Summary

Spotting Cheetahs: identificeren van individuen door hun voetsporen

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

De cheetah (Acinonyx jubatus) is Afrika's meest bedreigde felid en vermeld als kwetsbaar met een dalende bevolking trend door de IUCN Rode Lijst van Bedreigde Soorten 1. De wereldwijde cheetah populatie wordt geschat op tussen de 7-10,000 individuen 1 en Namibië wordt erkend als de grootste bolwerk van de loslopende cheetah, met misschien wel meer dan een derde van de wereldbevolking 4,6,7. Bevolking schattingen voor Zuidelijk Afrika in 2007 geplaatst Namibië cheetah bevolking in 2000 met de volgende dichtstbijzijnde range staat Botswana met 1800, gevolgd door Zuid-Afrika (550), Zimbabwe (400), Zambia (100), Mozambique (<5). Verschillende staten waren niet geëvalueerde 7.

Namibische autoriteiten hebben een duidelijk beeld van de "veilige, leefbare cheetah populatie in een heel scala van ecosystemen die met succes samengaan met, en worden gewaardeerd door de mensen van Namibië." Echter, veeen game landbouw zijn belangrijke grondgebruik in Namibië 8,9 en landeigenaren regelmatig val en doden cheetah op hun eigenschappen in een poging om predatie van de veestapel of waardevolle wilde dieren te verminderen. Meer dan 1.200 jachtluipaarden werden verwijderd 1991-2006, maar niet al deze 'afnames werden opgetekend 10. Bovendien is er een debat over de vraag of dit een effectieve oplossing voor de boer-cheetah conflict. De verwijdering van de dieren ervaren als conflict veroorzaken, door het doden of translocatie kan minder effectief dan beperking van conflict met andere middelen, zoals een betere bescherming van veestapel 11 zijn. Gepubliceerde tarieven van de overleving van 12 maanden na de translocatie varieerden van 18% 11-40% 12.

Het verzamelen van betrouwbare gegevens over de aantallen, de identiteit en de distributie van de cheetah in Namibië is de sleutel tot het aanpakken van de mens-cheetah conflictsituaties. Huidige cheetah controle technieken variëren van gerichte vragenlijsten uit de Namibian ministerie van Milieu en Toerisme aan de belanghebbenden 4 tot opportunistische observaties door toeristen en de overheid rapporteert 4, het gebruik van camera-traps 13, GPS of VHF kragen 10,14, boer interview enquêtes 8, en zelfs vlekpatroon 15. Uit een vergelijking van de werkzaamheid van deze technieken zonder gemeenschappelijke referentie of kwantificatie van onderzoeksinspanning is moeilijk. Elk heeft beperkingen; GPS-satelliet en VHF kragen zijn duur en vaak onbetrouwbaar, gerichte vragenlijsten hebben een beperkte reikwijdte, en de camera-traps hebben een beperkte bereik.

Ramingen van deze verschillende methoden lopen sterk uiteen. Marker et al. 10 gewezen op de noodzaak van een meer gecoördineerde aanpak. Een verscheidenheid aan methoden zijn gebruikt op de landerijen te cheetah bevolkingsdichtheid te schatten, en die hebben een bereik van ramingen. Bijvoorbeeld, een radio-telemetrie studie naar schatting 2,5 (± 0,73) cheetahs / 1000 km <sup> 2 terwijl een camera-val studie naar schatting 4,1 (± 0,4) cheetahs / 1000 km 2 (Marker et al. 2007). Deze variatie stelt de problematiek van verschillende methodes om dichtheid te schatten, maar tot nu toe geen enkele effectieve, herhaalbare techniek geïdentificeerd die kunnen worden gebruikt in de uiteenlopende habitats jachtluipaarden innemen in Namibië. Dit blijft een probleem voor een effectieve cheetah controle en conservering.

Deze uitdaging leidde tot de ontwikkeling van een robuuste, kosteneffectieve en flexibele tool voor het monitoren van de cheetah. De footprint identificatie techniek werd voor het eerst ontwikkeld voor de zwarte neushoorn 16 en vervolgens aangepast voor een breed scala aan soorten, waaronder witte neushoorn 17, Amur tijger 18, poema 19, en anderen.

