Summary

그들의 발자국으로 확인 개인 : 치타를 구경하기

Published: May 01, 2016
doi:

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

치타 (Acinonyx jubatus)는 아프리카에서 가장 멸종 위기에 놓인 felid와 위협 종 (1)의 IUCN 적색 목록에 의한 인구 감소 추세와 취약로 표시됩니다. 글로벌 치타의 인구는 세계 인구 4,6,7의 세 번째보다 아마도 더와 7-10,000 개인 1, 나미비아 자유에 이르기까지 치타의 가장 큰 거점으로 ​​인식 사이의 것으로 추정된다. 남아프리카 공화국 (550), 짐바브웨 (400), 잠비아 (100), 모잠비크 다음에 1800와 다음 가까운 범위 상태 보츠와나와 2,000 나미비아의 치타 인구를 배치 2007 년 남부 아프리카 인구 추정, (<5). 몇몇 국가는 7 unassessed했다.

나미비아 당국은 명확하게 "성공적으로 공존하는 생태계의 범위에 걸쳐 안전하고 실행 가능한 치타 인구와 나미비아의 사람들에 의해 평가된다."의 비전을 언급 한 그러나, 가축게임 농업 주요 토지 정기적으로 나미비아 8,9 및 토지 소유자에 트랩을 사용하고 가축 또는 가치있는 야생 동물의 포식을 줄이기위한 시도로 자신의 특성에 치타를 죽일 수 있습니다. 1,200 개 이상의 치타는 1991 년부터 2006 년에 제거하고, 전부는 아니지만 같은 'offtakes'는 10을 기록 하였다. 또한, 이것은 농부 치타 충돌 효과적인 솔루션인지 여부에 대한 논쟁이있다. 죽이거나 전위시킴으로써, 충돌을 야기하는 것으로 인식 동물의 제거는 더 가축 보호 (11)과 같은 다른 수단에 의해 충돌 완화보다 덜 효과적 일 수있다. 12개월 후 전위 생존의 공개 비율은 18 %에서 11 40 % 12 원거리했다.

나미비아 번호, ID와 치타의 분포에 신뢰할 수있는 데이터를 수집하는 것은 인간 치타 갈등 상황을 해결하는 열쇠입니다. 모니터링 기술은 나미의 대상으로 설문 조사 범위는 현재 치타관광객과 정부의 기회 관측 이해 관계자 4 환경 관광 총통 정부는 카메라 트랩 (13), GPS 또는 10, 14 VHF 목걸이, 농부 면접 조사 (8), 심지어 자리 패턴 (15)의 사용, 4를보고합니다. 그러나, 일반적인 기준 또는 조사 노력 정량없이이 기술의 효과의 비교는 곤란하다. 각 제한이 있습니다; GPS 위성과 VHF 칼라는 비용이 종종 신뢰할 대상으로 설문는 범위를 제한하고, 카메라 트랩 범위를 제한하고있다.

이러한 다양한 방법에 의해 제조 견적은 매우 다양합니다. 마커 등. (10)보다 조정 된 방식에 대한 필요성을 강조 하였다. 다양한 방법 치타 인구 밀도를 추정 농지에서 사용되었고, 이러한 추정 범위를 제작했다. 예를 들어, 무선 원격 측정 연구는 치타 / 1,000km (0.73 ±) 2.5을 추정 <suP> 2 동안 4.1을 추정 카메라 트랩 연구 (± 0.4) 치타 / 1,000km 2 (마커 등. 2007). 이 변화는 농도를 추정하기 위해 서로 다른 방법을 이용하여 문제를 강조하고 있지만, 지금까지는 하나의 효과적인 기술은 반복 치타 나미비아에서 점유 서식지의 넓은 범위에 걸쳐 이용 될 수있는 식별되지 않았다. 이 효과 치타 모니터링 및 보존에 대한 문제가 남아있다.

이 과제는 치타 모니터링 강력 비용 효율적이고 유연한 도구의 개발을 촉발. 발자국 식별 기술은 최초의 흑인 코뿔소 (16)에 대한 개발 이후에 흰 코뿔소 (17), 아무르 호랑이 (18), 퓨마 (19) 등을 포함한 종의 광범위한 적응했다.

