彼らの足跡によって識別個人：チータースポッティング

倫理STATEMENT：フットプリントの識別技術は、非侵襲的な技術です。いかなる生物学的サンプルが取られませんでした。許可証のドキュメントでのみ登録キャプティブチーターを使用しました。チーターの参加は、食品の報酬と引き換えに足跡を残すために砂の道に沿って歩くに限られていました。 注意：このプロトコルは、以下のフットプリントの識別技術を用いてフットプリントを分類するためのデータの可視化ソフトウェア」と呼ばれ、例えば、JMPなどのデータ視覚化ソフトウェアの使用を説明します。 安全性について：チーター（2人）無防備なままになることはありませんし、可能な場合は、別個の保持施設に入れました。取り扱いに使用キャプティブチーターは、フットプリントを作るための砂の道の上に直接魅了されました。取り扱いにはあまり影響を受けやすい他の動物は囲いの外から魅了されました。 用語： トラック：Oneフットプリント; トレイル：U単一の動物によって作られた足跡のnbrokenシリーズ。 1.収集の足跡 貼付製剤とプロトコル プロトコルのための以下の材料収集：罰金レーキ、または粗いすくいをし、改ざん、手のスプリンクラーや散水することができ、印刷、標準的なデジタルカメラ（最小分解能1200をフレーミングするための2つの標準的な支配者（センチ）または1大工折りたたみ定規X 1600 PIX）、データ記録スペースで必要な標準フットプリントラベルは、写真家、日付、フットプリントシリーズ、個別のプリントID、動物のID、場所および深さ2>の場合センチ）の名前を記録する場合は日陰のための傘。 印刷物上の最大の光のコントラストのための仕事早朝か夕方。これが不可能な場合は太陽がオーバーヘッドであるとき、傘から人工色合いがかかととつま先パッド定義を向上させることができます。 天然基質またはビルダー」砂のいずれかの約1cmの深さのパスを置きます。必ずそれが約あることを確認してください2〜3メートル広いと周囲のフェンスや習慣的な移動経路に沿ってメートル3〜15のために実行します。 ウェットと印刷品質と定義を改善するために、標準的なガーデニングツールで基板を滑らかに。存在する場合、手動で、葉や小石を取り除きます。 トレーニングデータセットのフットプリントを収集 食品の報酬で砂路を挟んでチーターを誘惑。フットプリントが行われた後、離れたパスから動物をリードしています。 各フットプリント証跡を画像化した後（1.3を参照）を離れてトラックを磨いて、次の証跡を記録するための表面を準備します。 唯一のトレーニングデータセットの左後肢プリントを収集します。左後肢の足は、大手つま先（つま先3）、つま先4とつま先5左に傾斜を作るがあります。フロントの足は、後足よりも広いです。撮影の前にそれらを識別する方法を学ぶ時間をお過ごしください。 フットプリントの識別技術のプロトコルを使用して足跡を撮像します <ol> 手動で各左後肢フットプリントの周りに円を描くことによって道に沿って、個々の足跡の位置を強調表示します。スティックまたは任意の他の適切なローカルツールを使用します。 画像は以下のように最初の足跡約1cm以下のメトリックスケールを配置し、フットプリントの左側にあります。 カメラマン、日付、フットプリントシリーズ、深さ（> 2センチメートル場合）離散プリントID、動物のIDと場所の名前をスケールの下、およびフットプリントを触れていない、写真IDスリップを置き、事前に割り当てられたスペースに書き込みます。 規模やフォトIDスリップに関連して、画像内の任意の視差エラーを回避するために、直接オーバーヘッドフットプリントカメラのレンズをプリントを跨ぐと指摘しています。必要かどうかをチェックするために三脚やアシスタントを使用してください。 フットプリント、ルールと写真付き身分証明スリップが完全に枠を埋めることを確認してください。 その動物のためのコレクションを完了するために約20良質左後肢のプリントを収集します。 20 prの場合int型は、同じ動物で1.1.6から1.3.5への処理を繰り返す、最初の道からは利用できません。 2.画像​​特徴抽出の前フットプリント識別技術解析へフットプリント識別技術のアイコンをダブルクリックし、アドインデータの可視化ソフトウェアのようにそれを開きます。画面上のホーム画面を確認します。この新しいウィンドウを表示するには「画像特徴抽出」を選択します。フットプリント識別技術は、コーディング言語JSLのデータ可視化ソフトウェアのスクリプトで実行されます。メインメニューは、図に示されています。 1。 マウスを使用して、ドラッグ・アンド・画像特徴抽出ウィンドウに最初の足跡画像をドロップします。特徴抽出テンプレートガイドは、ウィンドウの左側に表示されます。 足跡の画像はグラフィックウィンドウ内にあることを確認するために、「サイズ変更」ボタンをクリックして選択します。外側つま先（つま先上の最低点をクリックして2そして5）マーカーを配置し、「回転」を選択します。向きを標準化するために、イメージは点を結ぶライン上に水平に回転させることを確認します。十字線のセットを守って自動的にステップ2.6で使用されているように見えます。 基板は1cm以上の深さである場合、「基板の深さ」ボタンをクリックすることで、アルゴリズムに奥行き補正を行います。 必要なスケールで2スケールポイントを配置する場合にクリックします。チーターのためのスケールファクタボックスで設定さを10cmにスケールを設定します。 グラフィックスウィンドウの左側にテンプレートを使用して、順次25目印点を配置します。