Gepard (Acinonyx jubatus) jest ikonicznym, zagrożonym gatunkiem, ale wysiłki na rzecz ochrony są zagrożone przez kurczenie się siedlisk i konflikt z komercyjnymi rolnikami. Technika identyfikacji śladów stóp, solidny, dokładny i ekonomiczny system klasyfikacji obrazów, to nowe podejście do monitorowania gepardów.
Artykuł metodologiczny
Dostrzeganie gepardów: identyfikacja osobników po ich śladach
W tym artykule
Podsumowanie
Streszczenie
Gepard (Acinonyx jubatus) jest najbardziej zagrożonym dużym kotowatym w Afryce i wymieniony przez IUCN1 jako narażony na spadek populacji. Występuje szeroko w Afryce Subsaharyjskiej i niektórych częściach Bliskiego Wschodu. Obrońcy gepardów stoją przed dwoma głównymi wyzwaniami: konfliktem z właścicielami ziemskimi w sprawie zabijania zwierząt gospodarskich oraz obawami związanymi z kurczeniem się zasięgu występowania. Zrozumienie tych ostatnich pozostaje szczególnie słabe2. Uważa się, że w Namibii żyje największa liczba gepardów ze wszystkich krajów, około 30%, ale szacunki wahają się od 2 9053 do 13 5204. Rozbieżność ta wynika prawdopodobnie z różnych technik stosowanych w monitorowaniu.
Obecne techniki, w tym inwazyjne znakowanie za pomocą obroży VHF lub satelitarnych/GPS, mogą być kosztowne i zawodne. Technika identyfikacji śladów 5 to nowe narzędzie dostępne zarówno dla naukowców terenowych, jak i obywateli posiadających smartfony, którzy mogą potencjalnie wzbogacić gromadzenie danych. Technika identyfikacji śladów polega na analizie cyfrowych obrazów śladów stóp zarejestrowanych zgodnie ze znormalizowanym protokołem. Obrazy są optymalizowane i mierzone w oprogramowaniu do wizualizacji danych. Pomiary odległości, kątów i obszarów obrazów śladów są analizowane przy użyciu solidnej, zweryfikowanej krzyżowo analizy dyskryminacyjnej parami opartej na dostosowanym modelu. Końcowym wyjściem jest dendrogram klastra Warda. Przyjazny dla użytkownika graficzny interfejs użytkownika (GUI) umożliwia użytkownikowi natychmiastowy dostęp i przejrzystą interpretację wyników klasyfikacji.
Algorytmy techniki identyfikacji śladów są specyficzne dla gatunku, ponieważ każdy gatunek ma unikalną anatomię. Technika ta działa w oprogramowaniu do wizualizacji danych, przy użyciu własnego języka skryptowego (jsl), który można dostosować do anatomii odcisku stopy dowolnego gatunku. Wstępny algorytm klasyfikacji jest tworzony na podstawie trenującej bazy danych odcisków stóp tego gatunku, zebranych od osobników o znanej tożsamości. Algorytm wywodzący się od geparda o znanej tożsamości jest następnie w stanie sklasyfikować gepardy żyjące na wolności o nieznanej tożsamości. Technika identyfikacji odcisków stóp przewiduje tożsamość poszczególnych gepardów z dokładnością do >90%.
Wprowadzenie
Gepard (Acinonyx jubatus) jest najbardziej zagrożonym kotowatym w Afryce i znajduje się na Czerwonej Liście Gatunków Zagrożonych IUCN jako narażony na spadek populacji1. Szacuje się, że światowa populacja gepardów wynosi od 7 do 10 000osobników1, a Namibia jest uznawana za największą twierdzę geparda żyjącego na wolności, z być może ponad jedną trzecią światowej populacji4,6,7. Szacunki populacji dla Afryki Południowej w 2007 roku określały populację gepardów w Namibii na 2000 osobników, z kolejnym najbliższym państwem Botswana z 1800, a następnie RPA (550), Zimbabwe (400), Zambia (100), Mozambik (<5). Kilka stanów nie zostało ocenionych7.
Namibijskie władze mają jasno określoną wizję "Bezpiecznych, żywotnych populacji gepardów w różnych ekosystemach, które z powodzeniem współistnieją i są cenione przez mieszkańców Namibii." Jednak hodowla zwierząt gospodarskich i zwierzyny łownej jest głównym zastosowaniem gruntów w Namibii8,9, a właściciele ziemscy regularnie łapią i zabijają gepardy na swoich posesjach, próbując ograniczyć drapieżnictwo zwierząt gospodarskich lub cennych dzikich zwierząt. W latach 1991-2006 usunięto ponad 1200 gepardów, ale nie wszystkie takie "odbiory" odnotowano10. Co więcej, toczy się debata na temat tego, czy jest to skuteczne rozwiązanie konfliktu między rolnikami a gepardami. Usuwanie zwierząt postrzeganych jako powodujące konflikty poprzez zabijanie lub przenoszenie może być mniej skuteczne niż łagodzenie konfliktów za pomocą innych środków, takich jak lepsza ochrona zwierząt gospodarskich11. Opublikowane wskaźniki przeżycia przez 12 miesięcy po translokacji wahały się od 18%11 do 40%12.
Zbieranie wiarygodnych danych na temat liczebności, tożsamości i rozmieszczenia gepardów w Namibii jest kluczem do rozwiązania sytuacji konfliktu między ludźmi a gepardami. Obecne techniki monitorowania gepardów obejmują zarówno ukierunkowane kwestionariusze Ministerstwa Środowiska i Turystyki Namibii skierowane do zainteresowanych stron4, oportunistyczne obserwacje turystów i raportyrządowe4, jak i stosowanie fotopułapek 13, obroży GPS lub VHF10,14, ankiety przeprowadzane wśród rolników8, a nawet wzorce punktowe15. Trudno jest jednak porównać skuteczność tych technik bez wspólnego punktu odniesienia lub kwantyfikacji nakładów związanych z badaniem. Każdy z nich ma swoje ograniczenia; Obroże satelitarne GPS i VHF są drogie i często zawodne, ukierunkowane kwestionariusze mają ograniczony zakres, a fotopułapki mają ograniczony zasięg.
