歡迎閱讀地理技能與實地考察研習筆記

同學你好！歡迎閱讀這份專為 AQA AS Level 地理科（7036）而設的地理技能（Geographical Skills）與實地考察探究歷程（Fieldwork Enquiry Route）全方位研習指南。地理技能是每位地理學家必備的「工具箱」，能助你從真實世界收集實證、理解空間格局、找出趨勢發展，並清晰表達你的研究發現。

在 AS Level 考試中，兩份卷均會考核各項地理技能與實地考察概念，其中重心為卷二（Paper 7036/2: 人文地理與地理實地考察），其 Section B（佔 40 分）專門針對實地考察與數據技能評評。與完整的 A-Level 不同，AS 階段無需提交獨立的校本評核（NEA）研習報告，同學對實地考察和數據技能的掌握將完全透過筆試進行評核。

如果現階段覺得數學計算、圖表繪製或實地考察概念有點複雜，請不用擔心！我們會將每項技巧拆解成清晰的步驟，並配合詳盡解說、計算範例和實用應試竅門，助你在考試中穩奪佳績！

1. 實地考察探究架構（課程綱要 Section 3.4）

所有 AQA AS Level 地理科學生必須完成至少兩天實地考察，涵蓋自然地理與人文地理過程。在應考筆試題目時，你必須透徹理解整個探究歷程涵蓋的六個邏輯階段。

實地考察探究歷程的 6 個階段

  1. 實地考察前準備（Preparation for Fieldwork）：閱讀背景資料及進行情境研究；訂立明確的研究目的（aims）、假設（hypotheses）及研究目標（objectives）；選擇合適的抽樣策略；並制定包含健康與安全程序的全面風險評估（risk assessment）。
  2. 數據收集（Data Collection）：在現場收集第一手數據 / 初級數據（primary data）（例如量度礫石大小、進行人流計數），並搜集相關的第二手數據 / 次級數據（secondary data）（例如歷史地圖、人口普查記錄、英國環境署數據庫）。
  3. 數據處理與展示（Data Processing and Presentation）：將原始數值整理成有系統的數據表格，並選擇適當的地圖製圖（cartographic）或圖表（graphical）技巧呈現數據。
  4. 數據分析（Data Analysis）：運用描述性統計（descriptive statistics）（平均數、中位數、分佈域、標準差）及推論性統計（inferential statistics）（如斯皮爾曼等級相關系數）來詮釋數據空間格局。
  5. 結論（Conclusions）：將研究結果直接連繫回最初的研究目的、假設、特定考察地點，以及更廣泛的地理學理論。
  6. 評估（Evaluation）：批判性地評估數據收集、展示和分析的準確度（accuracy）、可靠度（reliability）和有效度（validity）；指出局限性；並提出具意義的延伸研究建議。

記憶口訣：探究之旅

可以將實地考察歷程記為首字母縮寫 P-D-P-A-C-E（Prepare 準備、Data collect 收集、Present 展示、Analyse 分析、Conclude 結論、Evaluate 評估）。每當試題問及考察的某個特定階段時，請緊記這個順序！

野外抽樣策略（Sampling Strategies）

我們不可能量度海灘上的每一顆卵石，也不可能訪問市鎮內的每位居民，因此必須運用抽樣（sampling）。理解各種抽樣方法的應用時機及其優缺點，是極為重要的應試技能。

