Applications of Unmanned Aerial Vehicles to Survey Mesocarnivores
Notice bibliographique
Résumé
With the widespread extirpation of top predators over the past two centuries, mesocarnivores play an increasingly important role in structuring terrestrial trophic webs. However, mesocarnivores are difficult to survey at a population level because their widely spaced territories and nocturnal behavior result in low detection probability. Existing field survey techniques such as track plates and motion-sensitive camera traps are time-consuming and expensive, and yet still yield data prone to systematic errors. Unmanned Aerial Vehicles (UAVs) have recently emerged as a new tool for conducting population surveys on a wide variety of wildlife, eclipsing the efficiency and even accuracy of traditional methods. We used a UAV equipped with a thermal imaging camera to conduct nighttime mesocarnivore surveys in the prairie pothole region of southern Manitoba, Canada. This was part of a much larger ecological study evaluating how lethal removal of mesocarnivores affects duck nest success. Here, our objective was to describe methods and equipment that were successful in detecting mesocarnivores. We used a modified point-count survey from six waypoints that surveyed a spatial extent of 29.5 ha. We conducted a total of 200 flights over 53 survey nights during which we detected 32 mesocarnivores of eight different species. Given the large home ranges of mesocarnivores relative to the spatial and temporal scale of our spot sampling approach, results of these types of point-count surveys should be considered estimates of minimum abundance and not a population census. However, more frequent sampling and advanced statistics could be used to formally estimate population occupancy and abundance. UAV-mounted thermal imaging cameras appear to be an effective tool for conducting nocturnal population surveys on mesocarnivores at a moderate spatial scale.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 0,000 |
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 source (Gemma direct ou Codex distillé), 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 ».