彼らの足跡によって識別個人：チータースポッティング

Summary

チーター(Acinonyx jubatus)は象徴的な絶滅危惧種ですが、生息地の縮小と商業農家との対立により、保護活動が困難となっています。足跡識別技術は、堅牢で正確、かつ費用対効果の高い画像分類システムであり、チーターを監視するための新しいアプローチです。

Abstract

チーター(Acinonyx jubatus)はアフリカで最も絶滅の危機に瀕している大型のネコ科動物であり、IUCN1によって個体数減少傾向にある絶滅危惧種に指定されています。それはサハラ以南のアフリカと中東の一部に広く及びます。チーターの自然保護活動家は、家畜の殺害をめぐる地主との対立と、生息域の縮小に対する懸念という2つの大きな課題に直面しています。後者についての理解は特に乏しいままです²。ナミビアは、どの範囲の国よりも多くのチーターをサポートすると考えられており、約30%ですが、推定では2,905³から13,520⁴の範囲です。この格差は、監視に使用されるさまざまな手法の結果である可能性があります。

現在の技術は、VHFや衛星/GPS首輪による侵襲的なタグ付けを含むもので、高価で信頼性が低い場合があります。足跡識別技術⁵は、フィールドサイエンティストとスマートフォンを持つ市民の両方が利用できる新しいツールであり、データ収集を増強できる可能性があります。フットプリント識別技術は、標準化されたプロトコルに従ってキャプチャされたフットプリントのデジタル画像を分析します。画像はデータ視覚化ソフトウェアで最適化および測定されます。フットプリント画像の距離、角度、面積の測定値は、カスタマイズされたモデルに基づくロバストな交差検証されたペアワイズ判別分析を使用して分析されます。 最終的な出力は、ワードのクラスター樹形図の形式になります。ユーザーフレンドリーなグラフィックユーザーインターフェース(GUI)により、ユーザーは分類結果にすぐにアクセスし、明確に解釈することができます。

足跡識別技術のアルゴリズムは、それぞれの種がユニークな解剖学的構造を持っているため、種特異的です。この手法は、任意の種の足跡の解剖学的構造に合わせてカスタマイズできる独自のスクリプト言語(jsl)を使用して、データ視覚化ソフトウェアで実行されます。 初期分類アルゴリズムは、既知の ID を持つ個人から収集された、その種の足跡のトレーニング データベースから構築されます。 その後、既知のアイデンティティを持つチーターから導出されたアルゴリズムは、アイデンティティが不明な放し飼いのチーターを分類することができる。足跡識別技術は、チーターの個体識別を>90%の精度で予測します。

Introduction

チーター（Acinonyxのjubatus）は 、アフリカで最も絶滅の危機に瀕猫科の動物や絶滅危惧種¹のIUCNレッドリストによる人口減少の傾向と脆弱性としてリストされています。グローバルチーターの人口は世界人口^4,6,7の三よりもおそらくもっとで、7-10,000個人¹とナミビアは放し飼いのチーターの最大の本拠地として認識されていると推定されます。南アフリカ（550）、ジンバブエ（400）、ザンビア（100）、モザンビークに続いて1800で次に近いレンジ状態ボツワナで2000でナミビアのチーターの人口を置いた2007年に南部アフリカのための人口推計、（<5）。いくつかの州では⁷ unassessedました。

ナミビア当局は明らかに「成功したと共存する生態系の範囲でセキュアな、実行可能なチーター集団、およびナミビアの人々、によって評価されている。」のビジョンを述べていますしかし、家畜ゲーム農業の主要な土地はナミビア^8,9と土地所有者に定期的にトラップを使用し、家畜や貴重な野生動物の捕食を減少させる試みで、それらの特性にチーターを殺すです。 1,200人以上のチーターは、1991年から2006年まで除去し、すべてではないが、このような「offtakes」は^10を記録しました。また、これは農民チーター紛争の有効な解決策であるか否かについての議論があります。殺害または転座により、競合の原因として認識動物の除去は、このような優れた家畜の保護¹¹などの他の手段による紛争の緩和よりも効果が低い場合があります。 12ヶ月後の転座の生存の公開率は18％で^11〜40％12の範囲であってきました。

