Summary

Spotting Cheetahs: l'identification des personnes par leurs empreintes

Published: May 01, 2016
doi:

Summary

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.

Abstract

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%.

Introduction

Le guépard (Acinonyx jubatus) est felid le plus menacé de l' Afrique et classé comme vulnérable avec une tendance à la baisse de la population par la Liste rouge de l' UICN des espèces menacées 1. La population mondiale guépard est estimée entre 7-10,000 individus 1 et la Namibie est reconnu comme le plus grand bastion du guépard en liberté, avec peut – être plus d'un tiers de la population mondiale 4,6,7. Les estimations de population pour l'Afrique australe en 2007 a placé la population de guépard de Namibie à 2000 avec le prochain le plus proche état de gamme Botswana avec 1,800, suivie par l'Afrique du Sud (550), le Zimbabwe (400), la Zambie (100), le Mozambique (<5). Plusieurs États ont non cadastré 7.

Les autorités namibiennes ont clairement indiqué une vision de "sécurisées, populations de guépards viables à travers une gamme d'écosystèmes qui coexistent avec succès, et sont appréciés par le peuple de la Namibie." Cependant, l'élevageet l' élevage de gibier sont principales utilisations des terres en Namibie 8,9 et les propriétaires fonciers régulièrement piéger et tuer guépard sur leurs propriétés dans une tentative de réduire la prédation du bétail ou des animaux sauvages précieux. Plus de 1.200 guépards ont été enlevés 1991-2006, mais pas tous ces «piquages» ont été enregistrés 10. De plus, il y a un débat sur l'opportunité ou non d'une solution efficace au conflit agriculteur-guépard. L'élimination des animaux perçus comme causant un conflit, en tuant ou translocation peut être moins efficace que l' atténuation des conflits par d' autres moyens, comme une meilleure protection du bétail 11. Les tarifs publiés de survie pour 12 mois post-translocation ont varié de 18% 11 à 40% 12.

La collecte de données fiables sur le nombre, l'identité et la distribution des guépards en Namibie est la clé pour faire face aux situations de conflit homme-guépard. guépard actuel des techniques de surveillance vont de questionnaires ciblés de la Namibian Ministère de l' Environnement et du Tourisme pour les parties prenantes 4 aux observations opportunistes par les touristes et les rapports du gouvernement 4, à l'utilisation de pièges photographiques 13, GPS ou colliers VHF 10,14, sondages d'entrevue des agriculteurs 8, et même motif place 15. Toutefois, la comparaison de l'efficacité de ces techniques sans référence ou la quantification de l'effort commun d'enquête est difficile. Chacun a des limites; satellite GPS et VHF colliers sont coûteux et souvent peu fiables, des questionnaires ciblés ont une portée limitée, et pièges photographiques ont une portée limitée.

Les estimations produites par ces différentes méthodes varient considérablement. Marker et al. 10 ont souligné la nécessité d'une approche plus coordonnée. Une variété de méthodes ont été utilisées sur les terres agricoles pour estimer la densité de population de guépard, et ceux-ci ont produit une série d'estimations. Par exemple, une étude radio télémétrie estimé 2,5 (± 0,73) guépards / 1000 km <sup> 2 alors qu'une étude caméra-piège estimé 4,1 (± 0,4) guépards / 1000 km 2 (Marker et al. , 2007). Cette variation met en évidence le problème de l'utilisation de différentes méthodes pour estimer la densité, mais jusqu'à présent, aucune technique simple, efficace, reproductible a été identifié qui pourrait être utilisé à travers le large éventail d'habitats que les guépards occupent en Namibie. Cela reste un problème pour la surveillance guépard efficace et conservation.

Ce défi a suscité le développement d'un outil robuste, rentable et flexible pour surveiller le guépard. La technique d'identification de l' empreinte a été développé pour le rhinocéros noir 16 et ensuite adapté à un large éventail d'espèces , y compris le rhinocéros blanc 17, tigre de l' Amour 18, lion de montagne 19, et d' autres.

Diverses études ont montré qu'il est possible d'utiliser des empreintes pour identifier les grands carnivores par les espèces, les individus, et le sexe. Le processusa évolué à partir de la simple description de la forme des empreintes 20 à une comparaison des mesures 21, à l' analyse statistique d'un ou de plusieurs mesures 16,17,22-30 et analyse de forme 31 efforts .Ces ont eu un succès variable, en fonction surtout de la rigueur de la la collecte des données et les processus d'analyse, et le nombre d'animaux d'essai utilisés pour le développement des jeux de données de formation. Il y a plusieurs avantages pratiques de l'utilisation des empreintes. La première est que les images peuvent être recueillies avec d' autres approches non invasives (par exemple, un appareil photo-piégeage, la collecte d'ADN de cheveux / excréments, etc.) avec très peu d' effort supplémentaire ou de coût. Deuxièmement, les empreintes sont, où les permis de substrat, le signe le plus omniprésent de l'activité des animaux.

