Drone Nest Searching Applications Using a Thermal Camera
Notice bibliographique
Résumé
ABSTRACT Unmanned aerial systems (UASs), or drones, are increasingly being used for field sampling in wildlife research. However, to date there have been few studies using drones in avian nest searching, and none where a fixed survey methodology has been applied across multiple habitats spanning a large geographic region to locate avian nests. We tested nest searching using drone‐based thermal imagery for a variety of game (Anseriformes, Galliformes), and nongame bird species (Passerines and Charadriids) at sites located in the Dakotas, North Carolina, and Alberta. We used a manual, point‐transect survey method for all study sites in habitats ranging from marine‐coastal marshlands to upland grasslands. We found that 77–100% of known nests can be detected based on thermal signatures in multiple habitat types and across an array of different avian species. However, detectability varies with a variety of site, weather, atmospheric conditions, and the effectiveness of the method is impeded by a high false positive rate (60–95%). There are several identified challenges to be addressed for future thermal drone research, and our study provides observations and advice for planning studies. Drone technology has the potential for field applications by wildlife managers and conservationists, and as it matures will enhance the field practitioner's toolset. © 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 | 0,000 | 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 | 0,001 | 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) | 0,005 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».