Analysis on Spatial Structure of A-Grade Scenic Spots in China Based on Quantitative Geography Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The study of the spatial structure of tourism is receiving increasing attention but methodology so far has used qualitative rather than quantitative methods.Based on an investigation of 2 424 National A-grade tourist attractions and using GIS and some quantitative analysis methods,such as Nearest Neighbor Index(NNI),Gini Coefficient,quadrat analysis,hot spot clustering,and the spatial structure of scenic spots were investigated.Based on matrix raster data covering the whole space,this paper calculates spatial accessibility of all A-grade scenic spots in China using cost weighted distance method and ArcGIS as platforms.Service range of each scenic spot at 4A level and above in China was delimitated by using cost allocation method.The results show that the distribution of A-grade scenic spot in China is a type of agglomeration and spatial distribution equilibrium is low.Agglomeration of human scenic spots is higher than that of natural scenic spots,while the agglomeration of scenic spots at 4A level and above is less than that of scenic spots below 4A level.Service range of each scenic spot at 4A level and above in China was more advanced in south-eastern region than that in north-western region,whose spatial structure were closely related with traffic accessibility layout in China.First-order hotspots areas were mainly concentrated in the east side of the line formed by in Deqin-Alxa Left Banner.The second hotspots areas were composed of 11 region,while the third-order hot spots areas including Beijing,Tianjin,Central Plains and the Yangtze River Delta.This research can provide a new reference for tourist spatial structure study methodologically.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle