Reducing the number of grazing geese on agricultural fields - Effectiveness of different scaring techniques
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
Scaring is a widely used damage mitigation tool to make agricultural fields less attractive to wildlife and by that reduce crop damage. However, few experimental studies exist where the numerical response of different scaring devices has been compared. We tested experimentally the effect of three different scaring devices (kite, scarecrow, inflatable man) on the number of geese in fields with cereals, ley, rapeseed, potatoes, and carrots in Sweden. Geese were counted by camera traps and two approaches were used; in a first (model 1) only geese within 50–150m of the scaring devices were counted, and in a second (model 2) all geese in the field were included. A total of 42,281 geese were counted: Greylag goose Anser anser was the most common species (86%), followed by bean goose Anser fabalis (6%), greater white-fronted goose Anser albifrons (3%), barnacle goose Branta leucopsis (2%), and Canada goose Branta canadensis (2%). During scaring the number of geese significantly decreased for all three devices in model 2. The inflatable man decreased goose numbers by 90.0 %, scarecrow 64.6%, and kite 60.5%. A similar pattern was found in model 1, but the decrease was not significant. Our study shows that the scaring devices studied can reduce goose grazing pressure for some time and locally. However, since geese continue to graze during scaring, we conclude that scaring alone is not a final solution to mitigate crop damage. Future work to develop more effective control measures should address the efficiency of other management tools and scaring techniques in combination.
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 | 0,000 | 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 | 0,000 |
| 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