Spotting Dynamo Kiev: Identifisere enkeltpersoner med sine Footprints

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 (Acinonyx jubatus) er Afrikas mest truede felid og oppført som sårbar med en fallende bestandsutviklingen av IUCN rødliste over truede arter 1. Den globale gepard befolkningen er anslått til å være mellom 7-10,000 personer 1 og Namibia er anerkjent som den største høyborg av frittgående gepard, med kanskje mer enn en tredjedel av verdens befolkning 4,6,7. Bestandsestimater for Sør-Afrika i 2007 er lagt Namibias geparder befolkningen 2000 med neste nærmeste område tilstand Botswana med 1800, fulgt av Sør-Afrika (550), Zimbabwe (400), Zambia (100), Mosambik (<5). Flere stater var unassessed 7.

Namibiske myndigheter har et klart uttalt visjon om "Sikker, levedyktige cheetah bestander tvers av en rekke økosystemer som vellykket eksistere sammen med, og er verdsatt av, folk i Namibia." Men husdyrog spillet oppdrett er viktig land bruker i Namibia 8,9 og grunneiere regelmessig felle og drepe gepard på sine eiendommer i et forsøk på å redusere predasjon på husdyr eller verdifulle arter. Mer enn 1200 geparder ble fjernet 1991-2006, men ikke alle slike "offtakes 'ble registrert 10. Videre er det en debatt om hvorvidt dette er en effektiv løsning til bonden-gepard konflikt. Fjerning av dyr oppfattes som forårsaker konflikten, ved å drepe eller translokasjon kan være mindre effektive enn innstrammingen av konflikt på andre måter, for eksempel bedre husdyr beskyttelse 11. Publisert priser for overlevelse for 12 måneder etter trans har variert fra 18% 11-40% 12.

Samle pålitelige data på tallene, identitet og distribusjon av gepard i Namibia er nøkkelen til å løse menneske gepard konfliktsituasjoner. Nåværende gepard overvåking teknikker varierer fra målrettede spørre fra Namibian Miljøverndepartementet og turisme til interessenter 4 til opportunistiske observasjoner av turister og regjeringen rapporter 4, bruk av kamera-feller 13, GPS eller VHF krager 10,14, bonde intervjuundersøkelser 8, og selv flekk mønster 15. Imidlertid er sammenligning av effekten av disse teknikkene uten et felles referanse eller kvantifisering av undersøkelsen innsats vanskelig. Hver har begrensninger; GPS satellitt og VHF collars er dyrt og ofte upålitelige, målrettede spørre har begrenset omfang, og kamerafeller har begrenset rekkevidde.

Estimater produseres av disse ulike metoder varierer mye. Marker et al. 10 streket behovet for en mer koordinert tilnærming. En rekke metoder har blitt brukt på områdene rundt for å estimere gepard befolkningstetthet, og disse har produsert en rekke estimater. For eksempel, en radiotelemetri studie anslått 2,5 (± 0,73) geparder / 1000 km 2 (Marker et al. 2007). Denne variasjonen fremhever problemet med å bruke ulike metoder for å anslå tetthet, men så langt ingen enkelt, effektivt, repeterbare teknikken har blitt identifisert som kunne brukes på tvers av det brede utvalget av habitater som pantere opptar i Namibia. Dette er fortsatt et problem for effektiv gepard overvåking og bevaring.

Denne utfordringen utløste utviklingen av en robust, kostnadseffektiv og fleksibelt verktøy for overvåking av gepard. Fotavtrykket identifikasjon teknikken ble først utviklet for svart neshorn 16 og senere tilpasset for et bredt spekter av arter, inkludert hvite neshorn 17, Amur tiger 18, fjelløve 19, og andre.

Ulike studier har indikert at det er mulig å bruke fotspor for å identifisere store rovdyr av arter, enkeltpersoner, og sex. Prosessenhar utviklet seg fra enkle form beskrivelse av spor 20 for en sammenligning av målinger 21, til statistisk analyse av en eller flere målinger 16,17,22-30 og forme analyse 31 .Disse anstrengelser har hatt varierende suksess, avhengig i stor grad av strenghet av datainnsamling og analytiske prosesser, og antallet testdyr som benyttes for å utvikle treningsdatasettene. Det er flere praktiske fordeler med å bruke overføringene. Den første er at bildene kan samles sammen med andre ikke-invasive metoder (for eksempel kamera-fangst, innsamling av DNA fra hår / avføring, etc.) med svært lite ekstra innsats eller kostnad. Dernest fotavtrykk er, hvor underlaget tillater det, den mest utbredte tegn på dyr aktivitet.

