Name: Spotting Cheetahs: Indivíduos Identificação por suas pegadas (Vídeo) | JoVE Journal
Uploaded: 2016-05-01T14:00:00.000+00:00
Duration: 9 min 47 s
Description: Descubra uma técnica computacional de identificação de pegadas para monitorar guepardos individualmente usando análise de imagens digitais. Este método não invasivo oferece dados confiáveis para conservação da vida selvagem.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Os autores gostariam de agradecer o apoio da Fundação N/a'an ku sê, Namíbia; da divisão JMP (jmp.com) do SAS (sas.com) EUA; Zoológico de Chester, Reino Unido, Cheetah Conservation Botswana, Botswana; e Fundação SPOTS, Holanda.

ÉTICA DECLARAÇÃO: A técnica de identificação da pegada é uma técnica não-invasiva. Não foram tomadas amostras biológicas. foram utilizados chita cativo Só registrado com documentos relativos à licença. participação Cheetah limitou-se a caminhar ao longo de uma trilha de areia para deixar pegadas em troca de uma recompensa alimentar. NOTA: Este protocolo explica o uso de um software de visualização de dados, como JMP, a seguir referida como &quot;software de visualização de dados &#39;para classificar pegadas utilizando a técnica de identificação da pegada. Declaração de segurança: Cheetahs nunca à esquerda sem vigilância (2 pessoas) e foram colocados em instalações de detenção separadas sempre que possível. guepardos em cativeiro utilizados para a manipulação foram atraídos diretamente sobre uma pista de areia para fazer pegadas. Outros animais menos passíveis de manipulação foram atraídos de fora do gabinete. Terminologia: Pista: Uma pegada; Trail: An usérie nbroken de pegadas feitas por um único animal. 1. Pegadas Coletando <ol><li> Preparação Patch e protocolo <ol><li> Reúna os seguintes materiais para o protocolo: um ancinho multa, ou um ancinho grosseira e adulteração, sprinkler mão ou regador, duas réguas padrão (cm) ou um carpinteiros &#39;régua de dobradura para enquadrar a impressão, uma câmera digital padrão (resolução mínima de 1200 x 1600 pix), um guarda-chuva para a máscara, se necessário e padrão etiquetas pegada com espaços de gravação de dados para registrar o nome do fotógrafo, data, série pegada, discreta ID de impressão, ID animal, localização e profundidade, se&gt; 2 cm). </li><li> Trabalhar de manhã cedo ou no fim da tarde para o contraste de luz máxima nas impressões. Se isso não for possível, sombra artificial de um guarda-chuva pode melhorar calcanhar e toe definição pad quando o sol está em cima. </li><li> Coloque um caminho de cerca de 1 cm de profundidade de qualquer substrato natural ou areia para a construção. Certifique-se que aproximadamente é2-3 m de largura e correr para entre 3 e 15 m ao longo de uma cerca de perímetro ou caminho movimento habitual. </li><li> Molhada e lisa do substrato com ferramentas de jardinagem padrão para melhorar a qualidade de impressão e definição. remover manualmente folhas e pedras, se estiver presente. </li></ol></li><li> Coletando pegadas para o conjunto de dados de treinamento <ol><li> Atrair a chita através do trajeto de areia com uma recompensa alimentar. Após as pegadas foram feitas, levar o animal fora do caminho. </li><li> Depois de imagiologia cada trilha pegada (ver 1.3), escovar as faixas de distância e preparar a superfície para gravar a próxima trilha. </li><li> Recolhemos apenas impressões traseira esquerda para o conjunto de dados de treinamento. A pata traseira esquerda tem o dedo do pé de liderança (tep 3), dedo do pé 4 e 5 pés fazendo uma inclinação para a esquerda. patas dianteiras são mais amplos do que os pés traseiros. Gastar tempo aprendendo como identificá-los antes de imagem. </li></ol></li><li> Imaging o pegadas utilizando o protocolo técnica de identificação pegada <ol&gt; <li> Realçar a posição das pegadas individuais ao longo da trilha, chamando manualmente um círculo em torno de cada pegada traseira esquerda. Use um pedaço de pau ou qualquer outra ferramenta local adequada. </li><li> Imagem a primeira pegada da seguinte forma <ol><li> Coloque uma escala métrica de cerca de 1 cm abaixo e à esquerda da pegada. </li><li> Sob a escala, e não tocar a pegada, coloque uma folha de identificação com fotografia, e escrever nos espaços pré-definidos para o nome do fotógrafo, data, série pegada, profundidade (se&gt; 2 cm) discreta de impressão, ID de animais e localização. </li></ol></li><li> Ficar em cima do impressão e apontar a lente da câmera diretamente em cima da pegada, para evitar qualquer erro de paralaxe na imagem com relação à escala ou fotografia deslizamento ID. Use um tripé ou um assistente para verificar se necessário. </li><li> Certifique-se de que a pegada, regra e identidade com foto deslizar completamente preencher o quadro. </li><li> Recolher cerca de 20 bons deixaram impressões de qualidade traseiras para completar a coleção para esse animal. Se 20 prints não estão disponíveis a partir da primeira pista, processos de repetição a partir de 1.1.6 a 1.3.5 com o mesmo animal. </li></ol></li></ol> 2. Imagem recurso de extração Antes da Análise Técnica Footprint Identification <ol><li> Dê um duplo clique no ícone técnica de identificação pegada e abri-lo como um add-in para o software de visualização de dados. Observe a janela inicial na tela. Selecione &#39;Imagem recurso de extração&#39; para mostrar esta nova janela. A técnica de identificação da pegada é executado em um script de software de visualização de dados na JSL linguagem de codificação. O menu principal está representado na fig. 1. </li><li> Usando um mouse, arrastar e soltar a imagem primeira pegada na janela de extração do recurso de imagem. Um guia modelo de extração de recurso é mostrado no lado esquerdo da janela. </li><li> Clique e selecione o botão &#39;redimensionamento&#39; para assegurar que a imagem pegada é dentro da janela de gráficos. Clique nos pontos mais baixos nos dedos fora (dedos 2e 5) para colocar marcadores e, em seguida, selecione &#39;rodar&#39;. Observa-se que a imagem é girada horizontalmente na linha que une os pontos, para padronizar orientação. Observar um conjunto de linhas de referência aparecem automaticamente para ser utilizado no passo 2.6. </li><li> Se o substrato é mais do que 1 cm de profundidade, efectuar uma correcção profundidade para o algoritmo, clicando no botão &quot;profundidade substrato&quot;. </li><li> Clique para colocar dois pontos de escala na escala necessária. Para a chita definir a escala a 10 cm, definidos na caixa de fator de