2.4. AnalysisResults from the quest

2.4. Analysis
Results from the questionnaire were analysed with IBM SPSS
Statistics for Windows 21.0. Prior to analysis, the 5 skill levels
(1 ¼ complete beginner; 2 ¼ advanced beginner; 3 ¼ moderately
experienced; 4 ¼ very experienced; 5 ¼ experts) for mountain
bikers were re-classified by merging category 1 (‘complete
beginner’) and category 2 (‘advanced beginner’) into one category
(‘beginner’) to account for their smaller sample size.
To compare frequency data, such as the socio-demographics
and rider characteristics (i.e., skill level and field vs. online), Pearson's
chi-square tests were applied. The rating-scale data were
analysed with analysis of variance (ANOVA) including skill level
and sampling mode (field vs. online). ANOVA was also applied to
continuous variables measuring self-estimated average distances
travelled to tracks in the Northern Sydney area. Open-ended
questions were analysed qualitatively by identifying the major
categories/themes emerging from participants' comments.
We used several spatial scales (‘planning areas’) in our analysis
to demonstrate the versatility of PPGIS mapping and associated GIS
analysis including inside vs. outside national parks. Tracks were
assigned to either being located ‘in park’ or ‘outside’ if most (>90%)
of the track length was located in either category, otherwise, a track
was considered located in ‘both’.
Markers collected in the field were transferred by a researcher
onto Google map and then exported together with the online
mapping data for import into a geographical information system
(ArcGIS 10.1). An attribute field was added to the database that
coded whether data had been collected in the field or online. Prior
to the data analysis, we excluded any markers placed outside the
study area (6.8%). A few mountain bikers (5%) were excluded
entirely from the analysis (both the survey and PPGIS mapping)
because they indicated in the survey they never ride in the Northern Sydney area and they placed marker(s) exclusively
outside the study area.
Descriptive tables and maps were produced to showcase the
range of possible data presentation modes. To create maps showing
the varying numbers of markers placed along the 204 individual
tracks, most markers were spatially joined in ArcGIS to the nearest
track (Fig. 3aeb). We also observed that some clusters of markers
demarcated the outlines of tracks not displayed on the map and
have provided an example in Fig. 3c.
The ‘location’ and ‘reason’ markers were typically placed at the
beginning/end of a track rather than somewhere along the track,
and we considered the attribute to apply to the entire track. In
contrast, we performed raster analysis on ‘action’ markers to
identify specific sites within 150m 150mraster cells along tracks
for the actions. Raster analysis can identify specific ‘hotspots’ in the
study area (e.g., for linkages) that require management attention
(Fig. 4).
To relate the total number of mapped attributes to rider skill
levels, we used one-way factor ANOVA. The relative frequency of
different types of markers by skill level and planning area was
examined with Chi-square statistics and standardized residuals
(difference between observed and expected cell counts). Standardized
residuals indicate which attributes were mapped more or
less often than expected (sresid.>±1.96) by skill level and planning
area categories. Chi-square tests were also applied to examine
differences in mapping results by sampling mode (field vs. online).
To examine the underlying reasons for selecting specific locations
for riding, we calculated Generalised Linear Model effects of reasons
to ride on the popularity of specific tracks, measured as the
number of reason and location markers, respectively, mapped inside
or outside of national parks in Northern Sydney.
GPS tracking data were aggregated to calculate the average
number of rides, distance covered, duration of rides, velocity,
weekly/daily activity patterns, and location of rides during the
Fig.4-weekly sampling periods. We examined how some of these trip
variables varied by rider skill level.
We compared the popularity of the 204 tracks displayed on the
PPGIS map with the results from the GPS tracking by spatially
joining the tracked rides with the displayed tracks.We then ranked
the tracks by popularity, measured by the number of markers (for
mapping) or number of tracked rides (for tracking) joined with the
displayed tracks, and calculated Pearson correlation coefficients to
determine how closely reported track usage (mapping) related to
actual track usage (tracking).
