An accurate and efficient semiautomated approach to counting birds: Estimating Northern Gannet colony size in Canada
Notice bibliographique
Résumé
Abstract Improving the efficiency of population monitoring and conservation programs is beneficial, so long as the accuracy of the information collected is not diminished. The need to expeditiously estimate the population size of seabird colonies is especially acute during mass mortality events when aerial surveys can provide information quickly on the extent of effects and total mortality. In 2022, the highly pathogenic avian influenza virus caused outbreaks at most Northern Gannet Morus bassanus colonies worldwide, killing tens of thousands of gannets in eastern Canada. In this study, we evaluated the accuracy and efficiency of a semiautomated method using the free software CountEm for counting Northern Gannet nests by reanalyzing 13 years of aerial photographs from past population surveys (2009–2020 and 2022). The CountEm program uses a geometric sampling method which overlays a grid of quadrats onto photographs in which the user counts objects of interest. We developed a protocol that generated population estimates that are accurate enough to support population management objectives (i.e., within 2%–5% of manual counts) and outline additional ways to improve CountEm accuracy. Additionally, using CountEm was 1100% more efficient than manually counting based on counting time. Since CountEm relies on human identification of objects to be counted, our methods, results, and conclusions are transferable to any taxa that form large aggregations and can be identified and counted in photographs.
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 | 0,000 |
| 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 ».