JoVE Journal > Environment
Summary
Abstract
Introduction
Protocol
Risultati
Discussion
Divulgazioni
Acknowledgements
Materials
Riferimenti
Please note that all translations are automatically generated. Click here for the English version.
Ambiente

Spek Cheetahs: Identifizierung von Personen durch ihre Spuren

Published: May 01, 2016
doi:
10.3791/54034
, , , , ,
1WildTrack and Nicholas School of the Environment,Duke University, 2N∕a′an ku sê Research Programme, 3Division of Biology and Conservation Ecology, School of Science and the Environment,Manchester Metropolitan University, 4N∕a′an ku sê Foundation

Summary

The cheetah (Acinonyx jubatus) is an iconic, endangered species, but conservation efforts are challenged by habitat shrinkage and conflict with commercial farmers. The footprint identification technique, a robust, accurate and cost-effective image classification system, is a new approach to monitoring cheetahs.

Abstract

The cheetah (Acinonyx jubatus) is Africa’s most endangered large felid and listed as Vulnerable with a declining population trend by the IUCN1. It ranges widely over sub-Saharan Africa and in parts of the Middle East. Cheetah conservationists face two major challenges, conflict with landowners over the killing of domestic livestock, and concern over range contraction. Understanding of the latter remains particularly poor2. Namibia is believed to support the largest number of cheetahs of any range country, around 30%, but estimates range from 2,9053 to 13,5204. The disparity is likely a result of the different techniques used in monitoring.

Current techniques, including invasive tagging with VHF or satellite/GPS collars, can be costly and unreliable. The footprint identification technique5 is a new tool accessible to both field scientists and also citizens with smartphones, who could potentially augment data collection. The footprint identification technique analyzes digital images of footprints captured according to a standardized protocol. Images are optimized and measured in data visualization software. Measurements of distances, angles, and areas of the footprint images are analyzed using a robust cross-validated pairwise discriminant analysis based on a customized model. The final output is in the form of a Ward’s cluster dendrogram. A user-friendly graphic user interface (GUI) allows the user immediate access and clear interpretation of classification results.

The footprint identification technique algorithms are species specific because each species has a unique anatomy. The technique runs in a data visualization software, using its own scripting language (jsl) that can be customized for the footprint anatomy of any species. An initial classification algorithm is built from a training database of footprints from that species, collected from individuals of known identity. An algorithm derived from a cheetah of known identity is then able to classify free-ranging cheetahs of unknown identity. The footprint identification technique predicts individual cheetah identity with an accuracy of >90%.

Introduction

Der Gepard (Acinonyx jubatus) ist Afrikas am meisten gefährdeten felid und aufgeführt als Vulnerable mit einer rückläufigen Bevölkerungsentwicklung von der IUCN Rote Liste gefährdeter Arten 1. Die globale Gepard Bevölkerung wird geschätzt , zwischen 7-10,000 Individuen zu sein 1 und Namibia gilt als das größte Hochburg der frei lebenden Geparden, mit vielleicht mehr als ein Drittel der Weltbevölkerung 4,6,7 anerkannt. Bevölkerungsschätzungen für das südliche Afrika im Jahr 2007 mit 1800 Namibia Geparden Bevölkerung 2000 mit dem übernächsten Bereich Staat Botswana platziert, gefolgt von Südafrika (550), Simbabwe (400), Sambia (100), Mosambik (<5). Mehrere Staaten waren nicht veranlagte 7.

Namibischen Behörden haben eine klar zum Ausdruck gebracht Vision "Sichere, tragfähige Geparden Populationen in einer Reihe von Ökosystemen, die mit erfolgreich koexistieren, und werden geschätzt durch, die Menschen in Namibia." Allerdings Viehund Spiel Landwirtschaft sind wichtige Land in Namibia verwendet 8,9 und Grundbesitzer regelmäßig fangen und töten Geparden auf ihre Eigenschaften in einem Versuch , Raub von Vieh oder wertvolle Tiere zu reduzieren. Mehr als 1.200 Geparden wurden von 1991 bis 2006 entfernt, aber nicht alle solche "Entnahmen" wurden 10 aufgezeichnet. Darüber hinaus gibt es eine Debatte darüber, ob oder nicht, das ist eine effektive Lösung für den Landwirt-Gepard-Konflikt. Die Entnahme von Tieren als Ursache für Konflikte wahrgenommen, durch das Töten oder Translokation kann weniger wirksam sein als Milderung von Konflikten mit anderen Mitteln, wie zum Beispiel eine bessere Tierschutz 11. Veröffentlicht Überlebensraten für 12 Monate nach der Translokation haben von 18% 11-40% 12 reichte.

Die zuverlässige Erfassung von Daten über die Zahlen, die Identität und die Verteilung von Geparden in Namibia ist der Schlüssel zur Bewältigung Konfliktsituationen Mensch-Gepard. Aktuelle Geparden Techniken Überwachung von gezielten Fragebögen aus dem Nami reichenbian Ministerium für Umwelt und Tourismus Beteiligten 4 opportunistische Beobachtungen von Touristen und Regierung berichtet 4, die Verwendung von Kamerafallen 13, GPS oder UKW – Kragen 10,14, Umfragen Landwirt Interview 8 und sogar Punktmuster 15. Bei einem Vergleich der Wirksamkeit dieser Techniken ohne eine gemeinsame Benchmark oder Quantifizierung der Erhebungsaufwand ist schwierig. Jeder hat seine Grenzen; GPS-Satelliten-und VHF-Halsbänder sind teuer und oft unzuverlässig, haben gezielte Fragebögen Umfang begrenzt und Kamerafallen haben eine begrenzte Reichweite.

Schätzungen durch diese unterschiedlichen Verfahren hergestellt sind sehr unterschiedlich. Marker et al. 10 unterstrich die Notwendigkeit für ein koordiniertes Vorgehen. Eine Vielzahl von Verfahren wurde auf den Äckern verwendet Geparden Bevölkerungsdichte zu schätzen, und diese haben eine Reihe von Schätzungen erzeugt. Zum Beispiel kann eine Studie Radio-Telemetrie 2,5 (± 0,73) Geparde / 1.000 km geschätzt <sup> 2 , während eine Kamera-Falle Studie schätzungsweise 4,1 (± 0,4) Geparde / 1.000 km 2 (Marker et al. 2007). Diese Variante hebt das Problem der unterschiedlichen Methoden Dichte zu schätzen, aber bisher keine einzige, wirksame, wiederholbare Technik identifiziert worden, die über das breite Spektrum der Lebensräume verwendet werden könnten, die Geparde in Namibia besetzen. Dies bleibt ein Problem für die effektive Geparden Überwachung und Erhaltung.