escala. </li><li> Usando o modelo do lado esquerdo da janela de gráficos, colocar 25 pontos marco sequencialmente. pontos de referência são definidos pontos anatômicos sobre a pegada, por exemplo, o mais anterior, posterior, pontos lateral e medial de cada dedo do pé e do calcanhar. Use a mira para melhorar a precisão para usuários iniciantes. Observar um aviso aparecerá no canto superior esquerdo da imagem para mostrar a sequência de pontos. </li><li> Selecione &#39;pontos derivados »para gerar mais quinze pontos from os pontos de referência. Este processo aumenta o número de variáveis ​​disponíveis para o desenvolvimento de algoritmos. </li><li> Preencha todos os campos de dados para a imagem Pegada; chita, pista, rastro, data, hora e ponto de localização (GPS). Fig. 2 mostra estágios 2,2-2,8. </li><li> Pressione o botão &quot;acrescentar linha &#39;para enviar 136 variáveis ​​de script (distâncias, ângulos, áreas) para uma linha no banco de dados. </li><li> Repita as etapas 2.1 a 2.9 para todas as pegadas até o banco de dados é preenchida com as coordenadas XY para cada marco e ponto de origem e com todas as variáveis ​​calculadas para cada pegada. </li><li> Copiar todas as linhas no banco de dados e colá-los abaixo do banco de dados. Este conjunto de duplicação é chamado de Referência Centróide Valor (RCV) e atua para estabilizar o modelo de técnica de identificação da pegada de comparação par a par subsequente de trilhas pegada. </li></ol> 3. Desenvolvimento do Algoritmo Técnica Pegada Identificação para o Cheetah <ol&gt; <li> Análise discriminante cross-validado robusta Pairwise <ol><li> A partir do menu principal, selecione e abra a janela de análise robusta de pares cross-validado (Fig. 3). O modelo de técnica de identificação pegada utiliza um classificador para determinar a probabilidade de um par de trilhas pertencentes ao mesmo indivíduo ou dois indivíduos diferentes (Fig. 4). </li><li> Realizar uma comparação de pares de trilhas usando o banco de dados de formação de indivíduos conhecidos como segue: <ol><li> Selecione Cheetah como &#39;input x, categoria de modelo&#39;, e trilhas como &quot;trilhas de entrada &#39;. As colunas y (medidas pegada), como variáveis ​​contínuas, são preenchidos automaticamente. </li><li> Seleccione &quot;Executar&quot;. Observe a barra de progresso que mostra a análise em curso. Observar uma tabela de dados aparecem mostrando as comparações de pares de trilhas. </li><li> Observe duas saídas, uma mesa de self / non-self designado para descrever a distância de classificação entre cada vALIDAÇÃO par, e uma janela de matrizes de classificação que indica os diferentes caminhos seleccionados para comparação, e a probabilidade de contorno. Observe o botão modelo mostram que mostra as variáveis ​​utilizadas para cada comparação, ea caixa limite a distância que indica a distância entre centróides. </li><li> Selecione o botão &quot;clusters&quot; na base da tabela self / non-self atribuído. Observe duas tabelas. O primeiro mostra distâncias entre quaisquer duas trilhas. O segundo é um dendrograma &quot;cluster&quot; - o resultado final para a classificação das variáveis ​​escolhidas. Visualize os clusters de classificação clicando em qualquer ramo do dendrograma a cor code-lo. </li><li> Testar a precisão da classificação, por variação do número de variáveis ​​(medições) e a probabilidade de contorno (o intervalo de confiança em torno do valor centróide). Re-visualizar os dados no dendrograma agrupamento gerado utilizando 18 variáveis ​​(Fig. 5a). Isto dá a previsão correcta de setechitas. Figuras 5b (24 variáveis) e C (10 variáveis) mostram diferentes estimativas de números de chita obtidos testando diferentes insumos variáveis ​​e probabilidade de contorno. NOTA: A curva de distribuição com a escala deslizante dá a probabilidade relativa (possibilidade) de o número previsto começando com 100%. À medida que a escala de deslizamento é movida a probabilidade relativa de cada estimativa de cada lado do valor previsto é mostrada. A Figura 5D mostra o resultado com 18 variáveis, com a escala deslizante movido numa direcção para mostrar que a chance de dez chitas é menos do que 50 %. </li><li> Selecione o algoritmo que dá consistentemente a mais alta precisão. Ajustar o valor de limiar para permitir que o algoritmo a ser ajustado para produzir o resultado que melhor aproxima-se ao número de animais conhecidos na base de dados de treinamento (Fig. 5a). </li></ol></li></ol></li><li> Julgamento de retenção integral para validação &lt;br /&gt; Validar o algoritmo, tanto para o número esperado de indivíduos e a precisão da classificação de agrupamento utilizando ensaios de retenção e distribuir aleatoriamente a chita individual no conjunto de dados para testar e conjuntos de treinamento (Fig. 6). As etapas para usar são os seguintes: <ol><li> A partir da base de dados de referência, decidir sobre um intervalo adequado para o particionamento sequencial do conjunto de dados em tamanhos de teste e do conjunto de treinamento. Para o banco de chita, utilize o intervalo de 4. </li><li> Aleatoriamente selecionar quatro indivíduos como o conjunto de dados de teste (deixando 34 no conjunto de treinamento). Esconder as identidades dos quatro indivíduos de teste selecionado. </li><li> Clique na opção &quot;Análise de Dados Pairwise&quot; e selecione todas as trilhas para os quatro indivíduos do teste. </li><li> Clique em &quot;Executar&quot; para iniciar a análise técnica de identificação da pegada. A análise irá dar uma previsão para o número de indivíduos no conjunto de dados de teste. Iterar este processo mais nove vezes (total de 10), cada umtempo que seleciona aleatoriamente quatro indivíduos. </li><li> Calcular o valor médio previsto para esse tamanho de teste (isto é, quatro). Em seguida, repetir o processo sequencial de oito indivíduos escolhidos aleatoriamente (dependendo do tamanho do intervalo) e, em seguida, 12 e assim por diante com dez iterações para cada tamanho de teste. Calcular o valor previsto média para cada tamanho de teste. </li><li> Utilizando um lote de software graficamente num gráfico, como mostrado na Fig. 6. A linha vermelha mostra o tamanho de teste real plotados contra si, os asteriscos verdes mostram o número previsto de indivíduos para cada iteração e a linha azul mostra os valores previstos médios para cada tamanho de teste. A proximidade das linhas vermelha e azul é um indicador da precisão da análise técnica de identificação da pegada. </li></ol></li></ol>

