EN中文

中国生态旅游 >

2023 , Vol. 13 >Issue 5: 836 - 852

DOI: https://doi.org/10.12342/zgstly.20230158

专栏：自然灾害影响与旅游应对

基于多源数据的318国道川藏段旅游线路雨涝危险性分析

  • 余云云 , 1 ,
  • 陈佳淇 2 ,
  • 王圣斌 2 ,
  • 冯冰 2 ,
  • 刘俊 , 2, 1, *
展开
  • 1.四川大学灾后重建与管理学院，成都 610207
  • 2.四川大学旅游学院，成都 610207
* 刘俊（1979-），男，博士，教授，研究方向为旅游大数据和可持续旅游。E-mail:

余云云（1998-），女，博士研究生，研究方向为灾后人文重建。E-mail:

收稿日期: 2023-09-12

  修回日期: 2023-10-18

  网络出版日期: 2024-01-10

基金资助

四川大学研究基金(SKSYL2022-04)

四川大学区域历史与边疆学学科群项目

四川省教学改革项目(JG2021-391)

四川大学教学改革项目(SCU8115)

收起

The analysis of rainstorm and flooding hazard of tourism routesalong the Sichuan-Tibet section of National Highway 318 based on multisource data

  • Yu Yunyun , 1 ,
  • Chen Jiaqi 2 ,
  • Wang Shengbin 2 ,
  • Feng Bing 2 ,
  • Liu Jun , 2, 1, *
Expand
  • 1. Institute for Disaster Management and Reconstruction, Sichuan University, Chengdu 610207, China
  • 2. Tourism School, Sichuan University, Chengdu 610207, China
* Liu Jun. E-mail:

Received date: 2023-09-12

  Revised date: 2023-10-18

  Online published: 2024-01-10

Fold

摘要

318国道川藏段是中国著名的旅游廊道和典型的灾害高发区，加强沿线主要旅游线路的雨涝危险性研究对提升沿线旅游业应对自然灾害能力具有重要意义。本研究运用基于密度的层次聚类（Hierarchical Density-Based Spatial Clustering of Applications with Noise，HDBSCAN）从2013—2021年21 125条游客轨迹中提取出318国道川藏段主要旅游线路，分析了主要旅游线路的雨涝危险性。结果表明：（1）318国道川藏段的主要旅游线路有8条，线路二（山南市贡嘎县—拉萨市达孜区）和线路五（雅安市石棉县—甘孜州康定市）是典型的跨市域旅游线路。（2）2019—2021年川藏段沿线年均降水量比2013—2015年增加0.99 mm，1—12月川藏段沿线的月均降水量增加6.3 mm。2013—2021年川藏段雨涝灾害累计发生频次比991—1949年减少5次，7月达到全年峰值（7.51次），1月、2月和12月为全年低值（0次）。（3）2013—2021年线路三的雨涝危险性等级最高，线路一和线路二的雨涝危险性等级最低。（4）线路一和线路二在1—12月为低雨涝危险性线路，线路三、线路七和线路八在5月为高雨涝危险性线路。

关键词： 旅游线路; 暴雨洪涝; 危险性; 轨迹数据挖掘; 318国道川藏段

本文引用格式

余云云 , 陈佳淇 , 王圣斌 , 冯冰 , 刘俊 . 基于多源数据的318国道川藏段旅游线路雨涝危险性分析[J]. 中国生态旅游, 2023 , 13(5) : 836 -852 . DOI: 10.12342/zgstly.20230158

Abstract

The Sichuan-Tibet section of National Highway 318 is a famous tourism corridor and a typical disaster prone area in China. Strengthening the study of heavy rainstorm and the risk of secondary derivative disasters triggered by it in this region is of great significance to comprehensively improve the ability of the tourism industry to cope with natural disasters along the route. In this paper, the Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN) model was used to extract the main tourism routes along the Sichuan- Tibet section of the National Highway 318 from 21 125 tourist trajectories from 2013 to 2021, and the rainstorm and flood hazard on the main tourism routes were analyzed. The results show that, (1) there are eight main tourism routes on the Sichuan-Tibet section of the National Highway 318. Route 2 (Gongga County, Shannan City to Dazi District, Lhasa City) and Route 5 (Shimian County, Ya’an to Kangding City, Ganzi Tibetan Autonomous Prefecture) are typical cross-city tourist routes. (2) The average annual precipitation along the Sichuan-Tibet section in 2019-2021 is 0.99 mm higher than that in 2013-2015, and the average precipitation in January-December is 6.3 mm higher. The cumulative frequency of rainstorm and flooding along the Sichuan-Tibet section is 5 times lower than that in the period of 991-1949, and the annual peak is reached in July (7.51 times), with January, February and December is the annual low value (0 times). (3) Route 3 has the highest risk of rainstorm and flooding hazard for 2013-2021, and Route 1 and Route 2 have the lowest level of rainstorm and flooding hazard. (4) Route 1 and Route 2 have the lowest rainstorm and flood hazard risk from January to December, and Route 3, Route 7, and Route 8 have the highest rainstorm and flood hazard risk in May.

Key words： tourism route; rainstorm and flooding; hazard; trajectory data mining; Sichuan-Tibet section of National Highway 318