Diese Herausforderung löste die Entwicklung eines robusten, kostengünstigen und flexibles Werkzeug für die Geparden zu überwachen. Der Fußabdruck Identifikationstechnik wurde erstmals für schwarze Nashörner 16 entwickelt und anschließend für eine breite Palette von Arten , darunter weiße Nashorn 17, Amur – Tiger 18, Berglöwen 19 und andere angepasst.

Verschiedene Studien haben gezeigt, dass es möglich ist, Fußspuren zu verwenden, um große Fleischfresser von Arten, Personen zu identifizieren und Sex. Der Prozesshat sich von einfachen Formbeschreibung von Spuren 20 auf einen Vergleich von Messungen 21, einer statistischen Analyse eines oder mehrerer Messungen entwickelt 16,17,22-30 und 31 Formanalyse .Diese Bemühungen wechselndem Erfolg gehabt haben, hängen weitgehend von der Strenge der Datenerfassung und Analyseverfahren und die Anzahl der Versuchstiere verwendet, um die Trainingsdatensätze zu entwickeln. Es gibt mehrere praktische Vorteile von Fußabdrücken mit. Die erste ist , dass die Bilder können zusammen mit anderen nicht-invasive Ansätze (zB Kamera-Trapping, DNA – Sammlung von Haar / Kot, etc.) mit sehr wenig zusätzlichen Aufwand oder Kosten gesammelt werden. Zweitens Fußspuren sind, wo Substrat erlaubt, die am weitesten verbreitete Zeichen der Tieraktivität.

Der Fußabdruck Identifikationstechnik ist der erste robuste Fußabdruck Identifikationstechnik für Geparden beschrieben und ist anwendbar an jedem Ort, wo Fußspuren gefunden werden. Abdrücke müssen sufficiently definiert, dass die Zehen und der Ferse des Druck deutlich mit bloßem Auge gesehen werden kann. Die Vermesser müssen sich mit der grundlegenden Anatomie des Geparden Fuß vertraut und in der Lage sein zu erkennen, Drucke im Bereich von Interesse, und unterscheiden sie von Drucke von irgendwelchen anderen sympatric großen Fleischfresser. Die Technik kann sowohl als Zensus Technik verwendet werden ( zum Beispiel , wie viele Geparden durch die Fußspuren dargestellt werden gesammelt?) Oder als Werkzeug , um bestimmte Personen zu überwachen. Abdrücke kann auch als "Marken" in Mark-recapture Analysen verwendet werden, unter Verwendung der Technik Individuen zu identifizieren, und dann lokale Dichten der Spezies berechnen. Die Datensammlung erfordert nur eine einfache Digitalkamera und Maßstab.

