Зрительные гепардов: определение физических лиц на их следы

Резюме

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.

Аннотация

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%.

Введение

Гепард (Acinonyx Jubatus) является наиболее находящихся под угрозой исчезновения felid Африки и перечислены как уязвимый с тенденцией к сокращению населения по Красный список МСОП находящихся под угрозой исчезновения видов ^1. Глобальный гепард население оценивается между 7-10,000 лиц ¹ и Намибия признана в качестве крупнейшего оплота свободном выгуле гепарда, с , возможно , более чем треть населения мира ^4,6,7. Оценка численности населения для Южной Африки в 2007 году размещены гепарда население Намибии в 2000 со следующей ближайшей государственной диапазон Ботсвана 1,800, а затем Южная Африка (550), Зимбабве (400), Замбия (100), Мозамбик (<5). В некоторых штатах были нераспределенных ^7.

Намибийские власти четко заявили видение "Secure, жизнеспособных популяций гепардов в целом ряде экосистем, которые успешно сосуществуют с, и ценятся, народа Намибии." Тем не менее, домашний скоти игра сельского хозяйства являются основными видами землепользования в Намибии ^8,9 и землевладельцев регулярно ловушку и убить гепарда на их свойства в попытке уменьшить хищничество скота или ценного животного мира. Более 1200 гепарды были сняты с 1991 по 2006 год, но не все такие «отводы» было зарегистрировано ^10. Кроме того, есть дебаты по этому вопросу, является ли или не является эффективным решением для фермера-гепарда конфликта. Удаление животных воспринимается как вызывающие конфликт, убивая или транслокации могут быть менее эффективными , чем смягчение конфликтов другими средствами, такими как лучшей защиты домашнего скота ^11. Опубликованные показатели выживаемости в течение 12 месяцев после транслокации варьировались от 18% от ¹¹ до 40% ^12.

Сбор достоверных данных о численности, идентичности и распределения гепардов в Намибии является ключом к решению конфликтных ситуаций, человек-гепарда. Текущие гепард методы мониторинга варьируются от целевых вопросников от NamiБянь Министерство охраны окружающей среды и туризма для заинтересованных сторон ⁴ к оппортунистическим наблюдениям туристов и правительственных отчетов ^4, с использованием камер-ловушек ^13, GPS или УКВ ^10,14 воротники, опросы фермер интервью ^8, и даже пятна рисунка ^15. Однако сравнение эффективности этих методов без общего ориентира или количественного обследования усилий трудно. Каждый из них имеет ограничения; GPS спутниковой и УКВ воротники являются дорогостоящими и часто ненадежны, целевые вопросники имеют ограниченную сферу применения, и камеры-ловушки имеют ограниченный диапазон.

Оценки, полученные этими различными способами изменяться в широких пределах. Маркер и др. ¹⁰ подчеркивается необходимость более скоординированного подхода. Различные методы были использованы на приусадебных для оценки плотности гепард населения, и они произвели ряд оценок. Например, исследование радио-телеметрической примерно 2,5 (± 0,73) гепардов / 1000 км 2 в то время как камеры-ловушки исследование оценило 4,1 (± 0,4) гепарды / 1000 км ² (Marker и др. 2007). Это изменение выдвигает на первый план проблему использования различных методов для оценки плотности, но до сих пор ни один, эффективный, повторяемый метод не был идентифицирован, которые могут быть использованы по всему широкому спектру местообитаний, гепарды занимающими в Намибии. Это остается проблемой для эффективного мониторинга и сохранения гепарда.

Эта проблема вызвала развитие надежной, экономически эффективной и гибкого инструмента для мониторинга гепарда. Методика идентификации следа была впервые разработана для черного носорога ¹⁶ , а затем адаптирован для широкого круга видов , включая белого носорога ^17, амурский тигр ^18, горный лев ¹⁹ и другие.