1 引言

中国是地震、台风、高温、暴雨、洪涝、干旱等自然灾害频发的国家[1]。2021年各种自然灾害共造成1.07亿人次受灾，直接经济损失3 340.2亿元[2]。根据国际紧急灾难数据库（Emergency Events Database, EM-DAT）记载[3]，2000—2023年，中国发生地震、极端天气、洪涝、滑坡、火山、生物虫害等灾害共计681次，洪涝灾害占比为31.57%。在气候变化背景下，暴雨灾害的影响将更加严重[4]。相较于工业革命前，当前全球平均气温升温1℃，10年一遇的极端降水事件发生频次增加到1.3倍，未来升温1.5℃时发生频次将增加至1.5倍[5]。在新发展阶段，开展应对暴雨及其衍生灾害的科学研究，是构建与经济社会高质量发展相适应、与国家治理体系和治理能力现代化相协调、高效科学的自然灾害防治体系的重要基础，对提高防灾减灾救灾现代化水平，切实保障人民群众生命财产安全具有重大意义。
暴雨灾害极易引发城市内涝、山洪、滑坡、崩塌、泥石流、供排水事故、电力事故、通信事故、道路交通事故等次生衍生灾害[6]，应对这些次生衍生灾害已经成为中国防灾减灾建设的重点内容[7]。《“十四五”国家应急体系规划》强调“重特大灾害事故往往引发一系列次生、衍生灾害事故和生态环境破坏，形成复杂多样的灾害链、事故链，进一步增加风险防控和应急处置的复杂性及难度[8]”。由于重要旅游资源、旅游基础设施等各类承灾体暴露度、集中度、脆弱性持续增加，旅游业面临的暴雨灾害的系统性和复杂性不断加剧[9]，加强应对暴雨灾害的科学研究，全面提升应对暴雨灾害的能力可以为旅游业高质量发展提供有力支撑。
科学合理地评估雨涝危险性是分析暴雨灾害风险的关键。国内针对暴雨灾害风险评估的研究十分丰富，研究内容以城市内涝[10]和山区洪涝[11]为主，研究方法主要有指标分析法、模型模拟法和统计分析法等[12]。其中，指标分析法因数据易获取和结果直观性而更适用于宏观区域的暴雨灾害风险评估，雨涝危险性分析是开展评估的首要环节[13]，常用的指标有历年降水量和历史洪灾频次等[14]。具体到旅游领域，与暴雨洪涝相关的研究集中于旅游资源灾害风险[15]、游客风险感知[16]、旅游安全风险[17]和旅游目的地自然灾害风险[18]，研究发现，旅游资源（如历史遗址、遗迹等不可移动文物）风险与暴雨强度存在较大的关联性[19]，未来降雨情景下中国的部分景区将面临极端降水增加的风险[20]，但公众的风险感知水平仍较低[21]，亟须开展针对暴雨灾害的景区风险评估。从评估内容来看，已有研究分析了景区的山洪灾害危险性[22]和地质灾害危险性[23]，尚缺少旅游情境下的雨涝危险性评估研究。
然而，受指标数据获取限制，多数研究没有考虑到游客流动导致的人群密度改变，缺乏对游客时空行为活动的关注。虽然将历史灾情信息纳入旅游灾害风险评估中，但使用的数据多为1949年以后的灾害数据，对1949年前的灾害规律了解有限。本研究从游客时空行为视角出发，基于密度的层次聚类（Hierarchical Density-Based Spatial Clustering of Applications with Noise，HDBSCAN）提取主要旅游线路，并结合降水量数据和长时间序列历史灾害数据进一步分析主要旅游线路的雨涝危险性。研究可以补足游客时空行为视角的暴雨灾害研究，为旅游灾害研究提供思路参考，同时，主要旅游线路雨涝危险性的分析可以为未来旅游线路优化、旅游基础设施布局和游客出行选择提供科学支撑。

2 研究方法与数据来源

2.1 研究区概况

318国道东起上海市黄浦区，西至西藏自治区日喀则市聂拉木县，穿越了亚热带季风气候、亚寒带季风气候以及高原大陆性气候带。318国道川藏段从四川成都至西藏拉萨，全长2 155 km，经过2个省份6个地市27个区县[24]。318国道川藏段地质地貌、水文气候等自然环境条件复杂，先后穿过平原、横断山区和青藏高原，途径二郎山、折多山、卡子拉山、安久拉山等重要山区，跨过大渡河、雅砻江、金沙江等水系，拥有丰富的高品位旅游资源，是世界著名的旅游廊道，也因广泛分布暴雨、冰雹等气象灾害及其引发的滑坡、泥石流等地质灾害，被称为世界上最艰险的道路[25]，素有“灾害博物馆”之称。

2.2 数据来源

研究数据主要包括游客轨迹数据和区域气象数据、历史灾害数据及基础地理信息数据。从“六只脚”网站（http://www.foooooot.com/）共获取了2013—2021年21 125条川藏段轨迹数据。该网站是面向用户的轨迹记录、浏览和分享的大型户外旅行社区网站，每条轨迹都记录了用户名称、经纬度、时间、运动速度、起止点等信息。区域气象数据来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）的中国1km分辨率逐月降水量数据集（1901—2021年）[26]。该数据集是根据英国东英格利亚大学气候研究中心（Climatic Research Unit，CRU）发布的全球0.5°气候数据集以及世界气候数据网站（https://www.worldclim.org/）[27]发布的全球高分辨率气候数据集，通过增量变化法在中国地区降尺度生成数据，数据集通过了496个气象观测点的数据验证[28]。区域历史灾害数据来源于《中国气象灾害大典（四川卷）》[29]、《中国气象灾害大典（西藏卷）》[30]和2000—2021年的网络媒体报道。

2.3 数据处理

2.3.1 轨迹数据

游客轨迹数据筛选步骤[31]如下：（1）将轨迹与川藏段沿线的路网匹配；（2）提取每条轨迹的停留点，保留停留点位于成都至拉萨段的轨迹；（3）剔除时间信息错误的轨迹；（4）依据3σ准则剔除旅游距离和时长异常的轨迹；（5）结合文本和图片信息判断是否保留。获取的所有轨迹停留点坐标转换为WGS-84坐标系后，采用Kalman filtering算法和Douglas-Peuker 算法进行轨迹去噪和轨迹平滑处理。

2.3.2 气象数据

在中国1 km分辨率逐月降水量数据集（1901—2021年）的基础上计算出2013—2015年、2016—2018年、2019—2021年3个阶段的降水量数据后，使用200 mm、400 mm和800 mm的降雨标准对数据进行分级处理[32]，并分别将分阶段和逐月的川藏段沿线降水时空格局进行可视化分析。

2.3.3 灾害数据

历史灾害数据记录了公元前185—2000年的四川省暴雨洪涝灾害数据和1765—2000年的西藏自治区暴雨洪涝灾害数据，记载地名多为历史地名，参考《中国气象灾害大典（四川卷）》附录一和《中国气象灾害大典（西藏卷）》附录三建立了古今行政区划和地名的对照表，对历史时期发生暴雨洪涝灾害的地名进行了古今属地的转换[33]。2000—2021年的灾害媒体报道数据记录了造成较大影响的暴雨洪涝灾害，根据路段所在地理位置将其匹配至所在区县。对川藏段沿线27个县域的历史灾害记录和灾害新闻报道进行频次统计，获得了川藏段沿线27个县域的446条历史暴雨洪涝灾害数据和145条灾害媒体报道数据后，统计991—1949年、1950—2012年和2013—2021年3个阶段暴雨洪涝灾害的发生频次。

2.4 研究方法

主要旅游线路提取方法包括轨迹相似性估计和轨迹聚类法。游客轨迹数据同时具有空间、时间和方向等多重时空属性。与只考虑时间和空间相似度不同[34]，本研究增加了轨迹方向相似性的度量，使用HDBSCAN算法对轨迹进行聚类分析，实现对游客轨迹聚集程度较高的主要旅游线路的提取。主要旅游线路的雨涝危险性分析以自然灾害风险评估理论为基础，通过降水危险性和历史暴雨灾害频次衡量[14]。