Fotavtrykket identifikasjon teknikk er den første robust fotavtrykk identifikasjon teknikk beskrevet for gepard og gjelder på alle områder der overføringene er funnet. Footprints må være sufficiently definert at tærne og hælen av utskrifts kan sees tydelig med det blotte øye. Feltoperatørene må gjøre seg kjent med de grunnleggende anatomi av geparden foten og kunne identifisere utskrifter i området av interesse, og skille dem fra utskrifter av alle andre sympatric store rovdyr. Teknikken kan enten brukes som en folketelling teknikk (f.eks hvor mange pantere er representert ved overføringene samlet?) Eller som et verktøy for å overvåke bestemte personer. Overføringene kan også brukes som "merker" i mark-gjenfangst analyser, ved hjelp av teknikken for å identifisere individer, og deretter beregne lokale tettheten av arten. Datainnsamling krever bare en grunnleggende digital kamera og skala.

Protocol

ETIKK UTTALELSE: Fotavtrykket identifikasjon teknikk er en ikke-invasiv teknikk. Det er ingen biologiske prøver ble tatt. Bare registrerte fange cheetah med tillatelse dokumentasjon ble brukt. Cheetah deltakelse var begrenset til å gå langs en sand sti å forlate fotspor i bytte for en mat belønning.

MERK: Denne protokollen forklarer bruken av et datavisualiseringsprogramvare som JMP, heretter referert til som "datavisualisering programvare» for å klassifisere overføringene bruker fotavtrykk identifikasjon teknikk.

Sikkerhetsmerknad: Dynamo Kiev ble aldri forlatt ubevoktet (2 personer) og ble plassert i egne holding anlegg der det er mulig. Captive pantere brukes til håndtering ble lokket direkte over en sand sti å gjøre overføringene. Andre dyr mindre mottagelig for håndtering ble lokket fra utenfor kabinettet.

Terminologi: Track: En fotavtrykk; Trail: En unbroken serie av spor laget av et enkelt dyr.

1. Samlings Footprints

  1. Patch forberedelse og protokoll
    1. Samle følgende materialer for protokollen: en fin rake, eller en grov rake og tukle, hånd sprinkleranlegg eller vannkanne, to standard herskere (cm) eller en snekkere 'tommestokk for innramming utskrifts, et vanlig digitalkamera (minimum oppløsning 1200 x 1600 pix), en paraplyorganisasjon for skygge hvis nødvendig og standard fotavtrykk etiketter med datainnsamling mellomrom for å registrere navnet på fotografen, dato, fotavtrykk serien, diskret print ID, dyr ID, plassering og dybde hvis> 2 cm).
    2. Arbeid tidlig om morgenen eller sent på ettermiddagen for maksimal lys kontrast på utskriftene. Hvis dette ikke er mulig, kan kunstig skygge fra en paraply forbedre hæl og tå pad definisjon når solen er overhead.
    3. Lå en bane på ca 1 cm dybde på enten naturlig substrat eller bygg sand. Pass på at det dreier seg om2-3 m bred og kjøre for mellom 3 og 15 m langs et gjerde eller vanlige bevegelsesbanen.
    4. Våt og glatt underlag med standard hagearbeid verktøy for å forbedre utskriftskvaliteten og definisjon. manuelt fjerne løv og småstein, hvis det finnes.
  2. Samle fotavtrykk for opplæringen datasettet
    1. Lure geparden over sand banen med en mat belønning. Etter fotavtrykk blir gjort, føre dyret vekk fra banen.
    2. Etter bildebehandling hvert fotavtrykk løype (se 1.3) børste sporene bort og forberede overflaten for opptak neste sti.
    3. Bare samle venstre hind utskrifter for treningsdatasettet. Den venstre bakfot har den ledende tå (toe 3), tå 4 og tå fem lage en skråning til venstre. Foran føttene er bredere enn bakbena. Tilbring tid på å lære hvordan du kan identifisere dem før bildebehandling.
  3. Imaging fotavtrykk ved hjelp av fotavtrykk identifikasjon teknikk protokollen Marker posisjonen til de enkelte fotavtrykk langs stien ved manuelt å tegne en sirkel rundt hver venstre hind fotavtrykk. Bruk en pinne eller et annet egnet lokale verktøyet.
  4. Bilde den første fotavtrykk som følger
    1. Plasser en metrisk skala ca 1 cm under og til venstre for fotavtrykk.
    2. Under skalaen, og ikke berøre fotavtrykk, plasserer en fotografisk ID slip, og skrive i pre-tildelt plasser navnet på fotografen, dato, fotavtrykk serien, dybde (hvis> 2 cm) diskret print ID, dyr ID og plassering.
  5. Skreve print og peker kameralinsen rett over hodet på plass, for å unngå parallax feil i bildet med hensyn til omfanget eller legitimasjon med slip. Bruk et stativ eller assistent for å sjekke om nødvendig.
  6. Kontroller at fotavtrykk, regelen og ID med bilde skli helt fylle rammen.
  7. Samle rundt 20 gode venstre bakben utskrifter for å fullføre samlingen for det dyret. Hvis 20 prints er ikke tilgjengelige fra første spor, gjenta prosesser fra 1.1.6 til 1.3.5 med samme dyr.