다양한 연구는 종 개인 및 성별 큰 육식을 식별하는 풋 프린트를 사용하는 것이 가능하다는 것을 표시하고있다. 과정하나 또는 여러 개의 측정 16,17,22-30의 통계 분석, 측정 (21)의 비교에 발자국 (20)의 간단한 형태의 설명에서 진화 31 .These 노력이 성공을 변화했다의 엄격함에 크게 의존 한 분석을 형성했다 데이터 수집 및 해석 프로세스, 트레이닝 데이터 세트를 개발하는 데 사용되는 시험 동물의 수. 풋 프린트를 이용하는 여러 실질적인 장점이있다. 첫 번째는 이미지가 다른 비 침습적 방법과 함께 수집 할 수 있다는 것입니다 (예를 들어, 카메라 포착, 헤어 / 배설물 등으로부터 DNA 수집) 약간의 여분의 노력 또는 비용. 둘째, 발자국 기판 허가, 동물의 활동의 가장 유비쿼터스 기호, 어디에이다.

발자국 식별 기술은 치타에 대해 기술 한 최초의 강력한 풋 프린트 식별 기술과 발자국이 발견 된 현장에서 적용 할 수있다. 발자국 sufficie해야합니다ntly 인쇄의 발가락과 발 뒤꿈치가 육안으로 분명히 볼 수 있다고 정의했다. 필드 사업자는 치타 다리의 기본 해부학을 숙지하고 관심의 영역에서 지문을 식별 할 수 및 기타 sympatric 큰 육식 동물의 인쇄 구별해야합니다. 이 기법은 하나 센서스 기술로서 사용될 수있다 (예를 들어, 풋 프린트 수집?로 표시 얼마나 많은 치타) 또는 도구로 특정 개인을 모니터링. 발자국 또한 종의 국소 농도를 개체 식별하고 계산하는 기술을 사용하여, 마크 탈환 분석에서 "마크"로서 사용될 수있다. 데이터 수집은 기본적인 디지털 카메라 및 스케일을 필요로한다.