La technique d'identification de l'empreinte est la première technique d'identification de l'empreinte robuste décrite pour le guépard et est applicable à tout site où se trouvent des empreintes. Empreintes doivent être sufficiently définis que les orteils et le talon de l'impression peut être vu clairement à l'œil nu. les opérateurs de terrain doivent se familiariser avec l'anatomie de base du pied guépard et être en mesure d'identifier les empreintes dans la zone d'intérêt, et les distinguer des copies de tous les autres grands carnivores sympatriques. La technique peut être utilisée soit comme une technique de recensement (par exemple, combien de guépards sont représentés par les empreintes collectées?) Ou comme un outil pour le suivi des individus spécifiques. Footprints peuvent également être utilisés comme «marques» dans les analyses de marquage-recapture, en utilisant la technique pour identifier les individus, puis calculer les densités locales de l'espèce. La collecte des données ne nécessite que d'un appareil photo numérique de base et de l'échelle.

Protocol

ÉTHIQUE DÉCLARATION: La technique d'identification de l' empreinte est une technique non-invasive. Aucun des échantillons biologiques ont été prises. guépard captive Seuls les membres de la documentation de permis ont été utilisés. la participation de Cheetah a été limitée à la marche le long d'une piste de sable pour laisser des empreintes en échange d'une récompense alimentaire. NOTE: Ce protocole explique l'utilisation d'un logiciel de visualisation de données telles que JMP, ci – après dénommé « le logiciel de visualisation de données» pour classer les empreintes en utilisant la technique d'identification de l' empreinte. DÉCLARATION DE SÉCURITÉ: Cheetahs ont jamais laissé sans surveillance (2 personnes) et ont été placés dans des centres de détention séparés lorsque cela est possible. guépards en captivité utilisés pour la manipulation ont été leurrés directement sur une piste de sable pour faire des empreintes. D'autres animaux moins se prêtent à la manipulation ont été attirés à l'extérieur de l'enceinte. TERMINOLOGIE: Track: Une empreinte; Trail: Un usérie nbroken d'empreintes faites par un seul animal. 1. Footprints Collecte Préparation de Patch et le protocole Rassembler les matériaux suivants pour le protocole: une amende rake, ou un râteau grossier et falsification, arrosage manuel ou arrosoir, la règle de pliage de deux règles standard (cm) ou un charpentiers pour encadrer l'impression, un appareil photo numérique standard (résolution minimale de 1200 x 1600 pix), un parapluie pour l'ombre si les étiquettes d'empreintes nécessaires et standards avec des espaces d'enregistrement de données pour enregistrer le nom du photographe, la date, la série de l'empreinte, discrète ID d'impression, identification des animaux, l'emplacement et la profondeur si> 2 cm). Travailler tôt le matin ou en fin d'après-midi pour un contraste maximum de la lumière sur les impressions. Si cela est impossible, l'ombre artificielle d'un parapluie peut améliorer talon et les orteils définition du pad lorsque le soleil est à son zénith. Poser un chemin d'environ 1 cm de profondeur soit substrat naturel ou le sable de constructeurs. Assurez-vous qu'il est sur le2-3 m de large et courir pour entre 3 et 15 m le long d'une clôture ou un chemin de mouvement habituel. Wet et lisser le substrat avec des outils de jardinage standards pour améliorer la qualité d'impression et la définition. Supprimez manuellement les feuilles et les cailloux, le cas échéant. La collecte des empreintes pour l'ensemble de données de formation Lure le guépard travers chemin de sable avec une récompense alimentaire. Après les empreintes ont été faites, entraîner l'animal loin de la voie. Après l'imagerie de chaque piste d'empreinte (voir 1.3) brosser les pistes de distance et de préparer la surface pour l'enregistrement de la prochaine piste. Ne recueillir des impressions postérieures gauche pour l'ensemble de données de formation. Le pied arrière gauche a le premier orteil (toe 3), 4 pieds et des orteils 5 faisant une pente vers la gauche. Les pieds antérieurs sont plus larges que les pieds postérieurs. Passez du temps à apprendre comment les identifier avant l'imagerie. Imagerie les empreintes en utilisant le protocole technique d'identification de l' empreinte <ol> Mettez en surbrillance la position des empreintes individuelles le long du sentier en dessinant manuellement un cercle autour de chaque empreinte arrière gauche. Utilisez un bâton ou tout autre outil locale appropriée. La première image de l'empreinte de la façon suivante Placez une échelle métrique d'environ 1 cm en dessous et à gauche de l'empreinte. Sous l'échelle, et ne pas toucher l'empreinte, placez un feuillet ID photographique, et d'écrire dans les espaces pré-alloué le nom du photographe, la date, la série de l'empreinte, la profondeur (si> 2 cm) impression discrète ID, ID animal et l'emplacement. Enfourchez l'impression et pointez l'objectif de la caméra directement au-dessus de l'empreinte, pour éviter toute erreur de parallaxe de l'image par rapport à l'échelle ou la photo ID dérapant. Utilisez un trépied ou un assistant pour vérifier si nécessaire. Veiller à ce que l'empreinte, règle et photo ID glisser complètement remplir le cadre. Collecter environ 20 impressions de bonne qualité de derrière gauche pour compléter la collection pour cet animal. Si 20 prints ne sont pas disponibles à partir de la première piste, les processus de répétition de 1.1.6 à 1.3.5 avec le même animal. Feature Extraction 2. Image Avant l'Analyse Technique Empreinte Identification Double-cliquez sur l'icône de la technique d'identification de l'empreinte et l'ouvrir comme un add-in pour le logiciel de visualisation de données. Observez la fenêtre d'accueil sur l'écran. Sélectionnez 'Feature Extraction d'image »pour montrer cette nouvelle fenêtre. La technique d'identification de l'empreinte est exécuté sur un script d'un logiciel de visualisation de données dans le JSL du langage de programmation. Le menu principal est représenté sur la Fig. 1. Utilisation d'une souris, faites glisser la première image de l'empreinte dans la fenêtre d'extraction de caractéristiques de l'image. Un guide de gabarit d'extraction de caractéristique est représentée sur la gauche de la fenêtre. Cliquez sur et sélectionnez le bouton 'resize' pour veiller à ce que l'image de l'empreinte est à l'intérieur de la fenêtre graphique. Cliquez sur les points les plus bas sur les orteils extérieurs (2 orteilset 5) pour placer des marqueurs, puis sélectionnez «rotation». Notez que l'image pivote horizontalement sur la ligne joignant les points, de normaliser l'orientation. Observer un ensemble de réticule apparaît automatiquement pour être