Spotting Cheetahs: Indivíduos Identificação por suas pegadas

Resumo

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.

Resumo

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%.

Introdução

A chita (Acinonyx jubatus) é felídeo mais ameaçado da África e listado como vulnerável com uma tendência de declínio da população pela Lista Vermelha da IUCN de espécies ameaçadas ^1. A população de chitas global está estimado entre 7-10,000 indivíduos ¹ e Namíbia é reconhecido como o maior reduto da chita deagrupamento, com talvez mais do que um terço da população do mundo ^4,6,7. As estimativas da população para a África do Sul em 2007 colocados população de chitas da Namíbia em 2000 com o próximo mais próximo estado gama de Botswana com 1.800, seguido pela África do Sul (550), Zimbábue (400), Zâmbia (100), Moçambique (<5). Vários estados foram não avaliado ^7.

autoridades namibianas ter um claramente visão de "seguros, populações chita viáveis ​​através de uma variedade de ecossistemas que coexistem com sucesso, e são avaliados por, o povo da Namíbia." No entanto, o gadoe criação de animais são os principais usos da terra na Namíbia ^8,9 e proprietários regularmente prender e matar chita em suas propriedades em uma tentativa de reduzir a predação de animais ou a valiosa vida selvagem. Mais de 1.200 guepardos foram removidos 1991-2006, mas nem todos esses 'estas forem' foram registrados ^10. Além disso, há um debate sobre se este é ou não uma solução eficaz para o conflito agricultor chita. A remoção de animais considerada como causadora de conflito, matando ou translocação pode ser menos eficaz do que a mitigação dos conflitos por outros meios, tais como uma melhor protecção do gado ^11. Tarifas publicadas de sobrevivência de 12 meses de pós-translocação variaram de 18% ^{11-40% 12.}

Recolha de dados fiáveis ​​sobre o número, a identidade e distribuição de chita na Namíbia é a chave para lidar com situações de conflito humano-chita. chita atual técnicas de monitorização variam de questionários direcionados a partir do Namibian Ministério do Ambiente e do Turismo para as partes interessadas ⁴ às observações oportunistas por turistas e governo informa ^4, para o uso de armadilhas fotográficas ^13, GPS ou coleiras de VHF ^10,14, inquéritos entrevista agricultor ^8, e até mesmo teste padrão do ponto ^15. No entanto, a comparação da eficácia destas técnicas, sem um ponto de referência comum ou quantificação do esforço de levantamento é difícil. Cada um tem limitações; colares de satélite GPS e VHF são caros e muitas vezes não confiáveis, questionários direcionados têm um âmbito limitado e armadilhas fotográficas têm alcance limitado.

Estimativas produzidos por estes diferentes métodos variam amplamente. Marcador et al. ¹⁰ destacou a necessidade de uma abordagem mais coordenada. Uma variedade de métodos tem sido utilizado nas terras para estimar a densidade população de chitas, e estes foram produzidos uma série de estimativas. Por exemplo, um estudo de radio-telemetria cerca de 2,5 (± 0,73) chitas / 1.000 km ^{2, enquanto um estudo câmera-armadilha estimado de 4,1 (± 0,4) chitas / 1.000 km 2 (marcador et al., 2007). Esta variação destaca o problema da utilização de métodos diferentes para estimar a densidade, mas até agora nenhuma técnica única, eficaz, repetível foi identificado que poderia ser usado em toda a vasta gama de habitats que as chitas ocupam na Namíbia. Esta continua a ser um problema para o monitoramento chita eficaz e conservação.}

Este desafio provocou o desenvolvimento de uma ferramenta robusta, eficaz e flexível para monitorar a chita. A técnica de identificação pegada foi inicialmente desenvolvido para rinoceronte negro ¹⁶ e posteriormente adaptado para uma ampla gama de espécies, incluindo rinoceronte branco ^17, tigre de Amur ^18, leão de montanha ^19, e outros.