  • 隨機抽樣（Random Sampling）：每個地點或個體都有完全均等的機會被選中。
    執行方法：利用隨機數字生成器在地圖上產生網格座標，或從順序名單中隨機抽取樣本。
    優點：完全消除研究者的主觀偏差（bias）。
    缺點：純粹靠機率可能意外遺漏關鍵的次分區，或造成空間分佈不均。
  • 系統抽樣（Systematic Sampling）：按照固定且預先設定的空間或數值間距選取採樣點或個體。
    執行方法：沿著橫切沙丘的樣條線每隔 \(5\text{ m}\) 放置一個樣方，或在街角每隔 10 位路人訪問一位。
    優點：快捷簡單，能確保沿線或區域內的空間涵蓋均勻。
    缺點：如果地貌景觀本身存在週期性的規律變化，且剛好與抽樣間距吻合，便會引入系統偏差。
  • 分層抽樣（Stratified Sampling）：將總體或景觀劃分為不同的子群組（層 / strata），再按各層比例進行抽樣。
    執行方法：如果某市區選區的人口結構為 \(60\%\) 低於 40 歲及 \(40\%\) 高於 40 歲，你的問卷調查樣本便嚴格按照 \(60:40\) 的比例分配。
    優點：代表性極高；確保少數群體或較小分區不會被忽略。
    缺點：需要準確的先驗第二手數據，以便預先得知各層的比例。
  • 實用性 / 機會抽樣（Pragmatic / Opportunistic Sampling）：根據實際限制（如現場可達度、時間限制或安全考慮）來選擇抽樣地點。
    優點：在地勢險要或時間緊迫的情況下務實且安全。
    缺點：主觀性極強；容易引入偏差並降低數據的有效度。

重點回顧：實地考察探究

實地考察是一個結構嚴謹的過程。在評估自己的研究時，務必清晰區分數據收集問題（如樣本量過小、儀器誤差）、數據展示問題（如比例尺不合適、遺失細節）以及數據分析問題（如混淆相關性與因果關係）。

2. 定性與定量數據技能（課程綱要 Section 3.5.1）

地理學家同時運用數值量度與生活體驗來理解人文與地方。

定量數據（Quantitative Data）

定量數據由數值量度及計數組成。令數據具有獨特地理特徵的關鍵在於其具備地理定位屬性（geo-located attributes）——即每個數值都與空間中的特定位置關聯（例如經緯度、格網座標或郵政編碼）。

  • 地理空間技術（Geospatial Technologies）：例如全球定位系統（GPS）和地理資訊系統（GIS）等工具，讓地理學家能夠收集、處理、查詢和視覺化呈現空間數碼數據。
  • 大數據與群眾外包數據（Big Data and Crowd-Sourced Data）：從手提電話、社交媒體打卡或智能卡中收集的海量數碼數據庫，能反映高密度的人類流動模式。
  • 定量數據中的誤差：
    • 隨機誤差（Random errors）：由人為讀數不準確或突發環境變化引起的不可預測波動（例如量度水流計時突遇陣風）。
    • 系統誤差（Systematic errors）：由儀器故障或校準不良導致的持續、可重複誤差（例如測斜儀未經校準，導致量度的坡度角度總是偏高 \(2^\circ\)）。

定性數據（Qualitative Data）

定性數據由非數值、描述性、文字、視覺或藝術資訊組成。它能幫助地理學家理解人們如何感知、體驗地方，以及如何賦予地方意義。

  • 收集方法：半結構式及非結構式訪談、焦點小組，以及感知研究（例如詢問居民在不同社區的安全感程度）。
  • 視覺與文本資料來源：分析相片、地方廣告、詩歌、畫作、口述歷史及街頭塗鴉。
  • 主題編碼（Thematic Coding）：一種系統化分析技巧，研究人員閱讀定性文本（如訪談逐字稿），將重複出現的字眼、短語或概念歸類為不同主題（例如將提及「恐懼」、「社區自豪感」或「傳統文化流失」進行分類編碼）。
  • 倫理與主觀立場（Ethics and Positionality）：在研究人類社區時，地理學家必須確保：
    • 知情同意（Informed consent）：受訪者充分理解研究目的。
    • 匿名與保密（Anonymity and confidentiality）：個人身分受到保護。
    • 主觀立場（Positionality）：意識到研究者自身的背景（年齡、性別、社會階層）可能會如何影響其與受訪者的互動及對數據的詮釋。