utilisé dans l'étape 2.6. Si le substrat est plus de 1 cm de profondeur, faire une correction de la profondeur à l'algorithme en cliquant sur le bouton "profondeur de substrat". Cliquez pour placer deux points d'échelle à l'échelle requise. Pour le guépard définir l'échelle à 10 cm, situé sur la zone de facteur d'échelle. En utilisant le modèle à gauche de la fenêtre graphique, placez 25 points de repère séquentiellement. les points sont définis landmark points anatomiques sur l'empreinte, par exemple la plus antérieure, postérieure, les points médians et latéraux de chaque orteil et le talon. Utilisez la ligne de mire pour améliorer la précision pour les utilisateurs novices. Observer une invite apparaît en haut à gauche de l'image pour montrer la séquence de points. Sélectionnez 'les points dérivés »pour générer encore quinze points from les points de repère. Ce processus augmente le nombre de variables disponibles pour le développement de l'algorithme. Remplissez tous les champs de données pour l'image de l'empreinte; guépard, piste, piste, date, heure et point de localisation (GPS). Fig. 2 spectacles stades 2,2-2,8. Appuyez sur le bouton 'ajouter la ligne "pour envoyer des variables 136 scriptées (distances, angles, surfaces) à une ligne dans la base de données. Répéter les étapes 2.1 à 2.9 pour toutes les empreintes jusqu'à ce que la base de données est rempli avec les coordonnées xy pour chaque point de repère et un point dérivé et toutes les variables calculées pour chaque empreinte. Copiez toutes les lignes dans la base de données et les coller en dessous de la base de données. Cet ensemble de duplication est appelée la référence Centroïde Valeur (RCV) et agit pour stabiliser l'identification modèle technique d'empreinte pour comparaison appariée ultérieure des sentiers de l'empreinte. 3. Développement de l'algorithme de Technique Empreinte d'identification pour le Cheetah <ol> Paires robuste analyse croisée validé discriminante Dans le menu principal, sélectionnez et ouvrez la fenêtre d'analyse robuste pairwise validation croisée (Fig. 3). Le modèle de la technique d'identification de l' empreinte utilise un classificateur pour déterminer la probabilité d'une paire de pistes appartenant à la même personne ou deux personnes différentes (fig. 4). Effectuer une comparaison appariée des sentiers en utilisant la base de données de formation des individus connus comme suit: Sélectionnez Cheetah comme «entrée x, modèle catégorie ', et des sentiers comme des« sentiers d'entrée ». Les colonnes y (mesures de l'empreinte), comme des variables continues, sont automatiquement peuplées. Sélectionnez «Exécuter». Observer une barre de progression montrant l'analyse en cours. Observer un tableau de données apparaît montrant les comparaisons par paires de pistes. Observez deux sorties, une table auto / non-auto affecté à décrire la distance de classification entre chaque vALIDATION paire, et une fenêtre de matrices de classification montrant les différents sentiers sélectionnés pour la comparaison, et la probabilité de contour. Observez le bouton du modèle d'exposition qui montre les variables utilisées pour chaque comparaison, et la boîte de seuil de distance qui donne la distance entre les centroïdes. Sélectionnez le bouton «clusters» à la base de la table auto / non-auto affecté. Observez deux tables. La première montre les distances entre deux pistes. Le second est un «cluster» dendrogramme – la sortie finale pour la classification des variables choisies. Visualisez les grappes de classification en cliquant sur une branche du dendrogramme à code couleur il. Testez la précision de la classification en faisant varier le nombre de variables (mesures) et la probabilité de contour (l'intervalle de confiance autour de la valeur centroïde). Re-visualiser les données dans le dendrogramme cluster généré en utilisant 18 variables (fig. 5a). Cela donne la prédiction correcte de septguépards. Figures 5b (24 variables) et c (10 variables) montrent différentes estimations du nombre de guépards obtenus en testant les entrées variables et contour probabilité différentes. NOTE: La courbe de distribution à l'échelle mobile donne la probabilité relative (chance) du nombre prévu à partir de 100%. Comme l'échelle mobile est déplacé la probabilité relative pour chaque estimation de chaque côté de la valeur prédite est représentée. Figure 5d montre le résultat avec 18 variables, à l'échelle mobile déplacé dans une direction pour montrer que la chance de dix guépards est inférieure à 50 %. Sélectionnez l'algorithme qui donne toujours la plus grande précision. Ajuster la valeur de seuil pour permettre à l'algorithme d'être réglée pour produire le résultat qui se rapproche le mieux au nombre d'animaux connus dans la base de données de formation (fig. 5a). Procès holdback complet pour la validation <br /> Valider l'algorithme tant pour le nombre attendu de personnes et la précision de la classification de clustering utilisant des essais de retenues et de répartir de façon aléatoire le guépard individuel dans l'ensemble de données à tester et des ensembles de formation (Fig . 6). Les étapes à utiliser sont les suivantes: De la base de données de référence, décider d'un intervalle approprié pour le partitionnement séquentiel de l'ensemble de données en test et set de formation tailles. Pour la base de données de guépard, utiliser l'intervalle de 4. Choisissez au hasard quatre individus comme l'ensemble de données de test (en laissant 34 dans l'ensemble de la formation). Cacher l'identité des quatre personnes de test sélectionnées. Cliquez sur l'option "Paires Data Analysis" et sélectionnez tous les sentiers pour les quatre personnes de test. Cliquez sur "Exécuter" pour lancer l'analyse de la technique d'identification de l'empreinte. L'analyse donnera une prédiction pour le nombre d'individus dans l'ensemble de données de test. Itérer ce processus neuf fois plus (total 10), chaquetemps à choisir au hasard quatre personnes. Calculer la valeur moyenne prévue pour cette taille d'essai (c. -à- quatre). Ensuite, répétez le processus séquentiellement pour huit personnes choisies au hasard (en fonction de la taille de l'intervalle), puis 12 et ainsi de suite avec dix itérations pour chaque taille de test. Calculer la valeur moyenne prédite pour chaque taille de test. L' utilisation d' un terrain de logiciel graphiquement un graphique comme le montre la Fig. 6. La ligne rouge montre la taille réelle de test tracée contre l' auto, les astérisques vertes indiquent le nombre prévu d'individus pour chaque itération et la ligne bleue montre les valeurs prédites moyennes pour chaque taille d'essai. La proximité des lignes rouges et bleues est un indicateur de la précision de l'analyse technique d'identification de l'empreinte.