Vários estudos têm indicado que é possível utilizar pegadas para identificar grandes carnívoros por espécie, os indivíduos, e sexo. O processoevoluiu de descrição de forma simples de pegadas ²⁰ a uma comparação das medidas ^21, à análise estatística de uma ou várias medições ^16,17,22-30 e análise de forma ³¹ esforços .Estes tiveram sucesso variável, dependendo em grande parte o rigor da coleta de dados e processos analíticos, eo número de animais de teste usados ​​para desenvolver os conjuntos de dados de treinamento. Existem várias vantagens práticas do uso de pegadas. A primeira é que as imagens podem ser recolhidos juntamente com outras abordagens não-invasivas (por exemplo, armadilhas fotográficas, coleta de DNA de cabelo / fezes, etc.) com muito pouco esforço extra ou custo. Em segundo lugar, pegadas são, onde as licenças de substrato, o sinal mais onipresente da atividade animal.

A técnica de identificação da pegada é a primeira técnica de identificação pegada robusta descrito para chita e é aplicável em qualquer local de pegadas são encontrados. Pegadas deve ser sufficiently definido que os dedos do pé e do calcanhar da impressão pode ser claramente visto a olho nu. operadores de campo devem familiarizar-se com a anatomia básica do pé chita e ser capaz de identificar impressões na área de interesse, e distingui-las de cópias de quaisquer outros grandes carnívoros simpátricas. A técnica pode ser usada como uma técnica de recenseamento (por exemplo, quantas chitas são representados pelas pegadas recolhidos?) Ou como uma ferramenta para monitorar os indivíduos específicos. Pegadas também pode ser utilizado como "marcas" em análises de marcação e recaptura, utilizando a técnica de identificar os indivíduos e, em seguida, calcular as densidades locais das espécies. A coleta de dados requer apenas uma câmera digital básica e escala.

Protocolo

ÉTICA DECLARAÇÃO: A técnica de identificação da pegada é uma técnica não-invasiva. Não foram tomadas amostras biológicas. foram utilizados chita cativo Só registrado com documentos relativos à licença. participação Cheetah limitou-se a caminhar ao longo de uma trilha de areia para deixar pegadas em troca de uma recompensa alimentar.

NOTA: Este protocolo explica o uso de um software de visualização de dados, como JMP, a seguir referida como "software de visualização de dados 'para classificar pegadas utilizando a técnica de identificação da pegada.

Declaração de segurança: Cheetahs nunca à esquerda sem vigilância (2 pessoas) e foram colocados em instalações de detenção separadas sempre que possível. guepardos em cativeiro utilizados para a manipulação foram atraídos diretamente sobre uma pista de areia para fazer pegadas. Outros animais menos passíveis de manipulação foram atraídos de fora do gabinete.

Terminologia: Pista: Uma pegada; Trail: An usérie nbroken de pegadas feitas por um único animal.

1. Pegadas Coletando

1. Preparação Patch e protocolo
   1. Reúna os seguintes materiais para o protocolo: um ancinho multa, ou um ancinho grosseira e adulteração, sprinkler mão ou regador, duas réguas padrão (cm) ou um carpinteiros 'régua de dobradura para enquadrar a impressão, uma câmera digital padrão (resolução mínima de 1200 x 1600 pix), um guarda-chuva para a máscara, se necessário e padrão etiquetas pegada com espaços de gravação de dados para registrar o nome do fotógrafo, data, série pegada, discreta ID de impressão, ID animal, localização e profundidade, se> 2 cm).
   2. Trabalhar de manhã cedo ou no fim da tarde para o contraste de luz máxima nas impressões. Se isso não for possível, sombra artificial de um guarda-chuva pode melhorar calcanhar e toe definição pad quando o sol está em cima.
   3. Coloque um caminho de cerca de 1 cm de profundidade de qualquer substrato natural ou areia para a construção. Certifique-se que aproximadamente é2-3 m de largura e correr para entre 3 e 15 m ao longo de uma cerca de perímetro ou caminho movimento habitual.
   4. Molhada e lisa do substrato com ferramentas de jardinagem padrão para melhorar a qualidade de impressão e definição. remover manualmente folhas e pedras, se estiver presente.
2. Coletando pegadas para o conjunto de dados de treinamento
   1. Atrair a chita através do trajeto de areia com uma recompensa alimentar. Após as pegadas foram feitas, levar o animal fora do caminho.
   2. Depois de imagiologia cada trilha pegada (ver 1.3), escovar as faixas de distância e preparar a superfície para gravar a próxima trilha.
   3. Recolhemos apenas impressões traseira esquerda para o conjunto de dados de treinamento. A pata traseira esquerda tem o dedo do pé de liderança (tep 3), dedo do pé 4 e 5 pés fazendo uma inclinação para a esquerda. patas dianteiras são mais amplos do que os pés traseiros. Gastar tempo aprendendo como identificá-los antes de imagem.
3. Imaging o pegadas utilizando o protocolo técnica de identificação pegada
   1. Realçar a posição das pegadas individuais ao longo da trilha, chamando manualmente um círculo em torno de cada pegada traseira esquerda. Use um pedaço de pau ou qualquer outra ferramenta local adequada.
   2. Imagem a primeira pegada da seguinte forma
      1. Coloque uma escala métrica de cerca de 1 cm abaixo e à esquerda da pegada.
      2. Sob a escala, e não tocar a pegada, coloque uma folha de identificação com fotografia, e escrever nos espaços pré-definidos para o nome do fotógrafo, data, série pegada, profundidade (se> 2 cm) discreta de impressão, ID de animais e localização.
   3. Ficar em cima do impressão e apontar a lente da câmera diretamente em cima da pegada, para evitar qualquer erro de paralaxe na imagem com relação à escala ou fotografia deslizamento ID. Use um tripé ou um assistente para verificar se necessário.
   4. Certifique-se de que a pegada, regra e identidade com foto deslizar completamente preencher o quadro.
   5. Recolher cerca de 20 bons deixaram impressões de qualidade traseiras para completar a coleção para esse animal. Se 20 prints não estão disponíveis a partir da primeira pista, processos de repetição a partir de 1.1.6 a 1.3.5 com o mesmo animal.