Szacunki uzyskane za pomocą tych różnych metod są bardzo różne. Marker i wsp.10 podkreśliło potrzebę bardziej skoordynowanego podejścia. Na polach uprawnych zastosowano różne metody w celu oszacowania gęstości populacji gepardów, które przyniosły szereg szacunków. Na przykład w badaniu radiotelemetrycznym oszacowano liczbę gepardów na 2,5 (± 0,73) gepardów/1000 km2, podczas gdy w badaniu z użyciem fotopułapek oszacowano liczbę gepardów na 4,1 (± 0,4) gepardów na 1000 km2 (Marker i in. 2007). Ta zmienność uwypukla problem stosowania różnych metod do szacowania zagęszczenia, ale do tej pory nie zidentyfikowano jednej, skutecznej i powtarzalnej techniki, którą można by zastosować w szerokim zakresie siedlisk zajmowanych przez gepardy w Namibii. Pozostaje to problemem dla skutecznego monitorowania i ochrony gepardów.
To wyzwanie zapoczątkowało opracowanie solidnego, opłacalnego i elastycznego narzędzia do monitorowania geparda. Technika identyfikacji odcisków stóp została po raz pierwszy opracowana dla nosorożca czarnego16, a następnie dostosowana do szerokiej gamy gatunków, w tym nosorożca białego17, tygrysa amurskiego18, lwa górskiego19 i innych.
Różne badania wykazały, że możliwe jest użycie śladów stóp do identyfikacji dużych drapieżników według gatunków, osobników i płci. Proces ten ewoluował od prostego opisu kształtu śladów stóp20 do porównania pomiarów21, do analizy statystycznej jednego lub kilku pomiarów16,17,22-30 i analizy kształtu31. Wysiłki te odnosiły różne sukcesy, w dużej mierze w zależności od rygoru procesów gromadzenia danych i analiz oraz liczby zwierząt doświadczalnych wykorzystanych do opracowania zestawów danych treningowych. Istnieje kilka praktycznych zalet korzystania z odcisków stóp. Pierwszym z nich jest to, że obrazy mogą być zbierane wraz z innymi nieinwazyjnymi metodami (np. pułapkami fotograficznymi, pobieraniem DNA z włosów/kału itp.) przy niewielkim dodatkowym wysiłku lub kosztach. Po drugie, ślady stóp są, tam, gdzie pozwala na to podłoże, najbardziej wszechobecnym znakiem aktywności zwierząt.
Technika identyfikacji śladów jest pierwszą solidną techniką identyfikacji śladów opisaną dla gepardów i ma zastosowanie w każdym miejscu, w którym znaleziono ślady stóp. Ślady stóp muszą być na tyle wyraźne, aby palce i pięta odcisku były wyraźnie widoczne gołym okiem. Operatorzy terenowi muszą zapoznać się z podstawową anatomią stopy geparda i być w stanie zidentyfikować odciski w obszarze zainteresowania oraz odróżnić je od odcisków innych sympatrycznych dużych drapieżników. Technika ta może być stosowana jako technika spisu (np. ile gepardów jest reprezentowanych przez zebrane odciski stóp?) lub jako narzędzie do monitorowania konkretnych osób. Ślady stóp mogą być również wykorzystywane jako "znaki" w analizach ponownego wychwytywania śladów, wykorzystując tę technikę do identyfikacji osobników, a następnie obliczania lokalnego zagęszczenia gatunków. Zbieranie danych wymaga jedynie podstawowego aparatu cyfrowego i wagi.
Protokół
OŚWIADCZENIE ETYCZNE: Technika identyfikacji odcisków stóp jest techniką nieinwazyjną. Nie pobrano żadnych próbek biologicznych. Użyto tylko zarejestrowanych gepardów trzymanych w niewoli z dokumentacją zezwolenia. Udział gepardów ograniczał się do chodzenia po piaszczystym szlaku, aby zostawić ślady stóp w zamian za nagrodę w postaci jedzenia.
UWAGA: Protokół ten wyjaśnia użycie oprogramowania do wizualizacji danych, takiego jak JMP, zwanego dalej "oprogramowaniem do wizualizacji danych", do klasyfikowania śladów przy użyciu techniki identyfikacji śladów.
OŚWIADCZENIE BEZPIECZEŃSTWA: Gepardy nigdy nie były pozostawiane bez opieki (2 osoby) i w miarę możliwości umieszczano je w oddzielnych pomieszczeniach. Gepardy trzymane w niewoli, przyzwyczajone do obchodzenia się z nimi, były zwabione bezpośrednio przez piaszczystą ścieżkę, aby zostawić ślady stóp. Inne zwierzęta, mniej podatne na obchodzenie się z obrębem, były wabione spoza wybiegu.
TERMINOLOGIA: Utwór: Jeden ślad; szlak: Nieprzerwana seria odcisków stóp pozostawionych przez pojedyncze zwierzę.
1. Zbieranie śladów stóp
- Przygotowanie poprawek i protokół
- Zbierz następujące materiały do protokołu: drobne grabie lub grube grabie i ubijak, zraszacz ręczny lub konewka, dwie standardowe linijki (cm) lub jedną składaną linijkę stolarską do oprawiania odbitki, standardowy aparat cyfrowy (minimalna rozdzielczość 1 200 x 1 600 pix), parasol do cieniowania w razie potrzeby oraz standardowe etykiety z miejscami na zapis danych do zapisania nazwiska fotografa, data, seria odcisków stóp, identyfikator druku dyskretnego, identyfikator zwierzęcia, lokalizacja i głębokość, jeśli > 2 cm).
