识别猎豹：通过足迹识别个体

摘要

猎豹（Acinonyx jubatus）是一种标志性的濒危物种，但由于栖息地缩小以及与商业农场主之间的冲突，其保护工作面临挑战。足迹识别技术是一种可靠、准确且经济高效的图像分类系统，为监测猎豹提供了一种新方法。

摘要

猎豹（Acinonyx jubatus）是非洲最濒危的大型猫科动物，被国际自然保护联盟（IUCN）列为易危物种，其种群数量呈下降趋势¹。猎豹广泛分布于撒哈拉以南非洲以及中东部分地区。猎豹保护工作者面临两大主要挑战：一是因猎豹捕食家畜而与土地所有者发生冲突，二是对其分布范围缩小的担忧。目前对后者的了解仍十分有限²。据信，纳米比亚拥有所有分布国中数量最多的猎豹，约占总数的30%，但种群数量估计值介于2,905只³至13,520只之间⁴。这种差异很可能是由于监测过程中采用了不同的技术所致。

目前的技术，包括使用VHF或卫星/GPS项圈进行侵入性标记，可能成本高昂且不可靠。足迹识别技术⁵ 是一种新型工具，现场科学家以及拥有智能手机的公众均可使用，有望扩展数据收集的范围。该足迹识别技术依据标准化协议采集足迹的数字图像，并利用数据可视化软件对图像进行优化和测量。通过基于自定义模型的稳健交叉验证成对判别分析，对足迹图像中的距离、角度和面积等测量数据进行分析。最终结果以Ward聚类树状图的形式呈现。用户友好的图形界面（GUI）使用户能够即时访问并清晰解读分类结果。

足迹识别技术的算法具有物种特异性，因为每个物种都具有独特的解剖结构。该技术在数据可视化软件中运行，使用其自带的脚本语言（jsl），可根据任意物种的足迹解剖特征进行定制。首先利用来自已知个体的该物种足迹训练数据库构建初始分类算法。由已知身份的猎豹建立的算法随后可用于对野生环境中身份未知的猎豹进行分类。足迹识别技术对个体猎豹身份的预测准确率超过>90%。

引言

猎豹（Acinonyx jubatus）是非洲最濒危的猫科动物，被《国际自然保护联盟濒危物种红色名录》列为易危物种，其种群数量呈下降趋势¹。全球猎豹种群数量估计在7,000至10,000只之间¹，而纳米比亚被认为是野生猎豹最大的栖息地，可能拥有全球超过三分之一的猎豹种群^4,6,7。2007年对南部非洲的种群估计显示，纳米比亚的猎豹数量为2,000只，邻近国家博茨瓦纳为1,800只，随后是南非（550只）、津巴布韦（400只）、赞比亚（100只）和莫桑比克（<5只）。另有多个国家尚未进行评估⁷。

纳米比亚当局有着明确表述的愿景 "在纳米比亚，猎豹种群在多种生态系统中安全、可持续地生存，并与当地居民实现成功共存，且受到人们的重视。"  然而，畜牧业和狩猎业养殖是纳米比亚主要的土地利用方式^8,9 土地所有者经常在其土地上诱捕并猎杀猎豹，以减少猎豹对家畜或珍贵野生动物的捕食。从1991年到2006年，已有超过1,200只猎豹被移除，但并非所有此类“捕杀数量”都有记录。¹⁰此外，关于这是否是解决农民与猎豹冲突的有效方法，目前仍存在争议。通过捕杀或转移被视为引发冲突的动物来消除问题，其效果可能不如通过其他方式缓解冲突，例如加强家畜保护。¹¹发表的迁地保护后12个月的存活率范围为18%¹¹ 至40%¹².