数字上で信頼性の高いデータを収集し、ナミビアでチーターのアイデンティティおよび分布は、人間チーターの紛争に対処するための鍵です。現在のチーターモニタリング技術は、対象のアンケートからナミの範囲観光客や政府による日和見観察とは利害関係者⁴への環境と観光の総統省はカメラ・トラップ^13、GPSまたは^10,14 VHFカラー、農家のインタビュー調査^8、さらにスポットパターン¹⁵の使用に^、4を報告^します。しかし、調査努力の共通の基準又は定量化することなく、これらの技術の有効性の比較は困難です。各々には限界があります。 GPS衛星とVHFカラーは、高価であり、多くの場合、信頼できないターゲットにアンケートは範囲が限られており、カメラトラップは範囲が限られています。

これらの異なる方法によって生成見積もりは大きく異なります。マーカーら ^10は、より協調的なアプローチの必要性を強調しました。種々の方法は、チーターの人口密度を推定するために農地に使用されており、これらは、推定値の範囲を生産しています。 2.5（±0.73）を推定例えば、ラジオテレメトリー調査チーター/千キロ ^{2しばらく4.1を推定したカメラトラップ調査（±0.4）チーター/千キロ2（マーカーら 2007）。この変化は、密度を推定するために異なる方法を使用することの問題を強調したが、これまでのところ、単一の、効果的な、反復技術はチーターナミビアに占める生息地の広い範囲にわたって使用することができるが同定されていません。これは、効果的なチーターの監視と保全のための問題です。}

この課題は、チーターを監視するための堅牢な、費用対効果と柔軟なツールの開発を巻き起こしました。フットプリント識別技術は、最初のクロサイ¹⁶のために開発され、その後シロサイ^17、アムールトラ^18、マウンテンライオン^19、およびその他を含む広範囲の種に適合されました。

種々の研究は、種、個体、および性別により大きな肉食動物を識別するためにフットプリントを使用することが可能であることを示しています。プロセス測定値²¹の比較に足跡²⁰の単純な形状記述から進化した、統計的な一つまたは複数の測定^16,17,22-30の解析と形状解析に^31。これらの努力はの厳しさに大きく依存して、様々な成功を収めていますデータ収集と分析のプロセス、および訓練データセットを開発するために使用される試験動物の数。足跡を使用して、いくつかの実用的な利点があります。最初の画像は、他の非侵襲的アプローチと一緒に収集することができるということである（ 例えば 、カメラトラップ、髪/糞便等からのDNA採取）非常に少し余分な労力やコストを持ちます。ここで、基板許可第二に、足跡は、動物の活動の中で最もユビキタスな兆候です。

フットプリント識別技術はチーターのために説明した第一堅牢なフットプリント識別技術であり、足跡が発見されている任意のサイトにも適用可能です。足跡はsufficieでなければなりませんntly印刷のつま先とかかとが肉眼ではっきりと見ることができると規定。フィールド演算子は、チーターの足の基本的な解剖学を熟知し、関心のある領域にプリントを識別することができ、および任意の他の同所大型肉食動物の印刷物からそれらを区別しなければなりません。技術は、（収集フットプリントにより表される何チーター例えば、？）センサス法として、または特定の個人を監視するためのツールとして使用することができます。足跡はまた種の局所濃度が個人を識別し、次に計算する技術を使用して、マーク再捕捉分析の「マーク」として使用することができます。データ収集は、基本的なデジタルカメラとスケールが必要です。

Protocol

倫理STATEMENT：フットプリントの識別技術は、非侵襲的な技術です。いかなる生物学的サンプルが取られませんでした。許可証のドキュメントでのみ登録キャプティブチーターを使用しました。チーターの参加は、食品の報酬と引き換えに足跡を残すために砂の道に沿って歩くに限られていました。

注意：このプロトコルは、以下のフットプリントの識別技術を用いてフットプリントを分類するためのデータの可視化ソフトウェア」と呼ばれ、例えば、JMPなどのデータ視覚化ソフトウェアの使用を説明します。

安全性について：チーター（2人）無防備なままになることはありませんし、可能な場合は、別個の保持施設に入れました。取り扱いに使用キャプティブチーターは、フットプリントを作るための砂の道の上に直接魅了されました。取り扱いにはあまり影響を受けやすい他の動物は囲いの外から魅了されました。

