Introduction
Il ghepardo (Acinonyx jubatus) è felid più a rischio in Africa, e considerata come vulnerabile con un trend popolazione in declino dalla Lista Rossa IUCN delle specie minacciate 1. La popolazione ghepardo globale è stimato tra gli individui 7-10,000 1 e la Namibia è riconosciuto come il più grande roccaforte del ghepardo senza respiro, con forse più di un terzo della popolazione mondiale 4,6,7. stime della popolazione per l'Africa del Sud nel 2007 inseriti popolazione della Namibia ghepardo a 2.000 con la prossima più vicino campo di stato Botswana con 1.800, seguita da Sud Africa (550), Zimbabwe (400), Zambia (100), Mozambico (<5). Diversi stati erano non sottoposte a valutazione 7.
Le autorità della Namibia hanno una visione chiaramente affermato di "Sicuro, popolazioni ghepardo vitali in una vasta gamma di ecosistemi che convivono con successo con, e sono valutati, il popolo della Namibia." Tuttavia, il bestiamee l'agricoltura gioco sono terreno principale utilizza in Namibia 8,9 e proprietari terrieri regolarmente trappola e uccidere ghepardo sulle loro proprietà, nel tentativo di ridurre la predazione del bestiame o di animali selvatici di valore. Più di 1.200 ghepardi sono stati rimossi 1991-2006, ma sono stati registrati non tutte queste "derivazioni" 10. Inoltre, vi è un dibattito sull'opportunità o meno questa è una soluzione efficace al conflitto contadino-ghepardo. La rimozione degli animali percepiti come causa di conflitto, di uccidere o traslocazione può essere meno efficace di mitigazione dei conflitti con altri mezzi, come ad esempio una migliore protezione del bestiame 11. Tariffe pubblicate di sopravvivenza per 12 mesi post-traslocazione hanno spaziato dal 18% 11-40% 12.
La raccolta di dati affidabili sul numero, l'identità e la distribuzione di ghepardo in Namibia è la chiave per affrontare situazioni di conflitto uomo-ghepardo. ghepardo attuali tecniche di monitoraggio vanno da questionari mirati dalla Namibian Ministero dell'Ambiente e del Turismo agli stakeholder 4 alle osservazioni opportunistici da parte dei turisti e di governo riporta 4, per l'uso di telecamere trappole 13, GPS o collari VHF 10,14, indagini contadino intervista 8, e anche modello punto 15. Tuttavia, confronto l'efficacia di queste tecniche senza un benchmark o la quantificazione di sforzo di indagine comune è difficile. Ognuno ha dei limiti; collari satellitari GPS e VHF sono costosi e spesso inaffidabili, questionari mirati hanno limitato la portata, e di telecamere-trappole hanno limitato range.
Le stime prodotte da questi diversi metodi variano ampiamente. Marker et al. 10 hanno evidenziato la necessità di un approccio più coordinato. Una varietà di metodi sono stati utilizzati sui terreni agricoli per stimare la densità di popolazione ghepardo, e questi hanno prodotto una serie di stime. Per esempio, uno studio radio-telemetria stimato 2,5 (± 0,73) Cheetahs / 1.000 km
Questa sfida ha suscitato lo sviluppo di un robusto strumento, conveniente e flessibile per il monitoraggio del ghepardo. La tecnica di identificazione impronta è stato sviluppato per il rinoceronte nero 16 e successivamente adattato per una vasta gamma di specie tra cui White Rhino 17, Amur Tiger 18, leone di montagna 19, e altri.
Diversi studi hanno indicato che è possibile utilizzare le impronte per identificare i grandi carnivori per specie, gli individui, e il sesso. Il processosi è evoluto da semplice descrizione forma delle impronte 20 per un confronto tra le misure 21, per l'analisi statistica di una o più misure 16,17,22-30 e modellare l'analisi di 31 sforzi .Questi hanno avuto successo variabile, in funzione soprattutto il rigore della raccolta dei dati e processi analitici, e il numero di animali di prova utilizzati per sviluppare i set di dati di addestramento. Ci sono diversi vantaggi pratici dell'utilizzo impronte. La prima è che le immagini possono essere raccolti insieme con altri metodi non invasivi (ad esempio, la macchina fotografica-trapping, la raccolta di DNA da capelli / feci, ecc) con il minimo sforzo extra o costo. In secondo luogo, le impronte sono, dove i permessi di substrato, il segno più diffuso di attività degli animali.
