XiaoMi-AI文件搜索系统
World File Search System鸟类学
在公民科学中使用人工智能是否有助于志愿者的学习？鸟类学的一项实验研究
最古老、规模最大的生物多样性相关公民科学 (CS) 项目之一是康奈尔鸟类学实验室开发的 eBird (https://ebird.org/home)。它为观鸟者提供了一个移动应用程序，用于记录他们何时、何地以及如何看到或听到鸟类的清单。康奈尔实验室还开发了一款移动应用程序 Merlin，它使用深度卷积神经网络帮助用户从照片、声音（转换为声谱图）或描述中自动识别鸟类物种。这项研究调查了机器学习 (ML) 分类模型的使用如何影响新手观鸟者的学习。我们的参与者（没有鸟类学背景的计算机科学专业学生）被随机分成三组：一组使用 eBird 应用程序并自己识别鸟类物种；一组使用 Merlin 应用程序，它使用 ML 自动从照片或声音中识别鸟类；还有一个对照组。在参与项目之前和之后，对参与者的鸟类知识进行了测试，以了解使用 ML 分类模型如何影响他们的学习。我们还在后测后采访了选定的参与者，以了解他们做了什么以及结果可能由什么解释。我们的结果表明，即使是参与 CS 项目的新手参与者，即使时间很短，也会显著提高他们对附近熟悉鸟类的知识水平，并且 eBird 用户在知识后测中的表现优于 Merlin 用户。虽然人工智能可能会提高志愿者的生产力和保留率，但也有可能降低他们的学习效率。需要对不同的参与者资料和项目设计进行进一步研究，以了解如何在人工智能辅助的 CS 项目中优化志愿者的生产力、保留率和学习。
Siang Biotiverity Expedition 2022的鸟类学结果，印度阿鲁纳恰尔邦Siang Biotiverity Expedition 2022的鸟类学结果，印度阿鲁纳恰尔邦
摘要在2022年，我们对1911 - 12年殖民地Abor Expedition期间在阿鲁纳恰尔邦的西安格山谷进行了多税调查。调查包括来自东西安格，西安格和上西安格地区的鸟类。在2月至2022年5月之间进行的鸟类调查涉及通过直接或间接目击事件在该地区报告的所有鸟类物种进行分类，包括记录在摄像机陷阱上获得的鸟类数据，作为偶然捕获和死亡或狩猎鸟类标本的偶然捕获和相遇。由于调查，总共有267个清单和94种鸟类的发声为公民科学ebird门户提供了贡献。记录了共有285种（加上一种混合动力车），并在上西安格和西安格地区的Avifauna中增加了一些。这包括26种被记录为死亡或狩猎的物种。然而，目前尚未记录1911 - 12年研究中的12种研究。重要记录包括Temminck的Tragopan Tragopan Temminckii，Blyth的Tragopan Tragopan Blythii，Sclater的Monal Lophophorus sclateri和迁移的一群常见的起重机。这项来自阿鲁纳恰尔邦人类改造的栖息地的调查将是与该州类似海拔高度的完整栖息地的丰富性相比。
M.Sc的常见问题解答（野生动物科学与鸟类学）
印度是世界上17个巨型生物多样性国家之一，在动植物中，物种多样性和特有性。森林覆盖下的地理区域的近25％，c。 35,000平方英尺km。内陆湿地的范围，约7,500公里的海岸线和广阔的海水，以及涵盖所有生态系统，印度荒野地区及其野生动植物的近1000个保护区，需要大量的人力资源来管理和保护它们。不幸的是，印度训练有素的野生动植物生物学家和管理人员的干部太小了，无法满足野生动植物保护中该国的需求和挑战。印度只有少数机构和大学在野生动植物和保护研究中进行了高等教育和培训，而且这些人数显然不足以满足该国的要求。在这种背景下，本课程旨在增强该国对野生动植物及其栖息地的研究和保护能力，并特别强调鸟类。
鸟类雷达发展概述 – 过去、现在和未来 Tim J. Nohara，工学学士、工学硕士、博士、PE，Accipiter 雷达技术公司 Peter Weber，工学学士、工学硕士，Accipiter 雷达技术公司 Andrew Ukrainec，工学学士、博士，Accipiter 雷达技术公司 Al Premji，工学学士、工学硕士、博士，Accipiter 雷达技术公司 Graeme Jones，工学学士、博士，Accipiter 雷达技术公司 关键词：鸟类、雷达、网络、鸟类、跟踪、检测、融合、自动化、打击、实时、咨询、BASH、经济实惠、飞机、3D、测高、目标提取、鸟类学、海洋、双波束 摘要 几十年来，鸟类学家和生物学家一直使用雷达来表征鸟类的存在以及鸟类和其他生物空中目标的运动。X 波段和 S 波段海洋雷达收发器已成功用于自然资源管理 (NRM)、环境影响评估 (EIA) 和鸟类飞机撞击危险 (BASH) 管理等应用。在过去几年中，市场上出现了许多进步，其他进步也正在酝酿之中，带来了许多潜在的好处。这些包括：• 性能改进，• 连续目标数据记录，• 分析和可视化自动化，• 远程和无人值守操作，• 自动警报，• 广域覆盖，• 集中目标数据收集，• 多传感器融合，• 实时目标数据分发给远程用户，以及• 实时集成到第三方
鸟类雷达发展概述 – 过去、现在和未来 Tim J. Nohara，工学学士、工学硕士、博士、PE，Accipiter 雷达技术公司。 Peter Weber，工学学士、工学硕士，Accipiter 雷达技术公司。 Andrew Ukrainec，工学学士、博士，Accipiter 雷达技术公司。 Al Premji，工学学士、工学硕士、博士，Accipiter 雷达技术公司。 Graeme Jones，工学学士、博士，Accipiter 雷达技术公司。 关键词：鸟类、雷达、网络、鸟类、跟踪、检测、融合、自动化、打击、实时、咨询、BASH、经济实惠、飞机、3D、测高、目标提取、鸟类学、海洋、双波束 摘要 几十年来，鸟类学家和生物学家一直使用雷达来表征鸟类和其他生物空中目标的存在和运动。X 波段和 S 波段海洋雷达收发器已成功应用于自然资源管理 (NRM)、环境影响评估 (EIA) 和鸟类飞机撞击危险 (BASH) 管理等应用。在过去的几年中，市场上出现了许多进步，其他进步也正在不断涌现，带来了许多潜在的好处。这些包括： • 性能改进， • 连续目标数据记录， • 分析和可视化自动化， • 远程和无人值守操作， • 自动警报， • 广域覆盖， • 集中目标数据收集， • 多传感器融合， • 向远程用户实时分发目标数据，以及 • 实时集成到第三方态势感知应用程序和基于互联网的应用程序中。本文的目的是回顾并有组织地审视鸟类雷达技术的这些发展，以期提高我们对这套复杂工具的理解。通过回顾过去，我们将提供一个背景，以便人们更好地了解目前所取得的成就，以及技术和产品在未来仍需发展的方向。希望更好的理解将有助于利益相关者在今天和明天充分利用这些工具。1.简介 BASH 管理问题需要在相对较大的监视范围内对小型机动鸟类目标和飞机进行经济高效、实时（仅受较小延迟影响）的 3D 跟踪。本文的主题是满足 BASH 管理要求的机场鸟类雷达系统，因为它们也能够解决 NRM 和 EIA 应用。