Diverse studies hebben aangetoond dat het mogelijk is om voetafdrukken te gebruiken om grote carnivoren te identificeren per soort, individuen, en seks. Het procesgeëvolueerd van eenvoudige vorm beschrijving van footprints 20 een vergelijking van metingen 21, statistische analyse van één of meerdere metingen 16,17,22-30 en vormanalyse 31 .Deze pogingen hebben variërend succes, grotendeels afhankelijk van de strengheid van de gegevensverzameling en analytische processen, en het aantal proefdieren gebruikt om de training datasets ontwikkelen. Er zijn een aantal praktische voordelen van het gebruik van voetafdrukken. De eerste is dat beelden kan worden verzameld naast andere niet-invasieve benaderingen (bijvoorbeeld camera-trapping, DNA verzameling van haar / feces, enz.) Met zeer weinig extra inspanning en kosten. In de tweede plaats, voetafdrukken zijn, waar de ondergrond het toelaat, de meest alomtegenwoordige teken van dierlijke activiteit.

De footprint identificatie techniek is de eerste robuuste footprint identificatie techniek beschreven voor cheetah en is van toepassing op elke plaats waar de voetafdrukken zijn gevonden. Voetafdrukken moet sufficie zijnntly gedefinieerd dat de teen en de hiel van de drukletters gemakkelijk kan worden gezien met het blote oog. Het gebied exploitanten moeten zich vertrouwd te maken met de basis anatomie van de cheetah voet en in staat zijn om afdrukken te identificeren op het gebied van belang, en onderscheiden van afdrukken van een andere sympatric grote carnivoren. De techniek kan worden gebruikt als een telling techniek (bijvoorbeeld hoeveel jachtluipaarden worden voorgesteld door de voetafdrukken verzameld?) Of als middel om bepaalde personen te controleren. Voetafdrukken kan ook worden gebruikt als "merken" in mark-hervangst analyses met de techniek om personen te identificeren, en bereken lokale dichtheden van de soort. Het verzamelen van gegevens vereist slechts een eenvoudige digitale camera en schaal.

