Onların Footprints'e tarafından belirlenmesi Bireyler: Çitalar Spotting

Environment
 

Cite this Article

Copy Citation | Download Citations

Jewell, Z. C., Alibhai, S. K., Weise, F., Munro, S., Van Vuuren, M., Van Vuuren, R. Spotting Cheetahs: Identifying Individuals by Their Footprints. J. Vis. Exp. (111), e54034, doi:10.3791/54034 (2016).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Introduction

Çita (Acinonyx jubatus) Afrika'nın en tehlikede olan felid ve Tehdit Türlerin 1 IUCN Kırmızı Listesi tarafından düşüş nüfus trendi ile Savunmasız olarak listelenir. Küresel çita nüfusunun dünya nüfusunun 4,6,7 üçte belki daha birlikte, 7-10,000 bireyler 1 ve Namibya serbest değişen çita en büyük kalesi olarak kabul edilmektedir arasında olduğu tahmin edilmektedir. Güney Afrika (550), Zimbabve (400), Zambiya (100), Mozambik, ardından 1800 ile önümüzdeki yakın menzil devlet Botswana ile 2,000 olarak Namibya'nın çita nüfusunu yerleştirilmiş, 2007 yılında Güney Afrika için nüfus tahminleri, (<5). Bazı eyaletler 7 değerlendirilmeyen idi.

Namibya yetkililer açıkça "başarıyla bir arada ekosistemlerinin bir yelpazede Güvenli, canlı çita nüfus ve Namibya insanlar tarafından değerlenir." Vizyonu belirttiğimiz Bununla birlikte, hayvancılıkve oyun tarım büyük arazi düzenli Namibya 8,9 ve toprak sahipleri tuzak kullanan ve hayvancılık veya değerli yaban hayatı predasyon azaltmak amacıyla kendi özelliklerine çita öldürmek vardır. 1200'den fazla çitalar 1991 yılından 2006 yılına kadar çıkarıldı, ancak tüm bu 'offtakes' 10 kaydedildi. Dahası, bu çiftçi-çita çatışmanın etkili bir çözüm olup olmadığını bir tartışma vardır. Öldürme veya translokasyonla, çakışmaya neden olarak algılanan hayvanların uzaklaştırılması gibi daha iyi hayvancılık koruması 11 gibi diğer vasıtalarla çatışma azaltılması daha az etkili olabilir. 12 ay sonrası translokasyon için hayatta kalma yayınlanan oranları% 18 den 11% 40 12 arasında değişmektedir.

Namibya sayılar, kimlik ve çita dağılımına ilişkin güvenilir verilerin toplanması, insan-çita çatışma durumları ele anahtarıdır. izleme teknikleri Nami hedeflenen anket aralığı Güncel çitaturistler ve hükümet tarafından fırsatçı gözlemler paydaşlara 4 Çevre ve Turizm bian Bakanlığı kamera tuzakları 13, GPS ya da 10,14 VHF yaka, çiftçi görüşme anketleri 8 ve hatta nokta desen 15 kullanımı, 4 bildirir. Ancak, ortak bir kriter ya da anket çaba ölçümü olmadan bu tekniklerin etkinliğinin karşılaştırılması zordur. Her sınırlamaları vardır; GPS uydu ve VHF yaka, pahalı ve genellikle güvenilmez hedeflenen anket kapsamı sınırlıdır ve kamera tuzakları aralığı sınırlıdır.

Bu farklı yöntemlerle üretilen tahminler büyük ölçüde değişmektedir. Marker ve ark., 10 daha koordineli bir yaklaşıma gerektiğinin altını çizmiştir. çeşitli yöntemler çita nüfus yoğunluğunu tahmin etmek için tarım arazileri üzerinde kullanılmış ve bu tahminlerin bir dizi üretti. Örneğin, bir radyo-telemetri çalışma çitalar / 1.000 km (0.73 ±) 2.5 tahmin 2 (Marker ve ark. 2007). Bu varyasyon yoğunluğunu tahmin etmek için farklı yöntemler kullanarak sorunu vurgular, ancak bugüne kadar tek etkili, tekrarlanabilir teknik çitalar Namibya işgal habitatların geniş bir yelpazesinde kullanılan olabilir hangi belirlenmiştir. Bu etkili çita izlenmesi ve korunması için bir sorun olmaya devam etmektedir.

Bu meydan okuma Çita izlemek için sağlam, düşük maliyetli ve esnek bir araç gelişimini yol açtı. Ayak izi kimlik tekniği ilk siyah gergedan 16 için geliştirilmiş ve daha sonra beyaz gergedan 17, Amur kaplanı 18, dağ aslanı 19, ve diğerleri dahil olmak üzere türlerin geniş bir yelpazede için uyarlanmıştır.

