旅游研究中的图像研究进展与展望

陈雪 张宏磊 徐一帆 夏馨颖 田原 杨玲玲

[摘    要]移动互联网和大数据时代产生了规模巨大、信息多元的图像数据。超越语言障碍的图像内容以及图像所携带的包含时间、地理及文本等信息的元数据，不仅为当代旅游研究提供了广泛的数据来源，也带来了一些新的研究内容与视角。文章系统综述了旅游研究领域中的图像研究进展，从数据源角度将图像数据分为官方发布图像、志愿采集图像、用户生成图像及专业分析影像4种类型;研究方法上，随着计算机及人工智能技术的突飞猛进，图像分析方法从传统视觉内容分析拓展至算法辅助内容分析、同质结构聚类分析、关联规则挖掘分析等计算机辅助方法;研究内容上，随着图像所包含多元数据的深入挖掘，形象感知、环境评价、主客关系、旅游规模以及时空行为等图像研究议题不断涌现。随着5G技术这类信息化技术的发展，可以展望未来旅游研究中图像研究将出现如下转向：（1）共享数据研究饱和情境下对时空模式机制的探讨;（2）视觉分析应用广泛情境下对旅游符号体系的建设;（3）信息技术发展迅猛情境下多源数据协同以及对视频数据的挖掘。

[关键词]图像分析;目的地形象;时空行为;环境评价;主客关系

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2021）03-0127-14

Doi： 10.19765/j.cnki.1002-5006.2021.03.015

引言

不论在社会学研究还是管理学研究中，文本数据一直占据着研究数据源的核心位置。图像的模棱两可和多义性，使其难以被量化，往往是为了打破文本资料的单调，使用图像作为传统研究数据和形式的相应补充[1]，或者将图像作为一种辅助材料，启发被试者以促成后续访谈[2]。一方面，图像展示的是客观事物，这使得其在科学研究中得到广泛的运用;另一方面，图像代表了特殊的时空瞬间，反映了拍摄者的主观选择[3]，所以随着摄影技术的普及，以图像为数据源的研究开始走上人文社科研究的大舞台。

旅游活动是世界范围内的流动现象，在产生经济、社会文化及环境效应的同时也产生了海量的图像及图像信息。目的地营销人员可以借助旅行手册和明信片中的图像素材吸引世界各地的人们，游客也可以利用相机随时随地记录着其对目的地个性化的凝视[4]，并通过互联网同世界各地的人们分享旅行见闻。这样看，图像可以有效表征目的地形象，且相比于文本数据，图像是传达目的地情感形象更有效的媒介[5]。随着GPS嵌入式设备等全球定位设备的普及，图像进一步增加了时间信息、地理信息以及文本信息等多元信息，这为游客时空行为研究提供了新的数据来源与研究视角[6]。

随着信息技术的发展，图像数据呈现量级的提升，传统的视觉内容分析以及符号学分析已难以胜任，而以迅猛发展的人工智能技术为代表的计算机辅助技术则可以高效、多元地处理海量图像数据[7-8]。因此，近年来图像研究大量涌现，对现有研究进行总结与梳理有助于引导未来旅游图像研究发展，但涉及图像研究整体性综述的文章鲜见[9]。同时，图像研究不应该局限于社会学中对话语权力以及凝视偏见的讨论[3]，一些专业图像如卫星遥感图像、航拍图像和街景图像为旅游供给侧研究提供了大尺度、长时间的研究数据源，可用于分析城市旅游目的地的视觉质量与可步行性[10]，评估生态旅游中的环境承载力、植被覆盖率[11]，也应纳入图像研究整体框架中。本文以“photo”和“touris*”为关键词，在Web of Science核心数据库和CNKI核心期刊中进行搜索，经过整理与补充得到1983—2020年3月间共351篇英文文献和79篇中文文献。本文将重点从数据来源、研究方法、研究内容3个方面对旅游领域中的图像研究进行系统性综述，涉及旅游营销、旅游规划、城市/生态及环境评估等系列热点议题，以期对以图像为数据源的旅游研究提供多视角多方位的研究思路。

1 数據来源

旅游中的主观图像一般是由目的地营销团队拍摄或游客拍摄产生的，反映了个人的偏好，研究者可以通过目的地宣传资料以及社交媒体平台获取。涉及旅游目的地空间研究时，客观图像则由专业仪器拍摄并转换为数字图像，研究者需要通过相关的商业平台或共享平台获取。本研究按照图像产生与获取方式的不同，将图像数据分为官方发布图像、志愿采集图像、用户生成图像及专业分析影像四大类。

1.1 官方发布图像

图像是旅游目的地营销重要的媒介途径，它以“最好的视角”反映了旅游地自然资源和人文资源。在大众旅游时代，目的地营销者们靠旅游手册、明信片构建出特定的地方形象，吸引世界各地的人们[12]。随着网络时代的来临，官方网站及在微博、微信、Facebook等平台上的目的地官方账号一定程度上替代了旅游手册的功能，在互联网时代继续充当目的地图像创造者、官方图像发射器的角色。经由专业人员层层筛选、讨论、发布的目的地图像，因其反映了群体意象，使研究者可凭借这些图像探究旅游目的地的视觉表征特点[13-14]，分析旅游目的地的形象及其变迁[15]。官方发布图像是旅游地市场营销的正式途径之一，但其在表征目的地形象时可能被美化，目的地重要资源元素可能会被组合在一张明信片或是一副图像中[16]，因此研究者在图像收集时会借助旅游展销会、旅行社或大型综合平台等多种途径[17-18]，以防止图像重复或信息重复。

1.2 志愿采集图像

志愿采集图像（volunteer-employed photography，VEP）作为一种表征参与者观点的可视化手段，是一个强大的数据收集和分析工具。参与者被问及类似该地区的主要资产等相关问题时，通过拍摄资产图像并在日记中讨论的形式给予回答。在获取数据的过程中，研究者不仅需要邀请游客或居民拍摄同研究主题相关的照片，经由他们自行删除、选择后交回约定数量的“作品”，还需参与者完成以下两个步骤：（1）填写问卷，包含人口统计学以及喜欢/想要改变的地方等问题，以此建立研究者与参与者间的联系[19];（2）提供照片日记，即每张照片的主要特征（参与者认为图像中包含的内容）以及拍摄原因（参与者认为图像传达出的内容）。研究者也可通过访谈的形式获取对志愿采集图像的补充信息[20]。相较于其他几类图像类型，因其需要给志愿者提供相机且需要与拍摄者建立良好的沟通关系，志愿采集图像的获取成本高、样本量小，但在个体维度挖掘程度较深。

通过分析志愿采集图像可以：捕捉利益相关者对目的地旅游发展的感知与态度[21-22]，为地方一级的旅游规划提供重要信息;挖掘群体意象，获取游客对目的地的感知形象[23-24]，对比运营方期望构建的旅游形象，有效促进旅游营销;进行景观生态学等景观评价工作，如测量不同景观的相对重要性[25]、理解景观美学[26]及研究自然和文化景观元素对游客整体体验的影响[27-28]。

1.3 用户生成图像

由于智能手机以及移动互联网的普及，游客们在旅行中可以随时通过镜头记录，并将自己的旅行见闻自发呈现在大众传播媒介（如微博、Facebook、Flicker等）和旅游虚拟社区（如TripAdvisor、携程、马蜂窝等）上，形成用户生成图像内容。

