Contributions of environmental conditions and sound characteristics to differences in perceptibility: Recommendations for passive acoustic monitoring
Notice bibliographique
Résumé
Abstract Passive acoustic monitoring is increasingly used in ecological research to study a wide variety of taxa; however, properly accounting for perceptibility, a component of detection probability, has been challenging because sound attenuation is influenced by numerous variables in the surrounding environment and the rate of sound attenuation is not typically quantified. We used sound playback experiments to investigate the effect of several environmental variables including vegetation type and weather on perceptibility of a variety of sounds and species. We also investigated species-specific variables such as sound frequency, syllable rate, and bandwidth. We quantified the amount of bias in perceptibility resulting from species sound characteristics and vegetation type and estimated perceptibility and the area surveyed for different combinations of species and habitat type. We found that distance was the strongest predictor of perceptibility, but that vegetation type significantly influenced perceptibility, particularly when comparing open versus closed vegetation classes. Sound frequency and bandwidth of species were also important predictors of perceptibility. We found that ignoring variation in perceptibility due to excess sound attenuation from vegetation could bias area surveyed during acoustic surveys by up to 400% (mean = 167.4%). We conclude that other than distance, perceptibility is influenced most by species-specific vocalization traits and by the habitat these vocalizations transmit through. We provide recommendations for incorporating these findings into future research to account for varying perceptibility and improve the accuracy of bird monitoring and research.
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 ».