Shark detection probability from aerial drone surveys within a temperate estuary
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Drones are easy to operate over metres-to-kilometre scales, making them potentially useful to monitor species distributions and habitat use in shallow estuaries with widely varying environmental conditions. To investigate the utility of drones for surveying bonnethead sharks (Sphyrna tiburo) across estuarine environmental gradients, we deployed decoys, fashioned to mimic sharks, in the field. Decoys were placed in two flight areas (0.8 km 2 each) in shallow (<2 m) water near Beaufort, N.C., on five days during 2015–2016. Survey flights were conducted using a fixed-wing drone (senseFly eBee) equipped with a digital camera. Images were indexed for combinations of six environmental factors across flights. Images representative of all (N = 36) observed environmental combinations were sent to a group of 15 scientists who were asked to identify sharks in each image. Non-parametric rank-sum comparisons and regression tree analysis on resultant detection probabilities highlighted depth as having the largest, statistically reliable influence on detection probabilities, with decreasing detection probabilities at increased depth. Detection probabilities were higher during midday flights, with notable effects of wind speed and cloud presence also apparent. Our study highlights depth as a first-order factor constraining the temperate estuarine habitats over which drones may reliably quantify sharks (i.e., <0.75 m).
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.
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 | 0,003 | 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 | 0,000 | 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 | 0,001 |
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 découle