Al ver guepardos: identificación de las personas por sus huellas

Resumen

The cheetah (Acinonyx jubatus) is an iconic, endangered species, but conservation efforts are challenged by habitat shrinkage and conflict with commercial farmers. The footprint identification technique, a robust, accurate and cost-effective image classification system, is a new approach to monitoring cheetahs.

Resumen

The cheetah (Acinonyx jubatus) is Africa's most endangered large felid and listed as Vulnerable with a declining population trend by the IUCN¹. It ranges widely over sub-Saharan Africa and in parts of the Middle East. Cheetah conservationists face two major challenges, conflict with landowners over the killing of domestic livestock, and concern over range contraction. Understanding of the latter remains particularly poor². Namibia is believed to support the largest number of cheetahs of any range country, around 30%, but estimates range from 2,905³ to 13,520⁴. The disparity is likely a result of the different techniques used in monitoring.

Current techniques, including invasive tagging with VHF or satellite/GPS collars, can be costly and unreliable. The footprint identification technique⁵ is a new tool accessible to both field scientists and also citizens with smartphones, who could potentially augment data collection. The footprint identification technique analyzes digital images of footprints captured according to a standardized protocol. Images are optimized and measured in data visualization software. Measurements of distances, angles, and areas of the footprint images are analyzed using a robust cross-validated pairwise discriminant analysis based on a customized model. The final output is in the form of a Ward's cluster dendrogram. A user-friendly graphic user interface (GUI) allows the user immediate access and clear interpretation of classification results.

The footprint identification technique algorithms are species specific because each species has a unique anatomy. The technique runs in a data visualization software, using its own scripting language (jsl) that can be customized for the footprint anatomy of any species. An initial classification algorithm is built from a training database of footprints from that species, collected from individuals of known identity. An algorithm derived from a cheetah of known identity is then able to classify free-ranging cheetahs of unknown identity. The footprint identification technique predicts individual cheetah identity with an accuracy of >90%.

Introducción

El guepardo (Acinonyx jubatus) es felino más amenazado del África y clasificada como vulnerable con una tendencia a la disminución de la población por la lista roja de especies amenazadas de la ^1. La población mundial guepardo se estima entre 7-10,000 individuos ¹ y Namibia es reconocido como el mayor bastión del guepardo que viven en libertad, tal vez con más de un tercio de la población mundial ^4,6,7. Las estimaciones de población para el Sur de África en 2007 colocó la población guepardo de Namibia en 2000 con el Estado del área de Botswana próximo más cercano, con 1.800, seguida de África del Sur (550), Zimbabwe (400), Zambia (100), Mozambique (<5). Varios estados estaban sin evaluar ^7.

Las autoridades de Namibia han manifestado claramente una visión de "guepardo, poblaciones viables segura a través de una gama de ecosistemas que coexisten con éxito, y son valorados por el pueblo de Namibia." Sin embargo, el ganadoy la cría de juego son los principales usos de la tierra en Namibia ^8,9 y propietarios regularmente atrapar y matar guepardo en sus propiedades, en un intento de reducir la depredación de ganado o la fauna valiosa. Más de 1.200 guepardos se eliminaron 1991-2006, pero no se registraron todas las extracciones '' ^10. Por otra parte, hay un debate sobre si es o no es una solución eficaz para el conflicto agricultor-guepardo. La eliminación de los animales perciben como causa de conflicto, matando o translocación puede ser menos eficaz que la mitigación de los conflictos por otros medios, tales como una mejor protección del ganado ^11. Tarifas publicadas de supervivencia de 12 meses después de la translocación han oscilado entre el 18% ¹¹ a 40% ^12.

La recopilación de datos fiables sobre el número, la identidad y la distribución de guepardo en Namibia es la clave para hacer frente a las situaciones de conflicto-guepardo humano. guepardo corriente de las técnicas de vigilancia varían de cuestionarios específicos de la Namibian Ministerio de Medio Ambiente y Turismo a las partes interesadas a ⁴ observaciones oportunistas por parte de turistas y el gobierno reporta ^4, con el uso de cámaras trampa ^13, GPS o collares ^10,14 VHF, encuestas entrevista agricultor ^8, e incluso patrón de terreno ^15. Sin embargo, la comparación de la eficacia de estas técnicas, sin un punto de referencia o cuantificación de esfuerzo de muestreo común es difícil. Cada uno tiene sus limitaciones; satélite GPS y VHF collares son costosos ya menudo poco fiables, cuestionarios específicos tienen un alcance limitado, y cámaras trampa se alcance limitado.

