中央アメリカと南アメリカの新熱帯地域では、ジャガー（Panthera onca）とピューマ（Puma concolor）という同所的に生息する種が、人間の活動によって脅かされている。特定の地域における各種の生息状況を把握することは、効果的な保全戦略を策定する上で不可欠である。これらの隠蔽性が高く捉えどころのない種は野生ではめったに観察されないが、残された足跡は生息状況と分布を示す指標となる。しかし、ジャガーとピューマの足跡は視覚的に容易に区別することはできない。
本講演では、保全生物学者がジャガーとピューマを迅速に識別できる、JMPの新しい直感的なフィールドツールをご紹介します。まず、JMP FIT（Footprint Identification Technology）アドインを使用して特徴を抽出し、線形判別分析を適用する方法を説明します。次に、JMPの統計的形状分析を使用して足跡の形状を抽出する方法を示します。最後に、形状座標のニューラルネットワークモデルを使用して種を予測し、新しいインタラクティブな形状プロファイラーツールで出力結果を視覚化して検討します。
皆さん、こんにちは。ご参加いただき、誠にありがとうございます。この場にいられることを光栄に思い、私たちの研究成果を皆さんと共有できることを嬉しく思います。今回のプレゼンテーションは、WildTrackのSkyと私、JMPのCaleb King、そしてブラジルのパラ大学のJuarez Pezzuti博士とDany Felix博士による共同発表です。残念ながら、本日はご出席いただけませんが、Calebがプレゼンテーションを担当いたします。
このプレゼンテーションは3部構成です。まず、私が作業の背景を説明します。次に、スカイが初期データ分析について少し話し、ケイレブが、この作業に役立つJMPの開発におけるいくつかのエキサイティングな新機能を紹介します。お楽しみいただければ幸いです。講演のタイトルは「足跡でジャガーを見分ける」です。北米の頂点捕食者である2頭のジャガーを足跡で区別することについてです。
WildTrackの活動は、保全生物学における最も古くから伝わる手法と、最も現代的な手法を組み合わせているという点で他に類を見ません。私たちは、伝統的な生態学的知識と最先端のデータ分析を統合し、野生生物を保護するための非侵襲的で地域社会に配慮したアプローチを提供しています。動物に負担をかけずに、同時に迅速なデータ分析を行い、動物の保護に役立てるこのアプローチは、保全活動においては異例ですが、急速に普及しつつあります。私たちは、この活動に対して数々の賞を受賞し、世界中の素晴らしい人々と共に、保全生物学の状況改善と絶滅危惧種の保護に取り組めることを光栄に思っています。
私たちが皆認識している大きな問題の一つは、地球上の生物多様性の喪失です。これは気候変動、汚染、森林破壊、人間と野生生物の衝突と密接に関係しています。これらの要因が複合的に作用し、野生哺乳類が利用できる空間と生息地は、おそらく元の94%にまで縮小してしまいました。つまり、野生哺乳類は現在、世界のバイオマスの6%を占めるに過ぎず、残りの94%は人間と家畜です。これは哺乳類だけを見た場合の話です。もちろん、哺乳類以外にも絶滅の危機に瀕している種はたくさんいますが、これは野生生物が人間の活動によってどれほど恐ろしいほどに被害を受け、脅かされているかを示す、非常に興味深い視点を与えてくれると思います。
生物多様性の保全全般に影響を与えるこれらの脅威や問題は、私たちが取り組んでいるプロジェクトの一つである「アメリカ大陸におけるピューマとジャガーへの脅威」にうまく集約されていると思います。冒頭で述べたように、これらは北米で最も象徴的で絶滅の危機に瀕している種です。ピューマは約17万頭しか残っておらず、ジャガーはさらに少なく約5万頭しかいません。これらは北米全域の生息地で共存しており、ピューマは北米の北端から南米の最南端まで分布し、ジャガーはやや中央寄り、主に南米に分布しています。
しかし、これらの動物が直面している紛争や問題は、私が先ほど述べた問題、つまり人間と野生動物の衝突、森林破壊、そしてジャガーの密猟と非常によく似ています。ジャガーは毛皮だけでなく、伝統医学市場向けに歯や骨も密猟されています。これらは本当に深刻な問題です。私たちが抱えている問題の一つは、個体数や分布に関する信頼できる頻繁なデータ更新が実際には得られていないことです。