We refer to the GPS tracked routes as “rides” in contrast to PPGIS
tracks. Some of the individual rides collected by tracking were
exclusively located along the 204 PPGIS tracks. However, some
rides also contained segments that connected with starting points
at home, creating whole networks of rides.

ผลลัพธ์ (ไทย) 1:

2.4 งานวิเคราะห์ผลจากแบบสอบถามที่ได้มาวิเคราะห์กับ IBM SPSSสถิติสำหรับ Windows 21.0 ก่อนวิเคราะห์ ระดับทักษะ 5(1 ¼เรียน 2 ¼ขั้นสูงเริ่มต้น 3 ¼ปานกลางประสบการณ์ 4 ¼มากประสบการณ์ 5 ¼ผู้เชี่ยวชาญ) สำหรับเขานักปั่นจักรยานถูกจัดประเภทใหม่ โดยรวมประเภทที่ 1 (' เสร็จสมบูรณ์เริ่มต้น ') และประเภทที่ 2 ('การเริ่มต้นขั้นสูง') ในประเภทหนึ่ง('เริ่มต้น') การบัญชีสำหรับตัวอย่างขนาดเล็กการเปรียบเทียบข้อมูลความถี่ เช่นข้อมูลประชากรและสังคมและลักษณะของไรเดอร์ (เช่น ระดับทักษะและฟิลด์เจอออนไลน์), ของเพียร์สันทดสอบสอบไคสแควร์ใช้ ข้อมูลระดับอันดับมีวิเคราะห์ ด้วยการวิเคราะห์ความแปรปรวน (ANOVA) รวมทั้งระดับทักษะและโหมดสุ่มตัวอย่าง (ฟิลด์เจอออนไลน์) นอกจากนี้ใช้ ANOVA เพื่อตัวแปรต่อเนื่องที่วัดระยะเฉลี่ยที่ประเมินด้วยตนเองเดินทางไปติดตามในพื้นที่ภาคเหนือของซิดนีย์ ปลายเปิดคำถามที่ได้มาวิเคราะห์คุณภาพ โดยระบุหลักประเภท/รูปจากความเห็นของผู้เข้าร่วมเราใช้หลายเครื่องชั่งเชิงพื้นที่ ('การวางแผนพื้นที่') ในการวิเคราะห์ของเราแสดงให้เห็นถึงความคล่องตัวของ PPGIS แผนที่และ GIS ที่เกี่ยวข้องวิเคราะห์รวมทั้งภายในเทียบกับอุทยานแห่งชาติที่อยู่นอก เพลงได้กำหนดให้อย่างใดอย่างหนึ่งที่อยู่ 'ใน' หรือ 'ภายนอก' ถ้าส่วนใหญ่ (> 90%)ติดตาม ความยาวอยู่ในทั้งสองประเภท มิฉะนั้น การติดตามได้พิจารณาใน 'ทั้งสอง'เครื่องหมายในฟิลด์การรวบรวมถ่ายโอน โดยนักวิจัยบน Google แผนที่ และจากนั้น ส่งออกร่วมกับออนไลน์ข้อมูลแผนที่สำหรับการนำเข้าลงในระบบข้อมูลทางภูมิศาสตร์(ArcGIS 10.1) ฟิลด์แอตทริบิวต์ถูกเพิ่มไปยังฐานข้อมูลที่รหัสว่าข้อมูลที่ได้เก็บรวบรวมไว้ในฟิลด์ หรือออนไลน์ ก่อนการวิเคราะห์ข้อมูล เราไม่รวมเครื่องหมายใด ๆ ที่อยู่นอกการศึกษาพื้นที่ (6.8%) นักปั่นจักรยานภูเขากี่ (5%) ถูกแยกออกจากการวิเคราะห์ (การสำรวจและทำแผนที่ PPGIS) ทั้งหมดเนื่องจากพวกเขาระบุไว้ในแบบสำรวจ พวกเขาไม่เคยไปในพื้นที่ภาคเหนือซิดนีย์ และพวกเขาอยู่ marker(s) โดยเฉพาะนอกพื้นที่ศึกษาผลิตคำอธิบายตารางและแผนที่เพื่อแสดงการโหมดการนำเสนอข้อมูลที่หลากหลาย การสร้างแผนที่แสดงหมายเลขแตกต่างกันของเครื่องหมายที่วางไว้ตาม 204 ละเพลง เครื่องหมายสุด spatially เข้าร่วมกับใน ArcGIS จะใกล้สุดติดตาม (รูป 3aeb) เรายังสังเกตเห็นที่บางกลุ่มของเครื่องหมายแบ่งเค้าเพลงไม่แสดงบนแผนที่ และได้ให้ตัวอย่างในรูป 3 cเครื่องหมาย 'ที่ตั้ง' และ 'เหตุผล' มักจะวางอยู่ที่การจุดเริ่มต้น/สิ้นสุด ของการติดตาม มากกว่าที่ใดที่หนึ่งตามติดตามและเราถือว่าแอตทริบิวต์ไปใช้กับแทร็กทั้งหมด ในความคมชัด เราทำวิเคราะห์แบบราสเตอร์ในเครื่องหมาย 'การกระทำ' เพื่อระบุไซต์เฉพาะภายในเซลล์ 150mraster 150 ม.พร้อมแทร็คสำหรับการดำเนินการ การวิเคราะห์แบบราสเตอร์สามารถระบุเฉพาะ 'ฮอตสปอ' ในการพื้นที่ (เช่น สำหรับการเชื่อมโยง) ที่ต้องให้ความสนใจการจัดการศึกษา(4 รูป)การแมปแอตทริบิวต์ของจำนวนทั้งหมดที่เกี่ยวข้องกับทักษะไรเดอร์ระดับ เราใช้ปัจจัยทางเดียว ANOVA ความถี่สัมพัทธ์ของชนิดของเครื่องหมายโดยระดับทักษะและการวางแผนตั้งรับตรวจสอบ ด้วยสถิติสอบไคสแควร์และค่าคงเหลือมาตรฐาน(ความแตกต่างระหว่างสังเกต และคาดว่าจำนวนเซลล์) ที่ได้มาตรฐานเหลือบ่งชี้คุณลักษณะที่ถูกเพิ่มเติม หรือมักจะน้อยกว่าที่คาดไว้ (sresid. > ±1.96) โดยระดับทักษะและการวางแผนประเภทการตั้ง ทดสอบสอบไคสแควร์ยังใช้การตรวจสอบความแตกต่างในผลลัพธ์ของการแม็ปโดยสุ่มตัวอย่างโหมด (ฟิลด์เจอออนไลน์)การตรวจสอบเหตุผลพื้นฐานสำหรับการเลือกตำแหน่งที่ตั้งเฉพาะขี่ เราคำนวณผล Generalised แบบเชิงเส้นของเหตุผลการขี่อยู่ที่ความนิยมของเพลงเฉพาะ วัดเป็นการจำนวนของเหตุผลและตั้งเครื่องหมาย ตามลำดับ แมปภายในหรือด้านนอกของอุทยานแห่งชาติในภาคเหนือของซิดนีย์GPS ติดตามข้อมูลถูกรวมในการคำนวณค่าเฉลี่ยหมายเลขขี่ ระยะทางที่ครอบคลุม ระยะเวลาในการขี่ ความเร็วรูปแบบกิจกรรมสัปดาห์ต่อวัน และสถานที่ขี่ในระหว่างรอบระยะเวลาในการสุ่มตัวอย่างสัปดาห์ Fig.4 เราตรวจสอบวิธีการบางส่วนของเหล่านี้เดินตัวแปรที่แตกต่างกัน โดยระดับทักษะไรเดอร์เราเปรียบเทียบความนิยมของเพลง 