Las estimaciones producidas por estos diferentes métodos varían ampliamente. Marcador et al. ¹⁰ puso de relieve la necesidad de un enfoque más coordinado. Una variedad de métodos se han utilizado en los campos de cultivo para estimar la densidad de población guepardo, y éstos han producido una serie de estimaciones. Por ejemplo, un estudio de radio-telemetría estima 2,5 (± 0,73) guepardos / 1.000 km ^{2, mientras que un estudio de la cámara-trampa estimado 4,1 (± 0,4) guepardos / 1,000 km 2 (Marker et al., 2007). Esta variación pone de relieve el problema de la utilización de diferentes métodos para estimar la densidad, pero hasta el momento no, repetible técnica única, efectiva se ha identificado que podría ser utilizado a través de la amplia gama de hábitats que ocupan los guepardos en Namibia. Esto sigue siendo un problema para la supervisión efectiva y la conservación del guepardo.}

Este desafío provocó el desarrollo de una herramienta robusta, rentable y flexible para el seguimiento del guepardo. La técnica de identificación de huella fue desarrollado por primera vez para el rinoceronte negro ¹⁶ y posteriormente adaptado para una amplia gama de especies, incluyendo ¹⁷ rinoceronte blanco, tigre de Amur ^18, león de montaña ^19, y otros.

Varios estudios han indicado que es posible utilizar huellas para identificar los grandes carnívoros, por especies, los individuos, y el sexo. El procesoha evolucionado desde la simple descripción de la forma de las huellas ²⁰ a una comparación de mediciones ^21, para el análisis estadístico de una o varias mediciones ^16,17,22-30 y dar forma a los esfuerzos de análisis ³¹ .Estas han tenido éxito variable, dependiendo en gran medida del rigor de la recopilación de datos y procesos de análisis, y el número de animales de ensayo utilizados para desarrollar los conjuntos de datos de entrenamiento. Hay varias ventajas prácticas de la utilización de huellas. La primera es que las imágenes pueden ser recogidos junto con otros métodos no invasivos (por ejemplo, la cámara de captura, recolección de ADN del pelo / heces, etc.) con muy poco esfuerzo adicional o coste. En segundo lugar, las huellas son, en que los permisos de sustrato, la señal más ubicua de la actividad de los animales.

La técnica de identificación de huella es la primera técnica de identificación de huella sólida descrito para el guepardo y es aplicable en cualquier sitio donde se encuentran huellas. Las huellas deben ser sufficiently definen que los dedos del pie y el talón de la impresión se puede ver claramente a simple vista. Los operadores de campo deben familiarizarse con la anatomía básica del pie guepardo y ser capaz de identificar grabados en el área de interés, y distinguirlas de las impresiones de los otros grandes carnívoros simpátricas. La técnica o bien se puede utilizar como una técnica de censo (por ejemplo, cuántos guepardos están representados por las huellas recogido?) O como una herramienta para monitorizar individuos específicos. Huellas también se pueden utilizar como "marcas" en los análisis de marcado y recaptura, usando la técnica para identificar individuos y, a continuación, calcular la densidad local de la especie. La recolección de datos requiere sólo una cámara digital básica y la escala.

Protocolo

DECLARACIÓN DE ÉTICA: La técnica de identificación de huella es una técnica no invasiva. No se tomaron muestras biológicas. Se utilizaron guepardo en cautividad Sólo usuarios registrados con la documentación de permisos. guepardo participación se limitó a caminar por un camino de arena para dejar huellas a cambio de una recompensa de comida.

NOTA: Este protocolo explica el uso de un software de visualización de datos, como JMP, de aquí en adelante como "software de visualización de datos 'para clasificar huellas utilizando la técnica de identificación de la huella.

DECLARACIÓN DE SEGURIDAD: Los guepardos no fueron dejados sin vigilancia (2 personas) y se colocaron en los centros de detención separados cuando sea posible. guepardos en cautividad que se utilizan para la manipulación fueron atraídos directamente sobre una pista de arena para hacer huellas. Otros animales menos susceptibles a la manipulación fueron atraídos desde el exterior del recinto.

TERMINOLOGÍA: Pista: Una huella; Trail: Un Unbroken serie de huellas hechas por un solo animal.

