MétaCan
Menu
← Retour à la cohorte
Enregistrement W6967688214 · doi:10.5061/dryad.s0n4n05

Data from: Quantification of avian hazards to military aircraft and implications for wildlife management

2018· dataset· en· W6967688214 sur OpenAlexaboutno aff

Notice bibliographique

RevueData Archiving and Networked Services (DANS) · 2018
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWildlifeHazardGooseMilitary aviationHazard analysisRisk assessmentNest (protein structural motif)Wildlife management

Résumé

récupéré en direct d'OpenAlex

Collisions between birds and military aircraft are common and can have catastrophic effects. Knowledge of relative wildlife hazards to aircraft (the likelihood of aircraft damage when a species is struck) is needed before estimating wildlife strike risk (combined frequency and severity component) at military airfields. Despite annual reviews of wildlife strike trends with civil aviation since the 1990s, little is known about wildlife strike trends for military aircraft. We hypothesized that species relative hazard scores would correlate positively with aircraft type and avian body mass. Only strike records identified to species that occurred within the U.S. (n = 36,979) and involved United States Navy or United States Air Force aircraft were used to calculate relative hazard scores. The most hazardous species to military aircraft was the snow goose (Anser caerulescens), followed by the common loon (Gavia immer), and a tie between Canada goose (Branta canadensis) and black vulture (Coragyps atratus). We found an association between avian body mass and relative hazard score (r2 = 0.76) for all military airframes. In general, relative hazard scores per species were higher for military than civil airframes. An important consideration is that hazard scores can vary depending on aircraft type. We found that avian body mass affected the probability of damage differentially per airframe. In the development of an airfield wildlife management plan, and absent estimates of species strike risk, airport wildlife biologists should prioritize management of species with high relative hazard scores.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,008

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 Opus0,051
Tête enseignante GPT0,323
Écart entre enseignants0,272 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreJeu de données

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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueData Archiving and Networked Services (DANS)→Travaux en français237 207→