Protocol

윤리 선언문 : 발자국 식별 기술은 비 침습적 기술이다. 어떤 생물학적 시료는 촬영되지 않았다. 허가 문서 만 등록 포로 치타 사용 하였다. 치타의 참여는 음식 보상에 대한 대가로 발자국을 떠나 모래 흔적을 따라 산책에 제한되었다. 주 :이 프로토콜은 이하 외곽 식별 기술을 이용 발자국 분류의 데이터 시각화 소프트웨어 '로 지칭 같은 JMP와 같은 데이터 시각화 소프트웨어의 사용을 설명한다. 안전 정책 : 치타는 부주의 (2 명)를 떠난 적이하고, 가능하면 별도의 유지 시설에 넣었다. 처리에 사용되는 포로 치타는 발자국을 만들기 위해 모래 흔적을 통해 직접 유혹했다. 처리에 덜 의무가 다른 동물 인클로저 외부에서 유혹했다. 용어 : 트랙 : 한 발자국, 흔적 일 : 유하나의 동물에 의해 만들어진 발자국의 nbroken 시리즈. 1. 수집 발자국 패치 준비 및 프로토콜 프로토콜에 대한 다음과 같은 자료 수집 : 좋은 레이크, 또는 거친 레이크 및 변조, 손 스프링클러 나 물을 수, 인쇄, 표준 디지털 카메라 (최소 해상도 1,200 프레임을위한 두 개의 표준 통치자 (cm) 또는 하나의 목수 '접는 눈금자 X 1,600 PIX), 데이터 기록 공백이 필요하고 표준 풋 프린트 라벨 사진, 날짜, 발자국 시리즈, 이산 인쇄 ID, 동물 ID, 위치 및 깊이 2>의 경우 cm)의 이름을 기록하는 경우 그늘에 대한 우산. 지문에 최대 빛의 대비를 위해 이른 아침이나 늦은 오후에 작업 할 수 있습니다. 이것이 가능하지 않다면 태양이 오버 헤드 때, 우산에서 인공 그늘 뒤꿈치와 발가락 패드 정의를 향상시킬 수 있습니다. 자연 기판 또는 업체의 모래 중 약 1cm 깊이의 경로를 놓습니다. 확인이 약합니다2-3m 폭 경계 울타리 또는 습관적인 이동 경로를 따라 m 3 내지 15 실행합니다. 표준 정원 도구 습식 및 부드러운 기판은 인쇄 품질과 정의를 향상시킬 수 있습니다. 존재하는 경우 수동으로 나뭇잎과 자갈을 제거합니다. 훈련 데이터 집합 발자국을 수집 음식 보상 모래 경로에 걸쳐 치타 유혹. 발자국이 완료되면 거리 경로에서 동물 리드. 각각의 발자국 흔적을 이미징 한 후 (1.3 참조) 떨어진 트랙을 솔질하고 다음 흔적을 기록하기 위해 표면을 준비합니다. 만 훈련 데이터 집합 왼쪽 뒷다리 인쇄를 수집합니다. 왼쪽 뒷발은 최고의 발가락 (발가락 3), 발가락 4, 발가락 5 왼쪽에 경사를 만들고 있습니다. 전면 피트는 뒷다리보다 광범위한. 촬영하기 전에를 식별하는 방법을 배우는 시간을 보내십시오. 외곽 식별 기술 프로토콜을 사용하여 발자국 이미징 <ol> 수동으로 각각의 왼쪽 뒷 발자국 주위에 원을 그려 흔적을 따라 개별 발자국의 위치를​​ 강조 표시합니다. 스틱 또는 다른 적절한 로컬 도구를 사용합니다. 이미지 첫 발자국 다음과 같이 약 1cm 미만과 공간의 왼쪽에 메트릭 규모를 놓습니다. 규모에서, 그리고 공간을 터치하지하는 사진 ID 슬립을 배치하고, 사전 할당 된 공간에서 사진 작가, 날짜, 발자국 시리즈, 깊이의 이름을 쓰기 (있는 경우> 2cm) 이산 인쇄 ID, 동물 ID 및 위치. 규모 또는 사진 ID 슬립과 관련하여 이미지의 모든 시차 오류를 방지하기 위해, 직접 오버 헤드 풋 프린트 카메라 렌즈를 인쇄를 걸쳐 및 가리 킵니다. 필요한 경우 확인하기 위해 삼각대 또는 보조를 사용합니다. 풋 프린트, 규칙 및 사진 ID가 완전히 미끄러 프레임을 채울 있는지 확인합니다. 그 동물의 수집을 완료하는 데 약 20 좋은 품질의 왼쪽 뒷다리 인쇄를 수집합니다. (20) 홍보 경우정수는 첫 번째 흔적에서 1.1.6에서 같은 동물과 1.3.5에 반복 프로세스를 사용할 수 없습니다. 2. 이미지 특징 추출 전에 풋 프린트 식별 기술 분석에 풋 프린트 식별 기술 아이콘을 더블 클릭하고, 추가 데이터 시각화 소프트웨어로 엽니 다. 화면 홈 윈도우를 관찰한다. 이 새로운 창을 보여주기 위해 '이미지 특징 추출'를 선택합니다. 발자국 식별 기술은 코딩 언어 JSL의 데이터 시각화 소프트웨어 스크립트에서 실행됩니다. 메인 메뉴는도된다. 1. 마우스 드래그를 사용하여 화상 특징 추출 창으로 제 면적 화상 놓는다. 특징 추출 템플릿 가이드는 창의 왼쪽에 표시됩니다. 클릭하고 풋 프린트 이미지가 그래픽 창 내부에 있는지 확인하기 위해 '크기 조정'버튼을 선택합니다. 외부 발가락 (발가락에서 가장 낮은 지점을 클릭 25) 마커를 배치하고 '회전'을 선택합니다. 배향 표준화 이미지는 점을 연결하는 선에 가로로 회전되는 것을 관찰한다. 십자선 세트를 관찰 자동 단계 2.6에서 사용 된 것처럼 보인다. 기재가 1cm 이상 깊은 경우, "기판 깊이"버튼을 클릭하여 알고리즘 깊이 보정한다. 필요한 규모로 두 규모의 점을 클릭하여 배치합니다. 치타를 들어, 스케일 팩터 상자에 설정, 10cm의 크기를 설정합니다. 그래픽 창의 왼쪽에있는 템플릿을 사용하여, 순차적으로 25 랜드 마크 점을 배치합니다. 랜드 마크 점, 풋 프린트에 예를 들어, 대부분의 전방, 후방, 각 발가락과 발 뒤꿈치의 외측과 내측 점을 해부 점을 정의합니다. 초보 사용자를위한 정확도를 향상시키기 위해 십자선을 사용합니다. 