1. Recopilación Huellas

1. Preparación de parches y protocolo
   1. Reúna los siguientes materiales para el protocolo: una multa rastrillo, o un rastrillo grueso y manipulación, con la mano de rociadores o regadera, dos reglas estándar (cm) o uno de los carpinteros regla plegable para enmarcar la impresión, una cámara digital estándar (resolución mínima de 1200 x 1600 pix), un paraguas para dar sombra si las etiquetas necesarias y la huella estándar con espacios de grabación de datos para grabar el nombre del fotógrafo, la fecha, la serie de la huella, ID de impresión discreta, identificación animal, ubicación y profundidad si> 2 cm).
   2. por la mañana temprano o al atardecer trabajar para obtener el máximo contraste de luz sobre las impresiones. Si esto no es posible, sombra artificial de un paraguas puede mejorar talón y la punta definición de la almohadilla cuando el sol está por encima.
   3. Coloque un camino de aproximadamente 1 cm de profundidad de cualquiera de los sustratos naturales o arena para la construcción. Asegúrese de que se acerca es2-3 m de ancho y una duración de entre 3 y 15 m de largo de una cerca perimetral o trayectoria de movimiento habitual.
   4. Húmeda y suavizar el sustrato con herramientas de jardinería estándar para mejorar la calidad de impresión y definición. quitar manualmente las hojas y guijarros, si está presente.
2. La recogida de huellas para la formación de datos
   1. Atraer al otro lado de guepardo camino de arena con un premio de comida. Una vez realizadas las huellas, llevar el animal fuera de la trayectoria.
   2. Después de la formación de imágenes de cada pista de la huella (véase 1.3) cepillar las pistas de distancia y preparar la superficie para el registro de la siguiente pista.
   3. Sólo recoger impresiones traseras izquierda para la formación de datos. La pata trasera izquierda tiene el líder del dedo del pie (dedo del pie 3), dedo del pie dedo del pie 4 y 5 haciendo una pendiente hacia la izquierda. patas delanteras son más amplias que las patas traseras. Dedicar tiempo a aprender cómo identificarlos antes de exponer.
3. Imágenes de las huellas que utilizan el protocolo técnica de identificación huella
   1. Resaltar la posición de las huellas individuales a lo largo del sendero dibujando manualmente un círculo alrededor de cada huella trasera izquierda. Use un palo o cualquier otra herramienta local adecuada.
   2. Image la primera huella de la siguiente
      1. Colocar una escala métrica alrededor de 1 cm por debajo y a la izquierda de la huella.
      2. En virtud de la escala, y sin tocar la huella, coloque una hoja de identificación fotográfica, y escribir en los espacios pre-asignado el nombre del fotógrafo, la fecha, la serie de la huella, la profundidad (si> 2 cm) Identificación de impresión discreta, identificación animal y la ubicación.
   3. Horcajadas sobre la impresión y apunte la lente de la cámara directamente sobre la cabeza de la huella, para evitar cualquier error de paralaje de la imagen con respecto a la escala o la foto ID deslizamiento. Utilice un trípode o un asistente para comprobar si es necesario.
   4. Asegúrese de que la huella, regla y una identificación con foto deslizan completamente llenar el encuadre.
   5. Reunir alrededor de 20 buenas impresiones de la izquierda calidad traseras para completar la colección para ese animal. Si 20 prenteros no están disponibles a partir de la primera pista, los procesos de repetición a partir de 1.1.6 a 1.3.5 con el mismo animal.