2.4.1 轨迹相似性估计

（1）空间相似度
空间相似度的测量需要精确的轨迹长度测量，采用haversine公式[35]计算轨迹上不同点之间的球面距离，基于球面三角形的定理，假设地球半径为 r，两个轨迹点的经纬度分别为 l o n 1 , l a t 1和 l o n 2 , l a t 2，两个轨迹点的距离为 d：
d = 2 r a r c s i n ( s q r t ( s i n 2 ( l a t 2 - l a t 1 ) 2 + c o s l a t 1 c o s l a t 2 s i n 2 ( l o n 2 - l o n 1 ) 2 ) )
为了精确衡量游客的行为轨迹在短时间上的差异，使用最长公共序列算法（Longest Common Subsequence，LCSS）衡量轨迹间的空间距离相似度，LCSS值即为最大公共子序列的长度[36]。假设存在两个长度分别为 n和 m的轨迹A和轨迹B， a t和 b i为轨迹A和轨迹B上任意点，两条轨迹的最长公共子序列长度 L C S S A , B为：
L C S S A , B = 0 A = ∅ o r B = ∅ 1 + L C S S a t - 1 , b i - 1 d i s t a t , b i < γ m a x L C S S a t - 1 , b i , L C S S a t , b i - 1 o t h e r w i s e
式中， γ是两个轨迹的相似阈值， t和 i的取值范围为 [ 1 , m ]和 [ 1 , n ]， d i s t a t , b i为点 a t和 b i间的距离， L C S S a t , b i为轨迹A在点 a t和轨迹B在点 b i前的最大公共子序列长度。根据最长公共子序列的长度可以计算出最长公共子序列的相似度，即两条轨迹的空间相似度 D L C S S：
D L C S S = 1 - L C S S A , B m i n l e n A , l e n B
式中， l e n A和 l e n B分别表示轨迹A和轨迹B中轨迹点的总个数， D L C S S的取值范围为 [ 0,1 ]。
（2）时间相似度
采用Jaccard系数来衡量轨迹间的时间相似度，将时间序列数据转化为集合，集合中的元素是时间序列数据中的点，通过计算两个集合的交集与并集的比值来度量时间相似度。假设存在两条轨迹A和轨迹B，两者之间的时间相似度为 J ( A , B )[37]，该值越大说明相似度越高，取值范围为 0 ~ 1。
J A , B = A ⋂ B A ⋃ B
（3）方向相似度
使用余弦相似度来测量轨迹的方向相似度，以轨迹出发地为起点，以目的地为终点，将轨迹转化为向量，计算向量空间中两个向量的夹角余弦值，夹角越小，余弦值越接近于1，两个向量越相似。假设存在轨迹向量A和轨迹向量B，两者间的余弦相似度为 c o s ( θ )[38]，取值范围为 - 1 ~ 1。
c o s ( θ ) = A ∙ B A B = ∑ i = 1 n A i × B i ∑ i = 1 n A i 2 × ∑ i = 1 n B i 2
式中， A i和 B i为轨迹向量A和轨迹向量B的向量分量。

2.4.2 HDBSCAN模型

HDBSCAN将密度聚类算法和层次聚类结合，摆脱了密度聚类算法易受到噪声点影响的缺陷，同时可以处理不同密度的聚类问题[39]。通过计算每个数据点的密度构建密度连通图，并根据连接点和密度阈值将数据点划分成不同的聚类簇[40]。第一步，基于核心距离（ c o r e k ( x )）、可达距离（Reachability Distance，RD）和相互可达距离（Mutual Reachability Distance，MRD）进行密度估计，使高密度轨迹间的距离缩短，稀疏轨迹之间的距离增大，实现相似度值的空间转换。第二步，采用boruvka算法构建最小生成树。以每一条轨迹为顶点，以MRD矩阵值为权重，形成加权图。然后选择任一顶点作为树的开始，依次遍历联通图中的每个点和边，选择权重最小的边合并到树中，重复这一步骤直到所有的顶点和边都包含在树中。第三步，通过Union-Find算法判断两个顶点之间的联通性，若联通则视为同一个簇，不连通则将两条轨迹划分为不同的簇。同一类别内的树按照权重升序排列，遍历图中的所有顶点后获取层次结构。第四步，结合输入的 m i n _ c l u s t e r _ s i z e值压缩树结构，自上而下遍历和分割每一个树节点，判断树分裂后的样本子集数目，保留超过该值的树分支并继续分裂，删除小于该值的分支节点，最终形成压缩的簇树。选取了 λ和 S c l u s t e r两个指标判别划分完成的聚类结果稳定性。
λ = 1 c o r e k x
S c l u s t e r = ∑ λ p - λ d e a t h
式中， c o r e k ( x )为样本 x与第 k个最邻近样本点间的距离， S c l u s t e r为聚类的稳定性， c i表示聚类簇的集合， λ p表示节点 p从父簇中分离时的 λ值， λ d e a t h表示聚类簇分裂为两个子簇时的 λ值。

2.4.3 雨涝危险性

通过累加线路上各点的降水量和历史暴雨灾害频次得到主要旅游线路的降水危险性和历史暴雨灾害频次。假设一条旅游线路由 n个点组成，点 n 的降水量和历史暴雨灾害频次分别为 P n和 D n，线路 i的降水危险性和历史暴雨灾害频次分别为 P r i和 D r i：
P r i = ∑ i n P n n
D r i = ∑ i n D n n
由于降水危险性和历史暴雨灾害频次的属性和量纲不同，无法直接对比，采用极差变换法[41]对两个指标的数据进行无量纲化处理。线路 i的雨涝危险性为 R i：
R i = P r i - P r i 1 ≤ i ≤ 12 m i n 1 ≤ i ≤ 12 m a x P r i - P r i 1 ≤ i ≤ 12 m i n + D r i - D r i 1 ≤ i ≤ 12 m i n 1 ≤ i ≤ 12 m a x D r i - D r i 1 ≤ i ≤ 12 m i n
采用自然断点法划分线路 i的雨涝危险性等级 R i：
R i = 高 , R i ∈ ( 1.28,2.00 ] 较 高 , R i ∈ ( 0.79,1.28 ] 较 低 , R i ∈ ( 0.32,0.79 ] 低 , R i ∈ [ 0.00,0.32 ]