204 ที่แสดงในการแผนที่ PPGIS ผลได้จากจีพีเอสติดตามโดย spatiallyเข้าร่วมการขี่ติดตามด้วยเพลงที่แสดงกับ เราอันดับแล้วเพลงตามความนิยม วัด ด้วยจำนวนเครื่องหมาย(การแม็ป) หรือหมายเลขขี่ติดตาม (การติดตาม) ร่วมกับการแสดงเพลง และสัมประสิทธิ์สหสัมพันธ์เพียร์สันคำนวณการตรวจสอบว่ารายงานติดตามการใช้งาน (แมป) ที่เกี่ยวข้องกับการใช้งานจริงติดตาม (ติดตาม)เราเรียกเส้นทาง GPS ติดตามว่า "ขี่" ตรงข้ามกับ PPGISเพลง บางการขี่แต่ละที่เก็บรวบรวม โดยการติดตามโดยเฉพาะฝั่งเพลง PPGIS 204 อย่างไรก็ตาม บางขี่ยังประกอบด้วยส่วนที่เชื่อมต่อกับจุดเริ่มต้นที่บ้าน การสร้างเครือข่ายทั้งหมดของเล่น

ผลลัพธ์ (ไทย) 2:

2.4 การวิเคราะห์
ผลจากแบบสอบถามมาวิเคราะห์กับ IBM SPSS
สถิติสำหรับ Windows 21.0 ก่อนที่จะมีการวิเคราะห์ระดับ 5 ทักษะ
(1 ¼เริ่มต้นที่สมบูรณ์ 2 ¼เริ่มต้นขั้นสูง 3 ¼ปานกลาง
ประสบการณ์ 4 ¼ประสบการณ์มาก 5 ¼ผู้เชี่ยวชาญ) ภูเขา
bikers เป็นอีกครั้งที่จัดโดยการรวมประเภทที่ 1 ( 'สมบูรณ์
เริ่มต้น) และประเภทที่ 2 (ขั้นสูงเริ่มต้น ') เป็นหนึ่งในประเภท
(' เริ่มต้น ') เพื่อบัญชีสำหรับขนาดของกลุ่มตัวอย่างขนาดเล็กของพวกเขา.
การเปรียบเทียบข้อมูลความถี่เช่นสังคมประชากร
และลักษณะไรเดอร์ (เช่นระดับทักษะและเขตกับออนไลน์) เพียร์สัน
การทดสอบไคสแควร์ถูกนำไปใช้ ข้อมูลคะแนนขนาดถูก
วิเคราะห์ด้วยการวิเคราะห์ความแปรปรวน (ANOVA) รวมทั้งระดับความสามารถ
และโหมดการสุ่มตัวอย่าง (เขตเทียบกับออนไลน์) ANOVA ยังถูกนำไปใช้
ตัวแปรอย่างต่อเนื่องการวัดระยะทางเฉลี่ยประมาณตัวเอง
เดินทางไปแทร็คในพื้นที่ภาคเหนือของซิดนีย์ ปลายเปิด
คำถามถูกนำมาวิเคราะห์ในเชิงคุณภาพด้วยการระบุที่สำคัญ
ประเภท / รูปแบบที่เกิดขึ้นใหม่จากผู้เข้าร่วมแสดงความคิดเห็น.
เราใช้เครื่องชั่งน้ำหนักอวกาศหลายคน ( 'พื้นที่การวางแผน) ในการวิเคราะห์ของเรา
แสดงให้เห็นถึงความเก่งกาจของการทำแผนที่และระบบสารสนเทศภูมิศาสตร์ PPGIS ที่เกี่ยวข้อง
วิเคราะห์รวมทั้งภายในกับภายนอก สวนสาธารณะแห่งชาติ เพลงที่ได้รับ
มอบหมายให้อย่างใดอย่างหนึ่งที่ตั้งอยู่ในสวนสาธารณะ 'หรือ' นอก 'ถ้ามากที่สุด (> 90%)
ความยาวของแทร็คที่ตั้งอยู่ในหมวดหมู่ใดมิฉะนั้นแทร็ค
ได้รับการพิจารณาอยู่ใน' ทั้ง '.