Различные исследования показали, что можно использовать для идентификации следов крупных хищников по видам, частными лицами и пола. Процесспревратилась из простого описания формы следов от ²⁰ до сравнения измерений ^21, для статистического анализа одного или нескольких измерений ^16,17,22-30 и формы анализа ³¹ .Эти усилия были переменным успехом, в значительной степени зависит от строгости сбор данных и аналитические процессы, а число подопытных животных, используемых для разработки учебных наборов данных. Есть несколько практических преимуществ использования следов. Первое , что изображения могут быть собраны вместе с другими неинвазивных подходов (например, камеры отлов, сбор ДНК из волос / кала и т.д.) с очень небольшим количеством дополнительных усилий или затрат. Во-вторых, следы есть, где это позволяет субстрат, наиболее распространенным признаком активности животных.

Методика идентификации след первый надежный метод идентификации следа описано для гепарда и применим в любом месте, где обнаружены следы. Следы должны быть sufficiently определил, что пальцы и пятка печати могут быть четко видны невооруженным глазом. Операторы на местах должны ознакомиться с основной анатомии стопы гепарда и быть в состоянии идентифицировать отпечатки в интересующей области, и отличить их от отпечатков любых других симпатрических крупных хищников. Этот метод может быть либо использованы в качестве метода переписи (например, сколько гепарды представлены отпечатками собраны?) Или в качестве инструмента для отслеживания конкретных лиц. Следы могут быть также использованы в качестве "меток" в анализах мечения-повторной поимки, используя технику для выявления лиц, а затем вычислить локальные плотности вида. Сбор данных требует только основной цифровой камеры и масштаб.

протокол

ЭТИКА ЗАЯВЛЕНИЕ: Методика идентификации след представляет собой неинвазивный метод. не были взяты биологические образцы. были использованы только зарегистрированные неволе гепарды с разрешения документации. Участие Cheetah был ограничен ходить вдоль песчаной тропе, чтобы оставить след в обмен на вознаграждение еды.

Примечание: Этот протокол объясняет использование программного обеспечения для визуализации данных , таких как JMP, далее именуемое "визуализации данных программного обеспечения" для классификации следов , используя метод идентификации следа.

БЕЗОПАСНОСТЬ ЗАЯВЛЕНИЕ: Гепарды никогда не были оставлены незащищенные (2 человека) и были помещены в отдельные ИВС , где это возможно. Пленные гепарды, используемые для обработки заманили прямо над песчаной тропе, чтобы сделать следы. Другие животные меньше поддаются обработке заманили из-за пределов корпуса.

ТЕРМИНОЛОГИЯ: Трек: Один след; Trail: Unbroken серии следов, сделанных одного животного.