最初，研究者们仅研究图像本身所包含的内容要素，进行旅游目的地形象构建以及旅游凝视下的主客关系分析。随着大数据时代的到来，嵌入在图像中的元数据受到更多重视。相较GPS轨迹和社交媒体文本数据，图像及其包含的地理信息、文本信息等信息可以有效地对地理位置及位移进行识别[29]，也可以对一些重要节点事件信息进行提取[30]。旅游研究中有价值的用户生成图像元数据包括：用户相关信息（如照片ID和用户ID等）、时间信息（拍摄日期和上传日期等）、地理信息（地理位置、经纬度信息等）和文本信息（标题、描述和标签等）。对某一种或某几种用户生成图像元信息的分析给旅游研究带来了一些新的研究视角与途径，如分析带有时间信息和地理信息的图像可以分析游客访问地点和顺序的时空轨迹[31]，有效识别旅游热点区域[32]、推荐旅行路线和计算旅行持续时间[33]，元数据中的文本信息则有利于研究者探究旅游目的地认知形象[34]。

用户生成图像数据量庞大、维度丰富，Flickr、Panoramio和Instagram等平台是旅游研究中常用的数据源[6]，研究者可以通过这些平台提供的应用程序接口（application programming interface，API）获取用户生成图像集。其中，Flickr拥有大量的旅游照片，且由于发布时间相对较早（2005年），其平台图像数据是当前旅游图像研究中最重要的数据源[33，35-39];Panoramio关注地方和风景图像，可通过Panoramio网站或Google Earth或Google Maps获   取[32，40-42];Instagram当前图像数据流量巨大，也得到越来越多研究者的关注[43-45]。除此之外，Facebook等社交平台在尊重用户隐私的基础上也支持人工筛选和收集用户生成图像数据[46]。随着平台多样化趋势，同一研究内容的平台数据差异研究[47]、同一案例地的多平台交互验证研究[48]、不同图像共享网站上重叠用户的行为比较研究[43]都成为旅游研究中一些独特的研究视角。

1.4 专业分析影像

旅游景观评价与环境评估研究以往主要依靠专家打分、游客受雇拍摄评价等方法进行[49]，且评价或评估区域空间尺度较小。随着专业传感器技术的发展，经由专业设备采集，并通过特定算法转换生成的专业分析影像数据大量涌现，包含高分辨率航拍图像、遥感图像、街景图像及3D城市建模影像等，这些专业分析影像数据极大地促进了大尺度、历时性的旅游景观评价与环境评估。

无人机航拍获取的高分辨率光学图像数据及遥感图像，通过特定算法（如随机森林）处理，可用于植被类型识别[50]、动物栖息地环境分析[51]等研究。在旅游领域当中，Rodella等用航拍图像收集海岸线位置、海滩尺寸、海滩的可达性和服务设施数量等信息，辅助以问卷调查结果用于评估目的地的环境承载力[11]。街景图像用“街景车”拍摄，以行人视角记录城市街道层级上的人造景观与自然景观，反映了丰富的城市基础设施，精细地记录了如道路平整度、建筑立面视图、街道的连续性、天空的开敞度、植被的覆盖度、行人与交通等信息，可用于街道空间的视觉质量评价[52-53]、城市街道安全性评估[54-55]、街道人口信息统计[56]、街道可步行性分析[57]和绿化程度测度[58]。静态的街景图像可通过地图商提供的API接口免费下载，目前研究常用的数据有：谷歌街景地图（Google Street View）、腾讯街景地图（Tencent Street View）和百度街景地图（Baidu Street View）。谷歌街景是最主要的研究来源，拥有最全面的全球街景数据;腾讯和百度街景地图特色则为中国城市数据，现已覆盖了国内大多数城市[10]。

2 研究方法

基于研究目标与研究手段的不同，本文将相应的研究方法分为传统视觉内容分析、算法辅助内容分析、同质结构聚类分析和关联规则挖掘分析4类。

2.1 传统视觉内容分析

图像的视觉内容包含有清单内容和潜在内容两种类型。清单内容是图像中所描述的所有元素（符号），如自然景观、建筑、人群等;潜在内容则是图像中的内容及其迹象，蕴含着特定图像之外的含义。内容分析是研究目的地清单内容最主要的“定量”方法，而解码图像的潜在内容更多地依靠符号学、批判性话语分析等技术[59]。

内容分析一般遵循一定的规则与程序，对图像中视觉的基本元素进行编码与统计分析，可以重复操作且可有效地處理大量图像[60]。值得注意的是，内容分析倾向于假设出现频繁的要素，较出现次数少的要素重要，这有助于寻找旅游目的地具有高关注度的视觉元素，发掘游客兴趣点并为旅游营销带来新举措。但即使通过最全面和详细的内容分析，也不能完全确定“一组特定图像的象征意义”[16]，对结果进行阐释时还需要仔细思索图像产生的意义，探究其背后的成因与“不可见”的他者，这依赖于更深层次的质性分析方法。

符号学分析为发现图像含义提供了一个框架，它以深入的个案研究方式呈现研究过程与结果，已在广告和营销学领域广泛应用。符号学分析主要通过辨别图像中的符号种类（图像、指示或象征），分析符号“自身”指称含义，挖掘“自身”与其他符号是如何关联的（转喻或换喻），最后将符号与宏大意义系统进行相关联结[61]。一张图像是隐喻性和转喻性的结合，通过对比可以发现以重复的方式将特定元素链接在一起的重要结构，以及这些结构是如何编码并产生一系列的含义。图像中的文字与相关信息也可以帮助理解图像中的符号[60]。符号学分析主要局限性在于无法解释某些图像是如何被常规化的，或者它们为什么会在特定的背景下出现[16]。批判性话语分析则可以为解释特定旅行图像的内容、组成和含义提供必要的语境基础，可以用于回答“图像用途是什么，图像是如何常规化的”等重要问题[16-17]。目前旅游图像研究中学者们往往停留在找出频繁出现的视觉元素阶段，较少研究涉及如后殖民理论的批判性诠释等更深入的图片视觉分析内容[12，18，62]。

2.2 算法辅助内容分析

传统视觉分析在很大程度上取决于人工解释，因此研究被限制在相对较小的样本量内。然而，步入大数据时代后研究中分析的图像数量动辄上千甚至以万为单位，因此基于计算机算法的分析方法开始兴起[34]。以往研究者基于计算机程序将图像元数据中的文本标签进行提取与分类，以此实现图像内容的读取[63]，而计算机视觉则可以针对图像本身进行海量图像的自动化识别。