Representative Results

identification individuelle La capacité de la technique d'identification de l'empreinte de classer guépard individuelle est subordonnée à deux facteurs, l'utilisation d'un protocole de collecte de l'empreinte standardisée et un nouveau modèle statistique basé sur une analyse discriminante pairwise validation croisée avec l'analyse de la concentration d'un Ward. Ceux – ci sont facilités par une interface utilisateur graphique intégré pour la visualisation des données (Fig. 1). Equipement de base est nécessaire, ce qui rend cette technique (liste des matières) Coût-efficacité. Les données recueillies avec l'empreinte inclus le nombre de guépards, nombre d'images d'empreintes recueillies, la gamme d'empreintes par le guépard, le nombre de pistes, nombre de sentiers par le guépard et tranche d' âge des guépards (tableau 1). 781 empreintes (M: F 395: 386) appartenant à 110 sentiers, à partir de 38 personnes, ont été recueillies pour l'ensemble de données de formation Le tableau 1 donne.un résumé des données recueillies. Utilisation de la fenêtre d'extraction de caractéristiques (Fig. 2) un ensemble de 25 points de repère ont été en mesure de générer 15 dérivées des points sur chaque image de l' empreinte. A partir de ces points de repère et dérivés 136 variables ont été générées pour chaque empreinte, comprenant des distances, des angles et des zones. Chaque ligne de la base de données représente donc les 136 variables générées par une seule empreinte. Empreintes ont été traitées par le sentier. Un nombre variable de lignes représenté chaque sentier, et ont été marqués en tant que tels. Ces données ont été reproduites dans le tableau de données comme une entité alors désigné sous le nom de référence Centroïde Valeur (RCV) qui agit pour stabiliser la comparaison appariée des pistes nécessaires pour le classement individuel. La fenêtre de paires analyse (Fig. 3) a été conçu pour aider à valider les données et / ou essai pour les données provenant de populations inconnues. La figure 4 montre le résultat d'une comparaison de paires de pistes de la même individual (A) et deux personnes différentes (B) sur la base du modèle personnalisé de technique d'identification de l'empreinte. Le classificateur incorporé dans le modèle est basé sur la présence ou l'absence de chevauchement entre les points de suspension. A noter que l'analyse est effectuée pour chaque comparaison par paires , en présence d'une troisième entité, à savoir la valeur de centroïde de référence (RCV). L'utilisation d'un robuste pairwise analyse discriminante validation croisée avec l'analyse de la concentration d'un Ward, un algorithme a été généré pour fournir la classification efficace des individus. L'algorithme de technique d'identification de l'empreinte est basée sur trois entités réglables; le nombre de mesures utilisées, la taille de l'ellipse (intervalle de confiance utilisé) et la valeur de seuil qui détermine la valeur de coupure pour les grappes. Chacune de ces entités est ajusté dans le logiciel jusqu'à ce que la plus haute précision pour la classification est réalisée pour l'ensemble des animaux d'identité connue de formation. Ce même algorIthm peut ensuite être utilisé pour identifier les guépards inconnus. Par exemple, les figures 5a, b & c montrent un dendrogramme d'un échantillon de sentiers de sept guépards montrant la prédiction correcte lorsque l'algorithme est optimisé (a) et lorsque l'algorithme est suboptimale (b & c). essais de Retenue ont été menées afin de valider l'algorithme dérivé de l'ensemble des individus «connus» de formation. Ceux-ci ont été effectuées de manière séquentielle en faisant varier la proportion de guépards dans les ensembles de test et de formation. Plutôt que de répartir les guépards à la formation et de test arbitraire, les analyses ont été effectuées séquentiellement en augmentant la taille du jeu de test. Pour chaque série de test, 10 itérations ont été effectuées avec des guépards étant choisis au hasard pour chaque itération. Pour chaque ensemble de test, ce qui a permis une valeur moyenne à calculer. Figure 6. Montre la taille d'essai variant comploté contre lui – même (rouge), et sur ​​l'axe-y la valeur prédite pour chaque itération de la taille d'essai (vert) Et la valeur moyenne pour chaque taille de test (bleu) prédit. L'intrigue démontre que même lorsque la taille du jeu de test est considérablement augmentée (n = 28) par rapport à la taille de l'ensemble de la formation (n = 10), la moyenne valeur prédite est similaire à la valeur attendue. Utilisation de plusieurs essais de retenues, la précision de l' identification individuelle était toujours> 90% tant pour le nombre prévu de personnes et, tout aussi important, la classification des sentiers, à savoir si les sentiers de la même personne (auto-pistes) et ceux de individus différents (non auto-sentiers) classés correctement. Un dendrogramme de cluster représentant les 38 guépards individuels est représenté (Fig. 7). Il y avait 110 pistes, générant un total de 5.886 comparaisons par paires. Parmi ceux – ci, il y avait 46 erreurs de classification donnant une précision de 99% (tableau 2). # De guépards Nombre d'images d'empreinte Gamme d'empreintes par guépard Nombre de pistes Gamme de sentiers par guépard Tranche d'âge (années) Femmes 16 386 12-36 55 2-5 02.05 à 08.05 Mâles 22 395 7-32 54 1-4 1-11 Total 38 781 