常見應試陷阱：切勿在考試中將定性數據貶低為「因過於主觀而毫無用處」。定性資料能對地方依戀和個人生活體驗提供深刻洞察，這是單靠數字無法呈現的！

3. 核心與地圖製圖技能（課程綱要 Section 3.5.2.1 & 3.5.2.2）

核心圖像技能

  • 英國地形測量局（OS）地圖：閱讀並註釋比例尺為 \(1:25,000\)（即 \(4\text{ cm} = 1\text{ km}\)）及 \(1:50,000\)（即 \(2\text{ cm} = 1\text{ km}\)）的地圖。
  • 疊加圖（Overlays）：在底圖上疊加實體透明膠片或在 GIS 中疊加數碼圖層，以比較不同的數據集（例如將水浸風險區疊加到人口密度地圖上）。
  • 實地素描與相片：在野外素描、地面/航空/衛星相片上加上描述性與解釋性註釋，以標示地貌特徵、土地利用或自然過程。
  • 問卷設計：運用閉合式問題（closed questions）（固定選項）、開放式問題（open questions）（自由書寫回答）、李克特量表（Likert scales）（如由非常同意至非常不同意）以及語意差異量表（semantic differential scales）（在兩個對立形容詞之間評分，例如嘈雜 …… 平靜）。

地圖製圖技能（Cartographic Skills）

考試常會要求你分析不同類型的主題地圖，或為特定數據集選擇最佳的地圖呈現方式：

1. 空間格局地圖

  • 分級符號地圖 / 面量圖（Choropleth Maps）：預先定義的行政區域（如地方行政區）根據數據分類組別填上深淺不同的顏色（顏色越深通常代表密度或百分比越高）。
    優點：能即時呈現區域空間差異的直觀視覺印象。
    局限：假設整個區域內的數值完全均一，並在區域邊界之間製造了虛假而突兀的斷層。
  • 等值線圖（Isoline Maps）：連接數值相等各點的連續曲線。
    例子：等高線（Contours）（高度相等）、等壓線（isobars）（氣壓相等）、等溫線（isotherms）（溫度相等）及等時線（isochrones）（從中心點出發的交通時間相等）。
    優點：能顯示連續的空間漸變，沒有人為邊界的限制。
    局限：需要大量準確的數據收集點，才能可靠地內插估算繪製等值線。
  • 點子圖（Dot Maps）：在地圖上繪製大小相同的圓點，每個點代表特定固定數量的屬性（例如 1 個點 = 100 人）。
    優點：能準確呈現空間集聚（clustering）與擴散（dispersion）。
    局限：在密集集聚區域難以計算個別圓點的數量；無法提供精確數值。

2. 運動流向地圖

請務必分清以下三種不同的流向表達技巧：

  • 流量線（Flow Lines）：沿著實際移動路線（如沿道路、河流或鐵路）繪製的線條，線條的寬度/粗幼嚴格與流動量成正比。
  • 意向線（Desire Lines）：直接由起點連接至終點的直線（忽略實際使用的道路或路徑），用以顯示流動的整體方向和總量。
  • 出行線（Trip Lines）：將各個分散的起點連接至單一中心節點的直線（例如繪製個別顧客前往某個特定零售商業園的來源分佈，藉此界定其商圈服務範圍）。

3. 比例符號地圖（Proportional Symbol Maps）

在地圖上的特定位置繪製符號（如圓形、長條或正方形），符號的大小與該點的總數值成正比。

如何計算比例圓的半徑：
由於圓形面積與數值成正比（\(\text{面積} \propto \text{總數值}\)），因此半徑 \(r\) 必須與總數值的平方根成正比：

\(r \propto \sqrt{\text{總數值}}\)