2. Bilde Feature Extraction Før Footprint Identification Technique analyse

  1. Dobbeltklikk på fotavtrykk identifikasjon teknikk ikon og åpne det som et tillegg til datavisualiseringsprogramvare. Observer hjem vinduet på skjermen. Velg "Bilde Feature Extraction" for å vise det nye vinduet. Fotavtrykket identifikasjon teknikk kjører på en data visualisering programvare skript i kodespråket JSL. Hovedmenyen er vist i fig. 1.
  2. Ved hjelp av en mus, dra og slipp den første fotavtrykk bildet inn i utvinning vinduet bilde funksjonen. En funksjon utvinning malføreren vises på venstre side av vinduet.
  3. Klikk og velg "endre størrelse" for å sikre at fotavtrykket bildet er inne i grafikkvinduet. Klikk på de laveste punktene på utsiden tærne (tær 2og 5) for å plassere markører og velg deretter "roter". Observer at bildet roteres horisontalt på linje mellom punktene, for å standardisere orientering. Observere et sett av trådkors automatisk komme til å bli brukt i trinn 2,6.
  4. Hvis underlaget er mer enn 1 cm dyp, lage en dybde korreksjon til algoritmen ved å klikke på "underlaget dybde" -knappen.
  5. Klikk for å plassere to skalapoeng i ønsket skala. For geparden satt skalaen på 10 cm, satt på skalaen faktoren boksen.
  6. Bruke mal til venstre på det grafiske vinduet, plasserer 25 landemerke poeng sekvensielt. Utgangspunkt punktene er definert anatomiske punkter på plass, for eksempel den mest fremre, bakre, laterale og mediale punkter for hver tå og hæl. Bruk trådkorset for å forbedre nøyaktigheten for uerfarne brukere. Observere en melding vises øverst til venstre på bildet for å vise sekvensen poeng.
  7. Velg "Avledet poeng" for å generere ytterligere femten poeng from landemerket poeng. Denne prosessen forsterker antall variabler som er tilgjengelige for algoritmen utvikling.
  8. Fullfør alle datafelt for fotavtrykk bildet; gepard, spor, sti, dato, tid og sted punkt (GPS). Fig. 2 viser stadier 2,2-2,8.
  9. Trykk på 'føye rad' knappen for å sende 136 variabler skriptede (avstander, vinkler, områder) til en rad i databasen.
  10. Gjenta punktene 2.1 til 2.9 for alle overføringene til databasen er befolket med xy-koordinater for hver landemerke og avledet punktet og alle de beregnede variabler for hvert fotavtrykk.
  11. Kopier alle radene i databasen og lime dem under databasen. Dette duplisering settet kalles Referanse Tyngdepunktet Value (RCV) og virker å stabilisere fotavtrykk identifikasjon teknikk modell for senere parvise sammenligningen av fotavtrykk stier.

