Spotting Geparder: Identifikation Personer ved deres fodspor

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 opført som sårbar med en faldende befolkning tendens ved IUCN rødliste over truede arter 1. Den globale gepard befolkning skønnes at være mellem 7-10,000 personer 1 og Namibia er anerkendt som den største højborg for fritgående gepard, med måske mere end en tredjedel af verdens befolkning 4,6,7. Befolkning skøn for det sydlige Afrika i 2007 placeret Namibias gepard befolkning på 2000 med den næste nærmeste rækkevidde tilstand Botswana med 1800, efterfulgt af Sydafrika (550), Zimbabwe (400), Zambia (100), Mozambique (<5). Flere stater var unassessed 7.

Namibiske myndigheder har en tydeligt vision om "Sikre, levedygtige gepard befolkninger tværs af en række økosystemer, der med held sameksistere med, og er værdsat af, folk i Namibia." Men husdyrog vildt landbrug er stor arealanvendelser i Namibia 8,9 og grundejere regelmæssigt fælde og dræbe gepard på deres ejendomme i et forsøg på at reducere prædation af husdyr eller værdifulde dyreliv. Mere end 1.200 geparder blev fjernet 1991-2006, men ikke alle sådanne "udtag" blev registreret 10. Desuden er der en debat om, hvorvidt dette er en effektiv løsning til landmanden-gepard konflikt. Fjernelse af dyr opfattes som forårsager konflikt, ved at dræbe eller translokation kan være mindre effektiv end afbødning af konflikter med andre midler, såsom bedre beskyttelse husdyr 11. Udgivet satser for overlevelse i 12 måneder efter translokation har varieret fra 18% 11 til 40% 12.

Indsamling pålidelige data om antal, identitet og distribution af gepard i Namibia er nøglen til at løse menneske-gepard konfliktsituationer. Aktuel gepard overvågningsteknikker spænder fra målrettede spørgeskemaer fra Namibian ministerium for miljø og turisme til interessenter 4 til opportunistiske bemærkninger fra turister og regeringen rapporterer 4, til brug af kamera-fælder 13, GPS eller VHF kraver 10,14, landmand interviewundersøgelser 8, og endda spot mønster 15. Men sammenligning af effektiviteten af ​​disse teknikker uden en fælles benchmark eller kvantificering af undersøgelsesindsatsen er vanskelig. Hver har begrænsninger; GPS satellit og VHF halsbånd er dyre og ofte upålidelige, målrettede spørgeskemaer har begrænset rækkevidde, og kamera-fælder har begrænset rækkevidde.

Skøn fremstillet af disse forskellige metoder varierer meget. Marker et al. 10 understregede behovet for en mere koordineret tilgang. En række metoder er blevet anvendt på landbrugsjord til at estimere gepard befolkningstæthed, og disse har produceret en række skøn. For eksempel, en radio-telemetri undersøgelse anslået 2,5 (± 0,73) geparder / 1.000 km 2 (Marker et al. 2007). Denne variation fokus på problemet med anvendelse af forskellige metoder til at estimere tæthed, men hidtil ingen enkelt, effektiv, gentagelig teknik er blevet identificeret, som kunne anvendes på tværs af mange forskellige levesteder som geparder bor i Namibia. Dette er stadig et problem for effektiv gepard overvågning og bevaring.

Denne udfordring udløste udviklingen af ​​en robust, omkostningseffektiv og fleksibelt værktøj til overvågning af gepard. Teknikken fodaftryk identifikation blev først udviklet for sort rhino 16 og derefter tilpasset til en lang række arter, herunder hvid rhino 17, Amur tiger 18, mountain lion 19, og andre.

Forskellige undersøgelser har vist, at det er muligt at bruge fodspor til at identificere store rovdyr efter art, enkeltpersoner, og køn. Processenhar udviklet sig fra simple form beskrivelse af fodspor 20 til en sammenligning af målinger 21, til statistisk analyse af en eller flere målinger 16,17,22-30 og forme analyse 31 .Disse indsats har haft varierende succes, afhænger i høj grad af stringens i den dataindsamling og analytiske processer, og antallet af forsøgsdyr, der anvendes til at udvikle uddannelsen datasæt. Der er flere praktiske fordele ved at bruge fodspor. Den første er, at billeder kan opsamles sammen med andre ikke-invasive metoder (f.eks kamera-fældefangst, DNA indsamling fra hår / afføring, etc.) med meget lidt ekstra indsats eller omkostning. For det andet fodspor er, hvor substrat tillader det, den mest allestedsnærværende tegn på dyr aktivitet.

