Estimating park visitation in Canadian national parks using volunteered geographic information (VGI)
Notice bibliographique
Résumé
Understanding human ecological impact in natural areas is important for ensuring overall environmental and human health. Managing the human ecological impact in protected areas like national parks can be laboursome and expensive with traditional visitation monitoring methods due to their size and complexity of use. Volunteered geographic information from digital platforms can provide researchers and park managers with unique insights into visitation that would otherwise be difficult or impossible to obtain. In this study, we test whether data collected from the photo-sharing and storage platform Flickr, the outdoor recreation tracking platform AllTrails, and the exercise tracking platform Strava, can be used to estimate official visitation data in Canadian national parks through simple and multiple linear regression. Our hypothesis is that these data sources can be used to estimate visitation patterns of outdoor recreation in Canadian national parks. We identified that all three sources of volunteered geographic data are significantly correlated with official visitation data obtained from Parks Canada. Our models were strengthened when the data sources were used together in a multiple regression rather than individually in bivariate models. This study demonstrates this relationship for the first time with the Strava Global Heatmap and AllTrails proxy data and creates a basis for using volunteered geographic information from different platforms to estimate visitation and patterns of outdoor recreation in Canadian national parks. Further, the ubiquitous spatial nature of these datasets suggests they may be used as a reliable proxy in other areas where official visitor counts are unavailable.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».