Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

La tuberculose est une maladie respiratoire touchant un nombre très grand d’espèces et d’une grande diversité. Son épidémiologie est complexe par sa présence dans de multiples espèces sauvages formant des réservoirs dans le monde entier mais les incidences dans la faune sauvages sont variables de régions en régions car de multiples facteurs épidémiologiques entoure la transmission de la tuberculose. Le maintien de la tuberculose ne s’explique pas seulement par les réservoirs sauvages mais aussi grâce à sa pathogénie particulière qui lui permet de rester en latence dans le corps de ses hôtes. Cette ténacité vient de la résistance du bacille tuberculeux à la phagocytose. Une autre raison de la persistance de la tuberculose est qu’elle se montre cliniquement discrète et qu’il faut des tests précis ou alors une autopsie pour mettre en évidence la tuberculose. C’est donc cette discrétion, les porteurs chroniques et les réservoirs sauvages qui maintiennent une pression infectieuse sur différents secteurs, notamment l’élevage, la production du lait et la santé humaine. C’est pourquoi cette maladie est surveillée par l’OIE et des organismes nationaux de santé publique et animale comme l’AFSCA pour la Belgique. L’enjeux est de limiter la transmission par les réservoirs sauvages, la propagation dans le milieu de l’élevage et ensuite la contamination humaine zoonotique.

tuberculose faune sauvage impacts surveillance incidence --- Sciences du vivant > Médecine vétérinaire & santé animale

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Une étude de la grande faune mammalienne a été menée dans un but écotouristique autour du NiokLodge, lodge écotouristique situé dans le parc national du Niokolo Koba, au Sénégal. La zone d’étude couvre 70 km2 à l’est du lodge. La collecte des données s’est déroulée du 20 février au 15 mai 2022 lors de la saison sèche et a été effectuée selon trois méthodes différentes. Tout d’abord en équipant la zone d’étude au moyen de 40 pièges photographiques installés selon le protocole international TEAM. L’étude s’est déroulée sur 6 semaines, installation et retrait compris. L’effort d’échantillonnage est de 1444 caméras.jours et la richesse spécifique a été estimée à 33 espèces de mammifères, dont le lion d’Afrique de l’Ouest classé comme « critically endangered » par l’UICN. Ces résultats ont été comparés à ceux d’une étude menée par le Bureau de Suivi Ecologique en 2016. Il en ressort que la richesse spécifique a augmenté et que certaines espèces sensibles au braconnage et autres perturbations dues aux activités humaines sont plus présentes aujourd’hui. Ceci peut être expliqué par une meilleure lutte anti- braconnage et un renforcement du gardiennage du parc. Néanmoins, on ne peut pas exclure que certaines différences entre les deux protocoles soient possiblement à l’origine des différences retrouvées dans les taux de détections des espèces.
La seconde méthode a consisté à mettre en place un inventaire automobile par Indice Kilométrique d’Abondance. Ce circuit d’une longueur de 14,5 km a été inventorié 10 fois entre le 12 mars et le 8 mai 2022 de manière hebdomadaire. Ces répétitions ont permis d’inventorier 11 espèces de mammifères.
L’Indice Kilométrique d’Abondance moyen est de 2,87 individus toutes espèces confondues. Une analyse visuelle de la variation du nombre d’individus détectés par parcours en fonction de l’équipe d’observation a montré que la composition de l’équipe impactait fortement cet indice. Une régression linéaire sur le nombre d’individus observé par parcours a montré que la durée de celui-ci avait un impact très hautement significatif tandis que l’heure de départ ne semblait pas impacter le nombre d’observations.
La dernière méthode consistait à équiper 6 terriers pendant une dizaine de jours au moyen de deux pièges photographiques chacun, l’un orienté vers l’une des entrées du terrier et l’autre visant la direction avec le plus d’entrées afin d’avoir une vue d’ensemble. Parmi les espèces de mammifères observés, 14 ont été identifiés jusqu’à l’espèce, ce qui ne fut pas le cas des chauves-souris. La présence de pintades a également été relevée.
Des images obtenues entre mi-février et mi-mars 2022, en dehors du protocole décrit ci-dessus ont permis d’allonger la liste d’espèces utilisant les terriers d’un reptile et d’une espèce d’oiseaux.
L’effort d’inventaire est de 68 caméras.jours. Trois cooccurrences d’espèces ont été démontrées, pintade et vervet, chauve-souris et porc-épic et enfin chauve-souris et ratel. Les zoonoses communes pour ces couples d’espèces sont respectivement au nombre de 2, 4 et 2. De plus, la diversité mammalienne mise en avant par ce travail prouve que la zone est propice au tourisme de vision.

