Evaluating drone-mounted thermal imaging for population surveys of wild ungulates in boreal and montane habitats of Western Canada
Notice bibliographique
Résumé
Accurate population estimates of wild ungulates underpin harvest management, habitat conservation, and predator-prey modelling, yet conventional aerial surveys conducted from manned helicopters suffer from high cost, observer fatigue, variable sightability, and safety risks in mountainous terrain. Thermal-imaging drones have been proposed as an alternative, but their performance across the range of species, habitats, and climatic conditions encountered in western Canada has not been systematically evaluated. This research assessed the detection performance of drone-mounted thermal imaging relative to drone-mounted RGB (visible-light) cameras and traditional ground-based line transects for four ungulate species—moose (Alces alces), white-tailed deer (Odocoileus virginianus), elk (Cervus canadensis), and caribou (Rangifer tarandus)—across five habitat types and four seasons in British Columbia between January 2023 and December 2023. A total of 312 survey flights covering 4,680 hectares were conducted using a DJI Matrice 30T equipped with a 640 × 512 pixel radiometric thermal sensor. Thermal drone surveys achieved an overall detection rate of 88.9%, compared with 65.7% for RGB drone surveys and 49.7% for ground transects (p<0.001 for all pairwise comparisons). Detection rates were highest for moose (94.2%) and lowest for caribou (82.4%), reflecting body-size-dependent thermal signatures. Ambient temperature was the strongest environmental predictor of detection success: thermal detection rates exceeded 90% at temperatures below-5 °C but declined to 67.2% above 15 °C as the thermal contrast between animals and the environment diminished. Coniferous forest canopy reduced detection by 12-18% compared with open meadow. These results demonstrate that thermal drone surveys substantially outperform conventional methods for ungulate population monitoring in western Canadian landscapes, with optimal deployment during cold-season windows when thermal contrast is maximal.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».