2. Imagen de extracción de características Antes de la técnica de análisis de identificación de huella

1. Haga doble clic en el icono de la técnica de identificación de huella y abrirlo como un complemento para el software de visualización de datos. Observe la ventana de su casa en la pantalla. Seleccione 'Imagen de extracción de características' para mostrar esta nueva ventana. La técnica de identificación de la huella se ejecuta en una secuencia de comandos de software de visualización de datos en el jsl lenguaje de codificación. El menú principal se muestra en la Fig. 1.
2. El uso de un ratón, arrastrar y soltar la primera imagen Huella en la ventana de extracción de características de la imagen. Una guía de la plantilla de extracción de características se muestra a la izquierda de la ventana.
3. Haga clic y seleccione el botón 'redimensionamiento' para asegurarse de que la imagen de la huella se encuentra dentro de la ventana gráfica. Haga clic en los puntos más bajos en los dedos exteriores (2 dedos de los piesy 5) para colocar marcadores y luego seleccione 'rotación'. Observe que la imagen se gira horizontalmente en la línea que une los puntos, para estandarizar la orientación. Observar un conjunto de punto de mira aparecerá automáticamente para ser utilizado en el paso 2.6.
4. Si el sustrato es de más de 1 cm de profundidad, hacer una corrección de profundidad para el algoritmo haciendo clic en el botón de "profundidad sustrato".
5. Haga clic para colocar dos puntos de la escala a la escala requerida. Para el guepardo establecer la escala a 10 cm, sistema en el cuadro de factor de escala.
6. Utilizando la plantilla de la izquierda de la ventana gráfica, colocar 25 puntos emblemáticos de forma secuencial. puntos Punto de referencia se definen puntos anatómicos en la huella, por ejemplo el más anterior, posterior, lateral y medial puntos de cada dedo del pie y el talón. Utilice el punto de mira para mejorar la precisión para los usuarios novatos. Observe aparecerá una solicitud en la parte superior izquierda de la imagen para mostrar la secuencia de puntos.
7. Seleccione '' puntos obtenidos para generar otros quince puntos from como puntos de referencia. Este proceso aumenta el número de variables disponibles para el desarrollo de algoritmos.
8. Completar todos los campos de datos de la imagen de la huella por; guepardo, pista, rastro, fecha, hora y punto de localización (GPS). Fig. 2 muestra etapas 2.2 a 2.8.
9. Presione el botón "añadir fila 'para enviar 136 variables de secuencias de comandos (distancias, ángulos, áreas) a una fila en la base de datos.
10. Repita las etapas 2.1 a 2.9 para todas las huellas hasta que la base de datos se rellena con las coordenadas XY para cada hito y punto de derivados y todas las variables calculadas para cada huella.
11. Copia todas las filas de la base de datos y pegarlos por debajo de la base de datos. Este conjunto se llama la duplicación del centroide de referencia Valor (RCV) y actúa para estabilizar el modelo de técnica de identificación de huella para la posterior comparación del par de pistas de huella.

3. Desarrollo del algoritmo Técnica huella de identificación del guepardo

1. Sólido análisis discriminante validación cruzada por parejas
   1. En el menú principal, seleccione y abra la ventana de análisis robusta pares validación cruzada (Fig. 3). El modelo de técnica de identificación huella utiliza un clasificador para determinar la probabilidad de un par de pistas que pertenecen a la misma persona o dos individuos diferentes (Fig. 4).
   2. Llevar a cabo una comparación del par de senderos que utilizan la base de datos de formación de individuos conocidos como sigue:
      1. Seleccionar guepardo como "entrada x, modelo de categoría ', y rutas de senderos de entrada como' '. La Y columnas (mediciones de la huella), como variables continuas, son automáticamente poblada.
      2. Seleccione "Ejecutar". Observar una barra de progreso que muestra el análisis en curso. Observar una tabla de datos aparece que muestra las comparaciones por pares de senderos.
      3. Observar dos salidas, una mesa de auto / no auto asignado para describir la distancia entre cada clasificación validación par, y una ventana matrices de clasificación que muestra las diferentes rutas seleccionadas para la comparación, y la probabilidad de contorno. Observe el botón modelo de demostración que muestra las variables que se utilizan para cada comparación, y la caja de umbral de distancia que da la distancia entre centroides.
      4. Seleccione el botón de 'racimos' en la base de la tabla de auto / no auto asignado. Observar dos tablas. El primero muestra las distancias entre los dos senderos. El segundo es un dendrograma 'clúster' - el resultado final para la clasificación de las variables elegidas. Visualizar los grupos de clasificación haciendo clic en cualquiera de las ramas del dendrograma de código de color él.
      5. Prueba de la precisión de la clasificación variando el número de variables (mediciones) y la probabilidad de contorno (el intervalo de confianza alrededor del valor de centroide). Re-visualizar los datos en el dendrograma clúster generado utilizando 18 variables (Fig. 5a). Esto da la predicción correcta de sieteguepardos. Figuras 5b (24 variables) y C (10 variables) muestran diferentes estimaciones del número de guepardo obtenidos al probar diferentes insumos variables y probabilidad de contorno.
         NOTA: La curva de distribución con la escala móvil da la probabilidad relativa (probabilidad) del número predicho a partir de 100%. A medida que la escala móvil se mueve la probabilidad relativa para cada estimación de cada lado del valor predicho se muestra. Figura 5d muestra el resultado con 18 variables, con la escala móvil movido en una dirección para demostrar que la probabilidad de diez guepardos es menor que 50 %.
      6. Seleccione el algoritmo que siempre da la más alta precisión. Ajustar el valor de umbral para permitir que el algoritmo para ajustarse para producir el resultado que mejor se aproxima al número de animales conocidos en la base de datos de entrenamiento (Fig. 5a).
2. Juicio contención completa para la validación
   Validar el algoritmo tanto para el número esperado de los individuos y de la exactitud de la clasificación de la agrupación utilizando ensayos holdback y distribuir aleatoriamente el guepardo individual en el conjunto de datos para probar y conjuntos de entrenamiento (Fig. 6). Los pasos para el uso son las siguientes:
   1. A partir de la base de datos de referencia, decidir sobre un intervalo adecuado para la partición secuencial del conjunto de datos en la prueba y del conjunto de entrenamiento tamaños. Para la base de datos guepardo, utilice el intervalo como 4.
   2. Selección aleatoria de cuatro individuos como el conjunto de datos de prueba (salida 34 en el conjunto de entrenamiento). Ocultar las identidades de los cuatro individuos de prueba seleccionados.
   3. Haga clic en la opción "Análisis de Datos por parejas" y seleccionar todas las pistas para los cuatro individuos de prueba.
   4. Haga clic en "Ejecutar" para iniciar el análisis técnica de identificación de la huella. El análisis dará una predicción para el número de individuos en el conjunto de datos de prueba. Iterar este proceso nueve veces más (en total 10), cada unotiempo en seleccionar al azar a cuatro individuos.
   5. Calcular el valor de media prevista para este tamaño de la prueba (es decir, cuatro). A continuación, repetir el proceso secuencialmente para ocho individuos seleccionados al azar (en función del tamaño del intervalo) y luego 12 y así sucesivamente con diez iteraciones para cada tamaño de la prueba. Calcular valor medio estimado para cada tamaño de la prueba.
   6. El uso de una parcela software de gráficos en una gráfica como se muestra en la Fig. 6. La línea roja muestra el tamaño real de prueba representa frente a uno mismo, los asteriscos verdes muestran el número previsto de individuos por cada iteración y la línea azul muestra los valores medios predichos para cada tamaño de la prueba. La cercanía de las líneas roja y azul es un indicador de la exactitud de los análisis de identificación de la huella de la técnica.