Pièges photographiques, Indice Kilométrique d’Abondance, terrier, zoonose, écotourisme, faune mammalienne, Niokolo Koba --- Sciences du vivant > Multidisciplinaire, généralités & autres

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

"In Bird Brother, Rodney [Stotts] shares his remarkable journey to becoming a conservationist and one of America's few Black master falconers. For Rodney, a job pulling trash from the Anacostia River with the Earth Conservation Corps began as a side gig to dealing drugs--a way to get a paystub necessary to rent his own apartment. But then something incredible happened: the river's health began improving, and he was part of a small group who helped reintroduce bald eagles to the region. Bird Brother takes readers through the joys and difficulties of Rodney's path to becoming a master falconer: from the delicate work of moving the Anacostia eaglets into their nesting box, to befriending an injured Eurasian eagle-owl named Mr. Hoots, to going to jail on drug charges and resolving to dedicate his life to birds of prey upon his release. As he trains his son Mike to be a master falconer and works to establish his own raptor sanctuary, Rodney offers a testament ot the healing power of nature and the importance of second chances."--Dust jacket flap.

Wildlife conservationists --- African American conservationists --- African Americans --- Falconers --- Birds of prey. --- Human-animal relationships. --- Raptors --- Défenseurs de la faune --- Noirs américains --- Fauconniers --- Rapaces. --- Relations homme-animal. --- Stotts, Rodney. --- Washington (D.C.)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

The world today is threatened by a dramatic biodiversity crisis. It is therefore becoming essential to monitor the animal and plant populations that inhabit the earth's ecosystems. In this sense, camera traps are cameras that capture images or videos when they detect movement. These cameras are increasingly used in the scientific world and could become an essential tool in wildlife monitoring systems. They have the advantage of being very low-intrusive and of being able to be installed in remote and difficult-to-access places. The main weakness of this technology is that it generates a huge amount of data. The analysis of this data by humans is therefore very time-consuming and tedious. A solution to this problem could be found in the use of deep learning. This allows deep neural networks to be trained to automate a task usually performed by humans. Some deep learning approaches have achieved better results in solving complex problems. The main objective of this work is therefore to use deep learning to automate the recognition of animal species in videos of camera traps installed in the tropical rainforests of Central Africa. To this end, three datasets were created and 22 classes were defined. Different model architectures were then tested. These are composed of convolutional neural networks (two-dimensional and three-dimensional ResNet) and recurrent neural networks (convolutional long short-term memory (ConvLSTM) and long short-term memory (LSTM)). This work also discusses the comparison of different tools that have been developed to automatically classify camera traps data. The best trained models achieved, on a test dataset, an overall accuracy of 67,93 % for multispecies classification and 84,89 % for binary classification (animal/background). These models performed better than the other tested tools for the multispecies classification but not for the binary classification. Finally, the models developed could be used under certain conditions to assist in the analysis of camera traps data. The results obtained are promising. Le monde actuel est menacé par une crise de la biodiversité dramatique. Il devient donc primordial de surveiller les populations animales et végétales qui habitent les écosystèmes de la Terre. Dans ce sens, les pièges photographiques sont des caméras qui capturent des images ou des vidéos lorsqu'elles détectent un mouvement. Ces caméras sont de plus en plus utilisées dans le monde scientifique et pourraient devenir un outil essentiel dans des systèmes de surveillance de la faune et de la flore. Elles possèdent notamment l'avantage d'être très peu intrusives et de pouvoir être installées dans des endroits reculés et difficilement accessibles. Le point faible de cette technologie est qu'elle génère une quantité très importante de données. L'analyse de ces dernières par l'homme est donc très chronophage et fastidieuse. Une solution pourrait être apportée à ce problème grâce à l'utilisation de l'apprentissage profond. Celui-ci permet d'entraîner des réseaux de neurones profonds afin d'automatiser une tâche habituellement réalisée par l'homme. Certaines approches d'apprentissage profond ont permis d'atteindre de meilleurs résultats lors la résolution de problèmes complexes. L'objectif principal de ce travail est donc d'utiliser l'apprentissage profond afin d'automatiser la reconnaissance d'espèces animales dans des vidéos de pièges photographiques installés dans les forêts tropicales d'Afrique centrale. Pour ce faire, trois jeux de données ont été constitués et 22 classes ont été définies. Différentes architectures de modèles ont ensuite été testées. Ces dernières sont composées de réseaux de neurones convolutifs (ResNet à deux dimensions et à trois dimensions) et de réseaux de neurones récurrents (mémoire convolutive à long court terme (ConvLSTM) et mémoire à long court terme (LSTM)). Ce travail aborde également la comparaison de différents outils qui ont été développés afin de classifier automatiquement des données de pièges photographiques. Les meilleurs modèles entraînés ont atteint, sur un jeu de données de test, une exactitude globale de 67,93 % pour la classification multi-espèces et de 84,89 % pour la classification binaire (animal / arrière-plan). Ces modèles ont mieux performés que les autres outils testés, pour la classification multi-espèces mais pas pour la classification binaire. Enfin, les modèles développés pourraient être utilisés sous certaines conditions dans le but d'aider à l'analyse des données de pièges photographiques. Les résultats obtenus sont prometteurs.