Çeşitli çalışmalar türlerin, bireyler ve cinsiyete göre büyük etobur belirlemek için ayak kullanmak mümkün olduğunu göstermiştir. Süreçbir veya birkaç ölçümlerin 16,17,22-30 istatistiksel analiz, ölçümlerin 21 bir karşılaştırmak için ayak izleri 20 basit şekli açıklamasından gelişti ve 31 .Bu çabaları değişken başarı vardı titizlik büyük ölçüde bağlı olan analiz şekil vardır veri toplama ve analitik süreçler ve eğitim veri kümeleri geliştirmek için kullanılan deney hayvanlarının sayısı. ayak izleri kullanmanın birkaç pratik avantajlar vardır. Ilk görüntüler diğer non-invaziv yaklaşımlar yanında toplanan olmasıdır (örneğin, kamera yakalama, saç / dışkı, vb DNA toplama) çok az ekstra çaba veya maliyet ile. İkincisi, ayak izleri substrat izinleri, hayvan aktivitesinin en her yerde belirtisi, nerede.

ayak izi kimlik tekniği cheetah için açıklanan ilk sağlam ayak izi kimlik tekniği ve ayak izleri bulunan herhangi bir yerinde uygulanabilir. Ayak izleri sufficie olmalıdırdiğer yönden başkaları baskın baskı ayak ve topuk çıplak gözle net bir şekilde görülebilir tanımlandığı gibidir. Saha operatörleri çita ayağının temel anatomi ile kendilerini tanıtmak ve ilgi alanındaki baskılar tespit edebilmek ve diğer simpatrik büyük etobur baskılar onları ayırmak gerekir. Bu iki yöntemden bir nüfus sayımı tekniği olarak kullanılabilir (örneğin, ayak toplanan? Ile temsil kaç çitalar) ya da bir araç olarak belirli kişilerin izlenmesi için. Ayak izleri de türlerin yerel yoğunlukları bireyleri tanımlamak ve sonra hesaplamak için tekniği kullanılarak, mark-tekrar yakalama analizlerde 'işaretleri olarak kullanılabilir. Veri toplama sadece bir temel dijital kamera ve ölçek gerektirir.

Protocol

ETİK TABLOSU: ayak izi kimlik tekniği invaziv olmayan bir tekniktir. Hiçbir biyolojik örnekler alınmıştır. izin belgeleri ile Sadece kayıtlı esir çita kullanıldı. Cheetah katılımı bir gıda ödül karşılığında ayak izlerini bırakmak için bir kum patikada yürürken sınırlıydı.

NOT: Bu protokol bundan sonra ayak izi kimlik tekniği kullanılarak ayak izleri sınıflandırmak 'veri görselleştirme yazılımı' olarak anılacaktır gibi JMP gibi bir veri görselleştirme yazılım kullanımını açıklar.

GÜVENLİK TABLOSU: Çitalar korumasız (2 kişi) bırakmadı ve mümkün olduğunca ayrı tutma tesislerinde yerleştirildi. taşıma için kullanılan esir çitalar ayak izleri yapmak için bir kum iz üzerinden doğrudan sokulmuş bulundu. kullanımdan daha az yatkın diğer hayvanlar muhafaza dışından sokulmuş bulundu.

TERMINOLOJI: Parça: Bir ayak izi; Trail: Bir uTek bir hayvan tarafından yapılan ayak izleri nbroken dizi.

1. Toplama Ayak İzleri

  1. Yama hazırlama ve protokol
    1. protokol için aşağıdaki malzemeler gereklidir: güzel bir komisyon ya da bir kaba tırmık ve sabotaj, el yağmurlama veya sulama can, baskı, standart bir dijital fotoğraf makinesi (minimum çözünürlük 1200 çerçeveleme için iki standart cetvellerin (cm) veya bir Dülgerler katlama cetvel x 1.600 pix), verilerin kaydedilmesi alanlarda gerekli ve standart ayakizi etiketleri fotoğrafçı, tarih, ayak izi serisi, ayrık baskı kimliği, hayvan kimliği, konumu ve derinliği 2> eğer cm) adını kaydetmek için eğer gölge bir şemsiye.
    2. baskılar maksimum ışık kontrast sabah erken ya da geç öğleden sonra çalışın. Bu mümkün değilse, güneş havai olduğunda, bir şemsiye yapay gölge topuk ve burun yastığı tanımını artırabilir.
    3. doğal substrat veya inşaatçılar kum birinin yaklaşık 1 cm derinliğinde bir yolunu yatıyordu. emin yaklaşık olduğundan emin olun2-3 m genişliğinde ve bir çevre duvarı veya mutad hareket yolu boyunca m 3 ila 15 için çalıştırın.
    4. Standart bahçe araçları ile ıslak ve pürüzsüz alt tabaka baskı kalitesini ve netliğini iyileştirmek için. varsa elle, yaprakları ve çakıl çıkarmak.
  2. Eğitim veri kümesi için ayak izleri Toplama
    1. Bir gıda ödül ile kum yolu boyunca çita cezbetmek. izleri yapıldıktan sonra, uzak yoldan hayvan yol açar.
    2. Her ayak izi iz görüntüleme sonra (1.3 bakınız) uzak parça fırça ve bir sonraki iz kayıt için yüzey hazırlayın.
    3. Sadece eğitim veri kümesi için sol arka baskılar toplamak. Sol arka ayak önde gelen ayak (ayak 3), ayak 4 ve ayak 5 sola bir eğim yaparak sahiptir. Ön ayakları arka ayakları daha geniştir. görüntüleme önce onları tanımlamak öğrenmek zaman harcayın.
  3. Ayak izi kimlik tekniği protokolünü kullanarak ayak izleri Görüntüleme elle her sol arka ayak izi etrafında bir daire çizerek iz boyunca bireysel ayak pozisyonunu vurgulayın. Bir sopa veya herhangi bir başka uygun yerel aracını kullanın.
  4. Görüntü ilk ayak izi aşağıdaki gibi
    1. yaklaşık 1 cm altında ve ayak izi solunda bir metrik ölçek yerleştirin.
    2. ölçek altında ve ayak izi dokunmadan değil, bir fotoğraf kimlik kayma yerleştirin ve önceden tahsis edilen alanlarda fotoğrafçı, tarih, ayak izi serisi, derinlik adını yazmak (eğer> 2 cm) ayrık baskı kimliği, hayvan kimlik ve konum.
  5. ölçek veya fotoğraflı kimlik kayması ile ilişkili olarak görüntüdeki herhangi bir paralaks hatayı önlemek için, doğrudan havai ayak izi kamera objektifi baskı binme ve etmektedir. Gerekirse kontrol etmek için bir tripod veya yardımcısı kullanın.
  6. ayak izi, kural ve fotoğraflı bir kimlik tamamen kayma çerçeveyi doldurmak emin olun.
  7. Bu hayvan için koleksiyonu tamamlamak için yaklaşık 20 kaliteli sol arka baskılar toplayın. 20 PR iseints, ilk iz 1.1.6 aynı hayvan ile 1.3.5 için tekrar süreçleri mevcut değildir.