7-36 109 1-5 1-11 Tableau 1. Résumé des données recueillies. Le nombre de guépards, le nombre d'images d'empreintes collectées, la gamme de footprints par guépard, le nombre de pistes, la gamme de sentiers par le guépard et la tranche d'âge des guépards. Soi Pas soi Total Des erreurs de classification Auto (N) 117 9 126 9 Soi (%) 93 7 100 7 Non-auto (N) 37 5723 5760 37 Pas soi (%) 1 99 100 1 Total (N) – – 5886 46 Total (%) </ Td> – – 100 1 Tableau 2. La sortie dans le logiciel de technique d'identification de l' empreinte montre la classification des pistes en fonction de comparaison par paires. «Soi» se réfère à des sentiers de la même personne et «non-soi», des sentiers de différents individus. Chaque piste a été apparié contre tous les autres sentiers à l'aide d'un robuste modèle d'analyse croisée validé discriminante personnalisée. 110 pistes ont donné lieu à 5.886 comparaisons par paires et la précision globale de classification était de 99%. Figure 1. La fenêtre principale du menu d' ouverture dans la technique d'identification de l' empreinte. Ceci est une identification d'image add-in pour le logiciel de visualisation de données, conçu pour classer les empreintes par indi individuelle, le sexe et la classe d'âge à partir de mesures morphométriques. Une interface utilisateur graphique permet la navigation transparente entre différentes options. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. Figure 2. La fenêtre d'extraction de caractéristiques. Les fonctionnalités incluent glisser-déposer des images, le redimensionnement automatique de la fenêtre, rotation des images pour la normalisation, la profondeur substrat affacturage, etc. points de repère pré-assigné sont positionnés et génèrent une série de points dérivés scriptées manuellement permettre l'extraction de paramètres sous forme de distances, les angles et les zones. La sortie est sous la forme d'une ligne de données fournissant les coordonnées xy et les métriques.ank "> S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. Figure 3. Paires fenêtre d'analyse de données dans la technique d'identification de l' empreinte. Une fois une base de données de mesures a été créé, la fenêtre d'analyse par paire est conçu pour aider à valider les données et / ou essai pour les données provenant de populations inconnues. L'analyse est basée sur un modèle personnalisé intégrant une constante, la valeur de centroïde de référence (RCV), qui compare les paires de pistes séquentiellement 16,17. Le résultat final est sous la forme d'un dendrogramme de cluster qui fournit une prédiction pour le nombre de personnes et la relation entre les sentiers. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. <img alt = "Figure 4" src = "/ files / ftp_upload / 54034 / 54034fig4.jpg" /> Figure 4. Les comparaisons par paires. La figure montre le résultat d'une comparaison des sentiers de la même personne (A) et deux personnes différentes (B) basé sur un modèle personnalisé dans le logiciel de visualisation de données paires. Le classificateur incorporé dans le modèle est basé sur la présence ou l'absence de chevauchement entre les points de suspension. Notez que l'analyse est effectuée pour chaque comparaison appariée en présence d'une troisième entité, à savoir, la valeur de centroïde de référence (RCV). S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. Figure 5. Un dendrogramme d'un échantillon de sentiers de sept guépards montrant la bonne prediction lorsque l'algorithme est optimisé (a) et lorsque l'algorithme est suboptimale (b & c). d montre le résultat avec 18 variables, à l'échelle mobile déplacé dans une direction pour montrer que la chance de dix guépards est inférieure à 50% . L'algorithme est basé sur trois entités réglables; le nombre de mesures utilisées, la taille de l' ellipse (intervalle de confiance utilisé) et enfin, la valeur de seuil qui détermine la valeur de coupure pour les clusters. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. Figure 6. Un essai de retenue effectué séquentiellement en faisant varier la proportion de guépards dans les ensembles de test et de formation. Plutôt que de répartir les guépards à la formation et le test sets arbitrairement, une analyse a été réalisée augmentant séquentiellement la taille de l'ensemble de test. Pour chaque série de test, dix itérations ont été effectuées avec des guépards étant choisis au hasard pour chaque itération. Pour chaque ensemble de test, ce qui a permis une valeur moyenne à calculer. La figure montre la taille d'essai variant comploté contre lui-même (rouge), et sur l'axe-y la valeur prédite pour chaque itération de la taille d'essai (vert) et la valeur moyenne pour chaque taille de test (bleu) prédit. L'intrigue démontre que même lorsque la taille du jeu de test est considérablement augmentée (n = 28) par rapport à la taille de l' ensemble de la formation (n = 10), la moyenne valeur prédite est similaire à la valeur attendue. S'il vous plaît cliquer ici pour voir une version plus grande ce chiffre. Figure 7. Dendrogramme montrant le résultat prévu lorsque tous110 pistes de 38 guépards sont inclus dans l'analyse. Notez la fidélité des sentiers formant les clusters. Fait intéressant, la plupart des erreurs de classification étaient entre congénères, par exemple, le guépard Letotse / Douma et Vincent / Bonsai. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Discussion

