤالات استاندارد نظرسنجی، از پاسخ دهندگان خواسته شد تا پرسشنامه ای در مورد استفاده از رسانه های اجتماعی پر کنند ( شکل S2 ). در آنجا، از پاسخ دهندگان پرسیده شد که آیا آنها عضو هر یک از پلتفرم های رسانه های اجتماعی هستند یا خیر و آیا آنها تجربه پارک ملی خود را در رسانه های اجتماعی به اشتراک گذاشته اند/خواهند به اشتراک بگذارند. این پرسشنامه همچنین شامل سوالات دقیق تری در مورد استفاده آنها از پلتفرم های مختلف و انگیزه های به اشتراک گذاری محتوا بود.
مصاحبه های چهره به چهره توسط پرسنل پارک در 23 مکان در سراسر پارک، در طول 142 روز انجام شد که در فصول محبوب از زمستان/بهار تا پاییز توزیع شد. تلاش نمونه‌گیری این نظرسنجی از نظر فضایی در سراسر پارک با توجه به نرخ بازدید از بخش‌های مختلف پارک، بر اساس اطلاعات به‌دست‌آمده از شمارش مستمر بازدیدکنندگان متعادل بود. همچنین فرم‌هایی در کلبه‌های بیابانی منتخب موجود بود تا بازدیدکنندگان بتوانند به طور مستقل به نظرسنجی پاسخ دهند. نظرسنجی به دو زبان فنلاندی و انگلیسی در دسترس بود و گروه هدف نظرسنجی همه بازدیدکنندگان بالای 15 سال بودند.
ما از آزمون Chi-square پیرسون برای مقایسه احتمال اشتراک‌گذاری تجربیات پارک ملی در رسانه‌های اجتماعی بین انواع مختلف کاربران استفاده کردیم. برای آزمون تفاوت آماری سن بین گروه‌های مختلف کاربران رسانه‌های اجتماعی از آنالیز واریانس یک طرفه استفاده شد. آزمون های آماری با استفاده از نرم افزار R (نسخه 3.2.3) [ 36 ] اجرا شد .

2.2. مجموعه داده های رسانه های اجتماعی

متادیتا برای پست های رسانه های اجتماعی دارای برچسب جغرافیایی از API اینستاگرام ( www.instagram.com/developer ) جمع آوری شد) با استفاده از نقطه پایانی جستجوی رسانه در بهار 2016. جمع آوری داده ها با استفاده از یک ابزار سفارشی ساخته شده برای زبان برنامه نویسی پایتون انجام شد. همه پست‌های در دسترس عموم که در یک منطقه حائل 10 کیلومتری پارک ملی Pallas-Yllästunturi از ژانویه 2014 تا مه 2016 برچسب‌گذاری شده‌اند، از API با استفاده از نقاط مرکزی سلول‌های شبکه 2 × 2 کیلومتر (مرکز جمع‌آوری) به عنوان ورودی درخواست شده‌اند. مختصات در پرس و جو همه پست‌هایی که در داخل یا در شعاع 100 متری مرز پارک ملی برچسب‌گذاری شده‌اند، برای تجزیه و تحلیل درون پارک در نظر گرفته شده‌اند و مشمول طبقه‌بندی دستی هستند. علاوه بر این، 246 پست دارای برچسب جغرافیایی به مکان “پارک ملی Pallas-Yllästunturin kansallispuisto/Pallas-Yllästunturi” بود که به مختصات 4 کیلومتری خارج از مرزهای پارک متصل شده بود. این پست ها در آمار سطح پارک گنجانده شده اند، اما هنگام شناسایی بیشتر مناطق فرعی برچسب گذاری شده در پارک فیلتر شد. مراحل اصلی جمع‌آوری و پردازش داده‌ها در زیر نشان داده شده استشکل 2 .
اطلاعات مکان پست‌های اینستاگرام در زمان جمع‌آوری داده‌ها به نقاط مورد علاقه از پیش تعریف‌شده پیوست شده بود. در عمل، کاربران اینستاگرام هنگام برچسب گذاری جغرافیایی عکس خود، یک مکان از پیش تعریف شده را از یک لیست انتخاب می کنند و بنابراین، مختصات دقیق در مجموعه داده با این نقاط مورد علاقه جمع می شوند (و نه مختصات دقیق دستگاه تلفن همراه کاربر).
اینستاگرام به دلیل محبوبیت آن در منطقه مورد مطالعه و در دسترس بودن داده ها در زمان طراحی مطالعه به عنوان منبع داده های رسانه های اجتماعی انتخاب شد. با این حال، به دلیل تغییرات اخیر در سیاست API در ژوئن 2016، جمع‌آوری اطلاعات از پست‌های اینستاگرام که آشکارا به اشتراک گذاشته شده‌اند دشوارتر شده است. بر اساس نظرسنجی بازدیدکنندگان، 85 درصد از کاربران اینستاگرام تجربیات پارک ملی خود را به صورت آنلاین به اشتراک گذاشته بودند/در نظر داشتند که از اینستاگرام به عنوان منبع داده برای نظارت بر بازدیدکنندگان پشتیبانی کنند. تعداد کاربران فعال اینستاگرام در فنلاند در سال 2015 740000 نفر (13 درصد جمعیت) تخمین زده شده است که جوانان 18 تا 34 ساله (36 درصد از کاربران تخمینی) فعال ترین آنها هستند (napoleoncat.com/blog/en/ اینستاگرام-دموگرافیک-کاربر-در-منتخب-کشورهای-اروپایی).