计算机视觉是机器学习在视觉领域的应用，主要用于旅游研究中的图像分割和分类问题。分割是将整个图像分成一个个像素组，然后对其进行标记和分类。其中，语义分割需要在语义上理解图像中每个像素的角色（比如，识别它是天空、绿地、行人、汽车还是其他的类别）。而图像分类则是针对图像整体判断其所属类别。无论是分割还是分类，都需要建立模型对目标进行判别。传统的计算机视觉识别方法是将特征提取和分类器设计分为两步来做，通过尺度不变特征变换（scale-invariant feature transform，SIFT）、方向梯度直方图（histogram of oriented gradient，HOG）等特征算子提取特征，再将该特征放入如随机森林、支持向量机等学习算法中进行分类学习[64-65]。而后这些特征和特定分类器组合形成的可变形部件模型（deformable part model，DPM）则可以进行多视角的目标检测[56]。最近基于深度学习的计算机视觉识别方法则是基于卷积神经网络（convolutional neural networks，CNN），如YOLO、ImageNet、SegNet、DeepLab等，通过大数据标记和训练更加精准地实现目标识别。研究者可以借此识别街景图像中的街道、建筑、天空比例从而评估街道的视觉质量[53]，检测照片中的人脸并根据其面部表情提取人的情感信息从而评估目的地状态[66]，甚至可以突破已有图片自动化分析方法对图片自带文本信息的依赖，提取海量图像中内容和情感关键词以此识别目的地的认知和情感形象[67]。

2.3 同质结构聚类分析

聚类分析旨在找寻数据间的内在属性、结构和信息，以此将相似样本划分在一起。针对用户生成图像中所包含的如位置、时间等元数据信息，聚类分析可以用于旅游地的空间维度[35-36，66]、旅游活动的时间维度[33，42]、旅游景点的特征维度[36]和游客来源的用户维度[66]等方面的研究，找到热点地区、热门时间段、景点特征以及热门客源地。除此之外，研究者也可以通过如SIFT等图像特征检测算法提取图像独特特征，使用聚类将相似图像进行分组，以此找到最有吸引力的目的地地标[69-70]。

常用的聚类方法分为基于质心、基于密度和基于连通性3种[6]。基于质心的K均值（K-means）方法是旅游图像研究中的常用方法[71-72]，然而该方法手动定义了固定数量的群集，部分组间差异会被忽略[36]。因此，一些研究在寻找热点地区时使用均值平移算法来代替基于固定值的方法[73]，依靠样本的概率分布来检测聚类，基于规模的估计可以对吸引不同数量游客的城市提供一些可比的结果[71]。此外，K均值方法需要穷举搜索才能找到最佳的聚类中心，这在数据丰富的环境中效率较低。相比之下，基于密度的聚类即使在存在噪声点（即不属于任何群集的点集）的情况下也能有效地过滤异常值，且可以检测地理边界的真实形状，适宜在大数据情境下查找地理空间聚集[33，36，66]。具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise，DBSCAN）及其拓展算法模型已被开发并广泛应用于旅游图像聚类研究中[36-37，66，74]。基于密度的聚类算法因为无法通过固定的邻域半径来解释不同密度的聚类，研究者进一步地引入基于连通性的聚类（又称层次聚类）及更高阶的方法来解决多密度聚类问题[29，41，75]，如使用图像元数据将同一位游客参观过的城市分组[38]，从多用户的移动中提取相似的旅行轨迹[41，73]，以此建立聚类的层次结构。

2.4 关联规则挖掘分析

研究者通过相应模型的构建，挖掘数据间的关系规则，以此实现图像的空间关联分析、文本关联分析以及与其他数据的关联分析。除了传统的空间相关分析方法外[76-77]，马尔可夫链是一种处理顺序信息的概率模型，通过计算上一个节点向下一个特定节点转移的可能性，研究者可以基于游客的当前位置预测其可能前往的下一个旅游景点[31，71，78]。关联规则挖掘则旨在量化X的出现对Y的出现有多大的影响，研究者既可以得到游客兴趣点在地理位置和时间段上的共现情况，以此归纳游客的旅行模式[33];又可以找寻图像属性、旅行动机与游客对目的地情感态度间的关联规则，以此帮助营销者们选择最能吸引游客的图像[79]。除此之外，研究者还可以使用朴素贝叶斯等监督学习模型，建立目的地认知形象和情感形象的对应关系，找寻能够激发游客相应情感的最优图像[34]。

3 研究内容

基于图像的目的地形象和游客行为研究是当前旅游研究领域的热点议题，相关内容已得到广泛挖掘。与此同时，对旅游者规模的统计、对目的地环境质量的评价以及对东道主与旅游者间主客关系的讨论也引发了诸多学者的关注。本文从旅游主体、旅游客体以及人地关系的角度将旅游领域中的图像研究分为旅游规模研究、时空行为研究、主客关系研究、形象感知研究以及环境评价研究5大类。

3.1 旅游规模研究

社交平台的目的地图像数量往往被认定与实际游客规模具有极高的相关性，可以一定程度上表征实际游客规模，一些研究已在不同空间尺度上证实了这种相关关系。从区域尺度上，?nder等使用Flicker的图像元数据判定游客数量，与奥地利國家旅游局统计的过夜住宿数据进行相关分析，发现城市一级的Flickr数据提供了比地区级更好的实际游客人数表征[80]。Kádár从城市尺度以及景点尺度对比Flicker图像数据与从TourMIS获取的官方游客统计数据，表明图像数据中获取的游客数量与官方统计数据具有关联性，在景点尺度上，相较于售票数量等官方统计数据，上传图像的用户数量与实际人数具有更强的相关性[81]。在时间尺度上，Sessions等发现在公园中月度图像数量可以可靠地指征给定月份中公园的游客数量[82]。可以看出，上传至社交平台的图像真实地反映了一个地区的旅游需求，可以在一定程度上代替传统统计方法[83-85]，特别对于没有门票的景点，统计游客数量时使用图像对景区管理来说变得格外重要。针对街道尺度，还可以借助计算机视觉技术，通过图像来识别行人，统计游客流量，为景点规划和交通管制提供帮助[86]。

3.2 时空行为研究

传统的旅游者时空行为研究中，研究者通过问卷调查、发放GPS定位器的方式采集数据来探索游客在特定空间内的移动轨迹[87]。其局限性体现在：问卷调查无法提供精确的游客时空数据，GPS技术虽可弥补这一点，但大多数利用GPS定位器采集轨迹的研究样本量较小，且多集中在有边界的景点尺度。大数据的出现弥补了这些局限，它可以提供大量的时空数据信息，有效地扩展和补充传统的数据源，使多个目的地的比较成为可能[76]。除签到数据、文本数据外，上传至社交平台的图像元数据中包含大量地理空间信息，成为当前游客时空行为研究的热门数据来源之一[32]。

图像在空间上的富集一定程度上反映了游客的关注度和兴趣度，可以用来评估游客的时空行为和空间偏好。基于此，通过图像聚类分析，研究者可以识别游客感兴趣的热门景点[75-76，88]，得出目的地热门时段[33，88]，分析群体的空间偏好[77]。此外，不同天气情景下的旅游热点分布规律[39]、不同来源国游客的空间偏好[77-78]以及节事对游客空间分布影响[35]等差异化空间分布规律也经由图像研究所揭示。

除静态的空间分布特征外，图像研究也可以应用于游客时空轨迹的研究。一般来说，游客在移动时不拍照，在看到吸引他们的东西时才拍照，或是不上传没有吸引力的图像，因此图像轨迹代表着游客在重要位置间的时空迁移[89]。研究者可以通过具有顺序的图像元数据，分析旅游者在连续节点（兴趣点）间转移的概率和方向，提取旅游流的空间特征[31，78]，挖掘游客的旅行模式[41，73]，总结城市的热门旅行主题[90]，为旅游市场营销提供依据。进一步地，通过图像可以获取用户特定的旅行偏好，依据时间限制、当前地点及游客兴趣等生成旅游地点推荐[71，91]，为游客定制个性化旅游线路推荐系统[37，42]。

