Characterizing, mapping and valuing the demand for forest recreation using crowdsourced social media data
Notice bibliographique
Résumé
Mapping and valuing of forest recreation is time-consuming and complex, hampering its inclusion in forest management plans and hence the achievement of a fully sustainable forest management. In this study, we explore the potential of crowdsourced social media data in tackling the mapping and valuing of forest recreation demand. To do so, we assess the relationships between crowdsourced social media data, acquired from over 350,000 Flickr geotagged pictures, and demand for forest recreation in British Columbia (BC) forests. We first identify temporal and spatial trends of forest recreation demand, as well as the countries of origin of BC forests visitors. Second, we estimate the average number of annual recreational visits with a linear regression model calibrated with empirically collected secondary data. Lastly, we estimate recreational values by deriving the average consumer surpluses for the visitors of BC forested provincial parks. We find that annually, on average, over 44 million recreational experiences are completed in BC forests, with peaks during the summer months and during the weekends. Moreover, a crowdsourced travel cost approach allowed us to value the recreational ecosystem service in five forested provincial parks ranging from ~2.9 to ~35.0 million CAN$/year. Our findings demonstrate that social media data can be used to characterize, quantify and map the demand for forest recreation (especially in peri-urban forests), representing a useful tool for the inclusion of recreational values in forest management. Finally, we address the limitations of crowdsourced social media data in the study of forest recreation and the future perspectives of this rapidly growing research field.
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 | 0,001 | 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 ».