掌握地理技能：Pearson Edexcel A Level 地理 (9GE0)
歡迎閱讀這份為你量身打造的地理技能 (Geographical Skills) 完整研習筆記！地理技能是每位地理學家必備的核心工具箱。這些技能絕不僅限於單一考卷，而是貫穿於整個課程的每個環節：Paper 1（自然地理）、Paper 2（人文地理）、Paper 3（綜合研習），以及佔整體 A Level 成績 \(20\%\) 且需要至少 \(4\) 天完整實地考察的非考試評估 (NEA) 獨立調查研究。
無論你平時處理數據時游刃有餘，還是對數字和地圖感到有些卻步，本指南都會將各項技能逐步拆解為清晰易懂、循序漸進的概念。
---1. 地圖學、視覺及質性研究技能
地圖、影像和質性質地考察記錄能讓我們記錄、視覺化並解讀現實世界中的空間模式。
英國地形測量局 (OS) 地圖與地形圖
你需要熟練掌握比例尺為 \(1:25,000\)（即 \(4\text{ cm} = 1\text{ km}\)）以及 \(1:50,000\)（即 \(2\text{ cm} = 1\text{ km}\)）的 OS 地圖讀圖技巧。
• 網格座標引號 (Grid References)：
- 四位網格座標 (4-Figure Grid References)： 用於確定一個 \(1\text{ km} \times 1\text{ km}\) 的網格方塊。務必先讀東距數值（Eastings，沿底部的橫軸），再讀北距數值（Northings，沿側邊的縱軸）。
- 六位網格座標 (6-Figure Grid References)： 可精確鎖定網格內特定地點至 \(100\text{ 米}\)。在心中將該網格從 \(0\) 到 \(9\) 等分為十等份。
- 記憶小秘訣： 請記住「先走過走廊（東距），再步上樓梯（北距）」。
• 等高線、高程點與地勢 (Contours, Spot Heights, and Relief)：
- 等高線 (Contour lines)： 連接海平面以上相同高度點的線（垂直間距通常為 \(5\text{ 米}\) 或 \(10\text{ 米}\)）。等高線密集代表坡度陡峭；等高線稀疏代表坡度平緩。
- 高程點 (Spot heights)： 黑點旁標註的精確海拔高度數值。
- 剖面圖與樣線剖面 (Cross-sections and Transects)： 沿著一條直線切開地表景觀，從側面展示其高程輪廓。
- 坡度計算 (Gradient Calculation)： 使用公式計算：\(\text{坡度 (Gradient)} = \frac{\text{垂直高度差 (Rise)}}{\text{水平距離 (Run)}}\)。請確保兩個數值使用相同的度量單位（例如：米）。
專題地圖與空間呈現
專題地圖用於在空間維度上展示特定的地理變數：
• 面量圖 (Choropleth Maps)： 根據所展示變數的數值大小，以不同深淺的顏色或陰影填滿區域（例如人口密度）。注意事項： 面量圖預設整個行政邊界內部的數值分佈是均勻的，可能會掩蓋局部的微觀差異。
• 等值線圖 (Isoline Maps)： 連接數值相等各點的線，例如等高線（海拔高度）、等時線（交通時間）或等壓線（大氣壓力）。
• 點子圖 (Dot Maps)： 每個點代表特定地理特徵的固定數量（例如：一個點代表 \(500\) 人）。非常適合用於展示密度與集聚現象。
• 流向線圖 (Flow-Line Maps)： 以箭頭表示人口、貨物或能量的流動。箭頭的寬度與流量大小成正比。
• 比例符號圖 (Proportional Symbol Maps)： 符號（如圓形、正方形）的大小根據特定地點的數據值按比例縮放。
• 拓撲變形圖 (Topological Cartograms)： 故意將地理圖形扭曲，使幾何形狀／面積與所選變數（例如國家 GDP 或總人口）成比例，而非反映實際土地面積。
地理資訊系統 (GIS)
GIS 軟件（例如 ArcGIS 或 QGIS）用於空間數據的數碼化與視覺化。地理學家可以透過疊加包含地理定位的數據圖層來建立複雜的空間模型——例如將水浸風險地圖疊加到人口普查的匱乏指數圖層上。
野外素描、攝影與遙感技術
• 野外素描 (Field Sketches)： 簡單的線條畫，能過濾掉背景雜訊，突出核心的自然與人文地理特徵。繪圖時務必附上標題、方位／指北針方向，以及直接註記（包含解釋性說明的標籤）。
