Footprint Identification Technology (FIT) for monitoring Eurasian Otters - By Dipl. Uwi. Frederick Kistner - Aktion Fischotterschutz
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Footprint Identification Technology (FIT) for monitoring Eurasian Otters By Dipl. Uwi. Frederick Kistner
FIT für Eurasische Otter I. Einführung und Motivation II. Die Gegenwart: FIT für den Fischotter basierend auf biometrischen Messwerten III. Die Zukunft: FIT mit künstlicher Intelligenz IV. Wie FIT in Ihrer Forschung implementiert werden kann und wie Sie zu unserem Crowdsource-KI-Entwicklungsansatz beitragen können
I. Motivation
Wie viele Otter gibt es in Aljezur, Portugal?
5
29.06.2021
Ist es möglich, einzelne Otter anhand von Spuren zu identifizieren?
6
29.06.2021
Publikation Methodik Key Points:
Home Range of the Otter (Lutra lutra) in Southern Sweden • Fährtenlesen • Individuen-Identifikation und
S.Erlinge (1967) • Messungen von Populationsgröße
Gipsabdrücken • Reviergrößen
Estimating the density of Otter (Lutra lutra) populations using individual • Messungen von digitalen • Standardisiertes Bilderfassungsprotokoll
analyses of tracks Bildern • Messungen in digitalen Bildern
K. Hertweck et. al (2002) • Diskriminanzanalyse (DA) • Multivariater Ansatz
als Klassifikationsmodel
Preliminary study of the tracks of captive otters as a tool for field research • DA & • Fußabdrücke von bekannten Tieren in
L. Mercier& G.Fried (2005) • Digitale Messungen Gefangenschaft
• Geschlechtsvorhersagen
Identifying individual Eurasian Otters based on Measurements of their • DA & Digitale Messungen • Abdrücken von bekannten und
footprint's standardization of the method and its potential for censusing and unbekannten Tieren
monitoring wild otter populations • Empfehlung FIT anzuwenden um
I.Větrovcová (2006) bekannte Schwächen der DA zu
überwinden
Ist es möglich, einzelne Otter anhand von Spuren zu identifizieren?
Vorarbeiten
29.06.2021 8
Publications
Non-invasive monitoring
from the ground up
29.06.2021 9
Input
Output
• (Art)
• Geschlecht
• Individuen
• Population
29.06.2021 10
II.Die Gegenwart: FIT für den Biometriescher Ansatz
Otter
11
Input Bekannte Tiere Bild-
daten-
bank
Output
• (Art)
• Geschlecht
• Individuen
• Population • Referenzdatenbank bekannter Otter (derzeit N=24 (+12))
• Ex-Situ-Partner sind für diese Phase wichtig
• Bilder können über die Wildtrack-Webseite und -App
29.06.2021 hochgeladen werden 12
Input Bild-
daten-
Unbekannte Tiere bank
Output
• (Art)
• Geschlecht • Funktioniert sehr gut im Tidenbereich, abgelassenen
• Individuen Fischteichen und in Flüssen mit großen Sandbänken
• Population • Vorbereitung des Untergrunds erhöht die Erfolgsquote ( z.B.
unter Brücken)
• Fährten werden in Gruppen von Abdrücken zusammengefasst
29.06.2021 • FIT ist mit anderen nicht-invasiven Methoden kombinierbar 13Input Bekannte Tiere Bild-
daten-
Unbekannte Tiere bank
Geome-
trische
Profile
Output
• (Art)
• Geschlecht
• Individuen • Vordefinierte Punkte werden nach Standardisiertem Protokoll
• Population händisch gesetzt
• Geometrische Profile werden aus XY Koordinaten generiert
• 193 Messvariablen (Abstände, Winkel, Flächen) automatisch
29.06.2021 erhobenInput Bekannte Tiere Bild-
daten-
Unbekannte Tiere bank
Geome-
trische
Profile
Output
• (Art)
• Geschlecht • Geometrische Profile trainieren und validieren
• Individuen Klassifikationsmodelle des maschinellen Lernens
• Population • Geschlechter können anhand einzelner Fußabdrücke oder FIT
Fährten klassifiziert werden
• Klasssifikationsraten > 90%
Modelle
29.06.2021 15Input Bekannte Tiere Bild-
daten-
Unbekannte Tiere bank
Vorhergesagte Vorhergesagt
Alter in Fußspuren e Fußspuren %
Otter Jahren Geschlecht Weibchen Männchen % Weibchen Männchen
Beskyda 7 F 23 1 96 4
Cibak 14 M 8 14 36 64
Fousek 1 M 8 12 40 60
Gesa 13 F 25 0 100 0
Lucka 1 F 21 3 88 12 Geome-
Matysek 5 M 9 13 41 59
trische
Neznamy
Polka
?