- Pracuj wcześnie rano lub późnym popołudniem, aby uzyskać maksymalny kontrast światła na wydrukach. Jeśli nie jest to możliwe, sztuczny cień z parasola może poprawić definicję pięty i palców, gdy słońce jest nad głową.
- Ułóż ścieżkę o głębokości około 1 cm z naturalnego podłoża lub piasku budowlanego. Upewnij się, że ma około 2-3 m szerokości i biegnij przez 3 do 15 m wzdłuż ogrodzenia obwodowego lub zwykłej ścieżki ruchu.
- Zwilż i wygładź podłoże za pomocą standardowych narzędzi ogrodniczych, aby poprawić jakość druku i rozdzielczość. Ręcznie usuń liście i kamyki, jeśli są obecne.
- Zbieranie footprintów dla zestawu danych treningowych
- Zwab geparda przez piaszczystą ścieżkę z nagrodą w postaci jedzenia. Po pozostawieniu śladów odprowadź zwierzę ze ścieżki.
- Po zobrazowaniu każdego śladu stopy (patrz 1.3) należy odgarnąć ślady i przygotować powierzchnię do zarejestrowania następnego śladu.
- Zbieraj tylko odciski lewej tylnej części ciała dla zestawu danych treningowych. Lewa tylna stopa ma palce prowadzące (palec 3), palec 4 i palec 5 tworzące nachylenie w lewo. Przednie stopy są szersze niż tylne stopy. Poświęć czas na naukę ich rozpoznawania przed obrazowaniem.
- Obrazowanie śladów stóp przy użyciu protokołu techniki identyfikacji śladów
- Podkreśl położenie poszczególnych odcisków stóp na szlaku, ręcznie rysując okrąg wokół każdego lewego tylnego odcisku stopy. Użyj kija lub innego odpowiedniego lokalnego narzędzia.
- Zobrazuj pierwszy footprint w następujący sposób
- Umieść skalę metryczną około 1 cm poniżej i po lewej stronie obrysu.
- Pod wagą, nie dotykając odcisku stopy, umieść dowód tożsamości ze zdjęciem i wpisz w wyznaczonych do tego miejscach imię i nazwisko fotografa, datę, serię odcisków stóp, głębokość (jeśli >2 cm), dyskretny identyfikator druku, identyfikator zwierzęcia i lokalizację.
- Usiądź okrakiem na wydruku i skieruj obiektyw aparatu bezpośrednio nad obrysem, aby uniknąć błędu paralaksy na obrazie w odniesieniu do skali lub dowodu tożsamości ze zdjęciem. Użyj statywu lub asystenta, aby sprawdzić, czy to konieczne.
- Upewnij się, że odcisk stopy, linijka i dokument tożsamości ze zdjęciem całkowicie wypełniają ramkę.
- Zbierz około 20 dobrej jakości odcisków lewej tylnej skóry, aby uzupełnić kolekcję tego zwierzęcia. Jeśli 20 odcisków nie jest dostępnych z pierwszej ścieżki, powtórz procesy od 1.1.6 do 1.3.5 z tym samym zwierzęciem.
2. Ekstrakcja cech obrazu przed analizą techniki identyfikacji śladów
- Kliknij dwukrotnie ikonę techniki identyfikacji śladu i otwórz ją jako dodatek do oprogramowania do wizualizacji danych. Obserwuj okno główne na ekranie. Wybierz opcję "Wyodrębnianie cech obrazu", aby wyświetlić to nowe okno. Technika identyfikacji śladów jest uruchamiana na skrypcie oprogramowania do wizualizacji danych w języku kodowania jsl. Menu główne pokazano na rys. 1.
- Za pomocą myszy, przeciągnij i upuść pierwszy obraz footprintu do okna wyodrębniania cech obrazu. Przewodnik po szablonie wyodrębniania funkcji jest wyświetlany po lewej stronie okna.
- Kliknij i wybierz przycisk 'zmień rozmiar', aby upewnić się, że obraz footprintu znajduje się w oknie graficznym. Kliknij najniższe punkty na zewnętrznych palcach (palce 2 i 5), aby umieścić znaczniki, a następnie wybierz opcję "obróć". Zwróć uwagę, że obraz jest obrócony w poziomie na linii łączącej punkty, aby ujednolicić orientację. Obserwuj, że zestaw krzyżyków nitkowych wydaje się być automatycznie używany w kroku 2.6.
- Jeśli głębokość podłoża jest większa niż 1 cm, należy dokonać korekty głębokości algorytmu, klikając przycisk "głębokość podłoża".
- Kliknij, aby umieścić dwa punkty skali w wymaganej skali. W przypadku geparda ustaw skalę na 10 cm, ustaw na polu współczynnika skali.
- Korzystając z szablonu znajdującego się po lewej stronie okna graficznego, umieść kolejno 25 punktów orientacyjnych. Punkty orientacyjne to określone punkty anatomiczne na odcisku stopy, na przykład najbardziej przednie, tylne, boczne i przyśrodkowe punkty każdego palca i pięty. Użyj celownika, aby poprawić dokładność dla początkujących użytkowników. Zwróć uwagę na monit pojawiający się w lewym górnym rogu obrazu, aby pokazać sekwencję punktów.
- Wybierz opcję "Punkty pochodne", aby wygenerować kolejne piętnaście punktów z punktów punktu orientacyjnego. Proces ten zwiększa liczbę zmiennych dostępnych do opracowania algorytmu.
- Wypełnij wszystkie pola danych dla obrazu odcisku stopy: gepard, ślad, szlak, data, godzina i punkt lokalizacji (GPS). Rys. 2 przedstawia etapy 2.2-2.8.
- Naciśnij przycisk "dołącz wiersz", aby wysłać 136 zmiennych skryptowych (odległości, kąty, obszary) do wiersza w bazie danych.