Resultados

La identificación individual

La capacidad de la técnica de identificación de huella para clasificar guepardo individuo depende de dos factores, el uso de un protocolo de recogida de la huella estandarizado y un nuevo modelo estadístico basado en un análisis discriminante por parejas validación cruzada con un análisis de la agregación de Ward. Estos se ven facilitadas por una interfaz gráfica de usuario integrado para la visualización de datos (Fig. 1). Se necesita un equipo mínimo, por lo que esta técnica rentable (Lista de Materiales). Los datos recogidos con la huella incluyen el número de guepardos, número de imágenes de la huella recogida, gama de huellas por el guepardo, el número de pistas, varias rutas de guepardo y por rango de edad de los guepardos (Tabla 1).

Se recogieron pertenecientes a 110 senderos, a partir de 38 personas, para la formación de datos Tabla 1 da 781 huellas (386 M:: F 395).un resumen de los datos recogidos. Uso de la ventana de extracción de características (Fig. 2) un conjunto de 25 puntos emblemáticos fueron capaces de generar 15 puntos cada imagen deriva huella en. A partir de estos puntos de señal y derivados se generaron 136 variables para cada huella, que comprende distancias, ángulos y áreas. Cada fila de la base de datos, por lo tanto representa las 136 variables generadas por una sola huella. Las huellas fueron procesados ​​por el rastro. Un número variable de filas representadas cada pista, y se marca como tal.

Estos datos se duplicaron en la tabla de datos como una entidad a continuación, referido como el de referencia Centroide Valor (RCV) que actúa para estabilizar la comparación del par de pistas necesarias para la clasificación individual. La ventana de análisis por pares (fig. 3) fue diseñado para ayudar a validar los datos y / o prueba de datos de poblaciones desconocidas. La figura 4 muestra el resultado de una comparación por pares de pistas de la misma individual (A) y dos individuos diferentes (B) basado en el modelo personalizado técnica de identificación de la huella. El clasificador incorporado en el modelo se basa en la presencia o ausencia de solapamiento entre las elipses. Tenga en cuenta que el análisis se realiza para cada comparación por pares, en presencia de una tercera entidad, es decir, el valor centroide de referencia (RCV).

El uso de un sólido análisis discriminante cruzada validado por pares con un análisis de la agregación de Ward, un algoritmo se generó para proporcionar la clasificación efectiva de los individuos. El algoritmo de identificación de huella técnica se basa en tres entidades ajustables; el número de mediciones utilizado, el tamaño de la elipse (intervalo de confianza se utiliza), y el valor umbral que determina el valor de corte para los grupos. Cada una de estas entidades se ajusta en el software hasta que se consigue la máxima precisión para la clasificación para el conjunto de entrenamiento de animales de identidad conocida. Esta misma AlgorITHM entonces se puede utilizar para identificar guepardos desconocidos. Por ejemplo, las figuras 5a, b y c muestran un dendrograma de una muestra de senderos de siete guepardos que muestra la predicción correcta cuando se optimiza el algoritmo (a), y cuando el algoritmo es subóptima (B y C).