1. Сбор Footprints

1. Подготовка Patch и протокол
   1. Соберите следующие материалы для протокола: штраф грабли или грубую грабли и саботаж, рука спринклерная или лейки, двух стандартных правителей (см) или один плотников складной метр для обрамляющая печати, стандартный цифровой фотоаппарат (минимальное разрешение 1200 х 1600 пикс), зонтик для тени при необходимости и стандартные след этикетки с пробелами записи данных для записи имя фотографа, дата, серия след, дискретной печати ID, ID животного, расположение и глубину, если> 2 см).
   2. Работа рано утром или поздно вечером для максимального светового контраста на отпечатках. Если это не представляется возможным, искусственный оттенок от зонта может улучшить пятку и носок определение пусковой площадки, когда солнце над головой.
   3. Lay путь глубину около 1 см либо природного субстрата или песка строительных конструкций. Убедитесь, что речь идет о2-3 м в ширину и работать в течение от 3 до 15 м по периметру забора или обычного пути движения.
   4. Влажная и гладкая подложка с помощью стандартных инструментов садоводства для улучшения качества печати и определение. Вручную удалите листья и камешки, если они присутствуют.
2. Сбор следов для обучающего набора данных
   1. Заманить гепарда через пути песка с наградой пищи. После того, как отпечатки были сделаны, приводят животное подальше от пути.
   2. После визуализации каждый след след (см 1.3) чистят дорожки прочь и подготовить поверхность для записи следующего след.
   3. собрать только левую заднюю отпечатки для тренировочного набора данных. Левая задняя нога имеет ведущую носок (носок 3), 4 пальца ноги и пальца ноги 5 делая наклон влево. Передние лапы шире, чем задние ноги. Тратить время на обучение, как определить их до визуализации.
3. Визуализация следы ног с использованием протокола метод идентификации отпечатка
   1. Выделите положение отдельных следов вдоль тропы вручную рисовать круг вокруг каждой левой задней след. Используйте палку или любой другой подходящий инструмент местной.
   2. Изображение первый след следующим образом
      1. Поместите метрическую шкалу около 1 см ниже и слева от занимаемой площади.
      2. По шкале, а не касаясь следа, поместите удостоверение личности с фотографией скольжения, и писать в предварительно распределённая пространствах имя фотографа, дата, след серии, глубина (если> 2 см) дискретное печать ID, ID животного и местоположение.
   3. Высококлиренсный печать и направьте объектив камеры прямо над головой след, чтобы избежать каких-либо ошибки параллакса в изображении по отношению к масштабу или удостоверение личности с фотографией скольжения. Используйте штатив или помощника, чтобы проверить, если это необходимо.
   4. Убедитесь в том, что след, правила и удостоверение личности с фотографией скольжения полностью заполнить кадр.
   5. Соберите около 20 хорошего качества оставили отпечатки задних, чтобы закончить коллекцию для этого животного. Если 20 прИнтс не доступны с первого следа, повторить процессы от 1.1.6 до 1.3.5 с того же животного.

2. Изображение Feature Extraction До методика анализа Footprint идентификации

1. Двойной щелчок по технике значка идентификации отпечатки и открыть его в качестве дополнения в программное обеспечение визуализации данных. Обратите внимание на домашний окно на экране. Выберите 'Image Feature Extraction ", чтобы показать это новое окно. Метод идентификации след работает над сценарием программного обеспечения визуализации данных в языке кодирования JSL. Главное меню показано на рис. 1.
2. С помощью мыши, перетащить первый след изображения в окне извлечения признаков изображения. Руководство шаблона извлечения признаков показан на левой части окна.
3. Нажмите и выберите кнопку 'изменения размера', чтобы гарантировать, что след изображения находится внутри графического окна. Нажмите на самых низких точек на внешней стороне пальцев ног (пальцы ног 2и 5) для размещения маркеров, а затем выберите '' вращаться. Заметим, что изображение поворачивается по горизонтали на линии, соединяющей точки, чтобы стандартизировать ориентацию. Обратите внимание набор перекрестия автоматически по всей видимости, используемый на этапе 2.6.
4. Если субстрат глубока более 1 см, сделать поправку глубину алгоритма, нажав на кнопку "глубины" подложка.
5. Нажмите, чтобы разместить две шкалы баллов в необходимом масштабе. Для гепарда установить масштаб на расстоянии 10 см, установленный на коробке масштабного коэффициента.
6. Используя шаблон на левой части окна графика, поместите 25 знаковые точек последовательно. Ориентир точки определяются анатомических точек на след, например, самый передний, задний, боковые и срединные точки каждого пальца ноги и пятки. Используйте перекрестие для повышения точности для начинающих пользователей. Заметим, подсказка появляется на левом верхнем углу изображения, чтобы показать последовательность точек.
7. Выберите "Походные точки", чтобы сгенерировать дополнительные пятнадцать очков фром в знаковые точки. Этот процесс увеличивает количество переменных, доступных для разработки алгоритмов.
8. Заполните все поля данных для след изображения; Гепард, дорожки, дорожки, дата, время и место положения точки (GPS). Рис. 2 показаны этапы 2,2-2,8.
9. Нажмите кнопку 'Добавить строку', чтобы отправить 136 скриптовые переменные (расстояния, углы, площади) к строке в базе данных.
10. Повторите этапы от 2.1 до 2.9 для всех следах, пока база данных не заполняется ху координаты для каждого ориентира и полученной точки и всех расчетных переменных для каждого следа.
11. Скопируйте все строки в базе данных и вставить их ниже базы данных. Этот набор дублирование называется Reference Centroid Value (RCV) и действует для стабилизации идентификации методом моделирования следа для последующего попарного сравнения след трасс.