- Powtórz etapy od 2.1 do 2.9 dla wszystkich footprintów, aż baza danych zostanie wypełniona współrzędnymi x.y dla każdego punktu orientacyjnego i punktu pochodnego oraz wszystkimi obliczonymi zmiennymi dla każdego footprintu.
- Skopiuj wszystkie wiersze w bazie danych i wklej je poniżej bazy danych. Ten zestaw duplikacji nazywa się Reference Centroid Value (RCV) i działa w celu ustabilizowania modelu techniki identyfikacji śladów w celu późniejszego porównania parami śladów stóp.
3. Opracowanie algorytmu techniki identyfikacji śladów dla geparda
- Solidna analiza dyskryminacyjna z walidacją krzyżową parami
- Z menu głównego wybierz i otwórz okno solidnej analizy parami z walidacją krzyżową (rys. 3). Model techniki identyfikacji śladów stóp wykorzystuje klasyfikator do określenia prawdopodobieństwa istnienia pary śladów należących do tej samej osoby lub dwóch różnych osób (rys. 4).
- Przeprowadź porównanie parami szlaków, korzystając z bazy danych treningowych znanych osób w następujący sposób:
- Wybierz Cheetah jako "wejście x, kategoria modelu", a szlaki jako "ślady wejściowe". Kolumny y (pomiary śladu), jako zmienne ciągłe, są wypełniane automatycznie.
- Wybierz opcję "Uruchom". Obserwuj pasek postępu pokazujący trwającą analizę. Obserwuj, jak pojawia się tabela danych przedstawiająca porównania szlaków parami.
- Obserwuj dwa wyjścia, przypisaną tabelę self/non-self opisującą odległość klasyfikacji między każdą parą walidacji oraz okno macierzy klasyfikacji pokazujące różne szlaki wybrane do porównania oraz prawdopodobieństwo konturu. Zwróć uwagę na przycisk pokaż model, który pokazuje zmienne używane dla każdego porównania, oraz pole progu odległości, które podaje odległość między centroidami.
- Wybierz przycisk "klastry" u podstawy przypisanej tabeli self/non-self. Zwróć uwagę na dwie tabele. Pierwsza pokazuje odległości między dowolnymi dwoma szlakami. Drugi to dendrogram "klastrowy" – końcowy wynik klasyfikacji wybranych zmiennych. Wizualizuj klastry klasyfikacyjne, klikając dowolną gałąź dendrogramu, aby oznaczyć ją kolorami.
- Przetestuj dokładność klasyfikacji, zmieniając liczbę zmiennych (pomiarów) i prawdopodobieństwo konturu (przedział ufności wokół wartości środka ciężkości). Ponownie zwizualizuj dane w dendrogramie klastra wygenerowanym przy użyciu 18 zmiennych (rys. 5a). Daje to poprawną prognozę siedmiu gepardów. Rysunki 5b (24 zmienne) i c (10 zmiennych) pokazują różne szacunki liczby gepardów uzyskane przez testowanie różnych zmiennych i konturowych danych wejściowych.
UWAGA: Krzywa rozkładu ze skalą ruchomą daje względne prawdopodobieństwo (szansę) przewidywanej liczby zaczynającej się od 100%. W miarę przesuwania skali przesuwania wyświetlane jest względne prawdopodobieństwo dla każdego oszacowania po obu stronach przewidywanej wartości. Rysunek 5d pokazuje wynik z 18 zmiennymi, z przesuwającą się skalą przesuniętą w jednym kierunku, aby pokazać, że szansa na dziesięć gepardów jest mniejsza niż 50%. - Wybierz algorytm, który konsekwentnie zapewnia najwyższą dokładność. Dostosuj wartość progową, aby umożliwić ustawienie algorytmu w taki sposób, aby uzyskać wynik, który najlepiej przybliża liczbę zwierząt znanych w bazie danych treningu (rys. 5a).
- Pełna próba wstrzymania walidacji
Zweryfikuj algorytm zarówno dla oczekiwanej liczby osobników, jak i dokładności klasyfikacji grupowania za pomocą prób wstrzymujących i losowo przydziel poszczególne gepardy w zbiorze danych do zestawów testowych i treningowych (ryc. 6). Kroki, które należy wykonać, są następujące:- Z referencyjnej bazy danych wybierz odpowiedni interwał sekwencyjnego partycjonowania zestawu danych na rozmiary zestawów testowych i treningowych. W przypadku bazy danych gepardów użyj interwału jako 4.
- Losowo wybierz cztery osoby jako zestaw danych testowych (pozostawiając 34 w zestawie treningowym). Ukryj tożsamość czterech wybranych osób testowych.
- Kliknij opcję "Analiza danych parami" i wybierz wszystkie szlaki dla czterech osób testowych.
- Kliknij "Uruchom", aby uruchomić analizę techniki identyfikacji śladu. Analiza da prognozę liczby osób w testowym zbiorze danych. Powtórz ten proces jeszcze dziewięć razy (w sumie 10), za każdym razem losowo wybierając cztery osoby.
- Obliczyć średnią przewidywaną wartość dla tej wielkości badania (tj. cztery). Następnie powtórz proces sekwencyjnie dla ośmiu losowo wybranych osób (w zależności od wielkości interwału), a następnie 12 i tak dalej z dziesięcioma iteracjami dla każdego rozmiaru testu. Oblicz średnią przewidywaną wartość dla każdej wielkości testu.
- Za pomocą oprogramowania do tworzenia wykresów narysuj wykres, jak pokazano na rys. 6. Czerwona linia pokazuje rzeczywisty rozmiar testu wykreślony w stosunku do siebie, zielone gwiazdki pokazują przewidywaną liczbę osób dla każdej iteracji, a niebieska linia pokazuje średnie przewidywane wartości dla każdego rozmiaru testu. Bliskość czerwonych i niebieskich linii jest wskaźnikiem dokładności analizy techniki identyfikacji śladów.