Se llevaron a cabo ensayos de retención que para validar el algoritmo derivado del conjunto de entrenamiento de los individuos "conocidos". Estos se llevaron a cabo de forma secuencial mediante la variación de la proporción de guepardos en las unidades de prueba y de formación. En lugar de repartir a los guepardos entrenamiento y prueba de manera arbitraria, los análisis se realizaron secuencialmente aumentar el tamaño del conjunto de prueba. Para cada conjunto de pruebas, 10 iteraciones se realizaron con guepardos siendo seleccionados al azar para cada iteración. Para cada conjunto de pruebas, lo que permitió un valor medio que se calcula. Figura 6. Muestra el tamaño de la prueba variando representada frente a sí mismo (rojo), y en el eje y el valor predicho para cada iteración tamaño de la prueba (verde) Y la media valor predicho para cada tamaño de la prueba (azul). La trama demuestra que incluso cuando el tamaño del conjunto de prueba se incrementa considerablemente (n = 28) en comparación con el tamaño del conjunto de entrenamiento (n = 10), la media predijo valor es similar al valor esperado.

El uso de varios ensayos de retención que, la exactitud de la identificación individual fue consistentemente> 90% tanto para el número previsto de individuos y, no menos importante, la clasificación de los senderos, es decir, si los rastros de un mismo individuo (auto-trails) y los de diferentes individuos (no auto-caminos) clasifican correctamente. Un dendrograma agrupación que representa a los 38 guepardos individuales se muestra (Fig. 7). Hubo 110 senderos, generando un total de 5.886 comparaciones por pares. De estos, había 46 clasificaciones erróneas dando una precisión de 99% (Tabla 2).

	# De guepardos	# De imágenes de huella	Rango de huellas por guepardo	Cantidad de pistas	Por varias rutas de guepardo	Rango de edad (años)
Las hembras	dieciséis	386	12-36	55	2-5	2.5 a 8.5
Los varones	22	395	7-32	54	1-4	1-11
Total	38	781	7-36	109	15	1-11

Tabla 1. Resumen de los datos recogidos. El número de guepardos, el número de imágenes de la huella recogida, la gama de footpRints por guepardo, el número de pistas, la gama de senderos por el guepardo y el rango de edad de los guepardos.

	Yo	No auto	Total	clasificaciones erróneas
Ser (N)	117	9	126	9
Ser (%)	93	7	100	7
No propio (N)	37	5.723	5.760	37
No propio (%)	1	99	100	1
Total (N)	-	-	5.886	46
Total (%)	-	-	100	1

Tabla 2. La salida en el software de técnica de identificación huella muestra la clasificación de los senderos sobre la base de comparación por parejas. 'Auto' se refiere a las pistas de un mismo individuo y 'no-yo', senderos de diferentes individuos. Cada pista se compara con cualquier otro rastro usando un robusto modelo de análisis discriminante validación cruzada personalizado. 110 senderos dieron lugar a 5.886 comparaciones por pares y la precisión de la clasificación general fue del 99%.

Figura 1. La ventana del menú principal la apertura de la técnica de identificación de la huella. Se trata de una identificación de la imagen complemento para el software de visualización de datos, diseñado para clasificar las huellas de indi vidual, el sexo y la clase de edad a partir de mediciones morfométricas. Una interfaz gráfica de usuario permite la navegación sin problemas entre diferentes opciones. Por favor, haga clic aquí para ver una versión más grande de esta figura.

Figura 2. La ventana de extracción de características. Las capacidades incluyen arrastrar y soltar imágenes, cambio de tamaño automático de la ventana, la rotación de imágenes para la normalización, la profundidad de sustrato de factoring, etc. puntos emblemáticos preasignado se posicionan y generan una serie de puntos derivados de secuencias de comandos de forma manual permitir la extracción de las métricas en forma de distancias, ángulos y áreas. La salida está en la forma de una fila de datos que proporcionan las coordenadas XY y las métricas.ank "> Haga clic aquí para ver una versión más grande de esta figura.

Figura 3. Por parejas ventana de análisis de datos en la técnica de identificación de la huella. Una vez que se ha creado una base de datos de las mediciones, la ventana de análisis por pares está diseñado para ayudar a validar los datos y / o prueba de datos de poblaciones desconocidas. El análisis se basa en un modelo personalizado que incorpora una constante, el valor de centroide de referencia (RCV), que compara los pares de pistas secuencialmente ^16,17. El resultado final es en la forma de un dendrograma clúster que proporciona una predicción para el número de individuos y la relación entre los senderos. Por favor, haga clic aquí para ver una versión más grande de esta figura.