• 註記照片 (Annotated Photographs)： 直接在真實世界的實景照片上標註並識別地理過程（例如水力作用、士紳化／中產階層化）。
• 航空與衛星遙感 (Aerial and Satellite Remote Sensing)： 俯視或斜向的影像，用以記錄隨時間推移的大規模變化，例如城市蔓延、海岸後退或森林砍伐。
質性數據收集與分析
質性數據記錄個人對地方的親身體驗、意義賦予與感知：
• 訪談 (Interviews)： 包括半結構化訪談（圍繞固定主題設定靈活問題）與非結構化訪談（由受訪者主導的開放式對話）。
• 編碼技術 (Coding Techniques)： 閱讀訪談謄本或敘事文本，將反覆出現的字句、主題或情感分類為編碼群組，以便進行系統化分析。
• 感知與情感地圖 (Perceptual and Emotion Mapping)： 邀請受訪者在特定的城市區域地圖上標示自己的感受（例如安全感、恐懼、幸福感）。
• 景觀評估與雙極調查 (Landscape Evaluation and Bipolar Surveys)： 環境質素調查 (EQS)，觀察者在相反的雙極形容詞之間以數值量表為環境評分（例如：\(-3\) 代表垃圾滿地，\(+3\) 代表一塵不染）。
• 分貝、交通流量及行人流量計數 (Decibel, Traffic, and Pedestrian Counts)： 在設定的時間間隔內收集定量計數，以記錄特定地點的活力節奏與環境壓力。
核心重點： 務必選擇最能解答你地理探究問題的視覺或質性工具。結合地圖、影像與質性調查，方能全方位、立體地理解一個地方。
---2. 實地考察抽樣策略
你不可能測量海灘上的每一顆卵石，也不可能訪問城市中的每一位居民。抽樣能讓你在沒有偏差的情況下，收集具代表性的數據子集。
• 隨機抽樣 (Random Sampling)：
母體中的每個個體或空間區域內的每個點都有均等的機會被選中。
- 方法： 使用隨機數生成器或隨機數表，在考察地點選取網格座標點。
- 評估： 能消除研究人員的主觀偏差；但若採樣點純因隨機而聚集在某一角落，可能會意外遺漏關鍵地理特徵。
• 系統抽樣 (Systematic Sampling)：
以規則、均勻的固定間隔選取觀察樣本。
- 方法： 沿著樣線每隔 \(5\text{ 米}\) 採樣一次，或訪問每第 \(10\) 位經過特定地點的行人。
- 評估： 能確保沿著梯度獲得全面且均勻的空間覆蓋；但若環境潛在的空間規律恰好與你的抽樣間距吻合，便可能會引入偏差。
• 分層抽樣 (Stratified Sampling)：
當母體包含比例已知的不同、不重疊的子群體（層）時使用。
- 方法： 若一個城鎮的人口中 \(60\%\) 為自置物業業主，\(40\%\) 為租戶，則你的 \(100\) 人樣本中必須剛好包含 \(60\) 位業主和 \(40\) 位租戶（兩者均以隨機或系統方式抽取）。
- 評估： 對多元群體和環境具有極高代表性；但前提是必須預先掌握精確的母體人口比例數據。
• 實用／便利抽樣 (Pragmatic / Opportunistic Sampling)：
基於便利性或實際可達度來收集數據（例如：只在有行人徑安全通往懸崖處進行採樣）。
- 評估： 當基於安全考量或嚴重時間限制而無法進行概率抽樣時非常實用；但存在極高的偏差風險，必須在考察方法論中作出嚴謹且具批判性的合理解釋。
核心重點： 在考試和 NEA 調查研究中，絕不要只列出你的抽樣方法——務必詳細論證 (justify) 為何該方法是配合你地理探究的最佳選擇。
---3. 定量技能與統計方法
統計檢驗能讓地理學家將原始數據轉化為確鑿證據、找出規律模式，並驗證變數之間的關係到底具有統計學上的顯著性，抑或純屬巧合。
A. 集中趨勢與離散程度度量
• 平均值 (Mean, \(\bar{x}\))： 數學上的平均數。
\(\bar{x} = \frac{\sum x}{n}\)
（其中 \(\sum x\) 為所有數值的總和，\(n\) 為觀察值總數）。
• 中位數 (Median)： 將原始數據由小到大排列後處於正中間的數值。不受極端異常值的影響。
• 眾數 (Mode)： 數據集中出現頻率最高的數值。
• 四分位距 (Interquartile Range, \(IQR\))： 測量中間 \(50\%\) 數據的離散範圍，能有效剔除極端值。
\(IQR = Q_3 - Q_1\)
（其中 \(Q_3\) 為上四分位數／第 \(75\) 百分位數，\(Q_1\) 為下四分位數／第 \(25\) 百分位數）。
