從業之前,我對野外動物保護的想像是:行走於大漠、高山、或雨林,暗中觀察野生動物的行為,以及和不法分子鬥智鬥勇,像超人一樣拯救被人類傷害的野生動物——反正各種帥就對了。
高山上的雪豹 | 貓盟
入坑後才發現,別人用來行走的高山我得用四肢爬,山上根本看不到我研究的雪豹,遇見最不法的分子是飛機上的鄰座大哥,他告訴我某種野生動物治好了他孩子的病……以及,現實中的我,並沒有掌握救助受傷野生動物的技術……
以及,更加沒想到的是:橫亙在我與雪豹保護之間的最大障礙,居然是臉盲。
窺一斑而知全豹……嗎?
要保護,就要先調查,了解這片區域大約生活著多少只雪豹。
我們在雪豹可能經常經過的地方布設了紅外線觸髮式相機。只要相機前有動物經過(或任何風吹草動),相機就會啟動、拍攝。每隔幾個月,我們要去給紅外相機換電池和儲存卡,同時收穫幾十到上萬張照片。
拿到照片,首先要篩出含有雪豹的部分,哪怕只有一個尾巴尖尖,或是半張糊焦的大臉,都要算上。
雪豹:魔鏡啊魔鏡,誰是世界上最美的雪豹?
紅外相機:是您!您是這荒野中最閃耀的燈球~ | 貓盟
但是,光統計拍到了多少張雪豹照片是不夠的——你想,萬一這片區域有一隻鏡頭感很強、天天在紅外相機前面晃悠的雪豹,即使拍它拍到1000張,那也只能算是一隻孤芳自賞的雪豹。
為了確定我們拍到的海量照片裡到底有多少雪豹,我們使用大家生物課上學過的「標誌重捕法」來估測雪豹數量:每隻雪豹身上的花紋不一樣,通過對比花紋圖案,能夠區分不同的雪豹個體,並統計每隻個體在紅外相機中出現的次數。
這樣一來,我們就要先從成千上萬張紅外相機照片中挑出拍到了雪豹的,再一張張仔細看每一張雪豹照片都拍到了哪位雪豹,從而完成個體識別工作。
一般來說,至少會有兩個人獨立進行個體識別工作,如果遇到不一致的結果,會打到對方同意自己請第三方進行裁定。
「數據看瞎眼」中……(她們在做金錢豹的個體識別) | 貓盟
那麼問題來了:個體識別的準確率如何?
反正,我覺得我認得挺準的(所有雪豹研究者:好巧哦,我也認為自己認得準)。就算我馬失前蹄,相信我的同事也會監督糾正的。
個體識別:
不光菜鳥翻車,老司機也翻了
不過,用野外數據做個體識別從來都沒有正確答案,因為我們從未確定走過紅外相機前的雪豹都是誰。
這不,瑞典農業科學大學生態學系的野生動物學家奧詹·詹森(rjan Johansson)帶領著研究團隊做了項研究,想要看看雪豹個體識別的正確率究竟如何。
研究團隊用心良苦地在動物園裡放了紅外相機,拍了16隻雪豹。這樣就有了100%正確的參考答案。
他們從照片中選出了40組,每組由一系列連續拍攝的同一隻雪豹的照片組成。每隻雪豹會在這40組照片中出現1~5次,模擬出了真實的個體識別情況。為了比較系統的訓練是否有用,團隊共請了4位專家和4位菜鳥參與個體識別。在測試者給出個體識別的結果後,研究者結合每隻雪豹的拍攝次數,進行了一系列在實際雪豹調查過程中使用的模型運算,得到最終的雪豹數量。但是,一通操作猛如虎,一看結果——
有點尷尬。
感興趣的童鞋可以看看這兩隻雪豹是不是同一隻?(答案見文末)| 參考文獻[3]
團隊發表在《科學報告》上的研究表明:測試者的錯誤率高達12.5%,也就是說,每個人的40組照片鑑定結果中,平均有5組是錯的,其中,專家的錯誤率將近10%,菜鳥的錯誤率大約為15%。
另一個結論是:比起「把兩隻不同的雪豹看作一隻」,測試者更容易出現過度區分的問題:A和B明明是同一隻,卻硬是把B看成了一隻新的雪豹個體。所有測試者得到的雪豹數量,都比16這個正確答案多。甚至有位測試者得到的結果高達24隻,憑空多出了8隻「幽靈雪豹」。即使是專家組,平均看到的雪豹數量,也比真實數量多出33%。
一隻正在思考豹生的真實雪豹 | 貓盟
虛假的豹丁興旺
數出「幽靈雪豹」會造成什麼問題呢?