現在ある地図は、非常に大まかな概略図に過ぎません。地域レベルでの正確な状況把握や信頼できるデータ取得のためには、更新頻度が十分ではありません。個体数と分布は非常に重要です。これらの動物がどこにいるのか、どのように保護すべきかを知るためには、これらの情報が必要です。これらの地図は見た目は素晴らしいものの、実際には非常に粗いものです。絶滅の危機に瀕している動物に対して迅速に対応できるよう、より詳細な情報が必要なのです。
ジャガーとピューマを区別し、保護が必要な場所を把握するために、現在どのような技術があるのでしょうか？答えは、実際にはそれほど多くなく、十分ではないということです。野生動物保護で非常によく使われるカメラトラップがあり、ジャングルや森林で動物が歩く道に設置されます。動物が通り過ぎると、ライトパスが作動して写真が撮影されます。
カメラトラップの問題点は、統計調査を行うには技術的にかなり手間がかかることです。盗難に遭いやすく、動物も避けます。広範囲に設置するには非常に費用がかかります。スナップショットとしては非常に役立ちますが、広範囲にわたる情報を得るには適していません。DNA解析などの他の手法は、サンプルごとに処理費用が高額になります。動物の種を特定するには、ゲノム情報をすべて取得する必要があります。
他にも、計測機器を使って動物を監視する方法、例えば動物に色やタグを付けたり、GPSデータを取得したりする方法などがあります。しかし、これらも費用がかかります。また、動物自身に害を及ぼす可能性もあります。私たちの研究の多くは、生息域の変化、繁殖力の変化、産子数の変化、社会構造の変化といった点で、そのことを明らかにしてきました。動物に近づき、タグを付けたり、捕獲したり、麻酔銃で撃ったりすると、こうしたことはすべて起こり得るのです。
では、私たちは何ができるでしょうか？これらの動物の個体数と分布を把握したい場合、高解像度のデータを取得しつつ、景観規模でデータを得るにはどうすれば良いでしょうか？まさにこれが、今日私たちが議論するテーマです。
WildTrackでは、革新的なソリューションとなる可能性を秘めた足跡識別技術を開発しました。このスライドにはかなりの量のテキストがあるので全ては読み上げませんが、要点は、足跡は至るところにあるということです。足跡は自然からのユニークな信号であり、実際には多くのデータを含んでいます。足跡を使えば、動物の種類、性別、個体、年齢層を特定できます。必要なのは、足元を見て足跡の画像を収集することだけです。足跡は一般的に、十分に活用されていないものの、保全状況に関する情報を提供するという点で非常に豊富なデータソースです。
これが、私たちの足跡識別技術の仕組みです。この技術の副次的な利点の一つは、足跡を利用するため、地域社会が容易に追跡できる点です。足跡を用いたこのアプローチは、科学界では過小評価されがちな、伝統的な生態学的知識を活用します。これは、保全ツールとして非常に強力な可能性を秘めています。つまり、古代と現代を融合させることで、これらの動物をより正確に識別するためのツールが生まれるのです。
先ほども申し上げたように、足跡はいわば信号です。どんな信号でも構いませんが、環境の中で定期的に更新される信号です。足跡は通常24～48時間で洗い流され、そこに私たちの発見を待っています。まるで世界が足跡が描かれた真っ白なキャンバスのようです。どの種が、どの個体が、どこに足跡を残したのかを特定できれば、世界地図にデータを埋めることができ、それは保全活動にとって素晴らしい資源となるでしょう。
さて、ここで一旦話を終えてスカイにバトンタッチしますが、保全活動についてもう少し詳しく知りたい方は、当サイトにたくさんの出版物がありますのでぜひご覧ください。すべて掲載されています。これらは過去2年間の出版物です。それでは、スカイに分析についてもう少し詳しく説明してもらい、その後、ケイレブがJMPの魅力的な新機能についてお話しします。
皆さん、私の画面が見えているといいのですが。スカイです。これから、特徴抽出の方法、つまり分析に使用する変数を分割する方法を非常に簡単に説明します。まず、足跡について必要なことは、レイアウトと構成に少し慣れることです。どれが前足で、どれが後ろ足で、どれが右足で、どれが左足かを判断する必要があります。これはそれほど難しくありません。つまり、人間の手と同じです。つまり、左右の指の構成を見ると、ピューマの足跡や、こちらにある前足、そして後ろ足の構成とそれほど違いはありません。それに慣れれば、実際にどの足を見ているのかがわかります。