La tecnica di identificazione impronta è la prima tecnica di identificazione impronta robusto descritto per ghepardo ed è applicabile in qualsiasi luogo in cui si trovano le impronte. Impronte devono essere sufficiente definite che le dita e il tallone della stampa può essere visto chiaramente con l'occhio nudo. operatori del settore devono acquisire familiarità con l'anatomia di base del piede ghepardo ed essere in grado di identificare le stampe nella zona di interesse, e li distinguono dalle stampe di eventuali altri grandi carnivori simpatrici. La tecnica può essere usata come tecnica censimento (ad esempio, quante ghepardi sono rappresentati dalle impronte raccolte?) O come strumento per monitorare individui specifici. Tracce possono essere utilizzati anche come "marchi" nelle analisi mark-ricattura, utilizzando la tecnica di identificare gli individui, e quindi calcolare la densità locale della specie. La raccolta dei dati richiede solo una fotocamera digitale di base e la scala.
Protocol
ETICA DICHIARAZIONE: La tecnica di identificazione impronta è una tecnica non invasiva. Non sono state intraprese campioni biologici. ghepardo prigioniero Solo registrata ai documenti relativi all'autorizzazione sono stati utilizzati. partecipazione Cheetah era limitato a piedi lungo un sentiero di sabbia di lasciare impronte in cambio di una ricompensa in cibo.
NOTA: Questo protocollo spiega l'utilizzo di un software di visualizzazione dati come JMP, di seguito denominato 'software di visualizzazione dei dati' per classificare le impronte utilizzando la tecnica di identificazione impronta.
Dichiarazione di sicurezza: Cheetahs non sono mai stati lasciati incustoditi (2 persone) e sono stati collocati in strutture di detenzione separati, ove possibile. ghepardi in cattività utilizzati per la movimentazione sono stati attirati direttamente su una pista di sabbia per fare impronte. Altri animali meno suscettibili al trattamento sono stati attirati da fuori del recinto.
Terminologia: Traccia: Una impronta; Trail: un uSerie nbroken di impronte fatte da un singolo animale.
1. Footprints Collezionismo
- Preparazione Patch e il protocollo
- Raccogliere i seguenti materiali per il protocollo: una multa rastrello, o un rastrello grossolano e manomissione, mano sprinkler o annaffiatoio, due righelli standard (cm) o uno carpentieri righello pieghevole per inquadrare la stampa, una fotocamera digitale standard (risoluzione minima 1200 x 1.600 pix), un ombrello per l'ombra, se necessario e degli standard etichette footprint con spazi di registrazione dei dati di registrare il nome del fotografo, la data, l'impronta serie, discreta stampa ID, ID animale, posizione e la profondità, se> 2 cm).
- Il lavoro la mattina presto o nel tardo pomeriggio per il massimo contrasto luce sulle stampe. Se questo non è possibile, ombra artificiale da ombrello può migliorare tallone e punta definizione rilievo quando il sole è sovraccarico.
- Posare un percorso di circa 1 cm di profondità di una substrato naturale o sabbia costruttori '. Assicurarsi che si tratta di2-3 m di larghezza e correre per tra 3 e 15 metri lungo una recinzione perimetrale o percorso di movimento abituale.
- Wet e lisciare la superficie con attrezzi da giardinaggio standard per migliorare la qualità di stampa e la definizione. Rimuovere manualmente foglie e ciottoli, se presente.
- Raccolta impronte per il set di dati di formazione
- Lure il ghepardo attraverso percorso sabbia con una ricompensa in cibo. Dopo le impronte sono state fatte, portare l'animale dal percorso.
- Dopo l'imaging ogni sentiero ingombro (vedi 1.3) spazzolare le tracce via e preparare la superficie per registrare la traccia successiva.
- raccogliere Solo stampe posteriori di sinistra per il set di dati di addestramento. Il piede posteriore sinistra ha la punta di primo piano (tep 3), punta 4 e punta 5 facendo un pendio a sinistra. Piedi anteriori sono più ampi di piedi posteriori. Trascorrere del tempo per imparare a identificarli prima di imaging.
- Imaging le impronte utilizzando il protocollo tecnica di identificazione impronta
- Immagine la prima impronta come segue
- Posizionare una scala metrica circa 1 cm sotto ea sinistra del footprint.