Protocol

ETHIK STATEMENT: Der Fußabdruck Identifikationstechnik ist eine nicht-invasive Technik. Keine biologische Proben genommen wurden. Nur registrierte gefangen Gepard mit den Genehmigungsunterlagen verwendet wurden. Cheetah Teilnahme an einer Sand Spur zu hinterlassen Spuren im Austausch für eine Futterbelohnung zu Fuß war begrenzt. Hinweis: Dieses Protokoll beschreibt die Verwendung einer Datenvisualisierungssoftware wie JMP, im Folgenden als "Daten – Visualisierungs – Software" bezeichnet Fußspuren Technik mit dem Fußabdruck Identifizierung zu klassifizieren. SICHERHEITS STATEMENT: Geparden wurden nie unbewacht gelassen (2 Personen) und wurden in getrennten Halteeinrichtungen , wo möglich platziert. Captive Geparden Handhabung wurden verwendet, um direkt über einen Sand-Trail zu machen Fußspuren gelockt. Andere Tiere weniger zugänglich Handhabung wurden von außerhalb des Gehäuses gelockt. BEGRIFFE: Spur: Ein Fußabdruck; Trail: Ein unbroken Reihe von einem einzigen Tier gemacht Fußspuren. 1. Erhebung Abdrücke Patch – Vorbereitung und Protokoll Sammeln Sie die folgenden Materialien für das Protokoll: eine feine Rechen oder eine grobe Rechen und manipulations, Handbrause oder Gießkanne, zwei Standard-Herrschern (cm) oder ein tischler Faltmaßstab für den Druck Framing, ein Standard-Digitalkamera (Mindestauflösung 1200 x 1600 pix), wenn ein Schirm für Schirm notwendig und Standardabmessungen Etiketten mit Datenaufzeichnung Räumen, wenn> 2 cm), um den Namen des Fotografen, Datum, Fußabdruck Serie, diskrete Print ID, Tier-ID, Position und Tiefe zu erfassen. Die Arbeit am frühen Morgen oder am späten Nachmittag für eine maximale Lichtkontrast auf den Drucken. Wenn dies nicht möglich ist, künstliche Schatten von einem Regenschirm kann Ferse und Zehenpolster Definition verbessern, wenn die Sonne im Zenit ist. Legen Sie einen Weg von etwa 1 cm Tiefe von entweder natürlichen Substrat oder vorfabrizierten Sand. Stellen Sie sicher, dass es im Begriff ist2-3 m breit und zwischen 3 und 15 m entlang einer Umzäunung oder gewöhnlichen Bewegungsbahn laufen. das Substrat mit Standard-Gartengeräte Nass- und glätten die Druckqualität und Definition zu verbessern. Entfernen Sie manuell Blätter und Kies, falls vorhanden. Sammeln Fußabdrücke für die Trainingsdaten Lure den Gepard über Sandweg mit einer Futterbelohnung. Nachdem die Abdrücke gemacht wurden, aus dem Weg, das Tier weg führen. Nach dem Abbilden jeder Fußabdruck Spur (siehe 1.3) bürsten Sie die Spuren entfernt und die Oberfläche der Vorbereitung auf die nächste Spur aufnehmen. sammeln Nur linke Hinter Drucke für die Trainingsdaten. Die linke Hinterfuß hat die führende Zehe (toe 3), Zeh 4 und Zehe 5 eine Neigung nach links zu machen. Vorderfüße sind breiter als Hinterfüße. Verbringen Sie Zeit zu lernen, wie sie vor der Abbildung zu identifizieren. Die Abbildung der Fußspuren der Fußabdruck Identifikationstechnik – Protokoll <ol> Markieren Sie die Position der einzelnen Fußspuren entlang des Weges durch manuell einen Kreis um jeden linken Hinter Fußabdruck zu ziehen. Verwenden Sie einen Stock oder einen anderen geeigneten lokalen Werkzeug. Bild der ersten Fußabdruck wie folgt Legen Sie eine metrische Skala etwa 1 cm unterhalb und links von der Stellfläche. in den im Voraus zugewiesenen Räume den Namen des Fotografen, Datum, Fußabdruck Serie, Tiefe (wenn> 2 cm) diskrete Druck ID, Tier-ID und Ort unter dem Maßstab und den Abdruck nicht zu berühren, legen Sie eine Foto-ID slip, und zu schreiben. Straddle den Druck und richten Sie die Kamera-Objektiv direkt über den Fußabdruck, jede Parallaxe Fehler im Bild zu vermeiden mit Bezug auf die Skala oder Foto ID rutschen. Verwenden Sie ein Stativ oder Assistenten zu überprüfen, wenn nötig. Stellen Sie sicher, dass der Fußabdruck, Regel und Foto-ID rutschen vollständig füllen den Rahmen. Sammeln Sie rund 20 gute Qualität linken Hinter druckt die Sammlung für dieses Tier zu vervollständigen. Wenn 20 prInts sind nicht verfügbar, von der ersten Spur, wiederholen Prozesse von 1.1.6 bis 1.3.5 mit dem gleichen Tier. 2. Bildmerkmalsextraktion Vor der Footprint Identification Technik-Analyse Klicken Sie doppelt auf die Technik Symbol Fußabdruck Identifizierung und öffnen Sie es als Add-In für die Datenvisualisierungssoftware. Beachten Sie das Startfenster auf dem Bildschirm. Wählen Sie 'Bild Feature Extraction' dieses neuen Fenster anzuzeigen. Der Fußabdruck Identifikationstechnik läuft auf einem Daten-Visualisierungs-Software-Skript in der Codierung Sprache JSL. Das Hauptmenü ist in Fig. 1. Mit der Maus per Drag & Drop den ersten Fußabdruck Bild in das Extraktionsfensterbild-Funktion. Eine Merkmalsextraktion Schablonenführung ist auf der linken Seite des Fensters angezeigt. Klicken Sie auf und wählen Sie die "Größe ändern", um sicherzustellen, dass die Stellfläche Bild im Grafikfenster ist. Klicken Sie auf die tiefsten Punkte auf den äußeren Zehen (Zehen 2und 5) Marker zu platzieren und dann 'drehen'. Beachten Sie, dass das Bild horizontal auf der Linie gedreht wird, um die Punkte verbinden, um Orientierung zu standardisieren. Beachten Sie ein Fadenkreuz erscheinen automatisch in Schritt 2.6 verwendet werden. Wenn das Substrat mehr als 1 cm tief ist, eine Tiefe Korrektur des Algorithmus, indem Sie das "Substrattiefe" klicken. Klicken Sie auf zwei Skalenpunkte im erforderlichen Umfang zu platzieren. Für den Geparden stellen Sie die Skala bei 10 cm, auf dem Skalierungsfaktor Feld gesetzt. Mit Hilfe der Schablone auf der linken Seite des Fensters Grafiken, sequentiell 25 Wahrzeichen Punkte. Grenzstein Punkte anatomische Punkte auf der Grundfläche definiert ist, beispielsweise die vorderste, posterior, lateral und medial Punkte jeder Zehe und der Ferse. Verwenden Sie das Fadenkreuz Genauigkeit für unerfahrene Anwender zu verbessern. Beachten Sie eine Eingabeaufforderung auf der linken oberen Ecke des Bildes erscheinen, um die Folge von