3. Развитие Footprint идентификации Техника алгоритма для Cheetah

1. Pairwise надежный анализ перекрестной проверки дискриминант
   1. В главном меню, выберите и откройте надежную перекрестную проверку окно анализа попарно (рис. 3). Метод идентификации модели след использует классификатор для определения вероятности пары трасс , принадлежащих к той же особи или двух разных людей (рис. 4).
   2. Провести парного сравнения трасс с использованием учебной базы данных известных лиц следующим образом:
      1. Выберите Cheetah как 'входного х, модели категории' и трасс как "входных трасс". Y-столбцы (измерения), след в виде непрерывных переменных, автоматически заселена.
      2. Выберите 'Run'. Обратите внимание на индикатор, показывающий анализ прогресса. Заметим, таблица данных отображаются с указанием парных сравнений трасс.
      3. Отметим, два выхода, назначенный самостоятельно / несамонагревающиеся таблицы для описания расстояние между каждой классификации Validation пара, и окно классификации матрицы показаны различные маршруты, выбранные для сравнения, а вероятность контура. Обратите внимание на кнопку модели показывают, что показывает переменные, используемые для каждого сравнения и порог ввода расстояния, что дает расстояние между центрами тяжести.
      4. Нажмите кнопку «кластеров» на базе назначенного самостоятельно / без самостоятельной таблицы. Соблюдайте две таблицы. Первое показывает расстояния между любыми двумя тропами. Вторым является "гроздь" дендрограммы - конечный результат для классификации выбранных переменных. Визуализируйте кластеры классификации, нажав на любой ветви дендрограммы к цветовом коде.
      5. Проверка точности классификации путем изменения числа переменных (измерений) и вероятность контура (доверительный интервал вокруг центроида значения). Re-визуализации данных в кластере дендрограммы , генерируемой с использованием 18 переменных (рис. 5а). Это дает правильное предсказание семигепарды. Фигуры 5б (24 переменных) и C (10 переменных) показывают различные оценки числа гепарда , полученных путем тестирования различных входов переменных и вероятности контура.
         Примечание: Кривая распределения с скользящей шкале дает относительную вероятность (шанс) прогнозируемого числа, начиная со 100%. По мере того как скользящая шкала перемещается относительная вероятность каждой оценки обе стороны от прогнозируемого значения показан. На рисунке 5d показан результат с 18 переменными, с скользящей шкалы перемещается в одном направлении , чтобы показать , что вероятность десяти гепардам меньше 50 %.
      6. Выберите алгоритм, который последовательно дает самую высокую точность. Регулировка порогового значения , чтобы позволить алгоритму быть установлен для получения результата , который наилучшим образом аппроксимирующей к числу животных , известных в учебной базе данных (рис. 5 , а ).
2. Полное заминка испытание для проверки <бр /> Проверить алгоритм как ожидаемое число особей и точности классификации с использованием кластерной проверочный испытаний и случайным образом распределить отдельные гепарда в наборе данных для тестирования и подготовки наборов (рис. 6). Шаги использования являются следующие:
   1. Из справочной базы данных, решение о подходящем интервале для последовательного разбиения набора данных в тестовых и обучение заданных размеров. Для базы данных гепарда, используйте интервал как 4.
   2. Произвольно выбрать четыре отдельных лиц в качестве тестового набора данных (выезд 34 в обучающем наборе). Скрыть личности четырех тестовых лиц, выбранных.
   3. Нажмите кнопку "парный Анализ данных" и выбрать все маршруты для четырех тестовых лиц.
   4. Нажмите кнопку "Выполнить", чтобы запустить анализ следа метод идентификации. Анализ даст прогноз на количество особей в тестовом наборе данных. Итерация этот процесс еще девять раз (всего 10), каждый извремя случайного выбора четырех человек.
   5. Вычислить среднее прогнозируемое значение для данного тестового размера (то есть, четыре). Затем повторите процесс последовательно в течение восьми случайным образом выбранных лиц (в зависимости от размера интервала), а затем 12 и так далее десять итераций для каждого размера теста. Вычислить среднее прогнозируемое значение для каждого размера теста.
   6. Используя графическое программное обеспечение построить график , как показано на рис. 6. Красная линия показывает фактический размер тест заговор против себя, зеленые звездочки показывают прогнозируемое количество особей для каждой итерации и синей линией показаны средние прогнозируемые значения для каждого размера теста. Близость красных и синих линий является показателем точности анализа следа метод идентификации.