2.3. نقشه برداری از محبوب ترین مکان ها در پارک از داده های رسانه های اجتماعی

داده های رسانه های اجتماعی دارای برچسب جغرافیایی بر اساس مختصات آنها در زیرمنطقه های بررسی شده جمع آوری شدند. پست‌هایی که با نام مکان‌هایی که به کل پارک اشاره می‌کردند، فیلتر شدند: در داخل پارک، 310 عکس در سطح پارک با برچسب‌های جغرافیایی مانند «پارک ملی Pallas-Yllästunturi» که به کل پارک اشاره دارد، برچسب‌گذاری شد. اما این پست ها از نظر فنی در یک مکان مختصات واحد قرار داشتند. پس از فیلتر کردن برچسب‌های جغرافیایی مبهم، داده‌های رسانه‌های اجتماعی به واحدهای فضایی مشابه در نظرسنجی تجمیع شدند (سؤال 4 در شکل S1 ) و رتبه‌بندی‌های حاصل با استفاده از آزمون همبستگی رتبه اسپیرمن مقایسه شدند.

2.4. فعالیت ها و تحلیل محتوای رسانه های اجتماعی

محتوای تصاویر ارسال شده در اینستاگرام به صورت دستی بر اساس موضوع اصلی تصویر طبقه بندی شد (به تصویر طرح طبقه بندی در مواد تکمیلی، شکل S3 مراجعه کنید.). ابتدا، بررسی کردیم که آیا محتوای عکس مربوط به منطقه مورد مطالعه است یا خیر. به عنوان مثال، تبلیغات و سایر تصاویری که به وضوح توسط بازدیدکنندگان PY پست نشده بودند، کنار گذاشته شدند. ثانیاً، عکس‌ها بر اساس شش دسته اصلی که با حضور یا عدم حضور افراد، فعالیت‌ها، منظره، حیوانات و زیرساخت تعریف می‌شوند، طبقه‌بندی شدند. ثالثاً، طبقه‌بندی دقیق‌تری تحت هر یک از دسته‌های اصلی انجام شد. تصاویری که افراد را نشان می‌دهند بر اساس تعداد افراد حاضر در عکس برای تشخیص اندازه گروه طبقه‌بندی شدند. به منظور در نظر گرفتن کل گروه، فردی که عکس می گیرد در صورتی که در عکس قابل مشاهده نبود به تعداد افراد موجود در تصویر اضافه شد. عکس‌هایی که به‌عنوان «فعالیت‌ها» علامت‌گذاری شده‌اند، شامل تصاویری هستند که افراد درگیر در یک فعالیت، تجهیزاتی که مستقیماً در چنین فعالیت‌هایی استفاده می‌شوند را نشان می‌دهند (به عنوان مثال، اسکی، دوربین های عکاسی)، یا نتیجه (مثلاً توت ها، پیست های اسکی) اجرای آن. تصاویری که فعالیت‌ها را نشان می‌دهند بر اساس انواع فعالیت‌های مشخص‌شده در نظرسنجی بازدیدکنندگان طبقه‌بندی شدند (سؤال 9a،شکل S1 ). این به منظور مقایسه اطلاعات استخراج شده از رسانه های اجتماعی با نتایج نظرسنجی انجام شد. مقوله‌های موضوعی موجود در نظرسنجی بازدیدکنندگان، مانند «مشاهده طبیعت»، از طبقه‌بندی دستی عکس‌ها حذف شدند. تمام فعالیت‌های دیگر مشاهده‌شده در تصاویر اما در نظرسنجی بازدیدکنندگان گنجانده نشده‌اند، به عنوان «سایر فعالیت‌ها» جمع‌آوری شدند. از جمله این موارد می‌توان به راید گوزن شمالی، سواری هاسکی، سورتمه سواری، اسکوتر برفی، کایاک سواری، کایت‌برد و شنا اشاره کرد.
عکس‌های منظره با نشان دادن وجود یا عدم وجود ویژگی‌های منظره، مانند برف، آب، درختان، شفق قطبی یا سایر شرایط خاص آب و هوایی یا نور، طبقه‌بندی شدند. تصاویری که حیوانات را نشان می دهد به طور خاص به حیوانات وحشی و حیوانات اهلی طبقه بندی می شوند. در نهایت، زیرساخت ها نیز بر اساس نوع ساختمان (به عنوان مثال، کلبه های بیابانی) طبقه بندی شدند. همچنین توجه داشت که آیا عکس در داخل خانه گرفته شده است.
این طبقه بندی توسط دو نفر با استفاده از فرمی در Microsoft Access 2013 از نظر سازگاری دوبار بررسی شد. محتوای عکس به صورت آنلاین از طریق پیوندهای URL قابل دسترسی بود. عکس‌هایی که به‌صورت عمومی در دسترس نبودند یا توسط کاربر حذف شدند، به‌عنوان «در دسترس نیستند» علامت‌گذاری شدند. این طبقه بندی پس از مشورت با اعضای پارک و حیات وحش فنلاند طی یک کارگاه مشترک در اکتبر 2016 نهایی شد.
ما از آزمون کای دو پیرسون برای ارزیابی احتمال اینکه توزیع فراوانی فعالیت‌های شناسایی‌شده از رسانه‌های اجتماعی (فعالیت‌های مشاهده‌شده) با فعالیت‌های گزارش‌شده در نظرسنجی (فعالیت‌های بررسی‌شده) همخوانی دارد، استفاده کردیم.

