Spotting Cheetahs: identifiera individer av deras fotspår

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

Geparden (Acinonyxjubatus) är Afrikas mest hotade felid och räknas som sårbar med en minskande befolkningsutveckling av IUCN rödlista över hotade arter 1. Den globala gepard befolkningen uppskattas till mellan 7-10,000 personer 1 och Namibia är erkänd som den största fäste för frigående gepard, med kanske mer än en tredjedel av världens befolkning 4,6,7. Befolkningsskattningar för södra Afrika 2007 placerade Namibias gepard befolkningen i 2000 med den näst närmaste intervallet tillstånd Botswana med 1800, följt av Sydafrika (550), Zimbabwe (400), Zambia (100), Moçambique (<5). Flera stater var Icke bedömda 7.

Namibiska myndigheterna har ett tydligt visionen om "Säkra, livskraftiga gepard populationer inom en rad olika ekosystem som framgångsrikt samexistera med, och värderas av, folk Namibia." Emellertid boskapoch spel jordbruk är större markanvändningen i Namibia 8,9 och markägare regelbundet fånga och döda gepard på deras egenskaper i ett försök att minska predation av boskap eller värdefulla djur. Mer än 1.200 Gepard avlägsnades 1991-2006, men inte alla sådana "uttag" registrerades 10. Dessutom finns det en debatt om huruvida detta är en effektiv lösning på jordbrukare-gepard konflikten. Avlägsnandet av djur uppfattas som orsakar konflikter, genom att döda eller translokation kan vara mindre effektiva än lindring av konflikter med andra medel, såsom bättre skydd boskap 11. Publicerad priser för överlevnad för 12 månader efter translokation har varierade från 18% 11 till 40% 12.

Samla tillförlitliga uppgifter om antal, identitet och distribution av gepard i Namibia är nyckeln till att ta itu med människocheetah konfliktsituationer. Aktuell gepard övervakningsteknik sträcker sig från riktade frågeformulär från Namibian ministeriet för miljö och turism till intressenter 4 till opportunistiska observationer av turister och regeringen rapporterar 4, användning av kamerafällor 13, GPS eller VHF kragar 10,14, bonde intervju undersökningar 8, och även fläckmönster 15. Det är dock svårt att jämföra effektiviteten av dessa tekniker utan en gemensam riktmärke eller kvantifiering av undersökningsintensiteten. Var och en har begränsningar; GPS-satellit och VHF kragar är dyra och ofta opålitliga, riktade frågeformulär har begränsad omfattning, och kamerafällor har begränsad räckvidd.

Uppskattningar som produceras av dessa olika metoder varierar kraftigt. Marker et al. 10 betonades behovet av en mer samordnad strategi. En mängd olika metoder har använts på jordbruksmarker för att uppskatta cheetah befolkningstäthet, och dessa har producerat en rad uppskattningar. Till exempel, en radio-telemetri studie uppskattade 2,5 (± 0,73) geparder / 1000 km 2 (al. Marker et 2007). Denna variation belyser problemet med att använda olika metoder för att beräkna densiteten, men hittills har ingen enda effektiva, repeterbar teknik har identifierats som skulle kunna användas i hela det breda spektrum av livsmiljöer som geparder bor i Namibia. Detta är fortfarande ett problem för effektiv gepard övervakning och bevarande.

Denna utmaning utlöste utvecklingen av en robust, kostnadseffektiv och flexibelt verktyg för att övervaka gepard. Fotavtrycket identifieringsteknik utvecklades först för svarta noshörningen 16 och därefter anpassat för ett brett spektrum av arter, inklusive vit noshörning 17, Amur tiger 18, puma 19, och andra.