- Sotto la scala, e non toccare l'impronta, inserire una scivolata ID fotografico, e scrivere negli spazi pre-assegnato il nome del fotografo, la data, serie impronta, la profondità (se> 2 cm) ID stampa discreta, ID degli animali e la posizione.
- Straddle la stampa e puntare l'obiettivo della fotocamera direttamente sopra l'impronta, per evitare qualsiasi errore di parallasse nell'immagine in relazione al ID scala o la foto slittamento. Utilizzare un treppiede o un assistente per verificare se necessario.
- Assicurarsi che l'impronta, regola con la foto scivolare completamente riempire la cornice.
- Raccogliere circa 20 stampe di buona qualità sinistra posteriori per completare la collezione per tale animale. Se 20 print non sono disponibili a partire dal primo percorso, i processi di ripetizione da 1.1.6 a 1.3.5 con lo stesso animale.
2. Immagine Feature Extraction Prima della Tecnica Analisi Footprint Identificazione
- Fare doppio clic sulla icona di tecnica di identificazione impronta e aprirlo come un add-in per il software di visualizzazione dei dati. Osservare la finestra di casa sullo schermo. Selezionare 'Immagine Feature Extraction' per mostrare questa nuova finestra. La tecnica di identificazione impronta viene eseguito su uno script di software di visualizzazione dati nella JSL linguaggio di codifica. Il menu principale è mostrato in Fig. 1.
- Utilizzando il mouse, trascinare e rilasciare l'immagine prima impronta nella finestra di estrazione di caratteristiche dell'immagine. Una guida modello di estrazione funzione viene visualizzata sulla sinistra della finestra.
- Fare clic e selezionare il pulsante 'ridimensionamento' per assicurare che l'immagine impronta è all'interno della finestra grafica. Clicca sui punti più bassi sulle punte esterne (dita dei piedi 2e 5) per posizionare i marcatori e quindi selezionare 'Ruota'. Si osservi che l'immagine viene ruotata orizzontalmente sulla congiungente i punti, per standardizzare orientamento. Osservare una serie di mirini apparirà automaticamente per essere utilizzato nel passaggio 2.6.
- Se il substrato è superiore a 1 cm di profondità, fare una correzione di profondità per l'algoritmo facendo clic sul pulsante "profondità del substrato".
- Fare clic per posizionare due punti scala alla scala desiderata. Per il ghepardo impostare la scala a 10 cm, impostare sulla scatola fattore di scala.
- Utilizzando il modello a sinistra della finestra grafica, posizionare 25 punti punto di riferimento in modo sequenziale. punti d'interesse sono definiti punti anatomici sull'impronta, per esempio la più anteriore, posteriore, laterale e mediale punti di ogni punta e del tallone. Utilizzare il mirino per migliorare la precisione per gli utenti inesperti. Osservare apparire un prompt in alto a sinistra dell'immagine per mostrare la sequenza di punti.
- Selezionare 'punti derivati' per generare un ulteriore quindici punti from i punti di riferimento. Questo processo aumenta il numero di variabili disponibili per lo sviluppo di algoritmi.
- Completa tutti i campi di dati per l'immagine impronta; ghepardo, pista, percorso, data, ora e punto di posizione (GPS). Fig. 2 mostra stages 2,2-2,8.
- Premere il pulsante 'aggiungere fila' per inviare 136 variabili script (distanze, angoli, aree) a una riga nel database.
- Ripetere le fasi da 2.1 a 2.9 per tutte le impronte fino a quando il database viene popolato con le coordinate XY per ogni punto di riferimento e punto di derivati e tutte le variabili calcolati per ciascun impronta.
- Copiare tutte le righe nel database e incollarli al di sotto della base di dati. Questo set di duplicazione è chiamato il riferimento Centroid Value (AN) e atti a stabilizzare l'identificazione del modello tecnica impronta per il successivo confronto a coppie di sentieri impronta.
3. Lo sviluppo del Algorithm Tecnica Footprint identificazione per il Cheetah
- Dal menu principale, selezionare e aprire la finestra di analisi robusta coppie cross-validato (Fig. 3). La tecnica del modello di identificazione impronta utilizza un classificatore per determinare la probabilità di una coppia di piste appartenenti allo stesso individuo o due individui differenti (Fig. 4).