Protocol

ETHIEK VERKLARING: De voetafdruk identificatietechniek is een niet-invasieve techniek. Geen biologische monsters genomen. Alleen geregistreerde captive cheetah documentatie vergunning werden gebruikt. deelname Cheetah was beperkt tot een wandeling langs een zandpad naar voetafdrukken te verlaten in ruil voor een voedsel beloning. Opmerking: Dit protocol wordt het gebruik van een data visualisatie software zoals JMP, hierna "data visualisatie software 'voetafdrukken met de voetafdruk identificatietechniek classificeren. VEILIGHEID STATEMENT: Cheetahs waren nooit onbewaakt (2 personen) en in afzonderlijke faciliteiten voorhanden waar mogelijk werden geplaatst. Captive cheeta's gebruikt voor de behandeling werden direct gelokt over een zandpad naar voetafdrukken te maken. Andere dieren minder handelbaar werden gelokt van buiten de behuizing. TERMINOLOGIE: Track: Een voetafdruk; Trail: een Unbroken reeks voetafdrukken gemaakt door een enkel dier. 1. Verzamelen Footprints Patch voorbereiding en protocol Verzamel de volgende materialen voor het protocol: een boete hark, of een grove hark en sabotage, met de hand sproeier of gieter, twee standaard linialen (cm) of één timmerlieden 'duimstok voor het bepalen van de print, een standaard digitale camera (minimale resolutie 1200 x 1600 pix), een paraplu voor schaduw indien nodig en standaard footprint etiketten met gegevensregistratie spaties om de naam van de fotograaf, datum, voetafdruk serie, discrete afdrukken ID, dierlijke ID, locatie en diepte indien> 2 cm) op te nemen. Werken 's ochtends vroeg of laat in de middag voor een maximale licht contrast op de prints. Als dit niet mogelijk is, kan kunstmatige schaduw van een parasol te verbeteren hiel en de teen pad definitie als de zon overhead. Lag een pad van ongeveer 1 cm diepte van hetzij natuurlijke substraat of bouwers 'zand. Zorg ervoor dat het gaat over2-3 m breed en een looptijd van tussen de 3 en 15 meter langs een omheining of gewone beweging pad. Nat en glad de ondergrond met standaard tuingereedschap om de afdrukkwaliteit en definitie te verbeteren. Handmatig verwijderen van bladeren en keien, indien aanwezig. Het verzamelen van voetafdrukken voor de opleiding dataset Lokken de cheetah over zand pad met een voedsel beloning. Nadat de voetafdrukken zijn gemaakt, leidt het dier van het pad. Na de beeldvorming van elke voetafdruk parcours (zie 1.3) borstel de sporen weg en voor te bereiden het oppervlak voor het opnemen van de volgende parcours. Verzamelen alleen linker achterpoot prints voor de training dataset. De linker achterpoot de leidende teen (teen 3), teen 4 en de teen 5 maken van een helling naar links. Voorpoten zijn breder dan de achterpoten. Besteed tijd aan het leren hoe ze te identificeren voor de beeldvorming. Beeldvorming van de voetafdrukken met behulp van de voetafdruk identificatie techniek protocol <ol> Markeer de positie van de individuele voetafdrukken langs het pad door een cirkel rond elke linker achterpoot voetafdruk handmatig plaatsen. Gebruik een stok of een andere geschikte lokale tool. Afbeelding de eerste voetafdruk als volgt Plaats metrische schaal ongeveer 1 cm onder en links van de footprint. Onder de schaal, en de footprint niet aan te raken, plaatst u een identiteitsbewijs met foto slip, en schrijf in de pre-toegewezen ruimte de naam van de fotograaf, datum, voetafdruk serie, diepte (indien> 2 cm) discrete druk ID, dierlijke ID en locatie. Straddle de print en richt de lens direct boven de footprint, om eventuele parallax fout in de afbeelding te voorkomen met betrekking tot de omvang of de foto-ID slip. Gebruik een statief of assistent om te controleren of dat nodig is. Zorg ervoor dat de voetafdruk, regel en foto-identificatie glijden volledig te vullen het frame. Verzamel ongeveer 20 goede kwaliteit linker achterpoot prints aan de collectie te voltooien voor dat dier. Als 20 prints zijn niet beschikbaar vanaf de eerste parcours, herhaal processen van 1.1.6 naar 1.3.5 met hetzelfde dier. 2. Afbeelding Feature Extraction Voorafgaand aan de Footprint Identification Techniek Analyse Dubbelklik op de techniek icoon footprint identificatie en open het als een add-in voor de data visualisatie software. Let op de woning venster op het scherm. Selecteer 'Afbeelding Feature Extraction' om dit nieuwe venster te tonen. De footprint identificatie techniek draait op een data visualisatie software script in de codering taal JSL. Het hoofdmenu wordt getoond in Fig. 1. Met behulp van een muis, slepen en neerzetten imago van de eerste voetafdruk in de winning-venster afbeelding functie. Een functie extractiesjabloon gids wordt getoond aan de linkerkant van het venster. Klik op en selecteer de 'resize' knop om ervoor te zorgen dat imago van de voetafdruk is in het grafische venster. Klik op de laagste punten aan de buitenkant tenen (tenen 2en 5) om markers te plaatsen en kies vervolgens 'draaien'. Merk op dat het beeld horizontaal wordt gedraaid op de lijn die de punten, om de oriëntatie te standaardiseren. Let op een set van dradenkruis verschijnt automatisch om te worden gebruikt in stap 2.6. Als de ondergrond is meer dan 1 cm diep, maak een diepte correctie op het algoritme door te klikken op de "substraat depth" knop. Klik twee schaal punten te plaatsen op de vereiste schaal. Voor de cheetah zet de schaal op 10 cm, ingesteld op de schaal factor doos. Met de sjabloon links van het grafiekvenster Plaats 25 merkpuntpunten elkaar. Merkpuntpunten gedefinieerd anatomische punten op de voetafdruk, bijvoorbeeld de anterieure, posterieure, laterale en mediale punten van elke teen en de hiel. Gebruik het vizier om de nauwkeurigheid voor beginnende gebruikers te