Teknikken fodaftryk identifikation er den første robuste fodaftryk identifikation teknikken beskrevet for gepard og er gældende på ethvert sted, hvor fodspor er fundet. Footprints skal være sufficiently defineret, at tæer og hæl af udskriften kan ses tydeligt med det blotte øje. Field operatører skal gøre sig bekendt med den grundlæggende anatomi geparden foden og være i stand til at identificere udskrifter i området af interesse, og skelne dem fra udskrifter af andre sympatiske store rovdyr. Teknikken kan enten bruges som en folketælling teknik (f.eks hvor mange geparder er repræsenteret ved fodspor indsamlet?) Eller som et værktøj til at overvåge bestemte personer. Footprints kan også bruges som 'mærker' i mark-generobre analyser, ved hjælp af teknikken til at identificere enkeltpersoner, og derefter beregne lokale tætheder af arten. Dataindsamling kræver kun en grundlæggende digitalt kamera og skala.

Protocol

Etiske retningslinjer: Teknikken fodaftryk identifikation er en ikke-invasiv teknik. Ingen biologiske prøver blev taget. Kun registrerede fangenskab gepard med tilladelsesbilagene blev anvendt. Cheetah deltagelse var begrænset til at gå langs en sand trail at efterlade fodspor i bytte for en fødevare belønning.

BEMÆRK: Denne protokol forklarer brugen af en datavisualisering software som JMP, i det følgende benævnt "data visualisering software" til at klassificere fodspor ved hjælp af fodaftryk identifikation teknik.

SIKKERHED erklæring: Cheetahs blev aldrig forladt ubevogtet (2 personer) og blev placeret i særskilt bedrift faciliteter, hvor det er muligt. Captive geparder, der anvendes til håndtering blev lokket direkte over en sand spor at gøre fodspor. Andre dyr mindre modtagelige for håndtering blev lokket fra uden for kabinettet.

TERMINOLOGI: Rute: Et fodaftryk; Trail: En unbroken række fodspor fra et enkelt dyr.

1. Indsamling Footprints

  1. Forberedelse Patch og protokol
    1. Saml de følgende materialer til protokollen: en fin rake, eller en grov rake og manipulere, hånd sprinkler eller vandkande, to standard herskere (cm) eller en tømrere 'tommestok til indramning af print, et standard digitalkamera (minimum opløsning 1200 x 1600 pix), en paraply for skygge hvis nødvendigt og standard fodaftryk etiketter med dataregistrering mellemrum til at registrere navnet på fotografen, dato, fodaftryk serie, diskret print ID, dyr id, placering og dybde, hvis> 2 cm).
    2. Arbejde tidlig morgen eller sen eftermiddag for maksimalt lys kontrast på udskrifter. Hvis dette ikke er muligt, kan kunstig skygge fra en paraply forbedre hæl og tå pad definition, når solen er overhead.
    3. Læg en sti på ca. 1 cm dybde af enten naturlige substrat eller bygningstømmer sand. Sørg for, at det handler om2-3 m bred og køre for mellem 3 og 15 m langs et hegn eller sædvanlige bevægelse sti.
    4. Våd og glat underlag med standard haveredskaber til at forbedre udskriftskvaliteten og definition. Manuelt at fjerne blade og småsten, hvis tilstede.
  2. Indsamling fodspor for uddannelse datasæt
    1. Lure geparden tværs sand vej med en fødevare belønning. Efter fodspor er foretaget, føre dyret bort fra banen.
    2. Efter billeddannelse hver fodaftryk spor (se 1.3) børste sporene væk og forberede overfladen til registrering af næste spor.
    3. Kun indsamle venstre hind udskrifter for uddannelse datasæt. Den venstre bagben har den førende tå (tå 3), tå 4 og tå 5 gør en skråning til venstre. Front fødder er bredere end bagpoterne. Tilbring tid på at lære hvordan man identificerer dem før billeddannelse.
  3. Imaging fodspor ved hjælp af fodaftryk identifikation teknik protokol Fremhæv positionen af ​​de enkelte fodspor langs sporet ved manuelt at tegne en cirkel rundt om hver venstre hind fodaftryk. Brug en pind eller et andet egnet lokal værktøj.
  4. Billede første fodaftryk som følger
    1. Placer en metrisk skala omkring 1 cm under og til venstre for fodaftryk.
    2. Under skalaen, og ikke røre fodaftryk, placere en fotografisk ID slip, og skrive i de forud tildelte rum navnet på fotografen, dato, fodaftryk serie, dybde (hvis> 2 cm) diskret print ID, dyr id og placering.
  5. Straddle print og peger kameraet objektivet direkte overhead fodaftryk, for at undgå enhver parallakse fejl i billedet med hensyn til omfang eller foto-id slip. Brug et stativ eller assistent til at kontrollere, om det er nødvendigt.
  6. Sørg for, at fodaftryk, reglen og id med foto glide helt udfylde rammen.
  7. Saml omkring 20 god kvalitet venstre hind prints at fuldføre samlingen for dette dyr. Hvis 20 prints er ikke tilgængelige fra første spor, gentagne processer fra 1.1.6 til 1.3.5 med det samme dyr.

