From Coastal to Montane Forest Ecosystems, Using Drones for Multi-Species Research in the Tropics
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
Biodiversity monitoring is crucial in tackling defaunation in the Anthropocene, particularly in tropical ecosystems. However, field surveys are often limited by habitat complexity, logistical constraints, financing and detectability. Hence, leveraging drones technology for species monitoring is required to overcome the caveats of conventional surveys. We investigated prospective methods for wildlife monitoring using drones in four ecosystems. We surveyed waterbird populations in Pulau Rambut, a community of ungulates in Baluran and endemic non-human primates in Gunung Halimun-Salak, Indonesia in 2021 using a DJI Matrice 300 RTK and DJI Mavic 2 Enterprise Dual with additional thermal sensors. We then, consecutively, implemented two survey methods at three sites to compare the efficacy of drones against traditional ground survey methods for each species. The results show that drone surveys provide advantages over ground surveys, including precise size estimation, less disturbance and broader area coverage. Moreover, heat signatures helped to detect species which were not easily spotted in the radiometric imagery, while the detailed radiometric imagery allowed for species identification. Our research also demonstrates that machine learning approaches show a relatively high performance in species detection. Our approaches prove promising for wildlife surveys using drones in different ecosystems in tropical forests.
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 | 0,000 | 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 | 0,000 | 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 découle