verbeteren. Observeer een prompt verschijnen op de linkerbovenhoek van de afbeelding om de volgorde van de punten te laten zien. Selecteer 'Afgeleid punten' tot een verdere vijftien punten fr genererenOM de landmark punten. Deze werkwijze verhoogt het aantal beschikbare variabelen voor algoritmeontwikkeling. Vul alle gegevens velden voor het imago van de voetafdruk; cheetah, spoor, spoor, datum, tijd en locatie punt (GPS). Fig. 2 shows stadia 2,2-2,8. Druk op de 'voegt rij' knop om 136 scripted variabelen (afstanden, hoeken, gebieden) te sturen naar een rij in de database. Herhaal de stappen 2,1-2,9 voor alle footprints totdat de database is gevuld met de xy-coördinaten voor elke mijlpaal en afgeleide punt en alle berekende variabelen voor elke voetafdruk. Kopieer alle rijen in de database en kleven ze de database. Deze duplicatie set heet de Reference Centroid Value (RCV) en werkt aan de footprint identificatie techniek model voor de volgende paarsgewijze vergelijking van footprint paden te stabiliseren. 3. Ontwikkeling van de Footprint Identification techniek algoritme voor de Cheetah <ol> Paarsgewijze robuuste cross-gevalideerde discriminantanalyse Vanuit het hoofdmenu, selecteer en open de robuuste cross-gevalideerde paarsgewijze analyse venster (Afb. 3). De voetafdruk identificatietechniek model gebruikt een classifier om de waarschijnlijkheid van een paar paden van dezelfde persoon of twee verschillende individuen (fig. 4) te bepalen. Voer een paarsgewijze vergelijking van paden met behulp van de training database van bekende personen als volgt: Selecteer Cheetah als 'ingang x, model categorie', en paden als 'ingang trails'. De y kolommen (footprint metingen), als continue variabelen, zijn automatisch bevolkt. Selecteer 'Uitvoeren'. Observeer een voortgangsbalk die de analyse betrokken. Let op een data-tabel weergegeven met de paarsgewijze vergelijkingen van paden. Observeer twee uitgangen, een toegewezen zelf / niet-zelf tabel om de indeling afstand tussen elke v beschrijvenALIDATIE pair en een classificatie matrices venster met de verschillende paden gekozen om te vergelijken, en de contour waarschijnlijkheid. Let op de showmodel knop die de variabelen gebruikt voor elke vergelijking laat zien, en de afstand drempel vak dat de afstand tussen de zwaartepunten geeft. Selecteer de knop 'clusters' bij de basis van de toegewezen zelf / niet-zelf tabel. Let op twee tafels. De eerste shows afstanden tussen twee paden. De tweede is een 'cluster' dendrogram – de uiteindelijke output voor de indeling van de gekozen variabelen. Visualiseer de indeling clusters door te klikken op een tak van het dendrogram te kleurcode het. Test de nauwkeurigheid van de classificatie door het variëren van het aantal variabelen (metingen) en het contour waarschijnlijkheid (de betrouwbaarheidsinterval rond het zwaartepunt waarde). Opnieuw visualiseren van de gegevens in de cluster dendrogram gegenereerd met 18 variabelen (fig. 5a). Dit geeft de correcte voorspelling van zevencheeta's. Cijfers 5b (24 variabelen) & c (10 variabelen) tonen verschillende schattingen van de cheetah nummers verkregen door het testen van verschillende variabele en contour waarschijnlijkheid ingangen. NB: De verdeling curve met de glijdende schaal geeft de relatieve waarschijnlijkheid (kans) van de voorspelde nummer beginnend met 100%. Als het degressieve verplaatst de relatieve waarschijnlijkheid voor elke schatting weerszijden van de voorspelde waarde wordt weergegeven. Figuur 5d toont het resultaat met 18 variabelen, met het degressieve bewogen in een richting om aan te tonen dat de kans op tien cheeta minder dan 50 %. Selecteer het algoritme die consequent geeft de hoogste nauwkeurigheid. Pas de drempelwaarde om het algoritme te stellen de resultaten die het best benadert het aantal dieren in de training-database bekende (fig. 5a) produceren. Volledige holdback proef voor validatie <br /> Bevestig het algoritme voor zowel het verwachte aantal personen en de nauwkeurigheid van de clustering van de indeling in holdback proeven en willekeurig verdelen van de individuele cheetah in de dataset te testen en training sets (fig. 6). De stappen werkt als volgt: Van de referentie-databank, een besluit over een geschikte interval voor de sequentiële opdeling van de dataset in test- en training set maten. Voor de cheetah-database, gebruikt u het interval als 4. selecteert willekeurig vier personen als de test dataset (het verlaten van 34 in de training set). Verbergen van de identiteit van de vier testen individuen geselecteerd. Klik op de optie 'Paarsgewijze Data Analysis "en selecteer de verschillende routes voor de vier-test individuen. Klik op "Run" om de footprint identificatie techniek analyse te starten. De analyse wordt een voorspelling voor het aantal personen in de test dataset geven. Herhaal dit proces nog negen keer (in totaal 10), die elktijd willekeurig selecteren van vier personen. Bereken de gemiddelde voorspelde waarde voor deze test grootte (dat wil zeggen, vier). Herhaal het proces achtereenvolgens acht willekeurig geselecteerde individuen (afhankelijk van het interval grootte) en vervolgens 12 enzovoort tien herhalingen van elke test formaat. Bereken gemiddelde voorspelde waarde voor elke test grootte. Met behulp van een grafische software plot een grafiek zoals getoond in Fig. 6. De rode lijn geeft de werkelijke test grootte uitgezet tegen zichzelf, de groene sterretjes zien het voorspelde aantal individuen voor elke iteratie en de blauwe lijn toont de gemiddelde voorspelde waarden voor elke test grootte. De nabijheid van de rode en blauwe lijnen is een indicatie van de nauwkeurigheid van de footprint identificatietechniek analyse.