Punkten zu zeigen. Wählen Sie 'Abgeleitete Punkte' weitere fünfzehn Punkte fr zu erzeugenom die Wahrzeichen Punkte. Dieser Prozess erhöht die Anzahl der verfügbaren Variablen für die Algorithmenentwicklung. Füllen Sie alle Datenfelder für den Fußabdruck Bild; Geparden, Spur, Spur, Datum, Uhrzeit und Ort Punkt (GPS). Abb. 2 zeigt Stufen 2,2-2,8. Drücken Sie die "Zeile anhängen" Knopf 136 scripted Variablen zu senden (Abstände, Winkel, Flächen) auf eine Zeile in der Datenbank. Wiederholen Sie die Schritte 2,1-2,9 für alle Fußspuren, bis die Datenbank mit der xy-bevölkert Koordinaten für jeden Orientierungspunkt und abgeleitet Punkt und alle berechneten Größen für jeden Platzbedarf. Kopieren Sie alle Zeilen in der Datenbank und fügen Sie sie unterhalb der Datenbank. Diese Verdoppelung Satz wird der Referenzwert Centroid (RCV) und wirkt so genannte Fußabdruck Identifikationstechnik Modell für nachfolgende paarweisen Vergleich der Fußabdruck Wegen zu stabilisieren. 3. Entwicklung des Footprint Identification Technik Algorithmus zur Cheetah <ol> Paarweise robuste kreuzvalidierte Diskriminanzanalyse Aus dem Hauptmenü wählen und öffnen Sie die robuste kreuzvalidierte paarweise Analysefenster (Abb. 3). Der Fußabdruck Identifikationstechnik – Modell verwendet einen Klassifikator die Wahrscheinlichkeit eines Paares von Wanderwegen gehören , zu der gleichen Person oder zwei verschiedenen Individuen (Abb. 4) zu bestimmen. Führen Sie eine paarweise Vergleich von Wanderwegen, die Ausbildung Datenbank von bekannten Personen wie folgt verwendet: Wählen Sie Cheetah als "Eingang x, Modell Kategorie 'und Routen als" Eingangswege ". Die y-Säulen (Footprint-Messungen), als kontinuierliche Variablen sind automatisch ausgefüllt. Wählen Sie "Ausführen". Beachten Sie einen Fortschrittsbalken der laufenden Analyse zeigt. Beachten Sie eine Datentabelle erscheinen die paarweise Vergleiche von Wanderwegen zeigt. Beachten Sie zwei Ausgänge, ein zugeordnetes Selbst / Nicht-Selbst-Tabelle die Klassifizierung Abstand zwischen den einzelnen v zu beschreibenalidierung Paar und ein Fenster Klassifizierung Matrizen, die verschiedenen Wege zum Vergleich ausgewählt zeigt, und die Kontur Wahrscheinlichkeit. Beachten Sie die Show Modell-Taste, die die Variablen für jeden Vergleich, und die Distanzschwelle Box verwendet zeigt, dass der Abstand zwischen Zentroiden gibt. Wählen Sie die "Cluster" Taste an der Basis der zugewiesenen selbst / Nicht-Selbst-Tabelle. Beachten Sie zwei Tabellen. Die ersten Shows Abstände zwischen zwei beliebigen Strecken. Der zweite ist ein "Cluster" dendrogram – die endgültige Ausgabe für die Klassifizierung von ausgewählten Variablen. Visualisieren Sie die Klassifizierungs Cluster, indem sie auf jeder Filiale der Dendrogramm zu Farbcode klicken. Testen der Genauigkeit der Klassifizierung durch die Anzahl der Variablen (Messungen) variierende und die Kontur Wahrscheinlichkeit (das Konfidenzintervall um den Zentroid-Wert). Re-Visualisierung der Daten in dem Cluster Dendrogramm erzeugt unter Verwendung von 18 Variablen (Fig. 5a). Dies gibt die korrekte Vorhersage von siebenGeparden. Figuren 5b (24 Variablen) und c (10 Variablen) zeigen unterschiedliche Schätzungen von Geparden Zahlen durch Testen verschiedener variabler und Kontur Wahrscheinlichkeit Eingänge erhalten. HINWEIS: Die Verteilungskurve mit der gleitenden Skala die relative Wahrscheinlichkeit gibt (Chance) der vorhergesagten Zahl mit 100% beginnen. Da die gleitende Skala ist die relative Wahrscheinlichkeit für jede Schätzung auf jeder Seite des vorhergesagten Werts bewegt gezeigt. 5D zeigt das Ergebnis mit 18 Variablen, mit der gleitenden Skala in eine Richtung bewegt , um zu zeigen , dass die Wahrscheinlichkeit von zehn geparden weniger als 50 %. Wählen Sie den Algorithmus, der konsequent die höchste Genauigkeit verleiht. Stellen Sie den Schwellenwert der Algorithmus zu ermöglichen, eingestellt werden , um das Ergebnis zu erzeugen, die am besten zu der Anzahl der Tiere in der Trainingsdatenbank (Fig. 5a) bekannt approximiert. Volle Sperrfristen Studie zur Validierung <Validieren br /> , um den Algorithmus sowohl für die erwartete Anzahl von Individuen und die Genauigkeit der Clustering – Klassifikation mit Sperrfristen Studien und zufällig die einzelnen Geparden im Datensatz zuteilen zu testen und zu Trainingssätzen (Abb. 6). Die Schritte zur Verwendung sind wie folgt: Von der Referenzdatenbank, entscheiden sich für ein geeignetes Intervall für die sequentielle Partitionierung des Datensatzes in Test- und Trainingssatzgrößen. Für die Geparden-Datenbank, verwenden Sie das Intervall als 4. Wähle zufällig vier Personen als Testdatensatz (34 im Trainingssatz zu verlassen). Verbergen die Identität der vier Test Personen ausgewählt. Klicken Sie auf die "Pairwise Data Analysis" und wählen Sie die Pfade für die vier Test Einzelpersonen. Klicken Sie auf "Ausführen", um die Footprint Identifikationstechnik Analyse starten. Die Analyse wird eine Vorhersage für die Anzahl der Personen in der Testdatensatzes geben. Iterate diesen Prozess neun weitere Male (insgesamt 10), die jeweilsZeit Auswahl zufällig vier Personen. Berechnen Sie den mittleren vorhergesagten Wert für diesen Test Größe (dh vier). Dann wiederholen den Vorgang nacheinander für acht zufällig ausgewählten Personen (in Abhängigkeit von der Intervallgröße) und dann 12 und so weiter mit zehn Iterationen für jeden Testgröße. Berechnen Sie mittlere vorhergesagte Wert für jede Testgröße. Mit Hilfe einer grafischen Darstellung Software wird ein Graph , wie in Fig. 6. Die rote Linie zeigt die tatsächliche Testgröße gegen sich selbst aufgetragen, zeigen die grünen Sternchen die vorhergesagte Anzahl von Personen für jede Iteration und die blaue Linie zeigt die mittlere vorhergesagte Werte für jede Testgröße. Die Nähe der roten und blauen Linien ist ein Indikator für die Genauigkeit der Identifikationstechnik Analyse Fußabdruck.