- Effettuare un confronto a coppie di percorsi utilizzando il database di formazione di individui noti come segue:
- Seleziona Cheetah come 'ingresso x, categoria modello', e piste come "percorsi di ingresso. Le colonne Y (misurazioni footprint), come variabili continue, vengono compilati automaticamente.
- Selezionare 'Run'. Osservare una barra di avanzamento che mostra l'analisi in corso. Osservare una tabella di dati appare che mostra i confronti a coppie di piste.
- Osservare due uscite, una tabella di sé / non-sé assegnato per descrivere la distanza tra ogni classificazione vpair alidation, e una finestra matrici di classificazione che mostra i differenti percorsi selezionati per il confronto, e la probabilità di contorno. Osservare il pulsante modello di spettacolo che mostra le variabili utilizzate per ogni confronto, e la casella soglia di distanza che fornisce la distanza tra i centroidi.
- Selezionare il pulsante 'cluster' alla base della tabella di sé / non-sé assegnato. Osservare due tavoli. La prima mostra le distanze tra due sentieri. Il secondo è un 'grappolo' dendrogramma - il risultato finale per la classificazione delle variabili scelte. Visualizza i cluster di classificazione cliccando su qualsiasi ramo del dendrogramma al codice colore esso.
- Testare l'accuratezza della classificazione variando il numero di variabili (misure) e la probabilità di contorno (l'intervallo di confidenza attorno al valore centroide). Re-visualizzare i dati del dendrogramma al cluster generato utilizzando 18 variabili (Fig. 5a). Questo dà la corretta previsione di setteghepardi. Figure 5b (24 variabili) e C (10 variabili) mostrano diverse stime di numeri ghepardo ottenuti testando diversi ingressi variabili e di probabilità di contorno.
NOTA: La curva di distribuzione con la scala scorrevole dà la probabilità relativa (possibilità) del numero previsto iniziando con 100%. Come la scala mobile viene spostata la probabilità relativa per ogni stima lati del valore predetto è mostrato. Figura 5d mostra il risultato con 18 variabili, con la scala mobile mosso in una direzione per mostrare che la probabilità di dieci ghepardi è inferiore a 50 %. - Selezionare l'algoritmo che dà sempre la massima precisione. Regolare il valore di soglia per consentire l'algoritmo da impostare per produrre il risultato che meglio approssima al numero di animali conosciuti del database training (Fig. 5a).
- Dal database di riferimento, decidere un intervallo di tempo adeguato per il partizionamento sequenziale del set di dati in formati di test e training set. Per il database ghepardo, usare l'intervallo come 4.
- Casualmente selezionare quattro individui come il set di dati di test (lasciando 34 nel training set). Nascondere l'identità dei quattro individui di prova scelti.
- Selezionare l'opzione "a coppie analisi dei dati" e selezionare tutti i percorsi per i quattro individui di prova.
- Fai clic su "Esegui" per avviare l'analisi tecnica di identificazione impronta. L'analisi darà una previsione per il numero di individui nel set di dati di test. Iterare questo processo nove volte di più (in totale 10), ciascunatempo selezionando casualmente quattro individui.
- Calcolare il valore medio previsto per questo formato di test (ad esempio, quattro). Quindi ripetere il processo sequenziale per otto individui scelti a caso (a seconda delle dimensioni dell'intervallo) e poi 12 e così via con dieci iterazioni per ogni formato di test. Calcolare il valore medio previsto per ogni dimensione di prova.
- Utilizzando una trama software graficamente un grafico come mostrato in Fig. 6. La linea rossa indica la dimensione del test vero e tramato contro di sé, gli asterischi verdi mostrano il numero previsto di individui per ogni iterazione e la linea blu mostra i valori previsti medi per ogni dimensione di prova. La vicinanza delle linee rosse e blu è un indicatore della accuratezza dell'analisi tecnica di identificazione impronta.
Representative Results
identificazione individuale
La capacità della tecnica di identificazione impronta di classificare ghepardo individuo è condizionato da due fattori, l'uso di un protocollo di raccolta ingombro standardizzato e un nuovo modello statistico basato su un'analisi discriminante due a due cross-validati con analisi di clustering di un Ward. Questi sono facilitate da un'interfaccia utente grafica integrata per la visualizzazione dei dati (Fig. 1). è necessaria attrezzatura minima, rendendo questa tecnica conveniente (Lista dei materiali). I dati raccolti con l'impronta incluso il numero di ghepardi, numero di immagini di impronta raccolta, serie di impronte per ghepardo, il numero di piste, serie di sentieri per ghepardo e l'età-gamma di ghepardi (Tabella 1).
