Using drone imagery to obtain population data of colony-nesting seabirds to support Canada’s transition to the global Key Biodiversity Areas program
Notice bibliographique
Résumé
Identifying of global or national biodiversity ‘hotspots’ has proven important for focusing and prioritizing conservation efforts worldwide. Canada has nearly 600 Important Bird and Biodiversity Areas (IBAs) identified by quantitative criteria to help guide avian conservation and management. Marine IBAs capture critical waterbird habitats such as nesting colonies, foraging sites, and staging areas. However, due to their remote locations, many lack recent population counts. Canada has begun transitioning IBAs into the global Key Biodiversity Areas (KBA) program; KBAs identify areas that are important for the persistence of biodiversity and encompass a wider scope of unique, rare, or vulnerable taxa. Assessing whether IBAs qualify as KBAs requires current data – as will future efforts to manage these biologically important sites. We conducted a pilot study in the Chain Islets and Great Chain Island IBA, in British Columbia, to assess the effectiveness of using drones to census surface-nesting seabirds in an IBA context. This IBA was originally designated for supporting a globally significant breeding colony of Glaucous-winged Gulls ( Larus glaucescens ). Total nest counts derived from orthomosaic imagery (1012 nesting pairs) show that this site now falls below the Global and National IBA designation criterion threshold, a finding consistent with regional declines in the species. Our trial successfully demonstrates a flexible and low cost approach to obtaining population data at an ecologically sensitive KBA site. We explore how drones will be a useful tool to assess and monitor species and habitats within remote, data-deficient IBAs, particularly during the transition to KBAs.
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 | 0,001 |
| 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 ».