Результаты

Индивидуальная идентификация

Способность метода идентификации отпечатка классифицировать отдельные гепард зависит от двух факторов, использование стандартизованного протокола сбора след и новая статистическая модель, основанная на перекрестной проверке парного дискриминантного анализа с анализом кластеризации Уорда. Они способствуют интегрированный графический пользовательский интерфейс для визуализации данных (рис. 1). Минимальное оборудование необходимо, что делает этот метод экономически эффективным (Материалы List). Данные , собранные с занимаемой площади включены количество гепардов, количество изображений , собранных след, диапазон следов на гепарда, количество трасс, выбор трасс на гепарда и возрастной диапазон гепардов (Таблица 1).

781 отпечатки ног (M: F 395: 386) , принадлежащих к 110 трасс, из 38 человек, были собраны для обучающего набора данных В таблице 1 приведены.сводка собранных данных. С помощью окна извлечения характеристик (рис. 2) набор из 25 пунктов наземного ориентира были способны генерировать 15 полученных точек на каждом след изображения. Из этих эпохальных и производных точек 136 переменных были получены для каждого следа, включающий измерение расстояний, углов и площадей. Каждая строка в базе данных, поэтому представляли 136 переменных, порожденные одной занимаемой площади. Следы были обработаны след. Разное число строк представлял каждый след, и были помечены как таковые.

Эти данные были продублированы в таблицу данных, как субъект затем упоминается в качестве опорной Центроид Значение (ПРМ), который служит для стабилизации попарного сравнения трасс, необходимых для индивидуальной классификации. Окно парное анализ (рис. 3) был разработан , чтобы помочь проверить данные и / или тест для данных от неизвестных популяций. Рисунок 4 показывает исход попарного сравнения трасс из того же Individual (А) и две разные особи (B) на основе методики идентификации следа настроенной модели. Классификатор включена в модель основана на наличии или отсутствии перекрытия между эллипсами. Следует отметить , что анализ выполняется для каждого парного сравнения в присутствии третьего лица, то есть опорное значение центроида (ПРМ).

С помощью надежной парный перекрестной проверки дискриминантного анализа с анализом кластеризации Уорда, алгоритм был создан для обеспечения эффективной классификации лиц. Алгоритм метод идентификации отпечатка основан на трех регулируемых субъектов; число измерений используется, размер эллипсом (доверительный интервал используется), а пороговое значение, которое определяет, отрезанную значение для кластеров. Каждый из этих объектов регулируется в программном обеспечении до самой высокой точности для классификации не достигается за обучающего набора животных известной идентичности. Это же Algorithm затем может быть использован для идентификации неизвестных гепардов. Например, на 5а, б и с показан дендрограмму выборки трасс из семи гепардов показывая правильный прогноз , когда алгоритм оптимизирован (а) и когда алгоритм неоптимальным (б & с).