3 结果与分析

3.1 2013—2021年川藏段沿线主要旅游线路挖掘

2013—2021年川藏段沿线共8条主要旅游线路，平均行程长度为66.29~97.74 km，平均耗时4.69~11.38 h（表1）。整体而言，线路一（拉萨市城关区—当雄县）游客驻留点位最少（25个），平均行程长度最短（66.29 km），平均耗时最短（4.69 h）。线路二（山南市贡嘎县—拉萨市达孜区）和线路五（雅安市石棉县—甘孜州康定市）的游客轨迹范围较广，属于典型的跨市域旅游线路。线路五游客停留点位和平均耗时均远高于其他7条线路，同为跨市旅游线路的线路二游客停留点个数远小于线路五，平均耗时仅有4.85 h。线路六虽为市内旅游线路，但平均行程长度最长（97.74 km），游客驻留点位超过800个。
表1 2013—2021年川藏段主要旅游线路基本情况

Tab. 1 Key information of main tourism routes on the Sichuan-Tibet section from 2013 to 2021

线路 起点 终点 停留点个数/个 平均行程长度/km 平均耗时/h 最远长度/km 最长耗时/h
线路一 拉萨市城关区 拉萨市当雄县 25 66.29 4.69 115.79 14.59
线路二 山南市贡嘎县 拉萨市达孜区 200 81.66 4.85 120.74 22.79
线路三 甘孜州巴塘县 甘孜州理塘县 175 66.59 8.65 120.88 23.55
线路四 雅安市天全县 雅安市石棉县 81 69.14 5.64 118.87 12.26
线路五 雅安市石棉县 甘孜州康定市 1 756 83.17 11.38 119.88 23.99
线路六 甘孜州巴塘县 甘孜州理塘县 819 97.74 8.63 120.43 22.85
线路七 林芝市波密县 林芝市波密县 55 72.56 6.23 107.53 13.70
线路八 林芝市米林县 林芝市巴宜区 149 81.56 6.64 120.39 23.95

3.2 2013—2021年川藏段沿线降水量时空格局

3.2.1 分阶段降水量时空格局

如图1和表2所示，2013—2021年，川藏段全段年均降水量大于200 mm，东段年均降水量远高于西段。年均降水量超过800 mm的地区集中在川藏段东段的成都市、雅安市和甘孜藏族自治州，林芝市、昌都市和甘孜藏族自治州的年均降水量基本维持在400~800 mm，呈现出以雅安市和拉萨市为分界点的空间格局。相比2013—2015年，2016—2018年川藏段全段年均降水量增加，年均降水量超过800 mm的地区新增康定市，年均降水量在400~800 mm的地区新增拉萨市堆龙德庆区和曲水县。到2019—2021年，拉萨市、甘孜藏族自治州和昌都市的年均降水量下降，康定市和昌都市芒康县年均降水量下降至400~800 mm，拉萨市堆龙德庆区和曲水县的年均降水量下降至200~400 mm。
图1 2013—2021年川藏段沿线的年均降水量空间分布

Fig. 1 Spatial distribution of average annual precipitation along the Sichuan-Tibet section from 2013 to 2021

表2 2013—2021年川藏段沿线降水量及不同降水量等级的占比

Tab. 2 Precipitation and the ratio of different precipitation levels along the Sichuan-Tibet section from 2013 to 2021

类别 2013—2015年 2016—2018年 2019—2021年
平均值/mm 644.56 660.51 645.55
最大值/mm 1 817.33 1 671.10 1 737.13
最小值/mm 275.63 320.30 287.47
≤200 mm的区域占比/% 0.00 0.00 0.00
200~400 mm的区域占比/% 4.68 2.10 4.52
400~800 mm的区域占比/% 85.13 86.13 85.64
>800 mm的区域占比/% 10.19 11.77 9.84
2013—2021年川藏段沿线年均降水量先增加后减少，整体呈小幅增长趋势。相比2013—2015年，2016—2018年的年均降水量增加15.95 mm，到2019—2021年，年均降水量减少14.96 mm，但相较于2013—2015年仍增加0.99 mm。从不同降水量等级的区域占比来看，2013—2021年的年均降水量在200~400 mm和超过800 mm的区域占比先减少后增加，累计减少0.16%和0.35%，年均降水量在400~800 mm的区域占比先增加后减少，累计增加0.51%。

3.2.2 逐月降水量时空格局

如图2和表3所示，1—12月川藏段沿线的月均降水量呈现出随经度减小逐渐增加的趋势，雅安市和成都市为月均降水量较高的区域。1月、2月和12月的月均降水量在200~400 mm的区域出现在雅安市，3—5月川藏段全段降水量迅速增加，雅安市、成都市和林芝市北部出现月均降水量超过800 mm的区域，6—8月全段除昌都市南部和拉萨市西南部外其他地区月均降水量均超过800 mm，9—11月全段月均降水量随经度增加逐渐减少，雅安市和成都市仍高于其他地区。
图2 1—12月川藏段沿线的月均降水量空间分布

Fig. 2 Spatial distribution of monthly average precipitation along the Sichuan-Tibet section from January to December

表3 1—12月川藏段沿线降水量及不同降水量等级的占比

Tab. 3 Precipitation and the ratio of different precipitation levels along the Sichuan-Tibet section from January to December

类别 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月
平均值 41.36 67.37 167.86 341.88 648.25 1 130.86 1 458.13 1 203.53 1 072.71 362.47 72.35 47.46
最大值 185.11 251.33 514.89 890.11 1 315.33 2 568.67 3 976.67 4 587.44 2 613.25 914.89 405.78 211.50
最小值 0.22 0.67 21.11 60.89 187.67 442.56 1028.22 747.44 336.13 62.67 9.67 1.13
≤200 mm占比/% 100.00 98.61 77.65 9.08 0.08 0.00 0.00 0.00 0.00 11.14 93.46 99.95
200~400 mm占比/% 0.00 1.39 20.77 70.89 6.57 0.00 0.00 0.00 0.63 59.13 6.54 0.05
400~800 mm占比/% 0.00 0.00 1.58 19.29 75.34 17.53 0.00 0.26 14.04 28.46 0.00 0.00
>800 mm占比/% 0.00 0.00 0.00 0.74 18.01 82.47 100.00 99.74 85.33 1.27 0.00 0.00
1—12月川藏段沿线的月均降水量先增加后减少，月均降水量最高值为1458.13 mm（7月），最低值为41.36 mm（1月），1—12月的月均降水量增加6.3 mm。月均降水量不超过200 mm的区域占比最高的月份为1月（100.00%），占比最低的月份为6—9月（0.00%）。月均降水量在200~400 mm的区域占比波动式下降，4月占比最高（70.89%），1月和6—8月占比最低（0.00%）。月均降水量在400~800 mm的区域占比最低的月份是1—2月、7月、11—12月（0.00%），占比最高的月份是5月（75.70%）。1—3月和11—12月为月均降水量超过800 mm的区域占比最低值（0.00%），7月为最高值（100.00%）。