3. Utvikling av Footprint Identification Technique Algoritme for Cheetah

Parvise robust cross-validert diskriminant analyse
  1. Fra hovedmenyen, velge og åpne den robuste cross-validert parvise analysevinduet (Fig. 3). Fotavtrykket identifikasjon teknikk modellen bruker en klassifikator for å fastslå sannsynligheten for et par stier som tilhører samme person eller to ulike individer (Fig. 4).
  2. Gjennomføre en parvise sammenligningen av stier ved hjelp av trening database over kjente personer som følger:
    1. Velg Cheetah som "inngang x, modell kategorien", og stier som "inngangs stier". Y kolonner (fotavtrykk målinger), som kontinuerlige variabler, er automatisk befolket.
    2. Velg "Kjør". Observere en fremdriftslinje viser analysen pågår. Observere en datatabell vises viser parvise sammenligninger av stier.
    3. Observer to utganger, til en tildelt selv / ikke-selv tabellen nedenfor beskriver klassifisering avstand mellom hver validation par, og en klasse matriser vindu som viser de forskjellige stier som er valgt for sammenligning, og konturen sannsynlighet. Observer viser modellen knappen som viser variablene som brukes for hver sammenligning, og avstanden terskelen boksen som gir avstanden mellom centroids.
    4. Velge knappen 'klynger' på undersiden av det tilordnede selv / ikke-selv tabell. Observer to tabeller. De første viser avstander mellom to stier. Den andre er en "klynge" dendrogram - det endelige resultatet for klassifisering av variabler valgt. Visualklassifiserings klynger ved å klikke på en gren av dendrogram å fargekode det.
    5. Test nøyaktigheten av klassifiseringen ved å variere antallet variabler (målinger) og konturen sannsynlighet (konfidensintervallet rundt den sentroide verdi). Re-visualisere dataene i klyngen dendrogram genereres ved hjelp av 18 variablene (fig. 5a). Dette gir korrekt forutsigelse av syvpantere. Tall 5b (24 variabler) og c (10 variabler) viser ulike estimater av gepard tall oppnådd ved å teste ulike variable og kontur sannsynlighets innganger.
      MERK: fordelingskurve med glideskala gir den relative sannsynlighet (sjanse) av forventet antall starter med 100%. Som glideskalaen beveges den relative sannsynlighet for hvert estimat hver side av den forutsagte verdi er vist. Figur 5d viser resultatet med 18 variable, med glideskala beveges i en retning for å vise at sjansen for ti pantere er mindre enn 50 %.
    6. Velg algoritme som konsekvent gir den høyeste nøyaktighet. Juster terskelverdi for å tillate at algoritmen for å bli satt til å frembringe resultatet som best er tilnærmet lik det antall dyr som er kjent i treningsdatabasen (fig. 5a).
  • Full holdback rettssak for validering <br /> Valider algoritmen for både forventet antall individer og nøyaktigheten av clustering klassifisering ved hjelp av holdback prøvelser og tilfeldig fordele den enkelte gepard i datasettet for å teste og treningssett (Fig. 6). Trinnene til bruk er som følger:
    1. Fra referansedatabase, bestemme seg for et passende intervall for sekvensiell oppdeling av datasettet i test og trening set størrelser. For geparden database, bruker intervallet som fire.
    2. Tilfeldig velge fire personer som testdatasettet (forlater 34 i treningssettet). Skjule identiteten til de fire testpersoner valgte.
    3. Klikk på "Parvise Data Analysis" og velg alle løypene for de fire testpersoner.
    4. Klikk "Kjør" for å starte fotavtrykk identifikasjon teknikk analyse. Analysen vil gi en prediksjon for antall personer i testdatasettet. Veksle denne prosessen ni ganger (totalt 10), hvertid tilfeldig velge fire personer.
    5. Beregn middelverdien forutsagte verdi for denne testen størrelse (dvs. fire). Deretter gjentar du prosessen sekvensielt for åtte tilfeldig utvalgte personer (avhengig av størrelse intervallet) og deretter 12 og så videre med ti gjentakelser for hver test størrelse. Beregn middelverdien forutsagte verdi for hver test størrelse.
    6. Ved hjelp av en grafisk fremstilling programvare tomten en graf som vist i fig. 6. Den røde linjen viser selve testen størrelse plottet mot seg selv, de grønne stjernene viser den anslåtte antall individer for hver iterasjon og den blå linjen viser gjennomsnitts predikerte verdier for hver test størrelse. Nærheten av de røde og blå linjene er en indikator på nøyaktigheten av fotavtrykket identifikasjon teknikk analyse.
  • Representative Results

