MétaCan
Menu
Retour à la cohorte
Enregistrement W4401996360 · doi:10.3390/f15091519

The Characteristics of Visitor Behavior and Driving Factors in Urban Mountain Parks: A Case Study of Fuzhou, China

2024· article· en· W4401996360 sur OpenAlexaff
Shiyuan Fan, Jing‐Kai Huang, Chengfei Gao, Yuxiang Liu, Shuang Zhao, Wenqiang Fang, Chengyu Ran, Jiali Jin, Weicong Fu

Notice bibliographique

RevueForests · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrban Transport and Accessibility
Établissements canadiensCapital Regional DistrictUniversity of British ColumbiaStantec (Canada)
Organismes subventionnairesChinese Academy of Forestry
Mots-clésChinaVisitor patternGeographyForestryEnvironmental protectionEnvironmental resource managementEnvironmental scienceArchaeologyComputer science

Résumé

récupéré en direct d'OpenAlex

Previous studies have focused on the linear relationship between recreation behavior and environmental variables. However, to inform the planning and design of recreational spaces, it is essential to understand the factors that contribute to differences in the spatial distribution of recreation behavior. This study investigates the characteristics of visitor behavior in urban mountain parks in Fuzhou City, Fujian Province, China. It describes the distribution of tourist numbers and the diversity of behaviors in these parks and explores the landscape driving factors of visitor behavior, as well as the interaction effects between the factors from the perspective of spatial driving forces. The results indicate that (1) The observed behaviors in the three parks are primarily access behaviors. The number of visitors and the diversity of behaviors show a high level in the morning and evening and a low level in the midday. (2) There was minimal variation in behavioral composition and behavioral diversity among the study plots of different elevation gradients in the three parks. However, the contrasts between different landscape types were more pronounced, with impermeable plazas exhibiting the highest behavioral diversity and park roads demonstrating the most homogeneous behavioral diversity. (3) The impact of environmental factors was more pronounced than that of landscape pattern factors. The environmental factors that most strongly influenced passing, dynamic, and static behaviors were spatial connectivity value, hard space proportion, and number of recreational facilities, respectively. In contrast, the hard space proportion was the strongest driver of behavioral diversity. Moreover, the interaction between the hard space proportion and spatial connectivity value was more pronounced in driving behavioral diversity, as well as the three behaviors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,197
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,312
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetUrban Transport and AccessibilityTravaux en français237 207