3.3 川藏段沿线地区历史暴雨灾害时空格局

3.3.1 分阶段历史暴雨灾害时空格局

如图3和表4所示，991—2021年，川藏段沿线的暴雨灾害发生频次较高的区域分布于雅安市、成都市和林芝市。相比于991—1949年，1950—2012年川藏段全段暴雨灾害发生频次增加，暴雨灾害发生频次高于12次的区县新增林芝市波密县，昌都市、甘孜藏族自治州和拉萨市的部分区县暴雨灾害频次有不同程度的增加。到2013—2021年，全段暴雨灾害发生频次下降，仅雅安市芦山县的暴雨灾害发生频次接近12次，昌都市巴塘县、雅安市雨城区和成都市简阳市暴雨灾害发生频次高于其他区县。
图3 川藏段沿线地区的历史暴雨灾害空间分布

Fig. 3 Spatial distribution of historical rainstorm disasters along the Sichuan-Tibet section

表4 不同阶段的历史暴雨灾害发生频次及不同频次等级的区县占比

Tab. 4 Frequency and the ratio of districts and counties with different frequency levels of historical rainstorm disasters at different stages

类别 991—1949年 1950—2012年 2013—2021年
平均值/次 6.67 12.26 1.67
最大值/次 25 39 11
最小值/次 0 1 0
≤3次的区县占比/% 51.85 11.11 81.48
3~6次的区县占比/% 11.11 29.63 11.11
6~9次的区县占比/% 3.70 7.41 0.00
9~12次的区县占比/% 14.82 14.81 7.41
>12次的区县占比/% 18.52 37.04 0.00
991—2021年，川藏段沿线暴雨灾害发生频次先增加后减少，整体呈减少趋势。相比991—1949年，1950—2012年川藏段沿线暴雨灾害发生频次增加5.59次。到2013—2021年，川藏段沿线暴雨灾害发生频次减少10.59次，相较于991—1949年减少5次。从频次等级来看，相较于991—1949年，2013—2021年暴雨灾害发生频次为9~12次的区县占比减少7.4%，暴雨灾害发生频次为6~9次和大于12次的区县占比减少至0%，充分说明2013年以来中国的防灾减灾建设取得显著成效。

3.3.2 逐月历史暴雨灾害时空格局

如图4和表5所示，1—12月川藏段沿线暴雨灾害发生频次较高的区县分布于林芝市、昌都市、雅安市和成都市。1月、2月和12月川藏段沿线区县的暴雨灾害发生频次均不超过1次，3—5月林芝市波密县、巴宜区和昌都市芒康县、八宿县逐渐出现暴雨灾害发生频次为2~3次的区域，6—8月全段暴雨灾害频次均有不同程度增加，暴雨灾害发生频次大于4次的区县集中在林芝市波密县、昌都市芒康县、雅安市和成都市简阳市，9—11月全段暴雨灾害频次逐渐减少，昌都市芒康县暴雨灾害频次仍高于其他地区。
图4 1—12月川藏段沿线地区的历史暴雨灾害空间分布格局

Fig. 4 Spatial distribution of historical rainstorm disasters along the Sichuan-Tibet section from January to December

表5 1—12月的历史暴雨灾害发生频次及不同频次的区县占比

Tab. 5 Frequency and the ratio of districts and counties with different frequency levels of historical rainstorm disasters from January to December

类别 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月
平均值/次 0.00 0.04 0.26 0.52 1.56 3.26 7.63 5.41 1.33 0.30 0.07 0.00
最大值/次 0 1 2 5 8 12 19 16 7 3 2 0
最小值/次 0 0 0 0 0 0 0 0 0 0 0 0
≤1次的区县占比/% 100.00 100.00 96.30 92.60 66.67 40.74 14.81 18.52 59.26 96.30 96.30 100.00
1~2次的区县占比/% 0.00 0.00 3.70 3.70 14.81 14.81 7.41 22.22 14.81 0.00 3.70 0.00
2~3次的区县占比/% 0.00 0.00 0.00 0.00 7.41 11.11 7.41 3.71 18.53 3.70 0.00 0.00
3~4次的区县占比/% 0.00 0.00 0.00 0.00 3.70 7.41 11.11 14.81 3.70 0.00 0.00 0.00
>4次的区县占比/% 0.00 0.00 0.00 3.70 7.41 25.93 55.56 40.74 3.70 0.00 0.00 0.00
与月均降水量类似，川藏段沿线的暴雨灾害发生频次先增加后减少，在7月达到全年峰值（7.63次），1月和12月为全年低值（0次）。暴雨灾害发生频次不超过1次的区域占比最高的月份为1月、2月和12月（100.00%），暴雨灾害发生频次为1~2次的区域占比最高的月份为8月（22.22%），暴雨灾害发生频次为2~3次的区域占比最高的月份为9月（18.53%），暴雨灾害发生频次为3~4次的区域占比最高的月份为8月（14.81%），暴雨灾害发生频次超过4次的区域占比最高的月份为7月（55.56%）。

3.4 主要旅游线路的雨涝危险性分析

3.4.1 主要旅游线路的分阶段雨涝危险性

如图5所示，2013—2021年，线路一、线路二、线路三和线路四的雨涝危险性稳定，线路五的雨涝危险性发生显著变化。线路一和线路二在3个阶段内均为低雨涝危险性，线路三为高雨涝危险性，线路四为较低雨涝危险性，线路五在2013—2015年和2019—2021年为较低雨涝危险性，2016—2018年为较高雨涝危险性。线路七较高雨涝危险性的概率为33.3%，较低雨涝危险性的概率为66.7%。线路六较高雨涝危险性的概率为66.7%，较低雨涝危险性的概率为33.3%，线路八较高雨涝危险性的概率为66.7%，高雨涝危险性的概率为33.3%。
图5 2013—2021年主要旅游线路的雨涝危险性

Fig. 5 Rainstorm and flood hazard of main tourism routes from 2013 to 2021

3.4.2 主要旅游线路的逐月雨涝危险性

如图6所示，全年内线路一和线路二的雨涝危险性等级稳定，其余6条主要线路的雨涝危险性等级均发生显著变化。根据最大隶属度原则，低雨涝危险性的线路为线路一、线路二、线路四（11—次年3月和7月）和线路五（1月、3月、5月、8—9月和11—12月），较低雨涝危险性的线路为线路六（1—4月、6—8月、10月），较高雨涝危险性的线路为线路八（1—3月、8月和10—12月），高雨涝危险性线路为线路三（4—8月、10月）和线路七（2—3月、5月和9—10月）。全年高雨涝危险性线路最多的月份为5月（37.5%），分别是线路三、线路七和线路八。低雨涝危险性线路最多的月份为12月（75.0%），分别是线路一、线路二、线路四、线路五、线路六和线路七。
图6 1—12月主要旅游线路的雨涝危险性