781 impronte (M: F 395: 386) appartenenti a 110 percorsi, da 38 individui, sono stati raccolti per il set di dati di formazione Tabella 1 dà.una sintesi dei dati raccolti. Utilizzando la finestra di estrazione delle caratteristiche (Fig. 2) una serie di 25 punti punto di riferimento sono stati in grado di generare 15 derivato punti ciascuna immagine impronta sulla. Da questi punti di riferimento e derivati punti 136 variabili sono state generate per ogni impronta, che comprende distanze, angoli e aree. Ogni riga nel database quindi rappresentato le 136 variabili generati da una sola impronta. Impronte sono stati elaborati da pista. Un numero variabile di righe rappresentato ogni pista, e sono stati contrassegnati come tali.
Questi dati sono stati duplicati nella tabella di dati come entità poi denominato Reference Centroid Value (RCV) che agisce per stabilizzare il confronto a coppie di percorsi necessari per la classificazione individuale. La finestra a coppie analisi (Fig. 3) è stato progettato per aiutare a convalidare i dati e / o di test per i dati provenienti da popolazioni sconosciute. La figura 4 mostra il risultato di un confronto a coppie di sentieri dallo stesso individual (A) e due individui differenti (B) sulla base del modello di misura tecnica di identificazione impronta. Il classificatore incorporato nel modello si basa sulla presenza o assenza di sovrapposizione tra le ellissi. Si noti che l'analisi viene eseguita per ogni confronti a coppie in presenza di una terza entità, cioè, il valore di riferimento centroide (RCV).
Utilizzando una robusta analisi discriminante cross-validati a coppie con l'analisi di clustering di un Ward, un algoritmo è stato generato per fornire efficace la classificazione degli individui. L'algoritmo tecnica di identificazione impronta si basa su tre entità regolabili; il numero di misurazioni utilizzato, la dimensione dell'ellisse (intervallo di confidenza utilizzato), e il valore di soglia che determina il valore di cut-off per i cluster. Ciascuna di queste entità viene regolato nel software fino ad ottenere la massima precisione di classificazione per il training set di animali di identità conosciuta. Questo stesso Algorithm può quindi essere utilizzato per identificare i ghepardi sconosciuti. Ad esempio, le Figure 5a, b & c mostrare un dendrogramma di un campione di piste da sette ghepardi mostra la previsione corretta quando l'algoritmo è ottimizzato (a) e quando l'algoritmo è subottimale (b ec).
prove holdback sono stati condotti per convalidare l'algoritmo derivato dal training set di individui noti. Questi sono stati eseguiti in sequenza variando la percentuale di ghepardi in set di test e di formazione. Invece di ripartizione ghepardi ai set di addestramento e di test in modo arbitrario, le analisi sono state eseguite in sequenza l'aumento delle dimensioni test set. Per ogni set di prova, 10 iterazioni sono stati eseguiti con ghepardi essere selezionati in modo casuale per ogni iterazione. Per ogni insieme di test, ciò ha permesso un valore medio da calcolare. Figura 6. Mostra le dimensioni di prova variabile tracciata contro se stesso (rosso), e l'asse y del valore previsto per ciascuna iterazione dimensioni di prova (verde) E valore medio predetto per ogni dimensione di prova (blu). La trama dimostra che anche quando la dimensione insieme di test è notevolmente aumentata (n = 28) rispetto alle dimensioni training set (n = 10), valore medio predetto è simile al valore atteso.
Utilizzando diversi studi holdback, la precisione di identificazione individuale è stato costantemente> 90% sia per il numero previsto degli individui e, altrettanto importante, la classificazione dei sentieri, vale a dire, se i percorsi dello stesso individuo (auto-percorsi) e quelli da diversi individui (non-self-sentieri) classificati correttamente. Un dendrogramma gruppo che rappresenta tutti i 38 singoli ghepardi è mostrato (Fig. 7). Ci sono stati 110 sentieri, generando un totale di 5,886 confronti a coppie. Di questi, c'erano 46 classificazioni errate dando una precisione del 99% (Tabella 2).