Le présent document décrit l'application théorique de la technique d'identification de l'empreinte et de son potentiel en tant que nouvelle approche rentable, facile à la communauté à la surveillance, et donc aider à conserver le guépard. Les prochaines étapes de l'application plus large de l'outil sera plus vaste essai sur le terrain avec les populations de guépards dans les zones de plage.

La technique d'identification de l'empreinte diffère des précédentes tentatives pour identifier les individus à partir des empreintes dans plusieurs aspects essentiels; un protocole standardisé et rigoureuse collecte de l'empreinte, un logiciel simplifié de l'interface utilisateur graphique, l'orientation et l'optimisation des images avant l'analyse, et un nouveau modèle statistique pour la classification.

Il y a plusieurs étapes critiques nécessaires à la réussite du protocole. Tout d'abord, des sentiers de sable doivent être préparés correctement et l'animal a conduit sur le sable à un rythme de marche détendue normale. Lorsque l'imagerie des empreintes, la photographer doit être directement au-dessus du centre de l'impression. Souvent, il est utile d'avoir un observateur à vérifier. Enfin, il est très important que le photographe (ou un assistant, qui peut être un tracker expert) être en mesure d'identifier une empreinte guépard sur le terrain, et ont les compétences nécessaires pour suivre la piste des empreintes vers l'avant ou vers l'arrière le long de la ligne de Voyage .

compétences de suivi sont essentielles à la poursuite de la mise en œuvre effective de cette technique pour le suivi des guépards inconnus ou en liberté. Un manque de compétences peut conduire à la collecte d'empreintes ou de la confusion insuffisamment bien définies entre les sentiers de différents animaux qui pourraient voyager ensemble. Ce dernier point est particulièrement important pour les guépards, où les jeunes mâles forment parfois des coalitions de 3 ou plusieurs animaux qui se déplacent ensemble. Cependant, cette préoccupation a été prise pour une autre espèce sociale, le rhinocéros blanc, où des groupes de jusqu'à 13 personnes se déplaçant ensemble étaient correctement identifiésfiés par la technique d'identification de l' empreinte à l' aide avant ou en arrière suivi de pistes (Alibhai et al. , 2008) 17.

Bien qu'il existe maintenant quelques autres trackers indigènes experts, des efforts concertés sont déployés pour engager avec eux et transférer leurs compétences aux jeunes membres de leur communauté. Une telle initiative, l'Académie des anciennes compétences, sera accueilli par le N / a'an Fondation ku sê en Namibie. De même les scientifiques, la croissance rapide des programmes de certification de formation tracker est habilitantes et les naturalistes amateurs d'apprendre ces techniques de terrain essentiels.

Le positionnement manuel précis des points de repère sur les images de l'empreinte est au cœur de la précision de la technique. Encore une fois, les opérateurs doivent se familiariser avec l'anatomie de base de l'empreinte du pied et résultant. Les auteurs tentent actuellement de développer l'automatisation pour réduire au minimum le travail manuel impliqué, et aider à résoudre des préoccupations au sujet stannormalisa- entre les différents opérateurs. Dans l'intervalle, il est simplement recommandé que le positionnement du point de repère soit la responsabilité d'un opérateur sur chaque site de terrain. Des efforts sont en cours pour engager les citoyens scientifiques dans la capture et l'analyse des données, qui seront extrêmement amplifier le terrain application. Malgré ces limitations actuelles, ce protocole de logiciel a été déployé avec succès dans le domaine pour une gamme d'espèces, y compris noir et le rhinocéros blanc, le tapir Lowland et tigre de l'Amour.