    individuell identifikasjon

    Evnen til fotavtrykk identifikasjon teknikk for å klassifisere enkelte gepard er betinget av to faktorer, bruk av en standardisert fotavtrykk samling protokoll og en ny statistisk modell basert på en cross-validert parvise diskriminant analyse med en Ward clustering analyse. Disse er tilrettelagt av et integrert grafisk brukergrensesnitt for visualisering av data (Fig. 1). Minimal utstyr er nødvendig, noe som gjør denne teknikken kostnadseffektiv (Materialer List). Data som samles inn med fotavtrykk inkludert antall pantere, antall fotavtrykk bilder samlet, rekke fotavtrykk per gepard, antall løyper, utvalg av løyper per gepard og alders rekke pantere (tabell 1).

    781 fotavtrykk (M: F 395: 386) som tilhører 110 løyper, fra 38 personer, ble samlet for opplæringen datasettet Tabell 1 gir.en oppsummering av data samlet inn. Ved hjelp av egenskapsuttrekking vinduet (fig. 2) et sett av 25 landemerker punktene var i stand til å generere 15 avledet punkter på hver fotavtrykk bilde. Fra disse landemerke og avledet punkter 136 variabler ble generert for hvert fotavtrykk, bestående av avstander, vinkler og områder. Hver rad i databasen representerte derfor de 136 variablene som genereres av en enkelt fotavtrykk. Footprints ble behandlet av stien. Et varierende antall rader representerte hver sti, og ble merket som sådan.

    Disse data ble duplisert inn i datatabellen som en enhet så referert til som referanse Tyngdepunktet verdi (RCV) som virker til å stabilisere den parvise sammenligning av stier som er nødvendige for individuell klassifisering. Den parvis analysevinduet (Fig. 3) ble utviklet for å hjelpe validere data og / eller test for data fra ukjente bestander. Figur 4 viser resultatet av en parvis sammenligning av stier fra samme individual (A) og to forskjellige individer (B) basert på fotavtrykk identifikasjon teknikk tilpasset modell. Klassifisereren inkorporeres i modellen er basert på tilstedeværelse eller fravær av overlapping mellom ellipser. Legg merke til at analysen blir utført for hver parvis sammenligning, i nærvær av en tredje enhet, dvs. referanseverdi sentroide (RCV).

    Ved hjelp av en robust parvise cross-validert diskriminant analyse med en Ward clustering analyse, ble en algoritme generert for å gi effektiv klassifisering av enkeltpersoner. Fotavtrykket identifikasjon teknikk algoritmen er basert på tre justerbare enheter; det antall målinger som brukes, ellipsen størrelse (konfidensintervall brukt), og den terskelverdi som bestemmer den cut-off-verdien for klynger. Hver av disse enhetene er justert i programvaren til den høyeste nøyaktighet for klassifisering er oppnådd for opplæring sett av dyr med kjent identitet. Det samme Algorithm kan deretter brukes til å identifisere ukjente geparder. For eksempel figurene 5a, b og c viser en dendrogram av et utvalg av stier fra sju pantere viser riktig prediksjon når algoritmen er optimalisert (a), og når algoritmen er suboptimal (b & c).

    Holdback studier ble utført for å bekrefte den algoritme utledet fra treningssettet av "kjente" individer. Disse ble utført sekvensielt ved å variere andelen av cheetahs i test- og treningssett. Snarere enn å fordele geparder til opplæring og testsett vilkårlig, ble analysene utført sekvensielt økende testsettet størrelse. For hver test sett, ble 10 gjentakelser utført med pantere blir valgt tilfeldig for hver iterasjon. For hvert testsett, tillot dette en middelverdi som skal beregnes. Figur 6. Viser varierende størrelse testen plottet mot seg selv (rød), og på y-aksen den forutsagte verdi for hver test størrelse iterasjon (grønn) Og den midlere forutsagte verdi for hvert test størrelse (blå). Plottet viser at selv når testsett størrelsen økes betraktelig (n = 28) sammenlignet med treningssettet størrelse (n = 10), forutsagte middelverdi er lik den forventede verdi.