2. Billede Feature Extraction Forud for Footprint Identifikation Teknik Analyse

  1. Dobbeltklik på teknik ikon fodaftryk identifikation og åbne den som et add-in til datavisualisering software. Overhold hjem vinduet på skærmen. Vælg 'Billede Feature Extraction' for at vise denne nye vindue. Teknikken fodaftryk identifikation kører på en datavisualisering software script i kodesprog JSL. Hovedmenuen er vist i fig. 1.
  2. Ved hjælp af en mus, træk og slip det første fodaftryk billedet i billedet feature extraction vindue. En feature extraction skabelon vejledning er vist til venstre i vinduet.
  3. Klik og vælg 'resize' for at sikre, at fodaftryk billede er inde i vinduet grafik. Klik på de laveste punkter på de udvendige tæer (tæer 2og 5) at placere markører og vælg derefter 'rotere'. Bemærk at billedet drejes vandret på linjen mellem punkter, at standardisere orientering. Overholde et sæt trådkors vises automatisk skal anvendes i trin 2.6.
  4. Hvis substratet er mere end 1 cm dyb, gøre en dybde korrektion af algoritmen ved at klikke på "substrat dybde" -knappen.
  5. Klik for at placere to skala punkter på den ønskede målestok. For gepard indstille skalaen ved 10 cm, indstillet på skaleringsfaktor kassen.
  6. Brug skabelonen til venstre i vinduet grafik, placere 25 skelsættende punkter i rækkefølge. Landmark punkter er defineret anatomiske punkter på fodaftryk, for eksempel den mest anterior, posterior, laterale og mediale punkter i hver hæl og tå. Brug sigtekornet at forbedre nøjagtigheden for nybegyndere. Overhold en prompt vises øverst til venstre i billedet for at vise rækkefølgen af ​​punkter.
  7. Vælg 'Afledte point' for at generere yderligere femten point frabout de skelsættende punkter. Denne proces forøger antallet af variabler til rådighed for algoritmen udvikling.
  8. Udfyld alle datafelter til fodaftryk billede; gepard, spor, spor, dato, tid og sted punkt (GPS). Fig. 2 viser iscenesætter 2,2-2,8.
  9. Tryk på knappen "append rækken 'for at sende 136 scripted variable (afstande, vinkler, områder) til en række i databasen.
  10. Gentag trin 2.1 til 2.9 for alle fodspor, indtil databasen er befolket med xy koordinater for hver milepæl og afledte point og alle de beregnede variabler for hver fodaftryk.
  11. Kopier alle rækkerne i databasen og indsætte dem under databasen. Dette dobbeltarbejde sæt kaldes reference Centroid Value (AN) og virker til at stabilisere fodaftryk identifikation teknik model for efterfølgende parvise sammenligning af fodaftryk stier.

