Mapping Cultural Ecosystem Services in Different Landscapes through the Perception of Tourists in Ugam Chatkal National Nature Park, Uzbekistan
Notice bibliographique
Résumé
Landscapes provide many ecosystem services, such as food and fibers, carbon sequestration, recreation possibilities, and aesthetic beauty or spirituality. These latter three services are cultural ecosystem services, which are rarely studied and their spatial distribution is poorly known. I developed and applied a framework to classify and map the provision of cultural ecosystem services as experienced by tourists in the Ugam Chatkal National Nature Park, which is located in the Uzbek Tashkent region. In this study, a photo-based questionnaire survey is combined with cartographic images of different landscape types to obtain hot and cold spot areas of cultural ecosystem services. The tourists’ sociodemographic backgrounds on how they perceive these services are statistically analyzed. Each cultural ecosystem service shows a distinct spatial pattern in its distribution and in the different landscapes (i.e. natural lakes, traditional meadows, and forests) in which they occur. Specifically, midlands landscapes between 1,200 masl and 3,500 masl are considered as hotspot areas for recreational activities, aesthetic beauty, and spirituality. The highland zones above 3,500 masl mainly provide cultural heritage and recreational activities. The lowland plains below 1,200 masl do not provide major services. My results demonstrate that the tourist perception is most influenced by nationality and degree of education. Other factors, such as gender, age, and environmental behavior have a less importance in defining tourists’ perceptions.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».