論文の概要: Advancing Wildlife Monitoring: Drone-Based Sampling for Roe Deer Density Estimation

• arxiv url: http://arxiv.org/abs/2508.03545v1
• Date: Tue, 05 Aug 2025 15:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:56.040018
• Title: Advancing Wildlife Monitoring: Drone-Based Sampling for Roe Deer Density Estimation
• Title（参考訳）: 野生生物モニタリングの強化:ロー鹿の密度推定のためのドローンによるサンプリング
• Authors: Stephanie Wohlfahrt, Christoph Praschl, Horst Leitner, Wolfram Jantsch, Julia Konic, Silvio Schueler, Andreas Stöckl, David C. Schedl,
• Abstract要約: 無人のドローンを使ってオーストリア南東部の野生生物の密度を推定します。 熱(IR)とRGB画像を使用することで、ドローンは効率よく非侵襲的な動物計数を可能にする。
• 参考スコア（独自算出の注目度）: 0.903415485511869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We use unmanned aerial drones to estimate wildlife density in southeastern Austria and compare these estimates to camera trap data. Traditional methods like capture-recapture, distance sampling, or camera traps are well-established but labour-intensive or spatially constrained. Using thermal (IR) and RGB imagery, drones enable efficient, non-intrusive animal counting. Our surveys were conducted during the leafless period on single days in October and November 2024 in three areas of a sub-Illyrian hill and terrace landscape. Flight transects were based on predefined launch points using a 350 m grid and an algorithm that defined the direction of systematically randomized transects. This setup allowed surveying large areas in one day using multiple drones, minimizing double counts. Flight altitude was set at 60 m to avoid disturbing roe deer (Capreolus capreolus) while ensuring detection. Animals were manually annotated in the recorded imagery and extrapolated to densities per square kilometer. We applied three extrapolation methods with increasing complexity: naive area-based extrapolation, bootstrapping, and zero-inflated negative binomial modelling. For comparison, a Random Encounter Model (REM) estimate was calculated using camera trap data from the flight period. The drone-based methods yielded similar results, generally showing higher densities than REM, except in one area in October. We hypothesize that drone-based density reflects daytime activity in open and forested areas, while REM estimates average activity over longer periods within forested zones. Although both approaches estimate density, they offer different perspectives on wildlife presence. Our results show that drones offer a promising, scalable method for wildlife density estimation.
• Abstract（参考訳）: 我々は無人航空機を用いてオーストリア南東部の野生生物密度を推定し、これらの推定値をカメラトラップデータと比較する。 キャプチャー・キャプチャー、距離サンプリング、カメラトラップといった伝統的な手法は確立されているが、労働集約的あるいは空間的に制約されている。 熱(IR)とRGB画像を使用することで、ドローンは効率よく非侵襲的な動物計数を可能にする。 2024年10月から11月にかけて,イリュリア山脈とテラス地形の3つの地域で,葉のない期間に調査を行った。 飛行トランクターは350mグリッドと系統的にランダム化されたトランクターの方向を定義するアルゴリズムを用いて、予め定義された発射点に基づいていた。 この設定により、複数のドローンを使って1日で広い地域を測量することができ、倍数を最小化できた。 飛行高度は60mに設定され、検出を確実にしながら妨害するローシカ(Capreolus capreolus)を避けた。 動物は記録された画像に手動で注釈付けされ、平方キロメートルあたりの密度に外挿された。 より複雑化する3つの外挿法として, ナイーブ領域に基づく外挿法, ブートストラップ法, ゼロインフレーション型負二項モデルを適用した。 比較のために,飛行期間中のカメラトラップデータを用いてランダム・エンカウンタ・モデル(REM)の推定を行った。 ドローンをベースとした手法も同様の結果となり、10月の1つのエリアを除いて、一般的にREMよりも密度が高くなった。 無人機の密度は、森林地帯の日中活動を反映していると仮定し、REMは森林地帯内の長い期間の平均活動量を推定する。 どちらのアプローチも密度を推定するが、野生生物の存在について異なる視点を提供する。 以上の結果から、ドローンは野生生物の密度を推定するための有望でスケーラブルな方法を提供することがわかった。