Wyniki
Identyfikacja osobnicza
Możliwość zastosowania techniki identyfikacji śladów w celu klasyfikowania indywidualnych gepardów zależy od dwóch czynników: użycia ujednoliconego protokołu gromadzenia śladów oraz nowego modelu statystycznego opartego na krzyżowo sprawdzonej analizie dyskryminacyjnej parami z analizą skupień Warda. Te czynniki są wspierane przez zintegrowany graficzny interfejs użytkownika do wizualizacji danych (Fig. 1). Wymagane jest minimalne wyposażenie, co czyni tę technikę opłacalną (Lista materiałów). Dane zebrane na podstawie śladów obejmowały liczbę gepardów, liczbę zebranych obrazów śladów, zakres śladów przypadających na jednego geparda, liczbę szlaków, zakres szlaków przypadających na jednego geparda oraz zakres wieku gepardów (Table 1).
Zebrano 781 śladów (kobiety:mężczyźni 395:386) należących do 110 tras, pochodzących od 38 osób, w celu utworzenia zestawu danych uczących. Tabela 1 zawiera podsumowanie zebranych danych. Przy użyciu okna ekstrakcji cech (Ryc. 2) z zestawu 25 punktów orientacyjnych wygenerowano 15 punktów pochodnych na każdym obrazie śladu. Z tych punktów orientacyjnych i pochodnych wygenerowano 136 zmiennych dla każdego śladu, obejmujących odległości, kąty i powierzchnie. Każdy wiersz w bazie danych reprezentował zatem 136 zmiennych wygenerowanych na podstawie pojedynczego śladu. Ślady przetwarzane były według tras. Różna liczba wierszy reprezentowała każdą trasę i była odpowiednio oznaczona.
Dane te zostały powielone w tabeli danych jako jednostka, a następnie określone jako wartość centroidu odniesienia (RCV), która służy do stabilizacji porównania parami śladów niezbędnego do klasyfikacji indywidualnej. Okno analizy parami (Ryc. 3) zostało zaprojektowane w celu ułatwienia weryfikacji danych i/lub testowania danych pochodzących z nieznanych populacji. Ryc. 4 przedstawia wynik porównania parami śladów pochodzących od tej samej osoby (A) oraz dwóch różnych osób (B) na podstawie dostosowanego modelu techniki identyfikacji odcisków stóp. Klasyfikator wbudowany w model opiera się na obecności lub braku nakładania się elips. Należy zauważyć, że analiza jest przeprowadzana dla każdego porównania parami w obecności trzeciej jednostki, tj. wartości centroidu odniesienia (RCV).
Za pomocą niezawodnej, wzajemnie sprawdzanej analizy dyskryminacyjnej połączonej z analizą skupień metodą Warda, opracowano algorytm umożliwiający skuteczną klasyfikację osobników. Algorytm techniki identyfikacji śladów opiera się na trzech regulowalnych elementach: liczbie wykorzystanych pomiarów, wielkości elipsy (zastosowanym przedziale ufności) oraz wartości progowej wyznaczającej granicę odcięcia dla skupień. Każdy z tych elementów jest dostosowywany w oprogramowaniu, aż do osiągnięcia najwyższej dokładności klasyfikacji dla zestawu treningowego zwierząt o znanej tożsamości. Tego samego algorytmu można następnie użyć do identyfikacji nieznanych gepardów. Na przykład rysunek 5a, b i c przedstawia dendrogram prób śladów siedmiu gepardów, pokazujący poprawne przewidywanie, gdy algorytm jest zoptymalizowany (a) oraz w przypadku nieoptymalnego algorytmu (b i c).
Próby z zatrzymaniem zostały przeprowadzone w celu zweryfikowania algorytmu opracowanego na podstawie zestawu treningowego „znanych” osobników. Przeprowadzono je kolejno, zmieniając udział gepardów w zestawach testowych i treningowych. Zamiast przydzielać gepardy do zestawów treningowych i testowych w sposób dowolny, analizy wykonywano sekwencyjnie, zwiększając rozmiar zestawu testowego. Dla każdego zestawu testowego przeprowadzono 10 iteracji, wybierając gepardy losowo w każdej iteracji. Dla każdego zestawu testowego umożliwiano obliczenie wartości średniej. Rysunek 6. przedstawia zmieniający się rozmiar zestawu testowego naniesiony na siebie (czerwony), a na osi y – przewidywaną wartość dla każdej iteracji rozmiaru testowego (zielony) oraz średnią przewidywaną wartość dla każdego rozmiaru testowego (niebieski). Wykres pokazuje, że nawet wtedy, gdy rozmiar zestawu testowego znacznie wzrasta (n=28) w porównaniu z rozmiarem zestawu treningowego (n=10), średnia przewidywana wartość jest zbliżona do wartości oczekiwanej.
Stosując kilka prób kontrolnych, dokładność indywidualnej identyfikacji była konsekwentna >90% zarówno dla przewidywanej liczby osobników, jak i – co równie ważne – klasyfikacji ścieżek, czyli, czy ślady pochodzące od tego samego osobnika (ślady własnego osobnika) oraz ślady pochodzące od różnych osobników (ślady nie-własne) zostały poprawnie sklasyfikowane. Przedstawiono dendrogram skupień obejmujący wszystkie 38 osobniki gepardaRyc. 7). Przeprowadzono 110 prób, uzyskując łącznie 5886 porównań parami. Wśród nich wystąpiło 46 błędnych klasyfikacji, co odpowiada dokładności 99% (Tabela 2).