用語： トラック：Oneフットプリント; トレイル：U単一の動物によって作られた足跡のnbrokenシリーズ。

1.収集の足跡

1. 貼付製剤とプロトコル
   1. プロトコルのための以下の材料収集：罰金レーキ、または粗いすくいをし、改ざん、手のスプリンクラーや散水することができ、印刷、標準的なデジタルカメラ（最小分解能1200をフレーミングするための2つの標準的な支配者（センチ）または1大工折りたたみ定規X 1600 PIX）、データ記録スペースで必要な標準フットプリントラベルは、写真家、日付、フットプリントシリーズ、個別のプリントID、動物のID、場所および深さ2>の場合センチ）の名前を記録する場合は日陰のための傘。
   2. 印刷物上の最大の光のコントラストのための仕事早朝か夕方。これが不可能な場合は太陽がオーバーヘッドであるとき、傘から人工色合いがかかととつま先パッド定義を向上させることができます。
   3. 天然基質またはビルダー」砂のいずれかの約1cmの深さのパスを置きます。必ずそれが約あることを確認してください2〜3メートル広いと周囲のフェンスや習慣的な移動経路に沿ってメートル3〜15のために実行します。
   4. ウェットと印刷品質と定義を改善するために、標準的なガーデニングツールで基板を滑らかに。存在する場合、手動で、葉や小石を取り除きます。
2. トレーニングデータセットのフットプリントを収集
   1. 食品の報酬で砂路を挟んでチーターを誘惑。フットプリントが行われた後、離れたパスから動物をリードしています。
   2. 各フットプリント証跡を画像化した後（1.3を参照）を離れてトラックを磨いて、次の証跡を記録するための表面を準備します。
   3. 唯一のトレーニングデータセットの左後肢プリントを収集します。左後肢の足は、大手つま先（つま先3）、つま先4とつま先5左に傾斜を作るがあります。フロントの足は、後足よりも広いです。撮影の前にそれらを識別する方法を学ぶ時間をお過ごしください。
3. フットプリントの識別技術のプロトコルを使用して足跡を撮像します
   1. 手動で各左後肢フットプリントの周りに円を描くことによって道に沿って、個々の足跡の位置を強調表示します。スティックまたは任意の他の適切なローカルツールを使用します。
   2. 画像は以下のように最初の足跡
      1. 約1cm以下のメトリックスケールを配置し、フットプリントの左側にあります。
      2. カメラマン、日付、フットプリントシリーズ、深さ（> 2センチメートル場合）離散プリントID、動物のIDと場所の名前をスケールの下、およびフットプリントを触れていない、写真IDスリップを置き、事前に割り当てられたスペースに書き込みます。
   3. 規模やフォトIDスリップに関連して、画像内の任意の視差エラーを回避するために、直接オーバーヘッドフットプリントカメラのレンズをプリントを跨ぐと指摘しています。必要かどうかをチェックするために三脚やアシスタントを使用してください。
   4. フットプリント、ルールと写真付き身分証明スリップが完全に枠を埋めることを確認してください。
   5. その動物のためのコレクションを完了するために約20良質左後肢のプリントを収集します。 20 prの場合int型は、同じ動物で1.1.6から1.3.5への処理を繰り返す、最初の道からは利用できません。

