Drone-based application of whale tags: A “tap-and-go” approach for scientific animal-borne investigations
Notice bibliographique
Résumé
Deploying animal-borne suction-based tag devices on whales has been one of the primary tools used by researchers over the past several decades to gather high-resolution scientific information, such as bioacoustics, heart rate, dive depth, and body orientation. However, the process of successfully applying animal-borne tags is logistically challenging and requires substantial operator skill. Current methods apply tags by approaching the whale in a boat and adhering the tag via a long extension pole. In this study, we explore an alternative approach to apply animal-borne suction-based tag devices using First Person View (FPV) racing drones. These drones have been specifically adapted to withstand exposure to seawater, allowing them to operate effectively in marine environments. The drones are equipped with a custom interface, allowing to release the tag when it is applied on the whale's back. In this study, we present the development of the delivery drone as well as tag deployment techniques. The proposed method was demonstrated on sperm whales (Physeter macrocephalus) off Dominica, resulting in fast deployment time (one minute and fifteen seconds on average) and a relatively high deployment success rate (over 55 %). In addition, the presented deployment process offers a less invasive technique for tagging, as boats are not needed for close approaches. These methods also serve as a framework to enable future development of more automated solutions to apply the tag on exact anatomical targets with controlled initial adhesion pressure and without manual operation.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 ».