在纳米比亚，获取关于猎豹数量、身份及其分布的可靠数据，对于解决人豹冲突问题至关重要。目前的猎豹监测技术包括纳米比亚环境与旅游部向利益相关方发放的目标问卷⁴、游客和政府报告中的偶然观测记录⁴、相机陷阱的使用¹³、GPS或VHF项圈^10,14、农户访谈调查⁸，甚至猎豹斑点图案识别¹⁵。然而，由于缺乏统一的基准或对调查工作量的量化，难以比较这些技术的有效性。每种方法都有其局限性：GPS卫星和VHF项圈成本高昂且常常不可靠，目标问卷覆盖范围有限，而相机陷阱的监测范围也较为有限。

不同方法产生的估计值差异很大。标记物 等¹⁰ 强调了需要采取更加协调一致的方法。在农田地区已采用多种方法来估算猎豹种群密度，这些方法得出的估计值各不相同。例如，一项无线电遥测研究估算结果为每1,000平方公里2.5只（±0.73）猎豹。² 而一项相机陷阱研究估计每1000平方公里有4.1（±0.4）只猎豹² （标记 等 2007）。这种差异凸显了采用不同方法估算种群密度所存在的问题，但迄今为止，尚未确定一种可在纳米比亚猎豹所栖息的多种生境中普遍适用的单一、有效且可重复的技术。这一问题仍是制约猎豹有效监测与保护工作的关键。

这一挑战推动了猎豹监测用的一种稳健、经济且灵活的工具的开发。足迹识别技术最初是为黑犀牛开发的¹⁶，随后被改进并应用于多种物种，包括白犀牛¹⁷、阿穆尔虎¹⁸、美洲狮¹⁹等。

多项研究表明，可以通过足迹来识别大型食肉动物的物种、个体及性别。该方法已从对足迹形状的简单描述发展而来²⁰ 与测量结果的比较²¹，用于一个或多个测量值的统计分析^16,17,22-30 形态分析³¹这些努力取得了不同程度的成功，主要取决于数据采集和分析过程的严谨性，以及用于构建训练数据集的实验动物数量。使用足迹具有若干实际优势。首先是足迹图像可以与其他非侵入性方法结合采集例如相机陷阱，从毛发/粪便中采集DNA 等等。）几乎无需额外付出或成本。其次，在基质条件允许的情况下，足迹是动物活动最普遍存在的痕迹。

足迹识别技术是首个针对猎豹描述的可靠足迹识别方法，适用于任何发现足迹的地点。足迹必须足够清晰，以便肉眼能够清楚地辨识出脚趾和足跟部分。野外操作人员必须熟悉猎豹足部的基本解剖结构，能够在目标区域识别猎豹足迹，并将其与其他同域分布的大型食肉动物足迹区分开来。该技术既可用作普查方法（例如，所采集的足迹代表了多少只猎豹？），也可作为监测特定个体的工具。此外，足迹还可作为标记重捕分析中的“标记”，利用该技术识别个体，进而计算该物种的局部密度。数据采集仅需一台基本的数码相机和一个比例尺。

方案

伦理声明：足迹识别技术是一种非侵入性技术，未采集任何生物样本。仅使用了持有许可文件的注册圈养猎豹。猎豹的参与仅限于在沙地上行走以留下足迹，并因此获得食物奖励。 

注意：本实验方案介绍了使用数据可视化软件（例如 JMP，下文简称为“数据可视化软件”）通过足迹识别技术对足迹进行分类的方法。

安全声明：猎豹始终由两人看管，不得无人看守，并在可能的情况下被安置于独立的围栏设施中。已适应人为操作的圈养猎豹，通过引导其沿沙地小径行走以留下足印；对于较难接近的动物，则在围栏外部进行引诱。

