Opening the black box of bird-window collisions: passive video recordings in a residential backyard
Notice bibliographique
Résumé
Collisions with windows on buildings are a major source of bird mortality. The current understanding of daytime collisions is limited by a lack of empirical data on how collisions occur in the real world because most data are collected by recording evidence of mortality rather than pre-collision behaviour. Based on published literature suggesting a causal relationship between bird collision risk and the appearance of reflections on glass, the fact that reflections vary in appearance depending on viewing angle, and general principles of object collision kinematics, we hypothesized that the risk and lethality of window collisions may be related to the angle and velocity of birds' flight. We deployed a home security camera system to passively record interactions between common North American bird species and residential windows in a backyard setting over spring, summer and fall seasons over 2 years. We captured 38 events including 29 collisions and nine near-misses in which birds approached the glass but avoided impact. Only two of the collisions resulted in immediate fatality, while 23 birds flew away immediately following impact. Birds approached the glass at variable flight speeds and from a wide range of angles, suggesting that the dynamic appearance of reflections on glass at different times of day may play a causal role in collision risk. Birds that approached the window at higher velocity were more likely to be immediately killed or stunned. Most collisions were not detected by the building occupants and, given that most birds flew away immediately, carcass surveys would only document a small fraction of window collisions. We discuss the implications of characterizing pre-collision behaviour for designing effective collision prevention methods.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».