2.5. تشخیص موقعیت مکانی خانه از داده های رسانه های اجتماعی

مکان بالقوه خانه برای نمونه ای از 291 کاربر اینستاگرام که از پارک ملی PY بازدید کرده بودند، با شناسایی کشور یا منطقه ای که کاربر بیشترین عکس را از آن پست کرده بود، تخمین زده شد. برای 291 کاربر، فراداده‌ها را از تمام محتوای پست‌شده عمومی ( شکل S4 ) در دسترس از API اینستاگرام در ماه مه 2016 جمع‌آوری کردیم. پست‌هایی که در پارک ملی PY و اطراف آن برچسب‌گذاری جغرافیایی داشتند، از تجزیه و تحلیل حذف شدند. پس از حذف پست‌ها از نزدیکی PY، هر کاربر به منطقه‌ای که بیشترین عکس‌ها را از آن پست کرده بود، اختصاص یافت.
ما از آزمون Chi-square پیرسون استفاده کردیم تا احتمال اینکه توزیع فراوانی مکان‌های خانه بالقوه کاربران رسانه‌های اجتماعی (مکان‌های مشاهده‌شده) با مکان‌های خانه بازدیدکنندگان مطابق با نظرسنجی (مکان‌های بررسی‌شده) همخوانی داشته باشد.

3. نتایج

3.1. نظر سنجی

تعداد کل پاسخ دهندگان برای نظرسنجی بازدیدکنندگان 1927 بود. بر اساس فصل، 57٪ از بازدیدکنندگان نظرسنجی را در زمستان (ژانویه تا مه 2016) و 43٪ در طول تابستان (ژوئن تا اکتبر 2016) پر کردند. از کل پاسخ دهندگان، 56 درصد زن و 44 درصد مرد بودند. علاوه بر این، 63 درصد از کل پاسخ دهندگان به سؤالات مربوط به استفاده از رسانه های اجتماعی پاسخ دادند. در این میان، 44٪ (28٪ از کل پاسخ دهندگان) گزارش دادند که آنها تجربیات پارک ملی خود را در رسانه های اجتماعی به اشتراک گذاشته اند/ قصد دارند به اشتراک بگذارند، در حالی که 61٪ (38٪ از کل پاسخ دهندگان) گزارش دادند که از رسانه های اجتماعی استفاده می کنند (جدول 1 ) .
فیس‌بوک محبوب‌ترین پلتفرم (36 درصد از کل پاسخ‌دهندگان نظرسنجی) بود و پس از آن اینستاگرام (13 درصد)، توییتر (7 درصد)، فلیکر (1 درصد) و سایر پلتفرم‌ها (7 درصد). علاوه بر این، 37٪ از کاربران رسانه های اجتماعی (14٪ از کل پاسخ دهندگان نظرسنجی) استفاده از بیش از یک پلت فرم رسانه های اجتماعی را در نظرسنجی گزارش کردند. اکثر کاربران فیس بوک (62 درصد) گزارش داده اند که از پلتفرم دیگری استفاده نمی کنند، در حالی که بیشتر کاربران اینستاگرام (96 درصد) نیز عضو فیس بوک بوده اند. آن دسته از کاربران فیس بوک که از اینستاگرام نیز استفاده می کردند، در مقایسه با آن دسته از کاربران فیس بوک که از اینستاگرام استفاده نمی کردند، به احتمال زیاد تجربیات پارک ملی خود را به صورت آنلاین به اشتراک می گذاشتند (χ2 = 28، df = 687، p -value < 0.05).
میانگین سنی همه پاسخ دهندگان 54 سال (حداقل = 16، میانه = 57، حداکثر = 93، sd = 14.94) بود. در میان کاربران رسانه های اجتماعی، میانگین سنی 47 سال (حداقل = 16، میانگین = 48، حداکثر = 93، sd = 14.90) و برای بازدیدکنندگانی که عضو هیچ یک از پلتفرم های رسانه اجتماعی نبوده اند، میانگین سنی 60 سال (حداقل = 25) بوده است. ، میانه = 62، حداکثر = 93، sd = 14.67). به طور متوسط، کاربران اینستاگرام جوان‌تر از بازدیدکنندگانی بودند که اصلاً از رسانه‌های اجتماعی استفاده نمی‌کردند (F 1690 = 422.8، p -value <0.001) ( شکل 3 ).

3.2. داده های رسانه های اجتماعی

فراداده 19939 عکس دارای برچسب جغرافیایی ارسال شده توسط 7700 کاربر در یک منطقه بافر 10 کیلومتری در اطراف منطقه مورد مطالعه به دست آمد. در داخل مرز پارک ملی یا در شعاع 100 متری آن، 4244 عکس توسط کاربران 2016 ارسال شده است.
به طور کلی، 98٪ از عکس ها در زمان طبقه بندی تصاویر به صورت آنلاین در دسترس بودند. از بین عکس‌های موجود، 2% به عنوان نامرتبط طبقه‌بندی شدند، 53% حاوی اطلاعات مربوط به فعالیت‌ها و 44% در مورد افراد بودند (35% از کل تصاویر موجود شامل افراد و فعالیت‌ها بودند). تصاویر طبقه بندی شده به عنوان عکس های منظره 67٪ از کل پست های موجود را تشکیل می دهند. حیوانات در 6٪ از عکس های موجود شناسایی شدند، در حالی که 12٪ شامل زیرساخت ها (به عنوان مثال، ساختمان ها، نرده ها، تخته اردک) بودند.

3.3. الگوهای بازدید در پارک

مقایسه بین بازدیدهای گزارش شده از 9 منطقه مختلف فرعی (که با حروف AI در شکل 1 الف نشان داده شده است) در پارک و تعداد پست های رسانه های اجتماعی از همان مناطق نشان داد که می توان محبوب ترین مناطق پارک را از داده های رسانه های اجتماعی ( جدول 2 ). در مناطق فرعی کمتر محبوب، تعداد کاربران رسانه های اجتماعی در مقایسه با دو منطقه فرعی محبوب ترین نسبتاً کم بود. در مجموع، همبستگی بالایی (r s = 0.67، p -value < 0.05) بین رتبه‌بندی زیرمنطقه‌های مشاهده شده و بررسی شده یافتیم .