Representative Results

individuele identificatie Het vermogen van de footprint identificatie techniek om individuele cheetah te classificeren is afhankelijk van twee factoren, het gebruik van een gestandaardiseerd voetafdruk collectie protocol en een nieuw statistisch model gebaseerd op een cross-gevalideerde paarsgewijze discriminant analyse met een Ward's clustering analyse. Deze worden vergemakkelijkt door een geïntegreerde grafische user interface voor data visualisatie (fig. 1). Minimale apparatuur nodig, waardoor deze techniek kosteneffectieve (Materials List). De verzamelde gegevens met de footprint opgenomen het aantal jachtluipaarden, aantal voetafdruk beelden verzameld, het bereik van voetafdrukken per cheetah, het aantal paden, het bereik van paden per cheetah en leeftijd-reeks van jachtluipaarden (tabel 1). 781 voetafdrukken (M: F 395: 386) die behoren tot 110 paden, vanaf 38 personen, werden verzameld voor de training dataset Tabel 1 geeft.een samenvatting van de verzamelde gegevens. Met behulp van de feature extractie venster (fig. 2) een set van 25 landmark punten waren in staat om het genereren van 15 afgeleid punten elk beeld voetafdruk op. Uit deze landmark en afgeleide punten werden 136 variabelen gegenereerd voor elke voetafdruk, omvattende afstanden, hoeken en gebieden. Elke rij in de database derhalve voorgesteld de variabelen 136 gegenereerd door een enkele footprint. Voetafdrukken werden verwerkt door parcours. Een wisselend aantal rijen vertegenwoordigd elk parcours, en werden als zodanig gemarkeerd. Deze gegevens werden gedupliceerd in de gegevenstabel als geheel dan wel de referentie Zwaartepunt Value (RCV) die werkt om de paarsgewijze vergelijking van paden nodig individuele classificatie stabiliseren. De paarsgewijze analysevenster (fig. 3) is ontworpen om de gegevens te valideren en / of test data van onbekende populaties. Figuur 4 toont het resultaat van een paarsgewijze vergelijking van paden van dezelfde individual (A) en twee verschillende individuen (B) op basis van de voetafdruk identificatie techniek aangepast model. De classifier opgenomen in het model is gebaseerd op de aanwezigheid of afwezigheid van overlapping tussen de ellipsen. Merk op dat de analyse wordt uitgevoerd voor elke paarsgewijze vergelijking in aanwezigheid van een derde entiteit, dat wil zeggen de referentiewaarde zwaartepunt waarde (RCV). Met behulp van een robuuste paarsgewijs-cross gevalideerd discriminant analyse met een Ward's clustering analyse, werd een algoritme gegenereerd om een ​​effectieve classificatie van individuen. De footprint identificatie techniek algoritme is gebaseerd op drie instelbare entiteiten; het aantal metingen die de ellips grootte (betrouwbaarheidsinterval gebruikt) en de drempelwaarde dat de grenswaarde voor de clusters bepaalt. Elk van deze entiteiten wordt aangepast in de software tot de hoogste nauwkeurigheid voor de indeling wordt bereikt voor de training set van dieren van bekende identiteit. Dezelfde Algorithm kan dan worden gebruikt om onbekende jachtluipaarden identificeren. Bijvoorbeeld, figuren 5a, b en c een dendrogram van een monster van paden zeven cheeta tonen die de correcte voorspelling wanneer het algoritme is geoptimaliseerd (a) en wanneer het algoritme niet optimaal (b en c). Holdback proeven werden uitgevoerd om het algoritme afgeleid van de training set van 'bekende' individuen te valideren. Deze werden achtereenvolgens door variatie van de verhouding van jachtluipaarden Voor de test oefenverzamelingen uitgevoerd. In plaats van de verdeling cheeta tot opleiding en testsets willekeurig werden analyses uitgevoerd achtereenvolgens verhogen van de test set grootte. Voor elke test set, werden 10 herhalingen uitgevoerd met cheeta's worden willekeurig geselecteerd voor elke iteratie. Voor elke test set Dit liet een gemiddelde waarde te berekenen. Figuur 6. Toont de variërende proef afmeting uitgezet tegen zichzelf (rood) en op de y-as de voorspelde waarde voor elke test maat iteratie (green) En de gemiddelde voorspelde waarde voor elke test formaat (blauw). De plot laat zien dat zelfs wanneer de testset afmeting aanzienlijk toeneemt (n = 28) ten opzichte van de trainingsset (n = 10), de gemiddelde voorspelde waarde is vergelijkbaar met de verwachte waarde. Met behulp van verschillende holdback proeven, de juistheid van de individuele identificatie was steeds> 90% voor zowel het voorspelde aantal individuen en, net zo belangrijk, de indeling van de paden, dwz of de paden van hetzelfde individu (self-routes) en die van verschillende individuen (niet-zelf-trails) correct geclassificeerd. Een cluster dendrogram die alle 38 individuele jachtluipaarden getoond (fig. 7). Er waren 110 paden, het genereren van een totaal van 5886 paarsgewijze vergelijkingen. Hiervan waren er 46 misclassificaties waardoor een nauwkeurigheid van 99% (tabel 2). # Cheeta's # Voetafdruk beelden Bereik van voetafdrukken per cheetah # Van paden Scala van paden per cheetah Age range (jr) teven 16 386 12-36 55 2-5 2,5-8,5 mannetjes 22 395 7-32 54 1-4 1-11 Totaal 38 781 7-36 109 1-5 1-11 Tabel 1. Samenvatting van de verzamelde gegevens. Het aantal jachtluipaarden, het aantal footprint verzamelde beelden, de reeks FOOTPRints per cheetah, het aantal paden, het bereik van paden per cheetah en de leeftijd-range van jachtluipaarden. Zelf Niet-zelf Totaal misclassificaties Zelf (N) 117 9 126 9 Zelf (%) 93 7 100 7 Niet-zelf (N) 37 5723 5760 37 Niet-zelf (%) 1 99 100 1 Totaal (N) – – 5886 46 Totaal (%) </Td> – – 100 1 Tabel 2. De output in de footprint identificatie techniek software toont de indeling van de paden op basis van paarsgewijze vergelijking. 