从空间尺度上看，研究者一般使用图像数据在单个城市范围内分析游客的时空轨迹[75，78，89]。但也有一些学者利用覆盖较大区域（例如国家/地区）的图像数据来研究区域内的多目的地旅行模式，如?nder通过分析前往奥地利至少两个不同城市的游客的地理标签图像，判断游客的旅行模式是单一型、基地型还是周游型，从而为旅游产品设计及区域交通规划提供决策帮助[38]。小尺度空间如景区尺度除针对面积广阔的生态保护区[81]以外，基于图像的游客时空行为研究还较少，有待进一步加强。

3.3 主客关系研究

照片不仅可证明游客的目的地到访行为，也可以构建记忆[92]，除人地关系外，主客关系也对记忆有很强的影响。与当地人进行深层次交流以形成更佳的主客关系，拍照不失为一种开启交流的好方法[93]。Cohen等认为有必要研究摄影师与摄影对象在旅行中的互动[94]。摄影内容反映了游客选择在目的地看到的景象。通过分析照片的特征，我们可以深入了解游客对东道主的态度[95]。Nikjoo和Bakhshi从Facebook上收集了国际游客前往伊朗旅行的照片，在这些照片中检查游客和东道主的存在关系：主客是单独出现还是同时存在？只有游客或是只有当地人时，人物形象是图像的核心还是融在整个大背景中成为点缀？同时通过照片中人物的位置、姿势、表情分析了游客和东道主之间的关系[46]。但Bourdieu和Whiteside认为游客只是想拍他们认为应该要在目的地拍的那种照片[96]，在某种程度上，相机是获得真实和纯粹旅行体验的障碍[97]。在旅游凝视理论中，大众媒体有提前塑造游客凝视的作用，宣传材料对游客的认知产生影响，游客倾向用自己的相机拍摄类似于他们想象中的照片[16]，如国际游客在拍摄伊朗当地人的照片时，特别是肖像照片，更愿意选择外表看起来更“本地化”并契合他们认知中当地社会环境的人，当地人在图像中变为具有特定意象的存在。基于图像的主客关系研究，可以更好地挖掘旅游研究中的刻板印象、话语权力等深层次的跨文化研究内容，还可以跨越语言障碍感受不同时代背景下目的地居民对客源国国民形象认知的变迁。

3.4 形象感知研究

独特且有吸引力的旅游目的地形象对旅游营销至关重要，如何给潜在游客留下良好的第一印象，旅游目的地营销组织（destination management organization，DMOs）通常借助图像这一强有力的传播媒介，挑选、投射、营造目的地的理想形象，跨越语言并不相通的地区，通过旅行手册、旅行指南、明信片以及一些目的地官方网站与平台传递给受众，吸引全球旅行者。但这种基于图像的理想化的形象构建具有一定的缺陷，如Hunter分析了来自21个目的地旅游手册和指南里的图像，发现目的地形象包含4种主体（没有人、仅主人、仅限客人以及主人和客人）在4种空间（自然景观、耕地景观、遗产和物质文化以及旅游产品）中生活，21个目的地的视觉表征特征具有高度一致性，这对目的地形象表现方法的多维性提出了挑战[17]。

目的地营销组织所投射出的目的地形象会深刻影响游客的感知，从而形成“表征圈循环”现象[4]。具体来说，就是受官方营销图像影响的游客抵达目的地时，这些行前感知会有意无意地指导他们寻找那些已经在媒介上见到过的、有地方特色的景象，游客拍摄图像后再向别人宣传。有学者对比了游客拍摄的照片与明信片上展示的图像在目的地形象表征上的异同，发现游客照片确实倾向于复制旅游业为当地创造的视觉图像[98]，但在表现手法上存在差异，游客照片更為真实与具象[99]。此外，探索型游客拍摄的图像也可能会影响后续游客的感知[13]，这也属于“表征圈循环”的表现。

除了探讨目的地的认知形象外，研究者还基于图像数据挖掘目的地的情感形象，并寻找认知形象与看图者情感间的对应关系，以期从观众的角度选择照片元素，协助目的地营销人员挑选出符合目标市场的宣传图像[59，63，79]。基于图像的不同客源地游客对于同一目的地形象感知的差异研究也是图像研究的一种独特视角[100]，如邓宁等发现不同文化群体对北京的形象感知具有相似性，但在文化艺术、人物和食物方面拍摄内容差异较大，并且中国港澳台旅游者比英美旅游者表达出了更多的消极情感，这有助于目的地营销者了解细分市场下旅游者对目的地的偏好，以此制定相应的营销策略，激发潜在游客前往目的地旅游的意愿[67]。

3.5 环境评价研究

旅游活动是在特定空间内进行的，地理环境质量影响着游客体验，如何对特定空间相关地理环境属性进行有效評价是旅游研究中重要问题之一。通过图像识别，可以有效提取其中所包含的地理特征，进而实现对目标环境（如城市街区、自然生态区等）的物理环境评价、社会环境评价和美学环境评价。

物理环境评价一般包括对地形地貌、植物、动物、水文、土壤等自然物理环境以及道路交通、房屋建筑、基础设施等人工物理环境的评价，如利用航拍图像对植被覆盖度[50]、栖息地环境适宜性进行评估[51];利用街景图像评估城市邻里环境紊乱水平、研究十字路口的设施建设水平与人身安全间的关系[55]等都有助于对目的地环境进行综合评估。社会环境评价可以实现相应地区的人口识别与统计，如通过图像识别社区的车辆类型以及位置数据，来分析社区的人口构成[56];识别街道上的行人，以此实现城市行人计数[101]，为旅游流研究提供技术支撑。此外城市可步行性[57]、城市安全感[54]等评估都可以有效地帮助游客完成对目的地的评估。审美体验是旅游体验中重要的组成部分，使用图像研究的美学环境评价则主要集中在解析图像的颜色构成来评估公共环境的绿视率（即人眼所见物体中绿植所占的比例）[102];通过绿化、天空开敞度、街道墙的连续性和横截面比例等代表性元素评价街道空间视觉质量[53，103]等议题。

4 结论与展望

移动互联网和大数据时代，图像不仅是旅游研究中的重要的数据和资料来源，也成为了一种视角独特的研究手段。本文针对近些年蓬勃发展的图像研究，系统性综述了其在旅游研究中的进展。本文首先从数据源角度对图像数据类型做了综合性分类，将图像数据分为官方发布图像、志愿采集图像、用户生成图像及专业分析影像4大类，其中用户生成图像是当下旅游研究中的主要图像数据来源;其次本研究介绍了图像研究中的传统视觉内容分析、算法辅助内容分析、同质结构聚类分析和关联规则挖掘分析4类方法，并对旅游图像研究中的时空行为、形象感知、环境评价、主客关系以及游客规模等内容作了系统性总结与框架梳理。