camera trap --- tropical forest --- deep learning --- convolutional neural network --- convolutional long short-term memory --- classification --- wildlife --- piège photographique --- forêt tropicale --- apprentissage profond --- réseau de neurones convolutifs --- mémoire convolutive à long court terme --- classification --- faune sauvage --- Ingénierie, informatique & technologie > Multidisciplinaire, généralités & autres

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Wat ons te doen staat om onze toekomst te redden, is eenvoudig. Als we onze drang om in te zetten op de korte termijn kunnen verleggen naar investeren in onze eigen planeet, dan betaalt die investering zichzelf vele jaren lang en met een gegarandeerde winst terug. Het is kiezen voor langdurige bloei op een gezonde aarde. Aan de hand van het succesverhaal van beschermde natuur in binnen- en buitenland vertelt Gered door de boomkikker hoe industrie, landbouw, politiek en lokale en globale economie elkaar kunnen versterken, en hoe we samen voor een echte omwenteling en een gezonde wereld kunnen zorgen.https://www.lannoocampus.be/nl/gered-door-de-boomkikker

Natuurbescherming --- Natuurbeleving --- Natuurbeheer --- Biodiversiteit --- Klimaatverandering --- Milieuverontreiniging --- Duurzaamheid --- Duurzame landbouw --- Ecologie --- Duurzame ontwikkeling --- Economische ontwikkeling --- Woonomgeving --- Industrie --- Politiek --- Environmental protection. Environmental technology --- natuurbeheer --- natuur --- milieubeleid --- BPB9999 --- BPB2310 --- écologie --- natuurreservaat --- nature reserve --- réserve naturelle --- természetvédelmi terület --- rezervë natyrore --- περιοχή προστασίας της φύσης --- přírodní rezervace --- riżerva naturali --- rezervație naturală --- gamtinis draustinis --- prirodni rezervat --- природен резерват --- luonnonsuojelualue --- природни резерват --- prírodná rezervácia --- naturreservat --- looduskaitseala --- naravni rezervat --- riserva naturale --- anaclann dúlra --- rezerwat przyrody --- Naturschutzgebiet --- reserva natural --- dabas rezervāts --- ловен резерват --- sito naturale protetto --- reserva da biosfera --- резерват за растителни видове --- резерват на дивеч --- Naturreservat --- biosfēras rezervāts --- naravni park --- laukinių gėlių draustinis --- suojeltu maisema --- réserve de la biosphère --- bioszféra rezervátum --- природни парк --- biosfærereservat --- přírodní park --- naturpark --- προστατευόμενη περιοχή θηραμάτων --- biosfeerreservaat --- vadon élő növények, állatok természetes élőhelye --- sit naturali protett --- reserva de fauna --- reserva de flora --- biosfäärin suojelualue --- maastikukaitseala --- biosfääri kaitseala --- Wildreservat --- wildlife park --- биосферен резерват --- резерват за дивеч --- park prirode --- chráněné přírodní stanoviště --- rezervácia na ochranu fauny --- natural preserve --- προστατευόμενος βιότοπος --- saugomas kraštovaizdis --- riżerva tal-flora --- looduspark --- savvaļas augu rezervāts --- skyddat landskap --- rezervace lovné zvěře --- προστατευόμενη περιοχή πανίδας --- naturskyddsområde --- καταφύγιο θηραμάτων --- rezervat prirode --- eläintensuojelualue --- biosferos draustinis --- réserve de gibier --- riserva della biosfera --- gyvosios gamtos draustinis --- φυσικό πάρκο --- jachtreservaat --- защитен природен обект --- rezervație