<ol><li>Durant, S., et al. Acinonyx jubatus. The IUCN Red List of Threatened Species. Version 2015.2. , Available from:
 <a target="_blank" href="http://www.iucnredlist.org/details/219/0">http://www.iucnredlist.org/details/219/0</a> (2015).</li>
<li>Zanin, M., Palomares, F., Brito, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((What+we+%28don%27t%29+know+about+the+effects+of+habitat+loss+and+fragmentation+on+felids%5BTitle%5D)+AND+%22Oryx%22%5BJournal%5D)">What we (don't) know about the effects of habitat loss and fragmentation on felids.</a> Oryx. 49 (1), 96-106 (2015).</li>
<li>Nowell, K. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aNowell%2C+K+%22Namibia+cheetah+conservation+strategy%22">Namibia cheetah conservation strategy</a>. , Ministry of Environment and Tourism, Government of Namibia. 78 (1996).</li>
<li>Stein, A. B., Aschenborn, O., Kastern, M., Andreas, A., Thompson, S. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aStein%2C+AB+%22Namibia+Large+Carnivore+Atlas%22">Namibia Large Carnivore Atlas</a>. , Ministry of Environment and Tourism, Government of Namibia. 12 (2012).</li>
<li>Jewell, Z. C., Alibhai, S. K. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aJewell%2C+ZC+%22Identifying+Endangered+Species+from+Footprints%22">Identifying Endangered Species from Footprints</a>. , The International Society for Optics and Photonics (SPIE) Newsroom. (2013).</li>
<li>Johnson, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modeling+the+viability+of+the+free-ranging+cheetah+population+in+Namibia%3A+an+object-oriented+Bayesian+network+approach%5BTitle%5D)+AND+%22Ecosphere%22%5BJournal%5D)">Modeling the viability of the free-ranging cheetah population in Namibia: an object-oriented Bayesian network approach.</a> Ecosphere. 4 (7), art 90(2013).</li>
<li>Purchase, G., Marker, L., Marnewick, K., Klein, R., Williams, S. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aPurchase%2C+G+%22Regional+assessment+of+the+status%2C+distribution+and+conservation+needs+of+cheetahs+in+southern+Africa.+Status+and+conservation+needs+of+cheetahs+in+southern+Africa%22">Regional assessment of the status, distribution and conservation needs of cheetahs in southern Africa. Status and conservation needs of cheetahs in southern Africa</a>. , IUCN/Cat Specialist Group. Gland, Switzerland. 44-46 (2007).</li>
<li>Lindsey, P. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determinants+of+persistence+and+tolerance+of+carnivores+on+Namibian+ranches%3A+Implications+for+conservation+on+southern+African+private+lands%5BTitle%5D)+AND+%22PLoS+ONE%22%5BJournal%5D)">Determinants of persistence and tolerance of carnivores on Namibian ranches: Implications for conservation on southern African private lands.</a> PLoS ONE. 8 (1), e52458(2013).</li>
<li>Mendelsohn, J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMendelsohn%2C+J+%22Farming+systems+in+Namibia%3B+A+publication+for+the+Namibia+National+Farmers+Union+%28NNFU%29%22">Farming systems in Namibia; A publication for the Namibia National Farmers Union (NNFU)</a>. , RAISON. Windhoek, Namibia. (2006).</li>
<li>Marker, L., Dickman, A., Wilkinson, C., Schumann, B., Fabiano, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Namibian+cheetah%3A+Status+report%5BTitle%5D)+AND+%22Cat+News%22%5BJournal%5D)">The Namibian cheetah: Status report.</a> Cat News. 3, 4-13 (2007).</li>
<li>Boast, L. K., Good, K., Klein, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Translocation+of+problem+predators%3A+is+it+an+effective+way+to+mitigate+conflict+between+farmers+and+cheetahs+Acinonyx+jubatus.+in+Botswana%3F%5BTitle%5D)+AND+%22Oryx%22%5BJournal%5D)">Translocation of problem predators: is it an effective way to mitigate conflict between farmers and cheetahs Acinonyx jubatus. in Botswana?</a> Oryx. (1365-3008), 1-8 (2015).</li>
<li>Weise, F. J., Stratford, K. J., van Vuuren, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Financial+Costs+of+Large+Carnivore+Translocations+-+Accounting+for+Conservation%5BTitle%5D)+AND+%22PLoS+ONE%22%5BJournal%5D)">Financial Costs of Large Carnivore Translocations - Accounting for Conservation.</a> PLoS ONE. 9 (8), e105042(2014).</li>
<li>Marnewick, K., Funston, P. J., Karanth, K. U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+camera+trapping+as+a+method+for+estimating+cheetah+abundance+in+ranching+areas%5BTitle%5D)+AND+%22S.+Afr.+J.+Wildl.+Res%22%5BJournal%5D)">Evaluating camera trapping as a method for estimating cheetah abundance in ranching areas.</a> S. Afr. J. Wildl. Res. 38 (1), 59-65 (2008).</li>
<li>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).</li>
<li>Kelly, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computer-aided+photograph+matching+in+studies+using+individual+identification%3A+an+example+from+Serengeti+cheetahs%5BTitle%5D)+AND+%22J.+Mammal%22%5BJournal%5D)">Computer-aided photograph matching in studies using individual identification: an example from Serengeti cheetahs.</a> J. Mammal. 82 (2), 440-449 (2001).</li>
<li>Jewell, Z. C., Alibhai, S. K., Law, P. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Censusing+and+monitoring+black+rhino+%28Diceros+bicornis.%29+using+an+objective+spoor+%28footprint%29+identification+technique%5BTitle%5D)+AND+%22J.+Zool%22%5BJournal%5D)">Censusing and monitoring black rhino (Diceros bicornis.) using an objective spoor (footprint) identification technique.</a> J. Zool. 254 (1), 1-16 (2001).</li>
<li>Alibhai, S. K., Jewell, Z. C., Law, P. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+footprint+technique+to+identify+white+rhino+Ceratotherium+simum+at+individual+and+species+levels%5BTitle%5D)+AND+%22Endanger.+Species+Res%22%5BJournal%5D)">A footprint technique to identify white rhino Ceratotherium simum at individual and species levels.</a> Endanger. Species Res. 4, 205-218 (2008).</li>
<li>Gu, J., Alibhai, S. K., Jewell, Z. C., Jiang, G., Ma, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sex+determination+of+Amur+tigers+%28Panthera+tigris+altaica%29+from+footprints+in+snow%5BTitle%5D)+AND+%22Wildl.+Soc.+Bull%22%5BJournal%5D)">Sex determination of Amur tigers (Panthera tigris altaica) from footprints in snow.</a> Wildl. Soc. Bull. 38 (3), 495-502 (2014).</li>
<li>Jewell, Z. C., Alibhai, S. K., Evans, J. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Monitoring+mountain+lion+using+footprints%3A+A+robust+new+technique%5BTitle%5D)+AND+%22Wild+Felid+Monitor%22%5BJournal%5D)">Monitoring mountain lion using footprints: A robust new technique.</a> Wild Felid Monitor. 7 (1), 26-27 (2014).</li>
<li>Panwar, H. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+note+on+tiger+census+technique+based+on+pugmark+tracings%5BTitle%5D)+AND+%22Indian+For%22%5BJournal%5D)">A note on tiger census technique based on pugmark tracings.</a> Indian For. (Special Issue), 70-77 (1979).</li>
<li>Sagar, S. R., Singh, L. A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Technique+to+distinguish+gender+of+tiger+%28Panthera+tigris%29+from+pugmarks%5BTitle%5D)+AND+%22Indian+For%22%5BJournal%5D)">Technique to distinguish gender of tiger (Panthera tigris) from pugmarks.</a> Indian For. 117, 24-28 (1993).</li>
<li>Lewison, R., Fitzhugh, E. L., Galentine, S. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validation+of+a+rigorous+track+classification+technique%3A+identifying+individual+mountain+lions%5BTitle%5D)+AND+%22Biol.+Conserv%22%5BJournal%5D)">Validation of a rigorous track classification technique: identifying individual mountain lions.</a> Biol. Conserv. 99 (3), 313-321 (2001).</li>
<li>Smallwood, K. S., Fitzhugh, E. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+track+count+for+estimating+mountain+lion+Felis+concolor+californica++population+trend%5BTitle%5D)+AND+%22Biol.+Conserv%22%5BJournal%5D)">A track count for estimating mountain lion Felis concolor californica population trend.</a> Biol. Conserv. 71 (3), 251-259 (1995).</li>
<li>Scharis, I., Rasmussen, G. S. A., Laska, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+morphometrics+to+quantitatively+differentiate+African+wild+dog+footprints+from+domestic+dog+footprints+-+a+pilot+study%5BTitle%5D)+AND+%22Afr.+J.+Ecol%22%5BJournal%5D)">Using morphometrics to quantitatively differentiate African wild dog footprints from domestic dog footprints - a pilot study.</a> Afr. J. Ecol. 54 (1), 3-8 (2015).</li>
<li>Gore, A. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tiger+census%3A+role+of+quantification%5BTitle%5D)+AND+%22Curr.+Sci%22%5BJournal%5D)">Tiger census: role of quantification.</a> Curr. Sci. 64, 711-714 (1993).</li>
<li>McDougal, C. You can tell some tigers by their footprints with confidence. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMcDougal%2C+C+%22Riding+the+tiger%22">Riding the tiger</a>. Seidensticker, J., Christie, S., Jackson, P. , Cambridge University Press. Cambridge, England, United Kingdom. (1999).</li>
<li>Sharma, S., Jhala, Y., Sawarkar, V. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gender+discrimination+of+tigers+by+using+their+pugmarks%5BTitle%5D)+AND+%22Wildl.+Soc.+Bull%22%5BJournal%5D)">Gender discrimination of tigers by using their pugmarks.</a> Wildl. Soc. Bull. 31 (1), 258-264 (2003).</li>
<li>Sharma, S., Jhala, Y., Sawarkar, V. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+individual+tigers+%28Panthera+tigris%29+from+their+pugmarks%5BTitle%5D)+AND+%22J.+Zool%22%5BJournal%5D)">Identification of individual tigers (Panthera tigris) from their pugmarks.</a> J. Zool. 267 (1), 9-18 (2005).</li>
<li>Sharma, S., Wright, B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSharma%2C+S+%22Monitoring+tigers+in+Ranthambore+using+the+digital+pugmark+technique%22">Monitoring tigers in Ranthambore using the digital pugmark technique</a>. , Wildlife Protection Society of India. New Delhi, India. (2005).</li>
<li>Riordan, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Unsupervised+recognition+of+individual+tigers+and+snow+leopards+from+their+footprints%5BTitle%5D)+AND+%22Anim.+Conserv%22%5BJournal%5D)">Unsupervised recognition of individual tigers and snow leopards from their footprints.</a> Anim. Conserv. 1 (4), 253-262 (1998).</li>
<li>Law, P. R., Jewell, Z. C., Alibhai, S. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+shape+and+size+to+quantify+variation+in+footprints+for+individual+identification%3A+case+study+with+white+rhino+%28Ceratotherium+simum%29%5BTitle%5D)+AND+%22Wildl.+Soc.+Bull%22%5BJournal%5D)">Using shape and size to quantify variation in footprints for individual identification: case study with white rhino (Ceratotherium simum).</a> Wildl. Soc. Bull. 37 (2), 4-33 (2013).</li>
<li>Laity, K. M. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Field+Validation+of+the+Footprint+Identification+Technology+on+Free-roaming+Cheetahs+in+Namibia%22">Field Validation of the Footprint Identification Technology on Free-roaming Cheetahs in Namibia</a>. , Duke University. (2015).</li>
<li>Jewell, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effect+of+monitoring+technique+on+quality+of+conservation+science%5BTitle%5D)+AND+%22Conserv.+Biol%22%5BJournal%5D)">Effect of monitoring technique on quality of conservation science.</a> Conserv. Biol. 27 (3), 501-508 (2013).</li>
<li>Stander, P. E., Ghau, I., Tsisaba, D., Oma, I., Vi, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tracking+and+the+interpretation+of+spoor%3A+a+scientifically+sound+method+in+ecology%5BTitle%5D)+AND+%22J.+Zool%22%5BJournal%5D)">Tracking and the interpretation of spoor: a scientifically sound method in ecology.</a> J. Zool. 242 (2), 329-341 (1997).</li>
<li>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).</li>
<li>Balmford, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Walk+on+the+Wild+Side%3A+Estimating+the+Global+Magnitude+of+Visits+to+649+Protected+Areas%5BTitle%5D)+AND+%22PLoS+Biol%22%5BJournal%5D)">Walk on the Wild Side: Estimating the Global Magnitude of Visits to 649 Protected Areas.</a> PLoS Biol. 13 (2), e1002074(2015).</li>
</ol>