2.画像​​特徴抽出の前フットプリント識別技術解析へ

1. フットプリント識別技術のアイコンをダブルクリックし、アドインデータの可視化ソフトウェアのようにそれを開きます。画面上のホーム画面を確認します。この新しいウィンドウを表示するには「画像特徴抽出」を選択します。フットプリント識別技術は、コーディング言語JSLのデータ可視化ソフトウェアのスクリプトで実行されます。メインメニューは、図に示されています。 1。
2. マウスを使用して、ドラッグ・アンド・画像特徴抽出ウィンドウに最初の足跡画像をドロップします。特徴抽出テンプレートガイドは、ウィンドウの左側に表示されます。
3. 足跡の画像はグラフィックウィンドウ内にあることを確認するために、「サイズ変更」ボタンをクリックして選択します。外側つま先（つま先上の最低点をクリックして2そして5）マーカーを配置し、「回転」を選択します。向きを標準化するために、イメージは点を結ぶライン上に水平に回転させることを確認します。十字線のセットを守って自動的にステップ2.6で使用されているように見えます。
4. 基板は1cm以上の深さである場合、「基板の深さ」ボタンをクリックすることで、アルゴリズムに奥行き補正を行います。
5. 必要なスケールで2スケールポイントを配置する場合にクリックします。チーターのためのスケールファクタボックスで設定さを10cmにスケールを設定します。
6. グラフィックスウィンドウの左側にテンプレートを使用して、順次25目印点を配置します。ランドマークポイントは、フットプリントに例えば最も前方、後方、各つま先とかかとの外側と内側の点を解剖学的ポイントを定義されています。初心者のための精度を向上させるために十字線を使用してください。点列を表示するには画像の左上に表示されるプロンプトに従ってください。
7. さらに15ポイントFRを生成するために、「派生ポイント」を選択します目印点オム。このプロセスは、アルゴリズム開発のために利用可能な変数の数を増大させます。
8. 足跡画像のすべてのデータフィールドを完了します。チーター、トラック、トレイル、日付、時間と場所ポイント（GPS）。 図。図2に示すように2.2から2.8段。
9. データベース内の行に136スクリプト変数（距離、角度、領域）を送信するために「行を追加」ボタンを押してください。
10. データベースをxyが移入されるまで、繰り返しのステージすべてのフットプリントのための2.9から2.1までは、各ランドマークと導出点と各フットプリントのため、すべての計算された変数の座標。
11. データベース内のすべての行をコピーし、データベースの下に貼り付けます。この複製セットはリファレンス重心値（RCV）と呼ばれ、フットプリントトレイルのその後の対比較のためのフットプリントの同定技術モデルを安定させるために作用します。

チーターのためのフットプリントの同定法アルゴリズムの3開発

1. ペアごとの堅牢な交差検定判別分析
   1. メインメニューから、選択して堅牢なクロス検証ペアごとの分析ウィンドウ（ 図3）を開きます。フットプリントの識別技術のモデルは、同じ個人に属するコースまたは2つの異なる個体（ 図4）の組の尤度を決定するために分類子を使用します。
   2. 次のように知られている個人のトレーニングデータベースを使用して、トレイルの対比較を実行します。
      1. 「入力x、モデルカテゴリ」、および「入力トレイル」としてトレイルとしてチーターを選択します。 y列（フットプリントの測定値）は、連続変数として、自動的に入力されています。
      2. 「ファイル名を指定して実行」を選択します。進行中の分析を示すプログレスバーを確認します。トレイルの対比較を示す表示されるデータテーブルを確認します。
      3. 各Vと分類距離を記述するために、2つの出力は、割り当てられた自己/非自己のテーブルを観察しますalidationペア、および比較のために選択された異なる道を示す分類行列ウィンドウ、および輪郭確率。各比較のために使用される変数を示しているショーモデルボタン、と重心間の距離を与える距離閾値ボックスを確認します。
      4. 割り当てられた自己/非自己のテーブルのベースの「クラスター」ボタンを選択します。 2つのテーブルを確認します。最初は、任意の2つのコースの間の距離を示しています。選択された変数の分類のための最終的な出力 - 第二は、「クラスタ」デンドログラムです。カラーコードそれへの樹状図の任意のブランチをクリックすることで、分類のクラスタを視覚化します。
      5. 変数（測定値）の数と輪郭確率（重心値の周りの信頼区間）を変化させることにより、分類の精度をテストします。 18変数（ 図5a）を使用して生成されたクラスタの樹形図内のデータを再視覚化します。これは7の正しい予測を与えますチーター。 図5B（24変数）＆C（10変数）別の変数と輪郭確率入力をテストすることによって得られるチーター番号の異なる推定値を示しています。
         注：スライディングスケールを持つ分布曲線は、100％で始まる予測数の相対的確率（可能性）を与えます。スライディングスケールが移動するように、各推定値に対する相対的確率予測値のいずれかの側が示されている。 図5Dは、10チーターの可能性が50未満であることを示すために、1つの方向に移動するスライディングスケールで、18の変数と結果を示します％。
      6. 一貫して最高の精度を与えるアルゴリズムを選択します。アルゴリズムは、最良のトレーニングデータベース（ 図5a）で知られている動物の数に近い結果を生成するように設定することができるように閾値を調整します。
2. 検証のための完全なホールドバックトライアル
   ホールドバック試験を使用して、個人の期待数およびクラスタリングの分類の精度の両方のためのアルゴリズムを検証し、ランダムにテストし、トレーニングセット（ 図6）するデータセット内の個々のチーターを配分。次のように使用するための手順は次のとおりです。
   1. リファレンス・データベースから、テストとトレーニングセットのサイズに、データセットの順次分割するのに適した間隔を決定します。チーターデータベースの場合、4のようにインターバルを使用しています。
   2. ランダム（トレーニングセットに34を残して）テストデータセットとして4人を選択します。選択された4つのテスト個人のアイデンティティを非表示にします。
   3. 「ペアごとのデータ解析」オプションをクリックして、4つの試験の個人のためのすべてのコースを選択します。
   4. フットプリント識別技術の分析を起動し、「ファイル名を指定して実行」をクリックします。分析は、テストデータセット内の個体数の予測を提供します。このプロセスを繰り返す9回（合計10）、各時間はランダムに4個体を選択します。
   5. このテストサイズについての平均予測値を計算する（ すなわち 、4）。次に、各テストサイズの10回の反復でというように8ランダムに選択された個体（区間サイズに応じて）するためのプロセスを順次繰り返し、その後、12と。各テストの大きさの平均予測値を計算します。
   6. 図1に示すようなグラフグラフソフトウェアプロットを使用して。 6。赤い線は、実際の試験サイズは、自己に対してプロットを示し、緑のアスタリスクは、各テストの大きさの平均予測値は、各反復と青のラインのための個人の予測数を示し示します。赤と青の線の近さは、フットプリントの識別技術解析の精度の指標です。