2. Görüntü Özelliği Ekstraksiyon önce ayak izi Tanımlama Teknik Analizi

  1. ayak izi kimlik tekniği ikonuna çift tıklayın ve bir eklenti veri görselleştirme yazılımı olarak açın. Ekranda ev penceresi gözlemleyin. Bu yeni bir pencere göstermek için 'Görüntü Özelliği Ekstraksiyon' seçeneğini seçin. ayak izi kimlik tekniği kodlama dili JSL bir veri görselleştirme yazılımı senaryo üzerinde çalışır. Ana menü Şek. 1.
  2. Fare, sürükle ve görüntü özelliği çıkarma penceresine ilk ayak izi görüntüsünü bırakın. Bir özellik çıkarma şablon kılavuzu pencerenin solunda gösterilir.
  3. Tıklayın ve ayak izi görüntü grafik penceresi içinde olduğundan emin olmak için 'boyutlandırma' düğmesini seçin. dış ayak (parmaklar en düşük puan üzerine tıklayın 2ve 5) işaretlerini yerleştirin ve ardından 'döndürme' seçin. yönünü standardize etmek, görüntü noktaları birleştiren hat üzerinde yatay olarak döndürülür gözlemleyin. artı işaretinin bir dizi dikkate otomatik olarak adım 2.6 kullanılmak üzere görüntülenir.
  4. Yüzey fazla 1 cm derinliğinde ise, "alt tabaka derinliği" butonuna basarak algoritması bir derinlik düzeltme yapmak.
  5. Gerekli ölçekte iki ölçek noktalarını yerleştirmek için tıklayın. Çita için ölçek faktörü kutusunda ayarlanır, 10 cm ölçeği ayarlayın.
  6. Grafik penceresinin sol şablonu kullanarak, sırayla 25 dönüm noktalarını yerleştirmek. Landmark noktaları, ayak izi, örneğin en ön, arka, her ayak ve topuk lateral ve medial noktaları anatomik noktaları tanımlanır. acemi kullanıcılar için doğruluğunu geliştirmek için crosshair'i kullanın. bir istem noktalarının sırasını göstermek için resmin sol üst köşesinde görünür gözlemleyin.
  7. 'Türetilmiş noktaları' daha onbeş puan fr oluşturmak için seçindönüm noktaları om. Bu süreç algoritma geliştirme için kullanılabilir değişkenlerin sayısını artırmaktadır.
  8. ayak izi görüntü için tüm veri alanları doldurun; çita, parça, iz, tarih, saat ve yer noktası (GPS). Şek. Şekil 2 2.2-2.8 aşamaları.
  9. veritabanındaki bir satıra 136 komut dosyası değişkenleri (uzaklıkları, açıları, alanları) göndermek için 'satır ekler' düğmesine basın.
  10. Veritabanı xy doldurulur yineleyerek aşamaları tüm ayak izleri için 2.9 2.1 Her dönüm noktası ve türetilmiş nokta ve her ayak izi için tüm hesaplanan değişkenler için koordine eder.
  11. veritabanındaki tüm satırları kopyalayıp ve veritabanı altında yapıştırın. Bu çoğaltma kümesi ayak izi yollar sonraki ikili karşılaştırma için ayak izi kimlik tekniği modeli stabilize etmek için Referans Centroid Değeri (RCV) ve eylemler denir.