関連論文リスト

• Feedforward Few-shot Species Range Estimation [61.60698161072356]
  特定の種が地球上でどこで発見できるかを知ることは、生態学の研究と保全に不可欠である。 正確な射程推定は 知られている全ての種の 比較的小さな割合でしか 利用できない 我々は、限られたデータから種の範囲を正確に推定するという課題に対処するために、数発の種範囲推定の新しいアプローチを概説する。
  論文  参考訳（メタデータ） (2025-02-20T19:13:29Z)
• Towards autonomous photogrammetric forest inventory using a lightweight under-canopy robotic drone [1.0964031083527972]
  この記事では、最先端のオープンソース手法を利用したロボットアンダーキャノピードローンのプロトタイプを構築します。 試作機の自律飛行能力は、ボレアル森林での複数の試験飛行を通じて評価された。 この実験は, 森林3次元モデリングにおいて, 立体写真撮影システムによる優れた性能を示した。
  論文  参考訳（メタデータ） (2025-01-21T11:59:07Z)
• Detection of Animal Movement from Weather Radar using Self-Supervised Learning [0.14999444543328289]
  動物の動きを検出するための自己教師型学習法を提案する。 提案手法では,しきい値を用いた雑音ラベル付き大規模データセット上でモデルを事前学習する。 オーストラリアの気象レーダデータを用いた水鳥セグメンテーション実験により, 提案手法は, ダイス共効率統計学において, 現在の最先端技術よりも43.53%優れていることが判明した。
  論文  参考訳（メタデータ） (2024-08-08T12:48:54Z)
• Multi-Species Object Detection in Drone Imagery for Population Monitoring of Endangered Animals [0.0]
  本研究は,動物種を正確に数えるために,ドローン画像の微調整対象検出モデルに焦点を当てた。 私たちは30の異なるモデルをトレーニングし、最大のモデルは4370万のパラメータと365のレイヤを持っていた。 我々はこれらのモデルをJetson Orin Nano上に展開し、ドローンで容易に推測できる低消費電力リアルタイム種検出のデモを行った。
  論文  参考訳（メタデータ） (2024-06-28T03:03:55Z)
• Multimodal Foundation Models for Zero-shot Animal Species Recognition in Camera Trap Images [57.96659470133514]
  モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。 教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。 コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-02T08:32:00Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• SOCRATES: A Stereo Camera Trap for Monitoring of Biodiversity [0.0]
  本研究では,高度に最適化されたハードウェアとソフトウェアを特徴とする3Dカメラトラップ手法を提案する。 SOCRATESの総合的な評価は、動物検出の3.23%ドルの改善だけでなく、動物の存在量を推定するための優れた適用性も示している。
  論文  参考訳（メタデータ） (2022-09-19T15:03:35Z)
• Distance Estimation and Animal Tracking for Wildlife Camera Trapping [0.0]
  カメラから動物までの距離を推定する完全自動手法を提案する。 我々は、距離を推定するために最先端の相対的MDEと新しいアライメント手順を利用する。 平均絶対距離推定誤差は0.9864mで、精度90.3%、リコール63.8%である。
  論文  参考訳（メタデータ） (2022-02-09T18:12:18Z)
• A dataset for multi-sensor drone detection [67.75999072448555]
  近年,小型・遠隔操作無人航空機(UAV)の使用が増加している。 ドローン検出に関するほとんどの研究は、取得デバイスの種類、ドローンの種類、検出範囲、データセットを特定することに失敗している。 我々は、赤外線および可視ビデオとオーディオファイルを含むドローン検出のための注釈付きマルチセンサーデータベースにコントリビュートする。
  論文  参考訳（メタデータ） (2021-11-02T20:52:03Z)
• Florida Wildlife Camera Trap Dataset [48.99466876948454]
  フロリダ州南西部の2つの異なる場所から収集された野生生物カメラトラップ分類データセットについて紹介する。 データセットは104,495枚の画像からなり、視覚的に類似した種、様々な照明条件、スキュードクラス分布、絶滅危惧種のサンプルを含む。
  論文  参考訳（メタデータ） (2021-06-23T18:53:15Z)
• An Autonomous Drone for Search and Rescue in Forests using Airborne Optical Sectioning [0.0]
  密閉された森林に完全自律的に人々を発見できる最初のプロトタイプを紹介します。 様々な森林タイプで実施された17のフィールド実験で、ドローンは42人の隠れた人のうち38人を見つけた。 深層学習に基づく人物分類は、1次元合成開口内でのスパースや誤差の少ないサンプリングでは影響を受けない。
  論文  参考訳（メタデータ） (2021-05-10T13:05:22Z)
• Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
  本稿では,他の飛行ドローンからドローンを検知する問題に対処する。 ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。 これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-31T17:43:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。