Warm beach, warmer turtles: Using drone-mounted thermal infrared sensors to monitor sea turtle nesting activity
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
For decades sea turtle projects around the world have monitored nesting females using labor-intensive human patrolling techniques. Here we describe the first empirical testing of a drone-mounted thermal infrared sensor for nocturnal sea turtle monitoring; on the Osa peninsula in Costa Rica. Preliminary flights verified that the drone could detect similar sea turtle activities as identified by on-the-ground human patrollers – such as turtles, nests and tracks. Drone observers could even differentiate tracks of different sea turtle species, detect sea turtle hatchlings, other wildlife, and potential poachers. We carried out pilot flights to determine optimal parameters for detection by testing different thermal visualization modes, drone heights, and gimbal angles. Then, over seven nights, we set up a trial to compare the thermal drone and operators’ detections with those observed by traditional patrollers. Our trials showed that thermal drones can record more information than traditional sea turtle monitoring methods. The drone and observer detected 20% more sea turtles or tracks than traditional ground-based patrolling (flights and patrols carried out across the same nights at the same time and beach). In addition, the drone operator detected 39 other animals/predators and three potential poachers that patrollers failed to detect. Although the technology holds great promise in being able to enhance detection rates of nesting turtles and other beach activity, and in helping to keep observers safer, we detail challenges and limiting factors; in drone imagery, current cost barriers, and technological advances that need to be assessed and developed before standardized methodologies can be adopted. We suggest potential ways to overcome these challenges and recommend how further studies can help to optimize thermal drones to enhance sea turtle monitoring efforts worldwide.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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