もう一つ留意すべき点は、肉食動物が通常の歩行をする際、時折前足よりも後ろ足を踏み出すことがあるということです。これは「レジストレーション」と呼ばれ、後ろ足が前足よりも前に出てしまう現象です。この現象は頻繁に起こるため、私たちは後足だけを使って解析を行うことで、全体のプロセスを非常にシンプルにしています。後足だけでなく、特に左後足に注目しています。つまり、非常にシンプルな解析方法を開発することで、多くの研究者が利用できるようにするのです。
ピューマとジャガーの左後ろ足跡を見ると、その類似性がわかります。非常に難しいです。非常に優秀な追跡者がいれば、見分けられる場合もありますが、多くの場合、非常に似ているため、視覚的に見分けるのは非常に困難です。もちろん、私たちが念頭に置いておく必要があるのは、個体内でのばらつき、次に種内でのばらつき、そして種間でのばらつきです。これは、ジャガーとピューマの両方について、異なる個体の足跡内で得られるばらつきの非常に簡単な説明を示すデモです。
さて、FITで私たちがやったことは、肉食動物用に標準化されたプロトコルを開発することです。私たちは、ランドマークポイントと呼ばれるものを配置します。ご覧のように、番号が振られています。これはピューマの足跡です。1から25まで番号が振られています。すぐに「では、これらのポイントをどこに配置すればいいのか、どうやってわかるのですか？」と思うでしょう。足跡を見ることに慣れてくると、それぞれの指、それぞれのつま先について、これが南北のポイントで、これが東西のポイントであることがわかってきます。先ほども言ったように、人間の指紋と非常によく似ています。ここでは第一趾が欠けているので、4本の指と肉球があります。慣れてしまえば、これらのポイントの配置を非常に高いレベルの一貫性と精度で行うことができます。
これは、ポイントを配置してメトリックを抽出する方法を図式化したものです。25個のランドマークポイントがあります。次に、そこから15個の派生ポイントを作成し、それによって距離、角度、面積の自動抽出が行われます。次に、個人識別、性別判別、種判別、場合によっては年齢判別のためのFITアルゴリズムを作成します。ここでは、もちろん性別判別に焦点を当てています。次に、FITで特徴抽出を行う方法を簡単に説明します。
さて、これはJMPのウィンドウです。メニューにFITを作成しました。それをクリックすると、おそらく皆さんもご覧いただけるように、様々な動物種が表示されます。ゾウ、ライオン、トラ、ベンガルトラ、アムールトラ、サイ、チーター、ピューマなど、多数の動物種に対応したアルゴリズムとプロトコルを作成しました。
これはどのように機能するのでしょうか？Jaguarを起動すると、こちらの画面が表示されます。こちらがメインメニューで、画像の特徴抽出を行うことができます。ペアワイズデータ分析も可能ですが、今日はそれについては触れません。また、検証済み判別分析やマッピング機能も備えています。つまり、画像をキャプチャして処理を実行すると、画像のIDと検出場所が正確に表示されます。JMP内で完結する、まさに完璧な画像処理です。
画像特徴抽出について説明しましょう。このアプリケーションを起動すると、ここにウィンドウが表示されます。ウィンドウの左側はデモ用で、何も表示されません。すべての処理は右側で行われます。こちらがメインメニューです。ここに入力情報を入力するフィールドがあります。そして、こちらがアクティブなボタンです。
ごく簡単に説明します。画像をインポートします。これが私の画像です。もちろん、画面には表示されませんが、サイズ変更機能があります。自動的にサイズ変更され、縦横比が維持されます。これは非常に重要な点です。こちらにすべての手順が記載されています。画像をドラッグ＆ドロップし、サイズを変更し、回転ポイントで回転させます。
画像のサイズを変更しました。こちらが回転ポイントです。なぜこれらが重要なのでしょうか？ここで回転すると、画像が回転します。これは、ポイント、つまりランドマークポイントを視覚的に配置しているからです。つま先のトップポイントは、構成や足跡の配置によって異なります。次にスケールを入力します。スケールはここにあります。スケール係数はここで10センチメートルに設定されています。基材の深さの機能もありますが、私は使用しません。そして、こちらが操作ボタンです。
これを非常に素早く実行します。スケールは10センチメートルに設定しました。これは完了しました。次に、ランドマークポイントを入力するように指示されています。では、それを非常に素早く実行します。私がポイントを配置している場所がわかります。慣れてしまえば、このプロセスは非常に簡単になります。十字線を拾ってポイントを非常に正確に配置することで、より正確に行うことができます。すべてのポイントを配置するルーチンを実行するだけで...先ほども言ったように、慣れてしまえば、第二の天性になります。私はこれを何千回も行ってきました。