2. Imagem recurso de extração Antes da Análise Técnica Footprint Identification

1. Dê um duplo clique no ícone técnica de identificação pegada e abri-lo como um add-in para o software de visualização de dados. Observe a janela inicial na tela. Selecione 'Imagem recurso de extração' para mostrar esta nova janela. A técnica de identificação da pegada é executado em um script de software de visualização de dados na JSL linguagem de codificação. O menu principal está representado na fig. 1.
2. Usando um mouse, arrastar e soltar a imagem primeira pegada na janela de extração do recurso de imagem. Um guia modelo de extração de recurso é mostrado no lado esquerdo da janela.
3. Clique e selecione o botão 'redimensionamento' para assegurar que a imagem pegada é dentro da janela de gráficos. Clique nos pontos mais baixos nos dedos fora (dedos 2e 5) para colocar marcadores e, em seguida, selecione 'rodar'. Observa-se que a imagem é girada horizontalmente na linha que une os pontos, para padronizar orientação. Observar um conjunto de linhas de referência aparecem automaticamente para ser utilizado no passo 2.6.
4. Se o substrato é mais do que 1 cm de profundidade, efectuar uma correcção profundidade para o algoritmo, clicando no botão "profundidade substrato".
5. Clique para colocar dois pontos de escala na escala necessária. Para a chita definir a escala a 10 cm, definidos na caixa de fator de escala.
6. Usando o modelo do lado esquerdo da janela de gráficos, colocar 25 pontos marco sequencialmente. pontos de referência são definidos pontos anatômicos sobre a pegada, por exemplo, o mais anterior, posterior, pontos lateral e medial de cada dedo do pé e do calcanhar. Use a mira para melhorar a precisão para usuários iniciantes. Observar um aviso aparecerá no canto superior esquerdo da imagem para mostrar a sequência de pontos.
7. Selecione 'pontos derivados »para gerar mais quinze pontos from os pontos de referência. Este processo aumenta o número de variáveis ​​disponíveis para o desenvolvimento de algoritmos.
8. Preencha todos os campos de dados para a imagem Pegada; chita, pista, rastro, data, hora e ponto de localização (GPS). Fig. 2 mostra estágios 2,2-2,8.
9. Pressione o botão "acrescentar linha 'para enviar 136 variáveis ​​de script (distâncias, ângulos, áreas) para uma linha no banco de dados.
10. Repita as etapas 2.1 a 2.9 para todas as pegadas até o banco de dados é preenchida com as coordenadas XY para cada marco e ponto de origem e com todas as variáveis ​​calculadas para cada pegada.
11. Copiar todas as linhas no banco de dados e colá-los abaixo do banco de dados. Este conjunto de duplicação é chamado de Referência Centróide Valor (RCV) e atua para estabilizar o modelo de técnica de identificação da pegada de comparação par a par subsequente de trilhas pegada.