3. Udvikling af Footprint Identifikation Teknik algoritme for Cheetah

Parvis robust cross-valideret diskriminant analyse
  1. Fra hovedmenuen, vælge og åbne den robuste cross-valideret parvis analyse vindue (fig. 3). Den fodaftryk identifikationsteknik model bruger en klassificeringen til at bestemme sandsynligheden for et par stier, der tilhører den samme person eller to forskellige individer (Fig. 4).
  2. Udfør en parvise sammenligning af stier ved hjælp af database over kendte personer træning som følger:
    1. Vælg Cheetah som 'input x, model kategorien' og stier som 'input trails ". De y kolonner (fodaftryk målinger), som kontinuerte variable, er automatisk befolkede.
    2. Vælg 'Kør'. Overhold en statuslinje viser igangværende analyse. Overhold en datatabel vises der viser de parvise sammenligninger af stier.
    3. Overhold to udgange, til en tildelt selv / ikke-selv bord beskrive klassificering afstanden mellem hver validation par, og en klassificering matricer vindue, der viser de forskellige stier udvalgt til sammenligning, og konturen sandsynlighed. Observere model knappen viser, viser de variabler, der anvendes for hver sammenligning, og afstanden tærskel boks, der angiver afstanden mellem centroids.
    4. Vælg knappen "klynger" i bunden af ​​den tildelte selv / ikke-selv bord. Overhold to tabeller. De første shows afstande mellem to stier. Den anden er en "klynge" dendrogram - det endelige output for klassificering af udvalgte variabler. Visualiser klassificeringskriterierne klynger ved at klikke på en gren af ​​dendrogram til farvekode det.
    5. Test nøjagtigheden af ​​klassificeringen ved at variere antallet af variable (målinger), og konturen sandsynlighed (konfidensintervallet omkring det geometriske tyngdepunkt værdi). Re-visualisere dataene i klyngen dendrogram dannet ved anvendelse 18 variable (fig. 5A). Dette giver den korrekte forudsigelse af syvgeparder. Figur 5b (24 variable) og c (10 variabler) viser forskellige estimater af gepard numre opnået ved at teste forskellige variable og kontur sandsynlighed indgange.
      BEMÆRK: Fordelingen kurve med den glidende skala giver den relative sandsynlighed (chance) af det forudsagte antal startende med 100%. Som den glidende skala bevæges den relative sandsynlighed for hvert estimat hver side af den forudsagte værdi vises. Figur 5d viser resultatet med 18 variable, med glidende skala bevæges i én retning for at vise, at chancen for ti geparder er mindre end 50 %.
    6. Vælg den algoritme, der konsekvent giver den højeste nøjagtighed. Juster tærskelværdien for at tillade algoritmen at blive indstillet til at give resultatet, der bedst tilnærmer til antallet af dyr i uddannelse database kendte (fig. 5a).
  • Fuld tilbageholdseksperiment retssag for validering <br /> Godkend algoritmen for både det forventede antal individer og nøjagtigheden af klyngedannelse klassificering ved hjælp spærrerettigheder forsøg og tilfældigt fordele den enkelte gepard i datasættet for at teste og uddannelse sæt (fig. 6). Trin til brug er som følger:
    1. Fra referencedatabasen, træffe beslutning om en passende interval for den sekventielle opdeling af datasættet i test- og uddannelse sæt størrelser. For geparden database, brug intervallet som 4.
    2. Tilfældigt vælge fire enkeltpersoner som testen datasæt (forlader 34 i træningssættet). Skjul identiteten af ​​de fire test individer valgt.
    3. Klik på "Parvis Data Analysis", og vælg alle de stier til de fire test individer.
    4. Klik på "Kør" for at starte fodaftryk identifikation teknik analyse. Analysen vil give en forudsigelse for antallet af personer i testen datasættet. Gentage denne proces ni gange mere (i alt 10), hvertid vælge tilfældigt fire personer.
    5. Beregne middelværdien forudsagte værdi for denne test størrelse (dvs. fire). Derefter gentage den rækkefølge processen i otte tilfældigt udvalgte personer (afhængig af intervallet størrelse) og derefter 12 og så videre med ti gentagelser for hver test størrelse. Beregn middelværdi forudsagt værdi for hver test størrelse.
    6. Ved hjælp af en graftegning software plot en graf som vist i fig. 6.. Den røde linje viser den aktuelle test størrelse afsat mod selv, de grønne stjernerne viser det forudsagte antal personer for hver iteration og den blå linje viser de gennemsnitlige forudsagte værdier for hver test størrelse. Den nærhed af de røde og blå linjer er en indikator for nøjagtigheden af ​​fodaftryk identifikation teknik analyse.
  • Representative Results