25個すべて計算し終えたので、ここに「ポイントの処理は完了しました」と表示されます。次に「派生」ボタンをクリックすると、ポイントが表示されます。ほとんど見えませんが、これらはスクリプトに記述されている15個のポイントで、基本的に派生ポイントが生成されます。
そして最後に、私がすることは… ここには説明する必要のない機能があります。行を追加すると、基本的にその特定のフットプリントのデータ行が生成されます。これで、すべての XY 座標が生成されます。XY 座標は 40 個あり、15 個の派生点と 25 個のランドマーク点があります。次に、V1 から始めて、すべての変数があります。
これらはすべてスクリプト化されているので、実際に変更したり追加したりできます。どの変数が2つの種を識別する上で重要になるかはわかりません。そこで、分析に寄与する可能性のある距離、角度、面積をすべて把握するためのプロトコルを作成します。これが最終的に得られるものです。
最後に、もう一度スライドショーのデモを見ていきましょう。これが基本的に私たちが生成したデータです。これは、ジャガーとピューマのデータの概要を示しています。飼育個体は、ジャガーが21頭、ピューマが18頭です。また、野生の足跡も収集しました。これは、野生では足跡の種類や基質などが少しずつ異なることを考慮したものです。それらのデータも追加しました。合計で約500個の足跡があり、ジャガーが261個、ピューマが220個です。ここで私の説明を終わり、データ分析の魔法についてケイレブに説明してもらいましょう。
素晴らしい。わかりました。スカイさん、ご紹介ありがとうございました。魔法と呼ぶには、それなりの責任が伴いますね。ここで、JMPでの解析方法について少しお話ししますが、主にこのプロジェクトで検討している新しい手法に焦点を当てます。スカイさんがFITでの従来の方法について説明してくれましたが、今回は統計的形状解析と呼ばれるものを使った、少し異なるアプローチになります。
まず、少し背景説明が必要です。つまり、クリックして理解できれば、それで終わりです。形とは何でしょうか？これはとてもばかげた質問のように思えます。私たちは皆、形が何であるかを知っています。それは私たちが子供の頃に最初に学ぶことの1つです。画面上の形は三角形です。私たちは皆、それが三角形であることに同意します。実際、形の定義を述べると、概念的には理解しているので、少し苦労するかもしれません。では、形とは正確にはどういうものなのか、それを実際に言葉でどのように表現すればよいのでしょうか？
さて、統計的形状解析に取り組む人々、つまりこの分野の先駆者たちは、次のような定義を考案しました。形状とは、不変なすべての情報のことです。つまり、特定の操作、平行移動、拡大縮小、回転を行っても変化しないということです。これはどういう意味でしょうか？
これは三角形であることは、誰もが同意するでしょう。こうすると、三角形を下に移動させます。操作後も、やはり三角形です。形は変わっていません。ただ、元の場所に移動させただけです。さらに大きくすることもできます。すると、大きな三角形と小さな三角形になります。形は依然として三角形です。回転させることもできます。再生ボタンのように見えますが、それでも三角形です。これが私たちが言いたいことです。どのような操作を行っても、形は変わりません。これが私たちが扱っている定義です。
次に、図形とは何かはわかっているとして、それを具体的に数学的な枠組みでどのように識別するのか、数学的にどのように行うのかを問う必要があります。これにはいくつかの方法があります。私がこれから説明する方法は、FITでの私たちの研究に関連しています。まず、スカイが先ほど説明したランドマークポイントのセットから始めます。
実際、先ほどその画像の一つを取り上げます。形状の重要な部分を識別するのに役立つポイントを選択するだけです。これは基本的に何らかの多角形を定義することと考えることができます。この場合は、数字とパッドがあるので、実際には複数の多角形です。これらすべてが、私たちが関心のある形状の主要な特徴を構成します。これらのランドマークポイントがわかったので、次に、このデータポイントの集合から形状情報だけを抽出する方法を決定する必要があります。