Проверочный испытания были проведены для проверки алгоритма, полученного из обучающего набора "известных" индивидов. Они были проведены последовательно путем изменения доли гепардов в испытательных и учебных комплектов. Вместо того, чтобы распределяя гепардов к обучению и тестовых наборов произвольно, анализы были выполнены последовательно увеличивая испытания установленного размера. Для каждого тестового набора, 10 итераций были выполнены с гепарды выбирается случайным образом для каждой итерации. Для каждого тестового набора, это позволило среднее значение , которое будет рассчитано. Рисунок 6. Показывает изменяющуюся размер тестовый заговор против себя (красного цвета), а на оси у прогнозируемое значение для каждого размера тест итерации (зеленый) И среднее прогнозируемое значение для каждого размера тест (синий). График показывает, что даже когда испытательную установку размер значительно увеличивается (п = 28) по сравнению с размером обучающего множества (n = 10), среднее предсказанное значение аналогично ожидаемому значению.

Используя несколько проверочный испытаний, точность идентификации личности последовательно> 90% как для прогнозируемого числа лиц , и, что не менее важно, классификации трасс, то есть ли следы от того же индивида (самообеспечение шлейфов) и те из разные люди (не автопортреты лыжня) классифицированы правильно. Кластер дендрограммы , представляющий все 38 индивидуальных гепардов показано (рис. 7). Были 110 трасс, создавая в общей сложности 5,886 парных сравнений. Из них было 46 неверной классификации данных, дающие точность 99% (таблица 2).

	# Гепардов	# Зоны воздействия изображений	Диапазон следов на гепарда	# Трасс	Диапазон трасс на гепарда	Возрастной диапазон (лет)
Женщины	16	386	12 - 36	55	2 - 5	2,5 - 8,5
Мужчины	22	395	7 - 32	54	1 - 4	1 - 11
Всего	38	781	7 - 36	109	1 - 5	1 - 11

Таблица 1. Резюме собранных данных. Число гепардов, количество след изображений собранных, диапазон footprints на гепарда, количество трасс, диапазон трасс на гепарда и возрастной диапазон гепардов.

	собственная личность	Номера для самостоятельного	Всего	Ошибочная
Само (N)	117	9	126	9
Самостоятельная (%)	93	7	100	7
Non-я (N)	37	5723	5760	37
Non-я (%)	1	99	100	1
Всего (N)	-	-	5886	46
Всего (%)	-	-	100	1

Таблица 2. Выход в программном обеспечении след метод идентификации показывает классификацию трасс на основе парного сравнения. "Я" относится к тропам от того же индивида и «не-я», следов от разных людей. Каждая трасса была сопоставляется с любой другой след, используя настраиваемую надежную модель перекрестной проверки дискриминантного анализа. 110 маршрутов привели к 5,886 парных сравнений и общая точность классификации составила 99%.

