Application of Unmanned Aerial Vehicles and Thermal Imaging Cameras to Conduct Duck Brood Surveys
Notice bibliographique
Résumé
ABSTRACT Brood surveys are used to estimate productivity in ducks, but road‐side transects, aerial surveys, and double‐observer ground surveys have likely underestimated productivity. Duck broods are elusive and prefer wetlands with emergent vegetation where they hide at signs of disturbance, making it difficult to get accurate brood counts. Estimates of brood detection probabilities are typically below 50% and variable, which makes biological inferences about abundance tenuous. We conducted a study to evaluate the efficacy of using an unmanned aerial vehicle (UAV) equipped with a thermal imaging camera to survey duck broods in 2 study areas. In Manitoba we located 669 broods with the UAV, compared to 344 detected by double‐observer ground surveys. In Minnesota we detected 225 ducks broods with the UAV, whereas only 105 duck broods were detected by ground observers. Using a Huggins closed‐capture model in program MARK we estimated an average detection probability across both sites of 0.55 (SE = 0.02) with the UAV compared to 0.24 (SE = 0.02) for the ground crews. Although the UAV detected twice as many broods as the ground surveys, detection probability with the UAV was impacted by temperature, humidity, vegetation density, and the criteria we used to determine whether a brood could be classified as resighted. Nevertheless, using a UAV equipped with a thermal imaging camera effectively doubled the number of broods detected compared to traditional methods, and surveys were completed 3 times faster. With advancing drone and camera technology we believe UAV brood counts will become increasingly accurate and provide reliable measures of local duck productivity. © 2021 The Wildlife Society.
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 | 0,000 |
| 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 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 ».