Representative Results

Die individuelle Kennzeichnung Die Fähigkeit des Fußabdrucks Identifikationstechnik einzelnen Geparden zu klassifizieren ist auf zwei Faktoren bedingten, ist die Verwendung eines standardisierten Fußabdruck Sammlung Protokoll und ein neues statistisches Modell basiert auf einer kreuzvalidierte paarweise Diskriminanzanalyse mit einer Clusteranalyse Ward. Diese werden durch eine integrierte grafische Benutzeroberfläche für die Datenvisualisierung erleichtert (Abb. 1). Minimale Ausrüstung benötigt, so dass diese Technik kostengünstig (Materialliste). Daten mit dem Fußabdruck gesammelt enthalten die Anzahl der Geparde, die Anzahl der Fußabdruck Bilder gesammelt, Reichweite von Fußabdrücken pro Geparden, die Anzahl der Strecken, Angebot an Trails pro Geparden und Altersgruppe von Geparden (Tabelle 1). 781 Fußabdrücke (M: F 395: 386) auf 110 Routen gehören, von 38 Personen wurden für die Trainingsdatenmenge gesammelt Tabelle 1 gibt.eine Zusammenfassung der gesammelten Daten. Mit Hilfe der Merkmalsextraktion Fenster (Abb. 2) ein Satz von 25 Wahrzeichen Punkte waren in der Lage 15 zu erzeugen , abgeleitet Punkte auf jeder Fußabdruck Bild. Aus diesen Wahrzeichen und abgeleitete Punkte wurden 136 Variablen für jeden Fußabdruck erzeugt, mit Abständen, Winkeln und Flächen. Jede Zeile in der Datenbank daher repräsentiert die 136 Variablen, die von einem einzigen Fußabdruck erzeugt. Abdrücke wurden durch Spur verarbeitet. Eine unterschiedliche Anzahl von Zeilen repräsentiert jede Spur, und wurden als solche gekennzeichnet. Diese Daten wurden in der Datentabelle dupliziert als ein Unternehmen dann bezeichnet als der Referenzwert Centroid (RCV), die die paarweise Vergleich von Wanderwegen, die für individuelle Einstufung zu stabilisieren wirkt. Die paarweise Analysefenster (Abb. 3) wurde entwickelt , um die Daten und / oder Test für die Daten aus unbekannten Populationen bestätigen. Abbildung 4 zeigt das Ergebnis einer paarweisen Vergleich von Routen aus dem gleichen individual (A) und zwei verschiedenen Individuen (B) auf der Basis der Fußabdruck Identifikationstechnik maßgeschneiderte Modell. Der Klassifizierer in das Modell eingebaut wird auf das Vorhandensein oder Fehlen der Überlappung zwischen den Ellipsen basiert. Man beachte , daß die Analyse für jeden paarweisen Vergleich in Gegenwart einer dritten Entität durchgeführt wird, dh der Referenzwert Zentroid (RCV). Mit einem robusten paarweise kreuzvalidierte Diskriminanzanalyse mit einer Clusteranalyse der Ward, wurde ein Algorithmus erzeugt effektive Klassifizierung von Personen zur Verfügung zu stellen. Der Fußabdruck Identifikationstechnik-Algorithmus wird auf drei einstellbaren Einheiten an; die Anzahl von Messungen verwendet, die Ellipse Größe (verwendet Konfidenzintervall), und der Schwellenwert, der den Grenzwert für die Cluster bestimmt. Jede dieser Einheiten wird in der Software eingestellt, bis die höchste Genauigkeit für die Klassifizierung ist für den Trainingssatz von Tieren bekannter Identität erreicht. Das gleiche algorithm kann dann verwendet werden, um unbekannte geparden identifizieren. Beispielsweise zeigen die 5a, b & c ein Dendrogramm einer Stichprobe von Routen von sieben Geparden zeigt die korrekte Vorhersage zeigen , wenn der Algorithmus optimiert ist (a) und wenn der Algorithmus ist suboptimal (b & c). Hindernis-Studien wurden durchgeführt, um den Algorithmus zu validieren aus dem Trainingssatz von "bekannt" Individuen abgeleitet. Diese wurden sequentiell durchgeführt durch Verändern des Anteils der cheetahs in den Test- und Trainingssätze. Anstatt willkürlich Geparde zu Trainings- und Testsätze Umlegung wurden Analysen nacheinander ausgeführt, um die Test-Set Größe zu erhöhen. Für jeden Test-Set wurden 10 Wiederholungen mit Geparden durchgeführt für jede Iteration zufällig ausgewählt werden. Für jeden Test – Set, erlaubt dies ein Mittelwert berechnet werden. Abbildung 6. Zeigt die unterschiedlichen Testgröße gegen sich selbst aufgetragen (rot), und auf der y-Achse des vorhergesagten Wert für jede Testgröße Iteration (grün) Und die mittlere vorhergesagte Wert für jede Testgröße (blau). Die Handlung zeigt, dass selbst dann, wenn das Test-Set Größe deutlich erhöht (n = 28) im Vergleich mit dem Trainingssatz Größe (n = 10), die mittlere vorhergesagte Wert dem erwarteten Wert ähnlich ist. Mit mehreren Sperrfristen Studien war die Genauigkeit der individuellen Identifikation konsequent> 90% sowohl für die vorhergesagte Anzahl von Individuen und, was genauso wichtig ist , die Klassifizierung von Wanderwegen, das heißt, ob die Pfade von der gleichen Person (Selbstwege) und solche aus verschiedene Personen (nicht selbstWege) korrekt klassifiziert. Ein Cluster Dendrogramm allen 38 einzelnen geparden repräsentierende gezeigt (Fig. 7). Es gab 110 Routen, insgesamt 5886 paarweise Vergleiche zu erzeugen. Von diesen waren 46 Fehlklassifizierungen eine Genauigkeit von 99% (Tabelle 2) gibt. # Geparden Anzahl der Fußabdruck Bilder Bereich Fußspuren pro Geparden # Loipen Bereich Routen pro Geparden Altersgruppe (Jahre) Weibliche 16 386 12-36 55 2 bis 5 2,5-8,5 Männlich 22 395 7-32 54 1 bis 4 1 bis 11 Gesamt 38 781 7-36 109 15 1 bis 11 Tabelle 1. Zusammenfassung der gesammelten Daten. Die Zahl der Geparden ist die Zahl der Fußabdruck Bilder gesammelt, die Bandbreite der footpRints pro Geparden, die Zahl der Strecken, die Auswahl an Routen pro Geparden und die Altersgruppe von Geparden. Selbst Nicht selbst Gesamt Fehlklassifikationen Selbst (N) 117 9 126 9 Selbst (%) 93 7 100 7 Nicht-Selbst (N) 37 5723 5760 37 Nicht selbst (%) 1 99 100 1 Total (N) – – 5886 46 Total (%) </Td> – – 100 1 Tabelle 2. Die Ausgabe in der Ausleuchtzone Identifikationstechnik Software zeigt die Klassifizierung von Routen basierend auf paarweise Vergleich. "Selbst" bezieht sich auf Routen von demselben Individuum und "Nicht-Selbst", Spuren von verschiedenen Individuen. Jede Spur wurde gegen jede andere Spur abgestimmt eine maßgeschneiderte robuste kreuzvalidierte Diskriminanzanalyse Modell. 110 Routen in Folge 5886 paarweise Vergleiche und die Gesamtklassifikationsgenauigkeit betrug 99%. Abbildung 1. Die Öffnungshauptmenüfenster in der Ausleuchtzone Identifikationstechnik. Dies ist ein Bild Identifizierung Add-In zur Datenvisualisierung – Software, die Fußabdrücke zu klassifizieren durch indi nen, Geschlecht und Alter-Klasse von morphometrischen Messungen. Eine grafische Benutzeroberfläche ermöglicht die nahtlose Navigation zwischen verschiedenen Optionen. Bitte hier klicken , um eine größere Version dieser Figur zu sehen. Abbildung 2. Die Merkmalsextraktion Fenster. Die Funktionen umfassen Drag & Drop Bilder, automatische Größenanpassung an das Fenster, Rotation der Bilder für die Standardisierung, Substrattiefe Factoring usw. Vorbelegte Orientierungspunkt Punkte manuell positioniert sind und eine Reihe von skript abgeleitet Punkte generieren die Gewinnung von Metriken in Form von Strecken, Winkeln und Flächen ermöglichen. Die Ausgabe erfolgt in Form einer Reihe von Daten, die die xy-Koordinaten und die Metriken bereitstellt.ank "> Bitte hier klicken, um eine größere Version dieser Figur zu sehen. Abbildung 3. Paarweise Datenanalysefenster in der Ausleuchtzone Identifikationstechnik. Sobald eine Datenbank von Messungen erstellt wurde, die paarweise Analysefenster entwickelt, um die Daten zu helfen , zu validieren und / oder Test für die Daten von unbekannten Populationen. Die Analyse basiert auf einer angepassten Modell einen konstanten Referenz Schwerpunkt Wert (RCV) enthält, die sequentiell 16,17 Paare Wegen vergleicht. Die endgültige Ausgabe ist in Form eines Clusters dendrogram , die eine Vorhersage für die Anzahl der Personen und die Beziehung zwischen den Spuren zur Verfügung stellt. Bitte hier klicken , um eine größere Version dieser Figur zu sehen. <img alt = "4" src = "/ files / ftp_upload / 54034 / 54034fig4.jpg" /> Abbildung 4. Paarweise Vergleiche. Die Abbildung zeigt das Ergebnis eines paarweisen Vergleich von Routen von der gleichen Person (A) und zwei verschiedenen Individuen (B) auf der Basis eines angepassten Modell in der Datenvisualisierungssoftware. Der Klassifizierer in das Modell eingebaut wird auf das Vorhandensein oder Fehlen der Überlappung zwischen den Ellipsen basiert. Beachten Sie, dass die Analyse für jede Paarvergleich in Gegenwart einer dritten Person durchgeführt wird, dh der Referenz Schwerpunkt Wert (RCV). Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen. Abbildung 5. Ein Dendrogramm einer Stichprobe von Routen von sieben Geparden die richtige pred zeigtiction wenn der Algorithmus optimiert ist (a) , und wenn der Algorithmus suboptimal (b & c). d das Ergebnis mit 18 Variablen zeigt, mit der gleitenden Skala in eine Richtung bewegt , um zu zeigen , dass die Wahrscheinlichkeit von zehn geparden weniger als 50% . Der Algorithmus basiert auf drei einstellbaren Einheiten; die Anzahl der Messungen, die Ellipse Größe (verwendet Konfidenzintervall) und schließlich der Schwellenwert, der den Cut-off – Wert für die Cluster bestimmt. Bitte hier klicken um eine größere Version dieser Figur zu sehen. Abbildung 6. Ein Sperrfristen Versuch durchgeführt sequentiell durch Variieren des Anteils von Geparden in den Test- und Trainingssätzen. Anstatt Geparden zu Trainings- und Test se Umlegungts willkürlich wurde eine Analyse durchgeführt sequentiell die Test-Set Größe zu erhöhen. Für jeden Test-Set wurden zehn Iterationen mit Geparden durchgeführt für jede Iteration zufällig ausgewählt werden. Für jeden Testsatz, erlaubt dies ein Mittelwert berechnet werden. Die Abbildung zeigt die unterschiedlichen Testgröße gegen sich selbst aufgetragen (rot), und auf der y-Achse der vorhergesagte Wert für jede Testgröße Iteration (grün) und die mittlere vorhergesagte Wert für jede Testgröße (blau). Die Handlung zeigt , dass selbst dann , wenn das Test – Set Größe deutlich erhöht (n = 28) im Vergleich mit dem Trainingssatz Größe (n = 10), die mittlere vorhergesagte Wert dem erwarteten Wert ähnlich ist. Bitte klicken Sie hier , um eine größere Version zu sehen diese Figur. Abbildung 7. Dendrogram zeigt die vorhergesagte Ergebnis , wenn alle110 Routen von 38 Geparden sind in die Analyse einbezogen. Notieren Sie sich die Treue der Spuren , die die Cluster bilden. Interessanterweise viele der Fehlklassifikationen zwischen littermates waren, zum Beispiel Geparden Letotse / Duma und Vincent / Bonsai. Bitte hier klicken , um eine größere Version dieser Figur zu sehen.