3.4. فعالیت های بازدیدکنندگان

پیاده‌روی و اسکی بر اساس نظرسنجی و محتوای رسانه‌های اجتماعی محبوب‌ترین فعالیت‌ها در PY بودند ( شکل 4 ). اسکی در سراشیبی و اسنوبورد در مقایسه با داده های رسانه های اجتماعی در میان پاسخ دهندگان نظرسنجی محبوبیت نسبتاً کمتری داشتند. سایر فعالیت‌های مورد بررسی مانند پیاده‌روی نوردیک، تماشای پرندگان، و چیدن انواع توت‌ها در نظرسنجی بهتر از داده‌های رسانه‌های اجتماعی ثبت شده‌اند. به طور کلی، ما تفاوت معنی‌داری در توزیع فرکانس‌ها بین فعالیت‌های مورد بررسی و فعالیت‌های مشاهده‌شده از رسانه‌های اجتماعی پیدا نکردیم (χ2 = 304، df = 288، p-value = 0.2475). در همان زمان، داده‌های رسانه‌های اجتماعی فعالیت‌های دیگری را نشان داد که توسط این نظرسنجی ثبت نشده بود. اینها شامل کایت برد، سورتمه سواری، هاسکی سواری، گوزن شمالی، اسکوتر برفی، کایاک سواری، و شنا بود.

3.5. الگوهای زمانی فعالیت ها

داده های رسانه های اجتماعی به خوبی منعکس کننده تغییرات ماهانه کلی در میزان بازدیدکنندگان در پارک است ( شکل 5 الف)، اما همچنین نشان دهنده الگوهای زمانی فعالیت ها است. ما فعالیت ها را بر اساس فصل، هم از طریق نظرسنجی بازدیدکنندگان و هم از داده های رسانه های اجتماعی بررسی کردیم ( شکل 5 b,c). در فصل زمستان (ژانویه تا مه)، تقریباً همه پاسخ دهندگان در نظرسنجی، اسکی صحرایی را به عنوان یکی از فعالیت های خود انتخاب کرده بودند. در فصل تابستان و پاییز (ژوئن تا اکتبر) فعالیت اصلی پیاده روی (از جمله پیاده روی) در نظرسنجی بازدیدکنندگان بود ( شکل 5 ب). محتوای رسانه های اجتماعی الگوهای زمانی مشابهی را برای محبوب ترین فعالیت ها نشان داد. ورزش‌های برفی در زمستان محبوب‌تر بودند، پیاده‌روی در تابستان ( شکل 5).ج). علاوه بر فعالیت های بررسی شده، داده های رسانه های اجتماعی حاوی اطلاعات فصلی از محیط مشاهده شده، به عنوان مثال، وجود/عدم وجود برف در چشم انداز بود ( شکل 5 د).

3.6. بازدیدکنندگان چه کسانی هستند؟

بر اساس این نظرسنجی، اکثریت (96٪) بازدیدکنندگان اقامت خود را در فنلاند داشتند. بازدیدکنندگان بین المللی عمدتاً از اروپا (4٪) و تعداد کمی از آمریکای شمالی (<1٪) آمده اند. بر اساس داده‌های رسانه‌های اجتماعی، رایج‌ترین مکان خانه بالقوه فنلاند بود، زمانی که کاربران اینستاگرام (زیر مجموعه کاربرانی که سابقه کاربری برای آنها از API جمع‌آوری شده بود) به کشوری که بیشترین عکس‌ها را از آنجا پست کرده بودند، اختصاص داده شدند (شکل 6 ) .
در فنلاند، بیشتر بازدیدکنندگان از منطقه پایتخت هلسینکی بودند، هم بر اساس نظرسنجی بازدیدکنندگان و هم بر اساس داده های رسانه های اجتماعی ( شکل 6 الف). ما تفاوت معنی‌داری بین توزیع فراوانی مکان‌های خانه بررسی‌شده و مکان‌های بالقوه خانه مشاهده‌شده از رسانه‌های اجتماعی پیدا نکردیم (χ2 = 190، df = 180، p -value = 0.2903).
نتایج همچنین به آشکار کردن اندازه‌های گروه معمولی بازدیدکنندگان PY کمک کرد ( شکل 7 ). بر اساس نظرسنجی، میانگین اندازه گروه 3 و بر اساس تعداد افراد در عکس های اینستاگرام، میانگین اندازه گروه 2 بود. پتانسیل استفاده از عکس اینستاگرام برای تخمین اندازه گروه برای گروه های کوچک تا متوسط ​​(اندازه گروه) وجود دارد. 2-10)، اما نه لزوماً برای شناسایی افرادی که به تنهایی یا در گروه های بسیار بزرگ سفر می کنند.