프롬프트 포인트의 순서를 표시하는 이미지의 왼쪽 상단에 표시 준수하십시오. '파생 포인트는'더 열 다섯 점의 FR을 생성하는 선택랜드 마크 점 옴. 이 프로세스는 알고리즘 개발 가능한 변수의 수를 증대시킨다. 풋 프린트 이미지에 대한 모든 데이터 필드를 완료; 치타, 트랙, 흔적, 날짜, 시간, 위치 점 (GPS).도. 이 프로그램은 2.2-2.8 스테이지. 데이터베이스에 행에 136 스크립트 변수 (거리, 각도, 영역)를 보낼 수있는 '행을 추가'버튼을 누릅니다. 데이터베이스가 XY로 채워 때까지 반복 단계 모든 발자국에 대한 2.9-2.1 각 랜드 마크 및 파생 점과 각 공간에 대한 모든 계산 된 변수를 조정합니다. 데이터베이스에서 모든 행을 복사하여 데이터베이스 아래에 붙여 넣습니다. 이 복제 세트는 발자국 추적의 후속 페어의 비교를위한 풋 프린트 식별 기술 모델을 안정 참조 무​​게 중심 값 (RCV) 작용이라고합니다. 치타의 발자국 식별 기술 알고리즘 3. 개발 <ol> 페어 강력한 교차 검증 판별 분석 메인 메뉴에서 선택하고 강력한 교차 검증 페어 분석 창 (그림은. 3)을 엽니 다. 풋 프린트 식별 기술 모델 동일인 속하는 길이나 서로 다른 개인 (도. 4)의 한 쌍의 가능성을 결정하기 위해 분류를 사용한다. 다음과 같이 알려진 개인의 교육 데이터베이스를 사용하여 산책로의 페어의 비교를 수행합니다 : '입력 산책로'로 '입력 X, 모델 카테고리', 그리고 산책로로 치타를 선택합니다. 은 y 열 (면적 측정), 연속 변수로 자동으로 채워집니다. '실행'을 선택합니다. 진행중인 분석을 나타내는 진행률 표시 줄을 확인하십시오. 데이터 테이블이 산책로의 페어의 비교를 나타내는 표시 준수하십시오. 두 개의 출력을 관찰, 할당 된 자기 / 비 자기 표는 각 V 사이의 분류 거리를 설명하기 위해alidation 쌍 비교를 위해 선택된 다른 흔적을 나타내는 분류 행렬 창 및 형상 확률. 각각의 비교를 위해 사용되는 변수를 도시 모델보기 버튼과 무게 중심 사이의 거리를 제공하는 거리 임계치 상자를 관찰한다. 할당 된 자기 / 비 자동 테이블의 기지에있는 '클러스터'버튼을 선택합니다. 두 테이블을 관찰한다. 첫 번째 프로그램은 두 산책로 사이의 거리. 선택한 변수의 분류에 대한 최종 출력 – 두 번째는 '클러스터'dendrogram은입니다. 색상 코드 그것에 dendrogram은 임의의 지점을 클릭하여 분류 클러스터를 시각화합니다. 변수 (측정)의 개수 및 형상 확률 (중심 값을 중심으로 신뢰 구간)를 변화시킴으로써, 분류의 정확성을 테스트한다. (18) 변수 (도.도 5a)를 사용하여 생성 된 클러스터의 dendrogram은 데이터를 다시하면-시각화. 이 일곱의 정확한 예측을 제공합니다치타.도 5B (24 변수) 및 C (10 변수는) 다른 변수 윤곽 확률 입력을 테스트하여 얻은 치타 번호의 다른 추정치를 보여줍니다. 참고 : 슬라이딩 규모와 분포 곡선은 100 %로 시작하는 예상 수의 상대적 가능성 (기회를) 제공합니다. 슬라이딩 스케일 도시 예측값 각 추정치 양쪽에 대한 상대 확률을 이동있다. 열 치타 기회가 있음을 표시하는 하나의 방향으로 이동하여 상기 슬라이딩 스케일 (18)의 변수와 결과가 도시 5D도 50 이하 %. 지속적으로 높은 정확성을 제공하는 알고리즘을 선택합니다. 알고리즘은 가장 훈련 데이터베이스 (도. 5A)에 공지 된 동물의 수에 가까운 결과를 생성하도록 설정 될 수 있도록 임계 값을 조정한다. 검증을위한 전체 홀드 백 시험 <BR /> 개인의 예상 수와 클러스터링 분류의 정확성 홀드 백 실험을 사용하여 무작위 데이터 집합의 개별 치타 테스트와 트레이닝 세트 (그림. 6) 배분 모두를위한 알고리즘의 유효성을 검사합니다. 다음과 같이 사용하는 단계는 다음과 같습니다 참조 데이터베이스에서 테스트 및 학습 집합의 크기에 데이터 세트의 순차적 분할에 적절한 간격을 결정합니다. 치타 데이터베이스의 경우, 4로 간격을 사용합니다. 무작위 (트레이닝 세트 (34)를 떠나) 테스트 데이터 세트 4 개의 개인을 선택합니다. 선택한 네 개의 테스트 개인의 신원을 숨 깁니다. 은 "인접 쌍 데이터 분석"옵션을 클릭하고 네 개의 테스트 개인에 대한 모든 흔적을 선택합니다. 풋 프린트 식별 기술 분석을 시작합니다 "실행"을 클릭합니다. 분석은 테스트 데이터 세트에서 개인들의 수에 대한 예측을 제공한다. 이 과정을 반복 아홉 번 이상 (총 10), 각시간은 임의로 네 개인을 선택하는 단계를 포함한다. 이 시험의 크기에 대한 평균 예측값을 계산한다 (즉, 4 개). 그렇다면 여덟 무작위 (간격의 크기에 따라서) 개인 및 12 등 각 테스트 크기 열로 반복하는 프로세스를 순차적으로 반복한다. 각 시험 크기에 대한 평균 예상 값을 계산합니다. 도에 도시 된 바와 같이 그래프 그래프 소프트웨어를 사용하여 플롯. 6. 빨간색 선을 실제 시험의 크기 자체에 대해 플롯을 보여줍니다, 녹색 별표는 각 시험 크기에 대한 평균 예상 값은 각각의 반복과 파란색 라인에 대한 개인의 예측 수를 보여줍니다 보여줍니다. 빨간색과 파란색 라인의 친밀감은 풋 프린트 식별 기술 분석의 정확도의 지표입니다.