Discussion

Dieses Papier beschreibt die theoretischen Anwendung des Fußabdrucks Identifikationstechnik und ihr Potenzial als neue kostengünstige, gemeinschaftsfreundlichen Ansatz zur Überwachung und damit Gepard hilft sparen. Die nächsten Schritte in der weiteren Anwendung des Werkzeugs wird umfangreicher Feldversuche mit Geparden Populationen in Reichweite Gebieten sein.

Der Fußabdruck Identifikationstechnik unterscheidet sich von früheren Versuchen, Personen aus Fußspuren in mehreren wichtigen Punkten zu identifizieren; eine standardisierte und strenge Fußabdruck Sammlung Protokoll, eine schlanke Software grafische Benutzeroberfläche, die Ausrichtung und Optimierung von Bildern vor der Analyse und ein neues statistisches Modell für die Klassifizierung.

Es gibt mehrere wichtige Schritte, die für den Erfolg des Protokolls. Zunächst Sandwege müssen richtig vorbereitet sein und das Tier führte über den Sand auf einem normalen entspannten Gehgeschwindigkeit. Wenn die Abdrücke Bildgebung, die photogrApher muss direkt über der Mitte des Druck sein. Oft ist es sinnvoll, einen Beobachter zu haben, dies zu überprüfen. Schließlich ist es sehr wichtig, dass der Fotograf (oder ein Assistent, der ein Experte Tracker sein könnte) in der Lage sein, einen Geparden Fußabdruck auf dem Boden zu identifizieren, und haben die Fähigkeit, die Spur von Fußabdrücken auf der Linie der Reise vorwärts oder rückwärts zu verfolgen .

Tracking-Fähigkeiten sind unerlässlich, um die wirksame weitere Umsetzung dieser Technik zur Überwachung von unbekannten oder frei lebenden Geparden. Ein Mangel an Geschick kann ungenügend gut definierte Fußspuren oder Verwirrung zwischen Spuren von verschiedenen Tieren zu der Sammlung führen, die zusammen reisen könnten. Dieser letzte Punkt ist besonders wichtig für Geparden, wo junge Männer manchmal Koalitionen von 3 oder mehr Tiere bilden, die sich zusammen bewegen. Doch diese Sorge wurde für eine andere soziale Spezies, das weiße Nashorn angesprochen, in denen Gruppen von bis zu 13 Personen zusammen waren richtig identifiziert bewegenziert durch die Technik Fußabdruck Identifizierung Vorwärts- oder Rückwärtsverfolgung von Routen mit (Alibhai et al. 2008) 17.