4. بحث

در این مطالعه، داده‌های رسانه‌های اجتماعی را مقایسه کردیم و به‌طور سیستماتیک داده‌های نظرسنجی بازدیدکنندگان را از محبوب‌ترین پارک ملی فنلاند (پارک ملی Pallas-Yllästunturi) جمع‌آوری کردیم. این مقایسه چند وجهی نشان می‌دهد که داده‌های به دست آمده از رسانه‌های اجتماعی می‌تواند هم به عنوان منبع اطلاعات اضافی و هم مکمل داده‌های نظرسنجی سنتی مورد استفاده قرار گیرد. در مقایسه با نظرسنجی‌هایی مانند عکس فوری، رسانه‌های اجتماعی می‌توانند منبعی برای نظارت مستمر از آنچه در منطقه اتفاق می‌افتد فراهم کنند. ممکن است تغییراتی را در روندها آشکار کند و فعالیت‌های نوظهور را در پارک نشان دهد. چنین اطلاعاتی برای مقامات حفاظت برای اطلاع رسانی بازاریابی و مدیریت بسیار مهم است. مقایسه ما همچنین نشان می‌دهد که داده‌های رسانه‌های اجتماعی ممکن است قادر به ارائه اطلاعاتی باشد که با اطلاعات جمع‌آوری‌شده توسط نظرسنجی‌های سنتی قابل مقایسه است.
داده های رسانه های اجتماعی با موفقیت برای شناسایی محبوب ترین مناطق فرعی در پارک استفاده شد. با این حال، در مناطقی که تعداد پست‌های رسانه‌های اجتماعی کمتری داشتند، نتایج چندان قابل توجه نبود. تعداد پاسخ دهندگان و کاربران رسانه های اجتماعی در مکان های کمتر محبوب نسبتا کم بود و ممکن است تحت تأثیر مکان های نظرسنجی و دقت هماهنگی داده های رسانه های اجتماعی قرار گرفته باشند. در غیاب دانش محلی یا برچسب‌های از پیش تعریف شده موجود در شبکه اجتماعی، بازدیدکنندگان ممکن است تمایل بیشتری به برچسب‌گذاری عکس‌های خود با ارجاعات سطح پارک (مثلاً «پارک ملی Pallas-Yllästunturi») به جای نام‌های مکان دقیق‌تر در پارک داشته باشند. بستر رسانه ای سایر دلایل بالقوه برای خطا و سوگیری عبارتند از پوشش ضعیف تلفن همراه در نقاط دورافتاده پارک (که بر میزان پست های رسانه های اجتماعی تأثیر می گذارد).
داده های رسانه های اجتماعی را می توان برای شناسایی برخی از محبوب ترین فعالیت ها و الگوهای زمانی آنها و همچنین ارائه فعالیت های جدید و نوظهور استفاده کرد. محبوب ترین فعالیت ها هم در نتایج نظرسنجی و هم در رسانه های اجتماعی یکسان بود. با این حال، فعالیت‌های کمتر محبوب را می‌توان تنها با استفاده از نظرسنجی سنتی (مثلاً پیاده‌روی نوردیک و تماشای پرندگان) یا داده‌های رسانه‌های اجتماعی (مانند کایت‌سواری و اسکوتر برفی) ثبت کرد. با در نظر گرفتن گروه سنی غالب برای پست‌های اینستاگرام، محتوای رسانه‌های اجتماعی احتمالاً می‌تواند برای دریافت تصویری گسترده‌تر و پویاتر از فعالیت‌های نوظهور انجام شده توسط جوانان در بخش‌های مختلف پارک ملی مورد استفاده قرار گیرد. همچنین، رسانه‌های اجتماعی توانستند فعالیت‌های نوظهور (مانند دوچرخه‌سواری زمستانی) را که در نظرسنجی‌های مکرر در نظر گرفته نشده‌اند، آشکار کنند.
الگوهای کلی مکان خانه بازدیدکنندگان هم در رسانه های اجتماعی و هم در نتایج نظرسنجی یکسان بود. بیشتر بازدیدکنندگان از فنلاند و اروپا بودند. البته، رویکرد ما فرض می‌کرد که کاربران عکس‌های بیشتری از منطقه خود ارسال می‌کنند، که ممکن است برای کاربرانی که تعداد عکس‌های ارسال شده کمتری دارند صادق نباشد (کسی ممکن است فقط عکسی از یک سفر ویژه پست کند). با این حال، در غیاب اطلاعات موقعیت مکانی خانه در نمایه های کاربران، این روش تصویری کلی از مناطقی که هر کاربر در آن بیشترین فعالیت را داشته است ارائه می دهد. سایر پلتفرم‌ها ممکن است اطلاعات نمایه اضافی برای تخمین قومیت یا محل زندگی کاربران داشته باشند و استفاده از چنین اطلاعاتی در مطالعات محیط‌های شهری با استفاده از توییتر نشان داده شده است [7 ] .