术语： 足迹（Track）： 单个脚印；踪迹（Trail）： 由单个动物留下的连续不断的系列脚印。

1. 收集足迹

1. 足迹样本制备与操作流程
   1. 准备以下材料：细齿耙或粗齿耙与夯具、手动喷壶或浇水壶、两个标准直尺（厘米刻度）或一个木工折叠尺用于框定足迹范围、标准数码相机（最低分辨率1,200 × 1,600像素）、必要时用于遮阴的雨伞，以及带有信息记录区域的标准足迹标签，用于记录拍摄者姓名、日期、足迹序列号、独立足迹编号、动物编号、地点，以及深度（若>2 cm）。
   2. 尽量在清晨或傍晚进行工作，以获得足迹上最佳的光照对比度。若无法实现，可在阳光直射时使用雨伞提供人工遮阴，以提高脚跟和脚趾垫的清晰度。
   3. 铺设一层约1 cm深的天然基质或建筑用沙。确保其宽度约为2–3 m，并沿围栏边缘或动物习惯活动路径延伸3至15 m。
   4. 使用标准园艺工具将基质润湿并抚平，以提升足迹质量和清晰度。如有树叶或小石子，需手动清除。
2. 为训练数据集采集足迹
   1. 用食物奖励引导猎豹穿过沙地路径。足迹形成后，将动物引导离开路径。
   2. 在完成每条足迹轨迹的成像后（见1.3节），清除足迹痕迹，并重新整理表面，为记录下一条轨迹做准备。
   3. 仅采集左后足足迹作为训练数据集。  左后足的第3趾（主趾）、第4趾和第5趾呈向左倾斜的坡状排列。  前足比后足更宽。在成像前应花时间学习如何准确识别前后足。
3. 使用足迹识别技术协议对足迹进行成像
   1. 通过用树枝或其他合适的本地工具在每个左后足迹周围手动画圈，标示出轨迹中各个足迹的位置。
   2. 按以下步骤对第一个足迹进行成像
      1. 将一个公制标尺放置在足迹左下方约1 cm处。
      2. 在标尺下方且不接触足迹的位置放置一张摄影标识卡片，并在预设空白处填写拍摄者姓名、日期、足迹序列号、深度（若>2 cm）、独立足迹编号、动物编号和地点。
   3. 跨站在足迹上方，将相机镜头垂直对准足迹正上方拍摄，以避免图像中因标尺或照片标识卡产生的视差误差。必要时可使用三脚架或助手协助校准。
   4. 确保足迹、标尺和摄影标识卡片完全充满整个画面。
   5. 采集约20个高质量的左后足迹，以完成该动物的数据采集。若第一条轨迹无法提供20个足迹，需对同一动物重复1.1.6至1.3.5的操作步骤。

2. 足迹识别技术分析前的图像特征提取 

1. 双击足迹识别技术图标，将其作为插件打开至数据可视化软件中。观察屏幕上的主窗口，选择“图像特征提取”以显示该新窗口。足迹识别技术基于一种数据可视化软件脚本，使用 jsl 编程语言编写。主菜单如图1所示。
2. 使用鼠标将第一幅足迹图像拖放到图像特征提取窗口中。窗口左侧将显示一个特征提取模板指南。
3. 点击并选择“调整大小”按钮，确保足迹图像位于图形窗口内。点击外侧脚趾（第2和第5脚趾）的最低点以放置标记，然后选择“旋转”。观察图像沿两点连线水平旋转，以实现方向标准化。注意一组十字准线将自动出现，供步骤2.6中使用。
4. 如果基质深度超过1 cm，可通过点击"基质深度"按钮对算法进行深度校正。
5. 点击以在所需比例位置放置两个标定尺度点。对于猎豹，将尺度设为10 cm，并在尺度因子框中进行设置。
6. 根据图形窗口左侧的模板，依次放置25个解剖标志点。标志点是指足迹上的定义解剖位置，例如每个脚趾和足跟的最前、最后、最外侧和最内侧点。初学者可使用十字准线提高定位准确性。观察图像左上角会弹出提示，显示点的输入顺序。
7. 选择“衍生点”以从已有的标志点生成额外的15个点。此过程可增加可用于算法开发的变量数量。
8. 填写足迹图像的所有数据字段，包括猎豹编号、轨迹、路径、日期、时间及位置点（GPS）。图2展示了步骤2.2至2.8的流程。
9. 按下“追加行”按钮，将136个脚本变量（距离、角度、面积）发送至数据库中的新行。
10. 对所有足迹重复步骤2.1至2.9，直至数据库中包含每个标志点和衍生点的x.y坐标，以及每个足迹的所有计算变量。
11. 复制数据库中的所有行，并将其粘贴至数据库下方。该复制数据集称为参考质心值（Reference Centroid Value, RCV），用于在后续足迹路径的成对比较中稳定足迹识别技术模型。

