The use of drones and thermal camera imaging technology for avian nest searching
Notice bibliographique
Résumé
In the rapidly evolving field of drone wildlife surveys, we test a commercially available drone and thermal camera as a nest searching tool for various upland nesting gamebird and non-gamebird species by evaluating the method in a multi-species, multi-habitat comparison across North America. Furthermore, the study compares the efficacy of a thermal drone system to the chain-drag method to search for upland nesting waterfowl in the Prairie Pothole Region. We also examine how factors, such as meteorology, influence thermal drone detection. This study searches for nests in four U.S. states and one Canadian province between 15 May–17 June 2017 and 8 May to 15 June 2018. We used a modified point count and automated flight line transect sampling methodologies for drone nest searching with real-time visual detection of thermal targets. We found 18 out of 22 known nests in the multi-species, multi-habitat component and identified several challenges associated with the method, such as high commission errors (60 – 95%) that impede detection. In comparing nest searching methods, we find 150 upland waterfowl nests and use a Huggins Closed Capture model to compare detection rates. We found that drone and chain drag methods have detection rates of 0.36±0.04 and 0.55±0.06, respectively. In addition, we found that the drone method has challenges detecting laying stage nests and hypothesize that the survey timing impedes their detection due to biological reasons. Finally, we considered various factors influencing drone detection in a binary logistic regression model, which shows that the difference between dew point and temperature significantly influences detection and hypothesize that it is a proxy for other macro weather trends or patterns not measured. Based on our findings, we make recommendations that future nest searching drone research should consider.
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 ».