そのためには、アライメント手順と呼ばれるものを行う必要があります。形状に関係のない形状の変化をすべて取り除きます。では、どのように行うのでしょうか？スカイはFITで使用されているアプローチの1つを紹介しましたが、私はもう少し一般的なアプローチについて説明します。繰り返しますが、これを行う方法は複数ありますが、より一般的なものについて説明します。それはプロクルステス分析と呼ばれるものです。なかなか興味深い名前ですね。
その名前の由来について少し説明しましょう。ギリシャ神話に登場する、道端に小さな住居を構えていた人物に由来しています。人々が通りかかると、彼は「長旅だったでしょう。どうぞ、少し休憩してください」と声をかけ、中に入るように勧めていました。彼が用意したベッドに入っても、どうにも体が合わないようでした。しかし、プロクルステスはとても親切でした。体が小さすぎる場合は、ロープで縛り、ぴったり合うまで伸ばしてくれました。体が大きすぎる場合は、文字通り、体を切り詰めて小さくしてくれました。実はこの男は泥棒で、このような独創的で不気味な方法で犠牲者を始末していたのですが、やがてギリシャの英雄テセウスが現れ、プロクルステスに同じ目に遭わせたのです。
ちょっと議論を呼ぶ名前ですが、この手順の名前の由来はお分かりいただけるでしょう。では、主な手順は何でしょうか？基本的には 3 つの手順があり、それぞれが先ほどお話しした変更に対応しています。1 つ目は、あちこちに図形がある場合、それらを共通の点、通常は原点に中心を合わせます。その方法は、各図形、この場合は各トラックに対して、X 座標の平均値と Y 座標の平均値を取得し、すべての座標からそれらを追跡して、原点に中心を合わせます。
実際、この人が示したように、それはフィットソフトウェアでシーンを吊り下げることで既に行われています。そこで既にその位置合わせが行われています。次に、スケールを考慮する必要があります。全員が同じスケールになるようにしたいのです。スケールに関連する変更は不要です。その方法の1つが、二乗平均平方根距離と呼ばれるものです。ここに横に三角形があります。これをそれぞれと考えることができます。3つのランドマークポイントがあります。これが角です。これが中央の平均値です。これらの線は、各ポイントから中心までの距離を表しています。
二乗平均平方根距離は、それらの距離の平均です。その平均距離を各座標で割ると、新しい座標の二乗平均平方根距離は 1 になります。これで、すべての座標をゼロに中心化しました。すべての座標をスケール 1 にスケーリングしました。私の場合は、予測に役立つ可能性があるため、この元のスケーリング情報を実際に保存しました。
最後にやらなければならないことは、回転位置合わせです。これまでの2つの方法で、作業しやすい基準ができました。回転に関しては、いくつかの選択肢があります。スカイが示してくれたのは、2つのランドマークポイントを選択して、これを水平方向の基準点とする方法です。ここで説明するもう1つの方法は、平均形状を取得することから始める、より一般的な手順です。
平均形状とは、この場合、各トラックについて、まずランドマークポイントを設定し、すべてのデータ、すべてのトラックにわたって座標の平均を取ることです。これを各ランドマークポイントに対して行うと、平均形状と呼ばれるものが定義されます。これを基準として、他のすべてのトラックを回転させて、この基準に合わせます。そして、新しい平均値を取得して、これを繰り返します。通常、2、3回繰り返すと、きれいに整列します。これはプロクルステス法、または一般的なプロクルステス整列手順と呼ばれます。
さて、それが終わったので、ようやく本題、もしくはそれに近いところまで進めます。というのも、データ座標が整列したら、これらの図形がどの空間に存在するかを考える必要があるからです。厳密に言えば、それらは多様体と呼ばれる空間に存在します。これは単なる高度な数学用語で、大域的には奇妙で、歪んでいて、曲線的で、直線ばかりに見えるということです。すべてが直線というわけではありませんが、局所的には、直線距離で済ませられる場合もあります。
良い例として、あなたが立っている場所があります。それは地球と呼ばれています。これは巨大な球体、厳密には回転楕円体ですが、大規模な距離は直線ではなく曲線であるため、多様体とみなされます。そのため、私たちがそれに対処する必要がある理由は、座標の集合である形状から始めることです。それをベクトルに変換できます。きれいなベクトル空間がありますが、平行移動、スケール、回転を取り除き始めると、それが存在する空間に制約が生じ始めます。