Figura 4. Las comparaciones por pares. La figura muestra el resultado de una comparación por pares de pistas de un mismo individuo (A) y dos individuos diferentes (B) sobre la base de un modelo personalizado en el software de visualización de datos. El clasificador incorporado en el modelo se basa en la presencia o ausencia de solapamiento entre las elipses. Tenga en cuenta que el análisis se realiza para cada comparación por pares en presencia de una tercera entidad, es decir, el valor centroide de referencia (VN). Por favor, haga clic aquí para ver una versión más grande de esta figura.

Figura 5. Un dendrograma de una muestra de senderos de siete guepardos que muestra la correcta predicción cuando se optimiza el algoritmo (a) y cuando el algoritmo es subóptimo (B y C). d muestra el resultado con 18 variables, con la escala móvil movido en una dirección para demostrar que la probabilidad de diez guepardos es inferior a 50% . El algoritmo se basa en tres entidades ajustables; el número de medidas utilizado, el tamaño de la elipse (intervalo de confianza utilizado) y, por último, el valor umbral que determina el valor de corte de los racimos. Por favor, haga clic aquí para ver una versión más grande de esta figura.

Figura 6. Un ensayo retención lleva a cabo de forma secuencial mediante la variación de la proporción de guepardos en las unidades de prueba y de formación. En lugar de repartir los guepardos a la formación y la prueba sect arbitrariamente, se realizó un análisis secuencial aumentar el tamaño del conjunto de prueba. Para cada conjunto de pruebas, diez iteraciones se realizaron con guepardos siendo seleccionados al azar para cada iteración. Para cada conjunto de pruebas, lo que permitió un valor medio que se calcula. La figura muestra el tamaño de la prueba variando representada frente a sí mismo (rojo), y en el eje y el valor predicho para cada iteración tamaño de la prueba (verde) y la media predijo valor para cada tamaño de la prueba (azul). La trama demuestra que incluso cuando el tamaño del conjunto de prueba se incrementa considerablemente (n = 28) en comparación con el tamaño del conjunto de entrenamiento (n = 10), la media predijo valor es similar al valor esperado. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7. Dendrograma que muestra el resultado predicho cuando todo110 senderos de 38 guepardos están incluidos en el análisis. Tenga en cuenta la fidelidad de los senderos que forman los cúmulos. Curiosamente, muchos de los errores de clasificación entre los hermanos de camada eran, por ejemplo, el guepardo Letotse / Duma y Vincent / Bonsai. Haga clic aquí para ver una versión más grande de esta figura.

Discusión

Este documento describe la aplicación teórica de la técnica de identificación de huella y su potencial como un nuevo enfoque en la comunidad amigable rentable para la supervisión, y por lo tanto ayudar a conservar guepardo. Los próximos pasos en la aplicación más amplia de la herramienta serán más extensa pruebas de campo con poblaciones de guepardo en áreas de distribución.

La técnica de identificación de la huella se diferencia de los intentos anteriores para identificar individuos a partir de las huellas en varios aspectos clave; un protocolo estandarizado y riguroso Huella de recogida, un software de interfaz gráfica de usuario simplificada, la orientación y la optimización de las imágenes antes del análisis, y un nuevo modelo estadístico para la clasificación.

Hay varios pasos críticos necesarios para el éxito del protocolo. En primer lugar, senderos de arena deben estar preparados correctamente y el animal condujeron sobre la arena en un ritmo de marcha normal relajada. Cuando imágenes de las huellas, la Photographer debe ser directamente por encima del centro de la impresión. A menudo es útil tener un observador para comprobar esto. Por último, es muy importante que el fotógrafo (o un asistente, que podría ser un experto rastreador) sean capaces de identificar una huella de guepardo en el suelo, y tener la habilidad para realizar el seguimiento del rastro de huellas hacia delante o hacia atrás a lo largo de la línea de recorrido .

habilidades de rastreo son esenciales para la ulterior aplicación efectiva de esta técnica para el seguimiento de los guepardos desconocidos o en libertad. La falta de habilidad puede llevar a la recolección de huellas suficientemente bien definidos o confusión entre los senderos de diferentes animales que podrían viajar juntos. Este último punto es particularmente importante para los guepardos, donde los machos jóvenes a veces se forman coaliciones de 3 o más animales que se mueven juntos. Sin embargo, esta preocupación se ha abordado de otra especie social, el rinoceronte blanco, donde grupos de hasta 13 individuos que se mueven juntos fueron correctamente identificadoscado por la técnica de identificación de huella utilizando adelante o hacia atrás de seguimiento de pistas (Alibhai et al., 2008) ^17.