• 標準差 (Standard Deviation, \(s\) 或 \(\sigma\))： 測量數據圍繞平均值的密集程度。標準差越小，代表數值緊密聚集在平均值周圍；標準差越大，代表數據分佈越分散。
- 樣本標準差 (Sample Standard Deviation)：
\(s = \sqrt{\frac{\sum (x - \bar{x})^2}{n - 1}}\)
- 總體標準差 (Population Standard Deviation)：
\(\sigma = \sqrt{\frac{\sum (x - \bar{x})^2}{n}}\)
B. 斯皮爾曼等級相關系數 (Spearman’s Rank Correlation Coefficient, \(r_s\))
• 目的： 檢驗兩組排序數據之間單調關係（即兩個變數是否同步增加或減少）的強度與方向（例如：與市中心商業區 CBD 的距離 vs. 地價）。
• 公式：
\(r_s = 1 - \frac{6\sum d^2}{n(n^2 - 1)}\)
（其中 \(d\) 為每對數據等級之差，\(n\) 為成對觀察值的數量）。
• 分步計算步驟：
1. 設立虛無假設（Null Hypothesis, \(H_0\)：變數間無相關性）及對立假設（Alternative Hypothesis, \(H_1\)：變數間存在顯著相關性）。
2. 將變數 1 的數據由大（第 \(1\) 名）至小進行等級排序。對變數 2 獨立進行相同的排序。
3. 計算每對數據的等級差：\(d = \text{等級}_1 - \text{等級}_2\)。
4. 將每個等級差平方（\(d^2\)），並計算總和：\(\sum d^2\)。
5. 將 \(\sum d^2\) 及 \(n\) 代入公式計算。
• 結果解讀：
- 數值為 \(+1\)：完全正相關。
- 數值為 \(-1\)：完全負相關。
- 數值為 \(0\)：完全無相關。
- 將計算出的 \(r_s\)（忽略正負號）與對應樣本量 \(n\) 在顯著性水平 \(p = 0.05\)（\(95\%\) 置信水平）及 \(p = 0.01\)（\(99\%\) 置信水平）下的臨界值表進行比對。若計算出的數值大於臨界值，則拒絕 \(H_0\) 並接受 \(H_1\)。
C. 卡方檢驗 (Chi-Squared Test, \(\chi^2\))
• 目的： 檢驗分類數據的觀察頻數分佈是否與預期的理論頻數分佈存在顯著差異（擬合優度或關聯性檢驗）。
• 公式：
\(\chi^2 = \sum \frac{(O - E)^2}{E}\)
（其中 \(O\) 為觀察頻數 Observed frequency，\(E\) 為期望頻數 Expected frequency）。
• 自由度 (Degrees of Freedom, \(df\))：
- 單行／單列分類數據：\(df = k - 1\)（其中 \(k\) 為類別數量）。
- 列聯表 (Contingency table)：\(df = (r - 1)(c - 1)\)（其中 \(r\) 為行數，\(c\) 為列數）。
• 判定法則： 若計算出的 \(\chi^2\) 大於所選顯著性水平（例如 \(p = 0.05\)）下的臨界值，則觀察頻數與期望頻數之間的差異具統計學顯著性。
---D. 學生 \(t\) 檢驗 (Student’s \(t\)-test)
• 目的： 檢驗兩個呈正態分佈的獨立數據集之平均值 (means) 是否存在統計學上的顯著差異（例如：比較兩個不同海灘的沉積物碎屑平均粒徑）。
• 公式：
\(t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}\)
（其中 \(\bar{x}_1, \bar{x}_2\) 為樣本平均值，\(s_1^2, s_2^2\) 為樣本方差，\(n_1, n_2\) 為樣本容量）。
• 自由度 (Degrees of Freedom, \(df\))：
\(df = n_1 + n_2 - 2\)
• 判定法則： 將計算出的 \(t\) 值與對應 \(df\) 的臨界值比對。若計算出的 \(t > \text{臨界值}\)，則拒絕 \(H_0\)——代表兩組樣本平均值之間的差異具統計學顯著性。
---E. 曼—惠特尼 \(U\) 檢驗 (Mann-Whitney \(U\) Test)