Travailler avec des empreintes a une limite évidente – le substrat doit permettre leur impression claire. Impressions partielles ou des impressions de qualité médiocre fournissent pas assez de détails 32. Cependant, de grandes zones de plage de guépard sont idéales pour la collecte de l'empreinte, et pour les petites zones autrement inappropriés, il peut même être possible de contourner cette limitation en plaçant des sentiers de sable artificiels pour recueillir les empreintes. Ces plots empreinte d'impression peuvent être utilisés efficacement en combinaison avec camera-pièges, par exemple au marquage connus guépard messages / arbres. Suivi des compétences et des connaissances locales peut grandement aider à localiser et à identifier les zones de substrat approprié.

Étant donné que la technique d'identification de l'empreinte est non invasif, il ne provoque aucune perturbation de l'écologie ou le comportement de l'animal. De nombreuses études ont montré que le risque potentiel et réel de la capture, l' immobilisation, la manipulation, et l' installation de l' instrumentation, les coûts engagés dans ces pratiques, et le risque de la collecte de données fiables 33. l'identification de l'empreinte en tant que technique a un autre avantage dans la gestion de la conservation. Sur la base des compétences de suivi traditionnelles, et le coût-efficacité, il peut engager les communautés locales précédemment marginalisées dans les processus de surveillance de la conservation. Stander 34 et 35 Liebenberg adressées indépendamment et attestées les compétences de surveillance de la conservation et de la valeur de l' inclusion de ces groupes.

Les développements futurs dans la capacité technique d'identification de l'empreinte pour le suivi de guépard sont en cours, et comprennent le terrain-essais pour la validation avec des guépards en liberté, la construction d'algorithmes des classes d'âge (y compris des changements dans la morphologie du pied des individus au fil du temps) et les commandes de substrat. Les auteurs se penchent également sur les techniques de vision par ordinateur qui permettent à l'image-segmentation pour optimiser la précision et la cohérence dans le marquage des points de repère.

Depuis empreintes sont l'un des signes les animaux les plus répandus, et souvent beaucoup plus facile à trouver que les animaux eux-mêmes, l'adoption plus large de l'identification de l'empreinte pourrait être jeu de changement dans la surveillance de la conservation. Principales zones terrestres protégées du monde reçoivent environ huit milliards de visites récréatives par an 36. La majorité des visiteurs portent maintenant les smartphones. En utilisant une application développée pour Wildtrack la collecte de données de l'empreinte sera simple et rapide et pourrait potentiellement effet un ensemble de données de taille de l'échantillon sans précédent et échelle spatiale. Avec un protocole de collecte de données coût-efficacité, la technique d'identification de l'empreinte s'adapte facilement aux mailles dans toute boîte à outils de conservation. En tant que système de classification de l' image, il est modèle robuste peut aussi avoir des applications dans le domaine médical, médico – légale, et les champs application de la loi (par exemple, anti-braconnage).

Disclosures

The authors have nothing to disclose.

Acknowledgements

The authors would like to acknowledge the support of the N/a’an ku sê Foundation, Namibia; the JMP division (jmp.com) of SAS (sas.com) USA; Chester Zoo, U.K., Cheetah Conservation Botswana, Botswana; and Foundation SPOTS, Netherlands.