3. Desenvolvimento do Algoritmo Técnica Pegada Identificação para o Cheetah

1. Análise discriminante cross-validado robusta Pairwise
   1. A partir do menu principal, selecione e abra a janela de análise robusta de pares cross-validado (Fig. 3). O modelo de técnica de identificação pegada utiliza um classificador para determinar a probabilidade de um par de trilhas pertencentes ao mesmo indivíduo ou dois indivíduos diferentes (Fig. 4).
   2. Realizar uma comparação de pares de trilhas usando o banco de dados de formação de indivíduos conhecidos como segue:
      1. Selecione Cheetah como 'input x, categoria de modelo', e trilhas como "trilhas de entrada '. As colunas y (medidas pegada), como variáveis ​​contínuas, são preenchidos automaticamente.
      2. Seleccione "Executar". Observe a barra de progresso que mostra a análise em curso. Observar uma tabela de dados aparecem mostrando as comparações de pares de trilhas.
      3. Observe duas saídas, uma mesa de self / non-self designado para descrever a distância de classificação entre cada vALIDAÇÃO par, e uma janela de matrizes de classificação que indica os diferentes caminhos seleccionados para comparação, e a probabilidade de contorno. Observe o botão modelo mostram que mostra as variáveis ​​utilizadas para cada comparação, ea caixa limite a distância que indica a distância entre centróides.
      4. Selecione o botão "clusters" na base da tabela self / non-self atribuído. Observe duas tabelas. O primeiro mostra distâncias entre quaisquer duas trilhas. O segundo é um dendrograma "cluster" - o resultado final para a classificação das variáveis ​​escolhidas. Visualize os clusters de classificação clicando em qualquer ramo do dendrograma a cor code-lo.
      5. Testar a precisão da classificação, por variação do número de variáveis ​​(medições) e a probabilidade de contorno (o intervalo de confiança em torno do valor centróide). Re-visualizar os dados no dendrograma agrupamento gerado utilizando 18 variáveis ​​(Fig. 5a). Isto dá a previsão correcta de setechitas. Figuras 5b (24 variáveis) e C (10 variáveis) mostram diferentes estimativas de números de chita obtidos testando diferentes insumos variáveis ​​e probabilidade de contorno.
         NOTA: A curva de distribuição com a escala deslizante dá a probabilidade relativa (possibilidade) de o número previsto começando com 100%. À medida que a escala de deslizamento é movida a probabilidade relativa de cada estimativa de cada lado do valor previsto é mostrada. A Figura 5D mostra o resultado com 18 variáveis, com a escala deslizante movido numa direcção para mostrar que a chance de dez chitas é menos do que 50 %.
      6. Selecione o algoritmo que dá consistentemente a mais alta precisão. Ajustar o valor de limiar para permitir que o algoritmo a ser ajustado para produzir o resultado que melhor aproxima-se ao número de animais conhecidos na base de dados de treinamento (Fig. 5a).
2. Julgamento de retenção integral para validação
   Validar o algoritmo, tanto para o número esperado de indivíduos e a precisão da classificação de agrupamento utilizando ensaios de retenção e distribuir aleatoriamente a chita individual no conjunto de dados para testar e conjuntos de treinamento (Fig. 6). As etapas para usar são os seguintes:
   1. A partir da base de dados de referência, decidir sobre um intervalo adequado para o particionamento sequencial do conjunto de dados em tamanhos de teste e do conjunto de treinamento. Para o banco de chita, utilize o intervalo de 4.
   2. Aleatoriamente selecionar quatro indivíduos como o conjunto de dados de teste (deixando 34 no conjunto de treinamento). Esconder as identidades dos quatro indivíduos de teste selecionado.
   3. Clique na opção "Análise de Dados Pairwise" e selecione todas as trilhas para os quatro indivíduos do teste.
   4. Clique em "Executar" para iniciar a análise técnica de identificação da pegada. A análise irá dar uma previsão para o número de indivíduos no conjunto de dados de teste. Iterar este processo mais nove vezes (total de 10), cada umtempo que seleciona aleatoriamente quatro indivíduos.
   5. Calcular o valor médio previsto para esse tamanho de teste (isto é, quatro). Em seguida, repetir o processo sequencial de oito indivíduos escolhidos aleatoriamente (dependendo do tamanho do intervalo) e, em seguida, 12 e assim por diante com dez iterações para cada tamanho de teste. Calcular o valor previsto média para cada tamanho de teste.
   6. Utilizando um lote de software graficamente num gráfico, como mostrado na Fig. 6. A linha vermelha mostra o tamanho de teste real plotados contra si, os asteriscos verdes mostram o número previsto de indivíduos para cada iteração e a linha azul mostra os valores previstos médios para cada tamanho de teste. A proximidade das linhas vermelha e azul é um indicador da precisão da análise técnica de identificação da pegada.