从当前研究看，图像已成为一类新兴且强大的数据源，其不仅包含了内涵丰富的视觉内容数据也包含如地理信息、时间信息、评价信息等诸多附加元数据信息，在识别目的地热点区域与游客时空轨迹，解读目的地想象和表征，评估目的地物理、社会、美学环境价值，评估和预测游客规模等方面展现了比传统数据类型更多元化的视角，在统合地理空间与情感认知上具有巨大的挖掘潜力。与此同时，旅游研究中的图像研究也经历着由建构主义理论主导向建构主义与实证主义理论并存的转型。早期研究中，图像所反映的目的地形象构建以及其背后的社会内涵是研究者关注的焦点。这体现在具体旅游活动中，初始阶段图像作为旅游体验内容中至关重要的一环，游前向受众传达特定话语体系下所投射出的目的地形象;游中作为一种主观的时空定格和创作形式，代表着游客对地方的凝视;游后作为一种记忆的象征，游客在回顾过去旅游体验的同时也向他人传递其感知到的目的地形象。所以，旅游凝视、表征圈循环等旅游社会学理论以及MacCannell等学者关于旅游体验、旅游动机的理论在这个阶段被广泛应用。而随着图像数量级的指数增加和数字化的快速发展，除原有的建构主义理论应用外，图像作为一种客观数据的存在，也被广泛应用于客观环境因素的测度、时空分布与流动等经验现象的挖掘，体现了强烈的实证主义研究色彩。在这类实证主义研究中，一些地理学和消费者行为学理论被学者采纳应用并加以发展，如集聚-扩散理论、核心?边缘理论等地理学理论为研究图像数据的空间分布提供了理论基础;旅游者空间行为理论、旅游流等理论则可以帮助理解图像所揭示出的旅游地域系统内部人?地关系及各要素间相互作用的过程和机理;旅游资源、旅游环境与生态旅游理论作为理论基础则可以衡量和评估图像数据所反映出的与旅游活动密切相关的地理事物与环境要素，以促进旅游可持续发展。

虽然图像研究潜力巨大，旅游研究中图像研究进展迅速，但当前图像研究仍然存在一些挑战，也给未来的研究带来无限机遇，具体体现在：

（1）共享数据研究饱和引致研究重复。以Flicker等网站数据开展的研究已经趋于饱和，面临着数据源一致及方法相似等制约因素，极易发生研究重复问题。研究者当前多在进行区域案例的对比研究，如何进一步地使用“类”开源数据可以从以下方面开展研究探索：第一，当前研究以市域尺度的游客空间分布为主要研究内容，未来可以将空间尺度从城市上升到省域、大区域、国家及国际，借鉴远程耦合框架，从研究游客流动的局部现象转换到探讨远距离相互作用的可持续性问题，结合图像视觉内容及评论数据探讨以旅游为媒介的文化和政治交流、信息传播、货币流动等议题[104];第二，由于图像大数据自身性质，当前图像研究专注于时空现象描述，缺少对时空机制的探究，未来研究可以对图像数据进行突发事件的侦测，增强与其他多源数据的整合，深入分析影响旅游流集聚与扩散的影响因素与机制[105];第三，当前旅游图像研究大多关注“是什么”的问题，未来可以反向思考，通过分析目的地的地理标签图像来探寻每个城市独一无二的视觉线索[106]，解决“什么是”的问题。

（2）图像视觉分析亟需旅游符号体系。当前对视觉要素的分析，旅游学者基本完成了对旅游要素（人、物、景）的提取与统计，并以此揭示游客的关注点。进一步的研究可以分析图像中的旅游要素符号，对要素符号的历史渊源和主导意识形态展开分析[107]。通过对传达特定含义的要素符号进行总结与归纳，可以建立专属于旅游领域的符号体系，为现有的旅游目的地品牌营销提供新思路[59]。社会学中常用的精神分析、话语分析、民族志等方法[60]，未来也可以引入旅游图像研究中，深层次地挖掘图像背后存在的广泛社会联结，揭示游客自我构建的心理学机制问题以及涉及全球、全行业的话语权力问题，这都将持续推进旅游图像研究的发展。

（3）信息技术进步推进多源数据整合。虽然用户生成图像被广泛使用，但用户生成图像数据源本身的局限性，如群体偏好、场所限制、信息制约等可能会削弱其在定量分析中的准确性。研究可通过多源数据源协同处理来弥补部分样本信息的缺陷，更全面地揭示游客的行为与偏好。同时随着5G技术的到来，移动设备传输速率与容量大幅度扩大，全球将进入视频技术蓬勃发展的时代，研究者对于视觉材料的分析也将会从“截面数据”转向“面板数据”[108]。GeoVideo包含的空间属性（视频拍摄的纬度和经度），协同拍摄视频的视图方向以及摄像机的角度，可以帮助研究者探究用户视图的方向，深入挖掘兴趣区域，识别新的轨迹模式[109]。此外，移动端口的虚拟现实技术、增强现实技术等特殊图像类型也给游客的旅游体验带来了多维度的转变，使得旅游活动的多维感官评价成为可能。

参考文献（References）

[1] HANSEN A S. Testing visitor produced pictures as a management strategy to study visitor experience qualities—A Swedish marine case study[J]. Journal of Outdoor Recreation and Tourism， 2016， 14： 52-64.

[2] MATTEUCCI X. Photo elicitation： Exploring tourist experiences with researcher-found images[J]. Tourism Management， 2013， 35： 190-197.

[3] BALOMENOU N， GARROD B. Photographs in tourism research： Prejudice， power， performance and participant-generated images[J]. Tourism Management， 2019， 70： 201-217.

[4] URRY J. The Tourist Gaze[M]. London： Sage publications， 2002：1-15.

[5] MAK A H N. Online destination image： Comparing national tourism organisations and touristsperspectives[J]. Tourism Management， 2017， 60： 280-297.

[6] LI J， XU L， TANG L， et al. Big data in tourism research： A literature review[J]. Tourism Management， 2018， 68： 301-323.

[7] FORSYTH D A， PONCE J. Computer Vision： A Modern Approach[M]. Upper Saddle River： Prentice Hall， 2002：401-435.

[8] 周志华.机器学习[M].北京：清华大学出版社，2016： 97-217. [ZHOU Zhihua. Machine Learning[M]. Beijing： Tsinghua University Press， 2016： 97-217.]

[9] 王丽.基于地理标签照片的国外旅游研究述评与展望[J].现代城市研究， 2018（8）：123-130. [WANG Li. A review of foreign tourism research based on geo-tagged photos[J]. Modern Urban Research， 2018（8）：123-130.]

[10] 张丽英，裴韬，陈宜金，等.基于街景圖像的城市环境评价研究综述[J].地球信息科学学报，2019，21（1）：46-58. [ZHANG Liying， PEI Tao， CHEN Yijin， et al. A review of urban environmental assessment based on street view images[J]. Geography and Geo-Information Science， 2019，21（1）：46-58.]

[11] RODELLA I， CORBAU C， SIMEONI U， et al. Assessment of the relationship between geomorphological evolution， carrying capacity and users perception： Case studies in Emilia-Romagna （Italy）[J]. Tourism Management， 2017， 59： 7-22.

[12] MARKWICK M. Postcards from Malta： Image， consumption， context[J]. Annals of Tourism Research， 2001， 28（2）： 417-438.