Representative Results

개인 식별 개별 치타 분류 외곽 식별 기술의 능력은 두 가지 요소, 표준화 공간 컬렉션 프로토콜을 사용하고 구의 클러스터링 분석 교차 검증 페어 판별 분석에 기초하여 새로운 통계 모델에 파견한다. 이러한 데이터 시각화 (그림. 1)에 대한 통합 된 그래픽 사용자 인터페이스에 의해 촉진된다. 최소한의 장비는이 기술을 비용 효율적 (자료 목록)을 만들고, 필요합니다. 풋 프린트로 수집 된 데이터는 치타와 치타의 연령 범위 (표 1) 당 산책로의 치타의 수, 수집 된 풋 프린트 이미지의 수, 치타 당 발자국의 범위, 산책로의 수, 범위를 포함. 781 발자국 (M : F 395 : 386) 38 개인에서 110 산책로에 속하는은 훈련 데이터 세트에 대한 수집 표 1은 있습니다.데이터의 요약 모았다. 특징 추출 창을 사용하여 (도. 2) 25 랜드 마크 점의 집합 (15)은 각각의 공간 이미지 포인트 산출 생성 할 수 있었다. 이러한 랜드 마크 및 파생 점에서 136 변수는 거리, 각도 및 영역을 포함하고, 각 공간에 대해 생성되었다. 데이터베이스의 각 행은 따라서 단일 면적에 의해 발생 된 변수 (136)을 나타낸다. 발자국 흔적에 의해 처리되었다. 행의 다양한 수는 각각의 흔적을 표현, 등으로 표시 하였다. 엔티티는 다음 작용 참조 무​​게 중심 값 (RCV)는 개체 분류에 필요한 코스의 쌍대 비교 안정화라고 이러한 데이터는 데이터 테이블로 복제 하였다. 페어 와이즈 분석 윈도우 (도. 3) 알 모집단의 데이터에 대한 데이터 및 / 또는 시험을 검증하도록 설계되었다. (4)도 동일한 IND에서 트레일 쌍대 비교의 결과를 도시ividual (A) 및 공간 인식 기술을 정의 모델에 기초하여 서로 다른 개인들 (B). 모델에 포함 된 분류기는 타원 간의 중첩의 유무에 기초한다. 분석 제 3 엔티티, 즉 존재 각 쌍대 비교를 수행한다는 점에 유의 기준 중심 값 (RCV). 와드의 클러스터링 분석 강력한 쌍으로 교차 검증 판별 분석을 이용하여, 알고리즘은 개개인의 효과적인 분류를 제공하기 위해 생성 하였다. 풋 프린트 식별 기술 알고리즘 세 조정 엔티티에 기초한다; 사용되는 측정치들의 개수, 타원의 크기 (사용 된 신뢰 구간) 및 클러스터에 대한 컷 – 오프 값을 결정하는 임계 값. 분류 높은 정밀도 공지 신원 동물들의 트레이닝 세트에 대해 얻어 질 때까지 이들 각 엔티티는 소프트웨어로 조절한다. 이 같은 ALGORithm 후 불명 치타를 식별하는데 사용될 수있다. 예를 들어,도 5A, B를도 및 알고리즘이 최적화 될 때 정확한 예측을 나타내는 일곱 치타에서 트레일 샘플의 dendrogram은 표시 C (a) 및 알고리즘 (b 및 c) 최적 인 경우. 홀드 백 실험은 '알려진'개인의 훈련 세트로부터 도출 알고리즘을 검증하기 위해 수행되었다. 이 테스트 세트 및 훈련 치타의 비율을 변화시켜 연속적으로 행 하였다. 오히려 임의로 훈련 및 테스트 세트에 치타를 배분보다, 분석 테스트 세트의 크기를 증가 순차적으로 수행 하였다. 각 테스트 세트의 경우, 10 반복은 치타 각 반복에 대해 무작위로 선택되는 수행 하였다. 각각의 테스트 세트에,이 평균값을 산출 할 수 있었다. (각 시험 사이즈 반복에 대해 y 축상의 녹색 예측값 자체 (적색)에 대해 도시 변하는 테스트 크기를 나타낸다.도 6 및), 평균 각 테스트의 크기 (파란색)에 대한 값을 예측했다. 플롯은 테스트 세트 사이즈는 트레이닝 세트 크기 (N = 10)와 비교하여 (N = 28)를 현저하게 증가 된 경우에도, 평균 값이 예상되는 값과 유사한 예측 것을 보여준다. 여러 홀드 백 실험을 사용하여 개인 식별의 정확도, 즉 마찬가지로 중요한 것은 예측 된 개인의 수와, 산책로의 분류, 모두를위한 지속적> 90 %였다 같은 개별 (자기 산책로)과에서 그에서 산책로 여부 다른 개인 (비 자기 산책로)가 제대로 분류. 모두 38 개인 치타를 나타내는 클러스터 dendrogram은 (그림. 7) 표시됩니다. (110) 산책로는 5886 쌍으로 비교의 총 발생이 있었다. 이들 중 99 % (표 2)의 정확성을주는 46 misclassifications 있었다. 치타의 # 풋 프린트 이미지 # 치타 당 발자국의 범위 산책로의 # 치타 당 산책로의 범위 연령 범위 (세) 안 (16) 386 12-36 (55) 2-5 2.5-8.5 남성 (22) 395 7-32 (54) 1-4 1-11 합계 (38) 781 7-36 (109) 1-5 1-11 수집 된 데이터의 표 1에 요약. 치타 수가 수집 공간 이미지의 수, footp 내지치타 당 rints, 산책로의 수, 치타 당 산책로의 범위와 치타의 나이 범위. 