Passive Acoustic Monitoring of Gunshot Activity in Cooking Lake-Blackfoot Provincial Recreation Area
Notice bibliographique
Résumé
In the past, monitoring hunting behavior has been limited to self-reported numbers. However, the ability of autonomous recording units to monitor soundscapes may make them suitable for assessing spatio-temporal shooting patterns. Our goal for this project was to find out if it is possible to use acoustic monitoring to track human activity, and if there were differences in seasonal or daily shooting intensities. We hypothesized that shooting intensity would decrease from September to November and from the afternoon till morning due to people being less likely to go shooting in cooler temperatures. A grid of 91 ARU’s were deployed between September 2nd and November 30th, 2018 in Cooking Lake-Blackfoot Provincial Recreation Area. They were set to record continuously between sunrise and sunset with some recording during the night as well. We selected a random subset of 30 minute recordings, visualized them using spectrograms; visual representations of sound with time on the x-axis and frequency on the y-axis, and counted the gunshots in each. We compared differences in gunshot detections between months and different times of day using analysis of variance (ANOVA). There were no statistical differences found in seasonal or daily shooting intensities. One reason for this may be that sample sizes were low, due to the time needed to manually process recordings. We demonstrated that ARU’s can be used to provide us with an accurate way of assessing shooting patterns and therefore, be useful for monitoring other human behaviors such as detecting poachers, or assessing compliance with hunting laws.
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 | 0,001 |
| 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) | 0,001 | 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 ».