Materials

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

References

  1. Zanin, M., Palomares, F., Brito, D. What we (don’t) know about the effects of habitat loss and fragmentation on felids. Oryx. 49 (1), 96-106 (2015).
  2. Nowell, K. . Namibia cheetah conservation strategy. , 78 (1996).
  3. Stein, A. B., Aschenborn, O., Kastern, M., Andreas, A., Thompson, S. . Namibia Large Carnivore Atlas. , 12 (2012).
  4. Jewell, Z. C., Alibhai, S. K. . Identifying Endangered Species from Footprints. , (2013).
  5. Johnson, S., et al. Modeling the viability of the free-ranging cheetah population in Namibia: an object-oriented Bayesian network approach. Ecosphere. 4 (7), art 90 (2013).
  6. Purchase, G., Marker, L., Marnewick, K., Klein, R., Williams, S. . Regional assessment of the status, distribution and conservation needs of cheetahs in southern Africa. Status and conservation needs of cheetahs in southern Africa. , 44-46 (2007).
  7. Lindsey, P. A., et al. Determinants of persistence and tolerance of carnivores on Namibian ranches: Implications for conservation on southern African private lands. PLoS ONE. 8 (1), e52458 (2013).
  8. Mendelsohn, J. . Farming systems in Namibia; A publication for the Namibia National Farmers Union (NNFU). , (2006).
  9. Marker, L., Dickman, A., Wilkinson, C., Schumann, B., Fabiano, E. The Namibian cheetah: Status report. Cat News. 3, 4-13 (2007).
  10. Boast, L. K., Good, K., Klein, R. Translocation of problem predators: is it an effective way to mitigate conflict between farmers and cheetahs Acinonyx jubatus. in Botswana?. Oryx. (1365-3008), 1-8 (2015).
  11. Weise, F. J., Stratford, K. J., van Vuuren, R. J. Financial Costs of Large Carnivore Translocations – Accounting for Conservation. PLoS ONE. 9 (8), e105042 (2014).
  12. Marnewick, K., Funston, P. J., Karanth, K. U. Evaluating camera trapping as a method for estimating cheetah abundance in ranching areas. S. Afr. J. Wildl. Res. 38 (1), 59-65 (2008).
  13. Wachter, B., et al. The use of data from VHF and GPS radio-collared cheetahs to decrease conflicts between cheetahs and farmers in Namibia. 26, 556-567 (2006).
  14. Kelly, M. J. Computer-aided photograph matching in studies using individual identification: an example from Serengeti cheetahs. J. Mammal. 82 (2), 440-449 (2001).
  15. Jewell, Z. C., Alibhai, S. K., Law, P. R. Censusing and monitoring black rhino (Diceros bicornis.) using an objective spoor (footprint) identification technique. J. Zool. 254 (1), 1-16 (2001).
  16. Alibhai, S. K., Jewell, Z. C., Law, P. R. A footprint technique to identify white rhino Ceratotherium simum at individual and species levels. Endanger. Species Res. 4, 205-218 (2008).
  17. Gu, J., Alibhai, S. K., Jewell, Z. C., Jiang, G., Ma, J. Sex determination of Amur tigers (Panthera tigris altaica) from footprints in snow. Wildl. Soc. Bull. 38 (3), 495-502 (2014).
  18. Jewell, Z. C., Alibhai, S. K., Evans, J. W. Monitoring mountain lion using footprints: A robust new technique. Wild Felid Monitor. 7 (1), 26-27 (2014).
  19. Panwar, H. S. A note on tiger census technique based on pugmark tracings. Indian For. (Special Issue), 70-77 (1979).
  20. Sagar, S. R., Singh, L. A. K. Technique to distinguish gender of tiger (Panthera tigris) from pugmarks. Indian For. 117, 24-28 (1993).
  21. Lewison, R., Fitzhugh, E. L., Galentine, S. P. Validation of a rigorous track classification technique: identifying individual mountain lions. Biol. Conserv. 99 (3), 313-321 (2001).
  22. Smallwood, K. S., Fitzhugh, E. L. A track count for estimating mountain lion Felis concolor californica population trend. Biol. Conserv. 71 (3), 251-259 (1995).
  23. Scharis, I., Rasmussen, G. S. A., Laska, M. Using morphometrics to quantitatively differentiate African wild dog footprints from domestic dog footprints – a pilot study. Afr. J. Ecol. 54 (1), 3-8 (2015).
  24. Gore, A. P., et al. Tiger census: role of quantification. Curr. Sci. 64, 711-714 (1993).
  25. McDougal, C., Seidensticker, J., Christie, S., Jackson, P. You can tell some tigers by their footprints with confidence. Riding the tiger. , (1999).
  26. Sharma, S., Jhala, Y., Sawarkar, V. B. Gender discrimination of tigers by using their pugmarks. Wildl. Soc. Bull. 31 (1), 258-264 (2003).
  27. Sharma, S., Jhala, Y., Sawarkar, V. B. Identification of individual tigers (Panthera tigris) from their pugmarks. J. Zool. 267 (1), 9-18 (2005).
  28. Sharma, S., Wright, B. . Monitoring tigers in Ranthambore using the digital pugmark technique. , (2005).
  29. Riordan, P. Unsupervised recognition of individual tigers and snow leopards from their footprints. Anim. Conserv. 1 (4), 253-262 (1998).
  30. Law, P. R., Jewell, Z. C., Alibhai, S. K. Using shape and size to quantify variation in footprints for individual identification: case study with white rhino (Ceratotherium simum). Wildl. Soc. Bull. 37 (2), 4-33 (2013).
  31. Laity, K. M. . Field Validation of the Footprint Identification Technology on Free-roaming Cheetahs in Namibia. , (2015).
  32. Jewell, Z. Effect of monitoring technique on quality of conservation science. Conserv. Biol. 27 (3), 501-508 (2013).
  33. Stander, P. E., Ghau, I., Tsisaba, D., Oma, I., Vi, I. Tracking and the interpretation of spoor: a scientifically sound method in ecology. J. Zool. 242 (2), 329-341 (1997).
  34. Liebenberg, L., Blake, E., Steventon, L., Benadie, K., Minye, J. Integrating traditional knowledge with computer science for the conservation of biodiversity. , 26-30 (1998).
  35. Balmford, A., et al. Walk on the Wild Side: Estimating the Global Magnitude of Visits to 649 Protected Areas. PLoS Biol. 13 (2), e1002074 (2015).

Play Video

Cite This Article
Jewell, Z. C., Alibhai, S. K., Weise, F., Munro, S., Van Vuuren, M., Van Vuuren, R. Spotting Cheetahs: Identifying Individuals by Their Footprints. J. Vis. Exp. (111), e54034, doi:10.3791/54034 (2016).

View Video