Si bien en la actualidad hay pocos restantes rastreadores expertos indígenas, se están realizando esfuerzos concertados para colaborar con ellos y transferir sus conocimientos a los miembros más jóvenes de su comunidad. Una de estas iniciativas, la Academia de las antiguas habilidades, será conducido por la N / a'an Fundación ku se en Namibia. Del mismo modo, el rápido crecimiento de los programas de certificación de capacitación de seguimiento está permitiendo a los científicos y naturalistas aficionados a aprender estas técnicas de campo esenciales.

El posicionamiento manual preciso de los puntos de señal en las imágenes de la huella es central a la precisión de la técnica. Una vez más, los operadores deben estar familiarizados con la anatomía básica del pie y dando como resultado la huella. Los autores están actualmente tratando de desarrollar la automatización para reducir al mínimo el trabajo manual, y ayudar a resolver cualquier preocupación acerca de Stannorma- a través de diferentes operadores. Mientras tanto, simplemente se recomienda que el posicionamiento hito ser responsabilidad de un titular en cada sitio de estudio. Se están realizando esfuerzos para involucrar a ciudadanos científicos en la captura y análisis de datos, que será enormemente amplificar campo de aplicación. A pesar de estas limitaciones actuales, este protocolo de software ha sido implementado con éxito en el campo para una serie de especies, incluyendo Rhino Blanco y Negro, Tapir y tigre de Amur.

Trabajando con huellas tiene una limitación obvia - el sustrato debe permitir su impresión clara. Huellas parciales o impresiones de mala calidad proporcionan detalles insuficientes ^32. Sin embargo, grandes extensiones de gama guepardo son ideales para la recogida de la huella, y para áreas pequeñas de lo contrario no adecuados que pueden incluso ser posible evitar esta limitación mediante la colocación de senderos de arena artificiales para recoger huellas. Estas almohadillas huella de impresión puede utilizarse eficazmente en combinación con camera trampa, por ejemplo, en el marcado guepardo mensajes / árboles conocidos. El seguimiento de las habilidades y conocimientos locales puede ayudar enormemente en la localización e identificación de áreas de sustrato adecuado.

Debido a que la técnica de identificación de la huella no es invasivo, no causa ninguna alteración a la ecología o el comportamiento del animal. Muchos estudios han demostrado el riesgo potencial y real de captura, inmovilización, manipulación y montaje de instrumentación, el coste incurrido en dichas prácticas, y el riesgo de la recogida de datos poco fiables ^33. identificación de la huella como técnica tiene otra ventaja en la gestión de la conservación. Sobre la base de las habilidades de rastreo tradicionales, y la rentabilidad, se puede involucrar a las comunidades locales que antes estaban marginados en los procesos de monitoreo de la conservación. Stander ³⁴ y ³⁵ Liebenberg tratarse independientemente y dan fe las habilidades de monitoreo y conservación de incluir estos grupos.

La futura evolución de la capacidad técnica de identificación de la huella para el seguimiento de guepardo están en curso, e incluyen pruebas de campo para la validación con los guepardos en libertad, la construcción de algoritmos de clases de edad (incluidos los cambios en la morfología del pie de los individuos a través del tiempo) y controles de sustrato. Los autores también están investigando técnicas de visión por ordenador que permiten la segmentación de imágenes para optimizar la precisión y consistencia en marcar los puntos de señal.

Dado que las huellas son uno de los signos de los animales más ubicuos, ya menudo mucho más fáciles de encontrar que los propios animales, una mayor incorporación de la identificación huella podría ser que cambia el juego en el monitoreo de la conservación. Principales áreas terrestres protegidas del mundo reciben un estimado de ocho millones de visitas recreativas al año ^36. La mayoría de los visitantes ahora llevan los teléfonos inteligentes. El uso de una aplicación se está desarrollando para Wildtrack la recogida de datos de la huella será simple y rápida y podría potencialmente correofecto un conjunto de datos de tamaño de la muestra sin precedentes y la escala espacial. Con un protocolo de recogida de datos rentable, la técnica de identificación de huella se adapta fácilmente a la malla en cualquier caja de herramientas de conservación. Como un sistema de clasificación de imágenes, es robusto modelo también puede tener aplicación en la medicina, forense, y los campos de aplicación de la ley (por ejemplo, contra la caza furtiva).

Materiales

Name	Company	Catalog Number	Comments
ITEM
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