درک سوگیری های ذاتی در جغرافیاها و پایگاه کاربر نمونه های داده از رسانه های اجتماعی به عنوان زمینه های کلیدی تحقیقات بیشتر در ادبیات اخیر شناخته شده است [ 15 ، 17 ]. چندین نمونه از مقایسه داده‌های توییتر با داده‌های رسمی سرشماری در مناطق مسکونی وجود دارد [ 5 ، 7 ]، و تلاش‌های اعتبارسنجی مشابهی را می‌توان با استفاده از آمار بازدیدکنندگان انجام داد [ 9 ، 10]]. در این مقاله، هدف ما مقایسه الگوهای فعالیت مکانی-زمانی ارائه شده در رسانه‌های اجتماعی با فعالیت‌های بررسی‌شده به منظور اعتبارسنجی بیشتر محتوای رسانه‌های اجتماعی از منطقه مورد مطالعه ما بود. نتایج ما نشان می‌دهد که رسانه‌های اجتماعی اطلاعات قابل مقایسه‌ای را با نظرسنجی‌های بازدیدکنندگان از مناطق با حجم کافی از داده‌ها ارائه می‌دهند که نشان‌دهنده محبوب‌ترین فعالیت‌ها است. برای مکان ها و فعالیت های کمتر محبوب، منابع داده را می توان مکمل هم دید. در PY، علی‌رغم تلاش‌های نمونه‌گیری دقیق در سراسر پارک، نظرسنجی بازدیدکنندگان ممکن است تا حدودی نسبت به بازدیدکنندگان مسن تر باشد. نتایج حاصل از رسانه های اجتماعی تحت تأثیر این واقعیت است که نمونه خود انتخاب شده و احتمالاً به سمت گروه های سنی جوان تر متمایل است. همانطور که داده‌های رسانه‌های اجتماعی دید بازدیدکنندگان جوان‌تر را به همراه می‌آورد و نظرسنجی بازدیدکنندگان سنتی بیشتری را جذب می‌کند،
در نتیجه، ما معتقدیم که داده های رسانه های اجتماعی به طور بالقوه می توانند پیامدهای مهمی در اطلاع رسانی نظارت بر بازدیدکنندگان و مدیریت مناطق حفاظت شده داشته باشند. از آنجایی که حتی بهترین مقامات حفاظت از منابع انسانی و مالی برای انجام بررسی‌های مستمر و مکرر کاربران مورد نیاز برای به‌روز نگه داشتن مدیریت منطقه حفاظت‌شده، فاقد منابع انسانی و مالی هستند، مطالعه ما نشان می‌دهد که داده‌های رسانه‌های اجتماعی ممکن است جایگزینی سریع و مقرون به صرفه برای نظرسنجی های سنتی برای مثال، نظارت مستمر رسانه‌های اجتماعی به مقامات حفاظت از محیط زیست اجازه می‌دهد تا تغییرات مکانی-زمانی در ترجیحات بازدیدکنندگان را بهتر درک کنند. کمک به ارزیابی مشخصات بازدیدکنندگان و پیشینه های اجتماعی-اقتصادی؛ درک احساسات بازدیدکنندگان از طریق تجزیه و تحلیل محتوا؛ و فعالیت‌های نوظهور را که نمی‌توان با بررسی‌های از پیش تعریف‌شده ثبت کرد، شناسایی کرد. پتانسیل رسانه های اجتماعی حتی برای مدیریت عملی پارک (به عنوان مثال، نقشه برداری از نقاط ترافیکی یا زباله در پارک) گسترده تر است و می تواند به طور فعال به عنوان منبع VGI مورد استفاده قرار گیرد. در عمل، استفاده از داده های رسانه های اجتماعی با (1) توسعه ابزارهای آسان برای استفاده برای این هدف تسهیل می شود. (2) ظرفیت سازی پرسنل پارک (چون دسترسی و استفاده از داده های رسانه های اجتماعی به تخصص های متفاوتی نسبت به موارد مورد نیاز برای جمع آوری و تجزیه و تحلیل داده های نظرسنجی نیاز دارد). و (3) افزایش تعداد پست‌ها و کاربران رسانه‌های اجتماعی در پارک‌ها از طریق، برای مثال، تبلیغ هشتگ‌های خاص مرتبط با نام مکان‌ها، فعالیت‌ها یا دیدن طبیعت. در مجموع، قبل از استفاده عملیاتی از داده های رسانه های اجتماعی در نظارت بر بازدیدکنندگان مناطق تفریحی، به تحقیق و توسعه عملی بیشتری نیاز است. در همین حال،