    individuel identifikation

    Evne fodaftryk identifikation teknik til at klassificere individuelle gepard er betinget af to faktorer, brug af en standardiseret fodaftryk samling protokol og en ny statistisk model baseret på en cross-valideret parvis diskriminant analyse med Wards clustering analyse. Disse lettes ved en integreret grafisk brugergrænseflade til data visualisering (fig. 1). Minimal udstyr er nødvendig, hvilket gør denne teknik omkostningseffektiv (Materialer List). Data indsamlet med fodaftryk omfattede antallet af geparder, antal fodaftryk billeder indsamlet, vifte af fodspor pr gepard, antal stier, vifte af stier pr gepard og alder-række geparder (tabel 1).

    781 fodspor (M: F 395: 386), der tilhører 110 stier, fra 38 personer, blev indsamlet til uddannelse datasæt Tabel 1 giver.en sammenfatning af data indsamlet. Brug af feature extraction vindue (fig. 2) et sæt af 25 skelsættende punkter var i stand til at generere 15 afledte punkter på hver fodaftryk billede. Ud fra disse skelsættende og afledte punkter blev genereret 136 variabler for hver fodaftryk, bestående afstande, vinkler og områder. Hver række i databasen repræsenterede derfor de 136 variabler genereret af en enkelt fodaftryk. Footprints blev behandlet af sporet. Et varierende antal rækker repræsenterede hver sti, og blev mærket som sådanne.

    Disse data blev duplikeret i data tabellen som en enhed og derefter benævnt reference Centroid Value (AN), der virker til at stabilisere den parvise sammenligning af stier, der er nødvendige for individuel klassificering. Den parvise analyse vindue (fig. 3), er designet til at hjælpe validere data og / eller test for data fra ukendte populationer. Figur 4 viser resultatet af en parvis sammenligning af stier fra samme individual (A) og to forskellige individer (B) baseret på fodaftryk identifikation teknik tilpassede model. Klassifikatoren inddrages i modellen er baseret på tilstedeværelsen eller fraværet af overlapning mellem ellipser. Bemærk, at analysen udføres for hver parvise sammenligning i nærvær af en tredje enhed, dvs. referenceværdien centroid værdi (RCV).

    Ved hjælp af en robust parvise cross-valideret diskriminant analyse med Wards clustering analyse blev en algoritme genereret at yde en effektiv klassifikation af individer. Den fodaftryk identifikationsteknik algoritme er baseret på tre justerbare enheder; antallet af målinger anvendes, ellipsen størrelse (konfidensinterval anvendes), og den grænseværdi, bestemmer afskæringsværdi for klyngerne. Hver af disse enheder er justeret i softwaren indtil den højeste nøjagtighed for klassificering opnås for træningssættet af dyr med kendt identitet. Denne samme algorithm kan derefter anvendes til at identificere ukendte geparder. For eksempel, figur 5a, b & c viser et dendrogram af en stikprøve af stier fra syv geparder viser den korrekte forudsigelse, når algoritmen er optimeret (a), og når algoritmen er suboptimal (b & c).

    Spærreregler forsøg blev udført for at validere den algoritme afledt af træningssættet af 'kendte' individer. Disse blev udført sekventielt ved at variere andelen af ​​geparder i test- og uddannelse sæt. Snarere end at fordele geparder til uddannelse og test sæt vilkårligt blev analyser udføres sekventielt øge test sæt størrelse. For hver test sæt blev 10 iterationer udført med geparder udvælges tilfældigt for hver iteration. For hver test sæt, dette tilladt en gennemsnitlig værdi, der skal beregnes. Figur 6. Viser varierende test størrelse plottet mod sig selv (rød), og på y-aksen den forudsagte værdi for hver test størrelse iteration (grøn) Og den gennemsnitlige forudsagte værdi for hver test størrelse (blå). Plottet viser, at selv når testsættet størrelse forøges betydeligt (n = 28) sammenlignet med træningssættet størrelse (n = 10), middelværdien forudsagte værdi svarer til den forventede værdi.

