Estimating the landscape-scale abundance of an arboreal folivore using thermal imaging drones and binomial N-mixture modelling
Notice bibliographique
Résumé
Estimating the abundance of wildlife populations at a landscape-scale is vital for conservation, but is often hampered by survey costs, data processing and imperfect detection. In this study, we developed a framework that combines a protocol for validating nocturnal thermal drone detections in real-time with N-mixture modelling to estimate the landscape-scale abundance of arboreal folivores. As a case study, we estimated the abundance of koalas ( Phascolarctos cinereus ) across seven reserves (673 km 2 ) in New South Wales, Australia. We conducted thermal drone surveys of 208, 25-ha sites stratified across vegetation type and fire history, on average, three times over consecutive nights (range 1–12 repeats), between 18:00–04:00 h (May to September). All koala detections were validated by field personnel or in real-time with drones equipped with a thermal camera and searchlight. Koalas were detected on 245 occasions. We fitted N-mixture models to validated repeat count data to quantify the effect of site and observation variables on abundance and detectability. Using our top set of competing models, we estimated that 4357 koalas (95 % CI = 2319–8307) occupy the seven reserves, with a mean detection probability of 0.22 (95 % CI = 0.15–0.31) over all survey occasions. We found detection probability decreased with increases in relative humidity and temperature. Koala abundance was negatively associated with fire severity, elevation, tree height and soil clay content, and positively associated with available water content, forest cover and soil organic carbon. Our framework, which combines real-time field validated drone data while accounting for imperfect detection, improves the accuracy of abundance estimates for arboreal folivores across large-scales.
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 ».