Drone noise differs by flight maneuver and model: implications for animal surveys
Notice bibliographique
Résumé
Drones are becoming a common tool for animal monitoring; however, sound emitted from drones may disturb animals and bias survey results. Understanding noise levels produced by different flight maneuvers, altitudes (i.e., above ground level (AGL)), and drone models could mitigate animal disturbance during surveys. We measured maximum sound (dB) emitted during three flight maneuvers (hovering, flyover, and turning) among eight AGLs (15–120 m) and two vertical maneuvers (ascending and descending) for four commercially available quadcopter drone models (DJI Matrice 300, Matrice 200, Phantom 3, and Autel Evo II), accounting for wind speed and comparing to ambient (background) noise. Ascending, descending, and hovering produced more noise compared to flyover and turning maneuvers. One large drone (Matrice 200, 4.7 kg) produced more noise than the two smaller drones (Evo II, 1.2 kg and Phantom 3, 1.1 kg). However, the largest drone (Matrice 300, 6.4 kg) produced noise similar to smaller models and was the quietest among all models from 75 to 120 m AGL, providing potential size advantages with less noise disturbance. Our results indicate that flights consisting of flyover and turning maneuvers likely cause less noise disturbance than surveys with prolonged hovering over animals.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».