Cheetah için ayak izi Kimlik Tekniği Algoritma 3. Gelişme

İkili sağlam çapraz valide diskriminant analizi
  1. Ana menüden seçin ve sağlam çapraz valide ikili analiz penceresi (Şek. 3) açın. Ayak izi kimlik tekniği modeli aynı bireye ait yollar ya da iki farklı bireyler (Şek. 4) bir çift olasılığını belirlemek için bir sınıflandırıcı kullanır.
  2. aşağıdaki gibi bilinen kişilerin eğitim veritabanı kullanarak yollar bir ikili karşılaştırma yürütmek:
    1. 'Girdi yollar' olarak 'girdi x, model kategorisinde' ve yollar olarak Cheetah seçin. y sütunlar (ayak izi ölçümleri), sürekli değişkenler olarak, otomatik olarak doldurulur.
    2. 'Çalıştır' seçeneğini seçin. Devam eden analizini gösteren bir ilerleme çubuğu gözlemleyin. Bir veri tablosu yollar ikili karşılaştırmalar gösteren görünür gözlemleyin.
    3. iki çıkış gözlemlemek, atanmış bir öz / non-self tablo her v arasındaki sınıflandırma mesafeyi tanımlamak içinalidation çifti ve karşılaştırma için seçilen farklı yollar gösteren bir sınıflandırma matrisleri pencere ve kontur olasılık. her bir karşılaştırma için kullanılan değişkenleri gösteren göstermek modeli düğmesini ve sentroidler arasındaki mesafeyi verir mesafe eşik kutusunu gözlemleyin.
    4. atanan kendini / non-self tablosunun dibinde 'kümelerin düğmesini seçin. iki tablo gözlemleyin. İlk gösterileri herhangi iki parkurları arasında mesafeler. seçilen değişkenlerin sınıflandırılması için son çıkışı - İkinci bir 'küme' dendrogram olduğunu. renk koduna bunun için dendrogram herhangi bir şubesine tıklayarak sınıflandırma kümeleri gözünüzde canlandırın.
    5. değişkenler (ölçümlerin) sayısı ve kontur olasılığını (centroid değer etrafında güven aralığı) değiştirilerek sınıflandırma doğruluğunu test. 18 değişkenleri (Şek. 5a) kullanılarak oluşturulan küme dendrogram verileri yeniden görselleştirmek. Bu yedi doğru tahmin verirçitalar. Şekil 5b (24 değişken) & c (10 değişken) farklı değişken ve kontur olasılık girişlerini test ile elde edilen çita numaralarının farklı tahminler göstermektedir.
      NOT: ölçeğe ile dağılım eğrisi% 100 ile başlayan öngörülen sayının göreceli olasılık (ihtimal) verir. Sürgülü ölçek gösterilir beklenen değerin her iki tarafında tahmini için göreceli olasılık hareket olarak. On çitalar şans olduğunu göstermek için bir yöne hareket sürgülü ölçeği, 18 değişkenleri ile sonuç gösteriyor 5d Şekil 50'den az %.
    6. sürekli en yüksek doğruluğu verir algoritmasını seçin. Algoritma iyi eğitim veritabanında (Şek. 5a) bilinen hayvan sayısına yaklaşan sonucu üretmek için ayarlanmış izin vermek için eşik değerini ayarlayın.
  • Doğrulama için tam engel deneme <br /> bireylerin beklenen sayı ve kümelenme sınıflandırma doğruluğu Sağlama denemeler kullanarak ve rastgele veri kümesi içinde bireysel çita test etmek ve eğitim setleri için (Şekil. 6) paylaştırır hem algoritma doğrulayın. aşağıdaki gibi kullanılmak için adımlar şunlardır:
    1. referans veri tabanından test ve eğitim seti boyutları içine veri kümesi ardışık bölümleme için uygun aralıklarla karar. çita veritabanı için, 4 olarak aralığı kullanınız.
    2. Rasgele (Eğitim setinde 34 bırakarak) test veri kümesi olarak dört bireyleri seçin. Seçilen dört test bireylerin kimliklerini gizlemek.
    3. "İkili Veri Analizi" seçeneğini tıklayın ve dört test bireyler için tüm yollar seçin.
    4. ayak izi kimlik tekniği analizi başlatmak için "Çalıştır" a tıklayın. analiz testi veri kümesi içinde bireylerin sayısı için bir tahmin verecektir. Bu işlemi yineleme dokuz kez daha (toplam 10), her birZaman rastgele dört bireylerin seçilmesi.
    5. Bu deney boyutu için ortalama tahmin değerini hesaplayın (yani dört). Daha sonra sekiz rastgele seçilen (aralık boyutuna bağlı olarak) bireyler ve 12 ve böylece her test boyutu için on yineleme ile proses sırayla tekrarlayın. Her test boyutu için ortalama tahmin değerini hesaplayın.
    6. Şekil l'de gösterildiği gibi, bir grafiktir bir grafik yazılım arsa kullanılması. 6. Kırmızı çizgi gerçek test boyutu kendine karşı çizilen gösterir, yeşil yıldız işaretleri her test boyutu için ortalama tahmin değerleri her tekrarda ve mavi hat için bireylerin tahmin edilen sayıda gösterir gösterir. Kırmızı ve mavi çizgilerin yakınlık ayak izi kimlik tekniği analizin doğruluğu bir göstergesidir.
  • Representative Results

    bireysel kimlik

    Bireysel Çita sınıflandırmak için ayak izi kimlik tekniği yeteneği iki faktör, standart bir ayak izi toplama protokolünün kullanımı ve Ward kümelenme analizi ile çapraz valide ikili diskriminant analizine dayalı yeni bir istatistiksel model bağlıdır. Bu veri görselleştirme (Şek. 1) için entegre grafik kullanıcı arayüzü ile kolaylaştırılır. Minimal ekipman bu tekniği maliyetli (Malzeme Listesi) yaparak, ihtiyaç vardır. Ayak izi ile toplanan veriler çita ve çitalar yaş aralığı (Tablo 1) başına yollar çitalar sayısını, toplanan ayak izi görüntü sayısını, çita başına ayak izleri dizi yollar sayısını, dizi dahil.