    Bruk av flere holdback studier nøyaktigheten av individuelle identifikasjon var konsekvent> 90% for både den forventede antall individer og, like viktig, klassifisering av stier, dvs. om løypene fra samme individ (self-stier) og de ​​fra ulike individer (ikke-selv løyper) klassifisert riktig. En klynge dendrogram representerer alle 38 individuelle geparder er vist (Fig. 7). Det var 110 løyper, genererer totalt 5,886 parvise sammenligninger. Av disse var det 46 feilklassifiseringer gir en nøyaktighet på 99% (tabell 2).

    # Av pantere # Av fotavtrykk bilder Utvalg av fotavtrykk per gepard # Løype Utvalg av stier per gepard Alders (år)
    kvinner 16 386 12-36 55 2-5 02.05 til 08.05
    hanner 22 395 7-32 54 1-4 1 - 11
    Total 38 781 7-36 109 1 - 5 1 - 11

    Tabell 1. Sammendrag av innsamlede data. Antallet Dynamo Kiev, antallet fotavtrykk bilder innsamlet, utvalget av footprints per gepard, antall løyper, utvalget av stier per gepard og alders utvalg av pantere.

    Selv Non-self Total feilklassifiseringer
    Selv (N) 117 9 126 9
    Selv (%) 93 7 100 7
    Non-self (N) 37 5723 5760 37
    Non-self (%) 1 99 100 1
    Total (N) - - 5886 46
    Totalt (%) </ Td> - - 100 1

    Tabell 2. Utgangen i fotavtrykk identifikasjon teknikk programvare viser klassifiseringen av stier basert på parvise sammenligningen. 'Selv' refererer til stier fra samme individ og "ikke-selv", stier fra ulike individer. Hver løype ble matchet mot alle andre spor ved hjelp av en tilpasset robust kryss-validerte diskriminant analyse modell. 110 løyper resulterte i 5,886 parvise sammenligninger og sammenlagt nøyaktighet var 99%.

    Figur 1
    Figur 1. Den åpne hovedmenyen vindu i fotavtrykk identifikasjon teknikk. Dette er et bilde identifikasjon add-in til data visualisering programvare, utviklet for å klassifisere overføringene av indi duelle, kjønn og aldersklasse fra morfometriske målinger. Et grafisk brukergrensesnitt muliggjør sømløs navigering mellom ulike alternativer. Klikk her for å se en større versjon av dette tallet.

    Figur 2
    Figur 2. utvinning vinduet funksjonen. Capabilities omfatter dra og slippe bilder, automatisk skalering til vinduet, rotasjon av bilder for standardisering, underlaget dybde factoring, etc. forhåndstildelt landemerke punkter manuelt plassert og generere en rekke skriptede avledet poeng til muliggjøre uttak av verdier i form av avstander, vinkler og områder. Utgangen er i form av en rad med data som gir xy-koordinater og beregninger.ank "> Klikk her for å se en større versjon av dette tallet.

    Figur 3
    Figur 3. Parvise dataanalyse vindu i fotavtrykk identifikasjon teknikk. Når en database med målinger har blitt opprettet, parvis analysevinduet er utviklet for å hjelpe validere data og / eller test for data fra ukjente bestander. Analysen er basert på en tilpasset modell som omfatter en konstant, referanse Tyngdepunktet verdi (RCV), som sammenligner par av stier sekvensielt 16,17. Det endelige resultatet er i form av en klynge dendrogram som gir en prognose for antall individer og forholdet mellom stiene. Klikk her for å se en større versjon av dette tallet.

    "Figur Figur 4. Parvise sammenligninger. Figuren viser resultatet av en parvis sammenligning av stier fra samme individ (A) og to forskjellige individer (B) basert på en tilpasset modell i datavisualiseringsprogramvare. Klassifisereren inkorporeres i modellen er basert på tilstedeværelse eller fravær av overlapping mellom ellipser. Merk at analysen er utført for hver parvise sammenligningen i nærvær av en tredje enhet, dvs. referanse Tyngdepunktet verdi (RCV). Klikk her for å se en større versjon av dette tallet.