Zwar gibt es jetzt nur noch wenige Rest Experte indigenen Tracker sind, konzertierte Anstrengungen unternommen werden, um mit ihnen zu engagieren und ihre Fähigkeiten auf jüngere Mitglieder ihrer Gemeinschaft zu übertragen. Eine solche Initiative, die Academy of Ancient Fähigkeiten, wird von der N / a'an ku sê Stiftung in Namibia gehostet werden. In ähnlicher Weise ist das schnelle Wachstum der Tracker Ausbildung Zertifizierungsprogramme ermöglichen Wissenschaftler und Amateur-Naturforscher diese essentiellen Bereich Techniken zu erlernen.

Die genaue manuelle Positionierung von Orientierungspunkt Punkte auf Fußabdruck Bilder ist auf die Genauigkeit der Technik von zentraler Bedeutung. Auch hier müssen die Betreiber mit der grundlegenden Anatomie des Fußes und der daraus resultierenden Fußabdruck vertraut sein. Die Autoren versuchen derzeit Automatisierung zu entwickeln, um die Handarbeit beteiligt zu minimieren und dazu beitragen, alle Bedenken über stan lösenmungs über verschiedene Betreiber. In der Zwischenzeit ist es einfach empfohlen, Wahrzeichen Positionierung in der Verantwortung eines Betreibers an jedem Feld Ort sein. Die Bemühungen sind im Gange Bürger Wissenschaftler bei der Datenerfassung und Analyse zu engagieren, die Feldanwendung wird enorm verstärken. Trotz dieser aktuellen Einschränkungen hat sich diese Software-Protokoll für eine Reihe von Arten, darunter Schwarzweiss-Nashorn, Lowland Tapir und Amur-Tiger auf dem Gebiet erfolgreich im Einsatz.

Arbeiten mit Fußspuren hat eine offensichtliche Einschränkung – das Substrat muss ihren klaren Eindruck ermöglichen. Teilweise druckt oder schlechte Qualität druckt unzulänglich Detail 32. Allerdings, große Flächen des Geparden Bereich sind ideal für Fußabdruck Sammlung, und für kleine sonst ungeeignet Bereichen kann es sogar möglich sein, diese Einschränkung zu umgehen, indem sie künstliche Sandwegen platzieren Fußspuren zu sammeln. Diese Fußabdruck Eindruck Pads können effektiv mit ca in Kombination verwendet werden,mera-Fallen, zum Beispiel bei bekannten Geparden Markierungs posts / Bäume. Fähigkeiten und lokales Wissen Verfolgung kann bei der Lokalisierung und Identifizierung von Bereichen geeignetes Substrat stark unterstützen.

Weil der Platzbedarf Identifizierungstechnik nicht-invasiv ist, spielt es keine Störung der Ökologie oder Verhalten des Tieres führen. Viele Studien haben das Potenzial und die reale Gefahr der Erfassung, Immobilisation, Handhabung und Montage der Instrumentierung, die entstandenen Kosten in solchen Praktiken, und das Risiko des Sammelns unzuverlässige Daten 33 gezeigt. Footprint Identifikation als eine Technik hat einen weiteren Vorteil in Naturschutz-Management. Basierend auf herkömmlichen Tracking-Fähigkeiten, und die Wirtschaftlichkeit kann es zuvor marginalisierten lokalen Gemeinschaften in den Prozessen der Erhaltung Überwachung engagieren. Stander 34 und 35 Lieben unabhängig adressiert und bezeugt die Erhaltung Überwachung Fähigkeiten und den Wert dieser Gruppen , einschließlich.

Zukünftige Entwicklungen in der Ausleuchtzone Identifikationstechnik Fähigkeit für Geparden Überwachung sind im Gange, und sind Feldversuche zur Validierung mit frei lebenden Geparden, Gebäudealtersklassen Algorithmen (einschließlich Änderungen der Fußmorphologie von Individuen im Laufe der Zeit) und Substrat Kontrollen. Die Autoren untersuchen auch Techniken in Computer Vision, Bildsegmentierung erlauben in Markierung Wahrzeichen Punkte Genauigkeit und Konsistenz zu optimieren.

Da Fußspuren eines der am weitesten verbreiteten Tierkreiszeichen sind, und oft viel einfacher, als die Tiere zu finden, sich selbst, die eine weitere Verbreitung von Fußabdruck Identifizierung könnte spielverändernde in Erhaltung Überwachung sein. Die weltweit wichtigsten geschützten terrestrischen Gebieten erhalten schätzungsweise acht Milliarden Erholungsbesuche pro Jahr 36. Eine Mehrheit der Besucher tragen jetzt Smartphones. Unter Verwendung einer App für Wildtrack wird die Sammlung von Fußabdruck entwickelt Daten werden einfach und schnell und könnte potenziell eFFEKT ein Datensatz von noch nie da gewesenen Probengröße und räumlichen Skala. Mit einer kostengünstigen Datensammelprotokoll passt sich die Stellfläche Identifizierungstechnik leicht in jede Erhaltungs Toolbox kämmen. Als Bildklassifikationssystem, es ist robust Modell auch Anwendung in den Bereichen Medizin, Forensik haben kann, und Strafverfolgungs Felder (zB Anti-Wilderer).

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

The authors would like to acknowledge the support of the N/a’an ku sê Foundation, Namibia; the JMP division (jmp.com) of SAS (sas.com) USA; Chester Zoo, U.K., Cheetah Conservation Botswana, Botswana; and Foundation SPOTS, Netherlands.