| # Di ghepardi | # Di immagini impronta | Gamma di impronte per ghepardo | # Di sentieri | Gamma di sentieri per ghepardo | Fascia di età (anni) | |
| Le femmine | 16 | 386 | 12-36 | 55 | 2-5 | 2,5-8,5 |
| Maschi | 22 | 395 | 7-32 | 54 | 1 - 4 | 1-11 |
| Totale | 38 | 781 | 7-36 | 109 | 1-5 | 1-11 |
Tabella 1. Sintesi dei dati raccolti. Il numero di ghepardi, il numero di immagini impronta raccolte, la gamma di footprints per ghepardo, il numero di sentieri, la gamma di sentieri per ghepardo e l'età-range di ghepardi.
| Se stesso | Non-auto | Totale | errori di classificazione | |
| Auto (N) | 117 | 9 | 126 | 9 |
| Se stesso (%) | 93 | 7 | 100 | 7 |
| Non-sé (N) | 37 | 5.723 | 5.760 | 37 |
| Non-sé (%) | 1 | 99 | 100 | 1 |
| Totale (N) | - | - | 5.886 | 46 |
| Totale (%) </ Td> | - | - | 100 | 1 |
Tabella 2. L'uscita del software tecnica di identificazione impronta mostra la classificazione dei percorsi sulla base di confronto a coppie. 'Self' si riferisce ai percorsi dello stesso individuo e 'non-sé', percorsi di diversi individui. Ogni percorso è stato abbinato contro ogni altra traccia utilizzando un robusto modello di analisi cross-validati discriminante personalizzato. 110 percorsi portato a 5,886 confronti a coppie e la precisione complessiva classificazione è stata del 99%.
Figura 1. La finestra del menu principale di apertura nella tecnica di identificazione impronta. Questa è una identificazione immagine add-in per il software di visualizzazione dei dati, progettato per classificare le impronte di indi individuale, sesso ed età-classe da misurazioni morfometriche. L'interfaccia utente grafica consente la navigazione senza soluzione di continuità tra le diverse opzioni. Clicca qui per vedere una versione più grande di questa figura.
Figura 2. La finestra estrazione di caratteristiche. Funzionalità comprendono drag and drop le immagini, il ridimensionamento automatico alla finestra, rotazione delle immagini per la standardizzazione, la profondità del substrato factoring, ecc punti punto di riferimento assegnati Pre sono posizionati manualmente e generano una serie di punti derivati script per consentire l'estrazione di metriche in forma di distanze, angoli e aree. L'uscita è sotto forma di una riga di dati che forniscono le coordinate XY e le metriche.ank "> Clicca qui per vedere una versione più grande di questa figura.
Una volta che è stata creata la figura finestra di analisi dei dati 3. Pairwise nella tecnica di identificazione impronta. Una banca dati delle misurazioni, la finestra di analisi a coppie è progettato per aiutare convalidare i dati e / o di prova per i dati provenienti da popolazioni sconosciute. L'analisi si basa su un modello personalizzato che incorpora una costante, il valore di riferimento centroide (AN), che confronta le coppie di piste sequenzialmente 16,17. Il risultato finale è sotto forma di un dendrogramma cluster che fornisce una previsione per il numero di individui e il rapporto tra i sentieri. Clicca qui per vedere una versione più grande di questa figura.
Figura 4. I confronti a coppie. La figura mostra il risultato di un confronto a coppie di piste dallo stesso individuo (A) e due individui differenti (B) sulla base di un modello personalizzato nel software di visualizzazione dati. Il classificatore incorporato nel modello si basa sulla presenza o assenza di sovrapposizione tra le ellissi. Si noti che l'analisi viene effettuata per ogni confronto a coppie in presenza di una terza entità, cioè, il valore di riferimento baricentro (AN). Clicca qui per vedere una versione più grande di questa figura.
Figura 5. Un dendrogramma di un campione di piste da sette ghepardi che mostra il corretto prediction quando l'algoritmo è ottimizzato (a) e quando l'algoritmo è subottimale (b & c). d mostra il risultato con 18 variabili, con la scala mobile mosso in una direzione per mostrare che la probabilità di dieci ghepardi è inferiore al 50% . L'algoritmo è basato su tre entità regolabili; il numero di misure utilizzate, le dimensioni dell'ellisse (intervallo di confidenza utilizzato) e, infine, il valore di soglia che determina il valore di cut-off per i cluster. Clicca qui per vedere una versione più grande di questa figura.
