Wildlife monitoring with unmanned aerial vehicles: Quantifying distance to auditory detection
Notice bibliographique
Résumé
ABSTRACT There is growing application of small unmanned aerial vehicles (UAVs) for detecting, enumerating, and monitoring wildlife. However, little is known about how the sound from UAVs may be affecting wildlife being studied. We quantified sound levels of 2 UAVs to determine minimum altitudes they can fly before being aurally detected by wildlife. We tested a small quadcopter (SkyRanger; Aeryon Labs, Inc., Waterloo, ON, Canada) and a fixed‐wing platform (eBee; Sensefly Ltd., Cheseaux‐sur‐Lausanne, Vaud, Switzerland) at the University of Calgary in Calgary, Alberta, Canada, between 1000 and 1200 hours on 27 September 2014. We modeled sound propagation and attenuation in relation to the lower hearing thresholds for 3 game species and 2 species of predators. Results indicate that the UAV sound levels differed in the lower frequency ranges, but were otherwise similar above 1.25 kHz. The domestic cat ( Felis silvestris catus ) has the lowest hearing threshold, with the capacity to hear both UAVs from the furthest distance; whereas, the mallard ( Anas platyrhynchos ) has the greatest hearing threshold, which means UAVs can be closer before being aurally detected. Because flying height is related to image resolution, our results indicate that the ability to detect some wildlife species may be affected by the need to fly higher to minimize sound disturbance, potentially requiring higher resolution cameras than those currently used. Also, additional flight permitting may be required if modeling indicates a UAV must fly at a greater height to avoid a behavioral response by the target species. © 2016 The Wildlife Society.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».