Рисунок 1. открывающего окно главного меню в технике идентификации следа. Это идентификационное изображение надстройки в программное обеспечение визуализации данных, предназначенный для классификации следов от Инди индивиду, пол и возраст-класс от морфометрических измерений. Графический пользовательский интерфейс позволяет плавную навигацию между различными вариантами. Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 2. Окно извлечения признаков. Возможности включают перетаскивания изображений, автоматическое изменение размеров к окну, вращение изображений по стандартизации, подложки глубины факторинга и т.д. Предварительно назначенные точки ориентира вручную установлены и генерируют ряд скриптовых полученных точек на включить извлечение метрик в виде расстояний, углов и областей. Выход в виде строки данных, обеспечивающих ху координаты и метрики.апк "> Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 3. Pairwise окно анализа данных в метод идентификации следа. После того, как база данных измерений была создана, окно анализа парно предназначен , чтобы помочь проверить данные и / или тест для данных от неизвестных популяций. Анализ основан на модели , включающей настраиваемой константу, значение опорного центроид (RCV), который сравнивает пары трасс последовательно ^16,17. Окончательный результат в виде кластера дендрограммы , который обеспечивает прогноз числа лиц , и отношения между тропам. Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 4. Парные сравнения. На рисунке показан исход попарного сравнения трасс от той же особи (А) и двух различных лиц (B) на основе модели настраиваемой в программном обеспечении визуализации данных. Классификатор включена в модель основана на наличии или отсутствии перекрытия между эллипсами. Следует отметить , что анализ проводится для каждого парного сравнения в присутствии третьего лица, то есть опорное значение центроид (RCV). Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 5. дендрограммы образца трасс из семи гепардов показывая правильный PREDiction , когда алгоритм оптимизирован (а) , и , когда алгоритм является неоптимальным (б & с). d показывает результаты с 18 переменными, с скользящей шкалы перемещается в одном направлении , чтобы показать , что вероятность десяти гепардов составляет менее 50% , Алгоритм основан на трех регулируемых субъектов; число измерений используется, размер эллипсом (доверительный интервал используется) и , наконец, пороговое значение , которое определяет , отрезанную значение для кластеров. Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 6. заминка испытания , которые проводятся последовательно путем изменения доли гепардов в тестовых и учебных комплектов. Вместо того , чтобы распределяя гепардов для подготовки и тестирования таковойт.с. произвольно, был проведен анализ последовательно увеличивая размер набора тест. Для каждого тестового набора, десять итераций были выполнены с гепарды выбирается случайным образом для каждой итерации. Для каждого тестового набора, это позволило среднее значение, которое будет рассчитано. На рисунке показаны разного размера тест-заговор против себя (красного цвета), а на оси у прогнозируемое значение для каждого размера тест итерации (зеленый) и среднее прогнозируемое значение для каждого размера тест (синий). Сюжет показывает , что даже тогда , когда тестовый набор размер значительно увеличивается (п = 28) по сравнению с тренировкой заданного размера (п = 10), среднее прогнозируемое значение аналогично ожидаемому значению. Пожалуйста , нажмите здесь , чтобы увидеть увеличенную версию эта фигура.

Рисунок 7. Дендрограмма показывает предсказанный исход , когда все110 трасс из 38 гепардов включены в анализ. Обратите внимание на верность трасс , образующих кластеры. Интересно отметить , что многие из неправильной классификации были между однопометные, например, гепард Letotse / Дума и Винсент / Бонсай. Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

Обсуждение

В настоящем документе излагается теоретическое применение методики идентификации следа и его потенциал в качестве нового рентабельного сообщества дружественный подход к мониторингу, и, следовательно, помогает сохранить гепарда. Следующие шаги в более широком применении инструмента будет более обширным полевые испытания с гепард населения в районах диапазона.

Метод идентификации след отличается от предыдущих попыток идентифицировать людей с отпечатками в нескольких ключевых аспектах; стандартизированный и строгий протокол сбор след, обтекаемый графический пользовательский интерфейс программного обеспечения, ориентация и оптимизация изображений перед проведением анализа, и новая статистическая модель для классификации.

Есть несколько важных шагов, необходимых для успешной реализации протокола. Во-первых, песчаные трассы должны быть подготовлены правильно и животное водить над песком в нормальном расслабленном прогулочном темпе. При визуализации следы ног, то photographer должны быть прямо над головой из центра печати. Часто бывает полезно иметь наблюдателя, чтобы проверить это. И, наконец, очень важно, чтобы фотограф (или помощник, который может быть экспертом трекер) быть в состоянии идентифицировать гепард след на земле, и есть умение отслеживать след следах вперед или назад вдоль линии движения ,

Отслеживание навыки имеют важное значение для дальнейшего эффективного осуществления этой методики для мониторинга неизвестных или вольный гепардов. Отсутствие навыка может привести к набору недостаточно четко определенных следов или путаницы между тропами различных животных, которые могут путешествовать вместе. Этот последний пункт особенно важен для гепардов, где молодые самцы иногда образуют коалиции из 3 или более животных, которые перемещаются вместе. Тем не менее, эта проблема была решена для другого социального вида, белого носорога, где группы до 13 особей, движущиеся вместе были правильно идентифицированыFied методом идентификации с использованием след вперед или назад отслеживание маршрутов (Алибхай и др. 2008) ^17.