    Figur 5
    Figur 5. En dendrogram av et utvalg av stier fra sju pantere viser riktig prediction når algoritmen er optimalisert (a), og når algoritmen er suboptimal (b og c). d viser resultatet med 18 variable, med glideskala beveges i en retning for å vise at sjansen for ti pantere er mindre enn 50% . Algoritmen er basert på tre justerbare enheter; antall målinger brukes, ellipse størrelse (konfidensintervall brukes) og til slutt, terskelverdien som avgjør cut-off verdi for klynger. Klikk her for å se en større versjon av dette tallet.

    Figur 6
    Figur 6. En dobbeltsjekkingsforsøk utført sekvensielt ved å variere andelen av cheetahs i test- og treningssett. I stedet for å fordele geparder til trening og testing for segts vilkårlig, ble en analyse utført sekvensielt økende testsettet størrelse. For hver test sett, ble ti gjentakelser utført med pantere blir valgt tilfeldig for hver iterasjon. For hvert testsett, tillot dette en middelverdi som skal beregnes. Figuren viser varierende størrelse testen plottet mot seg selv (rød), og på y-aksen den forutsagte verdi for hver test størrelse iterasjon (grønn) og den midlere forutsagte verdi for hvert test størrelse (blå). Plottet viser at selv når testsett størrelsen økes betraktelig (n = 28) sammenlignet med trening sett størrelsen (n = 10), spådde gjennomsnittsverdien er lik den forventede verdien. Klikk her for å se en større versjon av dette tallet.

    Figur 7
    Figur 7. dendrogram viser spådd utfallet når alt110 løyper fra 38 pantere er inkludert i analysen. Legg merke til troskap av løypene danner klynger. Interessant, mange av feilklassifiseringer var mellom kullsøsken, for eksempel, gepard Letotse / Duma og Vincent / Bonsai. Klikk her for å se en større versjon av dette tallet.

    Discussion

    Denne artikkelen beskriver den teoretiske anvendelsen av fotavtrykk identifikasjon teknikk og sitt potensial som en ny kostnadseffektiv, community-vennlig tilnærming til overvåking, og dermed bidrar til å spare gepard. De neste trinnene i bredere anvendelse av verktøyet vil bli mer omfattende felttesting med cheetah bestander i utvalg områder.

    Fotavtrykket identifikasjon teknikk skiller seg fra tidligere forsøk på å identifisere enkeltpersoner fra fotavtrykk i flere viktige henseender; en standardisert og streng fotavtrykk samling protokollen, en strømlinjeformet grafisk brukergrensesnitt programvare, orienteringen og optimalisering av bilder før analyse, og en ny statistisk modell for klassifisering.

    Det er flere viktige skritt som er nødvendige for å lykkes i protokollen. Først må sandstier være forberedt på riktig måte og dyret ledet over sanden på en normal avslappet gangfart. Når bildebehandling fotavtrykk, den fotogapher må være rett over hodet på midten av print. Ofte er det nyttig å ha en observatør til å sjekke dette. Til slutt, er det svært viktig at fotografen (eller en assistent, som kan være en ekspert tracker) kunne identifisere en gepard fotavtrykk på bakken, og har ferdigheter til å spore sporet av overføringene fremover eller bakover langs linjen av reiser .

    Sporing ferdigheter er avgjørende for effektiv videre implementering av denne teknikken for overvåking av ukjente eller frittgående geparder. En mangel på dyktighet kan føre til innsamling av utilstrekkelig veldefinerte spor eller forvirring mellom stier forskjellige dyr som kan reise sammen. Dette siste punktet er spesielt viktig for geparder, hvor unge menn noen ganger danner koalisjoner av 3 eller flere dyr som beveger seg sammen. Imidlertid har denne bekymringen er adressert til en annen sosial art, den hvite neshorn, der grupper på opp til 13 personer flytter sammen var riktig identifisertfisert av fotavtrykk identifikasjon teknikk med forover eller bakover sporing av stier (Alibhai et al. 2008) 17.