taxas de publicação para este artigo vídeo foram pagos pela SAS Institute, Inc.

Este documento descreve a aplicação teórica da técnica de identificação pegada e seu potencial como uma nova abordagem de baixo custo, de fácil comunidade para monitoramento e, portanto, ajudando a conservar chita. Os próximos passos na aplicação mais ampla da ferramenta será mais extensa testes de campo com populações chita em áreas alcance. A técnica de identificação pegada difere de tentativas anteriores para identificar indivíduos de pegadas em vários aspectos-chave; um protocolo padronizado e rigoroso coleção pegada, um software gráfico simplificada interface de usuário, a orientação e otimização de imagens antes da análise, e um novo modelo estatístico para a classificação. Existem vários passos críticos necessários para o sucesso do protocolo. Primeiro, trilhas de areia deve ser preparado corretamente e o animal levou sobre a areia em ritmo de caminhada relaxada normal. Quando imagiologia as pegadas, o photographer deve ser directamente por cima do centro da impressão. Muitas vezes é útil ter um observador para verificar isso. Por último, é muito importante que o fotógrafo (ou um assistente, que pode ser um rastreador expert) ser capaz de identificar uma pegada chita no chão, e tem a habilidade de rastrear a trilha de pegadas frente ou para trás ao longo da linha de viagem . habilidades de monitoramento são essenciais para a continuação da implementação eficaz desta técnica para monitorar chitas desconhecidos ou livre-variando. A falta de habilidade pode levar à coleção de pegadas suficientemente bem definidos ou confusão entre trilhas de diferentes animais que possam viajar juntos. Este último ponto é particularmente importante para chitas, onde jovens do sexo masculino, por vezes formam coligações de 3 ou mais animais que se movem juntos. No entanto, essa preocupação foi abordada por outra espécie social, o rinoceronte branco, onde grupos de até 13 indivíduos que se deslocam juntos foram corretamente identificadoscado pela técnica de identificação pegada usando frente ou para trás rastreamento de trilhas (Alibhai et al. 2008) 17. Enquanto há agora poucos remanescentes trackers indígenas especialistas, os esforços concertados estão sendo feitos para se envolver com eles e transferir suas habilidades para os membros mais jovens da sua comunidade. Uma dessas iniciativas, a Academia de Habilidades antigas, será organizada pelo N / a&#39;an ku sê Foundation na Namíbia. Da mesma forma, o rápido crescimento dos programas de certificação de formação rastreador está permitindo que os cientistas e naturalistas amadores para aprender estas técnicas de campo essenciais. O posicionamento manual preciso dos pontos de referência nas imagens pegada é fundamental para a precisão da técnica. Mais uma vez, os operadores devem estar familiarizados com a anatomia básica do pé e resultando pegada. Os autores estão actualmente a tentar desenvolver a automação para minimizar o trabalho manual envolvido, e ajudar a resolver quaisquer preocupações sobre standardization entre diferentes operadores. Nesse meio tempo, é simplesmente recomenda-se que o posicionamento marco ser da responsabilidade de um operador em cada local de campo. Estão em curso esforços para envolver cientistas cidadãos em captura e análise de dados, que será extremamente amplificam campo de aplicação. Apesar destas limitações atuais, este protocolo software foi implantado com sucesso no campo para uma variedade de espécies, incluindo preto e branca do rinoceronte, da Anta Brasileira e tigre de Amur. Trabalhando com pegadas tem uma limitação óbvia - o substrato deve permitir a sua impressão clara. Impressões parciais ou impressões de baixa qualidade fornecem detalhes insuficientes 32. No entanto, grandes áreas de faixa de chita são ideais para a coleta de pegada, e para pequenas áreas de alguma forma inadequada pode até ser possível contornar esta limitação, colocando trilhas de areia artificiais para coletar pegadas. Estas almofadas de pegada de moldagem pode ser eficazmente utilizado em combinação com CaMera-armadilhas, por exemplo a marcação chita posts / árvores conhecidas. Acompanhando habilidades e conhecimento local pode ajudar muito na localização e identificação de áreas de substrato adequado. Uma vez que a técnica de identificação é pegada não-invasiva, não causar qualquer perturbação para a ecologia ou comportamento do animal. Muitos estudos têm demonstrado o risco potencial e real de captura, imobilização, manuseio e instalação de instrumentação, o custo incorrido em tais práticas, e o risco de coleta de dados não confiáveis ​​33. identificação pegada como uma técnica tem outra vantagem na gestão de conservação. Com base em habilidades de rastreamento tradicionais e relação custo-eficácia, que pode envolver as comunidades locais anteriormente marginalizados nos processos de monitorização da conservação. Stander 34 e Liebenberg 35 analisadas separadamente e atestada a capacidade de monitoramento de conservação e valor de incluir estes grupos. Os desenvolvimentos futuros na capacidade técnica de identificação pegada para monitorar chita estão em curso, e incluem campo de ensaios para validação com chitas livre-variando, a construção de algoritmos idade-classe (incluindo alterações na morfologia do pé de indivíduos ao longo do tempo) e controles de substrato. Os autores também estão investigando técnicas de visão computacional que permitem image-segmentação para otimizar a precisão e consistência na marcação pontos de referência. Desde pegadas são um dos signos animais mais onipresentes, e muitas vezes muito mais fácil de encontrar do que os próprios animais, a adoção mais ampla da identificação pegada poderia ser na monitorização da conservação de mudança de jogo. Principais áreas terrestres protegidas do mundo receber uma estimativa de oito bilhões de visitas de lazer por ano 36. A maioria dos visitantes agora carregam smartphones. Usando um aplicativo que está sendo desenvolvido para WildTrack a recolha de dados pegada vai ser simples e rápido e pode potencialmente effect um conjunto de dados do tamanho da amostra sem precedentes e escala espacial. Com um protocolo de recolha de dados de custo-eficácia, a técnica de identificação pegada adapta-se facilmente à malha em qualquer caixa de ferramentas de conservação. Como um sistema de classificação de imagens, é modelo robusto também pode ter aplicação na medicina, forense e campos de aplicação da lei (por exemplo, anti-caça furtiva).