Resultados

identificação individual

A capacidade da técnica de identificação pegada para classificar chita indivíduo depende de dois fatores, o uso de um protocolo de recolha de pegada padronizado e um novo modelo estatístico baseado em uma análise discriminante pares cross-validado com análise de agrupamento de um Ward. Estes são facilitados por uma interface de utilizador gráfica integrada para a visualização de dados (Fig. 1). o mínimo de equipamento é necessário, tornando esta técnica de baixo custo (Lista de Materiais). Os dados recolhidos com a pegada incluído o número de chitas, número de imagens pegada recolhidos, gama de pegadas por chita, número de trilhas, variedade de trilhas por chita e idade-série de chitas (Tabela 1).

781 pegadas (M: F 395: 386), pertencente ao 110 trilhas, a partir de 38 indivíduos, foram coletadas para o conjunto de dados de treinamento Tabela 1 dá.um resumo dos dados coletados. Usando a janela de extração de características (Fig. 2) um conjunto de 25 pontos de referência foram capazes de gerar 15 derivado pontos em cada imagem pegada. A partir destes marco e derivados pontos 136 variáveis ​​foram gerados para cada pegada, compreendendo distâncias, ângulos e áreas. Cada linha no banco de dados, portanto, representavam as 136 variáveis ​​geradas por uma única pegada. Pegadas foram processados ​​por trilha. Um número variável de linhas representada cada trilha, e foram identificados como tal.

Estes dados foram duplicados na tabela de dados como uma entidade, em seguida referida como referência Centróide Valor (VN), que actua para estabilizar a comparação par a par de trilhas necessárias para classificação individual. A janela de pares de análise (Fig. 3) foi projetado para ajudar a validar os dados e / ou teste de dados de populações desconhecidas. A Figura 4 mostra o resultado de uma comparação de pares de trilhas do mesmo individual (A) e dois indivíduos diferentes (B) com base no modelo personalizado técnica de identificação da pegada. O classificador incorporada no modelo baseia-se na presença ou ausência de sobreposição entre as elipses. Note-se que a análise é realizada para cada comparação aos pares, na presença de uma terceira entidade, ou seja, o valor de referência centróide (VN).

Usando uma análise validada-cross pares robusta discriminante com análise de agrupamento de um Ward, um algoritmo foi gerado para fornecer classificação efectiva dos indivíduos. O algoritmo técnica de identificação da pegada é baseada em três entidades ajustáveis; o número de medições utilizado, o tamanho de elipse (intervalo de confiança), e o valor limite que determina o valor de cut-off para os aglomerados. Cada uma dessas entidades é ajustado no software até a mais alta precisão para a classificação é obtida para o conjunto de treino de animais de identidade conhecida. Esta mesma algorithm pode então ser utilizado para identificar chitas desconhecidos. Por exemplo, as Figuras 5a, b e c mostram um dendrograma de uma amostra de fugas a partir de sete chitas que mostra a previsão correcta quando o algoritmo está optimizado (a), e quando o algoritmo é sub-óptima (b & c).