'Self' verwijst naar paden van hetzelfde individu en 'niet-zelf', paden van verschillende individuen. Elk parcours is vergeleken met elk ander spoor met behulp van een op maat gemaakte robuuste cross-gevalideerd discriminerende analyse model. 110 routes resulteerde in 5886 paarsgewijze vergelijkingen en het algemeen klassement nauwkeurigheid was 99%. Figuur 1. De openingstijden hoofdmenu raam in de footprint identificatie techniek. Dit is een beeld identificatie add-in voor de data visualisatie software, ontworpen om voetafdrukken door indi classificeren individuele, geslacht en leeftijd-klasse van morfometrische metingen. Een grafische user interface maakt een naadloze navigatie tussen de verschillende opties. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 2. De feature extractie venster. Mogelijkheden zijn onder andere drag and drop beelden, automatische weergave naar het raam, rotatie van beelden voor standaardisatie, substraat diepte factoring, enz. Pre-toegewezen merkpuntpunten worden handmatig gepositioneerd en het genereren van een reeks van scripted afgeleid punten kan de extractie van statistieken in de vorm van afstanden, hoeken en gebieden. De uitgang is in de vorm van een gegevensrij die de xy coördinaten en de statistieken.ank "> Klik hier om een ​​grotere versie van deze figuur te bekijken. Figuur 3. Paarsgewijze data-analyse venster in de footprint identificatie techniek. Zodra een database met metingen is gemaakt, is de paarsgewijze analyse venster is ontworpen om te helpen bij het ​​valideren van de gegevens en / of test voor data van onbekende populaties. De analyse is gebaseerd op een aangepaste model waarin een constante referentie zwaartepunt waarde (HS), waarbij paren paden achtereenvolgens 16,17 vergelijkt. De uiteindelijke output is in de vorm van een cluster dendrogram dat een voorspelling voor het aantal personen en de relatie tussen de paden biedt. Klik hier om een grotere versie van deze figuur te bekijken. <img alt = "Figuur 4" src = "/ files / ftp_upload / 54034 / 54034fig4.jpg" /> Figuur 4. Paarsgewijze vergelijkingen. De figuur toont de resultaten van een paarsgewijze vergelijking van paden van hetzelfde individu (A) en twee verschillende individuen (B) gebaseerd op een aangepaste model in de data visualisatie software. De classifier opgenomen in het model is gebaseerd op de aanwezigheid of afwezigheid van overlapping tussen de ellipsen. Merk op dat de analyse wordt uitgevoerd voor elke paarsgewijze vergelijking in de aanwezigheid van een derde entiteit, dat wil zeggen, de referentie zwaartepunt waarde (HS). Klik hier om een grotere versie van deze figuur te bekijken. Figuur 5. Een dendrogram van een steekproef van paden van zeven cheeta's die de juiste prediction wanneer het algoritme is geoptimaliseerd (a) en wanneer het algoritme niet optimaal (b en c). d toont het resultaat met 18 variabelen, met het degressieve bewogen in een richting om aan te tonen dat de kans op tien cheeta minder dan 50% . Het algoritme is gebaseerd op drie instelbare entiteiten; het aantal metingen wordt gebruikt, de ellips grootte (betrouwbaarheidsinterval gebruikt) en ten slotte, de drempelwaarde die de cut-off waarde voor de clusters bepaalt. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 6. Een holdback proef sequentieel uitgevoerd door het variëren van het aandeel van de cheeta's in de test en training sets. In plaats van de verdeling cheeta tot opleiding en test sets willekeurig, werd een analyse uitgevoerd achtereenvolgens de testset grootte verhoging. Voor elke test set werden tien herhalingen uitgevoerd met cheeta's worden willekeurig geselecteerd voor elke iteratie. Voor elke test set Dit liet een gemiddelde waarde te berekenen. De figuur toont de variërende proef afmeting uitgezet tegen zichzelf (rood) en op de y-as de voorspelde waarde voor elke test maat iteratie (groen) en de gemiddelde voorspelde waarde voor elke test formaat (blauw). De plot laat zien dat zelfs wanneer de testset omvang aanzienlijk wordt verhoogd (n = 28) in vergelijking met de training set grootte (n = 10), de gemiddelde voorspelde waarde is vergelijkbaar met de verwachte waarde. Klik hier om een grotere versie te bekijken dit figuur. Figuur 7. Dendrogram toont de voorspelde resultaten wanneer alle110 paden van 38 cheeta zijn opgenomen in de analyse. Let op de getrouwheid van de paden die de clusters. Interessant is dat veel van de misclassificaties waren tussen nestgenoten, bijvoorbeeld, cheetah Letotse / Doema en Vincent / Bonsai. Klik hier om een grotere versie van deze figuur te bekijken.