A chita (Acinonyx jubatus) é felídeo mais ameaçado da África e listado como vulnerável com uma tendência de declínio da população pela Lista Vermelha da IUCN de espécies ameaçadas 1. A população de chitas global está estimado entre 7-10,000 indivíduos 1 e Namíbia é reconhecido como o maior reduto da chita deagrupamento, com talvez mais do que um terço da população do mundo 4,6,7. As estimativas da população para a África do Sul em 2007 colocados população de chitas da Namíbia em 2000 com o próximo mais próximo estado gama de Botswana com 1.800, seguido pela África do Sul (550), Zimbábue (400), Zâmbia (100), Moçambique (&lt;5). Vários estados foram não avaliado 7. autoridades namibianas ter um claramente visão de &quot;seguros, populações chita viáveis ​​através de uma variedade de ecossistemas que coexistem com sucesso, e são avaliados por, o povo da Namíbia.&quot; No entanto, o gadoe criação de animais são os principais usos da terra na Namíbia 8,9 e proprietários regularmente prender e matar chita em suas propriedades em uma tentativa de reduzir a predação de animais ou a valiosa vida selvagem. Mais de 1.200 guepardos foram removidos 1991-2006, mas nem todos esses &#39;estas forem&#39; foram registrados 10. Além disso, há um debate sobre se este é ou não uma solução eficaz para o conflito agricultor chita. A remoção de animais considerada como causadora de conflito, matando ou translocação pode ser menos eficaz do que a mitigação dos conflitos por outros meios, tais como uma melhor protecção do gado 11. Tarifas publicadas de sobrevivência de 12 meses de pós-translocação variaram de 18% 11-40% 12. Recolha de dados fiáveis ​​sobre o número, a identidade e distribuição de chita na Namíbia é a chave para lidar com situações de conflito humano-chita. chita atual técnicas de monitorização variam de questionários direcionados a partir do Namibian Ministério do Ambiente e do Turismo para as partes interessadas 4 às observações oportunistas por turistas e governo informa 4, para o uso de armadilhas fotográficas 13, GPS ou coleiras de VHF 10,14, inquéritos entrevista agricultor 8, e até mesmo teste padrão do ponto 15. No entanto, a comparação da eficácia destas técnicas, sem um ponto de referência comum ou quantificação do esforço de levantamento é difícil. Cada um tem limitações; colares de satélite GPS e VHF são caros e muitas vezes não confiáveis, questionários direcionados têm um âmbito limitado e armadilhas fotográficas têm alcance limitado. Estimativas produzidos por estes diferentes métodos variam amplamente. Marcador et al. 10 destacou a necessidade de uma abordagem mais coordenada. Uma variedade de métodos tem sido utilizado nas terras para estimar a densidade população de chitas, e estes foram produzidos uma série de estimativas. Por exemplo, um estudo de radio-telemetria cerca de 2,5 (± 0,73) chitas / 1.000 km <sup&gt; 2, enquanto um estudo câmera-armadilha estimado de 4,1 (± 0,4) chitas / 1.000 km 2 (marcador et al., 2007). Esta variação destaca o problema da utilização de métodos diferentes para estimar a densidade, mas até agora nenhuma técnica única, eficaz, repetível foi identificado que poderia ser usado em toda a vasta gama de habitats que as chitas ocupam na Namíbia. Esta continua a ser um problema para o monitoramento chita eficaz e conservação. Este desafio provocou o desenvolvimento de uma ferramenta robusta, eficaz e flexível para monitorar a chita. A técnica de identificação pegada foi inicialmente desenvolvido para rinoceronte negro 16 e posteriormente adaptado para uma ampla gama de espécies, incluindo rinoceronte branco 17, tigre de Amur 18, leão de montanha 19, e outros. Vários estudos têm indicado que é possível utilizar pegadas para identificar grandes carnívoros por espécie, os indivíduos, e sexo. O processoevoluiu de descrição de forma simples de pegadas 20 a uma comparação das medidas 21, à análise estatística de uma ou várias medições 16,17,22-30 e análise de forma 31 esforços .Estes tiveram sucesso variável, dependendo em grande parte o rigor da coleta de dados e processos analíticos, eo número de animais de teste usados ​​para desenvolver os conjuntos de dados de treinamento. Existem várias vantagens práticas do uso de pegadas. A primeira é que as imagens podem ser recolhidos juntamente com outras abordagens não-invasivas (por exemplo, armadilhas fotográficas, coleta de DNA de cabelo / fezes, etc.) com muito pouco esforço extra ou custo. Em segundo lugar, pegadas são, onde as licenças de substrato, o sinal mais onipresente da atividade animal. A técnica de identificação da pegada é a primeira técnica de identificação pegada robusta descrito para chita e é aplicável em qualquer local de pegadas são encontrados. Pegadas deve ser sufficiently definido que os dedos do pé e do calcanhar da impressão pode ser claramente visto a olho nu. operadores de campo devem familiarizar-se com a anatomia básica do pé chita e ser capaz de identificar impressões na área de interesse, e distingui-las de cópias de quaisquer outros grandes carnívoros simpátricas. A técnica pode ser usada como uma técnica de recenseamento (por exemplo, quantas chitas são representados pelas pegadas recolhidos?) Ou como uma ferramenta para monitorar os indivíduos específicos. Pegadas também pode ser utilizado como &quot;marcas&quot; em análises de marcação e recaptura, utilizando a técnica de identificar os indivíduos e, em seguida, calcular as densidades locais das espécies. A coleta de dados requer apenas uma câmera digital básica e escala.

<table><tbody><tr><td>Pá</td><td></td><td></td><td></td>de jardim</tr><tr><td>Ancinho</td><td></td><td></td><td></td></tr><tr><td>de jardim Substrato tamper</td><td></td><td></td><td></td></tr><tr><td>Rio ou areia</td><td></td><td></td><td></td>de construtores</tr><tr><td>Baldes</td><td></td><td></td><td></td></tr><tr><td>Regador ou pulverizador</td><td></td><td></td><td></td></tr><tr><td>Câmera</td><td></td><td></td><td></td>digital</tr><tr><td>Papel para identificação com foto deslizamentos</td><td>http://wildtrack.org/citizen-science/photographing-footprints/</td><td></td><td></td></tr> <tr><td>Carpinteiros</td><td></td><td></td><td></td>cm regra de dobragem</tr><tr><td>Laptop ou computador</td><td></td><td></td><td></td>desktop</tr><tr><td>Software</td><td></td><td></td><td></td>JMP</tr><tr><td>O complemento da técnica de identificação de pegadas ao software</td><td></td><td></td><td></td> JMP</tr></tbody></table>

spotting cheetahs: indivíduos identificação por suas pegadas

Spotting Cheetahs: Identifying Individuals by Their Footprints

A chita (Acinonyx jubatus) é o grande felino mais ameaçado da África e listado como vulnerável com uma tendência de declínio populacional pela IUCN1. Abrange amplamente a África Subsaariana e partes do Oriente Médio. Os conservacionistas de chitas enfrentam dois grandes desafios: conflito com proprietários de terras sobre a matança de gado doméstico e preocupação com a contração do alcance. A compreensão deste último permanece particularmente pobre2. Acredita-se que a Namíbia suporte o maior número de chitas de qualquer país de distribuição, cerca de 30%, mas as estimativas variam de 2.9053 a 13.5204. A disparidade é provavelmente resultado das diferentes técnicas usadas no monitoramento.
As técnicas atuais, incluindo marcação invasiva com colares VHF ou satélite/GPS, podem ser caras e não confiáveis. A técnica de identificação de pegadas5 é uma nova ferramenta acessível tanto para cientistas de campo quanto para cidadãos com smartphones, que podem aumentar a coleta de dados. A técnica de identificação de pegadas analisa imagens digitais de pegadas capturadas de acordo com um protocolo padronizado. As imagens são otimizadas e medidas em software de visualização de dados. As medições de distâncias, ângulos e áreas das imagens da pegada são analisadas usando uma análise discriminante de pares robusta com validação cruzada com base em um modelo personalizado. A saída final é na forma de um dendrograma de cluster de Ward. Uma interface gráfica de usuário (GUI) amigável permite ao usuário acesso imediato e interpretação clara dos resultados da classificação.
Os algoritmos da técnica de identificação de pegadas são específicos da espécie porque cada espécie tem uma anatomia única. A técnica é executada em um software de visualização de dados, usando sua própria linguagem de script (jsl) que pode ser personalizada para a anatomia da pegada de qualquer espécie. Um algoritmo de classificação inicial é construído a partir de um banco de dados de treinamento de pegadas dessa espécie, coletadas de indivíduos de identidade conhecida. Um algoritmo derivado de uma chita de identidade conhecida é então capaz de classificar chitas de vida livre de identidade desconhecida. A técnica de identificação de pegadas prevê a identidade individual da chita com uma precisão de >90%.