ensaios de retenção foram conduzidos para validar o algoritmo derivado do conjunto de treinamento de indivíduos "conhecido". Estas foram realizadas sequencialmente, variando a proporção de chitas em conjuntos de treinamento e teste. Ao invés de repartir chitas para treinamento e teste conjuntos arbitrariamente, as análises foram realizadas sequencialmente aumentar o tamanho do conjunto de teste. Para cada conjunto de teste, 10 iterações foram realizadas com chitas sendo selecionados aleatoriamente para cada iteração. Para cada conjunto de teste, o que permitiu um valor médio a ser calculado. Figura 6. Mostra o tamanho de teste variando plotados contra si própria (vermelho), e no eixo y o valor previsto para cada iteração de tamanho de teste (verde) Eo valor médio para cada tamanho de teste (azul) previu. A trama demonstra que mesmo quando o tamanho do conjunto de teste é aumentado consideravelmente (n = 28) comparado com o tamanho do conjunto de treino (n = 10), a média do valor previsto é semelhante ao valor esperado.

Usando vários ensaios de retenção, a precisão da identificação individual foi consistentemente> 90%, tanto para o número previsto de indivíduos e, tão importante, a classificação de trilhas, ou seja, se as trilhas do mesmo indivíduo (auto-trilhas) e os de indivíduos diferentes (não-auto-pistas) classificou corretamente. Um conjunto dendrograma que representa todos os 38 chitas individuais é mostrado (Fig. 7). Havia 110 trilhas, gerando um total de 5,886 comparações de pares. Destes, havia 46 erros de classificação que dá uma precisão de 99% (Tabela 2).

	# De guepardos	Nº de imagens pegada	Faixa de pegadas por chita	# De trilhas	Variedade de trilhas por chita	Faixa etária (anos)
As fêmeas	16	386	12-36	55	2-5	2,5-8,5
Os machos	22	395	7-32	54	1-4	1-11
Total	38	781	7-36	109	1-5	1-11

Tabela 1. Resumo dos dados coletados. O número de chitas, o número de imagens recolhidas pegada, a gama de footprints por guepardo, o número de trilhas, a variedade de trilhas por chita ea idade alcance de guepardos.

	Auto	Non-self	Total	erros de classificação
Auto (N)	117	9	126	9
Auto (%)	93	7	100	7
Non-self (N)	37	5723	5760	37
Non-self (%)	1	99	100	1
Total (N)	-	-	5886	46
Total (%)	-	-	100	1

Tabela 2. A saída no software técnica de identificação pegada mostra a classificação de trilhas com base na comparação de pares. 'Auto' refere-se a trilhas do mesmo indivíduo e "non-self ', trilhas de diferentes indivíduos. Cada trilha foi comparado com todos os outros trilha utilizando um modelo de análise discriminante cross-validado robusta personalizada. 110 trilhas resultou em 5,886 comparações de pares ea precisão geral de classificação foi de 99%.

Figura 1. A abertura da janela do menu principal na técnica de identificação da pegada. Este é um add-in de identificação de imagem para o software de visualização de dados, projetado para classificar pegadas por indi individual, sexo e idade-classe a partir de medidas morfométricas. A interface gráfica permite a navegação contínua entre diferentes opções. Por favor clique aqui para ver uma versão maior desta figura.

Figura 2. A janela de extração de características. Os recursos incluem arrastar e soltar imagens, redimensionamento automático para a janela, rotação de imagens para a normalização, substrato profundidade factoring, etc. pré-atribuído pontos de referência são posicionados manualmente e gerar uma série de pontos derivados com script para permitir a extracção de métricas na forma de distâncias, ângulos e zonas. A saída é sob a forma de uma linha de dados fornecendo as coordenadas xy e as métricas.ank "> Por favor clique aqui para ver uma versão maior desta figura.

Figura janela de análise de dados 3. Pairwise na técnica de identificação da pegada. Uma vez que um banco de dados de medições foi criado, a janela de análise por pares é projetado para ajudar a validar os dados e / ou teste de dados de populações desconhecidas. A análise é baseada em um modelo personalizado que incorpora uma constante, valor centróide de referência (RCV), o que compara pares de trilhas sequencialmente ^16,17. O resultado final é na forma de um dendrograma cluster que fornece uma previsão para o número de indivíduos ea relação entre as trilhas. Por favor clique aqui para ver uma versão maior desta figura.