為甚麼這點很重要：如果數值增加一倍，你絕不能將半徑增加一倍！若半徑加倍，圓形的面積將會擴大為四倍，從而在視覺上誤導讀者。

重點回顧：地圖製圖

請牢記：流量線沿實際路線繪製且粗幼成比例；意向線是起點至終點的直連線；出行線則顯示向單一中心節點匯聚的個別旅程。

4. 圖表技能（課程綱要 Section 3.5.2.3）

地理學家會運用多種圖表清晰呈現數據。以下是 AQA 課程綱要要求的核心圖表技巧解析：

折線圖與柱狀圖

  • 簡單圖表（Simple）：隨時間變化或按單一類別繪製的單一變量。
  • 比較圖表（Comparative）：在同一坐標軸上繪製多條折線或分組柱狀圖，用以比較兩個或更多地點/類別。
  • 複合 / 堆疊圖表（Compound / Stacked）：折線或長條互相堆疊，頂端線條/柱高代表總量，而各層/區段則顯示各子項組成部分。
  • 離差 / 發散圖（Divergent）：顯示相對於中心基準線或零軸的正負偏離程度（例如顯示人口增長率在零點以上的增長與零點以下的下降，或經濟表現）。

散佈圖與最佳擬合線（Lines of Best Fit）

用於繪製成對（雙變量）的數值數據，以找出兩者之間的關係：

  • 正相關（Positive correlation）：變量 \(X\) 增加，變量 \(Y\) 亦隨之增加。
  • 負相關（Negative correlation）：變量 \(X\) 增加，變量 \(Y\) 反而減少。
  • 無相關（No correlation）：數據點呈隨機散佈，沒有明顯規律。

圓形圖與比例分割圓（Pie Charts & Divided Circles）

計算或詮釋圓形圖各扇形角度的公式：

\(\text{扇形角度（度）} = \left(\frac{\text{百分比}}{100}\right) \times 360^\circ \quad \text{或} \quad \text{扇形角度} = \left(\frac{\text{項目數值}}{\text{總數值}}\right) \times 360^\circ\)

三角圖（Triangular / Ternary Graphs）

三角圖用於繪製三個加起來剛好等於 \(100\%\) 的成分組別（例如：土壤由沙粒、粉粒和黏粒組成的比例；或分為第一、第二及第三產業的就業結構）。

逐步閱讀三角圖的方法：

  1. 找出三條坐標軸，每條軸的刻度均由 \(0\%\) 至 \(100\%\)。
  2. 跟隨每條軸上數字的遞增方向。
  3. 沿著與該軸刻度線平行的網格線讀取數值。
  4. 合理性檢查：務必將讀出的三個數值相加：\(A\% + B\% + C\%\) 必須等於 \(100\%\)！如果不等於，代表你沿著錯誤角度的網格線讀數。

對數尺度圖（Logarithmic Scale Graphs）

在對數尺度上，坐標軸按數量級（10 的次方）遞增，例如 \(1, 10, 100, 1000, 10000\)，而非相等的線性遞增步長（\(1, 2, 3, 4\dots\)）。

  • 半對數圖（Semi-logarithmic graphs）：其中一條軸為對數尺度，另一條為標準線性尺度（常用於河流流量或隨時間變化的人口增長）。
  • 雙對數圖（Log-log graphs）：兩條軸均為對數尺度（用於比較數值跨度極大的數據集，例如洪水重現期或河流泥沙輸送量）。

離散圖（Dispersion Diagrams）

離散圖將原始數據點以個別圓點形式繪製於單一垂直坐標軸上。它能讓你在不隱藏任何個別數據點的情況下，即時觀察數據的分佈擴散程度、集中趨勢、數據間隙及異常值。

5. 統計技能（課程綱要 Section 3.5.2.4）

統計方法能助我們將原始數據轉化為客觀明確的結論。同學需要熟練掌握描述性統計與推論性統計技巧。

集中趨勢量度（Measures of Central Tendency）

  • 平均數（Mean, \(\bar{x}\)）：算術平均值。

    \(\bar{x} = \frac{\sum x}{n}\)

    其中 \(\sum x\) 為所有數值的總和，\(n\) 為觀測次數。
  • 中位數（Median）：將所有原始數據由小至大排列後處於正中間的數值。

    \(\text{中位數位置} = \frac{n + 1}{2}\)