3. 猎豹足迹识别技术算法的开发

1. 成对稳健交叉验证判别分析
   1. 从主菜单中选择并打开稳健交叉验证的成对分析窗口（图 3）。足迹识别技术模型使用分类器来确定一对足迹属于同一个体或两个不同个体的可能性。图 4).
   2. 使用已知个体的训练数据库，按如下方法对轨迹进行两两比对：
      1. 选择 Cheetah 作为“输入 x，模型类别”，trails 作为“输入 trails”。y 列（足迹测量值）作为连续变量将自动填充。
      2. 选择“运行”。观察显示分析进度的进度条。观察出现的数据表，其中显示路径的成对比较结果。
      3. 观察两个输出结果：一个指定的自我/非自我分类表，用于描述每对验证样本之间的分类距离；以及一个分类矩阵窗口，显示所选用于比较的不同轨迹及轮廓概率。注意“显示模型”按钮，该按钮展示每次比较所使用的变量，以及“距离阈值”框，该框给出质心之间的距离。
      4. 点击指定的自我/非自我表格底部的“clusters”按钮。观察出现的两个表格。第一个表格显示任意两条轨迹之间的距离。第二个是“聚类”树状图——用于所选变量分类的最终输出结果。通过点击树状图的任意分支，可对分类聚类进行可视化，并以颜色编码标注。
      5. 通过改变变量（测量值）的数量和轮廓概率（围绕质心值的置信区间）来检验分类的准确性。使用18个变量生成的聚类树状图重新可视化数据图 5a）。这正确预测了七只猎豹。 图5b （24 个变量） & c （10 个变量）通过测试不同的变量和等高线概率输入，得出对猎豹数量的不同估计值。
         注意：滑动标尺对应的分布曲线表示预测数值的相对概率（可能性），起始值为100%。当移动滑动标尺时，将显示预测值两侧各个估计值的相对概率。 图5d 显示了包含18个变量的结果，滑动比例尺向一个方向移动，表明出现十只猎豹的概率低于50%。
      6. 选择准确率始终最高的算法。调整阈值，使算法的输出结果最接近训练数据库中已知的动物数量。图 5a).
2. 完全回撤试验验证
   使用保留试验验证算法在预期个体数量和聚类分类准确性方面的性能，并将数据集中的每个猎豹个体随机分配至测试集和训练集图 6）。使用步骤如下：
   1. 从参考数据库中，确定将数据集顺序划分为测试集和训练集大小的合适区间。对于猎豹数据库，使用区间为4。
   2. 随机选择四名个体作为测试数据集（剩余34名个体作为训练集）。隐藏所选四名测试个体的身份信息。
   3. 点击 "成对数据比较分析" 选项并选择四位测试个体的所有轨迹。
   4. 点击 "运行" 启动足迹识别技术分析。该分析将对测试数据集中的个体数量进行预测。重复此过程九次（共十次），每次随机选择四个个体。
   5. 计算该测试规模的平均预测值（即，四）。然后依次对八个随机选择的个体（根据区间大小）重复该过程，接着为十二个，依此类推，每种测试规模均进行十次迭代。计算每种测试规模的平均预测值。
   6. 使用绘图软件绘制如图所示的图表 图 6红线表示实际测试尺寸与自身相比的绘图，绿色星号表示每次迭代的预测个体数量，蓝线表示每个测试尺寸的平均预测值。红线与蓝线的接近程度是足迹识别技术分析准确性的指标。

结果

个体识别

足迹识别技术对个体猎豹进行分类的能力取决于两个因素：标准化的足迹采集协议，以及基于交叉验证的成对判别分析结合Ward聚类分析的新统计模型。这些分析通过一个集成的图形用户界面实现数据可视化（图1）。该技术所需设备极少，具有较高的成本效益（材料清单）。采集足迹数据时包括以下信息：猎豹数量、采集的足迹图像数量、每只猎豹的足迹范围、足迹路径数量、每只猎豹的路径范围以及猎豹的年龄范围（表1）。