簡単な例を挙げると、三角形、つまり三角形のあらゆる変形は、半球を4等分し、そのうちの1つを取り出すと、三角形が存在する空間となるような多様体上に存在します。これは、思いつく限り最も単純な例です。すでに、視覚化したり理解したりするのが少し難しいことがお分かりいただけるでしょう。そのため、私たちはこのような奇妙な高次元多様体上に存在し、基本的に接空間のようなものを扱わなければなりません。
直線距離がきれいな空間になるように調整してみてください。そうすれば作業がずっと楽になります。それらの間の変換には、指数マップと対数マップと呼ばれるものがあります。その空間に到達したら、統計分析を行うことができます。一般的な手法としては、主成分分析、判別分析、ニューラルネットワークなどがあります。その他、必要な統計分析を何でも挿入してください。ニューラルネットワークの中でLDAネットワークを強調表示したのは、後ほどそれに焦点を当てるからです。
しかし、もう一つできることとして、私が今言ったことをすべて無視して、自分が一直線上にいて、自分が望む空間にいると仮定することもできます。それは非常に恣意的で怠惰に思えるかもしれませんが、実際にはこれにはいくつかの理由があります。簡単な例を挙げると、私のすぐ近くに洗濯機があります。私と洗濯機の間の距離を知りたい場合、2つの方法があります。
一つは、私が巨大な球体の上に住んでいると言ったばかりだということです。球体上の距離を測る最良の方法は弧長です。地球の中心から見て、私と洗濯機の間の角度を求める必要があります。その情報が得られれば、私と洗濯機の間の弧長を計算でき、それが私の距離になります。あるいは、ここは平らに見えるので、直線距離を計算することもできます。より正確な方法よりも、この方法を選ぶ理由がお分かりいただけたでしょうか。
明らかに、私が扱っているものに対して、今のようなコンピューターアートはやりすぎです。私たちの場合は、扱っている形状が互いに非常に似ているため、あまり変化がありません。標準的な解析と同じように距離を計算するだけで済みます。高次元のことは気にしなくて済みます。形状だけが大きく異なります。簡単な例として、二等辺三角形と直角三角形を扱っているとします。その場合は、より高度な数学や三角形と正方形を考慮する必要があるかもしれません。その場合は、間違いなく数学的な処理が必要になります。私たちの場合は、形状がすべて非常に似ているため、そのことを気にする必要はありません。必要な解析に直接進むことができます。それでは、実際にこれが動作するのを見てみましょう。
では、私のデータに移動して、まず、このアライメントを要求する方法の例をお見せします。これは、Sky から送られてきた生データです。ここにすべてのメトリックがあります。ここから、座標を抽出するか、既に提供されている場合は座標を取得できます。これが Y 値、X 値です。これが私が欲しいデータ、つまり生の座標です。それがどのようなものかをお見せするために、これらの座標のプロットを示します。多少のアライメントはありますが、まだ乱雑です。おそらく、これをより適切にアライメントする必要があります。それでは、プロクステスのアライメントツールと呼ばれるツールを呼び出します。これらはすべて JMP スクリプト言語で作成されています。この特定のアプリケーションで使用されていますが、技術的には、X と Y のデータがあるアプリケーションであればどれでも使用できます。データ テーブルが選択されているかどうかわかりません。実行します。ここに小さなシンプルなウィンドウが開きます。
座標を取得します。全部は必要ありません。一部だけで十分です。それらの座標の一部は、他の座標を生成する際に使用されます。
一般的に、ここにあるのはトラックの完全なアウトラインです。補助変数として、この 2 つを取り込みます。これらは基本的に、予測に使用したいものです。Go をクリックすると、アライメントが完了します。すると、きれいに整列されたトラックが表示されます。先ほど見たものよりもずっと見栄えが良くなっています。このように、一般的な Procustes のアライメントは簡単に実行できます。繰り返しますが、アライメントを実行する方法は他にもあります。ここでは、一般的なアプローチのみを示します。このアプローチでは、これらのデータ テーブルをすべて閉じます。実際には、整列されたデータに対してすでにいくつかのクリーンアップを行っているので、そのデータを今すぐ取得します。そこへ移動します。ありました。これが最終的に整列されたデータです。これに対してすでにいくつかの分析を行いました。