[13] 黄燕，赵振斌，褚玉杰，等.互联网时代的旅游地视觉表征：多元建构与循环[J].旅游学刊，2015，30（6）：91-101. [HUANG Yan， ZHAO Zhenbin， CHU Yujie， et al. The visual representation of tourism destinations in the Internet era： Multiple constructions and circulations[J] Tourism Tribune， 2015， 30（6）：91-101.]

[14] 戴光全， 陳欣. 广州上下九的视觉表征分析——以互联网营销图片为例[J]. 人文地理， 2010（5）：148-153. [DAI Guangquan， CHEN Xin. The visual representation analysis of Shangxiajiu street in Guangzhou city. [J] Human Geography， 2010（5）：148-153.]

[15] ESPELT N G， BENITO J A D. The social construction of the image of Girona： A methodological approach[J]. Tourism Management， 2005， 26（5）： 777-785.

[16] ALBERS P C， JAMES W R. Travel photography： A methodological approach[J]. Annals of Tourism Research， 1988， 15（1）： 134-158.

[17] HUNTER W C. A typology of photographic representations for tourism： Depictions of groomed spaces[J]. Tourism Management， 2008， 29（2）： 354-365.

[18] ECHTNER C M， PRASAD P. The context of third world tourism marketing[J]. Annals of Tourism Research 2003， 30（3）： 660-682.

[19] BIJOUX D， MYERS J. Interviews， solicited diaries and photography： ‘New ways of accessing everyday experiences of place[J]. Graduate Journal of Asia-Pacific Studies， 2006， 4（1）：44-124.

[20] HAYWOOD K M. Visitor-employed photography： An urban visit assessment[J]. Journal of Travel Research， 1990， 29（1）： 25-29.

[21] BRICKELL K. Visual critiques of tourist development： Host-employed photography in Vietnam[J]. Tourism Geographies， 2012， 14（1）：98-116.

[22] BALOMENOU N， GARROD B. Using volunteer-employed photography to inform tourism planning decisions： A study of St Davids Peninsula， Wales[J]. Tourism Management， 2014， 44： 126-139.

[23] GARROD B. Exploring place perception a photo-based analysis[J]. Annals of Tourism Research， 2008， 35（2）： 381-401.

[24] MACKAY K J， COULDWELL C M. Using visitor-employed photography to investigate destination image[J]. Journal of Travel Research， 2004， 42（4）： 390-396.

[25] TAYLOR J G， CZARNOWSKI K J， SEXTON N R， et al. The importance of water to Rocky Mountain National Park visitors： An adaptation of visitor-employed photography to natural resources management[J]. Journal of Applied Recreation Research， 1995， 20（1）： 61-85.

[26] CHENOWETH R. Visitor employed photography： A potential tool for landscape architecture[J]. Landscape Journal， 1984， 3（2）： 136-143.

[27] DORWART C E， MOORE R L， LEUNG Y F. Visitors perceptions of a trail environment and effects on experiences： A model for nature-based recreation experiences[J]. Leisure Sciences， 2009， 32（1）： 33-54.

[28] GOU S， SHIBATA S. Using visitor-employed photography to study the visitor experience on a pilgrimage route—A case study of the Nakahechi Route on the Kumano Kodo pilgrimage network in Japan[J]. Journal of Outdoor Recreation and Tourism， 2017， 18： 22-33.

[29] PLA-SACRIST?N E， GONZ?LEZ-D?AZ I， MART?NEZ-CORT?S T， et al. Finding landmarks within settled areas using hierarchical density-based clustering and meta-data from publicly available images[J]. Expert Systems with Applications， 2019， 123： 315-327.

[30] VAN CANNEYT S， SCHOCKAERT S， DHOEDT B. Categorizing events using spatio-temporal and user features from Flickr[J]. Information Sciences， 2016， 328： 76-96.

[31] 秦静，李郎平，唐鸣镝，等.基于地理标记照片的北京市入境旅游流空间特征[J].地理学报，2018，73（8）：1556-1570. [QIN Jing， LI Langping， TANG Mingdi， et al. Exploring the spatial characteristics of Beijing inbound tourist flow based on geotagged photos[J]. Acta Geographica Sinica， 2018，73（8）：1556-1570.]

[32] 李春明，王亚军，刘尹，等.基于地理参考照片的景区游客时空行为研究[J].旅游学刊，2013，28（10）：30-36. [LI Chunming， WANG Yajun， Liu Yin， et al. A study of the temporal-spatial behavior of tourists based on georeferenced photos [J].Tourism Tribune， 2013，28（10）：30-36.]

[33] LEE I， CAI G， LEE K. Exploration of geo-tagged photos through data mining approaches[J]. Expert Systems with Applications， 2014， 41（2）： 397-405.

[34] DENG N， LI X R. Feeling a destination through the “right” photos： A machine learning model for DMOs photo selection[J]. Tourism Management， 2018， 65： 267-278.

[35] KISILEVICH S， KRSTAJIC M， KEIM D， et al. Event-based analysis of peoples activities and behavior using Flickr and Panoramio geotagged photo collections[C]//2010 14th International Conference Information Visualisation. London： IEEE， 2010： 289-296.

[36] ZHOU X， XU C， KIMMONS B. Detecting tourism destinations using scalable geospatial analysis based on cloud computing platform[J]. Computers， Environment and Urban Systems， 2015， 54： 144-153.

[37] MAJID A， CHEN L， CHEN G， et al. A context-aware personalized travel recommendation system based on geotagged social media data mining[J]. International Journal of Geographical Information Science， 2013， 27（4）： 662-684.

[38] ?NDER I. Classifying multi-destination trips in Austria with big data[J]. Tourism Management Perspectives， 2017， 21： 54-58.

[39] 陳宁，彭霞，黄舟.社交媒体地理大数据的旅游景点热度分析[J].测绘科学，2016，41（12）：167-171. [CHEN Ning， PENG Xia， HUANG Zhou. Popularity analysis of tourist attraction based on geotagged social media big data[J]. Science of Surveying and Mapping， 2016，41（12）：167-171.]

[40] SALAS-OLMEDO M H， MOYA-G?MEZ B， GARC?A-PALOMARES J C， et al. Tourists digital footprint in cities： Comparing big data sources[J]. Tourism Management， 2018， 66： 13-25.

[41] OKUYAMA K， YANAI K. A Travel Planning System Based on Travel Trajectories Extracted from a Large Number of Geotagged Photos on the Web[M]. New York： The Era of Interactive Media. Springer， 2013： 657-670.

[42] LU X， WANG C， YANG J M， et al. Photo2trip： Generating travel routes from geo-tagged photos for trip planning[C]//Proceedings of the 18th ACM international conference on Multimedia. New York： ACM， 2010： 143-152.

[43] LU D， WU R， SANG J. Overlapped user-based comparative study on photo-sharing websites[J]. Information Sciences， 2017， 376： 54-70.

[44] AGUST? D P. Characterizing the location of tourist images in cities. Differences in user-generated images （Instagram）， official tourist brochures and travel guides[J]. Annals of Tourism Research， 2018， 73： 103-115.

[45] HAUSMANN A， TOIVONEN T， SLOTOW R， et al. Social media data can be used to understand tourists preferences for nature-based experiences in protected areas[J]. Conservation Letters， 2018， 11（1）： 1-10.

[46] NIKJOO A， BAKHSHI H. The presence of tourists and residents in shared travel photos[J]. Tourism Management， 2019， 70： 89-98.