训练数据集共收集了来自38名个体的110条行进轨迹中的781个足迹（男女比例为395:386）。表1总结了所收集的数据。利用特征提取窗口（图2），在每个足迹图像上由25个标记点生成了15个衍生点。基于这些标记点和衍生点，每个足迹生成了136个变量，包括距离、角度和面积。因此，数据库中的每一行代表单个足迹生成的136个变量。足迹按行进轨迹进行处理，每条轨迹对应不同数量的行，并已相应标注。

这些数据作为实体被复制到数据表中，称为参考中心值（RCV），用于稳定个体分类所需的轨迹两两比较。两两分析窗口（图 3旨在帮助验证数据和/或检验来自未知群体的数据。 图4 展示了基于定制化足迹识别技术模型，对同一受试者（A）和不同受试者（B）的轨迹进行两两比较的结果。模型中集成的分类器依据椭圆之间是否存在重叠区域进行判断。需注意，每次两两比较的分析均在第三个实体存在的情况下进行。 即参考质心值（RCV）。

采用稳健的成对交叉验证判别分析结合Ward聚类分析，生成了一种用于个体有效分类的算法。足迹识别技术算法基于三个可调节的参数：所使用的测量指标数量、椭圆大小（所用置信区间）以及决定聚类分界阈值的阈值。在软件中对这三个参数进行调整，直至对已知身份动物的训练集达到最高的分类准确率。该算法随后可用于识别未知个体的猎豹。例如，图5a、b和c展示了来自七只猎豹足迹样本的树状图，显示了算法在优化后（a）能够实现正确预测，而在次优条件下（b和c）则预测效果较差。

通过进行保留试验，验证从“已知”个体训练集中推导出的算法。这些试验通过逐步改变测试集和训练集中猎豹所占比例，依次进行。分析过程中，并非任意地将猎豹分配至训练集和测试集，而是依次增加测试集的大小。对于每个测试集，进行10次迭代，每次迭代中随机选择猎豹个体。针对每个测试集，由此可计算出一个平均值。图6展示了不同测试集大小与其自身（红色）的对比关系，以及在y轴上各测试集大小迭代的预测值（绿色）和每个测试集大小的平均预测值（蓝色）。该图表明，即使测试集大小显著增加（n=28）而训练集大小较小（n=10）时，平均预测值仍与预期值相近。

通过多次保留试验，个体识别的准确性始终保持一致 >90%，无论是对预测的个体数量，还是同样重要的轨迹分类而言， 即，判断来自同一个体的痕迹（自身痕迹）与来自不同个体的痕迹（非自身痕迹）是否被正确分类。图中显示了代表全部38只猎豹个体的聚类树状图图 7）。共有110次试验，产生了5,886次成对比较。其中出现46次分类错误，准确率为99%（表2).

	雌性猎豹数量	足迹图像数量	每只猎豹足迹数量范围	路径数量	每只猎豹路径数量范围	年龄范围（年）
雌性	16	386	12 - 36	55	2 - 5	2.5 - 8.5
雄性	22	395	7 - 32	54	1 - 4	1 - 11
总计	38	781	7 - 36	109	1 - 5	1 - 11

表1. 数据收集汇总。猎豹数量、收集的脚印图像数量、每只猎豹的脚印范围、足迹路径数量、每只猎豹的路径范围以及猎豹的年龄范围。

	自身	非自身	总计	误分类
自身 (N)	117	9	126	9
自身 (%)	93	7	100	7
非自身 (N)	37	5,723	5,760	37
非自身 (%)	1	99	100	1
总计 (N)	-	-	5,886	46
总计 (%)	-	-	100	1

表2. 足迹识别技术软件的输出结果展示了基于成对比较的轨迹分类情况。 “自身”指来自同一个体的轨迹，“非自身”指来自不同个体的轨迹。每条轨迹均使用定制的稳健交叉验证判别分析模型与其他所有轨迹进行比对。110条轨迹共产生5,886次成对比较，整体分类准确率达到99%。