เครื่องหมายเก็บในสนามได้ โอนโดยนักวิจัย
ลงบนแผนที่ Google และส่งออกแล้วพร้อมกับการออนไลน์
ข้อมูลแผนที่สำหรับการนำเข้าในระบบสารสนเทศทางภูมิศาสตร์
(ArcGIS 10.1) สนามแอตทริบิวต์ถูกบันทึกอยู่ในฐานข้อมูลที่
ใช้รหัสว่าข้อมูลที่ได้รับการรวบรวมไว้ในสนามหรือออนไลน์ ก่อน
ที่จะวิเคราะห์ข้อมูลที่เราได้รับการยกเว้นเครื่องหมายใด ๆ วางอยู่นอก
พื้นที่การศึกษา (6.8%) bikers ภูเขาไม่กี่ (5%) ได้รับการยกเว้น
โดยสิ้นเชิงจากการวิเคราะห์ (ทั้งการสำรวจและการทำแผนที่ PPGIS)
เพราะพวกเขาแสดงให้เห็นในการสำรวจพวกเขาไม่เคยนั่งอยู่ในพื้นที่ภาคเหนือของซิดนีย์และพวกเขาวางเครื่องหมาย (s) เฉพาะ
นอกเขตการศึกษา.
พรรณนา ตารางและแผนที่ที่ถูกผลิตเพื่อแสดง
ช่วงของความเป็นไปได้โหมดการนำเสนอข้อมูล เพื่อสร้างแผนที่แสดง
ตัวเลขที่แตกต่างกันของเครื่องหมายวางไว้ตามแต่ละ 204
แทร็คเครื่องหมายส่วนใหญ่ได้เข้าร่วมในเชิงพื้นที่ ArcGIS ที่ใกล้ที่สุด
ติดตาม (รูป. 3aeb) นอกจากนี้เรายังตั้งข้อสังเกตว่ากลุ่มของตัวบ่งชี้บาง
เขตแดนเค้าร่างของแทร็คไม่ปรากฏบนแผนที่และ
ได้ให้ตัวอย่างในรูป 3c.
'ที่ตั้ง' และ 'เหตุผล' เครื่องหมายมักจะถูกวางไว้ที่
จุดเริ่มต้น / สิ้นสุดของการติดตามมากกว่าที่ใดที่หนึ่งพร้อมติดตามให้
และเราถือว่าแอตทริบิวต์ที่จะใช้กับแทร็คทั้งหมด ใน
ทางตรงกันข้ามเราดำเนินการวิเคราะห์แรสเตอร์กับตัวบ่งชี้ 'การกระทำ' เพื่อ
ระบุเว็บไซต์ที่เฉพาะเจาะจงภายใน 150m? เซลล์ 150mraster พร้อมแทร็ค
สำหรับการกระทำ วิเคราะห์ Raster สามารถระบุ 'ฮอตสปอต' เฉพาะใน
พื้นที่ศึกษา (เช่นการเชื่อมโยง) ที่ต้องให้ความสนใจการจัดการ
(รูปที่. 4).
ที่จะเกี่ยวข้องกับจำนวนของคุณลักษณะแมปไปยังกิลไรเดอร์
ระดับที่เราใช้ในทางเดียวปัจจัย ANOVA ความถี่สัมพัทธ์ของ
ประเภทที่แตกต่างกันของเครื่องหมายโดยระดับทักษะและการวางแผนพื้นที่ได้รับการ
ตรวจสอบกับ Chi-square สถิติและเหลือมาตรฐาน
(ความแตกต่างระหว่างการนับจำนวนเซลล์ที่สังเกตและคาดว่า) มาตรฐาน
ที่เหลือระบุว่าแอตทริบิวต์ถูกแมปมากขึ้นหรือ
น้อยกว่าคาด (sresid.> ± 1.96) โดยระดับทักษะและการวางแผน
ประเภทพื้นที่ จิตารางการทดสอบยังถูกนำไปใช้ในการตรวจสอบ
ความแตกต่างในผลการทำแผนที่โดยโหมดการสุ่มตัวอย่าง (เขตเทียบกับออนไลน์).