Results

個人識別

個々のチーターを分類するためのフットプリントの同定技術の能力は、次の2つの要因、標準化されたフットプリントのコレクションプロトコルの使用とウォードのクラスタリング解析とのクロス検証ペアワイズ判別分析に基づいて、新しい統計モデル次第です。これらは、データの可視化（ 図1）のための統合グラフィックユーザインタフェースによって容易にされます。最小限の機器は、この技術の費用対効果（物質一覧）を作り、必要とされています。フットプリントで収集されたデータは、チーターの数、収集した足跡画像の数、チーターあたりの足跡の範囲、トレイルの数、チーターとチーターの年齢範囲（ 表1）あたりのトレイルの範囲が含まれていました。

781足跡（M：F 395：386）38個体から、110コースに属するが、トレーニングデータセットのために収集した表1に示します。収集されたデータの要約。特徴抽出窓を使用して（ 図2）25ランドマーク点の集合15は、各フットプリント画像上の点を導出生成することができました。これらのランドマークと派生の点から136変数は、距離、角度および面積を備え、それぞれのフットプリントのために作成しました。データベースの各行は、したがって、単一のフットプリントによって生成された136の変数を表します。足跡は道によって処理されていました。行の可変数は、各道を表現し、そのようにマークされました。

エンティティは、個々の分類のために必要な軌跡の対比較を安定させるように作用する基準重心値（RCV）と呼ばれるこれらのデータは、データテーブルに複製しました。ペアワイズ分析ウィンドウ（ 図3）は、データおよび/ ​​または未知の集団からのデータのためのテストを検証支援するために設計されました。 図4は、同じINDからトレイルのペアワイズ比較の結果を示していますividual（A）とフットプリントの識別技術カスタマイズモデルに基づいて、2つの異なる個体（B）。モデルに組み込ま分類子は楕円間の重複の有無に基づいています。分析は、第3のエンティティ、 すなわち 、基準重心値（RCV）の存在下で、各対比較のために行われることに注意してください。

ワードのクラスター分析と強固なペアワイズ交差検定判別分析を使用して、アルゴリズムは、個体の効果的な分類を提供するために生成されました。フットプリント識別技術のアルゴリズムは、3つの調整可能なエンティティに基づいています。使用する測定値の数、楕円サイズ（使用信頼区間）、およびクラスタのためのカットオフ値を決定するしきい値。分類のための最高の精度が既知のアイデンティティの動物のトレーニングセットに対して達成されるまで、これらのエンティティのそれぞれは、ソフトウェアで調整されます。この同じALGORITHMは未知チーターを同定するために用いることができます。たとえば、アルゴリズムが最適化されたときにB＆C 5aは、（a）は、正しい予測を示す7チーターからトレイルのサンプルの樹状図を示し、アルゴリズムは（B＆C）準最適であるとき図 。