Figura 6. Una prova holdback realizzata in modo sequenziale variando la percentuale di ghepardi nei set di prova e di formazione. Invece di ripartizione ghepardi alla formazione e alla prova di séts arbitrariamente, l'analisi è stata effettuata in modo sequenziale ad aumentare la dimensione insieme di test. Per ogni serie di test, dieci iterazioni sono stati eseguiti con ghepardi essere selezionati in modo casuale per ogni iterazione. Per ogni set di prova, questo ha permesso un valore medio da calcolare. La figura mostra il formato di prova variabile tracciata contro se stesso (rosso), e l'asse y il valore previsto per ciascuna iterazione dimensioni di prova (verde) e valore medio predetto per ogni dimensione di prova (blu). La trama dimostra che anche quando la dimensione del set di test è notevolmente aumentata (n = 28) rispetto alle dimensioni training set (n = 10), la media predetto valore è simile al valore atteso. Cliccate qui per vedere una versione più grande questa figura.
Figura 7. Dendrogramma che mostra il risultato previsto quando tutti110 percorsi da 38 ghepardi sono inclusi nell'analisi. Si noti la fedeltà dei sentieri che formano i cluster. È interessante notare che molti degli errori di classificazione erano tra cucciolata, per esempio, ghepardo Letotse / Duma e Vincent / bonsai. Cliccate qui per vedere una versione più grande di questa figura.
Discussion
Questo documento delinea l'applicazione teorica della tecnica di identificazione impronta e il suo potenziale come un nuovo approccio costo-efficacia comunità-friendly per il monitoraggio, e, quindi, aiutare a conservare ghepardo. I prossimi passi nella più ampia applicazione dello strumento sarà più estesa la sperimentazione sul campo con le popolazioni di ghepardi in aree gamma.
La tecnica di identificazione impronta è diversa da precedenti tentativi di identificare gli individui da orme in diversi aspetti chiave; un protocollo standardizzato e rigoroso raccolta ingombro, un software di interfaccia utente grafica semplificata, l'orientamento e l'ottimizzazione delle immagini prima dell'analisi, e un nuovo modello statistico per la classificazione.
Ci sono diversi passaggi critici necessari per la riuscita del protocollo. In primo luogo, sentieri di sabbia deve essere preparato in modo corretto e l'animale ha portato sulla sabbia ad un normale rilassato passo d'uomo. Quando l'imaging le impronte, la photographer deve essere direttamente sopra il centro della stampa. Spesso è utile avere un osservatore per verificare questo. Infine, è molto importante che il fotografo (o un assistente, che potrebbe essere un inseguitore esperto) in grado di identificare un ingombro cheetah a terra, e hanno la capacità di monitorare la traccia delle orme in avanti o indietro lungo la linea di corsa .
capacità di inseguimento sono essenziali per l'effettiva ulteriore attuazione di questa tecnica per il monitoraggio di ghepardi sconosciute o free-ranging. Una mancanza di abilità può portare alla raccolta di impronte sufficientemente ben definiti o confusione tra sentieri di diversi animali che potrebbero viaggiare insieme. Quest'ultimo punto è particolarmente importante per i ghepardi, dove i giovani maschi a volte si formano coalizioni di 3 o più animali che si muovono insieme. Tuttavia, questa preoccupazione è stato affrontato per un'altra specie sociale, il rinoceronte bianco, dove gruppi fino a 13 persone in movimento insieme sono stati correttamente identificaticato con la tecnica di identificazione impronta utilizzando in avanti o indietro il monitoraggio dei percorsi (Alibhai et al. 2008) 17.
Mentre ora ci sono pochi rimasti inseguitori esperti indigeni, sforzi concertati sono stati fatti per interagire con loro e trasferire le loro competenze per i membri più giovani della loro comunità. Una di queste iniziative, l'Accademia di antichi mestieri, sarà ospitato dal N / A'an ku sê Fondazione in Namibia. Allo stesso modo, la rapida crescita di programmi di certificazione di formazione tracker è che consente agli scienziati e naturalisti dilettanti per imparare queste tecniche di campo essenziali.