Olika studier har visat att det är möjligt att använda fotspår för att identifiera stora rovdjur varje art, individer och kön. Processenhar utvecklats från enkla formen beskrivning av fotavtryck 20 till en jämförelse av mätningar 21, statistisk analys av en eller flera mätningar 16,17,22-30 och forma analys 31 .Dessa ansträngningar har haft varierande framgång, till stor del beroende på noggrannheten i den datainsamling och analytiska processer, och antalet försöksdjur som används för att utveckla utbildningsdatamängder. Det finns flera praktiska fördelar med att använda fotspår. Den första är att bilder kan samlas tillsammans med andra icke-invasiva metoder (t.ex. kamera-svällning, DNA samling från hår / avföring, etc.) med mycket liten extra ansträngning eller kostnad. För det andra, fotspår är, där substrat tillstånd, den mest utbredda tecken på djur aktivitet.

Fotavtrycket identifieringsteknik är den första robust fotavtryck identifiering teknik som beskrivits för gepard och är tillämplig på varje plats där fotspår hittas. Fotavtryck måste vara sufficiently definierad att tårna och hälen på bläck syns tydligt med blotta ögat. Fält operatörer måste bekanta sig med den grundläggande anatomi gepard foten och kunna identifiera utskrifter i området av intresse, och skilja dem från utskrifter av andra Sympatric stora rovdjur. Tekniken kan antingen användas som en folkräkning teknik (t.ex. hur många geparder representeras av fotspår samlas?) Eller som ett verktyg för att övervaka enskilda individer. Fotspår kan också användas som "varumärken" i mark-återfångst analyser med hjälp av teknik för att identifiera individer, och sedan beräkna lokala tätheter av arten. Datainsamlingen kräver endast en grundläggande digital kamera och skala.

Protocol

ETIK uttalande: fotavtryck identifieringsteknik är en icke-invasiv teknik. Inga biologiska prover togs. Bara registrerade fångenskap gepard med tillståndshandlingarna användes. Cheetah deltagande var begränsat till promenader längs en sand spår att lämna fotspår i utbyte mot en livsmedels belöning.

OBS: Detta protokoll förklarar användningen av en datavisualiseringsprogram som JMP, nedan kallat "datavisualisering programvara" att klassificera fotspår använder fotavtryck identifieringsteknik.

Säkerhetsdeklaration: Cheetahs aldrig lämnat obevakade (2 personer) och placerades i separata håll anläggningar där det är möjligt. Fångenskap Gepard som används för att hantera lockades direkt över en sand spår att göra fotspår. Andra djur mindre mottagliga för hantering lockades utanför inneslutningen.

TERMINOLOGI: Spår: Ett fotavtryck; Trail: En unbroken rad fotspår som gjorts av ett enda djur.

1. Insamling Footprints

  1. Patch förberedelse och protokoll
    1. Samla följande material för protokollet: en fin rake, eller en grov rake och manipulera, hand sprinkler eller vattenkanna, två standard linjaler (cm) eller en snickare "tumstock för inramning trycket, en vanlig digitalkamera (minsta upplösning 1200 x 1600 pix), ett paraply för skugga vid behov och standard fotavtryck etiketter med uppgifter inspelnings mellanslag för att spela in namnet på fotografen, datum, fotavtryck serien, diskret tryck ID, djur ID, plats och djup om> 2 cm).
    2. Arbetet tidigt på morgonen eller sent på eftermiddagen för maximal ljus kontrast på utskrifterna. Om detta inte är möjligt, kan artificiell skugga från ett paraply förbättra häl och tå pad definition när solen är overhead.
    3. Lägga en bana av ca 1 cm djup av antingen naturliga substrat eller byggsand. Se till att det handlar om2-3 m bred och kördes under mellan 3 och 15 m längs en Inhägnaden eller stadigvarande rörelsebana.
    4. Våt och jämna ut underlaget med standardträdgårdsredskap för att förbättra utskriftskvaliteten och definition. Manuellt ta bort löv och småsten, i förekommande fall.
  2. Samla fotspår för utbildning dataset
    1. Lura gepard över sandbana med ett livsmedel belöning. Efter fotavtrycken har gjorts, leda djuret bort från banan.
    2. Efter avbildning varje fotavtryck spår (se 1.3) borsta spåren bort och förbereda ytan för registrering av nästa spår.
    3. Bara samla vänster hind tryck för utbildning dataset. Den vänstra bakfoten har den ledande tå (toe 3), tå 4 och tå 5 gör en lutning åt vänster. Främre fötterna är bredare än baktassarna. Spendera tid att lära sig att identifiera dem innan avbildning.
  3. Imaging fotspår med hjälp av fotavtryck identifieringsteknik protokoll Markera läget för de enskilda fotspår längs leden genom att manuellt rita en cirkel runt varje vänster bakre fotavtryck. Använd en pinne eller någon annan lämplig lokal verktyg.
  4. Bild första fotavtryck på följande sätt
    1. Placera en metrisk skala ca 1 cm nedanför och till vänster om fotavtryck.
    2. Enligt skalan, och inte röra fotavtryck, placera en fotolegitimation slip och skriva i förväg tilldelade utrymmen namn fotograf, datum, fotavtryck serien, djup (om> 2 cm) diskret tryck ID, djur ID och plats.
  5. Grenslar tryck och rikta kameraobjektivet direkt ovanför fotavtrycket, för att undvika parallax fel i bilden i förhållande till eller foto skala ID halka. Använd ett stativ eller assistent för att kontrollera om det behövs.
  6. Se till att fotavtryck, regeln och foto-ID glida helt fylla ramen.
  7. Samla cirka 20 god kvalitet kvar hind utskrifter att komplettera samlingen för djuret. Om 20 prInts är inte tillgängliga från den första leden, upprepade processer från 1.1.6 till 1.3.5 med samma djur.