图1. 足迹识别技术中的主菜单启动界面。 这是数据可视化软件的一个图像识别插件，旨在通过形态测量数据对足迹进行个体、性别和年龄类别的分类。图形用户界面支持在不同选项之间无缝导航。请点击此处查看该图的放大版本。

图2. 特征提取窗口。 功能包括拖放图像、自动调整图像大小以适应窗口、旋转图像以实现标准化，以及考虑基质深度因素， 等等。 预设的标记点通过手动定位，并生成一系列脚本化的衍生点，以提取距离、角度和面积等形式的测量指标。输出结果为一行数据，包含x、y坐标及各项测量指标。 请点击此处以查看此图的放大版本。

图3. 足迹识别技术中的成对数据分析窗口。 建立测量数据数据库后，该成对数据分析窗口可用于帮助验证数据，和/或检验来自未知种群的数据。该分析基于一个定制模型，其中包含一个常数参考质心值（RCV），用于依次比较成对的轨迹^16,17。最终输出结果为聚类树状图，可预测个体数量以及各轨迹之间的关系。请点击此处查看此图的放大版本。

图4. 两两比较。 该图显示了来自同一个人的轨迹进行两两比较的结果（A）以及两个不同的个体（B) 基于数据可视化软件中自定义的模型。该模型中纳入的分类器依据椭圆之间是否存在重叠来判定。需注意，该分析是在存在第三个实体的情况下，对每一对比较进行的。 即参考质心值（RCV）。 请点击此处以查看此图的放大版本。

图 5. 基于七只猎豹样本路径的树状图，显示算法在优化时的正确预测结果（a），以及算法次优时的结果（b 和 c）。d 显示了使用18个变量时的结果，滑动比例尺向一个方向移动，表明十只猎豹的几率低于50%。该算法基于三个可调节参数：所使用的测量次数、椭圆大小（所用置信区间）以及最终决定聚类切分阈值的阈值。 请点击此处查看该图的放大版本。

图6. 通过依次改变测试集与训练集中猎豹所占比例而进行的一次留出试验。 本研究未随意将猎豹分配至训练集和测试集，而是依次增加测试集的规模。对于每个测试集，均进行了十次迭代，每次迭代中随机选择猎豹。针对每个测试集，由此可计算出一个平均值。该图显示了测试集大小与其自身（红色）的对比关系，以及在y轴上每次测试集大小迭代的预测值（绿色）和每个测试集大小的平均预测值（蓝色）。该图表明，即使测试集规模显著大于训练集规模（测试集n=28，训练集n=10），其平均预测值仍与预期值相近。请点击此处查看该图的放大版本。

图7. 树状图显示了当纳入分析的38只猎豹的110条轨迹全部包含在内时的预测结果。 请注意形成聚类的轨迹具有高度一致性。有趣的是，许多误分类发生在同窝幼崽之间，例如，猎豹Letotse/Duma以及Vincent/Bonsai。请点击此处查看该图的放大版本。

讨论

本文概述了足迹识别技术的理论应用及其作为一种新的经济高效、易于社区参与的监测方法在保护猎豹方面的潜力。该工具进一步推广应用的下一步工作，将是在猎豹分布区域对猎豹种群开展更广泛的实地测试。

足迹识别技术在多个关键方面不同于以往从足迹中识别个体的尝试：标准化且严谨的足迹采集流程、简化的图形用户界面软件、分析前对图像进行定向与优化，以及用于分类的新型统计模型。

该方案的成功依赖于若干关键步骤。首先，必须正确准备沙地足迹道，并让动物以正常且放松的行走速度通过沙地。在对足迹成像时，拍摄者必须位于足迹正上方的中心位置。通常由一名观察者协助检查这一位置会很有帮助。最后，拍摄者（或可能为经验丰富的追踪者）必须能够准确识别地面上的猎豹足迹，并具备沿行进路线向前或向后追踪足迹路径的技能。