| Liczba gepardów | Liczba obrazów śladów | Zakres śladów na jednego geparda | Liczba tras | Zakres tras na jednego geparda | Zakres wieku (lata) | |
| Samice | 16 | 386 | 12 - 36 | 55 | 2 - 5 | 2,5 - 8,5 |
| Samce | 22 | 395 | 7 - 32 | 54 | 1 - 4 | 1 - 11 |
| Razem | 38 | 781 | 7 - 36 | 109 | 1 - 5 | 1 - 11 |
Tabela 1. Podsumowanie zebranych danych. Liczba gepardów, liczba zebranych obrazów śladów łap, zakres śladów na jednego geparda, liczba szlaków, zakres szlaków na jednego geparda oraz zakres wiekowy gepardów.
| Własne | Niewłasne | Łącznie | Błędne klasyfikacje | |
| Własne (N) | 117 | 9 | 126 | 9 |
| Własne (%) | 93 | 7 | 100 | 7 |
| Niewłasne (N) | 37 | 5,723 | 5,760 | 37 |
| Niewłasne (%) | 1 | 99 | 100 | 1 |
| Łącznie (N) | - | - | 5,886 | 46 |
| Łącznie (%) | - | - | 100 | 1 |
Tabela 2. Wynik w oprogramowaniu metody identyfikacji śladów pokazuje klasyfikację ścieżek na podstawie porównań parami. „Samo” oznacza ścieżki pochodzące od tej samej osoby, a „nie-samo” – ścieżki od różnych osób. Każda ścieżka była porównywana z każdą inną za pomocą dostosowanego, odpornego modelu analizy dyskryminacyjnej z walidacją krzyżową. 110 ścieżek dało w efekcie 5886 porównań parami, a ogólna dokładność klasyfikacji wyniosła 99%.
Rycina 1. Okno głównego menu startowego w technice identyfikacji odcisków śladów. Jest to dodatek do oprogramowania wizualizacji danych, zaprojektowany do klasyfikowania odcisków śladów według jednostki, płci i klasy wiekowej na podstawie pomiarów morfometrycznych. Interfejs graficzny użytkownika umożliwia płynną nawigację między różnymi opcjami. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rysunek 2. Okno ekstrakcji cech. Możliwości obejmują przeciąganie i upuszczanie obrazów, automatyczne dopasowanie rozmiaru do okna, obracanie obrazów w celu standaryzacji, uwzględnianie głębokości podłoża, itp. Wstępnie przypisane punkty orientacyjne są ręcznie umieszczane i generują serię pochodnych punktów wyznaczonych przez skrypt, umożliwiając ekstrakcję metryk w postaci odległości, kątów i powierzchni. Wynik ma postać wiersza danych zawierającego współrzędne x,y oraz metryki. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Ryc. 3. Okno analizy danych parami w technice identyfikacji śladów. Po utworzeniu bazy danych pomiarów, okno analizy parami służy do weryfikacji danych i/lub testowania danych pochodzących z nieznanych populacji. Analiza opiera się na niestandardowym modelu obejmującym stałą wartość centroidu odniesienia (RCV), który porównuje pary szlaków sekwencyjnie16,17. Końcowym wynikiem jest dendrogram skupień, który pozwala przewidzieć liczbę osobników oraz relacje między szlakami. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 4. Porównania parami. Na rycinie przedstawiono wyniki porównania parami torów pochodzących od tego samego osobnika (A) oraz od dwóch różnych osobników (B), na podstawie spersonalizowanego modelu w oprogramowaniu do wizualizacji danych. Klasyfikator wbudowany w model opiera się na obecności lub braku nakładania się elips. Należy zauważyć, że analizę przeprowadza się dla każdego porównania parami w obecności trzeciego podmiotu, tj. wartości centroidu odniesienia (RCV). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 5. Dendrogram próbki tras siedmiu gepardów, pokazujący poprawne przewidywanie, gdy algorytm jest zoptymalizowany (a) oraz w przypadku algorytmu nieoptymalnego (b i c). d przedstawia wynik dla 18 zmiennych, przy przesunięciu suwaka w jedną stronę, co pokazuje, że szansa dla dziesięciu gepardów jest mniejsza niż 50%. Algorytm opiera się na trzech regulowalnych parametrach: liczbie wykorzystanych pomiarów, wielkości elipsy (używanym przedziale ufności) oraz wartości progowej, która określa wartość odcięcia dla skupień. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 6. Badanie z odłożeniem przeprowadzone sekwencyjnie poprzez zmianę proporcji gepardów w zestawach testowych i uczących. Zamiast arbitralnie przydzielać gepardy do zestawów uczących i testowych, analizę przeprowadzono sekwencyjnie zwiększając rozmiar zestawu testowego. Dla każdego zestawu testowego wykonano dziesięć iteracji, przy czym gepardy były wybierane losowo w każdej iteracji. Dla każdego zestawu testowego umożliwiono obliczenie wartości średniej. Wykres przedstawia zmieniający się rozmiar zestawu testowego naniesiony na siebie (czerwony), a na osi y wartość przewidywaną dla każdej iteracji rozmiaru zestawu testowego (zielony) oraz średnią wartość przewidywaną dla każdego rozmiaru zestawu testowego (niebieski). Wykres pokazuje, że nawet wtedy, gdy rozmiar zestawu testowego jest znacznie zwiększony (n=28) w porównaniu do rozmiaru zestawu uczącego (n=10), średnia wartość przewidywana jest zbliżona do wartości oczekiwanej. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rysunek 7. Dendrogram przedstawiający przewidywane wyniki, gdy wszystkie 110 tras z 38 gepardów są uwzględnione w analizie. Zwróć uwagę na spójność tras tworzących klastry. Ciekawe, że wiele błędnych klasyfikacji wystąpiło między rodzeństwem, np. gepardami Letotse/Duma oraz Vincent/Bonsai. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Dyskusja
W artykule przedstawiono teoretyczne zastosowanie techniki identyfikacji śladów węglowych i jej potencjał jako nowego, opłacalnego, przyjaznego dla społeczności podejścia do monitorowania, a tym samym pomagającego w ochronie gepardów. Kolejnym krokiem w szerszym zastosowaniu narzędzia będą bardziej szeroko zakrojone testy terenowe z populacjami gepardów na obszarach występowania.