Discussion

Dit document schetst de theoretische toepassing van de footprint identificatie techniek en zijn potentieel als een nieuwe kosten-effectieve, community-vriendelijke aanpak van het toezicht, en dus helpen besparen cheetah. De volgende stappen in de bredere toepassing van het instrument zal uitgebreider veld testen met cheetah populatie binnen bereik gebieden.

De footprint identificatie techniek verschilt van eerdere pogingen om personen uit voetafdrukken in een aantal belangrijke punten te identificeren; een gestandaardiseerde en rigoureuze footprint verzamelen protocol, een gestroomlijnde grafische gebruikersinterface software, de oriëntatie en optimalisatie van afbeeldingen voor de analyse en een nieuwe statistische model voor classificatie.

Er zijn verschillende kritische stappen nodig zijn voor het succes van het protocol. Ten eerste moet zandpaden correct worden opgesteld en het dier onder leiding over het zand bij een normale ontspannen wandeltempo. Bij beeldvorming van de voetafdrukken, de photographer moet rechtstreeks overhead van het centrum van de afdruk zijn. Vaak is het nuttig een waarnemer voor dit controleren zijn. Ten slotte is het zeer belangrijk dat de fotograaf (of een assistent, die een expert tracker kan zijn) in staat zijn om een ​​cheetah voetafdruk te identificeren op de grond, en de vaardigheid om het spoor van voetafdrukken voren of naar achteren te volgen langs de lijn van reizen .

Tracking vaardigheden zijn essentieel voor de effectieve verdere uitvoering van deze techniek voor het monitoren van onbekende of free-ranging cheeta's. Een gebrek aan vaardigheden kan leiden tot het verzamelen van onvoldoende welomschreven voetafdrukken of verwarring tussen de paden van verschillende dieren die samen zouden kunnen reizen. Dit laatste is vooral van belang voor jachtluipaarden, waarbij jonge mannen soms vormen coalities van 3 of meer dieren die samen bewegen. Echter, deze zorg aangepakt voor een andere sociale soorten, de witte neushoorn, waar groepen van maximaal 13 personen samen te bewegen waren correct identified door de voetafdruk identificatie techniek met behulp van voor- of achteruit volgen van paden (Alibhai et al. 2008) 17.

