Estimating waterfowl breeding pair and brood densities using distance sampling with uncrewed aerial systems
Notice bibliographique
Résumé
Abstract Wildlife management relies on effective methods to estimate population indices, which are crucial for understanding the status and trends of wildlife populations and the factors that influence their persistence. Detection of wildlife during surveys is rarely perfect, and therefore, biologists often need to account for observation bias. Biologists have conducted surveys of waterfowl since the 1950s using a combination of aerial (fixed‐wing aircraft) and ground‐based methods to account for imperfect detection, where some fraction of individuals are missed by the aerial observer. If ground‐based observers detect all individuals in a subset of the total area surveyed by the aerial crew, then a visual correction factor can be used to adjust counts from the aerial observers. However, the assumption that ground observers are detecting every individual is unlikely and can potentially lead to biased population estimates. We conducted breeding waterfowl surveys in Wisconsin during 2022 and 2023. We collected observations of duck pairs and broods using uncrewed aerial systems (UAS) equipped with thermal cameras, as these tools have been found to improve detection of many wildlife species. We flew UAS surveys along transects and employed distance sampling to estimate duck densities while accounting for imperfect detection. This can be accomplished by recording the distance at which birds are detected and fitting a detection function to the data, which models detection probability and excludes the need for two independent observers. We detected 773 pairs and 573 broods during both years of our study. Our average density estimates of pairs (6.76 pairs/km 2 ) and broods (1.32 broods/km 2 ) were comparable to other estimates within our region. Additionally, the characteristics of our detection functions, including the expected decline in detection with distance, signified that our top distance sampling models fit the data well, which is necessary for reliable density estimation. Practical implication . Performing a distance sampling analysis using UAS equipped with thermal cameras can be used as a method to monitor breeding waterfowl and produce reliable population metrics. Furthermore, this approach has potential for surveying waterfowl in other regions or during different stages of the life cycle and should be considered.
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 | 0,001 | 0,001 |
| 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 ».