identificação individual A capacidade da técnica de identificação pegada para classificar chita indivíduo depende de dois fatores, o uso de um protocolo de recolha de pegada padronizado e um novo modelo estatístico baseado em uma análise discriminante pares cross-validado com análise de agrupamento de um Ward. Estes são facilitados por uma interface de utilizador gráfica integrada para a visualização de dados (Fig. 1). o mínimo de equipamento é necessário, tornando esta técnica de baixo custo (Lista de Materiais). Os dados recolhidos com a pegada incluído o número de chitas, número de imagens pegada recolhidos, gama de pegadas por chita, número de trilhas, variedade de trilhas por chita e idade-série de chitas (Tabela 1). 781 pegadas (M: F 395: 386), pertencente ao 110 trilhas, a partir de 38 indivíduos, foram coletadas para o conjunto de dados de treinamento Tabela 1 dá.um resumo dos dados coletados. Usando a janela de extração de características (Fig. 2) um conjunto de 25 pontos de referência foram capazes de gerar 15 derivado pontos em cada imagem pegada. A partir destes marco e derivados pontos 136 variáveis ​​foram gerados para cada pegada, compreendendo distâncias, ângulos e áreas. Cada linha no banco de dados, portanto, representavam as 136 variáveis ​​geradas por uma única pegada. Pegadas foram processados ​​por trilha. Um número variável de linhas representada cada trilha, e foram identificados como tal. Estes dados foram duplicados na tabela de dados como uma entidade, em seguida referida como referência Centróide Valor (VN), que actua para estabilizar a comparação par a par de trilhas necessárias para classificação individual. A janela de pares de análise (Fig. 3) foi projetado para ajudar a validar os dados e / ou teste de dados de populações desconhecidas. A Figura 4 mostra o resultado de uma comparação de pares de trilhas do mesmo individual (A) e dois indivíduos diferentes (B) com base no modelo personalizado técnica de identificação da pegada. O classificador incorporada no modelo baseia-se na presença ou ausência de sobreposição entre as elipses. Note-se que a análise é realizada para cada comparação aos pares, na presença de uma terceira entidade, ou seja, o valor de referência centróide (VN). Usando uma análise validada-cross pares robusta discriminante com análise de agrupamento de um Ward, um algoritmo foi gerado para fornecer classificação efectiva dos indivíduos. O algoritmo técnica de identificação da pegada é baseada em três entidades ajustáveis; o número de medições utilizado, o tamanho de elipse (intervalo de confiança), e o valor limite que determina o valor de cut-off para os aglomerados. Cada uma dessas entidades é ajustado no software até a mais alta precisão para a classificação é obtida para o conjunto de treino de animais de identidade conhecida. Esta mesma algorithm pode então ser utilizado para identificar chitas desconhecidos. Por exemplo, as Figuras 5a, b e c mostram um dendrograma de uma amostra de fugas a partir de sete chitas que mostra a previsão correcta quando o algoritmo está optimizado (a), e quando o algoritmo é sub-óptima (b &amp; c). ensaios de retenção foram conduzidos para validar o algoritmo derivado do conjunto de treinamento de indivíduos &quot;conhecido&quot;. Estas foram realizadas sequencialmente, variando a proporção de chitas em conjuntos de treinamento e teste. Ao invés de repartir chitas para treinamento e teste conjuntos arbitrariamente, as análises foram realizadas sequencialmente aumentar o tamanho do conjunto de teste. Para cada conjunto de teste, 10 iterações foram realizadas com chitas sendo selecionados aleatoriamente para cada iteração. Para cada conjunto de teste, o que permitiu um valor médio a ser calculado. Figura 6. Mostra o tamanho de teste variando plotados contra si própria (vermelho), e no eixo y o valor previsto para cada iteração de tamanho de teste (verde) Eo valor médio para cada tamanho de teste (azul) previu. A trama demonstra que mesmo quando o tamanho do conjunto de teste é aumentado consideravelmente (n = 28) comparado com o tamanho do conjunto de treino (n = 10), a média do valor previsto é semelhante ao valor esperado. Usando vários ensaios de retenção, a precisão da identificação individual foi consistentemente&gt; 90%, tanto para o número previsto de indivíduos e, tão importante, a classificação de trilhas, ou seja, se as trilhas do mesmo indivíduo (auto-trilhas) e os de indivíduos diferentes (não-auto-pistas) classificou corretamente. Um conjunto dendrograma que representa todos os 38 chitas individuais é mostrado (Fig. 7). Havia 110 trilhas, gerando um total de 5,886 comparações de pares. Destes, havia 46 erros de classificação que dá uma precisão de 99% (Tabela 2). <table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td></td><td> # De guepardos </td><td> Nº de imagens pegada </td><td> Faixa de pegadas por chita </td><td> # De trilhas </td><td> Variedade de trilhas por chita </td><td> Faixa etária (anos) </td></tr><tr><td> As fêmeas </td><td> 16 </td><td> 386 </td><td> 12-36 </td><td> 55 </td><td> 2-5 </td><td> 2,5-8,5 </td></tr><tr><td> Os machos </td><td> 22 </td><td> 395 </td><td> 7-32 </td><td> 54 </td><td> 1-4 </td><td> 1-11 </td></tr><tr><td> Total </td><td> 38 </td><td> 781 </td><td> 7-36 </td><td> 109 </td><td> 1-5 </td><td> 1-11 </td></tr></tbody></table> Tabela 1. Resumo dos dados coletados. O número de chitas, o número de imagens recolhidas pegada, a gama de footprints por guepardo, o número de trilhas, a variedade de trilhas por chita ea idade alcance de guepardos. <table fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td></td><td> Auto </td><td> Non-self </td><td> Total </td><td> erros de classificação </td></tr><tr><td> Auto (N) </td><td> 117 </td><td> 9 </td><td> 126 </td><td> 9 </td></tr><tr><td> Auto (%) </td><td> 93 </td><td> 7 </td><td> 100 </td><td> 7 </td></tr><tr><td> Non-self (N) </td><td> 37 </td><td> 5723 </td><td> 5760 </td><td> 37 </td></tr><tr><td> Non-self (%) </td><td> 1 </td><td> 99 </td><td> 100 </td><td> 1 </td></tr><tr><td> Total (N) </td><td> - </td><td> - </td><td> 5886 </td><td> 46 </td></tr><tr><td> Total (%) &lt;/ Td&gt; <td> - </td><td> - </td><td> 100 </td><td> 1 </td></tr></tbody></table> Tabela 2. A saída no software técnica de identificação pegada mostra a classificação de trilhas com base na comparação de pares. &#39;Auto&#39; refere-se a trilhas do mesmo indivíduo e &quot;non-self &#39;, trilhas de diferentes indivíduos. Cada trilha foi comparado com todos os outros trilha utilizando um modelo de análise discriminante cross-validado robusta personalizada. 110 trilhas resultou em 5,886 comparações de pares ea precisão geral de classificação foi de 99%. <img alt="figura 1" src="/files/ftp_upload/54034/54034fig1.jpg" /> Figura 1. A abertura da janela do menu principal na técnica de identificação da pegada. Este é um add-in de identificação de imagem para o software de visualização de dados, projetado para classificar pegadas por indi<html> individual, sexo e idade-classe a partir de medidas morfométricas. A interface gráfica permite a navegação contínua entre diferentes opções. <a href="https://www.jove.com/files/ftp_upload/54034/54034fig1large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a> <img alt="Figura 2" src="/files/ftp_upload/54034/54034fig2.jpg" /> Figura 2. A janela de extração de características. Os recursos incluem arrastar e soltar imagens, redimensionamento automático para a janela, rotação de imagens para a normalização, substrato profundidade factoring, etc. pré-atribuído pontos de referência são posicionados manualmente e gerar uma série de pontos derivados com script para permitir a extracção de métricas na forma de distâncias, ângulos e zonas. A saída é sob a forma de uma linha de dados fornecendo as coordenadas xy e as métricas.ank &quot;&gt; Por favor clique aqui para ver uma versão maior desta figura. <img alt="Figura 3" src="/files/ftp_upload/54034/54034fig3.jpg" /> Figura janela de análise de dados 3. Pairwise na técnica de identificação da pegada. Uma vez que um banco de dados de medições foi criado, a janela de análise por pares é projetado para ajudar a validar os dados e / ou teste de dados de populações desconhecidas. A análise é baseada em um modelo personalizado que incorpora uma constante, valor centróide de referência (RCV), o que compara pares de trilhas sequencialmente 16,17. O resultado final é na forma de um dendrograma cluster que fornece uma previsão para o número de indivíduos ea relação entre as trilhas. <a href="https://www.jove.com/files/ftp_upload/54034/54034fig3large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a> <img alt = &quot;Figura 4&quot; src = &quot;/ files / ftp_upload / 54034 / 54034fig4.jpg&quot; /&gt; Figura 4. Comparações pareadas. A figura mostra o resultado de uma comparação de pares de trilhas do mesmo indivíduo (A) e dois indivíduos diferentes (B) com base em um modelo personalizado no software de visualização de dados. O classificador incorporada no modelo baseia-se na presença ou ausência de sobreposição entre as elipses. Note-se que a análise é realizada para cada comparação aos pares na presença de uma terceira entidade, ou seja, o valor de referência centróide (RCV). <a href="https://www.jove.com/files/ftp_upload/54034/54034fig4large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a> <img alt="Figura 5" src="/files/ftp_upload/54034/54034fig5.jpg" /> Figura 5. Um dendrograma de uma amostra de trilhas a partir de sete chitas mostrando a pred corretaiction quando o algoritmo está optimizado (a), e quando o algoritmo é sub-óptima (b &amp; c). d mostra o resultado com 18 variáveis, com a escala deslizante movido numa direcção para mostrar que a chance de dez chitas é menos de 50% . O algoritmo baseia-se em três entidades ajustáveis; o número de medições utilizado, o tamanho da elipse (intervalo de confiança utilizado) e, finalmente, o valor limite que determina o valor de corte para os clusters. <a href="https://www.jove.com/files/ftp_upload/54034/54034fig5large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a> <img alt="Figura 6" src="/files/ftp_upload/54034/54034fig6.jpg" /> Figura 6. Um ensaio de retenção realizadas sequencialmente, variando a proporção de chitas em conjuntos de treinamento e teste. Ao invés de repartir chitas à formação e teste sest arbitrariamente, foi realizada uma análise aumentando sequencialmente o tamanho do conjunto de teste. Para cada conjunto de teste, dez iterações foram realizadas com chitas sendo selecionados aleatoriamente para cada iteração. Para cada conjunto de teste, o que permitiu um valor médio deve ser calculado. A figura mostra o tamanho de teste variando plotados contra si própria (vermelho), e no eixo y o valor previsto para cada iteração de tamanho de teste (verde) e o valor médio para cada tamanho de teste (azul) previsto. A trama demonstra que mesmo quando o tamanho do conjunto de teste é aumentado consideravelmente (n = 28) em comparação com o tamanho do conjunto de treinamento (n = 10), a média prevista valor é semelhante ao valor esperado. <a href="https://www.jove.com/files/ftp_upload/54034/54034fig6large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior esta figura.</a> <img alt="Figura 7" src="/files/ftp_upload/54034/54034fig7.jpg" /> Figura 7. O dendrograma que mostra o resultado previsível quando todos110 trilhas de 38 chitas estão incluídas na análise. Observe a fidelidade das trilhas que formam os clusters. Curiosamente, muitos dos erros de classificação foram entre ninhada, por exemplo, chita Letotse / Duma e Vincent / Bonsai. <a href="https://www.jove.com/files/ftp_upload/54034/54034fig7large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a>