เพื่อตรวจสอบเหตุผลพื้นฐานสำหรับการเลือกสถานที่เฉพาะ
สำหรับการขี่เราคำนวณผลกระทบเชิงเส้น Generalised รุ่นเหตุผล
ที่จะนั่งอยู่กับความนิยมของที่เฉพาะเจาะจง แทร็คที่วัดเป็น
จำนวนเหตุผลและสถานที่เครื่องหมายตามลำดับแมปภายใน
หรือภายนอกของสวนสาธารณะแห่งชาติในภาคเหนือของซิดนีย์.
ข้อมูลการติดตามจีพีเอสถูกรวมในการคำนวณค่าเฉลี่ยของ
จำนวนขี่ระยะทางที่ครอบคลุมระยะเวลาของการขี่ความเร็ว
สัปดาห์ / รายวัน รูปแบบกิจกรรมและสถานที่ตั้งของการขี่ในช่วง
ระยะเวลาการสุ่มตัวอย่าง Fig.4 สัปดาห์ เราตรวจสอบว่าบางส่วนของการเดินทางเหล่านี้
ตัวแปรที่แตกต่างกันโดยระดับความสามารถของผู้ขับขี่.
เราเมื่อเทียบกับความนิยมของแทร็คที่ 204 แสดงบนที่
แผนที่ PPGIS กับผลที่ได้จาก GPS ติดตามตำแหน่งโดย
การเข้าร่วมการขี่ติดตามกับ tracks.We แล้วแสดงการจัดอันดับ
แทร็ค ตามความนิยมวัดจากจำนวนของเครื่องหมาย (สำหรับ
การทำแผนที่) หรือจำนวนของการขี่ติดตาม (สำหรับการติดตาม) ร่วมกับ
แทร็คที่แสดงและคำนวณค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สันที่จะ
กำหนดวิธีการอย่างใกล้ชิดรายงานติดตามการใช้งาน (ทำแผนที่) ที่เกี่ยวข้องกับการ
ติดตามการใช้งานจริง (การติดตาม ).
เราเรียกจีพีเอสติดตามเส้นทางการเป็น "ขี่" ในทางตรงกันข้ามกับ PPGIS
แทร็ค บางส่วนของการขี่ของแต่ละบุคคลที่เก็บรวบรวมโดยการติดตามถูก
ตั้งอยู่เฉพาะตามแนว 204 แทร็ค PPGIS อย่างไรก็ตามบางคน
ขี่ยังมีส่วนที่เชื่อมต่อกับจุดเริ่มต้น
ที่บ้าน, การสร้างเครือข่ายทั้งหมดของการขี่

ผลลัพธ์ (ไทย) 3:

2.4 . การวิเคราะห์ผลจากแบบสอบถามวิเคราะห์ข้อมูลด้วยโปรแกรม SPSS IBMสถิติสำหรับ Windows 21.0 . ก่อนการวิเคราะห์ , 5 ระดับทักษะ( 1 ¼สมบูรณ์มือใหม่ 2 ¼ขั้นสูงเริ่มต้น 3 ¼ปานกลางมีประสบการณ์ 4 ¼มีประสบการณ์มาก ผู้เชี่ยวชาญ 5 คน¼ ) ภูเขาBikers เป็น Re จำแนกตามประเภทที่ 1 ( "complete ผสานมือใหม่ " ) และประเภทที่ 2 ( "advanced มือใหม่ " ) ในประเภทหนึ่ง( "beginner " ) ไปยังบัญชีสำหรับขนาดเล็กขนาดตัวอย่างเปรียบเทียบข้อมูลความถี่ เช่น ข้อมูลประชากรและลักษณะ ไรเดอร์ ( เช่น ทักษะระดับเขตและออนไลน์ ) ของเพียร์สันการทดสอบไคสแควร์ถูกประยุกต์ ข้อมูลระดับ คือวิเคราะห์ข้อมูลด้วยการวิเคราะห์ความแปรปรวน ( ANOVA ) รวมถึงระดับทักษะและโหมดการสุ่มตัวอย่าง ( ฟิลด์ vs ออนไลน์ ) การวิเคราะห์ความแปรปรวน ( ANOVA ) ก็ยังใช้อย่างต่อเนื่องตัวแปรวัดตนเองเฉลี่ยประมาณระยะทางเดินทางไปติดตามในพื้นที่ตอนเหนือของซิดนีย์ ปลายเปิดคำถาม วิเคราะห์ข้อมูลเชิงคุณภาพ โดยการระบุหลักประเภท / รูปแบบใหม่จากของผู้เข้าร่วมแสดงความคิดเห็นเราใช้หลายเครื่อง ( "planning เชิงพื้นที่ ) ในการวิเคราะห์ของเราเพื่อแสดงให้เห็นถึงความเก่งกาจของการทำแผนที่และระบบสารสนเทศทางภูมิศาสตร์ ppgis เกี่ยวข้องการวิเคราะห์รวมทั้งภายในและนอกเขตอุทยานแห่งชาติ แทร็คมอบหมายให้ตั้งอยู่ในสวนสาธารณะ " หรือ " ภายนอก " ถ้าส่วนใหญ่ ( > 90% )ของการติดตามความยาวอยู่ในประเภทใด มิฉะนั้น ติดตามถือว่าอยู่ในทั้ง " "เครื่องหมายเก็บในเขตข้อมูลที่ถูกโอนโดยนักวิจัยไปยังแผนที่ของ Google และจากนั้นส่งออกร่วมกับทางออนไลน์ข้อมูลแผนที่ในระบบสารสนเทศภูมิศาสตร์สำหรับนำเข้า( วิศวกรรมโยธา 10.1 ) แอตทริบิวต์เขตที่ถูกเพิ่มเข้าไปในฐานข้อมูลที่เขียนว่า ข้อมูลที่ได้เก็บในเขตข้อมูลหรือออนไลน์ ก่อนที่เพื่อการวิเคราะห์ข้อมูล เราไม่รวมเครื่องหมายใด ๆที่วางอยู่ข้างนอกพื้นที่ศึกษา ( 6.8% ) ภูเขา bikers น้อย ( ร้อยละ 5 ) ได้รับการยกเว้นทั้งหมดจากการวิเคราะห์ ( ทั้งการสำรวจและการทำแผนที่ ppgis )เพราะพวกเขาพบในการสำรวจพวกเขาไม่เคยขี่ในพื้นที่ภาคเหนือของซิดนีย์และพวกเขาวาง Marker ( s ) โดยเฉพาะนอกเขตการศึกษาตารางบรรยาย และแผนที่ที่ผลิตเพื่องานช่วงของโหมดการนำเสนอข้อมูลที่เป็นไปได้ เพื่อสร้างแผนที่แสดงที่แตกต่างกันตัวเลขของเครื่องหมายที่วางไว้ตามแต่ละ 204เพลง เครื่องหมาย ส่วนใหญ่เปลี่ยนไปเข้าร่วมใน ArcGIS . เพื่อที่ใกล้ที่สุดติดตาม ( รูปที่ 3aeb ) เรายังพบว่าบางกลุ่มของเครื่องหมายdemarcated โครงร่างของเพลงที่ไม่แสดงบนแผนที่ได้ให้ตัวอย่างในรูปที่ 3 C" สถานที่ " และ " เหตุผล " เครื่องหมายมักจะอยู่ที่เริ่มต้น / สิ้นสุดการติดตามมากกว่าที่อื่นตามติดตามและเราพิจารณาคุณสมบัติเพื่อใช้ในการติดตามทั้งหมด