2. Bild Feature Extraction Före Footprint Identification Technique analys

  1. Dubbelklicka på teknik ikonen fotavtryck identifiering och öppna den som ett tillägg till datavisualiseringsprogram. Beakta hem fönster på skärmen. Välj "Bild Feature Extraction" för att visa den nya fönster. Fotavtrycket identifieringsteknik körs på en datavisualisering programvara script i kodspråk JSL. Huvudmenyn visas i fig. 1.
  2. Med hjälp av en mus, dra och släppa den första fotavtryck bilden i bild feature extraction fönster. En feature extraction mall guide visas till vänster i fönstret.
  3. Klicka och välj "Resize" för att säkerställa att fotavtryck bilden är inne i grafikfönstret. Klicka på den lägsta punkten på utsidan tår (tår 2och 5) för att placera markörer och välj sedan "rotera". Observera att bilden roteras horisontellt på linje som förbinder punkter, att standardisera orientering. Observera en uppsättning hårkorset visas automatiskt för att användas i steg 2,6.
  4. Om underlaget är mer än 1 cm djup, göra en djup korrigering algoritmen genom att klicka på "substrat djup" -knappen.
  5. Klicka för att placera två skalpoäng på önskad skala. För gepard in skalan på 10 cm, som ligger på skalfaktorn rutan.
  6. Använda mallen på vänster grafikfönstret, placera 25 landmärkespunkter sekventiellt. Landmärkespunkter är definierade anatomiska punkter på fotavtrycket, exempelvis den mest främre, bakre, laterala och mediala punkterna i varje tå och häl. Använd hårkorset för att förbättra noggrannheten för nybörjare. Observera en uppmaning på upp till vänster på bilden för att visa sekvensen av punkter.
  7. Välj "Derived poäng" för att generera ytterligare femton poäng frOm landmärket punkter. Denna process förstärker antalet variabler som är tillgängliga för algoritmutveckling.
  8. Fyll i alla datafält för fotavtryck bilden; gepard, spår, spår, datum, tid och plats punkten (GPS). Fig. 2 visar stadier 2,2-2,8.
  9. Tryck på "lägg raden" knappen för att skicka 136 manus variabler (avstånd, vinklar, områden) till en rad i databasen.
  10. Upprepa stegen 2.1 till 2.9 för alla spår tills databasen befolkade med xy-koordinater för varje landmärke och härledda punkten och alla de beräknade variabler för varje fotavtryck.
  11. Kopiera alla rader i databasen och klistra in dem under databasen. Denna dubblering uppsättning kallas referens Centroid Value (ONU) och verkar för att stabilisera modell fotavtryck identifieringsteknik för efterföljande parvisa jämförelsen av fotavtryck spår.