L'accurato posizionamento manuale dei punti punto di riferimento sulle immagini impronta è centrale per la precisione della tecnica. Anche in questo caso, gli operatori devono avere familiarità con l'anatomia di base del footprint piede e conseguente. Gli autori stanno cercando di sviluppare l'automazione per ridurre al minimo il lavoro manuale coinvolti, e contribuire a risolvere tutte le preoccupazioni circa stanstandar- tra diversi operatori. Nel frattempo, si consiglia semplicemente che punto di riferimento di posizionamento sia la responsabilità di un operatore in ogni sito di campo. Gli sforzi sono in corso di coinvolgere scienziati cittadini in cattura e l'analisi dei dati, che saranno enormemente amplificare campo di applicazione. Nonostante queste limitazioni attuali, questo protocollo software è stato implementato con successo nel settore per una serie di specie, tra cui nero e il rinoceronte bianco, Lowland tapir e Amur tigre.
Lavorare con le impronte ha una evidente limitazione - il sottofondo deve permettere la loro impressione chiara. Stampa parziale o stampe di qualità scadente forniscono sufficienti dettagli 32. Tuttavia, ampie zone di gamma ghepardo sono ideali per la raccolta impronta, e per piccole aree altrimenti non idonei può anche essere possibile aggirare questa limitazione mettendo sentieri di sabbia artificiali per raccogliere impronte. Queste pastiglie impronta impressione possono essere utilizzati efficacemente in combinazione con caMera-trappole, per esempio a noti marcatura ghepardo messaggi / alberi. Monitoraggio competenze e conoscenze a livello locale può essere di grande aiuto nel localizzare e individuare le aree di substrato adatto.
Poiché la tecnica di identificazione impronta è non invasiva, non provoca alcun disturbo per l'ecologia o comportamento dell'animale. Molti studi hanno dimostrato il potenziale rischio e reale della cattura, l'immobilizzazione, la manipolazione e il montaggio della strumentazione, i costi sostenuti in tali pratiche, e il rischio di raccolta di dati inattendibili 33. Identificazione Impronta come tecnica ha un altro vantaggio nella gestione della conservazione. Sulla base di tradizionali competenze di inseguimento e costo-efficacia, può coinvolgere le comunità locali in precedenza emarginati nei processi di monitoraggio di conservazione. Stander 34 e 35 Liebenberg indirizzati in modo indipendente e attestate alle capacità di monitoraggio e di conservazione del valore di includere questi gruppi.
Gli sviluppi futuri della capacità tecnica di identificazione impronta per il monitoraggio dei ghepardi sono in corso, e comprendono campo-prove per la validazione con ghepardi free-ranging, la costruzione di algoritmi di età classe (inclusi cambiamenti dei piedi la morfologia degli individui nel corso del tempo) e controlli di substrato. Gli autori stanno anche studiando tecniche di visione artificiale che permettono immagine segmentazione per ottimizzare l'accuratezza e la coerenza nella marcatura punti di riferimento.
Dal momento che le impronte sono uno dei segni animali più diffusi, e spesso molto più facile da trovare rispetto degli animali stessi, una più ampia adozione di identificazione impronta potrebbe essere cambiare il gioco nel monitoraggio di conservazione. Principali aree terrestri protette del mondo ricevono una stima di otto miliardi di visite ricreative all'anno 36. La maggioranza dei visitatori ora portare gli smartphone. L'utilizzo di un app in fase di sviluppo per Wildtrack la raccolta di dati impronta sarà semplice e veloce e potrebbe potenzialmente effect un insieme di dati di dimensione del campione senza precedenti e scala spaziale. Con un protocollo di raccolta dati di costo-efficacia, la tecnica di identificazione impronta si adatta facilmente a maglia in qualsiasi cassetta degli attrezzi di conservazione. Come un sistema di classificazione di immagini, è robusto modello può anche avere applicazioni in campo medico, legale, e campi di applicazione della legge (ad esempio, anti-bracconaggio).
Disclosures
spese di pubblicazione di questo articolo il video sono stati pagati dall'Istituto SAS, Inc.
Materials
| Name | Company | Catalog Number | Comments |
| Garden shovel | |||
| Garden rake | |||
| Substrate tamper | |||
| River or builders sand | |||
| Buckets | |||
| Watering can or sprayer | |||
| Digital camera | |||
| Paper for Photo ID slips | http://wildtrack.org/citizen-science/photographing-footprints/ | ||
| Carpenters' cm folding rule | |||
| Laptop or desktop computer | |||
| JMP software | |||
| The footprint identification technique add-in to JMP software |
References
- 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).
