Seabird species vary in behavioural response to drone census
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs) provide an opportunity to rapidly census wildlife in remote areas while removing some of the hazards. However, wildlife may respond negatively to the UAVs, thereby skewing counts. We surveyed four species of Arctic cliff-nesting seabirds (glaucous gull Larus hyperboreus, Iceland gull Larus glaucoides, common murre Uria aalge and thick-billed murre Uria lomvia) using a UAV and compared censusing techniques to ground photography. An average of 8.5% of murres flew off in response to the UAV, but >99% of those birds were non-breeders. We were unable to detect any impact of the UAV on breeding success of murres, except at a site where aerial predators were abundant and several birds lost their eggs to predators following UAV flights. Furthermore, we found little evidence for habituation by murres to the UAV. Most gulls flew off in response to the UAV, but returned to the nest within five minutes. Counts of gull nests and adults were similar between UAV and ground photography, however the UAV detected up to 52.4% more chicks because chicks were camouflaged and invisible to ground observers. UAVs provide a less hazardous and potentially more accurate method for surveying wildlife. We provide some simple recommendations for their use.
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 | 0,002 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».