    781 ayak izleri (E: K 395: 386) 38 kişiden, 110 yollar ait eğitim veri kümesi için toplandı Tablo 1 verir.veri özeti topladı. Özellik çıkarma penceresini kullanarak (Şek. 2) 25 dönüm noktaları bir dizi 15 her ayak izi görüntü üzerinde puan türetilmiş oluşturmak başardık. Bu dönüm noktası ve türetilmiş noktalardan 136 değişken mesafeleri, açıları ve alanları kapsayan, her ayak izi için üretilmiştir. veritabanında her satır, bu nedenle tek bir ayak izi tarafından oluşturulan 136 değişkenleri temsil etti. Ayak izleri iz tarafından işlendi. satır bir değişen sayısı her iz temsil ve gibi işaretlendi.

    bir işletme daha sonra hareket Referans Centroid Değeri (RCV) bireysel sınıflandırma için gerekli yollar ikili karşılaştırma stabilize etmek olarak anılacaktır olarak bu veriler tabloya çoğaltılamaz edildi. Çift-bilge analiz penceresi (Şek. 3) bilinmeyen nüfus verilerine ilişkin veri ve / veya testi doğrulamak yardımcı olmak için tasarlanmıştır. Şekil 4, aynı ind gelen yollar bir çift-bilge karşılaştırma sonucunu gösterirividual (A) ve ayak izi kimlik tekniği özelleştirilmiş modeline dayanan iki farklı birey (B). modele dahil sınıflandırıcı elips arasında çakışma varlığına veya yokluğuna bağlıdır. Analiz üçüncü bir taraf örneğin varlığında, her bir çiftli bir karşılaştırma için gerçekleştirilir unutmayın referans ağırlık merkezi değeri (RCV).

    Bir Ward kümelenme analizi ile sağlam ikili çapraz valide diskriminant analizi kullanarak, bir algoritma bireylerin etkili sınıflandırma sağlamak için oluşturulmuştur. ayak izi kimlik tekniği algoritması üç ayarlanabilir varlıklar dayanmaktadır; kullanılan ölçüm sayısı, elips boyutu (kullanılan güven aralığı) ve kümeler için cut-off değerini belirler eşik değer. sınıflandırma için yüksek doğruluk bilinen kimlik hayvanların eğitim seti için elde edilene kadar bu kişilerin her biri yazılımda ayarlanır. Aynı Algorithm sonra bilinmeyen çitalar tanımlamak için kullanılabilir. Örneğin, 5a, b Şekiller ve algoritma optimize edildiğinde doğru tahmin gösteren yedi çitalar gelen yollar bir örnek bir dendrogram göstermek c (a) ve algoritma (b & c) bırakıyorsa olduğunda.

    Engel denemeleri 'bilinen' bireylerin eğitim seti türetilen algoritma doğrulamak için yapılmıştır. Bu test ve eğitim setlerinde çitalar oranını değiştirmek sureti ile bir sekans dahilinde gerçekleştirilmiştir. Aksine keyfi eğitim ve test setleri çitalar paylaştırılması yerine, analizler test seti boyutunu artırarak sırayla gerçekleştirildi. Her test kümesi için, 10 iterasyon çitalar her yineleme için rastgele seçilen gerçekleştirilmiştir. Her test kümesi için, bu bir ortalama değer hesaplanır izin verdi. (Her test büyüklüğü yineleme için y-ekseni üzerinde yeşil tahmin değeri kendisi (kırmızı) karşı çizilen değişen Test boyutunu gösterir. Şekil 6, ve) Ve ortalama her test boyut (mavi) değerini tahmin. arsa test seti boyutu eğitim seti boyutu (n = 10) ile karşılaştırıldığında (n = 28) önemli ölçüde artar bile, ortalama değer beklenen değere benzer tahmin olduğunu göstermektedir.

    Birkaç engel denemeleri kullanarak, bireysel kimlik doğruluğu, yani tıpkı önemlisi tahmin bireylerin sayısı ve, yollar sınıflandırılması, her ikisi için de tutarlı>% 90 idi aynı birey (kendi kendine yollar) ve gelenler gelen yollar olup olmadığını farklı bireyler (non-self-yollar) doğru olarak sınıflandırılmıştır. 38 ayrı çitalar temsil eden bir küme dendrogram (Şekil. 7) gösterilmektedir. 110 yollar 5,886 ikili karşılaştırmalar toplam üretim vardı. Bunlardan% 99 (Tablo 2) bir doğruluk veren 46 yanlış sınıflandırılması vardı.