Hoewel er zijn nu weinig overgebleven expert inheemse trackers, zijn gezamenlijke inspanningen aan te gaan met hen en dragen hun vaardigheden om jongere leden van hun gemeenschap. Een dergelijk initiatief, de Academy of Ancient Skills, zal worden gehost door de N / A'an ku sê Foundation in Namibië. Ook de snelle groei van de tracker training certificeringsprogramma's in staat stelt wetenschappers en amateur naturalisten om deze essentiële veld technieken te leren.

De nauwkeurige handmatige positionering van merkpuntpunten op voetafdruk afbeeldingen staat centraal in de nauwkeurigheid van de techniek. Nogmaals, moeten operators bekend zijn met de basis anatomie van de voet en de daaruit voortvloeiende voetafdruk zijn. De auteurs zijn op dit moment proberen om de automatisering aan de handmatige werkzaamheden zoveel mogelijk te beperken, en te helpen oplossen van eventuele zorgen over standardization over verschillende operators. In de tussentijd is het gewoon aanbevolen dat mijlpaal positioneren onder de verantwoordelijkheid van één exploitant op elk veld plaats. Inspanningen worden gedaan om de burger wetenschappers in data-acquisitie en analyse, die enorm zal versterken field-applicatie in te schakelen. Ondanks deze huidige beperkingen, heeft deze software protocol met succes ingezet in het veld voor een aantal soorten, waaronder Black and White neushoorn, Lowland tapir en Amur tijger.

Werken met voetafdrukken heeft een duidelijke beperking – de ondergrond moet hun duidelijke indruk mogelijk te maken. Gedeeltelijke prints of slechte kwaliteit prints geven te weinig detail 32. Echter, grote delen van cheetah gamma zijn ideaal voor voetafdruk collectie, en voor kleine anderszins ongeschikte gebieden kan het zelfs mogelijk zijn om deze beperking te omzeilen door het plaatsen van kunstmatige zand paden naar voetafdrukken te verzamelen. Deze footprint impression elektroden effectief kan worden gebruikt in combinatie met camera-traps, bijvoorbeeld bij bekende cheetah markering berichten / bomen. Tracking vaardigheden en lokale kennis kan enorm helpen bij het lokaliseren en identificeren van gebieden van geschikt substraat.

Omdat de footprint identificatietechniek is niet-invasief, heeft het geen verstoring van het ecologisch of het gedrag van het dier veroorzaken. Vele studies hebben aangetoond dat het potentieel en de werkelijke risico's van de vangst, immobilisatie, handling en montage van instrumenten, de kosten die voortvloeien uit dergelijke praktijken, en het risico van het verzamelen van onbetrouwbare gegevens 33. Voetafdruk identificatie als een techniek heeft nog een voordeel in natuurbeheer. Gebaseerd op de traditionele volgen vaardigheden, en kosteneffectiviteit, kan het eerder gemarginaliseerde lokale gemeenschappen in de processen van het behoud bewaking in te schakelen. Stander 34 en Liebenberg 35 onafhankelijk van elkaar gericht en getuigt het behoud controle vaardigheden en de waarde van het opnemen van deze groepen.

Toekomstige ontwikkelingen in de footprint identificatie techniek mogelijkheden voor het bewaken van cheetah zijn aan de gang, en omvatten field-trials voor de validatie met loslopende jachtluipaarden, het opbouwen van de leeftijd klasse algoritmen (met inbegrip van veranderingen in voetmorfologie van individuen in de tijd) en substraat controles. De auteurs zijn ook onderzoek naar technieken die in de computer vision waarmee image-segmentatie om de nauwkeurigheid en consistentie te optimaliseren in het markeren landmark punten.

Sinds voetafdrukken een van de meest alomtegenwoordige dieren tekenen, en vaak zijn veel gemakkelijker te vinden dan de dieren zelf, zou de bredere toepassing van voetafdruk identificatie-spel veranderen in het behoud monitoring. Belangrijkste beschermde gebieden op het land van de wereld krijgen naar schatting acht miljard recreatieve bezoekers per jaar 36. Een meerderheid van de bezoekers nu dragen smartphones. Met behulp van een app ontwikkeld voor Wildtrack het verzamelen van voetafdruk gegevens eenvoudig en snel te zijn en kon potentieel effect een dataset van ongekende steekproefgrootte en ruimtelijke schaal. Met een kosten-effectieve dataverzameling protocol, de voetafdruk identificatie techniek gemakkelijk aanpast aan gaas in een behoud gereedschapskist. Als een afbeelding classificatiesysteem, het is robuust model kan ook toepassing in de medische, forensische en rechtshandhaving velden (bijvoorbeeld anti-stroperij).

Declarações

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

Referências

  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

Citar este artigo
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