Towards building a speciesspecific risk model for mammal-aircraft strikes
Notice bibliographique
Résumé
Wildlife strikes are a significant issue in the aviation industry, especially strikes with medium- to large-sized mammals, which pose a high risk of damage to aircraft and human safety. Despite the identified threat that mammals can pose to aircraft, few works have been published on ways to rank and predict the risk of mammalian species to aircraft. This study used remote camera trap data collected from an array of wildlife camera traps at the Prince George International Airport (YXS), Prince George, British Columbia, Canada, to calculate strike risk for various species of mammals involved in runway incidents between January 2012 and December 2018. Carnivores such as red foxes and coyotes were found to be the highest risk mammal species at YXS, but foxes were found airside infrequently compared to coyotes. Binary logistic regression modelling was used in an attempt to predict variables leading to runway incidents with coyotes at YXS. The highest supported logistic regression model predicting coyote incidents included the variables ‘weekday’, ‘month’ and ‘season’. Although data from camera traps did not help to predict incidents, trend data collected from camera traps mirrored coyote incident data, suggesting that camera traps are useful for capturing times of the day and seasons of the year in which coyotes are active at the airport. Suggestions are provided as to how cameras might be used to track the movement of animals more accurately and what other data could be useful in helping to build risk assessments and models to predict aircraft incidents with mammals of interest.
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) | 0,000 | 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 ».