    Çitalar arasında Ayak izi görüntüleri arasında Çita başına ayak izi aralığı Yollar arasında Çita başına yollar Aralığı Yaş aralığı (yıl)
    dişiler 16 386 12-36 55 2-5 2,5-8,5
    erkekler 22 395 7 - 32 54 1-4 1-11
    Toplam 38 781 7-36 109 1-5 1-11

    Toplanan verilerin Tablo 1. özeti. çitalar sayısı, toplanan ayak izi görüntülerin sayısı, footp aralığıçita başına rints, yollar sayısı, çita başına yollar yelpazesi ve çitalar yaş aralığı.

    öz Sigara kendini Toplam yanlış sınıflandırılması
    Öz (N) 117 9 126 9
    Öz (%) 93 7 100 7
    Sigara kendini (N) 37 5723 5760 37
    Sigara kendini (%) 1 99 100 1
    Toplam (N) - - 5886 46
    Toplam (%) </ Td> - - 100 1

    Tablo 2. ayak izi kimlik tekniği yazılımı çıktı. Ikili karşılaştırmaya dayalı yollar sınıflandırmasını gösterir 'Öz' aynı birey ve 'olmayan kendinden', farklı bireylerden parkurları yollar anlamına gelir. Her iz bir özelleştirilmiş sağlam çapraz valide diskriminant analizi modeli kullanılarak her iz eşleştirildi. 110 yollar 5,886 ikili karşılaştırmalar ile sonuçlanmıştır ve genel sınıflandırması doğruluğu% 99 idi.

    Şekil 1
    Şekil 1. ayak izi kimlik tekniği açılış ana menü penceresi. Bu indi tarafından ayak izleri sınıflandırmak için tasarlanmış veri görselleştirme yazılımı bir görüntü tanıma eklenti olduğunu morfometrik ölçümleri ram, cinsiyet ve yaş sınıfı. Bir grafik kullanıcı arayüzü farklı seçenekler arasında kesintisiz navigasyon sağlar. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

    şekil 2
    Şekil 2. özellik çıkarma penceresi. Yetenekleri Önceden atanmış dönüm noktaları elle yerleştirilmiş ve komut dosyası türetilmiş puan bir dizi oluşturmak görüntüleri, pencere otomatik yeniden boyutlandırma, vb standardizasyon, alt tabaka derinliği faktoring için görüntülerin dönme sürükle ve bırak uzaklık, açı ve alanlar şeklinde metrik çıkarılmasını sağlamaktadır. Çıktı xy koordinatları ve ölçümleri sağlayan verilerin üst üste şeklindedir.ank "> bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

    Şekil 3,
    Ayak izi kimlik tekniği Şekil 3. İkili veri analizi penceresi. Bir kez ölçümlerin bir veritabanı çifti bilge analiz penceresi bilinmeyen nüfus verileri için veri ve / veya testi doğrulamak yardımcı olmak için tasarlanmıştır, yaratılmıştır. Analiz yollar sırayla 16,17 çiftleri karşılaştıran bir sabit referans ağırlık merkezi değeri (RCV) içeren bir özelleştirilmiş bir model dayanmaktadır. Son çıkış birey sayısı ve yollar arasındaki ilişki için bir tahmin sağlayan bir küme dendrogram şeklindedir. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

    "Şekil Şekil 4. İkili karşılaştırmalar. Rakam aynı birey (A) ve veri görselleştirme yazılımı özelleştirilmiş modele dayalı iki farklı birey (B) yollar bir çift-bilge karşılaştırma sonucunu gösterir. modele dahil sınıflandırıcı elips arasında çakışma varlığına veya yokluğuna bağlıdır. Analiz üçüncü bir taraf, yani varlığında her ikili karşılaştırma için yapılır unutmayın, referans ağırlık merkezi değeri (RCV). Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

    Şekil 5,
    Şekil 5. Doğru Pred gösteren yedi çitalar gelen yollar bir numunesinin bir dendrogramiction algoritması optimize edilmiştir (a) ve algoritma (b & c) d. on çitalar şansı% 50'den az olduğunu göstermek için bir yöne hareket sürgülü ölçeği, 18 değişkenleri ile sonucunu gösterir bırakıyorsa olduğunda . Algoritma üç ayarlanabilir varlıklar dayanmaktadır; kullanılan ölçüm sayısı, elips boyutu (güven kullanılan aralık) ve son olarak, kümeler için cut-off değerini belirler eşik değeri. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

    Şekil 6,
    Şekil 6. Sağlama deneme testi ve eğitim setlerinde çitalar oranını değiştirerek sırayla yürütülen. Aksine se eğitim ve test çitalar paylaştırılması dahats keyfi, bir analiz sırayla test seti boyutunu artırarak gerçekleştirildi. Her test kümesi için, on yineleme çitalar her yineleme için rastgele seçilen gerçekleştirilmiştir. Her test grubu için, bu ortalama değer hesaplanır izin verdi. rakam kendisi (kırmızı) karşı çizilen değişen testi boyutunu gösterir ve y ekseninde her bir test büyüklüğü yineleme (yeşil) ve ortalama için öngörülen değer her test boyut (mavi) değerini tahmin. Arsa test seti boyutu eğitim seti boyutu ile karşılaştırıldığında (n = 28) önemli ölçüde artmıştır (= 10 n) bile, ortalama değer beklenen değere benzer tahmin olduğunu göstermektedir. Büyük halini görmek için tıklayınız bu figür.

