Soundscapes in our Neighborhood: Using Autonomous Recording Devices to Capture Diversity Patterns along a Land-use Gradient
Notice bibliographique
Résumé
Soundscapes are an effective way to monitor what species are present in a certain area. Observing habitat preferences of different species allows for more directed conservation and management strategies. We aimed to observe differences in biophonic and anthrophonic soundscapes along an urbanization gradient in Clinton County, New York. In fall 2025, autonomous recording devices (ARUs) were set to continuously record sound for 3 days at sites concurrently being surveyed for ongoing owl research. Birdnet analyzer AI algorithm was used to identify and distinguish between different calls and anthropogenic sounds. The most similar (71.4%) sites were Wickham Marsh and Port Douglas, while the Barracks golf course and Peru were the least similar (13.8%). The most anthropogenic noise were engines at the Barracks golf course, a highly urban site adjacent to a major airport, while the least was recorded at the rural Point au Roche State Park. The highest species richness was found at Clinton Community College while the lowest was found at Peru. Common species across sites were blue jays (Cyanocitta cristata), Canada geese (Branta canadensis), great horned owls (Bubo virginianus), and American toads (Anaxyrus americanus) for passerines, waterfowl, raptors, and others, respectively. Passerines were the most diverse community and other Orders reflected microhabitat conditions at sites. High human disturbance may reduce local species richness, so minimizing unnecessary disturbances may increase richness. Suitable habitats need to be heterogeneous to support a greater range of species. Soundscape analysis is a useful tool to monitor biodiversity and guide conservation efforts.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».