3. Utveckling av Footprint Identification Technique Algoritm för Cheetah

Parvis robust kors validerad diskriminantanalys
  1. Från huvudmenyn, välja och öppna den robusta fönstret (Fig. 3) tvär validerats parvis analys. Tekniken modell fotavtryck identifiering använder en klassificerare för att bestämma sannolikheten för att ett par spår som hör till samma individ eller två olika individer (Fig. 4).
  2. Genomför en parvisa jämförelsen av spår med hjälp av utbildning databas med kända personer enligt följande:
    1. Välj Cheetah som "input x, modell kategorin", och spår som "input spår". Y kolumner (fotavtryck mätningar), som kontinuerliga variabler, automatiskt befolkade.
    2. Välj "Kör". Observera en förloppsindikator som visar den pågående analysen. Beakta en datatabell visas visar parvisa jämförelser av stigar.
    3. Observera två utgångar, till en tilldelad själv / icke-själv tabell beskriver klassificerings avståndet mellan varje validation par, och en klassificering matriser fönster som visar de olika spår som valts ut för jämförelse, och kontur sannolikhet. Observera modellen knappen visar att visar de variabler som används för varje jämförelse, och avståndet tröskellåda som ger avståndet mellan tyngd.
    4. Välj "kluster" knappen vid basen av den tilldelade själv / icke-själv bord. Observera två tabeller. De första utställningar avstånd mellan två spår. Den andra är en "kluster" dendrogram - slutresultatet för klassificering av utvalda variabler. Visualisera klassificerings kluster genom att klicka på någon gren av dendrogram att färgkoda det.
    5. Testa riktigheten av klassificeringen genom att variera antalet variabler (mätningar) och kontur sannolikhet (konfidensintervallet runt centreringsvärde). Åter visualisera data i klustret dendrogram genereras med hjälp av 18 variabler (Fig. 5a). Detta ger en korrekt förutsägelse av sjugeparder. Figurerna 5b (24 variabler) och C (10 variabler) visar olika uppskattningar av Cheetah siffror som erhållits genom att testa olika rörliga och kontursannolikhetsingångarna.
      OBS! Fördelningskurva med glidande skala ger den relativa sannolikheten (chansen) av den förutsagda nummer som börjar med 100%. Som den glidande skala förflyttas den relativa sannolikheten för varje uppskattning endera sidan av det förutsagda värdet visas. Figur 5d visar resultatet med 18 variabler, med den glidande skala förflyttas i en riktning för att visa att risken för tio geparder är mindre än 50 %.
    6. Välj den algoritm som konsekvent ger högsta noggrannhet. Justera tröskelvärdet för att tillåta den algoritm som ska ställas in för att producera resultatet som bäst approximerar till det antal djur som är kända i träningsdatabasen (Fig. 5a).
  • Full holdback försök för validering <br /> Validera algoritmen för både det förväntade antalet individer och noggrannheten i kluster klassificeringen enligt förhalningsförsök och slumpmässigt fördela individuella gepard i datamängden för att testa och utbildning set (Fig. 6). Stegen att använda är följande:
    1. Från referensdatabasen, besluta om en lämplig intervall för sekventiell uppdelning av dataset i test- och övningsuppsättningen storlekar. För gepard databas använder intervallet som fyra.
    2. Slumpmässigt välja fyra personer som test dataset (vilket 34 i träningsmängden). Dölja identiteten hos de fyra testpersoner utvalda.
    3. Klicka på "Parvis Data Analysis" och markera alla spår för de fyra försökspersoner.
    4. Klicka på "Kör" för att starta analysen fotavtryck identifieringsteknik. Analysen kommer att ge en prognos för antalet personer i test dataset. Iterera denna process nio gånger (totalt 10), var och entid slumpmässigt välja fyra personer.
    5. Beräkna medelvärdet förutsagda värdet för detta test storleken (dvs fyra). Sedan upprepa processen sekventiellt åtta slumpmässigt utvalda personer (beroende på intervallet storlek) och sedan 12 och så vidare med tio iterationer för varje test storlek. Beräkna medelvärdet förutspått värde för varje test storlek.
    6. Med hjälp av en grafiska program att konstruera en kurva som visas i figur. 6. Den röda linjen visar det verkliga provet storlek avsatt mot sig själv, de gröna asterisker visar det förutsagda antalet individer för varje iteration och den blå linjen visar medelförutsagda värdena för varje test storlek. Närheten av de röda och blå linjer är en indikator på noggrannheten av analysen fotavtryck identifieringsteknik.
  • Representative Results