منابع

  1. ببینید، L. مونی، پی. فودی، جی. باستین، ال. کامبر، ا. استیما، ج. فریتز، اس. کرل، ن. جیانگ، بی. لااکسو، ام. و همکاران جمع سپاری، علم شهروندی یا اطلاعات جغرافیایی داوطلبانه؟ وضعیت فعلی اطلاعات جغرافیایی جمع‌سپاری شده ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 55. [ Google Scholar ] [ CrossRef ]
  2. ژانگ، دبلیو. درودر، بی. وانگ، جی. شن، دبلیو. Witlox، F. استفاده از رسانه های اجتماعی مبتنی بر مکان برای ترسیم الگوهای حرکت مردم بین شهرها: مورد کاربران Weibo در دلتای رودخانه یانگ تسه. J. فناوری شهری. 2016 ، 23 ، 91-111. [ Google Scholar ] [ CrossRef ]
  3. آندرینکو، جی. آندرینکو، ن. بوش، اچ. ارتل، تی. فوکس، جی. یانکوفسکی، پ. تام، دی. الگوهای موضوعی در توییت‌های جغرافیایی ارجاع‌شده از طریق تجزیه و تحلیل بصری فضا-زمان. محاسبه کنید. علمی مهندس 2013 ، 15 ، 72-82. [ Google Scholar ] [ CrossRef ]
  4. لانگلی، پی. عدنان، ام. جمعیت شناسی جغرافیایی-زمانی توییتر. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 369-389. [ Google Scholar ] [ CrossRef ]
  5. استایگر، ای. وسترهولت، آر. رسچ، بی. Zipf، A. توییتر به عنوان شاخصی برای مکان افراد؟ ارتباط توییتر با داده‌های سرشماری بریتانیا. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 255-265. [ Google Scholar ] [ CrossRef ]
  6. ژنگ، Y.-T. ژا، ز.-ج. چوآ، تی.- اس. الگوهای سفر معدن از عکس های دارای برچسب جغرافیایی. ACM Trans. هوشمند سیستم تکنولوژی 2012 ، 3 ، 1-18. [ Google Scholar ] [ CrossRef ]
  7. لانگلی، پی. عدنان، م. لانسلی، جی. جمعیت شناسی جغرافیایی استفاده از توییتر. محیط زیست طرح. A 2015 , 47 , 465-484. [ Google Scholar ] [ CrossRef ]
  8. لوین، ن. کارک، اس. کراندال، دی. همه مردم کجا رفته اند؟ افزایش حفاظت جهانی با استفاده از چراغ های شب و رسانه های اجتماعی. Ecol. Appl. 2015 ، 25 ، 2153-2167. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. چوب، SA; Guerry، AD; نقره، JM; Lacayo, M. استفاده از رسانه های اجتماعی برای تعیین کمیت گردشگری و تفریحات مبتنی بر طبیعت. علمی Rep. 2013 , 3 , 2976. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  10. سونتر، ال جی. واتسون، KB; چوب، SA; ریکتز، دینامیک مکانی و زمانی TH و ارزش تفریح ​​مبتنی بر طبیعت، تخمین زده شده از طریق رسانه های اجتماعی. PLoS ONE 2016 , 11 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  11. Van Zanten، BT; ون برکل، DB; Meentemeyer، RK; اسمیت، جی دبلیو. Tieskens، KF; Verburg، PH در مقیاس قاره ای مقادیر چشم انداز با استفاده از داده های رسانه های اجتماعی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2016 ، 113 ، 12974–12979. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. ریچاردز، DR. Friess, DA نشانگر سریع استفاده از خدمات اکوسیستم فرهنگی در مقیاس فضایی خوب: تجزیه و تحلیل محتوای عکس های رسانه های اجتماعی. Ecol. اندیک. 2015 ، 53 ، 187-195. [ Google Scholar ] [ CrossRef ]
  13. لوین، ن. Lechner, AM; براون، جی. ارزیابی اطلاعات جمع‌سپاری شده برای ارزیابی بازدید و اهمیت درک شده از مناطق حفاظت‌شده. Appl. Geogr. 2017 ، 79 ، 115-126. [ Google Scholar ]
  14. دی مینین، ای. تنکانن، اچ. Toivonen, T. چشم انداز و چالش ها برای داده های رسانه های اجتماعی در علم حفاظت. جلو. محیط زیست علمی 2015 ، 3 . [ Google Scholar ] [ CrossRef ]
  15. روث، دی. Pfeffer, J. رسانه های اجتماعی برای مطالعات بزرگ رفتار. Science 2014 ، 346 ، 1063-1064. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. لی، ال. Goodchild، MF; Xu، B. الگوهای مکانی، زمانی و اجتماعی-اقتصادی در استفاده از توییتر و فلیکر. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 61-77. [ Google Scholar ] [ CrossRef ]
  17. کرامپتون، جی دبلیو. گراهام، ام. پورتویس، ا. شلتون، تی. استفنز، ام. ویلسون، مگاوات؛ Zook, M. Beyond the geotag: Situating “big data” و استفاده از پتانسیل geoweb. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 130-139. [ Google Scholar ] [ CrossRef ]
  18. گانتی، RK; بله، اف. لی، اچ. سنجش جمعیت موبایل: چالش‌های وضعیت فعلی و آینده. IEEE Commun. Mag. 2011 ، 49 ، 32-39. [ Google Scholar ] [ CrossRef ]
  19. توث، سی. Jóźków، G. سیستم عامل ها و حسگرهای سنجش از دور: یک بررسی. ISPRS J. Photogramm. Remote Sens. 2016 ، 115 ، 22-36. [ Google Scholar ] [ CrossRef ]
  20. فریاس مارتینز، وی. فریاس مارتینز، E. خوشه بندی طیفی برای سنجش کاربری زمین شهری با استفاده از فعالیت توییتر. مهندس Appl. آرتیف. هوشمند 2014 ، 35 ، 237-245. [ Google Scholar ] [ CrossRef ]
  21. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
  22. نیومن، جی. ویگینز، ای. کرال، ا. گراهام، ای. نیومن، اس. Crowston, K. آینده علم شهروندی: فناوری های نوظهور و پارادایم های در حال تغییر. جلو. Ecol. محیط زیست 2012 ، 10 ، 298-304. [ Google Scholar ] [ CrossRef ]
  23. بوید، دی. کرافورد، ک. سوالات مهم برای داده های بزرگ: تحریکات برای یک پدیده فرهنگی، تکنولوژیکی و علمی. Inf. اشتراک. Soc. 2012 ، 15 ، 662-679. [ Google Scholar ] [ CrossRef ]
  24. براون، جی. Kyttä, M. مسائل کلیدی و اولویت های تحقیقاتی برای مشارکت عمومی GIS (PPGIS): ترکیبی بر اساس تحقیقات تجربی. Appl. Geogr. 2014 ، 46 ، 122-136. [ Google Scholar ] [ CrossRef ]
  25. هاسمن، ا. اسلوتو، آر. برنز، JK; دی مینین، ای. خدمات اکوسیستمی حس مکان: فواید برای رفاه انسان و حفاظت از تنوع زیستی. محیط زیست حفظ کنید. 2015 ، 43 ، 117-127. [ Google Scholar ] [ CrossRef ]