    優點：與平均數不同，中位數不易受極端值或異常值影響。
  • 眾數（Mode）：數據集中出現頻率最高的數值。適用於類別數據（例如最普遍的土地利用類型）。

離散程度量度（Measures of Dispersion）

  • 分佈域 / 極差（Range）：最簡單的離散量度：

    \(\text{分佈域} = \text{最大值} - \text{最小值}\)

  • 四分位距（Inter-quartile Range, IQR）：上四分位數（\(Q_3\)）與下四分位數（\(Q_1\)）之差，代表中間 \(50\%\) 數據的分佈範圍：

    \(\text{IQR} = Q_3 - Q_1\)

    優點：消除了數據集兩端極端異常值的干擾。
  • 標準差（Standard Deviation, \(s\) 或 \(\sigma\)）：一種極具參考價值的統計量，用於量度所有數據點圍繞算術平均數的平均分散程度：

    \(s = \sqrt{\frac{\sum (x - \bar{x})^2}{n}} \quad \text{或} \quad s = \sqrt{\frac{\sum x^2}{n} - (\bar{x})^2}\)

    數值詮釋：低標準差代表數據點緊密聚集在平均數周圍（一致性/均一性高）；高標準差則表示數據廣泛分佈於較大範圍內。

推論性統計：斯皮爾曼等級相關系數（Spearman's Rank Correlation Coefficient, \(r_s\)）

斯皮爾曼等級相關用於檢驗兩個排序變量之間統計關係的強度與方向。

計算公式：

\(r_s = 1 - \frac{6 \sum d^2}{n(n^2 - 1)}\)

其中：

  • \(d =\) 每對成對變量之間的等級差（\(\text{變量 } X \text{ 的等級} - \text{變量 } Y \text{ 的等級}\)）
  • \(d^2 =\) 該等級差的平方
  • \(\sum d^2 =\) 所有等級差平方的總和
  • \(n =\) 成對數據的總組數

計算斯皮爾曼等級相關的詳細步驟：

  1. 建立表格，列出欄位：變量 \(X\)、變量 \(Y\)、等級 \(X\)、等級 \(Y\)、等級差 \(d\) 及 \(d^2\)。
  2. 將變量 \(X\) 由最大（\(1\)）至最小進行排序。若出現同分（數值相同），則取平均等級（例如第 3 與第 4 名同分，兩者均編為 \(3.5\)）。
  3. 將變量 \(Y\) 獨立地由最大（\(1\)）至最小排序。
  4. 計算每一行的 \(d = \text{等級 } X - \text{等級 } Y\)。（快速檢查：\(\sum d\) 必須剛好等於 \(0\)！）
  5. 計算每個差值的平方以得出 \(d^2\)，並求其總和：\(\sum d^2\)。
  6. 將 \(\sum d^2\) 及 \(n\) 代入公式計算 \(r_s\)。

計算所得 \(r_s\) 值的含意：

  • \(+1.0 =\) 完全正相關。
  • \(0.0 =\) 完全無相關。
  • \(-1.0 =\) 完全負相關。

顯著性檢定 / 假設檢定（Significance Testing）

即使計算出的 \(r_s\) 接近 \(+1\) 或 \(-1\)，亦不代表該關係必然真實存在——這可能是純粹偶然產生的。因此我們需要進行顯著性檢定。

  1. 列出假設：
    • 虛無假設 / 零假設（Null Hypothesis, \(H_0\)）：「變量 \(X\) 與變量 \(Y\) 之間沒有顯著關係。觀察到的任何格局皆由隨機機率引起。」
    • 對立假設（Alternative Hypothesis, \(H_1\)）：「變量 \(X\) 與變量 \(Y\) 之間存在顯著關係。」
  2. 查閱臨界值（Critical Value）：根據你的樣本大小 \(n\)（或自由度），在試卷提供的統計表中查閱標準顯著水平下的臨界值：
    • \(p = 0.05\)（\(95\%\) 置信水平）：結果純屬偶然發生的機率僅為 \(5\%\)。
    • \(p = 0.01\)（\(99\%\) 置信水平）：結果純屬偶然發生的機率僅為 \(1\%\)。
  3. 應用裁決法則：
    • 若你的計算值 \(\ge\) 臨界值：在選定的置信水平下拒絕虛無假設（\(H_0\)），並接受對立假設（\(H_1\)）。此關係在統計學上呈顯著！
    • 若你的計算值 < 臨界值：接受虛無假設（\(H_0\)）（或未能拒絕 \(H_0\)）。該關係在統計學上並不顯著。