Technika identyfikacji śladów różni się od poprzednich prób identyfikacji osób na podstawie odcisków stóp pod kilkoma kluczowymi względami; Ustandaryzowany i rygorystyczny protokół zbierania śladów, usprawniony graficzny interfejs użytkownika, orientacja i optymalizacja obrazów przed analizą oraz nowy model statystyczny do klasyfikacji.
Istnieje kilka krytycznych kroków niezbędnych do powodzenia protokołu. Po pierwsze, szlaki piaskowe muszą być odpowiednio przygotowane, a zwierzę prowadzone po piasku w normalnym, zrelaksowanym tempie chodzenia. Podczas obrazowania śladów stóp fotograf musi znajdować się bezpośrednio nad środkiem odbitki. Często warto mieć obserwatora, który to sprawdzi. Wreszcie, bardzo ważne jest, aby fotograf (lub asystent, który może być ekspertem w dziedzinie tropienia) był w stanie zidentyfikować odcisk stopy geparda na ziemi i posiadał umiejętność śledzenia śladu śladów stóp do przodu lub do tyłu wzdłuż linii podróży.
Umiejętności śledzenia są niezbędne do skutecznego dalszego wdrażania tej techniki monitorowania nieznanych lub wolno żyjących gepardów. Brak umiejętności może prowadzić do zbierania niewystarczająco dobrze zdefiniowanych śladów stóp lub pomylenia szlaków różnych zwierząt, które mogą podróżować razem. Ten ostatni punkt jest szczególnie ważny w przypadku gepardów, gdzie młode samce czasami tworzą koalicje 3 lub więcej zwierząt, które poruszają się razem. Problem ten został jednak rozwiązany w przypadku innego gatunku społecznego, nosorożca białego, w przypadku którego grupy składające się z maksymalnie 13 osobników poruszających się razem zostały prawidłowo zidentyfikowane za pomocą techniki identyfikacji śladów przy użyciu śledzenia śladów do przodu lub do tyłu (Alibhai i in. 2008)17.
Chociaż obecnie pozostało niewielu ekspertów w dziedzinie tropienia rdzennych mieszkańców, podejmowane są wspólne wysiłki, aby nawiązać z nimi kontakt i przekazać ich umiejętności młodszym członkom ich społeczności. Jedna z takich inicjatyw, Akademia Starożytnych Umiejętności, będzie prowadzona przez Fundację N/a'an ku sê w Namibii. Podobnie, szybki rozwój programów certyfikacji szkoleń dla tropicieli umożliwia naukowcom i przyrodnikom-amatorom naukę tych podstawowych technik terenowych.
Dokładne ręczne pozycjonowanie punktów orientacyjnych na obrazach śladów stóp ma kluczowe znaczenie dla dokładności tej techniki. Również w tym przypadku operatorzy muszą być zaznajomieni z podstawową anatomią stopy i wynikającym z niej odciskiem stopy. Autorzy próbują obecnie opracować automatyzację, aby zminimalizować związaną z tym pracę ręczną i pomóc rozwiązać wszelkie problemy związane ze standaryzacją u różnych operatorów. W międzyczasie zaleca się po prostu, aby za rozmieszczenie punktów orientacyjnych odpowiadał jeden operator w każdym miejscu polowym. Trwają prace nad zaangażowaniem naukowców obywatelskich w gromadzenie i analizę danych, co znacznie wzmocni zastosowania w terenie. Pomimo obecnych ograniczeń, ten protokół oprogramowania został z powodzeniem wdrożony w terenie dla wielu gatunków, w tym nosorożca czarnego i białego, tapira nizinnego i tygrysa amurskiego.
Praca z odciskami stóp ma jedno oczywiste ograniczenie – podłoże musi pozwalać na ich wyraźne odczucie. Odbitki częściowe lub wydruki o niskiej jakości zapewniają niewystarczającą szczegółowość32. Jednak duże obszary zasięgu gepardów są idealne do zbierania odcisków stóp, a w przypadku małych, w inny sposób nieodpowiednich obszarów może być nawet możliwe obejście tego ograniczenia poprzez umieszczenie sztucznych śladów piasku w celu zebrania śladów stóp. Te podkładki wyciskowe mogą być skutecznie stosowane w połączeniu z fotopułapkami, na przykład przy znanych słupkach/drzewach oznaczających gepardy. Umiejętności śledzenia i wiedza lokalna mogą znacznie pomóc w zlokalizowaniu i zidentyfikowaniu obszarów odpowiedniego podłoża.
Ponieważ technika identyfikacji śladów stóp jest nieinwazyjna, nie powoduje żadnych zakłóceń w ekologii ani zachowaniu zwierzęcia. Wiele badań wykazało potencjalne i rzeczywiste ryzyko wychwytywania, unieruchomienia, obsługi i montażu oprzyrządowania, koszty ponoszone w związku z takimi praktykami oraz ryzyko gromadzenia niewiarygodnych danych33. Identyfikacja śladów jako technika ma jeszcze jedną zaletę w zarządzaniu ochroną przyrody. Opierając się na tradycyjnych umiejętnościach śledzenia i efektywności kosztowej, może zaangażować wcześniej marginalizowane społeczności lokalne w procesy monitorowania ochrony przyrody. Stander34 i Liebenberg35 niezależnie od siebie odnieśli się do umiejętności monitorowania ochrony przyrody i wartości włączenia tych grup.
Przyszłe postępy w zakresie możliwości identyfikacji śladów stóp w celu monitorowania gepardów są w toku i obejmują próby terenowe w celu walidacji gepardów żyjących na wolnym wybiegu, tworzenie algorytmów klas wiekowych (w tym zmian w morfologii stóp osobników w czasie) oraz kontrolę podłoża. Autorzy badają również techniki widzenia komputerowego, które umożliwiają segmentację obrazu w celu optymalizacji dokładności i spójności w oznaczaniu punktów orientacyjnych.