    individuell identifiering

    Förmågan hos fotavtrycket identifieringsteknik för att klassificera individuell gepard är villkorad på två faktorer, användning av ett standardiserat fotavtryck samling protokoll och en ny statistisk modell baserad på en tvär validerad parvis diskriminantanalys med en Wards klusteranalys. Dessa underlättas av ett integrerat grafiskt användargränssnitt för datavisualisering (Fig. 1). Det krävs minimal utrustning, vilket gör denna teknik kostnadseffektiv (Materials List). Uppgifter som samlats in med fotavtryck ingår antalet geparder, antal fotavtryck bilder samlas rad fotspår per gepard, antal spår, antal spår per gepard och åldersintervall av geparder (tabell 1).

    781 fotspår (M: F 395: 386) som tillhör 110 spår, från 38 personer, samlades för utbildning dataset Tabell 1 ger.En sammanfattning av data som samlas in. Använda feature extraction fönstret (Fig. 2) en uppsättning av 25 landmärke punkter kunde generera 15 härrör punkter på varje fotavtryck bild. Från dessa landmärke och härledda punkterna 136 variabler genererades för varje fotavtryck, bestående av avstånd, vinklar och områden. Varje rad i databasen representerad därför de 136 variabler som genereras av en enda fotavtryck. Fotavtryck bearbetades genom leden. Ett varierande antal rader representerade varje spår, och markerades som sådana.

    Dessa data dupliceras i datatabellen som en enhet som avses därefter som Referens Centroid Value (ONU) som verkar för att stabilisera den parvisa jämförelsen av spår som är nödvändiga för individuell klassificering. Fönstret parvis analys (Fig. 3) har utformats för att hjälpa validera data och / eller tester för data från okända populationer. Figur 4 visar resultatet av en parvis jämförelse av spår från samma individual (A) och två olika individer (B) baserat på fotavtryck identifieringsteknik anpassad modell. Klassificerare införlivas i modellen bygger på närvaron eller frånvaron av överlappningen mellan de ellipser. Observera att analysen utförs för varje parvis jämförelse i närvaro av en tredje enhet, det vill säga referenstyngdvärdet (ONU).

    Med hjälp av en robust parvis kors validerade diskriminantanalys med en Wards klusteranalys, var en algoritm genereras för att ge effektiv klassificering av individer. Fotavtrycket identifieringsteknik algoritm är baserad på tre justerbara enheter; antalet mätningar används, ellipsens storlek (konfidensintervall används), och tröskelvärdet som bestämmer brytpunkten för kluster. Var och en av dessa enheter justeras i mjukvaran tills den högsta noggrannheten för klassificering uppnås för övningsuppsättningen av djur med känd identitet. Samma Algorithm kan sedan användas för att identifiera okända geparder. Till exempel, figurerna 5a, b & c visar en dendrogram av ett urval av spår från sju geparder visar rätt förutsägelse när algoritmen är optimerad (a) och när algoritmen är suboptimal (b & c).

    Förhalningsförsök genomfördes för att validera den algoritm som härrör från träningsmängden av "kända" personer. Dessa genomfördes i följd genom att variera andelen geparder i test- och träningsuppsättningar. I stället för att fördela Gepard till utbildning och testuppsättningar godtyckligt, har analyser utförs sekventiellt öka provuppställning storlek. För varje testuppsättning, var 10 iterationer utförts med geparder väljs slumpmässigt för varje iteration. För varje testuppsättning, tillät detta ett medelvärde ska beräknas. Figur 6. Visar den varierande provstorlek plottas mot sig själv (röd), och på y-axeln det förutsagda värdet för varje teststorlek iteration (grön) Och medelvärdet förutsagda värdet för varje teststorleken (blå). Tomten visar att även när testförpackningen storleken ökas avsevärt (n = 28) jämfört med övningsuppsättningsstorleken (n = 10), förutspådde medelvärdet liknar det förväntade värdet.