• 目的： 一種非參數統計檢驗，用於確定兩個獨立樣本是否來自具有相同分佈／中位數的母體。
• 適用時機： 當數據呈現偏態（非正態分佈）、屬於順序尺度 (ordinal scale) 或樣本量較小時，應用曼—惠特尼 \(U\) 檢驗代替學生 \(t\) 檢驗。
F. 洛倫茲曲線與堅尼系數 (Lorenz Curve and Gini Coefficient)
• 洛倫茲曲線 (The Lorenz Curve)： 一種用於展示不平等程度的圖表。橫軸表示累積人口百分比，縱軸表示累積收入（或資源／財富）百分比。
- \(45^\circ\) 的對角直線代表絕對均等線 (Line of Perfect Equality)。
- 曲線向下彎曲偏離對角線的幅度越大，代表不平等的程度越高。
• 堅尼系數 (The Gini Coefficient, \(G\))： 直接由洛倫茲曲線推導出的數學指標。
\(G = \frac{A}{A + B}\)
（其中 \(A\) 為絕對均等線與洛倫茲曲線之間的面積，\(B\) 為洛倫茲曲線下方的總面積）。
• 數值範圍：
- \(0\) 代表絕對均等（每個人享有完全相同的份額）。
- \(1\) 代表絕對不均等（單一個體佔有全部財富／資源）。
核心重點： 進行任何統計檢驗時，你都必須清楚列明虛無假設 (\(H_0\))、計算出正確的自由度 (\(df\))，並將計算所得的統計數值與 \(p = 0.05\) 下的臨界值表進行精準比對。
---4. 避開常犯錯誤：考官觀點與最佳應試實踐
溫習以下常見的考試盲點，確保你在技能題型及 NEA 調查中穩奪高分：
• 準確建構假設：
在執行任何檢驗前，務必先擬定清晰且可檢驗的假設。
- 虛無假設 (Null Hypothesis, \(H_0\))： 「[變數 A] 與 [變數 B] 之間沒有統計學上的顯著關係／差異……」
- 對立假設 (Alternative Hypothesis, \(H_1\))： 「[變數 A] 與 [變數 B] 之間存在統計學上的顯著關係／差異……」
• 相關性 vs. 因果關係 (Correlation vs. Causation)：
高數值的斯皮爾曼等級相關系數 (\(r_s\)) 只能證明兩者具關聯性，並不代表存在直接的因果關係。你必須運用地理理論深入解釋該自然或人文機制的運作原因與過程。
• 選用高階數據呈現方式：
單純使用基礎長條圖或圓形圖會局限數據分析的深度。請善用進階呈現手法，例如比例符號圖、GIS 空間圖層、離散圖 (dispersion graphs) 以及盒鬚圖 (box-and-whisker plots)，以展現數據的分佈與離散特徵。
• 撰寫具深度的實地考察評估：
切勿將評估流於表面後勤問題（例如「當天下雨」或「我們時間不夠」）。能奪得高分的評估應聚焦於：
- 數據效度 (Data Validity)： 你的考察方法是否確實測量到了你原本打算研究的地理概念？
- 數據信度 (Data Reliability)： 若另一位研究員完全複製你的抽樣方法，能否得出相同的結果？
- 方法論局限 (Methodological Limitations)： 評估抽樣設計在空間和時間維度上的限制。
- 倫理層面考量 (Ethical Dimensions)： 受訪者匿名性、知情同意，以及避免對自然生態生境造成破壞。
5. 快速溫習：核心公式速查表
• 平均值 (Mean)： \(\bar{x} = \frac{\sum x}{n}\)
• 四分位距 (Interquartile Range)： \(IQR = Q_3 - Q_1\)
• 標準差（樣本）(Standard Deviation - Sample)： \(s = \sqrt{\frac{\sum (x - \bar{x})^2}{n - 1}}\)
• 斯皮爾曼等級相關系數 (Spearman’s Rank)： \(r_s = 1 - \frac{6\sum d^2}{n(n^2 - 1)}\)
• 卡方檢驗 (Chi-Squared)： \(\chi^2 = \sum \frac{(O - E)^2}{E}\)
• 學生 \(t\) 檢驗 (Student's \(t\)-test)： \(t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}\)
• 堅尼系數 (Gini Coefficient)： \(G = \frac{A}{A + B}\)