Ponieważ ślady stóp są jednym z najbardziej wszechobecnych znaków zwierzęcych i często są znacznie łatwiejsze do znalezienia niż same zwierzęta, szersze zastosowanie identyfikacji śladów stóp może być przełomowe w monitorowaniu ochrony przyrody. Szacuje się, że główne chronione obszary lądowe na świecie są odwiedzane w celach rekreacyjnych przez osiem miliardów osób rocznie36. Większość odwiedzających nosi teraz smartfony. Korzystając z aplikacji opracowywanej dla WildTrack, gromadzenie danych o śladach będzie proste i szybkie, co może potencjalnie wpłynąć na zestaw danych o niespotykanej dotąd wielkości próbki i skali przestrzennej. Dzięki ekonomicznemu protokołowi gromadzenia danych, technika identyfikacji śladów łatwo dostosowuje się do dowolnego zestawu narzędzi do ochrony przyrody. Jako system klasyfikacji obrazów, jego solidny model może mieć również zastosowanie w medycynie, kryminalistyce i egzekwowaniu prawa (np. Zwalczanie kłusownictwa).
Oświadczenia
Opłaty za publikację tego artykułu wideo zostały opłacone przez SAS Institute, Inc.
Podziękowania
Autorzy pragną podziękować za wsparcie Fundacji N/a'an ku sê, Namibia; oddziału JMP (jmp.com) SAS (sas.com) USA; Chester Zoo, Wielka Brytania, Cheetah Conservation Botswana, Botswana; oraz Fundacja SPOTS, Holandia.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Łopata | |||
| Grabie | |||
| Ubijak | |||
| Rzeka lub budowniczowie Wiadra | |||
| Konewka lub opryskiwacz | |||
| Aparat | |||
| Papier do dowodu tożsamości ze zdjęciem poślizgi | http://wildtrack.org/citizen-science/photographing-footprints/ | ||
| Miara | |||
| Laptop lub komputer | |||
| Oprogramowanie | |||
| Dodatek do techniki identyfikacji śladów stóp do oprogramowania |
Bibliografia
- Durant, S., et al. Acinonyx jubatus. The IUCN Red List of Threatened Species. Version 2015.2. , Available from: http://www.iucnredlist.org/details/219/0 (2015).
- 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).
- Nowell, K. Namibia cheetah conservation strategy. , Ministry of Environment and Tourism, Government of Namibia. 78 (1996).
- Stein, A. B., Aschenborn, O., Kastern, M., Andreas, A., Thompson, S. Namibia Large Carnivore Atlas. , Ministry of Environment and Tourism, Government of Namibia. 12 (2012).
- Jewell, Z. C., Alibhai, S. K. Identifying Endangered Species from Footprints. , The International Society for Optics and Photonics (SPIE) Newsroom. (2013).
- 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).
- 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. , IUCN/Cat Specialist Group. Gland, Switzerland. 44-46 (2007).
- 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).
- Mendelsohn, J. Farming systems in Namibia; A publication for the Namibia National Farmers Union (NNFU). , RAISON. Windhoek, Namibia. (2006).
- Marker, L., Dickman, A., Wilkinson, C., Schumann, B., Fabiano, E. The Namibian cheetah: Status report. Cat News. 3, 4-13 (2007).
- 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).
- 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).
- 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).
- Wachter, B., et al. The use of data from VHF and GPS radio-collared cheetahs to decrease conflicts between cheetahs and farmers in Namibia. Proceedings of the European Telemetry Conference, 26, 556-567 (2006).
- Kelly, M. J. Computer-aided photograph matching in studies using individual identification: an example from Serengeti cheetahs. J. Mammal. 82 (2), 440-449 (2001).
- 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).
- 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).
- 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).
- 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).
- Panwar, H. S. A note on tiger census technique based on pugmark tracings. Indian For. (Special Issue), 70-77 (1979).
- Sagar, S. R., Singh, L. A. K. Technique to distinguish gender of tiger (Panthera tigris) from pugmarks. Indian For. 117, 24-28 (1993).
- 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).
- 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).
- 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).
- Gore, A. P., et al. Tiger census: role of quantification. Curr. Sci. 64, 711-714 (1993).
- McDougal, C. You can tell some tigers by their footprints with confidence. Riding the tiger. Seidensticker, J., Christie, S., Jackson, P. , Cambridge University Press. Cambridge, England, United Kingdom. (1999).
- Sharma, S., Jhala, Y., Sawarkar, V. B. Gender discrimination of tigers by using their pugmarks. Wildl. Soc. Bull. 31 (1), 258-264 (2003).
- Sharma, S., Jhala, Y., Sawarkar, V. B. Identification of individual tigers (Panthera tigris) from their pugmarks. J. Zool. 267 (1), 9-18 (2005).
- Sharma, S., Wright, B. Monitoring tigers in Ranthambore using the digital pugmark technique. , Wildlife Protection Society of India. New Delhi, India. (2005).
- Riordan, P. Unsupervised recognition of individual tigers and snow leopards from their footprints. Anim. Conserv. 1 (4), 253-262 (1998).
- 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).
- Laity, K. M. Field Validation of the Footprint Identification Technology on Free-roaming Cheetahs in Namibia. , Duke University. (2015).
- Jewell, Z. Effect of monitoring technique on quality of conservation science. Conserv. Biol. 27 (3), 501-508 (2013).
- 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).
- Liebenberg, L., Blake, E., Steventon, L., Benadie, K., Minye, J. Integrating traditional knowledge with computer science for the conservation of biodiversity. 8th International Conference on Hunting and Gathering Societies Foraging and Post-Foraging Societies: History, Politics, and Future, , 26-30 (1998).
- 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).
Przedruki i uprawnienia
