MétaCan
Menu
Retour à la cohorte
Enregistrement W4417447589 · doi:10.1002/wlb3.01502

Monitoring wildlife using long‐endurance solar‐electric UAVs

2025· article· en· W4417447589 sur OpenAlexafffund
Goetz Bramesfeld, William Bissonnette, Maya Rahaman-Noronha, Kanwar Johal

Notice bibliographique

RevueWildlife Biology · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensSystems, Applications & Products in Data Processing (Canada)Toronto Metropolitan University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaEnvironment and Climate Change Canada
Mots-clésWildlifePropulsionFootprintDroneAerial surveyDisturbance (geology)Wildlife conservation

Résumé

récupéré en direct d'OpenAlex

This report discusses the effectiveness of using small solar‐electric UAV (uncrewed aerial vehicles) for aerial wildlife monitoring. We review four years of aerial wildlife monitoring missions using a 5.5‐m wingspan, solar‐electric UAV that was equipped with a gimballed IR/RGB camera. The effectiveness criteria included the ease of operability, the ability to collect applicable data, the disturbance to animals and humans, and the ability to complete large‐area wildlife surveys. The solar‐electric aircraft was operated for approximately 450 h of monitoring missions under various environmental conditions during all seasons, including at temperatures of −30°C. The UAV was flexible with respect to launch and recovery locations, for example, operating from frozen lakes, fields and roads. Due to the low acoustic footprint of its electric propulsion system, the aircraft did not appear to disturb wildlife, despite flying at relatively low altitudes of 120 m or less above the ground. Its solar‐electric architecture allowed for flight times in excess of eight hours. Subsequently, the aircraft was capable of monitoring relatively large areas. In summary, small solar‐electric UAV have shown merit for wildlife monitoring missions and may serve as a valuable tool for wildlife biologists.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,480
Score d'incertitude au seuil0,668

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,258
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWildlife BiologyMême sujetUAV Applications and OptimizationTravaux en français237 207