如果現實中的個體識別與這次測試一樣的話……
晴天霹靂啊!
當雪豹遠遠地趴在山頭上看著我們幹活,它們會對我們抱什麼樣的期待呢?會不會在想「我們的生存條件好艱難啊,你們可終於來做調查了!」
結果我們調查完,卻得到「哎呦,你們小日子過得不錯,數量還挺多吼!」這樣的結論,雪豹會很難過很失望的吧……
崽啊,爸爸對你很失望 | 貓盟
2017年,根據當時的綜合調查數據,雪豹在IUCN紅色名錄上從「瀕危」降級成了「易危」。在此之後,有研究表示,對雪豹種群密度的估計過高,甚至可能達到實際值的五倍之多,這種「虛高」為雪豹保護敲響了警鐘。
而現在,基於個體識別的錯誤率,我們更加需要重新審視數據與實際的差異,才能更好地制定保護策略,讓雪豹繼續高冷下去。
高冷的雪豹 | 貓盟
除了雪豹,紅外相機還被應用於很多其他瀕危物種的調查中,例如老虎、獵豹、金錢豹等(據做過金錢豹個體識別的朋友說,金錢豹更令人眼瞎)。如果雪豹的個體識別測試結果同樣也發生在其他物種身上,那麼這些物種的研究者也有必要注意,研究對象的真實種群數量可能會比推測值更低,換言之,它們也就離滅絕的深淵更近。
眼瞅著就瘋了一個做金錢豹個體識別的…… | 貓盟
在摸索中拯救臉盲
當然啦,並不是要否定通過紅外相機影像資料進行個體識別這種雪豹調查方法,只是通過了解它的局限性,我們能做得更科學。
解決問題的第一步是發現問題,現在我們發現了問題,就要繼續研究如何解決它。
「多人先獨立識別、然後對答案」的方法很有必要,當然要繼續使用。
雖然專家與菜鳥組雖然都會失誤,但是他們的錯誤率差異,起碼證明了一件讓人高興的事情:訓練是有用的!至於具體需要什麼訓練,如何訓練才能降低錯誤率,這些問題還在解決當中(突然覺得小時候玩的找不同遊戲真是太有用了)。
還可以嘗試在做個體識別時先進行類似測試,大致估計出個體識別的誤差率,然後把測試結果融入數據處理的統計學模型中,從而修正到更加貼近真實值的結果。
除了紅外相機數據,還可以結合上糞便DNA的結果,兩者互相佐證,揭開雪豹的數量之謎。(不過,雪豹的糞便DNA法又是另一個「回味無窮」的故事了……)
最後,作為一個眼睛快看瞎了的調查者,我多希望能有個靠譜的AI來替我們做個體識別啊!(數據上傳一分鐘,結果下載十秒鐘,美汁兒汁兒~)
望眼欲穿地等待AI | 貓盟
文中個體識別答案:
不是同一隻,仔細看它們前腿和右側臉的花紋,有比較明顯的區別。
文中的個體識做完還意猶未盡的話,來辨一辨這幾組照片(圖源:參考文獻[3]):
答案
點擊下方空白處獲得答案
不是同一隻
答案
點擊下方空白處獲得答案
是同一隻
答案
點擊下方空白處獲得答案
是同一隻
答案
點擊下方空白處獲得答案
是同一隻
你答(看)對(暈)了嗎?
感謝貓盟提供圖片
作者:白空片一
編輯:悲催的鉈寶寶
排版:雷穎
題圖來源:pixabay
參考文獻:
[1] McCarthy, T., Mallon, D., Jackson, R., Zahler, P. & McCarthy, K. 2017. Panthera uncia. The IUCN Red List of Threatened Species 2017: e.T22732A50664030.
[2] Johansson, ., Samelius, G., Wikberg, E., Chapron, G., Mishra, C., & Low, M. (2020). Identification errors in camera-trap studies result in systematic population overestimation. Scientific Reports, 10(1), 6393.
[3] https://camtraining.globalsnowleopard.org/
本文作者 白空片一,首發於我是科學家iScientist,歡迎關注。
編輯:fengyao