    Brug af flere spærrerettigheder forsøg var nøjagtigheden af individuel identifikation konsekvent> 90% for både den forventede antal personer og lige så vigtigt, at klassificeringen af stier, dvs. om stier fra den samme person (selv-stier), og dem fra forskellige individer (ikke-selv-stier) klassificeret korrekt. En klynge dendrogram repræsenterer alle 38 individuelle geparder er vist (fig. 7). Der var 110 stier, genererer i alt 5.886 parvise sammenligninger. Af disse var der 46 fejlklassificeringer giver en nøjagtighed på 99% (tabel 2).

    # Af geparder # Af fodaftryk billeder Range fodspor pr gepard # Af stier Range af stier pr gepard Aldersgruppe (år)
    Kvinder 16 386 12 - 36 55 2 - 5, 2,5-8,5
    Hanner 22 395 7 - 32 54 1 - 4 1 - 11 ud
    Total 38 781 7-36 109 1 - 5 1 - 11 ud

    Tabel 1. Oversigt over indsamlede data. Antallet af geparder, antallet af fodaftryk billeder indsamles, vifte af footprints pr gepard, antallet af stier, den vifte af stier pr gepard og alder-range af geparder.

    Selv Ikke-selv Total fejlklassificeringer
    Self (N) 117 9 126 9
    Self (%) 93 7 100 7
    Ikke-selv (N) 37 5723 5760 37
    Ikke-selv (%) 1 99 100 1
    Total (N) - - 5886 46
    I alt (%) </ Td> - - 100 1

    Tabel 2. Udgangen i fodaftryk identifikationsteknik software viser klassifikationen af stier baseret på parvise sammenligning. "Self 'refererer til stier fra den samme person, og" ikke-selv ", stier fra forskellige individer. Hver kort blev matchet mod hver anden sti ved hjælp af en tilpasset robust cross-valideret diskriminant analyse model. 110 stier resulterede i 5.886 parvise sammenligninger og den samlede stilling nøjagtighed var 99%.

    figur 1
    Figur 1. Den åbne hovedmenu vindue i fodaftryk identifikation teknik. Dette er en identifikation billede add-in til datavisualisering software, der er designet til at klassificere fodspor ved indi duelle, køn og alder-klasse fra morfometriske målinger. En grafisk brugerflade giver problemfri navigation mellem forskellige muligheder. Klik her for at se en større version af dette tal.

    Figur 2
    Figur 2. feature extraction vindue. Capabilities omfatter træk og slip billeder, automatisk tilpasning til vinduet, rotation af billeder til standardisering, substrat dybde factoring osv Pre-tildelte skelsættende punkter er manuelt placeret og generere en række scripted afledte point til muliggøre ekstraktionen af ​​variabler i form af afstande, vinkler og områder. Udgangen er i form af en række data leverer xy koordinater og de målinger.ank "> Klik her for at se en større version af dette tal.

    Figur 3
    Figur 3. Parvis dataanalyse vindue i fodaftryk identifikation teknik. Når en database af målinger er blevet skabt, den parvise analyse vindue er designet til at hjælpe med at validere de data og / eller test for data fra ukendte populationer. Analysen er baseret på en tilpasset model inkorporerer en konstant, henvisning centroid værdi (AN), som sammenligner par af stier sekventielt 16,17. Det endelige output er i form af en klynge dendrogram, der giver en forudsigelse for antallet af individer og forholdet mellem stier. Klik her for at se en større version af dette tal.

    "Figur Figur 4. parvise sammenligninger. Figuren viser resultatet af en parvis sammenligning af stier fra den samme person (A) og to forskellige individer (B) er baseret på en tilpasset model i datavisualisering software. Klassifikatoren inddrages i modellen er baseret på tilstedeværelsen eller fraværet af overlapning mellem ellipser. Bemærk, at analysen udføres for hver parvise sammenligning i tilstedeværelse af en tredje enhed, dvs. henvisningen centroid værdi (AN). Klik her for at se en større version af dette tal.