    Använda flera förhalningsförsök, noggrannheten för individuell identifiering var genomgående> 90% för både det förutsagda antalet individer och lika viktigt, klassificering av spår, det vill säga, om spår från samma individ (själv spår) och de från olika individer (icke-själv spår) klassificeras korrekt. Ett kluster dendrogram representerar alla 38 enskilda geparder visas (Fig. 7). Det fanns 110 spår, vilket ger totalt 5,886 parvisa jämförelser. Av dessa fanns 46 felklassificeringar ger en noggrannhet på 99% (tabell 2).

    # Av geparder # Av fotavtryck bilder Utbud av fotspår per gepard # Spår Utbud av spår per gepard Åldersgrupp (år)
    honor 16 386 12-36 55 2-5 2,5-8,5
    hanar 22 395 7-32 54 1-4 1-11
    Total 38 781 7-36 109 1 - 5 1-11

    Tabell 1. Sammanfattning av insamlade data. Antalet geparder, antalet fotavtryck bilder samlas in, intervallet footprints per gepard, antalet spår, utbudet av spår per gepard och åldersintervall av geparder.

    Själv Icke-själv Total felklassificeringar
    Själv (N) 117 9 126 9
    Själv (%) 93 7 100 7
    Icke-själv (N) 37 5723 5760 37
    Icke-själv (%) 1 99 100 1
    Totalt (N) - - 5886 46
    Totalt (%) </ Td> - - 100 1

    Tabell 2. Utgången i fotavtryck identifieringsteknik programvara visar klassificeringen av spår som bygger på parvisa jämförelsen. "Själv" avser spår från samma individ och "icke-själv", spår från olika individer. Varje spår matchades mot varannan spår med hjälp av en anpassad robust kors validerad diskriminantanalys modell. 110 spår ledde till 5,886 parvisa jämförelser och den totala noggrannheten klassificering var 99%.

    Figur 1
    Figur 1. öppna huvudmenyfönstret i fotavtryck identifieringsteknik. Denna är en bild identifierings tillägg till datavisualiseringsprogram som syftar till att klassificera fotspår efter indi individuella, kön och ålder klass från morfometriska mätningar. Ett grafiskt användargränssnitt tillåter sömlös navigering mellan olika alternativ. Klicka här för att se en större version av denna siffra.

    figur 2
    Figur 2. feature extraction fönstret. Capabilities inkluderar dra och släpp bilder, automatisk storleksändring till fönstret, rotation av bilder för standardisering, substratdjup factoring, etc. Pre-tilldelade landmärke punkter manuellt positionerade och generera en rad manus härledda punkter möjliggöra utvinning av mätvärden i form av avstånd, vinklar och områden. Utgången är i form av en rad med data som tillhandahåller de xy-koordinater och mätvärdena.ank "> Klicka här för att se en större version av denna siffra.

    Figur 3
    Figur 3. Parvis dataanalys fönster i fotavtryck identifieringsteknik. När en databas mätningar har skapats, den parvisa analysfönster är utformad för att hjälpa validera data och / eller tester för data från okända populationer. Analysen är baserad på en anpassad modell som innehåller en konstant referens centroid värdet (RCV), vilket kan jämföras par spår sekventiellt 16,17. Slutresultatet är i form av ett kluster dendrogram som ger en prognos för antalet individer och förhållandet mellan banorna. Klicka här för att se en större version av denna siffra.

