Use of wildlife camera traps to aid in wildlife management planning at airports
Notice bibliographique
Résumé
Wildlife incidents with aircraft cost airports and operators worldwide an average of US$1.28bn annually. In Canada, Airport Wildlife Management Plans (AWMPs) are designed to provide an outline of specific wildlife hazards at airports and recommend countermeasures to minimise strike risk. Wildlife incident reports are a key component in the development of such plans. Here, wildlife incident reports were compiled and compared to data collected using newly-installed digital wildlife camera trap technology at the Prince George International Airport. Seven camera traps were monitored for a total of 2,426 sampling days (9,228 camera days) between 2009 and 2016 and recorded a total of 3,046 animals within 16 different animal species/groups. Airport personnel recorded 4,640 animals and 23 different species/ groups during the same period. Camera traps recorded almost five times as many animals (n = 2,525) on days when no wildlife incident reports were filed than days when wildlife incident reports were filed (n = 521) and camera traps recorded no images. Z-test for proportions analyses indicated that birds (ie flocks) were more commonly observed and reported by airport personnel than were captured by camera traps, while mammals such as moose (Alces alces), black bears (Ursus americanus) and snowshoe hares (Lepus americanus) were more commonly recorded by camera traps. These findings suggest that data from camera traps can help in the development of more informed AWMPs.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 tête enseignante, 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 ».