본인 비 자기 합계 Misclassifications 셀프 (N) 117 9 (126) 9 셀프 (%) 93 (7) (100) (7) 비 자기 (N) (37) 5,723 5,760 (37) 비 자기 (%) 1 99 (100) 1 합계 (N) – – 5,886 (46) 합계 (%) </ TD> – – (100) 1 표 2. 풋 프린트 식별 기술 소프트웨어의 출력은. 페어의 비교에 기초하여 산책로의 분류를 보여줍니다 '자기'는 동일한 개인 및 '비 자기', 다른 개인의 산책로에서 길을 의미한다. 각각의 흔적은 사용자 정의 된 강력한 교차 검증 판별 분석 모델을 사용하여 다른 모든 흔적에 대해 일치했다. (110) 산책로는 5886 쌍으로 비교 결과 및 전반적인 분류 정확도는 99 %였다. 그림 1. 풋 프린트 식별 기술의 오프닝 메인 메뉴 창.이 개별 주문에 의해 발자국을 분류하기위한 데이터 시각화 소프트웨어에 이미지 식별 추가 기능입니다 형태 계측 학적 측정에서 개 별, 성별 및 연령 클래스입니다. 그래픽 사용자 인터페이스는 다른 옵션 사이의 원활한 탐색 할 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 2. 특징 추출 창. 기능은 사전 할당 랜드 마크 지점을 수동으로 위치 및에 스크립트 파생 된 일련의 점을 생성하는 이미지 창에 자동 크기 조정 등의 표준화, 기판 깊이 인수 분해에 대한 이미지의 회전을 드래그를 포함 드롭 거리, 각도 및 영역의 형태로 통계의 추출을 할 수 있습니다. 출력은 XY 좌표와 측정을 제공하는 데이터의 행의 형태이다.ANK ">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 외곽 식별 기술에서는도 3 인접 쌍 데이터 분석 창. 일단 측정 데이터베이스는 페어 와이즈 분석 윈도우가 알려지지 집단의 데이터에 대한 데이터 및 / 또는 시험을 검증하도록 설계되어 생성되고있다. 분석은 트레일 순차적 16,17 쌍 비교 상수 기준 중심 값 (RCV)를 포함하는 사용자 정의 모델에 기초한다. 최종 출력은 개인의 수와 산책로 사이의 관계에 대한 예측을 제공하는 클러스터 dendrogram은의 형태이다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. <img의 고도 = "그림 4"SRC = "/ 파일 / ftp_upload / 54034 / 54034fig4.jpg"/> 도 4 인접 쌍 비교. 도면은 동일한 개개의 (A)와 데이터 시각화 소프트웨어 맞춤 모델에 기초하여 서로 다른 개인들 (B)에서 트레일 쌍대 비교의 결과를 나타낸다. 모델에 포함 된 분류기는 타원 간의 중첩의 유무에 기초한다. 분석 제 3 엔티티, 즉 존재의 각 페어의 비교를 위해 수행되는 것을 참고 기준 중심 값 (RCV). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 5. 올바른 PRED을 보여주는 일곱 치타에서 산책로의 샘플의 dendrogram은iction 알고리즘이 최적화되는 경우 (a) 및 알고리즘 (b 및 c). D 10 치타의 가능성이 50 % 이하임을 표시하는 하나의 방향으로 이동하여 상기 슬라이딩 스케일 (18)의 변수와 결과를 도시 차선 때 . 알고리즘은 세 조정 엔티티에 기초한다; 사용되는 측정 횟수, 타원의 크기 (신뢰 사용 간격) 마지막으로, 클러스터의 컷 – 오프 값을 결정하는 임계 값. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 6은 홀드 백 시험은 시험 및 교육 세트에서 치타의 비율을 변화시켜 순차적으로 수행. 오히려 그 자체 교육 및 시험에 치타를 배분보다화면 반전 임의로 분석 순차 테스트 세트의 크기가 증가 하였다. 각 테스트 세트의 경우 10 반복은 치타 각 반복에 대해 무작위로 선택되는 수행 하였다. 각각의 테스트 세트에,이 평균값이 계산 될 수 있었다. 도면은 자체 (적색)에 대해 도시 변하는 테스트 크기를 나타내고, y 축은 각 테스트 크기 반복 (녹색), 평균을위한 예측값은 각 시험 규격 (블루)에 대한 값을 예측 하였다. 줄거리는 테스트 세트의 크기는 트레이닝 세트의 크기와 비교 (N = 28)을 상당히 증가 (= 10 n)의 경우에도, 평균 값이 예상되는 값과 유사 예측 있음을 보여줍니다. 의 더 큰 버전을 보려면 여기를 클릭하십시오 이 그림. 때 모든 그림 7. Dendrogram이는 예측 된 결과를 보여주는38 치타에서 110 산책로는 분석에 포함됩니다. 클러스터를 형성하는 산책로의 충실도를합니다. 흥미롭게도, misclassifications 많은 치타 Letotse / 두마와 빈센트 / 분재, 예를 들어, 한배 새끼 사이에 있었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Discussion