В то время как в настоящее время существует несколько оставшихся экспертов трекеры коренные, согласованные усилия к тому, чтобы заниматься с ними и передавать свои навыки для младших членов своей общины. Одной из таких инициатив, Академия древних навыков, будет организовано N / a'an ку С.Е. Фонда в Намибии. Кроме того, быстрый рост программ сертификации трекера обучения является позволит ученым и любительские натуралисты, чтобы изучить эти основные методы полевых.

Точное ручное позиционирование знаковых точек на след изображений занимает центральное место в точности метода. Опять же, операторы должны быть знакомы с основными анатомии стопы и в результате занимаемой площади. В настоящее время авторы пытаются разработать автоматизацию, чтобы минимизировать ручной работы, связанной, и помочь решить любые озабоченности по поводу Стандартизации между различными операторами. В то же время, это просто рекомендуется, чтобы позиционирование ориентир быть ответственность одного оператора на каждом участке поля. Предпринимаются усилия для вовлечения ученых граждан в захвате и анализа данных, которые будут чрезвычайно усиливающих поле приложения. Несмотря на эти существующие ограничения, этот программный протокол был успешно развернут в области для целого ряда видов, включая черного и белого носорогов, тапиров и низменных амурского тигра.

Работа с отпечатками имеет одно очевидное ограничение - субстрат должен обеспечить возможность их четкое впечатление. Частичные отпечатки или плохое качество печати обеспечивают недостаточную деталь ^32. Тем не менее, большие площади диапазоне гепарда идеально подходят для сбора следа, так и для небольших других неподходящих районах он может быть даже можно обойти это ограничение путем размещения искусственных песчаных трасс собирать следы. Эти след впечатление подушечки могут быть эффективно использованы в сочетании с САМЕРА-ловушки, например, при известных гепарда маркировки сообщений / деревьев. Отслеживание навыков и местных знаний может существенно помочь в поиске и определении областей подходящего субстрата.

Поскольку метод идентификации следа является неинвазивным, это не вызывает каких-либо нарушений в экологии или поведении животного. Многие исследования показали потенциальную и реальную опасность захвата, иммобилизации, обработка, и установка контрольно - измерительных приборов, затраты , понесенные в такой практике, а также риск сбора ненадежные данные ^33. Идентификация Footprint в качестве метода имеет еще одно преимущество в управлении сохранения. На основе традиционных навыков отслеживания, а также экономической эффективности, она может участвовать ранее маргинальные местных сообществ в процессах мониторинга сохранения. Stander ³⁴ и Либенберг ³⁵ независимо друг от друга обратились и засвидетельствовано навыков мониторинга и сохранения значения включения этих групп.

Дальнейшие разработки в технике возможности идентификации следа для мониторинга гепарда продолжаются, и включают в себя полевые испытания для проверки с свободно пасущихся гепардов, построения алгоритмов возрастной класса (в том числе изменения в морфологии стопы особей с течением времени) и контроля субстрата. Авторы также исследуют методы в области компьютерного зрения, которые позволяют изображения сегментации для оптимизации точности и последовательности в маркировке точек ориентира.

Поскольку отпечатки ног являются одним из самых распространенных признаков животных, и часто намного легче найти, чем самих животных, более широкое применение идентификации отпечатка может быть игра с изменением в мониторинге сохранения. Основные наземных охраняемых районов в мире получают примерно восемь миллиардов рекреационных посещений в год ^36. Большинство посетителей теперь несут смартфоны. Использование приложения разрабатывается для WildTrack сбор данных след будет простым и быстрым и потенциально может электроннойffect набор данных беспрецедентного размера выборки и пространственного масштаба. С рентабельного протокола сбора данных, метод идентификации следа легко адаптируется к сетке в любой консервации инструментов. В качестве системы классификации изображения, это надежная модель может также найти применение в медицинской, судебно - медицинской экспертизы и правоохранительных полей (например, по борьбе с браконьерством).

Материалы

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