    "Bild Figur 4. parvisa jämförelser. Figuren visar resultatet av en parvis jämförelse av spår från samma individ (A) och två olika individer (B) baserat på en anpassad modell i datavisualiseringsprogram. Klassificerare införlivas i modellen bygger på närvaron eller frånvaron av överlappningen mellan de ellipser. Observera att analysen utförs för varje parvis jämförelse i närvaro av en tredje enhet, det vill säga referenstyngdvärdet (ONU). Klicka här för att se en större version av denna siffra.

    figur 5
    Figur 5. En dendrogram av ett urval av spår från sju geparder visa rätt prediction när algoritmen är optimerad (a) och när algoritmen är suboptimal (b & c). d visar resultatet med 18 variabler, med den glidande skala förflyttas i en riktning för att visa att risken för tio geparder är mindre än 50% . Algoritmen är baserad på tre justerbara enheter; antalet mätningar används ellipsen storlek (konfidensintervall används) och slutligen, det gränsvärde som bestämmer gränsvärdet för kluster. Klicka här för att se en större version av denna siffra.

    figur 6
    Figur 6. holdback prov utförs sekventiellt genom att variera andelen geparder i test- och träningsuppsättningar. I stället för att fördela Gepard till utbildning och prov sets godtyckligt, var en analys sekventiellt öka provuppställning storlek. För varje testuppsättning, har tio iterationer utförts med geparder väljs slumpmässigt för varje iteration. För varje testuppsättning, tillät detta ett medelvärde ska beräknas. Figuren visar den varierande provstorlek plottas mot sig själv (röd), och på y-axeln det förutsagda värdet för varje teststorlek iteration (grön) och medelvärdet förutsagda värdet för varje teststorleken (blå). Handlingen visar att även när provuppställning storlek ökas avsevärt (n = 28) jämfört med träningsmängden (n = 10), förutspådde medelvärdet liknar det förväntade värdet. Klicka här för att se en större version av denna siffra.

    figur 7
    Figur 7. dendrogram visar det förväntade resultatet när alla110 spår från 38 geparder ingår i analysen. Notera trohet av de olika spåren bildar kluster. Intressant nog många av felklassificeringar var mellan kullsyskon, t.ex. gepard Letotse / duman och Vincent / Bonsai. Klicka här för att se en större version av denna siffra.

    Discussion

    Detta dokument beskriver den teoretiska tillämpningen av fotavtryck identifieringsteknik och dess potential som en ny kostnadseffektiv, samhälls vänlig inställning till övervakning, och därmed hjälpa till att bevara gepard. Nästa steg i den bredare tillämpning av verktyget kommer att vara mer omfattande fälttester med gepard befolkningen i avståndsområden.

    Fotavtrycket identifieringsteknik skiljer sig från tidigare försök att identifiera individer från fotspår i flera viktiga avseenden; ett standardiserat och rigorös fotavtryck samling protokoll, en strömlinjeformad grafiskt användargränssnitt programvara, orientering och optimering av bilder före analys, och en ny statistisk modell för klassificering.

    Det finns flera viktiga åtgärder som krävs för att lyckas med protokollet. Först måste sand spår beredas korrekt och djuret ledde över sanden på en normal avslappnad promenadtakt. När avbildning fotspår, den photographer måste vara direkt overhead centrum av trycket. Ofta är det bra att ha en observatör för att kontrollera detta. Slutligen är det mycket viktigt att fotografen (eller en assistent, som kan vara en expert tracker) kunna identifiera en gepard fotavtryck på marken, och har förmågan att spåra spår av fotspår framåt eller bakåt längs linjen av resor .

    Spårnings kunskaper är nödvändiga för ett effektivt fortsatta genomförandet av denna teknik för övervakning av okända eller frigående geparder. En bristande skicklighet kan leda till insamling av otillräckligt väldefinierade fotspår eller förvirring mellan spår av olika djur som kan reser tillsammans. Det sistnämnda är särskilt viktigt för geparder, där unga män bildar ibland koalitioner av 3 eller flera djur som rör sig tillsammans. Emellertid har denna oro tagits upp för en annan social art, den vita noshörningen, där grupper på upp till 13 personer som rör sig tillsammans var korrekt identirats av fotavtrycket identifieringsteknik med hjälp av framåt eller bakåt spårning av spår (Alibhai et al. 2008) 17.