[47] ALIVAND M， HOCHMAIR H H. Spatiotemporal analysis of photo contribution patterns to Panoramio and Flickr[J]. Cartography and Geographic Information Science， 2017， 44（2）： 170-184.

[48] ZHOU X， WANG M， LI D. From stay to play—A travel planning tool based on crowdsourcing user-generated contents[J]. Applied Geography， 2017， 78： 1-11.

[49] STEEN JACOBSEN J K. Use of landscape perception methods in tourism studies： A review of photo-based research approaches[J]. Tourism Geographies， 2007， 9（3）： 234-253.

[50] 林志瑋，丁启禄，涂伟豪，等.基于多元HoG及无人机航拍图像的植被类型识别[J].森林与环境学报，2018，38（4）：444-450. [LIN Zhiwei， DING Qilu， TU Weihao， et al. Vegetation type recognition based on multivariate HoG and aerial image captured by UAV[J]. Journal of Forest and Environment， 2018，38（4）：444-450.]

[51] 郭新磊，宜树华，秦彧，等.基于无人机的青藏高原鼠兔潜在栖息地环境初步研究[J].草业科学，2017，34（6）：1306-1313. [GUO Xinlei， YI Shuhua， QIN Yu， et al. Habitat environment affects the distribution of plateau pikas：A study based on an unmanned aerial vehicle[J]. Pratacultural Science， 2017，34（6）：1306-1313.]

[52] 甘欣悦，佘天唯，龙瀛.街道建成环境中的城市非正规性：基于北京老城街景图片的人工打分与机器学习相结合的识别探索[J].时代建筑，2018（1）：62-68. [GAN Xinyue， SHE Tianwei， LONG Ying. Understanding urban infromality in street built environment： Combining manual evaluation with machine learning in processing the Beijing old citys street-view images[J]. Time + Architecture， 2018（1）：62-68.]

[53] TANG J， LONG Y. Measuring visual quality of street space and its temporal variation： Methodology and its application in the Hutong area in Beijing[J]. Landscape and Urban Planning， 2019， 191： 103436.

[54] HE L， P?EZ A， LIU D. Built environment and violent crime： An environmental audit approach using Google Street View[J]. Computers， Environment and Urban Systems， 2017， 66： 83-95.

[55] MOONEY S J， DIMAGGIO C J， LOVASI G S， et al. Use of Google Street View to assess environmental contributions to pedestrian injury[J]. American Journal of Public Health， 2016，106（3）：462-469.

[56] GEBRU T， KRAUSE J， WANG Y， et al. Using deep learning and Google Street View to estimate the demographic makeup of neighborhoods across the United States[J]. Proceedings of the National Academy of Sciences， 2017， 114（50）： 13108-13113.

[57] YIN L， WANG Z. Measuring visual enclosure for street walkability： Using machine learning algorithms and Google Street View imagery[J]. Applied Geography， 2016， 76： 147-153.

[58] LI X， RATTI C， SEIFERLING I. Quantifying the shade provision of street trees in urban landscape： A case study in Boston， USA， using Google Street View[J]. Landscape and Urban Planning， 2018， 169： 81-91.

[59] KIM H， STEPCHENKOVA S. Effect of tourist photographs on attitudes towards destination： Manifest and latent content[J]. Tourism Management， 2015， 49： 29-41.

[60] ROSE G. Visual methodologies： An Introduction to Researching with Visual Materials[M]. London： Sage publications， 2016： 85-146.

[61] HUNTER W C. The social construction of tourism online destination image： A comparative semiotic analysis of the visual representation of Seoul[J]. Tourism Management， 2016， 54： 221-229.

[62] CATON K， SANTOS C A. Closing the hermeneutic circle？ Photographic encounters with the other[J]. Annals of Tourism Research， 2008， 35（1）： 7-26.

[63] 鄧宁，钟栎娜，李宏.基于UGC图片元数据的目的地形象感知——以北京为例[J].旅游学刊，2018，33（1）：53-62. [DENG Ning， ZHONG Lina， LI Hong. Perception of travel destination image based on user-generated photograph metadata： The case of Beijing[J]. Tourism Tribune， 2018，33（1）：53-62.]

[64] 周询，王跃宾，刘素红，等.一种遥感影像自动识别耕地类型的机器学习算法[J].国土资源遥感，2018，30（4）：68-73. [ZHOU Xun， WANG Yuebin， LIU Suhong， et al. A machine learning algorithm for automatic identification of cultivated land in remote sensing images[J]. Remote Sensing for Land & Resources， 2018，30（4）：68-73.]

[65] LIU L， ZHOU B， ZHAO J， et al. C-IMAGE： City cognitive mapping through geo-tagged photos[J]. GeoJournal， 2016， 81（6）： 817-861.

[66] KANG Y， JIA Q， GAO S， et al. Extracting human emotions at different places based on facial expressions and spatial clustering analysis[J]. Transactions in GIS， 2019， 23（3）：450-480.

[67] 鄧宁，刘耀芳，牛宇，等.不同来源地旅游者对北京目的地形象感知差异——基于深度学习的Flickr图片分析[J].资源科学，2019，41（3）：416-429. [DENG Ning， LIU Yaofang， NIU Yu， et al. Different perceptions of Beijings destination images from tourists： An analysis of Flickr photos based on deep learning method[J]. Resources Science， 2019，41（3）：416-429.]

[68] DA RUGNA J， CHAREYRON G， BRANCHET B. Tourist behavior analysis through geotagged photographies： A method to identify the country of origin[C]//2012 IEEE 13th International Symposium on Computational Intelligence and Informatics （CINTI）. Budapest： IEEE， 2012： 347-351.

[69] SIMON I， SNAVELY N， SEITZ S M. Scene summarization for online image collections[C]//2007 IEEE 11th International Conference on Computer Vision. Rio de Janeiro： IEEE， 2007： 1-8.

[70] KENNEDY L， NAAMAN M. Generating diverse and representative image search results for landmarks[C]//Proceedings of the 17th International Conference on World Wide Web. Beijing： ACM， 2008： 297-306.

[71] KURASHIMA T， IWATA T， IRIE G， et al. Travel route recommendation using geotagged photos[J]. Knowledge and Information Systems， 2013， 37（1）： 37-60.

[72] KENNEDY L， NAAMAN M， AHERN S， et al. How flickr helps us make sense of the world： Context and content in community-contributed media collections[C]//Proceedings of the 15th ACM International Conference on Multimedia. New York： ACM， 2007： 631-640.

[73] ZHENG Y T， ZHA Z J， CHUA T S. Mining travel patterns from geotagged photos[J]. ACM Transactions on Intelligent Systems and Technology （TIST）， 2012， 3（3）： 1-18.

[74] MIAH S J， VU H Q， GAMMACK J， et al. A big data analytics method for tourist behaviour analysis[J]. Information & Management， 2017， 54（6）： 771-785.

[75] MOU N， YUAN R， YANG T， et al. Exploring spatio-temporal changes of city inbound tourism flow： The case of Shanghai， China[J]. Tourism Management， 2020， 76： 103955

[76] GARC?A-PALOMARES J C， GUTI?RREZ J， M?NGUEZ C. Identification of tourist hot spots based on social networks： A comparative analysis of European metropolises using photo-sharing services and GIS[J]. Applied Geography， 2015， 63： 408-417.