Fig. 6 Rainstorm and flood hazard of main tourism routes from January to December

4 结论与讨论

4.1 结论

基于游客行为大数据的轨迹挖掘能加深对游客时空行为的认识，为理解自然灾害和人类流动之间的相互关系提供全新的视角。日益丰富的游客时空行为大数据为旅游研究带来新的数据源，与统计数据和问卷调查数据相比具有数据量大、精度高的优势，其分析所得的群体行为规律一定程度上反映游客的旅游偏好。因此，充分认识到游客流动带来的人群密度变化，本研究从游客时空行为视角出发，评估游客聚集程度高的主要旅游线路所面临的降水危险性和历史暴雨灾害发生频次，总结了雨涝危险性较高的旅游线路。主要结论如下。
（1）2013—2021年川藏段21 125条游客轨迹中共有8条主要旅游线路。线路二（山南市贡嘎县—拉萨市达孜区）和线路五（雅安市石棉县—甘孜州康定市）是典型的跨市域旅游线路。线路五的游客停留点位最多，线路一的游客停留点位最少。
（2）2013—2021年川藏段沿线年均降水量先增加后减少，2019—2021年的年均降水量比2013—2015年增加0.99 mm，且东段年均降水量远高于西段，年均降水量超过800 mm的地区集中在川藏段东段的成都市、雅安市和甘孜藏族自治州，呈现出以雅安市和拉萨市为分界点的空间格局。1—12月川藏段沿线月均降水量随经度减小逐渐增加，雅安市和成都市为月均降水量较高的区域。1—12月月均降水量先增加后减少，月均降水量最高值为1 458.13 mm（7月），最低值为41.36 mm（1月），全年月均降水量增加6.3 mm。
（3）991—2021年川藏段沿线暴雨灾害发生频次先增加后减少，发生频次较高的区域分布于雅安市、成都市和林芝市。2013—2021年比991—1949年暴雨灾害发生频次减少5次，昌都市巴塘县、雅安市雨城区和成都市简阳市暴雨灾害发生频次高于其他区县。1—12月川藏段沿线的暴雨灾害发生频次先增加后减少，5—9月的暴雨灾害发生频次高于其他月份，在7月达到全年峰值（7.63次），1月和12月为全年低值（0次），发生频次较高的区县分布于林芝市、昌都市、雅安市和成都市。
（4）2013—2021年，线路一和线路二的雨涝危险性等级低，线路三的雨涝危险性等级高，线路四的雨涝危险性等级较低。全年内线路一、线路二、线路四和线路五为低雨涝危险性线路，线路三和线路七为高雨涝危险性线路。高雨涝危险性线路最多的月份为5月（37.5%），分别是线路三、线路七和线路八。低雨涝危险性线路最多的月份为12月（75.0%），分别是线路一、线路二、线路四、线路五、线路六和线路七。

4.2 讨论

高降水并不意味着高雨涝危险。在本研究中，降水量的时空格局和暴雨灾害时空格局存在部分重叠。2019—2021年川藏段沿线的年均降水量相较于2013—2015年增加0.99 mm，对应时期暴雨灾害发生频次增加了28次。该时期内8条主要旅游线路中仅1条线路（线路三）一直是高雨涝危险性线路。4—10月为高降水量月份，而暴雨洪涝灾害频发月份为6—9月，高雨涝危险性线路数量最多的月份为5月。冬季87.50%的线路雨涝危险性较低或低，夏季高雨涝危险性线路迅速增加，占比达20.83%，但线路一和线路二仍为较低雨涝危险性。这充分说明高降水量是暴雨灾害发生的诱因，但并不意味着一旦发生高降水量就必然发生暴雨灾害。1—12月线路三的高雨涝危险性概率均为最高，相关部门应及时进行旅游安全预警提示，着重布局该线路上的防灾减灾设施，做好灾害应急预案。研究结论不仅能够为旅游灾害研究提供思路参考，同时可以为旅游业防灾减灾建设提供支撑。
本研究仍存在以下几方面的不足。在进行主要旅游线路提取时使用的是游客自行上传的GPS轨迹信息，存在“幸存者偏差”的现象，未来的研究可以考虑融合蓝牙设备数据、移动信令数据、WiFi数据、兴趣点（Point of Interest，POI）数据[42]等多源数据进行更深入的研究和探讨，丰富对游客时空行为的理解。雨涝危险性评估仅体现暴雨灾害发生的可能性，需进一步开展暴雨灾害风险评估，结合地形、人口密度、防灾减灾能力等对引起暴雨灾害的降水阈值和主要影响因素进行探讨，为游客提供更为全面、系统的灾害风险信息。此外，本研究只进行了川藏段沿线27个县域的历史暴雨灾害数据校对和整理，所提取的8条线路中有4条线路途经27个县域以外的区域，因此未来的研究需进行更大范围内的历史暴雨灾害数据整理，以期更准确反映历史暴雨灾害发生情况，为旅游业防灾减灾建设提供科学支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
秦大河. 中国极端天气气候事件和灾害风险管理与适应国家评估报告[M]. 北京: 科学出版社, 2015.

[Qin Dahe. National Assessment Report on Risk Management and Adaptation of Extreme Weather and Climate Events and Disasters in China[M]. Beijing: Science Press, 2015.]

[2]
王松江, 盘大滨. 基于集对分析的自然灾害应急管理能力评估方法研究[J]. 自然灾害学报, 2023, 32(4): 104-116.

[Wang Songjiang, Pan Dabin. Research on emergency management capability evaluation method of natural disasters based on set pair analysis[J]. Journal of Natural Disasters, 2023, 32(4): 104-116.]

[3]
CRED. EM-DAT: The International Disaster Database[DB/OL]. (2023-05-23). https://www.emdat.be/.

[4]
Li Y, Sun J, Cui X Q, et al. Probability of rainstorm and flood disasters due to extreme precipitation in Fen River basin, China[J]. Environmental Science and Pollution Research, 2023, 30(27): 70783-70802.

DOI

[5]
IPCC. Climate change 2022: Mitigation of Climate Change[M]. Cambridge: Cambridge University Press, 2022.

[6]
Jiao L D, Zhu Y H, Huo X S, et al. Resilience assessment of metro stations against rainstorm disaster based on cloud model: A case study in Chongqing, China[J]. Natural Hazards, 2023, 116(2): 2311-2337.