重要應試警示：相關並不等於因果關係（Correlation does NOT prove causation）！即使 \(r_s\) 在 \(p = 0.01\) 水平下呈統計顯著，變量 \(X\) 亦不一定是導致變量 \(Y\) 的原因。這種關係可能受到第三個未被量度的變量（混雜變量）所影響，或者純屬巧合相關。

6. 資訊科技與地理空間技能（課程綱要 Section 3.5.2.5）

現代地理研究高度依賴數碼工具來處理和視覺化複雜的空間格局：

  • 遙感技術（Remote Sensing）：利用衛星、飛機或無人機在不接觸地面的情況下遠距離收集空間數據。例子包括衛星影像（監測市區蔓延或森林砍伐）、熱成像（城市熱島效應）以及 LiDAR（光學雷達 / 激光探測與測距，用於建立高精度 3D 數碼高程模型及海岸侵蝕模型）。
  • 電子數據庫：查詢、篩選及分析大型公共數據庫，包括人口普查 / 英國國家統計局（ONS）數據、英國地質調查局（BGS）的鑽孔與岩石數據，以及環境署的河流流量與水浸警告記錄。
  • 地理資訊系統（GIS）：如 ArcGIS、QGIS 及 Google Earth 等將數值數據與空間位置連結的軟件。GIS 讓地理學家能夠：
    • 在單一地圖界面上疊加多個自然與人文地理圖層。
    • 進行空間查詢（例如「找出位於河流泛濫區 \(500\text{ m}\) 範圍內的所有住宅物業」）。
    • 自動計算距離、面積及網絡路徑。

7. 常見考試陷阱總結

要在 AS Level 考試中奪取最高等級，請務必避免以下 AQA 考官報告中經常提及的常犯錯誤：

  • 1. 實地考察評估內容空泛：切勿只寫「我們應該收集更多數據」。必須詳細解釋為甚麼你的樣本存在偏差、分層抽樣或系統抽樣如何能解決該問題，以及這將如何提升數據的有效度。
  • 2. 混淆各種流向地圖：謹記流量線沿實際交通路線繪製且線寬與流量成正比，而意向線則是起點與終點之間的直線連接。
  • 3. 誤讀三角圖：讀數時務必沿著平行於刻度線的指引線讀取，並核對三個組成部分的百分比總和是否剛好為 \(100\%\)。
  • 4. 斷言相關即因果：切勿宣稱高斯皮爾曼等級相關系數「證明」了一項變量導致另一項變量。必須指出可能存在中介變量或外部干擾因素。
  • 5. 混淆臨界值裁決：緊記若要拒絕虛無假設，計算出來的 \(r_s\) 值必須大於或等於查表所得的臨界值。

快速溫習測驗

測試一下自己對本章核心概念的掌握程度：

  1. 請按順序列出 AQA 實地考察探究歷程的 6 個階段。
  2. 哪種抽樣策略會在抽樣前先將總體按比例劃分為各個子群組？
  3. 在天氣圖上連接氣壓相等各點的等值線稱作甚麼？
  4. 為甚麼比例圓的半徑是用 \(\sqrt{\text{總數值}}\) 計算，而不是直接使用原始總數值？
  5. 如果計算出的斯皮爾曼等級相關值大於 \(p = 0.05\) 水平下的臨界值，你對虛無假設（\(H_0\)）應作出甚麼裁決？

快對照上文筆記核對答案，確保自己徹底掌握每個課題！