    Figur 5
    Figur 5. Et dendrogram af en prøve af stier fra syv geparder viser den rigtige prediction når algoritmen er optimeret (a), og når algoritmen er suboptimal (b & c). d viser resultatet med 18 variable, med glidende skala bevæges i én retning for at vise, at chancen for ti geparder er mindre end 50% . Algoritmen er baseret på tre justerbare enheder; antallet af målinger der anvendes, ellipse størrelse (konfidensinterval anvendt) og endelig den tærskelværdi, der bestemmer cut-off værdi for klynger. Klik her for at se en større version af dette tal.

    Figur 6
    Figur 6. En spærrerettigheder forsøg, der udføres sekventielt ved at variere andelen af geparder i test- og uddannelse sæt. I stedet for at fordele geparder til træning og test selvts vilkårligt blev en analyse udført sekventielt øge test sæt størrelse. For hver test sæt blev ti gentagelser udført med geparder udvælges tilfældigt for hver iteration. For hver test sæt, dette tilladt en gennemsnitlig værdi, der skal beregnes. Figuren viser varierende test størrelse plottet mod sig selv (rød), og på y-aksen den forudsagte værdi for hver test størrelse iteration (grøn) og middelværdien forudsagte værdi for hver test størrelse (blå). Plottet viser, at selv når testen indstillede størrelse er steget betydeligt (n = 28) i forhold til træningssættet størrelse (n = 10), middelværdien forudsagte værdi svarer til den forventede værdi. Klik her for at se en større udgave af dette tal.

    Figur 7
    Figur 7. dendrogram der viser forventede resultat, når alle110 stier fra 38 geparder er medtaget i analysen. Bemærk troskab af stier danner klynger. Interessant, mange af fejlklassificeringer var mellem søskende, f.eks gepard Letotse / Duma og Vincent / Bonsai. Klik her for at se en større version af dette tal.

    Discussion

    Dette papir beskriver teoretiske anvendelse af fodaftryk identifikation teknik og dens potentiale som en ny omkostningseffektiv, community-venlige tilgang til overvågning, og dermed hjælpe spare gepard. De næste skridt i en bredere anvendelse af værktøjet vil være mere omfattende felt-test med gepard befolkninger i range områder.

    Teknikken fodaftryk identifikation adskiller sig fra tidligere forsøg på at identificere personer fra fodspor i flere vigtige henseender; en standardiseret og stringent fodaftryk samling protokol, en strømlinet grafisk brugergrænseflade software, orientering og optimering af billeder inden analyse, og en ny statistisk model for klassificering.

    Der er flere kritiske trin, der er nødvendige for en vellykket gennemførelse af protokollen. For det første skal sand stier fremstilles korrekt og dyret føres over sandet på en normal afslappet ganghastighed. Når billeddannelse fodspor, den fotApher skal være direkte overhead for centrum af udskriften. Ofte er det nyttigt at have en observatør til at kontrollere dette. Endelig er det meget vigtigt, at fotografen (eller en assistent, der kunne være en ekspert tracker) kunne identificere en gepard fodaftryk på jorden, og har evnerne til at spore sporet af fodspor frem eller tilbage langs linjen rejse .

    Sporing færdigheder er afgørende for en effektiv videre gennemførelse af denne teknik til overvågning af ukendte eller fritgående geparder. En manglende evner kan føre til indsamling af utilstrækkeligt veldefinerede fodspor eller forvirring mellem stier af forskellige dyr, der måtte rejse sammen. Dette sidste punkt er særlig vigtigt for geparder, hvor unge mænd til tider danner koalitioner af 3 eller flere dyr, der bevæger sig sammen. Imidlertid har denne bekymring blevet behandlet for en anden social art, det hvide næsehorn, hvor grupper på op til 13 personer, der bevæger sig sammen var korrekt identificeretcerede af fodaftryk identifikationsteknik hjælp frem eller tilbage sporing af stier (Alibhai et al. 2008) 17.

