MétaCan
Menu
Retour à la cohorte
Enregistrement W2980138857 · doi:10.26077/yv1k-dg31

Tracking Canada Geese Near Airports: Using Spatial Data to Better Inform Management

2019· article· en· W2980138857 sur OpenAlexaboutno aff
Ryan J. Askren, Brett E. Dorak, Heath M. Hagy, Michael W. Eiccholz, Brian E. Washburn, Michael P. Ward

Notice bibliographique

RevueLincoln (University of Nebraska) · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueAviation Industry Analysis and Trends
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTracking (education)GeographyEnvironmental resource managementData managementCartographyEnvironmental scienceComputer scienceData mining

Résumé

récupéré en direct d'OpenAlex

The adaptation of birds to urban environments has created direct hazards to air transportation with the potential for catastrophic incidents. Bird–aircraft collisions involving Canada geese (<em>Branta canadensis</em>; goose) pose greater risks to aircraft than many bird species due to their size and flocking behavior. However, information on factors driving movements of geese near airports and within aircraft arrival/departure areas for application to management are limited. To address this need, we deployed 31 neck collar-mounted global positioning system transmitters on Canada geese near Midway International Airport in Chicago, Illinois, USA during November 2015 to February 2016. We used the movement data obtained to model environmental and behavioral factors influencing the intersection of goose movements (i.e., transition from 1 location to another) with air operations areas (i.e., aircraft flight paths). Of 3,008 goose movements recorded, 821 intersected a 3-km buffer around the airport representing U.S. Federal Aviation Administration recommended distances from wildlife attractants, and 399 intersected flight paths for approaching and landing aircraft. The effects of weather (i.e., snow cover, temperature, wind speed) on the probability of geese flying varied with different air operation areas while certain habitat resources greatly increased the probability of intersection. For example, the juxtaposition of foraging (railyards with spilled grain) and loafing areas (rooftops) near the airport led to a higher probability of movements intersecting important air operations areas. The average altitude of flying geese was 29.8 m above the ground, resulting in the greatest risk of collision being within 0.5 km of the end of runways. We suggest airport goose collision mitigation management actions, such as reducing habitat resources near the airport and using focused nonlethal harassment or physical modifications, when guided by animal movement data, may further mitigate bird-strike risks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,440
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,211
Écart entre enseignants0,153 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLincoln (University of Nebraska)Même sujetAviation Industry Analysis and TrendsTravaux en français237 207