慰留試験は「知ら」個人のトレーニングセットから派生したアルゴリズムを検証するために実施されました。これらは、テストおよび訓練セットにおけるチーターの割合を変化させることにより連続的に行きました。むしろ、任意の訓練及び試験セットにチーターの配分よりも、分析を順次テストセットのサイズを大きく行きました。各テスト・セットの場合は、10回の反復は、反復ごとにランダムに選択されているチーターを用いて行きました。各テスト・セットは、この平均値を算出することができた。 図6。自体に対してプロット変化試験サイズ（赤）を示し、それぞれのテストサイズの反復のy軸上の予測値（緑）と平均値は各テストサイズ（青）の値を予測しました。プロットは、テスト・セットのサイズが大幅に増加した（n = 28）トレーニングセットのサイズ（N = 10）と比較した場合でも、平均予測値が期待値と同様である。実証します

同じ個体（自己トレイル）から歩道やからのものかどうか、 すなわち 、いくつかのホールドバック試験を使用して、個人識別の精度は、同じように重要なのは、トレイルの分類個人の予測数の両方のために一貫して> 90％であったと異なる個体（非自己トレイル）が正しく分類しました。すべての38の個々のチーターを表すクラスタデンドログラム（図7）に示されています。 110コースは5886対比較の合計を生成し、ありました。これらのうち、99％（ 表2）の精度を与える46誤分類がありました。

	チーターの＃	足跡画像の＃	チーターあたりの足跡の範囲	トレイルの＃	チーターあたりトレイルの範囲	年齢範囲（歳）
女性	16	386	12から36	55	2から5	2.5から8.5
男性	22	395	7から32	54	1から4	1から11
合計	38	781	7から36	109	1から5	1から11

収集されたデータの表1.。チーターの数、収集した足跡画像の数、footpの範囲チーターあたりrints、トレイルの数、チーターあたりトレイルの範囲とチーターの年齢範囲。

	自己	非自己	合計	誤分類
自己（N）	117	9	126	9
自己（％）	93	7	100	7
非自己（N）	37	5723	5760	37
非自己（％）	1	99	100	1
合計（N）	-	-	5886	46
合計（％）</ TD>	-	-	100	1

表2 フットプリント識別技術ソフトウェアの出力は、対比較に基づいて、トレイルの分類を示している。「自己」は、同じ個体と「非自己」からトレイル、異なる個体からのトレイルを指します。それぞれの証跡がカスタマイズされた堅固な交差検定判別分析モデルを使用して、他のすべての証跡と照合しました。 110コースが5,886対比較をもたらし、全体的な分類精度は99％でした。

図1.フットプリントの識別技術で開いて、メインメニュー画面が。これはINDIによって足跡を分類するために設計されたデータの可視化ソフトウェアに画像識別アドインであり、形態学的測定からvidual、性別、年齢階級。グラフィック・ユーザ・インタフェースは、さまざまなオプション間のシームレスなナビゲーションを可能にする。 この図の拡大版をご覧になるにはこちらをクリックしてください。

特徴抽出ウィンドウ2.図。機能がドラッグを含み、事前に割り当てられた目印点を手動で配置されている画像等 、ウィンドウへの自動サイズ変更、標準化、基板深さファクタリングのための画像の回転を、ドロップしにスクリプト派生した一連の点を生成します距離、角度および面積の形でのメトリックの抽出を可能にします。出力は、xy座標と指標を提供し、データの行の形態です。ANK ">この図の拡大版をご覧になるにはこちらをクリックしてください。

フットプリントの識別技術では、図3ペアワイズデータ解析ウィンドウ。測定値のデータベースが作成されると、ペアワイズ分析ウィンドウは、データおよび/ ​​または未知の集団からのデータについての試験を検証するために設計され。分析はトレイル順次^16,17のペアを比較し、一定の基準重心値（RCV）を組み込むカスタマイズされたモデルに基づいています。最終的な出力は、個体数とコースの間の関係についての予測を提供し、クラスタ樹形図の形である。 この図の拡大版をご覧になるにはこちらをクリックしてください。

