Miniaturization eliminates detectable impacts of drones on bat activity
Notice bibliographique
Résumé
Abstract Advances in operational simplicity and cost efficiency have promoted the rapid integration of unoccupied aerial vehicles (UAVs) into ecological research, yet UAVs often disturb wildlife, potentially biasing measurements. Studies of UAV effects on wildlife to date have focused on UAV trajectory or distance; however, UAV size and noise could be critical variables influencing wildlife responses. Bats are cryptic aerial species that are difficult to survey using conventional means, and so we tested the effectiveness of drone‐based acoustic surveys for bats. We recorded the number of acoustic bat detections with and without a UAV present. We used three small, commercial rotary UAVs varying in size and noise intensity (249, 907, 1,380 g). Larger and louder UAVs deterred significantly more bats, with no effect of take‐off distance on bat activity. The smallest and quietest UAV model had a similar change in bat activity compared with control measurements. Drone noise increased with drone size, but all drones emitted in a similar range of frequencies that overlapped with the larger bat species that were also those most impacted by the UAV. During the 5‐minute surveys, there was no evidence of bat habituation to UAVs although bats returned quickly once the UAV survey ended. We urge wildlife researchers to consider drone size during wildlife surveys. Smaller and quieter models have negligible impacts on wildlife, eliminating the impact of drones on wildlife in some cases.
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 ».