追踪技能对于有效推进该技术在监测未知或自由活动的猎豹种群中的应用至关重要。技能不足可能导致采集的足迹不够清晰，或混淆可能共同行动的不同动物的足迹路径。后一点对于猎豹尤为关键，因为年轻的雄性猎豹有时会组成由3只或更多个体构成的联盟，共同移动。然而，这一问题在另一种社会性物种——白犀牛中已得到解决，通过足迹识别技术结合足迹路径的前向或后向追踪，成功识别了多达13只个体共同行动的群体（Alibhai et al. 2008）¹⁷。

尽管如今仅存少数几位精通传统技艺的原住民追踪者，但人们正在积极努力与他们合作，并将其技能传授给社区中的年轻一代。纳米比亚的N/a'an ku sê基金会将主办一项此类倡议——古代技能学院。同样，追踪技能培训认证项目的迅速发展，正在使科学家和业余自然爱好者能够学习这些重要的野外技术。

在足迹图像上精确地手动定位标志点是该技术准确性的关键。操作人员必须熟悉足部的基本解剖结构及其形成的足迹特征。目前，作者正在尝试开发自动化方法，以尽量减少所需的手动操作，并解决不同操作者之间标准化可能存在的问题。在此期间，建议每个野外工作点由一名操作者负责标志点的定位。目前正努力吸引公民科学家参与数据采集与分析，这将极大扩展该方法在野外的应用范围。尽管存在这些当前的局限性，该软件方案已在野外成功应用于多种物种，包括黑白犀牛、低地貘和阿穆尔虎。

足迹研究存在一个明显的局限性——基质必须能够清晰地留下足迹痕迹。部分足迹或质量较差的足迹提供的细节信息不足³²。然而，猎豹分布区的广大区域非常适合足迹采集；对于较小且原本不适宜的区域，甚至可以通过设置人工沙地小径来收集足迹，从而克服这一限制。这些足迹印迹垫可与相机陷阱结合有效使用，例如在已知的猎豹标记点或标记树处。追踪技能和当地知识在寻找和识别适宜基质区域方面可提供极大帮助。

由于足迹识别技术具有非侵入性，因此不会对动物的生态或行为造成任何干扰。许多研究已表明，捕捉、固定、操作以及安装仪器等操作存在潜在且真实的风险，这些操作会带来相应的成本，并可能导致收集到不可靠的数据³³。足迹识别技术在保护管理中还具有另一项优势：基于传统的追踪技能，并因其成本效益高，该技术可使以往被边缘化的当地社区参与保护监测过程。Stander³⁴ 和 Liebenberg³⁵ 曾分别论述并证实了将这些群体纳入保护监测工作中的技能价值与重要意义。

猎豹足迹识别技术在监测能力方面的未来发展方向正在进行中，包括对野生猎豹开展实地试验以验证技术有效性、建立年龄分类算法（涵盖个体随时间推移足部形态的变化）以及基质条件的控制。研究人员还在探索计算机视觉领域的相关技术，以实现图像分割，从而优化标记解剖标志点的准确性和一致性。

由于足迹是最常见的动物痕迹之一，且通常比动物本身更容易发现，因此足迹识别技术的广泛应用可能在保护监测领域带来革命性变化。全球主要的陆地保护区每年大约接待80亿人次的休闲访问³⁶。目前大多数游客都随身携带智能手机。通过WildTrack正在开发的一款应用程序，足迹数据的采集将变得简单而快速，有望形成前所未有的大样本量和广空间尺度的数据集。借助成本效益高的数据采集方案，足迹识别技术可轻松整合到任何保护工具箱中。作为一种图像分类系统，其稳健的模型还可能应用于医学、法医学以及执法领域（例如，反盗猎行动）。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
园艺铲
园艺耙
基质压实器
河沙或建筑用沙
桶
浇水壶或喷雾器
数码相机
用于照片识别标签的纸张	http://wildtrack.org/citizen-science/photographing-footprints/
木工用厘米折叠尺
笔记本电脑或台式计算机
JMP 软件
JMP 软件的足迹识别技术插件