이 논문은 모니터링에 대한 새로운 경제적, 사회 친화적 인 방법으로 이론적 풋 프린트 식별 기술의 응용 프로그램과 잠재력을 설명하고, 따라서 치타를 절약 할 수 있도록. 도구의 광범위한 응용 프로그램에서 다음 단계는 다양한 분야에서 치타 인구보다 광범위한 필드 테스트 될 것입니다.

발자국 식별 기술은 몇 가지 주요 측면에서 발자국에서 개인을 식별하기 위해 이전의 시도와 다르다; 표준화 엄격한 공간 컬렉션 프로토콜 유선형 그래픽 사용자 인터페이스 소프트웨어 분석 이전 이미지의 방위 및 최적화 및 분류를위한 새로운 통계 모델.

프로토콜의 성공을 위해 필요한 몇 가지 중요한 단계가 있습니다. 첫째, 모래 산책로가 제대로 준비를해야하고, 동물은 정상 편안한 보행 속도로 모래 위에했다. 발자국 이미징의 photographer 직접 오버 헤드 인쇄의 중심이어야합니다. 종종이를 확인하는 관찰자가 유용합니다. 마지막으로, (전문가 추적기 수 있습니다 또는 보조) 사진 작가가 여행의 라인을 따라 앞이나 뒤로 발자국의 흔적을 추적 지상에 치타 풋 프린트를 식별하고 기술을 가질 수있을 것이 매우 중요합니다 .

추적 기술은 알 수없는 또는 자유에 이르기까지 치타를 모니터링하기위한이 기술의 효과를 더 구현에 필수적이다. 기술의 부족은 함께 여행 할 수 다른 동물의 산책로 사이에 충분히 잘 정의 된 발자국 또는 혼란의 수집 될 수 있습니다. 이 후자의 점은 젊은 남성 때때로 함께 이동 3 개 이상의 동물의 연합을 형성 치타에 특히 중요하다. 그러나이 문제는 함께 움직이는 최대 13 개인의 그룹이 올바르게 식별자 있었다 다른 사회 종, 흰색 코뿔소에 대한 해결되었습니다앞으로 또는 뒤로 산책로의 추적을 사용하여 풋 프린트 식별 기술에 의해 얘기들이었다 (Alibhai 외. 2008) 17.