[77] SU S， WAN C， HU Y， et al. Characterizing geographical preferences of international tourists and the local influential factors in China using geo-tagged photos on social media[J]. Applied Geography， 2016， 73： 26-37.

[78] VU H Q， LI G， LAW R， et al. Exploring the travel behaviors of inbound tourists to Hong Kong using geotagged photos[J]. Tourism Management， 2015， 46： 222-232.

[79] PAN S， LEE J， TSAI H. Travel photos： Motivations， image dimensions， and affective qualities of places[J]. Tourism Management， 2014， 40： 59-69.

[80] ?NDER I， KOERBITZ W， HUBMANN-HAIDVOGEL A. Tracing tourists by their digital footprints： The case of Austria[J]. Journal of Travel Research， 2016， 55（5）： 566-573.

[81] K?D?R B. Measuring tourist activities in cities using geotagged photography[J]. Tourism Geographies， 2014， 16（1）： 88-104.

[82] SESSIONS C， WOOD S A， RABOTYAGOV S， et al. Measuring recreational visitation at US National Parks with crowd-sourced photographs[J]. Journal of Environmental Management， 2016， 183： 703-711.

[83] LEVIN N， KARK S， CRANDALL D. Where have all the people gone？ Enhancing global conservation using night lights and social media[J]. Ecological Applications， 2015， 25（8）： 2153-2167.

[84] LEVIN N， LECHNER A M， BROWN G. An evaluation of crowd sourced information for assessing the visitation and perceived importance of protected areas[J]. Applied Geography， 2017， 79： 115-126.

[85] WOOD S A， GUERRY A D， SILVER J M， et al. Using social media to quantify nature-based tourism and recreation[J]. Scientific Reports， 2013（3）： 2976.

[86] SERMANET P， KAVUKCUOGLU K， CHINTALA S， et al. Pedestrian detection with unsupervised multi-stage feature learning[C]// 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland， OR： IEEE， 2013： 3626-3633.

[87] 李淵，王秋颖，王德.GPS与回忆日志在旅游者空间行为上的精度比对——鼓浪屿实证研究[J].旅游学刊，2017，32（8）：81-92. [LI Yuan， WANG Qiuying， WANG De. Precision and differential analysis by using GPS and recall diaries in the tourists behavior research： The case of Gulangyu[J]. Tourism Tribune， 2017，32（8）：81-92.]

[88] MANCINI F， COGHILL G M， LUSSEAU D. Using social media to quantify spatial and temporal dynamics of nature-based recreational activities[J]. PloS One， 2018， 13（7）： e0200565.

[89] ARASE Y， XIE X， HARA T， et al. Mining peoples trips from large scale geo-tagged photos[C]//Proceedings of the 18th ACM International Conference on Multimedia. New York： ACM， 2010： 133-142.

[90] KOU N M， YANG Y， GONG Z. Travel topic analysis： A mutually reinforcing method for geo-tagged photos[J]. GeoInformatica， 2015， 19（4）： 693-721.

[91] 吴清霞，周娅，文缔尧，等.基于用户兴趣和兴趣点流行度的个性化旅游路线推荐[J].计算机应用，2016，36（6）：1762-1766. [WU Qingxia， ZHOU Ya， WEN Diyao， et al. Personalized trip itinerary recommendation based on user interests and points of interest popularity[J]. Journal of Computer Applications， 2016，36（6）：1762-1766.]

[92] HILLMAN W. Travel authenticated？ Postcards， tourist brochures， and travel photography[J]. Tourism Analysis， 2007， 12（3）： 135-148.

[93] CHALFEN R M. Photographs role in tourism： Some unexplored relationships[J]. Annals of Tourism Research， 1979， 6（4）： 435-447.

[94] COHEN E， NIR Y， ALMAGOR U. Stranger-local interaction in photography[J]. Annals of Tourism Research， 1992， 19（2）： 213-233.

[95] YANG Z， HU H， WALL G. From gaze to dialogue： Host-guest relationships in Lijiang， China， as illustrated by the case of Joseph F. Rock[J]. Asia Pacific Journal of Tourism Research， 2017， 22（1）： 74-87.

[96] BOURDIEU P， WHITESIDE S. Photography： A Middle-Brow Art[M]. California： Stanford University Press， 1996： 1-225.

[97] STYLIANOU-LAMBERT T. Tourists with cameras： Reproducing or producing？ [J]. Annals of Tourism Research， 2012， 39（4）： 1817-1838.

[98] GARROD B. Understanding the relationship between tourism destination imagery and tourist photography[J]. Journal of Travel Research， 2009， 47（3）： 346-358.

[99] STEPCHENKOVA S， ZHAN F. Visual destination images of Peru： Comparative content analysis of DMO and user-generated photography[J]. Tourism Management， 2013， 36： 590-601.

[100] 王盼盼，嚴艳，陈悦悦，等.基于跨文化视角的旅游地视觉表征差异分析——以中美游客镜头下的西藏为例[J]. 浙江大学学报（理学版）， 2018， 45（2）： 242-250; 260. [WANG Panpan， YAN Yan， CHEN Yueyue， et al. The difference in visual representation of tourism destination based on cross-cultural perspective—A case of Tibet through the camera lenses of Chinese and American tourists[J].Journal of Zhejiang University （Science Edition）， 2018， 45（2）： 242-250; 260.]

[101] YIN L， CHENG Q， WANG Z， et al. ‘Big data for pedestrian volume： Exploring the use of Google Street View images for pedestrian counts[J]. Applied Geography， 2015， 63： 337-345.

[102] 郝新华，龙瀛.街道绿化： 一个新的可步行性评价指标[J]. 上海城市规划， 2017（1）： 32-36; 49. [HAO Xinhua， LONG Ying. Street greenery： A new indicator for evaluating walkability[J]. Shanghai Urban Planning Review， 2017（1）： 32-36; 49.]

[103] CHENG L， CHU S， ZONG W， et al. Use of Tencent Street View imagery for visual perception of streets[J]. ISPRS International Journal of Geo-Information， 2017， 6： 265.

[104] RAMADONA A L， TOZAN Y， LAZUARDI L， et al. A combination of incidence data and mobility proxies from social media predicts the intra-urban spread of dengue in Yogyakarta， Indonesia[J]. Plos Neglected Tropical Diseases， 2019， 13（4）： e0007298.

[105] KIM Y， KIM C， LEE D K， et al. Quantifying nature-based tourism in protected areas in developing countries by using social big data[J]. Tourism Management， 2019， 72： 249-256.

[106] ZHANG F， ZHOU B， RATTI C， et al. Discovering place-informative scenes and objects using social media photos[J]. Royal Society Open Science， 2019， 6（3）： 181375.

[107] ZHAO X， BELK R W. Politicizing consumer culture： Advertisings appropriation of political ideology in Chinas social transition[J]. Journal of Consumer Research， 2008， 35（2）： 231-244.

[108] GRIFFIN T. A discussion of video as a data collection tool[J]. Current Issues in Tourism， 2018，22（18）： 2183-2196.

[109] DING W， YANG K S， NAM K W. Measuring similarity between geo-tagged videos using largest common view[J]. Electronics Letters， 2019， 55（8）： 450-452.