    Mens der er nu få tilbageværende ekspert indfødte trackers, der gøres en samordnet indsats for at engagere sig med dem og overføre deres færdigheder til yngre medlemmer af deres samfund. Et sådant initiativ, Academy of Ancient Skills, vil være vært ved N / A'an ku SE Foundation i Namibia. Tilsvarende er den hurtige vækst i tracker uddannelse certificeringsprogrammer muliggør videnskabsfolk og amatør naturforskere at lære disse vigtige felt teknikker.

    Den nøjagtige manuel positionering af skelsættende punkter på fodaftryk billeder er central for nøjagtigheden af ​​teknikken. Igen skal operatørerne være bekendt med den grundlæggende anatomi af foden og deraf fodaftryk. Forfatterne er i øjeblikket forsøger at udvikle automatisering for at minimere det manuelle arbejde involveret, og hjælpe med at løse eventuelle bekymringer om standardization tværs af forskellige operatører. I mellemtiden er det simpelthen anbefales at skelsættende positionering blive varetaget af én operatør på hvert felt site. Gøres en indsats for at engagere borger forskere i opsamling og analyse af data, hvilket enormt vil forstærke felt-ansøgning. På trods af disse nuværende begrænsninger, har denne software protokol blevet indsat i området for en række arter, herunder sort og hvid næsehorn, Lowland tapir og Amur tiger.

    Arbejde med fodspor har en indlysende begrænsning - underlaget skal tillade deres klare indtryk. Delvise udskrifter eller dårlig kvalitet prints giver utilstrækkelig detalje 32. Men store dele af gepard interval er ideelle til fodaftryk indsamling, og for små ellers uegnede områder kan det endda være muligt at omgå denne begrænsning ved at placere kunstige sand stier til at indsamle fodspor. Disse fodaftryk indtryk puder kan anvendes effektivt i kombination med caMera-fælder, for eksempel ved kendte gepard mærkning indlæg / træer. Sporing færdigheder og lokalkendskab i høj grad kan hjælpe med at lokalisere og identificere områder med passende substrat.

    Fordi fodaftryk identifikation teknik er non-invasiv, betyder det ikke forårsage forstyrrelser på økologi eller opførsel af dyret. Mange undersøgelser har vist potentialet og reel risiko for opsamling, immobilisering, håndtering og montering af instrumenter, omkostningerne afholdt i en sådan praksis, og risikoen for at indsamle upålidelige data 33. Fodaftryk identifikation som en teknik har en anden fordel i bevaring. Baseret på traditionelle sporing færdigheder og omkostningseffektivitet, kan det engagere tidligere marginaliserede lokalsamfund i de processer af bevaring overvågning. Stander 34 og Liebenberg 35 uafhængigt behandles og attesteret til bevarelse overvågning færdigheder og værdi inklusive disse grupper.

    Den fremtidige udvikling i fodaftryk identifikation teknik kapacitet til overvågning af gepard er i gang, og omfatter field-forsøg for validering med fritgående geparder, bygge alder klasse algoritmer (herunder ændringer i foden morfologi personer over tid) og substrat kontroller. Forfatterne undersøger også teknikker i computer vision, der tillader billede-segmentering at optimere nøjagtighed og konsistens i mærkning skelsættende punkter.

    Da fodspor er en af ​​de mest allestedsnærværende dyretegn, og ofte meget lettere at finde end dyrene selv, kunne bredere anvendelse af fodaftryk identifikation være spil-ændre i bevaring overvågning. Verdens største beskyttede terrestriske områder modtager en anslået otte milliarder rekreative besøg om året 36. Et flertal af de besøgende nu bærer smartphones. Ved hjælp af en app udvikles til WildTrack indsamling af fodaftryk data vil være enkel og hurtig og kunne potentielt effect et datasæt med hidtil uset stikprøvestørrelse og rumlig skala. Med en omkostningseffektiv indsamling af data protokol, fodaftryk identifikationsteknik let tilpasser sig mesh i enhver bevaring værktøjskasse. Som et billedklassifikation system, er det robust model kan også have anvendelse i medicinske, retsmedicinske og retshåndhævende områder (f.eks, anti-krybskytteri).

    Disclosures

    Offentliggørelse gebyrer for denne video artikel blev betalt af 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