    Även om det nu finns några kvarvarande expertursprungs trackers är gemensamma ansträngningar som görs för att ta kontakt med dem och överföra sina kunskaper till yngre medlemmar av deras gemenskap. Ett sådant initiativ, Academy of Ancient färdigheter, kommer att ledas av N / a'an ku sE Foundation i Namibia. På samma sätt är den snabba tillväxten av tracker utbildning certifieringsprogram som gör det möjligt forskare och amatör naturforskare att lära sig dessa viktiga fälttekniker.

    Den exakta manuell positionering av landmärke punkter på fotavtryck bilder är av central betydelse för riktigheten i tekniken. Återigen måste operatörerna vara bekant med grundläggande anatomi av foten och resulterande fotavtryck. Författarna närvarande försöker utveckla automatisering för att minimera det manuella arbetet, och bidra till att lösa eventuella problem om standardization mellan olika operatörer. Under tiden är det helt enkelt rekommenderas att landmärke positionering att ansvara för en operatör vid varje fält webbplats. Ansträngningar görs för att engagera medborgare forskare i avskiljning och analys av data, som enormt kommer att förstärka fält ansökan. Trots dessa nuvarande begränsningarna, har denna programvara protokoll framgångsrikt användas på fältet för en rad arter, inklusive svart och vit noshörning, Lowland tapir och Amur tiger.

    Arbeta med fotspår har en tydlig begränsning - underlaget skall möjliggöra deras tydliga intryck. Partiella utskrifter eller dålig kvalitet utskrifter ger otillräcklig detalj 32. Men stora delar av gepard intervall är idealiska för fotavtryck insamling, och för små annars olämpliga områden det även vara möjligt att kringgå denna begränsning genom att placera konstgjorda sand spår att samla fotspår. Dessa fotavtryck Intryck dynor effektivt kan användas i kombination med caMera-fällor, till exempel på kända gepard märkning inlägg / träd. Spårning kompetens och lokalkännedom kan vara till stor hjälp för att lokalisera och identifiera områden av lämpligt substrat.

    Eftersom fotavtrycket identifierings tekniken är icke-invasiv, betyder inte medföra störningar för ekologin eller beteende hos djuret. Många studier har visat att potentialen och verklig risk för infångning, immobilisering, hantering och montering av instrument, den kostnad som uppstår i sådana metoder, och risken för att samla in tillförlitliga uppgifter 33. Fotavtryck identifiering som en teknik har en annan fördel i naturvårdsförvaltning. Baserat på traditionella spårning färdigheter och kostnadseffektivitet, kan det engagera tidigare marginaliserade lokalsamhällen i processerna bevarande övervakning. Stander 34 och Lieben 35 oberoende behandlas och intygas bevarande övervaknings kompetens och värde att inkludera dessa grupper.

    Den framtida utvecklingen inom teknik kapacitet för att övervaka gepard fotavtryck identifiering pågår, och inkluderar fält försök för validering med frigående geparder, bygga ålders klass algoritmer (inklusive förändringar i foten morfologi av individer över tid) och substrat kontroller. Författarna undersöker också metoder i datorseende som gör att bildsegmentering för att optimera noggrannhet och konsekvens i märkning landmärke punkter.

    Eftersom fotavtryck är ett av de mest utbredda djurtecken, och ofta mycket lättare att hitta än djuren själva, kan mer omfattande användning av fotavtryck identifiering vara omvälvande i bevarande övervakning. Världens största skyddade landområden får uppskattningsvis åtta miljoner fritids besök per år 36. En majoritet av besökarna nu bär smartphones. Using an app utvecklas för WildTrack insamling av fotavtryck data kommer att vara enkelt och snabbt och kunde potentiellt effect en datamängd enorm provstorleken och rumslig skala. Med en kostnadseffektiv datainsamling protokollet anpassar fotavtryck identifieringsteknik lätt att maska ​​i någon bevarande verktygslåda. Som en bild klassificeringssystemet, det är robust modell kan även ha tillämpning inom medicin, rättsmedicin, och brottsbekämpande fält (t.ex. anti-tjuvjakt).

    Disclosures

    Publiceringsersättningar för denna video artikeln betalades av SAS Institute, 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

    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