ランドマークポイントは、フットプリントに例えば最も前方、後方、各つま先とかかとの外側と内側の点を解剖学的ポイントを定義されています。初心者のための精度を向上させるために十字線を使用してください。点列を表示するには画像の左上に表示されるプロンプトに従ってください。 さらに15ポイントFRを生成するために、「派生ポイント」を選択します目印点オム。このプロセスは、アルゴリズム開発のために利用可能な変数の数を増大させます。 足跡画像のすべてのデータフィールドを完了します。チーター、トラック、トレイル、日付、時間と場所ポイント（GPS）。 図。図2に示すように2.2から2.8段。 データベース内の行に136スクリプト変数（距離、角度、領域）を送信するために「行を追加」ボタンを押してください。 データベースをxyが移入されるまで、繰り返しのステージすべてのフットプリントのための2.9から2.1までは、各ランドマークと導出点と各フットプリントのため、すべての計算された変数の座標。 データベース内のすべての行をコピーし、データベースの下に貼り付けます。この複製セットはリファレンス重心値（RCV）と呼ばれ、フットプリントトレイルのその後の対比較のためのフットプリントの同定技術モデルを安定させるために作用します。 チーターのためのフットプリントの同定法アルゴリズムの3開発<ol> ペアごとの堅牢な交差検定判別分析 メインメニューから、選択して堅牢なクロス検証ペアごとの分析ウィンドウ（ 図3）を開きます。フットプリントの識別技術のモデルは、同じ個人に属するコースまたは2つの異なる個体（ 図4）の組の尤度を決定するために分類子を使用します。 次のように知られている個人のトレーニングデータベースを使用して、トレイルの対比較を実行します。 「入力x、モデルカテゴリ」、および「入力トレイル」としてトレイルとしてチーターを選択します。 y列（フットプリントの測定値）は、連続変数として、自動的に入力されています。 「ファイル名を指定して実行」を選択します。進行中の分析を示すプログレスバーを確認します。トレイルの対比較を示す表示されるデータテーブルを確認します。 各Vと分類距離を記述するために、2つの出力は、割り当てられた自己/非自己のテーブルを観察しますalidationペア、および比較のために選択された異なる道を示す分類行列ウィンドウ、および輪郭確率。各比較のために使用される変数を示しているショーモデルボタン、と重心間の距離を与える距離閾値ボックスを確認します。 割り当てられた自己/非自己のテーブルのベースの「クラスター」ボタンを選択します。 2つのテーブルを確認します。最初は、任意の2つのコースの間の距離を示しています。選択された変数の分類のための最終的な出力 – 第二は、「クラスタ」デンドログラムです。カラーコードそれへの樹状図の任意のブランチをクリックすることで、分類のクラスタを視覚化します。 変数（測定値）の数と輪郭確率（重心値の周りの信頼区間）を変化させることにより、分類の精度をテストします。 18変数（ 図5a）を使用して生成されたクラスタの樹形図内のデータを再視覚化します。これは7の正しい予測を与えますチーター。 図5B（24変数）＆C（10変数）別の変数と輪郭確率入力をテストすることによって得られるチーター番号の異なる推定値を示しています。 注：スライディングスケールを持つ分布曲線は、100％で始まる予測数の相対的確率（可能性）を与えます。スライディングスケールが移動するように、各推定値に対する相対的確率予測値のいずれかの側が示されている。 図5Dは、10チーターの可能性が50未満であることを示すために、1つの方向に移動するスライディングスケールで、18の変数と結果を示します％。 一貫して最高の精度を与えるアルゴリズムを選択します。アルゴリズムは、最良のトレーニングデータベース（ 図5a）で知られている動物の数に近い結果を生成するように設定することができるように閾値を調整します。 検証のための完全なホールドバックトライアル <BR />ホールドバック試験を使用して、個人の期待数およびクラスタリングの分類の精度の両方のためのアルゴリズムを検証し、ランダムにテストし、トレーニングセット（ 図6）するデータセット内の個々のチーターを配分。次のように使用するための手順は次のとおりです。 リファレンス・データベースから、テストとトレーニングセットのサイズに、データセットの順次分割するのに適した間隔を決定します。チーターデータベースの場合、4のようにインターバルを使用しています。 ランダム（トレーニングセットに34を残して）テストデータセットとして4人を選択します。選択された4つのテスト個人のアイデンティティを非表示にします。 「ペアごとのデータ解析」オプションをクリックして、4つの試験の個人のためのすべてのコースを選択します。 フットプリント識別技術の分析を起動し、「ファイル名を指定して実行」をクリックします。分析は、テストデータセット内の個体数の予測を提供します。このプロセスを繰り返す9回（合計10）、各時間はランダムに4個体を選択します。 このテストサイズについての平均予測値を計算する（ すなわち 、4）。次に、各テストサイズの10回の反復でというように8ランダムに選択された個体（区間サイズに応じて）するためのプロセスを順次繰り返し、その後、12と。各テストの大きさの平均予測値を計算します。 図1に示すようなグラフグラフソフトウェアプロットを使用して。 6。赤い線は、実際の試験サイズは、自己に対してプロットを示し、緑のアスタリスクは、各テストの大きさの平均予測値は、各反復と青のラインのための個人の予測数を示し示します。赤と青の線の近さは、フットプリントの識別技術解析の精度の指標です。