지금은 몇 남아있는 전문가 토착 추적이 있지만, 공동의 노력은 그들과 함께 참여 및 지역 사회의 젊은 회원들에게 자신의 능력을 전송하기 위해 이루어지고있다. 그러한 이니셔티브, 고대 기술의 아카데미, 나미비아에서 N / a'an 구 SE 재단에 의해 호스팅됩니다. 마찬가지로, 추적 교육 인증 프로그램의 빠른 성장이 가능하게 과학자와 아마추어 자연 주의자는 이러한 필수 필드 기술을 배울 수 있습니다.

풋 프린트 이미지에 랜드 마크 점의 정확한 수동 위치는 기술의 정확성의 핵심입니다. 또, 운영자는 발과 결과 풋 프린트의 기본 해부학에 대해 잘 알고 있어야합니다. 저자는 현재 관련된 수작업을 최소화하기 위해 자동화를 개발하고, 스탠에 대한 문제를 해결하는 데 도움이 시도다른 사업자에 걸쳐 dardization. 한편, 단순히 랜드 마크 위치가 각 필드 사이트에서 한 운영자의 책임 것이 좋습니다. 노력은 상당히 현장에서 응용 프로그램을 증폭 할 데이터 캡처 및 분석에 시민 과학자, 참여 진행되고 있습니다. 이러한 현재의 제한에도 불구하고,이 소프트웨어 프로토콜이 성공적으로 검은 색과 흰색 코뿔소, 저지대의 맥과 아무르 호랑이를 포함한 종의 범위를 현장에 배치되었습니다.

기판이 자신의 명확한 인상을 허용해야 – 발자국과 함께 작업 한 명백한 한계가있다. 부분 인쇄 또는 낮은 품질의 인쇄가 부족 세부 (32)을 제공한다. 그러나, 치타 범위의 넓은 지역은 풋 프린트 컬렉션에 이상적입니다, 작은 그렇지 않으면 적합하지 않은 영역에 대한 심지어 발자국을 수집하기 위해 인공 모래 산책로를 배치하여이 제한을 우회하는 것이 가능할 수있다. 이러한 공간 노출 패드 효과적으로 (CA)와 병용 할 수있다메라​​ 함정, 알려진 치타 표시 게시물 / 나무에서 예를 들면. 기술과 지역 정보를 추적하는 것은 매우 찾기 및 적합한 기판의 영역을 식별하는 데 도움이 있습니다.

외곽 식별 기술은 비 침습적이므로 동물의 생태이나 동작에 대한 방해를 일으키지 않는다. 많은 연구는 이러한 방식으로 발생한 비용 및 신뢰성이 데이터 (33)를 수집하는 위험을 포착, 고정화 처리의 전위 실제 위험을 도시 ​​한 계측 피팅했다. 기술로서 발자국 식별 보존 관리의 또 다른 장점이있다. 기존의 추적 기술 및 비용 효율성을 바탕으로, 그것은 보존 모니터링의 과정에서 이전에 소외된 지역 사회를 참여 할 수 있습니다. 스탠 (34)와 Liebenberg (35)는 독립적으로 해결하고 보존 모니터링 기술과 이러한 그룹을 포함한 값으로 증명.

치타 모니터링을위한 공간 식별 기술 능력의 미래 발전은 지속적으로, 그리고 기판 컨트롤 (시간이 지남에 따라 개인의 발 형태의 변경 포함) 연령 수준의 알고리즘을 구축, 자유에 이르기까지 치타와 검증을위한 현장 시험을 포함한다. 저자는 또한 이미지 분할 랜드 마크 지점을 표시의 정확성과 일관성을 최적화 할 수 있도록 컴퓨터 비전 기술을 연구하고있다.

발자국은 동물 자체보다 찾기가 훨씬 쉬워 종종 대부분의 유비쿼터스 동물 징후 중 하나, 그리고 때문에, 공간 인식의 폭 넓은 채택은 경기 변화 보전 모니터링 될 수있다. 세계의 주요 보호 지상파 지역은 연간 36 당 약 팔십억 레크리에이션 방문을받을 수 있습니다. 방문자의 대부분은 지금 스마트 폰을 수행한다. 앱이 WildTrack 개발되고 사용하여 공간 데이터의 수집은 간단하고 빠른 될 것입니다 및 전자 잠재적으로 수ffect 전례없는 표본의 크기 및 공간 규모의 데이터 세트. 비용 효율적인 데이터 수집 프로토콜에 의해, 공간 인식 기술은 쉽게 어떤 도구 보존에 맞물려 적응시킨다. 이미지 분류 체계로서, 강력한 또한 의료, 법정에서 응용 프로그램을 가질 수있다 모델 및 법 집행 분야 (예를 들어, 안티 밀렵)입니다.

Disclosures

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

References

  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).

Play Video

Cite This Article
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).

View Video