Figura 4. Comparações pareadas. A figura mostra o resultado de uma comparação de pares de trilhas do mesmo indivíduo (A) e dois indivíduos diferentes (B) com base em um modelo personalizado no software de visualização de dados. O classificador incorporada no modelo baseia-se na presença ou ausência de sobreposição entre as elipses. Note-se que a análise é realizada para cada comparação aos pares na presença de uma terceira entidade, ou seja, o valor de referência centróide (RCV). Por favor clique aqui para ver uma versão maior desta figura.

Figura 5. Um dendrograma de uma amostra de trilhas a partir de sete chitas mostrando a pred corretaiction quando o algoritmo está optimizado (a), e quando o algoritmo é sub-óptima (b & c). d mostra o resultado com 18 variáveis, com a escala deslizante movido numa direcção para mostrar que a chance de dez chitas é menos de 50% . O algoritmo baseia-se em três entidades ajustáveis; o número de medições utilizado, o tamanho da elipse (intervalo de confiança utilizado) e, finalmente, o valor limite que determina o valor de corte para os clusters. Por favor clique aqui para ver uma versão maior desta figura.

Figura 6. Um ensaio de retenção realizadas sequencialmente, variando a proporção de chitas em conjuntos de treinamento e teste. Ao invés de repartir chitas à formação e teste sest arbitrariamente, foi realizada uma análise aumentando sequencialmente o tamanho do conjunto de teste. Para cada conjunto de teste, dez iterações foram realizadas com chitas sendo selecionados aleatoriamente para cada iteração. Para cada conjunto de teste, o que permitiu um valor médio deve ser calculado. A figura mostra o tamanho de teste variando plotados contra si própria (vermelho), e no eixo y o valor previsto para cada iteração de tamanho de teste (verde) e o valor médio para cada tamanho de teste (azul) previsto. A trama demonstra que mesmo quando o tamanho do conjunto de teste é aumentado consideravelmente (n = 28) em comparação com o tamanho do conjunto de treinamento (n = 10), a média prevista valor é semelhante ao valor esperado. Por favor clique aqui para ver uma versão maior esta figura.

Figura 7. O dendrograma que mostra o resultado previsível quando todos110 trilhas de 38 chitas estão incluídas na análise. Observe a fidelidade das trilhas que formam os clusters. Curiosamente, muitos dos erros de classificação foram entre ninhada, por exemplo, chita Letotse / Duma e Vincent / Bonsai. Por favor clique aqui para ver uma versão maior desta figura.

Discussão

Este documento descreve a aplicação teórica da técnica de identificação pegada e seu potencial como uma nova abordagem de baixo custo, de fácil comunidade para monitoramento e, portanto, ajudando a conservar chita. Os próximos passos na aplicação mais ampla da ferramenta será mais extensa testes de campo com populações chita em áreas alcance.

A técnica de identificação pegada difere de tentativas anteriores para identificar indivíduos de pegadas em vários aspectos-chave; um protocolo padronizado e rigoroso coleção pegada, um software gráfico simplificada interface de usuário, a orientação e otimização de imagens antes da análise, e um novo modelo estatístico para a classificação.

Existem vários passos críticos necessários para o sucesso do protocolo. Primeiro, trilhas de areia deve ser preparado corretamente e o animal levou sobre a areia em ritmo de caminhada relaxada normal. Quando imagiologia as pegadas, o photographer deve ser directamente por cima do centro da impressão. Muitas vezes é útil ter um observador para verificar isso. Por último, é muito importante que o fotógrafo (ou um assistente, que pode ser um rastreador expert) ser capaz de identificar uma pegada chita no chão, e tem a habilidade de rastrear a trilha de pegadas frente ou para trás ao longo da linha de viagem .

habilidades de monitoramento são essenciais para a continuação da implementação eficaz desta técnica para monitorar chitas desconhecidos ou livre-variando. A falta de habilidade pode levar à coleção de pegadas suficientemente bem definidos ou confusão entre trilhas de diferentes animais que possam viajar juntos. Este último ponto é particularmente importante para chitas, onde jovens do sexo masculino, por vezes formam coligações de 3 ou mais animais que se movem juntos. No entanto, essa preocupação foi abordada por outra espécie social, o rinoceronte branco, onde grupos de até 13 indivíduos que se deslocam juntos foram corretamente identificadoscado pela técnica de identificação pegada usando frente ou para trás rastreamento de trilhas (Alibhai et al. 2008) ^17.