2
M
F
3
39
15
3
17
93
83
7
Profile
Styx 9 M 4 20 17 83
Sylvestr 6 M 10 21 32 68
Output Vydrysek
Zanetka
4
4
M
F
17
18
0
0
100
100
0
0
• (Art)
• Geschlecht Test auf Datensatz von I.Větrovcová (2006):
• Individuen • Testbilder in anderem Substrat als Trainingsbilder
• Population • 11/12 Tiere in Summe richtig vorhergesagt (92%) FIT
• Vorhersage für Weibchen etwas besser als für Männchen
Modelle
29.06.2021 16Input Bekannte Tiere Bild-
daten-
Unbekannte Tiere bank
Geome-
trische
Profile
Output
• (Art)
• Geschlecht • Paarweise Diskriminanzsanalyse vergleicht Fährten (5-7
• Individuen Abdrücke)
• Population • Reference Centroid Value (RCV) FIT
• 93% Klassifikationsgenauigkeit (Vorläufig, N=24 Otter)
• Alibhai et al. (2008) für detaillierte Methodenbeschreibung Modelle
29.06.2021 18Input Known animals Bild-
daten-
Unbekannte Tiere bank
Geome-
trische
Profile
Output
• (Art)
• Geschlecht
• Individuen
• Population • Hierarchische Clustermodelle ordnen Fährten ein
FIT
• Ausgabe der relativen Wahrscheinlichkeit zur Anzahl der
vorhergesagten Tiere Modelle
29.06.2021 • Li et al. (2018) für detaillierte Methodenbeschreibung 19Input Known animals Bild-
daten-
Unbekannte Tiere bank
Vorteile von FIT basierend auf Biometrie
• Nicht-invasiv, standardisiert und kostengünstig
• Für viele Arten anwendbar
• Mit anderen nicht-invasiven Methoden kombinierbar
• Kreuzvalidierte Modelle mit hoher Genauigkeit Geome-
Bekannte Schwierigkeiten trische
• Für einige Arten/Gebiete schwer (genügend) Fußabdrücke Profile
von angemessener Qualität zu finden
• Das Generieren von geometrischen Profilen ist zeitaufwändig
Output und eine potenzielle Quelle für Operator Bias
• (Art) • Einfluss von verschiedenen Substraten
• Geschlecht
• Individuen
• Population schätzt
FIT
Modelle
29.06.2021
validiert 20III. Die Zukunft Wildtrack AI 29.06.2021 21
Input Bild-
daten-
bank
Geome-
trische
Profile
Output
• Art
• Geschlecht Deep Learning Ansatz:
• Individuen • Convolutional Neural Networks (CNNs) mit Transfer Learning
• Population • Multispecies Models (inestimation
Entwicklung) FIT
• Integration in eine App mit direktem Output (in Entwicklung)
Models
29.06.2021
validation 22Zwischenergebnisse
• Objekterkennung und Artenklassifizierunsrate
zufriedenstellend
• Individuenklassifikationrate noch deutlich unter
biometrischem FIT Ansatz
• Je mehr Bilder in Datenbank, desto besser
werden die Modelle
29.06.2021 2329.06.2021
III.Wie lässt sich dies in Ihrer Forschung umsetzen?
Wie können Sie zur Verbesserung der KI-Entwicklung beitragen?
frederick.kistner@kit.edu
• Fotografieren sie Fußabdrücke von gefangenen und wilden Tieren wildtrack.org
• Laden sie Bilder in unsere Datenbank (alle Tierarten erwünscht) info@wildtrack.org
• Kontaktieren Sie uns für Beratungs- und Kooperationsanfragen
24Vielen
Dank!
25
29.06.2021Sie können auch lesen