    Şekil 7,
    Zaman bütün Şekil 7. dendrogram tahmin sonucunu gösteren38 çitalar 110 parkurları analize dahil edilmiştir. Kümeleri oluşturan yollar sadakat unutmayın. İlginçtir ki, yanlış sınıflandırılması birçok çita Letotse / Duma ve Vincent / Bonsai, örneğin, littermates arasında idi. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

    Discussion

    Bu yazıda izleme için yeni bir maliyet-etkin, toplum dostu bir yaklaşım olarak teorik ayak izi kimlik tekniği uygulama ve potansiyelini özetliyor ve dolayısıyla çita tasarruf yardımcı olur. Aracın geniş uygulama sonraki adımlar aralığı alanlarında çita nüfusa sahip daha geniş alan testi olacaktır.

    ayak izi kimlik tekniği birkaç anahtar açıdan ayak izlerinden bireyleri belirlemek için önceki girişimleri farklıdır; standart ve titiz ayak izi toplama protokolü, akıcı bir grafik kullanıcı arayüzü yazılımı, analizden önce görüntü yönlendirme ve optimizasyonu, ve sınıflandırma için yeni bir istatistiksel model.

    protokolün başarısı için gerekli olan birçok kritik adımlar vardır. İlk olarak, kum yollar doğru hazırlanmalı ve hayvan normal rahat bir yürüyüş hızında kum üzerinde açtı. ayak izleri görüntüleme, photographer doğrudan üst baskı merkezi olması gerekir. Genellikle kontrol etmek için bir gözlemci olması yararlıdır. Son olarak, (bir uzman izci olabilir veya bir asistan) fotoğrafçı seyahat hattı boyunca ileri veya geriye doğru ayak izleri iz izlemek için yere bir çita ayak izi tespit ve beceriye sahip muktedir olması çok önemlidir .

    Takip becerileri bilinmeyen veya serbest değişen çitalar izlemek için bu tekniğin etkili ileri uygulanması için gereklidir. beceri eksikliği birlikte seyahat olabilir farklı hayvanların yollar arasında yetersiz iyi tanımlanmış ayak izi ya da karışıklık toplanması yol açabilir. Bu son nokta, genç erkekler bazen birlikte hareket 3 veya daha fazla hayvan koalisyonlar çitalar için özellikle önemlidir. Ancak, bu endişe birlikte hareket en fazla 13 kişi gruplarının doğru tanımladı vardı başka bir sosyal türler, beyaz gergedan için ele alınmıştırileri veya geri yollar izlemeyi kullanmaya ayak izi kimlik tekniği tarafından belirtilen (Alibhai ve ark., 2008) 17.

    Şimdi kalan birkaç uzman yerli izci varken, çabalar onlarla meşgul ve toplumun genç üyelerine becerilerini transfer yapılıyor. Böyle bir girişim, Antik Becerileri Akademisi, Namibya N / a'an ku SE Vakfı tarafından ev sahipliği yapacak. Benzer şekilde, izci eğitim sertifika programları hızlı büyüme sağlıyor bilim adamları ve amatör doğa bilimciler bu temel alan tekniklerini öğrenmek.

    ayak izi görüntülerde dönüm noktalarının doğru manuel konumlandırma tekniğinin doğruluğu merkezidir. Yine, operatörler ayak ve elde edilen ayak izi temel anatomi aşina olmalıdır. Yazarlar şu anda katılan el işi en aza indirmek için otomasyon geliştirmek ve stan hakkında herhangi bir endişeniz çözümüne yardımcı çalışıyorsunuzfarklı operatörler arasında ler ve prosedürler. Bu arada, sadece dönüm konumlandırma her alan yerinde bir işletmecinin sorumluluğunda olması önerilir. Çabaları derece alan uygulama yükseltmek olacaktır veri yakalama ve analiz vatandaş bilim adamları, meşgul devam etmektedir. Bu mevcut kısıtlamalara rağmen, bu yazılım protokolü başarıyla Siyah ve Beyaz gergedan, Ovası tapir ve Amur kaplanı da dahil olmak üzere türlerin bir dizi için sahada konuşlandırıldı.

    Alt tabaka onların açık bir izlenim izin vermelidir - ayak izleri ile çalışan bir açık sınırlama vardır. Kısmi baskılar veya kalitesiz baskılar yetersiz detay 32 sağlarlar. Ancak, çita aralığının geniş alanlar kapladığı koleksiyonu için idealdir ve küçük aksi takdirde uygunsuz alanlar için bile ayak izleri toplamak için yapay kum yollar koyarak bu sınırlama aşmak mümkün olabilir. Bu ayak gösterim pedleri etkili CA ile kombinasyon halinde de kullanılabilirmera tuzakları, bilinen çita işaretleme mesaj / ağaçlar örneğin. beceri ve yerel bilgi Takip ölçüde bulma ve uygun substratın alanların belirlenmesi konusunda yardımcı olabilir.

    ayak izi kimlik tekniği non-invaziv olduğundan, hayvanın ekoloji veya davranış herhangi bir rahatsızlık neden olmaz. Birçok çalışma, bu tür uygulamaların katlanılan maliyet ve güvenilmez veri 33 toplama riskini yakalama, immobilizasyon, taşıma potansiyeli ve gerçek bir risk gösterilen ve enstrümantasyon montaj var. bir teknik olarak ayak izi kimlik koruma yönetimi başka bir avantajı vardır. geleneksel izleme beceri ve maliyet-etkinlik dayanarak, koruma izleme süreçlerinde daha önce marjinal yerel toplulukları meşgul olabilir. Stander 34 ve Liebenberg 35 bağımsız ele alınması ve korunması izleme beceri ve bu gruplara dahil değerine tanıklık.