図4対比較。図は、同じ個体（A）とデータの可視化ソフトウェアのカスタマイズされたモデルに基づいて、2つの異なる個体（B）からトレイルのペアワイズ比較の結果を示しています。モデルに組み込ま分類子は楕円間の重複の有無に基づいています。分析は、第3のエンティティ、 すなわち 、基準重心値（RCV）の存在下で、各対比較のために行われることに注意してください。 この図の拡大版をご覧になるにはこちらをクリックしてください。

図5.正しいPREDを示す7チーターからトレイルのサンプルの樹形図アルゴリズムは、（a）は最適化されたアルゴリズムは、（B＆C）最適以下である場合、Dは 10チーターの可能性が50％未満であることを示すために、1つの方向に移動するスライディングスケールで、18の変数と結果を示すiction 。このアルゴリズムは、3つの調整可能なエンティティに基づいています。使用する測定値の数、楕円サイズ（使用信頼区間）およびクラスタのためのカットオフ値を決定し、最終的には、閾値は。 この図の拡大版をご覧になるにはこちらをクリックしてください。

図6.ホールドバック試験では、試験やトレーニングセットにおけるチーターの割合を変化させることにより連続的に実施しました。そうではなく、トレーニングとテスト自体にチーターを配分するよりも、TSは任意に、分析は、テストセットのサイズを大きく順次行きました。各テスト・セットでは、10回の反復は、反復ごとにランダムに選択されてチーターを用いて行きました。各テスト・セットの場合、これは、平均値を算出することができました。図形自体（赤）に対してプロット変化テストサイズを示し、y軸上の各テストサイズ反復（緑）、平均の予測値は、それぞれの試験サイズ（青）の値を予測しました。プロットは、トレーニングセットのサイズ（N = 10）と比較して、試験セットのサイズが大幅に増加した（n = 28）されてもいることを実証し、平均値が期待値と類似していると予測。 の拡大版をご覧になるにはこちらをクリックしてください。この図。

ときに、すべての図7.樹状図は、予測された結果を示します38チーターから110トレイルは、分析に含まれています。クラスターを形成トレイルの忠実度を注意してください。興味深いことに、誤分類の多くはチーターLetotse /下院とVincent /盆栽、 例えば 、同腹子の間であった。 この図の拡大版をご覧になるにはこちらをクリックしてください。

Discussion

本稿では、監視に新たな費用対効果の高い、社会に優しいアプローチとして、理論的なフットプリントの識別技術の適用とその可能性を概説し、ひいてはチーターの節約に役立ちます。ツールの広いアプリケーションにおける次のステップは、範囲の分野でチーター集団とより広範なフィールドテストになります。

フットプリントの識別手法にはいくつかの重要な点で足跡からの個人を識別するための以前の試みとは異なります。標準化された厳密なフットプリント採取プロトコル、合理グラフィック・ユーザ・インタフェース・ソフトウェア、分析の前に画像の向きおよび最適化、分類のための新しい統計モデル。

プロトコルの成功のために必要ないくつかの重要なステップがあります。まず、砂の道を正しく準備する必要があり、動物は、通常のリラックスした歩行ペースで砂の上に導きました。足跡を撮影し、photographerは、印刷の中央の直接オーバーヘッドでなければなりません。多くの場合、これをチェックするオブザーバがあると便利です。最後に、（専門家トラッカーかもしれませんまたはアシスタント、）撮影者が地面にチーターのフットプリントを識別することができることが非常に重要であり、前方または後方移動のラインに沿って足跡の痕跡を追跡するためのスキルを持っています。

追跡スキルが不明または放し飼いのチーターを監視するためのこの技術の効果的な更なる実施に不可欠です。スキルの欠如は一緒に旅行するさまざまな動物のトレイル間の不十分明確に定義された足跡や混乱のコレクションにつながることができます。この後者の点は、若い男性が時々一緒に動く3匹以上の連合を形成チーター、特に重要です。しかし、この懸念は、最大13人のグループが一緒に移動シロサイは、正しく同定した、別の社会の種のために対処されてきました前方または後方トレイルの追跡を使用して、フットプリント識別技術によってfiedが（Alibhai ら ^2008）17。