A chita (Acinonyx jubatus) é uma espécie icônica e ameaçada de extinção, mas os esforços de conservação são desafiados pelo encolhimento do habitat e pelo conflito com os agricultores comerciais. A técnica de identificação de pegadas, um sistema de classificação de imagens robusto, preciso e econômico, é uma nova abordagem para monitorar chitas.

Spotting Cheetahs: Indivíduos Identificação por suas pegadas

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 ...

O objetivo geral desta técnica é desenvolver um algoritmo de identificação por pegadas para fornecer aos biólogos da conservação uma ferramenta não invasiva e economicamente viável para identificar indivíduos de guepardo a partir de imagens digitais de suas pegadas. Este método pode ajudar a enfrentar desafios fundamentais na conservação da vida selvagem. Por exemplo, ao fornecer dados confiáveis sobre o número e a distribuição de animais individuais.Assim ajudando a mitigar conflitos entre humanos e vida selvagem e a prevenir a caça ilegal de espécies ameaçadas. A principal vantagem dessa técnica é que ela oferece uma abordagem robusta, precisa, economicamente viável e não invasiva para o monitoramento de conservação. Além disso, utiliza as habilidades de rastreamento de comunidades indígenas, ajudando consequentemente a revitalizar seu conhecimento ecológico tradicional.No início da manhã ou no final da tarde, para obter o máximo contraste de luz, espalhe uma camada de areia de construção com cerca de um centímetro de profundidade, tomando cuidado para que haja um trecho de dois a três metros de largura por três a quinze metros ao longo de um trajeto habitual de deslocamento. Usando ferramentas de jardinagem comuns, umedeça e alise o substrato para melhorar a qualidade e definição das pegadas na trilha, removendo manualmente folhas e pedrinhas. Quando a trilha estiver pronta, atraia um guepardo habituado ao manejo através da trilha com uma recompensa alimentar, conduzindo o animal para longe da trilha assim que as pegadas forem feitas.Em seguida, desenhe um círculo ao redor de cada pegada traseira esquerda para destacar a posição das pegadas individuais ao longo do rastro. Aqui, posso perceber que estas são pegadas direitas. Se você observar sua própria mão, verá que, partindo do dedo indicador, você sobe e depois tem uma fileira de três dedos que diminuem em tamanho.E você pode observar que a pegada do guepardo na verdade faz algo muito semelhante. Assim, este ângulo é uma pegada correta. Em seguida, sem tocar na pegada, coloque uma escala métrica cerca de um centímetro abaixo e à esquerda da pegada, com um cartão de identificação fotográfica no qual estão escritos o ID do animal, a data, a série da pegada e o nome do fotógrafo.Em seguida, certifique-se de que a câmera está nivelada e direcione a lente diretamente acima para evitar qualquer erro de paralaxe na imagem em relação à escala ou ao cartão de identificação da foto, tomando o cuidado de que a pegada, a escala e o cartão de identificação da foto preencham completamente o quadro. Após a captura de cada trilha de pegadas, remova as marcas com uma escova e prepare a superfície para registrar a próxima trilha. Para extrair as características da imagem, abra o suplemento da técnica de identificação de pegadas no software de visualização de dados.Em seguida, selecione Extração de Características da Imagem na janela de aplicação da técnica de identificação de pegadas e use o mouse para arrastar e soltar a primeira imagem da pegada na janela de extração de características da imagem. Usando o botão Redimensionar, ajuste a imagem da pegada para que ela caiba dentro da janela gráfica. Depois, clique para colocar marcadores nos pontos mais baixos dos dedos cinco e dois e selecione Girar.Gire a imagem horizontalmente ao longo da linha que une os pontos para padronizar a orientação. Um conjunto de linhas de mira aparecerá automaticamente. Certifique-se de que a caixa do fator de escala esteja definida em 10 centímetros e, em seguida, coloque dois pontos a 10 centímetros de distância um do outro na régua.Em seguida, utilize o modelo para posicionar 25 pontos anatômicos de referência sequenciais e definidos sobre a impressão. Um aviso aparecerá para orientar e acompanhar a sequência dos pontos. O posicionamento preciso e consistente dos pontos de referência é essencial para a robustez resultante do algoritmo classificador.Os usuários devem estar familiarizados com a anatomia, orientação e lateralidade da pegada para poder distingui-la de qualquer outro ruído na imagem. Quando todos os pontos de referência tiverem sido posicionados, selecione Pontos Derivados para gerar 15 pontos de referência adicionais e preencher todos os campos de dados da imagem da pegada. Em seguida, clique em Acrescentar Linha para enviar as 136 variáveis programadas de distância, ângulo e área para uma linha no banco de dados.Depois de catalogar todas as características da pegada, copie todas as linhas do banco de dados e cole-as abaixo do banco de dados para gerar o valor de centróide de referência. No menu principal do software de análise de imagem, para análise discriminante robusta, validada por cruzamento e por pares, selecione e abra a janela de Análise por Pares Robusta e Validada por Cruzamento. Em seguida, para a Categoria do Modelo X de Entrada, selecione Cheetah.E para os caminhos de entrada, selecione Caminhos. As medidas de pegada da coluna Y, como variáveis contínuas, são preenchidas automaticamente. Clique em Executar.Uma barra de progresso ilustrando o andamento da análise será exibida, bem como uma tabela de dados mostrando as comparações aos pares das trilhas. À medida que as características das pegadas do banco de dados forem analisadas, duas saídas serão mostradas: uma tabela atribuída a si e não a si para descrever a distância de classificação entre cada par de validação e as matrizes de classificação das diferentes trilhas selecionadas para comparação, e a probabilidade do contorno. Confirme se o botão Mostrar Modelo, que fornece as variáveis utilizadas em cada comparação, e a caixa Limite de Distância, que fornece a distância entre os centróides, também estão visíveis.Em seguida, selecione o botão Clusters na base da tabela de auto e não auto atribuída para exibir as duas tabelas. A primeira tabela mostra a distância entre quaisquer dois trajetos e a segunda tabela é usada para gerar um dendrograma de agrupamento. Para visualizar os agrupamentos de classificação, clique em qualquer ramo do dendrograma para codificá-lo por cores.Por fim, selecione o algoritmo que consistentemente apresenta a maior precisão. Ajuste o valor do limiar para configurar o algoritmo de modo a produzir o resultado que mais se aproxime do número conhecido de animais na base de dados de treinamento. A precisão do algoritmo é determinada pela identidade e pelo número das variáveis, pela probabilidade do contorno e pelo valor do limiar que determina o número de agrupamentos.Nestes gráficos, são apresentados os resultados de comparações par a par de trilhas do mesmo indivíduo e de dois indivíduos diferentes com base no modelo personalizado da técnica de identificação por pegadas. O classificador incorporado ao modelo baseia-se na presença ou ausência de sobreposição entre as elipses. Esse mesmo algoritmo pode então ser utilizado para identificar guepardos desconhecidos.Por exemplo, esses dendrogramas de uma amostra de trilhas de vários guepardos ilustram a previsão correta quando o algoritmo é otimizado e quando o algoritmo é subótimo. Ensaios de validação confirmam o algoritmo derivado do conjunto de treinamento de indivíduos conhecidos. O tamanho variável do teste é representado graficamente em relação a si mesmo, ao valor previsto para cada iteração de tamanho do teste e ao valor médio previsto para cada tamanho do teste.De fato, mesmo quando o tamanho do conjunto de teste é consideravelmente maior em comparação com o tamanho do conjunto de treinamento, o valor médio previsto é semelhante ao valor esperado. A precisão na identificação individual é consistentemente superior a 90% tanto para o número previsto de indivíduos quanto para os rastros provenientes do mesmo indivíduo em comparação com aqueles provenientes de indivíduos diferentes que foram classificados corretamente, conforme ilustrado por este dendrograma de agrupamento que representa os 38 guepardos individuais analisados. A partir de 110 rastros e 5.886 comparações aos pares, houve 46 classificações incorretas, resultando em uma precisão de 99%. Esta técnica pode ser usada de forma independente ou como complemento a outras técnicas de monitoramento não invasivas, como armadilhas fotográficas e amostragem de DNA.Também pode ser usado para identificar a idade, classe e sexo dos animais individuais. Um dos principais desafios na conservação é obter dados suficientes sobre a distribuição de grandes felinos na natureza. Essa técnica tem um grande potencial de aplicação nesse aspecto, pois pode aumentar significativamente a quantidade de dados que conseguimos coletar para essas populações.Desde o seu desenvolvimento, esta técnica abriu caminho para pesquisadores nas áreas de aplicação da lei e de imagens médicas e científicas explorarem métodos confiáveis, objetivos e precisos para classificar objetos e imagens.

