MétaCan
Menu
Retour à la cohorte
Enregistrement W4387965192 · doi:10.1007/s10661-023-11945-9

A simple framework for maximizing camera trap detections using experimental trials

2023· article· en· W4387965192 sur OpenAlexafffund
Philip D. DeWitt, Amy G. Cocksedge

Notice bibliographique

RevueEnvironmental Monitoring and Assessment · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWildlife Ecology and Conservation
Établissements canadiensMinistry of Natural Resources and Forestry
Organismes subventionnairesOntario Ministry of Natural Resources and ForestryMinistry of Natural Resources
Mots-clésCamera trapComputer scienceCamera resectioningComputer visionArtificial intelligenceRemote sensingEnvironmental scienceEcologyGeographyHabitat

Résumé

récupéré en direct d'OpenAlex

Camera trap data are biased when an animal passes through a camera's field of view but is not recorded. Cameras that operate using passive infrared sensors rely on their ability to detect thermal energy from the surface of an object. Optimal camera deployment consequently depends on the relationship between a sensor array and an animal. Here, we describe a general, experimental approach to evaluate detection errors that arise from the interaction between cameras and animals. We adapted distance sampling models and estimated the combined effects of distance, camera model, lens height, and vertical angle on the probability of detecting three different body sizes representing mammals that inhabit temperate, boreal, and arctic ecosystems. Detection probabilities were best explained by a half-normal-logistic mixture and were influenced by all experimental covariates. Detection monotonically declined when proxies were ≥6 m from the camera; however, models show that body size and camera model mediated the effect of distance on detection. Although not a focus of our study, we found that unmodeled heterogeneity arising from solar position has the potential to bias inferences where animal movements vary over time. Understanding heterogeneous detection probabilities is valuable when designing and analyzing camera trap studies. We provide a general experimental and analytical framework that ecologists, citizen scientists, and others can use and adapt to optimize camera protocols for various wildlife species and communities. Applying our framework can help ecologists assess trade-offs that arise from interactions among distance, cameras, and body sizes before committing resources to field data collection.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,122
score de la tête « metaresearch » (Gemma)0,223
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,122
Score d'incertitude au seuil0,645

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1220,223
Méta-épidémiologie (sens strict)0,0060,003
Méta-épidémiologie (sens large)0,0060,004
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,007
Communication savante0,0050,009
Science ouverte0,0110,005
Intégrité de la recherche0,0060,005
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,364
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental Monitoring and AssessmentMême sujetWildlife Ecology and ConservationTravaux en français237 207