    Mens det nå er få gjenværende dyktige innfødte trackere er felles innsats blir gjort for å engasjere seg med dem og overføre sine ferdigheter til yngre medlemmer av lokalsamfunnet. Et slikt initiativ, Academy of Ancient Skills, vil bli holdt av N / A'an ku SE Foundation i Namibia. Tilsvarende er den raske veksten av tracker opplæringssertifiseringsprogrammer slik at forskere og amatørnatur å lære disse viktige feltteknikker.

    Den nøyaktige manuell posisjonering av landemerke poeng på fotavtrykk bildene er sentralt for nøyaktigheten av teknikken. Igjen, må operatørene være kjent med grunnleggende anatomi av foten og resulterende fotavtrykk. Forfatterne er for tiden forsøker å utvikle automatisering for å minimere det manuelle arbeidet, og bidra til å løse eventuelle bekymringer om standardization tvers av ulike operatører. I mellomtiden er det bare anbefalt at landemerke posisjonering være ansvarlig for en operatør på hvert felt nettsted. Det arbeides med å engasjere statsborger forskere i datafangst og analyse, som enormt vil forsterke felt-program. Til tross for disse dagens begrensninger, har denne programvaren protokollen blitt utplassert i felten for en rekke arter, inkludert svart og hvitt neshorn, Lowland tapir og Amur tiger.

    Arbeide med overføringene har en åpenbar begrensning - underlaget må tillate sine klare inntrykk. Delvis utskrifter eller dårlig kvalitet på utskriftene gi tilstrekkelig detalj 32. Men store deler av gepard serien er ideell for fotavtrykk samling, og for små ellers uegnede områder kan det også være mulig å omgå denne begrensningen ved å plassere kunstige sand stier å samle overføringene. Disse fotavtrykk inntrykk pads kan brukes effektivt i kombinasjon med caMera-feller, for eksempel ved kjente gepard merking innlegg / trær. Sporing ferdigheter og lokalkunnskap kan i stor grad hjelpe med å finne og identifisere områder med egnet substrat.

    Fordi fotavtrykk identifikasjon teknikk er ikke-invasiv, betyr det ikke forårsake noen forstyrrelser i økologi eller oppførselen til dyret. Mange studier har vist at potensialet og reell risiko for fangst, immobilisering, håndtering og montering av instrumentering, kostnadene som påløper i en slik praksis, og risikoen for å samle upålitelige data 33. Footprint identifikasjon som en teknikk har en annen fordel i bevaring ledelse. Basert på tradisjonelle sporing ferdigheter og kostnadseffektivitet, kan det engasjere tidligere marginaliserte lokalsamfunn i prosessene for bevaring overvåking. Stander 34 og Liebenberg 35 uavhengig adressert og bekreftet bevaringsovervåkings ferdigheter og verdien av å inkludere disse gruppene.

    Fremtidig utvikling i fotavtrykket identifikasjon teknikk evne til å overvåke gepard er pågående, og inkluderer feltforsøk for validering med frittgående geparder, bygge aldersklassen algoritmer (herunder endringer i foten morfologi av individer over tid) og underlaget kontroller. Forfatterne undersøker også teknikker i datamaskinen visjon som tillater image-segmentering for å optimalisere nøyaktigheten og konsistensen i merking landemerke poeng.

    Siden fotavtrykk er en av de mest utbredte dyr tegn, og ofte mye lettere å finne enn dyrene selv, kunne bredere adopsjon av fotavtrykk identifikasjon være banebrytende i bevaring overvåking. Verdens største vernede terrestriske områder får anslagsvis åtte milliarder fritidsbesøk per år 36. Et flertall av de besøkende nå gjennomføre smartphones. Bruke en app utviklet for WildTrack innsamling av fotavtrykk data vil være enkel og rask og kunne potensielt effect et datasett av enestående utvalgsstørrelse og romlig skala. Med en kostnadseffektiv datainnsamling protokollen, fotavtrykk identifikasjon teknikk tilpasser seg lett til maske inn i noen bevaring verktøykasse. Som et bilde klassifiseringssystemet, er det robust modell kan også ha anvendelse i det medisinske, rettsmedisinske og politi felt (for eksempel anti-krypskyting).

    Disclosures

    Publiserings avgifter for denne videoen artikkelen ble betalt 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