    Çita izlemek için ayak izi kimlik tekniği yeteneği Gelecekteki gelişmeler devam etmektedir ve ve yüzey kontrolleri (zamanla bireylerin ayak morfolojisi değişiklikler dahil) yaş sınıfı algoritmaları bina, serbest değişen çitalar doğrulama için saha denemeleri yer alıyor. Yazarlar ayrıca görüntü segmentasyon dönüm noktaları işaretleme doğruluk ve tutarlılık optimize etmek için izin bilgisayar vizyonu teknikleri araştırıyoruz.

    ayak izleri hayvanların kendileri daha bulmak çok daha kolay genellikle en her yerde hayvan belirtilerinden biri, ve olduğundan, ayak izi kimlik geniş kabulü oyun değişen koruma izleme olabilir. Dünyanın en önemli korunan karasal alanların yıllık 36 başına yaklaşık sonucu sekiz milyar eğlence ziyaret alırsınız. ziyaretçilerin çoğunluğu artık akıllı telefonlar taşırlar. Bir uygulama Wildtrack için geliştirilen Kullanma ayak izi verilerinin toplanması basit ve hızlı olacak ve e potansiyel olabilirffect benzeri görülmemiş örnek büyüklüğü ve mekansal ölçekte bir veri seti. Bir maliyet-etkin veri toplama protokolü ile, ayak izi kimlik tekniği kolayca herhangi bir koruma araç içine örgü uyum sağlar. Bir görüntü sınıflandırma sistemine olarak, sağlam tıbbi, adli uygulama olabilir modeli ve kolluk alanları (örneğin anti-kaçak avcılık) var.

    Disclosures

    Bu video makalede için yayın ücreti SAS Institute, Inc. tarafından ödendi

    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

    DOWNLOAD MATERIALS LIST

    References

    1. 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).
    2. 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).
    3. Nowell, K. Namibia cheetah conservation strategy. Ministry of Environment and Tourism, Government of Namibia. 78 (1996).
    4. 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).
    5. Jewell, Z. C., Alibhai, S. K. Identifying Endangered Species from Footprints. The International Society for Optics and Photonics (SPIE) Newsroom. (2013).
    6. 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).
    7. 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).
    8. 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).
    9. Mendelsohn, J. Farming systems in Namibia; A publication for the Namibia National Farmers Union (NNFU). RAISON. Windhoek, Namibia. (2006).
    10. Marker, L., Dickman, A., Wilkinson, C., Schumann, B., Fabiano, E. The Namibian cheetah: Status report. Cat News. 3, 4-13 (2007).
    11. 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).
    12. 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).
    13. 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).
    14. 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).
    15. Kelly, M. J. Computer-aided photograph matching in studies using individual identification: an example from Serengeti cheetahs. J. Mammal. 82, (2), 440-449 (2001).
    16. 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).
    17. 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).
    18. 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).
    19. 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).
    20. Panwar, H. S. A note on tiger census technique based on pugmark tracings. Indian For. (Special Issue), 70-77 (1979).
    21. Sagar, S. R., Singh, L. A. K. Technique to distinguish gender of tiger (Panthera tigris) from pugmarks. Indian For. 117, 24-28 (1993).
    22. 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).
    23. 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).
    24. 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).
    25. Gore, A. P., et al. Tiger census: role of quantification. Curr. Sci. 64, 711-714 (1993).
    26. 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).
    27. Sharma, S., Jhala, Y., Sawarkar, V. B. Gender discrimination of tigers by using their pugmarks. Wildl. Soc. Bull. 31, (1), 258-264 (2003).
    28. Sharma, S., Jhala, Y., Sawarkar, V. B. Identification of individual tigers (Panthera tigris) from their pugmarks. J. Zool. 267, (1), 9-18 (2005).
    29. Sharma, S., Wright, B. Monitoring tigers in Ranthambore using the digital pugmark technique. Wildlife Protection Society of India. New Delhi, India. (2005).
    30. Riordan, P. Unsupervised recognition of individual tigers and snow leopards from their footprints. Anim. Conserv. 1, (4), 253-262 (1998).
    31. 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).
    32. Laity, K. M. Field Validation of the Footprint Identification Technology on Free-roaming Cheetahs in Namibia. Duke University. (2015).
    33. Jewell, Z. Effect of monitoring technique on quality of conservation science. Conserv. Biol. 27, (3), 501-508 (2013).
    34. 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).
    35. 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).
    36. 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).

    Comments

    0 Comments


      Post a Question / Comment / Request

      You must be signed in to post a comment. Please or create an account.

      Usage Statistics