ในทางเราดำเนินการวิเคราะห์ข้อมูลภาพใน " การกระทำ " เครื่องหมายระบุเฉพาะเว็บไซต์ภายในเซลล์ ) 150mraster พร้อมแทร็คสำหรับการกระทำ การวิเคราะห์ข้อมูลภาพสามารถระบุจุด " เฉพาะ " ในพื้นที่ศึกษา ( เช่นสำหรับการเชื่อมโยง ) ที่ต้องใช้ความสนใจการจัดการ( รูปที่ 4 )ที่เกี่ยวข้องกับจำนวนของแมป คุณลักษณะ ทักษะ ไรเดอร์ระดับ เราใช้ปัจจัย การวิเคราะห์ความแปรปรวนแบบทางเดียว ความถี่สัมพัทธ์ประเภทของเครื่องหมายตามระดับทักษะและการวางแผนพื้นที่ คือตรวจสอบด้วยไคสแควร์ สถิติค่ามาตรฐาน( ความแตกต่างระหว่างการสังเกตและเซลล์นับคาด ) แบบมาตรฐานความคลาดเคลื่อนซึ่งบ่งชี้ถึงคุณลักษณะสามหรือมักจะน้อยกว่าที่คาดไว้ ( sresid > ± 1.96 ) โดยระดับทักษะและการวางแผนประเภทของพื้นที่ . การทดสอบไคสแควร์ยังใช้เพื่อตรวจสอบความแตกต่างในผลลัพธ์ของแผนที่โหมดการสุ่มตัวอย่าง ( ฟิลด์ vs ออนไลน์ )เพื่อศึกษาเหตุผลในการเลือกสถานที่ที่เฉพาะเจาะจงสำหรับขี่ เราคำนวณสรุปแบบเชิงผลของเหตุผลขี่บนความนิยมของเพลงที่เฉพาะเจาะจงวัดเป็นจำนวนของเหตุผลและเครื่องหมายตำแหน่งตามลำดับ ในแมปหรือภายนอกของอุทยานแห่งชาติในภาคเหนือของซิดนีย์ติดตามข้อมูลเพื่อคำนวณหาค่าเฉลี่ยรวมจํานวนขี่ระยะทางที่ครอบคลุมระยะเวลาที่ขี่ความเร็วรายสัปดาห์ รายวัน กิจกรรม รูปแบบ และตำแหน่งของขี่ในระหว่างfig.4-weekly 2 คาบ เราตรวจสอบว่าบางส่วนของการเดินทางเหล่านี้ตัวแปรที่หลากหลายตามระดับทักษะของผู้ขับขี่เราเทียบความนิยมของเพลงปรากฏบน 204ppgis แผนที่ผลลัพธ์จาก GPS ติดตามโดยเปลี่ยนร่วมติดตามขี่กับแสดงแทร็ค จากนั้นเรา อันดับเพลงโดยความนิยม วัดจากจำนวนของเครื่องหมาย ( สำหรับแผนที่ ) หรือจำนวนของการติดตามขี่ ( ติดตาม ) เข้าร่วมกับแสดงเส้นทางและคำนวณค่าสัมประสิทธิ์สหสัมพันธ์ เพื่อกำหนดวิธีการรายงานติดตามการใช้งานอย่างใกล้ชิด ( แผนที่ ) เกี่ยวข้องกับการติดตามจริง ( ติดตาม )เราดูที่ GPS ติดตามเส้นทางเป็น " ขี่ " ในทางตรงกันข้ามกับ ppgisเพลง บางบุคคลขี่เก็บโดยการติดตามคืออยู่เฉพาะตาม 204 ppgis แทร็ค อย่างไรก็ตาม , บางขี่ยังมีส่วนที่เกี่ยวข้องกับการเริ่มต้นจุดที่บ้าน , การสร้างเครือข่ายทั้งม้าหมุน