Enquanto há agora poucos remanescentes trackers indígenas especialistas, os esforços concertados estão sendo feitos para se envolver com eles e transferir suas habilidades para os membros mais jovens da sua comunidade. Uma dessas iniciativas, a Academia de Habilidades antigas, será organizada pelo N / a'an ku sê Foundation na Namíbia. Da mesma forma, o rápido crescimento dos programas de certificação de formação rastreador está permitindo que os cientistas e naturalistas amadores para aprender estas técnicas de campo essenciais.

O posicionamento manual preciso dos pontos de referência nas imagens pegada é fundamental para a precisão da técnica. Mais uma vez, os operadores devem estar familiarizados com a anatomia básica do pé e resultando pegada. Os autores estão actualmente a tentar desenvolver a automação para minimizar o trabalho manual envolvido, e ajudar a resolver quaisquer preocupações sobre standardization entre diferentes operadores. Nesse meio tempo, é simplesmente recomenda-se que o posicionamento marco ser da responsabilidade de um operador em cada local de campo. Estão em curso esforços para envolver cientistas cidadãos em captura e análise de dados, que será extremamente amplificam campo de aplicação. Apesar destas limitações atuais, este protocolo software foi implantado com sucesso no campo para uma variedade de espécies, incluindo preto e branca do rinoceronte, da Anta Brasileira e tigre de Amur.

Trabalhando com pegadas tem uma limitação óbvia - o substrato deve permitir a sua impressão clara. Impressões parciais ou impressões de baixa qualidade fornecem detalhes insuficientes ^32. No entanto, grandes áreas de faixa de chita são ideais para a coleta de pegada, e para pequenas áreas de alguma forma inadequada pode até ser possível contornar esta limitação, colocando trilhas de areia artificiais para coletar pegadas. Estas almofadas de pegada de moldagem pode ser eficazmente utilizado em combinação com CaMera-armadilhas, por exemplo a marcação chita posts / árvores conhecidas. Acompanhando habilidades e conhecimento local pode ajudar muito na localização e identificação de áreas de substrato adequado.

Uma vez que a técnica de identificação é pegada não-invasiva, não causar qualquer perturbação para a ecologia ou comportamento do animal. Muitos estudos têm demonstrado o risco potencial e real de captura, imobilização, manuseio e instalação de instrumentação, o custo incorrido em tais práticas, e o risco de coleta de dados não confiáveis ^​​33. identificação pegada como uma técnica tem outra vantagem na gestão de conservação. Com base em habilidades de rastreamento tradicionais e relação custo-eficácia, que pode envolver as comunidades locais anteriormente marginalizados nos processos de monitorização da conservação. Stander ³⁴ e Liebenberg ³⁵ analisadas separadamente e atestada a capacidade de monitoramento de conservação e valor de incluir estes grupos.

Os desenvolvimentos futuros na capacidade técnica de identificação pegada para monitorar chita estão em curso, e incluem campo de ensaios para validação com chitas livre-variando, a construção de algoritmos idade-classe (incluindo alterações na morfologia do pé de indivíduos ao longo do tempo) e controles de substrato. Os autores também estão investigando técnicas de visão computacional que permitem image-segmentação para otimizar a precisão e consistência na marcação pontos de referência.

Desde pegadas são um dos signos animais mais onipresentes, e muitas vezes muito mais fácil de encontrar do que os próprios animais, a adoção mais ampla da identificação pegada poderia ser na monitorização da conservação de mudança de jogo. Principais áreas terrestres protegidas do mundo receber uma estimativa de oito bilhões de visitas de lazer por ano ^36. A maioria dos visitantes agora carregam smartphones. Usando um aplicativo que está sendo desenvolvido para WildTrack a recolha de dados pegada vai ser simples e rápido e pode potencialmente effect um conjunto de dados do tamanho da amostra sem precedentes e escala espacial. Com um protocolo de recolha de dados de custo-eficácia, a técnica de identificação pegada adapta-se facilmente à malha em qualquer caixa de ferramentas de conservação. Como um sistema de classificação de imagens, é modelo robusto também pode ter aplicação na medicina, forense e campos de aplicação da lei (por exemplo, anti-caça furtiva).

Materiais

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