Materials

ITEM
Garden shovel
Garden rake
Substrate tamper
River or builders sand
Buckets
Watering can or sprayer
Digital camera
Paper for Photo ID slips http://wildtrack.org/citizen-science/photographing-footprints/
Carpenters' cm folding rule
Laptop or desktop computer
JMP software
The footprint identification technique add-in to JMP software
DOWNLOAD MATERIALS LIST

Riferimenti

  1. Zanin, M., Palomares, F., Brito, D. What we (don’t) know about the effects of habitat loss and fragmentation on felids. Oryx. 49 (1), 96-106 (2015).
  2. Nowell, K. . Namibia cheetah conservation strategy. , 78 (1996).
  3. Stein, A. B., Aschenborn, O., Kastern, M., Andreas, A., Thompson, S. . Namibia Large Carnivore Atlas. , 12 (2012).
  4. Jewell, Z. C., Alibhai, S. K. . Identifying Endangered Species from Footprints. , (2013).
  5. Johnson, S., et al. Modeling the viability of the free-ranging cheetah population in Namibia: an object-oriented Bayesian network approach. Ecosphere. 4 (7), art 90 (2013).
  6. Purchase, G., Marker, L., Marnewick, K., Klein, R., Williams, S. . Regional assessment of the status, distribution and conservation needs of cheetahs in southern Africa. Status and conservation needs of cheetahs in southern Africa. , 44-46 (2007).
  7. Lindsey, P. A., et al. Determinants of persistence and tolerance of carnivores on Namibian ranches: Implications for conservation on southern African private lands. PLoS ONE. 8 (1), e52458 (2013).
  8. Mendelsohn, J. . Farming systems in Namibia; A publication for the Namibia National Farmers Union (NNFU). , (2006).
  9. Marker, L., Dickman, A., Wilkinson, C., Schumann, B., Fabiano, E. The Namibian cheetah: Status report. Cat News. 3, 4-13 (2007).
  10. Boast, L. K., Good, K., Klein, R. Translocation of problem predators: is it an effective way to mitigate conflict between farmers and cheetahs Acinonyx jubatus. in Botswana?. Oryx. (1365-3008), 1-8 (2015).
  11. Weise, F. J., Stratford, K. J., van Vuuren, R. J. Financial Costs of Large Carnivore Translocations – Accounting for Conservation. PLoS ONE. 9 (8), e105042 (2014).
  12. Marnewick, K., Funston, P. J., Karanth, K. U. Evaluating camera trapping as a method for estimating cheetah abundance in ranching areas. S. Afr. J. Wildl. Res. 38 (1), 59-65 (2008).
  13. Wachter, B., et al. The use of data from VHF and GPS radio-collared cheetahs to decrease conflicts between cheetahs and farmers in Namibia. 26, 556-567 (2006).
  14. Kelly, M. J. Computer-aided photograph matching in studies using individual identification: an example from Serengeti cheetahs. J. Mammal. 82 (2), 440-449 (2001).
  15. Jewell, Z. C., Alibhai, S. K., Law, P. R. Censusing and monitoring black rhino (Diceros bicornis.) using an objective spoor (footprint) identification technique. J. Zool. 254 (1), 1-16 (2001).
  16. Alibhai, S. K., Jewell, Z. C., Law, P. R. A footprint technique to identify white rhino Ceratotherium simum at individual and species levels. Endanger. Species Res. 4, 205-218 (2008).
  17. Gu, J., Alibhai, S. K., Jewell, Z. C., Jiang, G., Ma, J. Sex determination of Amur tigers (Panthera tigris altaica) from footprints in snow. Wildl. Soc. Bull. 38 (3), 495-502 (2014).
  18. Jewell, Z. C., Alibhai, S. K., Evans, J. W. Monitoring mountain lion using footprints: A robust new technique. Wild Felid Monitor. 7 (1), 26-27 (2014).
  19. Panwar, H. S. A note on tiger census technique based on pugmark tracings. Indian For. (Special Issue), 70-77 (1979).
  20. Sagar, S. R., Singh, L. A. K. Technique to distinguish gender of tiger (Panthera tigris) from pugmarks. Indian For. 117, 24-28 (1993).
  21. Lewison, R., Fitzhugh, E. L., Galentine, S. P. Validation of a rigorous track classification technique: identifying individual mountain lions. Biol. Conserv. 99 (3), 313-321 (2001).
  22. Smallwood, K. S., Fitzhugh, E. L. A track count for estimating mountain lion Felis concolor californica population trend. Biol. Conserv. 71 (3), 251-259 (1995).
  23. Scharis, I., Rasmussen, G. S. A., Laska, M. Using morphometrics to quantitatively differentiate African wild dog footprints from domestic dog footprints – a pilot study. Afr. J. Ecol. 54 (1), 3-8 (2015).
  24. Gore, A. P., et al. Tiger census: role of quantification. Curr. Sci. 64, 711-714 (1993).
  25. McDougal, C., Seidensticker, J., Christie, S., Jackson, P. You can tell some tigers by their footprints with confidence. Riding the tiger. , (1999).
  26. Sharma, S., Jhala, Y., Sawarkar, V. B. Gender discrimination of tigers by using their pugmarks. Wildl. Soc. Bull. 31 (1), 258-264 (2003).
  27. Sharma, S., Jhala, Y., Sawarkar, V. B. Identification of individual tigers (Panthera tigris) from their pugmarks. J. Zool. 267 (1), 9-18 (2005).
  28. Sharma, S., Wright, B. . Monitoring tigers in Ranthambore using the digital pugmark technique. , (2005).
  29. Riordan, P. Unsupervised recognition of individual tigers and snow leopards from their footprints. Anim. Conserv. 1 (4), 253-262 (1998).
  30. Law, P. R., Jewell, Z. C., Alibhai, S. K. Using shape and size to quantify variation in footprints for individual identification: case study with white rhino (Ceratotherium simum). Wildl. Soc. Bull. 37 (2), 4-33 (2013).
  31. Laity, K. M. . Field Validation of the Footprint Identification Technology on Free-roaming Cheetahs in Namibia. , (2015).
  32. Jewell, Z. Effect of monitoring technique on quality of conservation science. Conserv. Biol. 27 (3), 501-508 (2013).
  33. Stander, P. E., Ghau, I., Tsisaba, D., Oma, I., Vi, I. Tracking and the interpretation of spoor: a scientifically sound method in ecology. J. Zool. 242 (2), 329-341 (1997).
  34. Liebenberg, L., Blake, E., Steventon, L., Benadie, K., Minye, J. Integrating traditional knowledge with computer science for the conservation of biodiversity. , 26-30 (1998).
  35. Balmford, A., et al. Walk on the Wild Side: Estimating the Global Magnitude of Visits to 649 Protected Areas. PLoS Biol. 13 (2), e1002074 (2015).

Tags

CheetahFootprint IdentificationWildlife ConservationNoninvasive MonitoringTraditional Ecological KnowledgePrint QualityFootprint TrailImage Features

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citazione di questo articolo
Jewell, Z. C., Alibhai, S. K., Weise, F., Munro, S., Van Vuuren, M., Van Vuuren, R. Spotting Cheetahs: Identifying Individuals by Their Footprints. J. Vis. Exp. (111), e54034, doi:10.3791/54034 (2016).
Scarica citazione
Ristampe e autorizzazioni

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image