DOI

[7]
Xie X L, Tian Y Z, Wei G. Deduction of sudden rainstorm scenarios: integrating decision makers' emotions, dynamic Bayesian network and DS evidence theory[J]. Natural Hazards, 2023, 116(3): 2935-2955.

DOI

[8]
中华人民共和国国家发展和改革委员会. “十四五”国家应急体系规划[EB/OL]. (2022-03-25). [2023-09-05]. https://www.ndrc.gov.cn/fggz/fzzlgh/gjjzxgh/202203/t20220325_1320218.html.

[National Development and Reform Commission. The construction of its emergency management system over the 14th Five-Year Plan period (2021-2025) [EB/OL]. (2022-03-25). [2023-09-05]. https://www.ndrc.gov.cn/fggz/fzzlgh/gjjzxgh/202203/t20220325_1320218.html.]

[9]
《第四次气候变化国家评估报告》编写委员会. 第四次气候变化国家评估报告[M]. 北京: 科学出版社, 2022.

[Compilation Committee of the Fourth National Assessment Report on Climate Change. Fourth National Assessment Report on Climate Change[M]. Beijing: Science Press, 2022.]

[10]
赵凯旭, 王建明, 闫茜, 等. 西安市老城区暴雨内涝模拟及其灾害风险评估[J]. 自然灾害学报, 2023, 32(4): 1-12.

[Zhao Kaixu, Wang Jianming, Yan Xi, et al. Urban waterlogging simulation and its risk assessment in the old area of Xi’an[J]. Journal of Natural Disasters, 2023, 32(4): 1-12.]

[11]
姬兴杰, 丁亚磊, 李凤秀, 等. 不同重现期下河南洛河上游暴雨山洪灾害风险评估[J]. 自然灾害学报, 2022, 31(3): 48-59.

[Ji Xingjie, Ding Yalei, Li Fengxiu, et al. Risk assessment of rainstorm and mountain torrent disaster in the upper reaches of Luohe River in Henan Province at different recurrence periods[J]. Journal of Natural Disasters, 2022, 31(3): 48-59.]

[12]
李国一, 刘家宏, 邵薇薇. 洪涝灾害风险评估与分区研究进展[J]. 水文, 2023, 43(4): 15-20.

[Li Guoyi, Liu Jiahong, Shao Weiwei. Research progress in flood disaster risk assessment and zoning[J]. Journal of China Hydrology, 2023, 43(4): 15-20.]

[13]
刘家福, 张柏. 暴雨洪灾风险评估研究进展[J]. 地理科学, 2015, 35(3): 346-351.

[Liu Jiafu, Zhang Bai. Progress of rainstorm flood risk assessment[J]. Scientia Geographica Sinica, 2015, 35(3): 346-351.]

DOI

[14]
叶翔宇, 郭禹含, 梁廖逢, 等. 川藏交通廊道暴雨山洪灾害风险评估[J]. 自然灾害学报, 2023, 32(4): 48-60.

[Ye Xiangyu, Guo Yuhan, Liang Liaofeng, et al. Risk assessment of mountain torrent disasters in Sichuan-Tibet traffic corridor[J]. Journal of Natural Disasters, 2023, 32(4): 48-60.]

[15]
刘浩龙, 葛全胜, 席建超. 区域旅游资源的灾害风险评估: 以内蒙古克什克腾旗为例[J]. 资源科学, 2007, 29(1): 118-125.

[Liu Haolong, Ge Quansheng, Xi Jianchao. Disaster risks assessment of regional tourism resources: A case study of inner Mongolia Keshiketeng banner[J]. Resources Science, 2007, 29(1): 118-125.]

[16]
王晓峰, 洪媛. 翠华山景区暴雨灾害游客风险感知差异性评价[J]. 西北大学学报(自然科学版), 2017, 47(6): 916-922, 928.

[Wang Xiaofeng, Hong Yuan. Tourists’ rainstorm hazard risk perception and diversity evaluation in Cuihuashan Tourist Attraction[J]. Journal of Northwest University (Natural Science Edition), 2017, 47(6): 916-922, 928.]

[17]
李自强, 席建超, 张瑞英. 滇藏公路沿线旅游安全风险评价[J]. 山地学报, 2022, 40(5): 753-763.

[Li Ziqiang, Xi Jianchao, Zhang Ruiying. Assessment of tourism risk along the Yunnan-Tibet highway, China[J]. Mountain Research, 2022, 40(5): 753-763.]

[18]
Chen Y, Wang Y, Zhang Y, et al. Flash floods, land-use change, and risk dynamics in mountainous tourist areas: A case study of the Yesanpo Scenic Area, Beijing, China[J]. International Journal of Disaster Risk Reduction, 2020, 50: 101873.

DOI

[19]
徐澯, 宫阿都, 包文轩. 基于机器学习的不可移动文物暴雨灾害风险评估: 以山西省为例[J]. 自然灾害学报, 2023, 32(4): 25-35.

[Xu Can, Gong Adu, Bao Wenxuan. Machine learning-based storm disaster risk assessment of immovable cultural relics: A case study of Shanxi Province[J]. Journal of Natural Disasters, 2023, 32(4): 25-35.]

[20]
叶欣梁, 温家洪, 邓贵平. 基于多情景的景区自然灾害风险评价方法研究: 以九寨沟树正寨为例[J]. 旅游学刊, 2014, 29(7): 47-57.

[Ye Xinliang, Wen Jiahong, Deng Guiping. Research on the natural disaster risk assessment in tourist area based on multi-scenarios technique: A case in Shuzheng village of Jiuzhai valley[J]. Tourism Tribune, 2014, 29(7): 47-57.]

[21]
褚万年, 张伟, 吴雪娇, 等. 公众对极端暴雨和洪水灾害的风险感知与保护行为关系研究: 以新疆阿克苏地区为例[J]. 灾害学, 2022, 37(3): 227-234.

[Chu Wannian, Zhang Wei, Wu Xuejiao, et al. Relationship research between public risk perception on extreme precipitation and floods and protective behavior motivation: The case of Aksu region, Xinjiang[J]. Journal of Catastrophology, 2022, 37(3): 227-234.]

[22]
周轶, 陈柳彤, 黄靖玲, 等. 典型降雨情景下北京市十渡镇山洪灾害风险评估[J]. 灾害学, 2021, 36(3): 97-102.

[Zhou Yi, Chen Liutong, Huang Jingling, et al. Flash flood risk assessment in Shidu, Beijing: Under the typical rainfall scenario[J]. Journal of Catastrophology, 2021, 36(3): 97-102.]