  26. بالمفورد، ای. برسفورد، جی. گرین، جی. نایدو، ر. والپول، ام. Manica, A. دیدگاهی جهانی در مورد روندهای گردشگری مبتنی بر طبیعت. PLoS Biol. 2009 ، 7 ، e1000144. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. بالمفورد، ای. گرین، JMH؛ اندرسون، ام. برسفورد، جی. هوانگ، سی. نایدو، ر. والپول، ام. مانیکا، ا. Ceballos-Lascurain، H.; ایگلز، پ. و همکاران Walk on the Wild Side: برآورد وسعت جهانی بازدید از مناطق حفاظت شده. PLOS Biol. 2015 , 13 , e1002074. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. آردوین، NM; ویتون، ام. Bowers، AW; هانت، کالیفرنیا؛ دورهام، WH تأثیر گردشگری مبتنی بر طبیعت بر دانش، نگرش و رفتار محیطی: بررسی و تحلیل ادبیات و تحقیقات بالقوه آینده. J. Sustain. تور. 2015 ، 23 ، 838-858. [ Google Scholar ] [ CrossRef ]
  29. نایت، AT; Cowling، RM استقبال از فرصت طلبی در انتخاب مناطق حفاظت شده اولویت دار. حفظ کنید. Biol. 2007 ، 21 ، 1124-1126. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. هاسمن، ا. اسلوتو، آر. فریزر، آی. دی مینین، ای. بازاریابی اکوتوریسم جایگزینی برای مگافون کاریزماتیک می تواند از حفاظت از تنوع زیستی حمایت کند. انیمیشن. حفظ کنید. 2016 ، 20 ، 91-100. [ Google Scholar ] [ CrossRef ]
  31. کاجالا، ال. المیک، ع. دال، ر. دیکشایته، ال. ارکونن، جی. فردمن، پی. جنسن، اف اس. کارولز، ک. سیوانن، تی. اسکوف-پترسن، اچ. و همکاران نظارت بر بازدیدکنندگان در مناطق طبیعی – کتابچه راهنمای بر اساس تجربیات کشورهای شمال اروپا و بالتیک. در دسترس آنلاین: https://www.naturvardsverket.se/Documents/publikationer/620-1258-4.pdf (دسترسی در 15 مارس 2017).
  32. Joppa، فناوری LN برای حفاظت از طبیعت: دیدگاه صنعت. Ambio 2015 ، 44 ، 522-526. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. پیرسون، ای. تیندل، اچ. فرگوسن، ام. رایان، جی. لیچفیلد، سی. آیا می‌توانیم توییت کنیم، پست کنیم و راه خود را به سوی جامعه‌ای پایدارتر به اشتراک بگذاریم؟ مروری بر مشارکت‌های فعلی و پتانسیل آینده #رسانه‌های اجتماعی برای پایداری. آنو. کشیش محیط زیست. منبع. 2016 ، 41 ، 363-397. [ Google Scholar ]
  34. اورسی، ف. Geneletti، D. استفاده از عکس های دارای برچسب جغرافیایی و تجزیه و تحلیل GIS برای تخمین جریان بازدیدکنندگان در مناطق طبیعی. جی. نات. حفظ کنید. 2013 ، 21 ، 359-368. [ Google Scholar ] [ CrossRef ]
  35. هاسمن، ا. تویوونن، تی. اسلوتو، آر. تنکانن، اچ. مویلانن، ا. هایکینهایمو، وی. دی مینین، ای. داده های رسانه های اجتماعی را می توان برای درک ترجیحات گردشگران برای تجربیات مبتنی بر طبیعت در مناطق حفاظت شده استفاده کرد. حفظ کنید. Lett. 2017 . [ Google Scholar ] [ CrossRef ]
  36. تیم توسعه هسته R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2015. [ Google Scholar ]
Ijgi 06 00085 g001 550
شکل 1. ( الف ) مکان‌های پست اینستاگرام از منطقه مورد مطالعه پارک ملی Pallas-Yllästunturi (PY) در لاپلند فنلاند. ( ب ) چارچوبی برای استفاده از داده‌های رسانه‌های اجتماعی (تگ‌های جغرافیایی، مُهرهای زمانی، محتویات، نمایه‌های کاربر) برای مطالعه الگوهای مکانی (کجا)، الگوهای زمانی (چه زمانی) بازدیدکنندگان/کاربران رسانه‌های اجتماعی (که) و فعالیت‌های آنها (چه چیزی)، و انگیزه ها (چرا) (اصلاح شده از [ 14 ]). و ( ج ) نمونه هایی از محتوای تصویر رسانه های اجتماعی از پارک ملی.
Ijgi 06 00085 g002 550
شکل 2. جمع آوری و پیش پردازش داده های رسانه های اجتماعی. API، رابط برنامه نویسی برنامه.
Ijgi 06 00085 g003 550
شکل 3. نمودارهای جعبه ای که توزیع سنی را برای گروه های مختلف در میان پاسخ دهندگان نظرسنجی نشان می دهد ( 1927 = n ). هر کادر میانگین، چارک اول، چارک سوم و محدوده کامل (خط عمودی و نقاط) سن پاسخ دهندگان در هر گروه را نشان می دهد. گروه های موجود در شکل غیر همپوشانی هستند. برای مثال، اگر پاسخ‌دهی شده از اینستاگرام و فیس‌بوک استفاده کرده باشد، فقط به‌عنوان کاربران اینستاگرام در باکس پلات حساب می‌شود.
Ijgi 06 00085 g004 550
شکل 4. نسبت پاسخ دهندگان/عکس های اینستاگرام به ازای هر فعالیت در پارک ملی PY. فعالیت ها بر اساس محبوبیت در نظرسنجی مرتب شده اند.
Ijgi 06 00085 g005 550
شکل 5. مقایسه زمانی اطلاعات بازدیدکنندگان رسمی و محتوای رسانه های اجتماعی: ( الف ) تعداد بازدیدکنندگان رسمی و کاربران فعال روزانه در اینستاگرام. ( ب ) محبوب ترین فعالیت ها در نظرسنجی بازدیدکنندگان؛ ( ج ) محبوب ترین فعالیت ها در داده های رسانه های اجتماعی؛ ( د ) عکس های منظره با و بدون برف.
Ijgi 06 00085 g006 550
شکل 6. ( الف ) نسبت مکان های خانه بررسی شده (خاکستری) و مکان های بالقوه خانه مشاهده شده از رسانه های اجتماعی (قرمز تیره) بر اساس منطقه در فنلاند. ( ب ) تعداد کاربران اینستاگرام در هر کشور و ( ج ) در قاره‌ای که بیشترین عکس‌ها را از آن پست کرده‌اند.
Ijgi 06 00085 g007 550
شکل 7. اندازه گروه بر اساس ( الف ) نظرسنجی و ( ب ) تفسیر شده از تصاویر اینستاگرام.
جدول
جدول 1. استفاده از رسانه های اجتماعی در میان پاسخ دهندگان نظرسنجی ( 1927 = n ).
جدول
جدول 2. محبوبیت زیر منطقه بر اساس نظرسنجی بازدیدکنندگان و پست های اینستاگرام دارای برچسب جغرافیایی. موقعیت زیرمنطقه های هوش مصنوعی در شکل 1 الف ارائه شده است. یک پاسخ دهنده/کاربر می تواند به بیش از یک منطقه فرعی اختصاص داده شود. برای داده های رسانه های اجتماعی، همه پست ها را نمی توان به هیچ یک از مناطق فرعی اختصاص داد.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسیکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370