spotting-cheetahs-identifying-individuals-by-their-footprints

Research

JoVE Journal

Environment

Ambiente

Neste vídeo, descrevemos o procedimento de teste de pegada e análise relacionada para avaliar a marcha e a coordenação motora em camundongos.

Avaliação da marcha por análise de pegadas: um método para testar a coordenação motora em camundongos

Este protocolo fornece um conjunto conveniente de métodos, que permite extremamente rápido, fácil, não-invasivo, confiável e de baixo custo, a determinação do sexo molecular de aves e sua não-invasivo, rápido, seguro e facilmente reconhecível marcando logo após a eclosão. É necessária apenas a manipulação limitado de pintos. Esta caixa de ferramentas conveniente de métodos cumpre totalmente com as diretrizes-RRR.

Quem é Quem? Métodos não-invasivos para Individualmente Sexo e Mark altriciais Chicks

Neste estudo, vamos mostrar o uso da análise cinemática da marcha com base no plano ventral da imagem latente para monitorar as mudanças sutis na coordenação motora, bem como a progressão de neurodegeneração com o avançar da idade em modelos do rato (por exemplo, endophilin mutante linhas de rato).

Análise de marcha de idade-dependente de perturbações Motor em camundongos com neurodegeneração

Comportamento do companheiro-guardando desempenha um papel importante na reprodução de copépodes intertidais do gênero Tigriopus. No entanto, métodos para estudar esse comportamento não foram bem descritos. Aqui descrevemos os métodos para: cultura 1) individual de virgem Tigriopus animais e 2) a análise quantitativa de seu comportamento de companheiro-a guardar.

Cultivo individual de copépodes Tigriopus e análise quantitativa de seu comportamento companheiro-guarda

O protocolo de baixo custo, composto por análise de pegada e teste de caixa de suspensão após estresse de contenção é útil para avaliar os distúrbios do movimento do modelo do rato.

Protocolo de baixo custo de análise da pegada e caixa de teste de suspensão para ratos aplicada o retenção crônica de estresse

Nós descrevemos um sistema novo da análise do porte, análise da pata-cópia de gravações contraste-realçadas (PrAnCER), um sistema automatizado do abrir-acesso para a quantificação de características do porte nos ratos que utiliza um assoalho semitransparente novo para automaticamente quantificar a marcha. Este sistema foi validado usando o modelo Haloperidol da doença de Parkinson.

Análise de Paw-Print de gravações contrastadas (PrAnCER): um sistema automatizado de análise de marcha de baixo custo e acesso aberto para avaliação de déficits motores

Apresentamos um protocolo para caracterizar o sexo do cabeçudo visualmente baseado na coloração e padrão da sexta pena da asa primária.

Visualmente Sexing Loggerhead Shrike (Lanius Ludovicianus) Usando Coloração e Padrão de Plumagem

A análise de pegada é uma alternativa de baixo custo para programas digitalizados de análise da marcha para pesquisadores que quantifiquem anormalidades de movimento em camundongos. Devido à sua velocidade, simplicidade e potencial longitudinal, é ideal para a fenotipagem comportamental de modelos de mouse.

Análise de marcha de baixo custo para fenotipagem comportamental de modelos de camundongo de doença neuromuscular

Desenvolvemos uma metodologia eficaz para amostragem e análise de sinais de odor, a fim de entender como eles podem ser usados na comunicação animal. Particularmente, usamos microextração de fase sólida do headspace, juntamente com espectrometria de massa cromatografia gasosa para analisar os componentes voláteis de odores animais e marcas de odor.

Amostragem e Análise de Sinais de Aroma Animal

Fornecemos um protocolo para a avaliação do comportamento motor através de uma bateria de teste comportamental em ratos após lesão de esmagamento do nervo ciático.

Avaliação multifatorial do comportamento motor em ratos após lesão unilateral do esmagamento do nervo ciático

Descubra uma técnica computacional de identificação de pegadas para monitorar guepardos individualmente usando análise de imagens digitais. Este método não invasivo oferece dados confiáveis para conservação da vida selvagem.

Spotting Cheetahs: Indivíduos Identificação por suas pegadas

Explorar mais vídeos