[23]
菊春燕, 贾永刚, 潘玉英, 等. 基于分形理论的旅游景区地质灾害危险性评估: 以青岛崂山为例[J]. 自然灾害学报, 2013, 22(6): 85-95.

[Ju Chunyan, Jia Yonggang, Pan Yuying, et al. Geohazard assessment of tourist attractions based on fractal theory: A case study of Qingdao Laoshan[J]. Journal of Natural Disasters, 2013, 22(6): 85-95.]

[24]
Chen J Q, Gao H, Han L, et al. Susceptibility analysis of glacier debris flow based on remote sensing imagery and deep learning: A case study along the G318 Linzhi section[J]. Sensors, 2023, 23(14): 6608.

DOI

[25]
He N, Song Y B, Hu G S, et al. The distribution law and coupling factors of debris flows in the G318 Linzhi-Lhasa section of the Sichuan-Tibet traffic corridor[J]. Frontiers in Ecology and Evolution, 2023, 11: 1166239.

DOI

[26]
彭守璋. 中国1km分辨率逐月降水量数据集(1901-2021)[DB/OL]. 时空三极环境大数据平台, 10.5281/zenodo.3185722.

[Peng Shouzhang. 1-km monthly precipitation dataset for China (1901-2021)[DB/OL]. A Big Earth Data Platform for Three Poles, 10.5281/zenodo.3185722.]

[27]
Fick S E, Hijmans R J. WorldClim 2: New 1-km spatial resolution climate surfaces for global land areas[J]. International Journal of Climatology, 2017, 37(12): 4302-4315.

DOI

[28]
Ding Y X, Peng S Z. Spatiotemporal trends and attribution of drought across China from 1901-2100[J]. Sustainability, 2020, 12(2): 477.

DOI

[29]
温克刚, 詹兆渝. 中国气象灾害大典: 四川卷[M]. 北京: 气象出版社, 2006.

[Wen Kegang, Zhan Zhaoyu. China Meteorological Disaster Encyclopedia: Sichuan[M]. Beijing: China Meteorological Press, 2006.]

[30]
温克刚, 刘光轩. 中国气象灾害大典: 西藏卷[M]. 北京: 气象出版社, 2007.

[Wen Kegang, Liu Guangxuan. China Meteorological Disaster Encyclopedia: Tibet[M]. Beijing: China Meteorological Press, 2007.]

[31]
刘俊, 杨璐瑜, 王胜宏, 等. 气候变化与登山旅游: 基于游客大数据的分析与模拟[J]. 旅游学刊, 2022, 37(9): 141-154.

[Liu Jun, Yang Luyu, Wang Shenghong, et al. Climate change and mountaineering: Analysis and simulation based on tourist big data[J]. Tourism Tribune, 2022, 37(9): 141-154.]

[32]
王红霞, 柳小妮, 李纯斌, 等. 甘肃省近42年降水量变化时空分布格局分析[J]. 中国农业气象, 2013, 34(4): 384-389.

[Wang Hongxia, Liu Xiaoni, Li Chunbin, et al. Spatial-temporal distribution of precipitation in Gansu Province last 42 years[J]. Chinese Journal of Agrometeorology, 2013, 34(4): 384-389.]

[33]
郭凌曜, 廖玉芳, 李晶, 等. 湖南历史风雹灾害序列构建及其变化特征[J]. 灾害学, 2018, 33(2): 122-127.

[Guo Lingyao, Liao Yufang, Li Jing, et al. Construct and variation characteristics of historical gale and hail disasters in Hunan[J]. Journal of Catastrophology, 2018, 33(2): 122-127.]

[34]
Beeco J A, Huang W J, Hallo J C, et al. GPS tracking of travel routes of wanderers and planners[J]. Tourism Geographies, 2013, 15(3): 551-573.

DOI

[35]
袁韵, 徐戈, 陈晓红, 等. 城市交通拥堵与空气污染的交互影响机制研究: 基于滴滴出行的大数据分析[J]. 管理科学学报, 2020, 23(2): 54-73.

[Yuan Yun, Xu Ge, Chen Xiaohong, et al. Study on the interactive mechanism of urban traffic congestion and air pollution: A big data analysis based on DiDi Chuxing[J]. Journal of Management Sciences in China, 2020, 23(2): 54-73.]

[36]
Park S, Yuan Y Q, Choe Y. Application of graph theory to mining the similarity of travel trajectories[J]. Tourism Management, 2021, 87:104391.

DOI

[37]
裘江南, 徐雪冬, 谷文静, 等. 突发公共卫生事件下不同人格特质公众的信息需求比较分析[J/OL]. 数据分析与知识发现, 1-17. [2023-12-04]. http://kns.cnki.net/kcms/detail/10.1478.G2.20230919.0918.002.html.

[Qiu Jiangnan, Xu Xuedong, Gu Wenjing, et al. Comparative analysis of information needs of public with different personality traits under public health emergencies[J/OL]. Data Analysis and Knowledge Discovery, 1-17. [2023-12-04]. http://kns.cnki.net/kcms/detail/10.1478.G2.20230919.0918.002.html.

[38]
杨云佳, 史兴民. 基于微博大数据的“一路象北”事件社会感知与时空格局研究[J]. 地理与地理信息科学, 2023, 39(4): 10-16.

[Yang Yunjia, Shi Xingmin. Social sensing and spatio-temporal pattern of “elephants wandering north” event based on micro-blog big data[J]. Geography and Geo-Information Science, 2023, 39(4): 10-16.]

[39]
McInnes L, Healy J, Astels S. Hdbscan: Hierarchical density based clustering[J]. The Journal of Open Source Software, 2017, 2(11): 205.

DOI

[40]
HDBSCAN. How HDBSCAN Works[EB/OL]. (2023-09-10). https://hdbscan.readthedocs.io/en/latest/how_hdbscan_works.html.

[41]
陈科. 旅游可持续发展与土地可持续利用耦合协调研究: 以四川省德阳市罗江区为例[D]. 成都: 四川大学, 2019.

[Chen Ke. Research on the coupling coordination between sustainable tourism development and sustainable land use[D]. Chengdu: Sichuan University, 2019.]

[42]
刘俊, 彭聪, 于书逸, 等. 成都市酒店时空分布及其影响因素研究[J]. 地域研究与开发, 2022, 41(6): 55-61.

[Liu Jun, Peng Cong, Yu Shuyi, et al. Spatio-temporal distribution of hotels and its influential factors in Chengdu city[J]. Areal Research and Development, 2022, 41(6): 55-61.]

Options
文章导航

/

〈 〉