今数少ない専門家先住民トラッカーがありますが、努力は彼らと一緒に従事し、地域社会の若いメンバーに自分のスキルを転送するために行われています。そのようなイニシアチブ、古代スキルのアカデミーは、ナミビアN / a'an区SE財団によってホストされます。同様に、トラッカートレーニング認定プログラムの急速な成長は、これらの必須フィールドのテクニックを学ぶために科学者やアマチュアの博物学を可能にしています。

フットプリントの画像上の目印点の正確な手動位置決めは、技術の精度の中心です。ここでも、オペレータは足と結果のフットプリントの基本的な解剖学に精通している必要があります。著者は現在、関連する手作業を最小限に抑えるために自動化を開発し、スタンについての懸念を解決しようとしています異なる事業者全体のdardization。一方で、単にランドマークの位置は、各現場で一人のオペレータの責任であることをお勧めします。努力が非常フィールド・アプリケーションを増幅するデータの取得と解析における市民科学者、従事するために進行中です。これらの電流制限にもかかわらず、このソフトウェア・プロトコルが正常に黒と白サイ、低地のバクとアムールトラなどの種の範囲のための分野で展開されています。

基板は、その明確な印象を許可する必要があります - 足跡での作業は1明白な制限があります。部分的なプリントや低品質のプリントが不十分なディテール^32を提供^します 。しかし、チーターの範囲の大部分は、フットプリントのコレクションに最適です、と小さなそうでなければ不適当地域のためにそれも足跡を集めるために人工砂の道を置くことによって、この制限を回避することが可能です。これらのフットプリント印象パッドを効果CAと組み合わせて使用​​することができますメラ・トラップ、既知のチーターマーキング投稿/樹木​​で例えば。追跡スキルや地元の知識が大幅に適切な基板の領域の位置を特定し、特定するのに役立つことができます。

フットプリントの識別技術は非侵襲性であるため、動物の生態や行動への妨害を引き起こしません。多くの研究は、そのような慣行で発生コスト、および信頼性の低いデータ^33を収集するリスクを捕捉、固定化、処理の可能性と実際のリスクを示し、そして器具のフィッティングしています。技術としてフットプリント識別は、保全管理に別の利点を有しています。伝統的なトラッキング・スキル、費用対効果に基づいて、保全モニタリングの過程で以前に取り残された地域社会に係合することができます。スタンダー³⁴とリーベンバーグ^35は、独立してアドレス指定され、保全モニタリングスキルとこれらのグループを含むの値に証言しました。

チーターを監視するためのフットプリント識別技術能力の今後の展開が進行中であり、かつ、基板コントロール（時間以上の個人の足の形態の変化を含む）、年齢クラスのアルゴリズムを構築し、放し飼いのチーターと検証のためのフィールド・トライアルが含まれます。著者らはまた、画像分割が目印点をマーキングの精度と一貫性を最適化することを可能にするコンピュータビジョンにおける技術を調査しています。

足跡は、動物そのものよりも見つけることがはるかに容易、多くの場合、最もユビキタス動物の兆候の一つ、としているので、フットプリントの識別のより広い採用はゲームを変える保全モニタリングである可能性があります。世界の主要な保護された地上エリアは年間³⁶あたりの推定80億レクリエーションの訪問を受けます。訪問者の大半は、現在スマートフォンを運びます。電子潜在的可能性が足跡データの収集が簡単かつ迅速になりますWildTrackのために開発されたアプリを使用し、ffect前例のないサンプルサイズと空間スケールのデータセット。費用対効果の高いデータ収集プロトコルで、フットプリントの識別技術は、容易に任意の保護ツールボックスに噛み合うように適応します。画像分類システムとして、堅牢なモデルですまた、医療法医学、および法執行の分野（ 例えば 、抗密猟）でアプリケーションを有していてもよいです。

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
ガーデンシャベル
ガーデンレーキ
基板タンパー
川またはビルダー砂
バケツじ
ょうろまたは噴霧器
カメラ
写真ID用紙スリップ	http://wildtrack.org/citizen-science/photographing-footprints/
大工のcm折り畳みルール
ラップトップまたはデスクトップコンピュータ
JMPソフトウェア
足跡識別技術 JMPソフトウェア