de biosferă --- Umweltschutzgebiet --- parc natural --- rezervácia na ochranu zveri --- park me kafshë të egra --- rezerwat fauny --- medījamo dzīvnieku rezervāts --- vadaspark --- naturområde med särskilt skydd --- természeti emlék --- game reserve --- peisazh i mbrojtur --- parque natural --- park krajobrazowy --- park naturali --- beskyttet område --- beschermd natuurgebied --- savvaļas dzīvnieku rezervāts --- viltreservat --- kasviensuojelualue --- gamtos parkas --- zaščiteno naravno območje --- rezervë biosferike --- reserva de caza --- riżerva tal-fawna --- site naturel protégé --- rezervație de faună --- espaço natural protegido --- biosférická rezervácia --- rezervație zoologică --- rezervácia na ochranu flóry --- προστατευόμενη φυσική περιοχή --- riżerva tal-bijosfera --- živalski rezervat --- vadaskert --- game park --- réserve de faune --- luonnonpuisto --- parco naturale --- nature preserve --- резерват за заштита на флората --- dabas parks --- Biosphärenreservat --- wildreservaat --- växtskyddsområde --- wildflower park --- rezervace rostlin --- riistansuojelualue --- резерват за животински видове --- natural reserve --- riserva floristica --- réserve de flore --- národní přírodní rezervace --- loomakaitseala --- reserva botânica --- park me specie të egra --- park natyror --- заштићени део природе --- Faunenreservat --- προστατευόμενη περιοχή χλωρίδας --- espacio natural protegido --- vildtreservat --- rezervație de floră --- природен парк --- резерват за заштита на фауната --- reserva de caça --- medžioklės parkas --- medžioklės draustinis --- περιοχή απόλυτης προστασίας της φύσης --- dyrereservat --- loomapark --- kraštovaizdžio draustinis --- riserva faunistica --- natuurpark --- prírodný park --- medību liegums --- Florenreservat --- rezerwat biosfery --- djurskyddsområde --- rezervație a biosferei --- sit natural protejat --- rezerwat flory --- riserva di caccia --- заштитена природна област --- biosphere reserve --- natuurbeschermingsgebied --- obszar ochrony krajobrazu --- chránený prírodný areál --- viltpark --- rastlinski rezervat --- tájvédelmi körzet --- biosférická rezervace --- rezervație de vânat --- gamtos draustinis --- suojelukohde --- rezervace fauny --- reserva zoológica --- εθνικός δρυμός --- reserva de la biosfera --- lovski rezervat --- biosferni rezervat --- protected landscape --- rezerwat zwierzyny --- rezervație botanică --- nature park --- parc naturel --- taimekaitseala --- ekologji --- екологија --- ekologie --- ekológia --- ekoloġija --- ökológia --- éiceolaíocht --- økologi --- ecología --- ekologija --- ökoloogia --- Ökologie --- екология --- ekoloģija --- ecology --- ekologi --- οικολογία --- ecologia --- ekologia --- ecologie --- környezettudomány --- наука за животната средина --- znanost o okolišu --- teorie životního prostředí --- ciencia del medio ambiente --- επιστήμες του περιβάλλοντος --- ympäristötiede --- ηθολογία --- milieuwetenschap --- scienze dell'ambiente --- věda o životním prostředí --- vides zinātne --- environmentální vědy --- ciência do ambiente --- environmental science --- environmentálna veda --- Umweltwissenschaft --- ekologické vědy --- știința mediului înconjurător --- aplinkotyra --- miljøvidenskab --- nauka o životním prostředí --- keskkonnateadus --- shkenca mjedisore --- Sociology of environment --- Nature protection