まず、データを視覚化するための基準が必要です。データは常にプロットする必要があります。私はここでそれを行いました。このように広げるよりも、積み重ねたデータで少し簡単にできます。広げると分析が容易になります。さて、分析について言及する際に明確にしておくべきことは、スカイがこれらの形態計測変数、面積、角度、距離を収集すると言っていたということです。
形状分析でここで行っていることは、実際には整列した実際の座標を入力として使用することです。これらの座標は形状を表しているからです。他に含めているのは、このスケーリング係数だけです。繰り返しますが、足跡を分析する場合、スケールは有益な情報となる可能性があります。足跡の大きさを知るだけで、どの種を扱っているかがわかる場合もあります。このグラフは、視覚的な参照のために脇に置いておきます。さて、先ほども言ったように、すでにいくつかの分析を行いました。最初に行ったのは、フィットで行っている最も基本的な分析である判別分析です。
出力がどのように見えるかをお見せするために、ここで実行してみましょう。誤分類率は約 2〜5% です。これは実際にはかなり良い結果です。この形状分析でできる利点の 1 つは、内部を覗き込んで、モデルがどのように機能しているかを物理的に説明できるかどうかを確認できることです。判別分析の例を挙げると、その仕組みは基本的に入力の線形結合を取って、正準と呼ばれる軸を作成することです。
正準軸上に値をプロットすると、異なるグループの値は互いにできるだけ離れる、というのがその考え方です。これが判別分析の基本的な考え方です。もちろん、これは非常に高度な数学的対象です。1次元ですが、複数の要素の関数です。まるでブラックボックスのように見えるかもしれません。一体何が起こっているのでしょうか？何が起こっているのか理解できたらいいと思いませんか？正準負荷量と呼ばれるものがあります。これは基本的に、この軸と入力値との相関関係です。
入力ごとに棒グラフとしてプロットすることもできます。それは有益な情報になりますが、形状があります。これを実際に活用できます。この場合、私はカノニカルビューアと呼ばれるものを作成しました。平均形状をプロットし、次にこれらのカノニカルローディングを矢印のサイズとしてプロットしました。この矢印には、符号と大きさの両方が組み合わされています。これは実際には、XとYが入力であるため、XとYのコンポーネントから組み合わされています。それらを1本の線に組み合わせただけです。興味深いのは、これをデータと比較して、青から赤、つまりピューマからジャガーに変化する場合、矢印の方向がデータの変化や違いと非常によく一致していることに気づくことです。これは非常に良いことです。
データによる確認が必要です。別の確認方法として、ブラジルでこのデータを収集していた同僚のフアレスにこれを見せました。彼がこれを見た途端、「トラック間の違いはまさにこれだ」と言いました。データによる確認だけでなく、実際に現場でこの作業を行っている人からの確認も得られました。これは、このモデルが間違いなく正しいことをしていることを示しており、私たちアナリストにとっては常に良い知らせです。興味深いのは、物理的に何が起こっているのかを実際に見ることができるようになったことです。これらの形状の違いは何でしょうか？これは、これを分析する人にとって生物学的な意味を持つ可能性があります。非常に有用な情報です。すみません、ここで少し間を置きます。さて、私は判別分析に絞って話しました。もちろん、これは一つのアプローチです。この種のデータをモデル化するためのアプローチは、さまざまな種類があるかもしれません。
私がやったことは、予測モデリングの分析メニューを開いてモデルスクリーニングを実行したことです。これは、複数の異なるタイプのモデルを組み合わせて、どれが最も優れているかを評価するものです。この場合、ニューラルネットワークが最適でした。おそらくそれほど驚くことではないでしょう。実行してみると、ここに表示されているように、私は通常、誤分類率を標準的な比較指標として使用します。この場合、誤分類率はゼロです。私たちのモデルは応答を完璧に予測しました。これ以上良い結果はあり得ません。私は数値を改ざんしたりはしていません。これはまさに結果です。
これはかなりすごいですね。また、何を見ているのか、モデルを理解しようと試みることができるのか、といった疑問が生じるかもしれません。これはニューラルネットワークであり、非常にブラックボックス的な手法として知られていますが、いくつかの手法を試してみることができます。私が実際に行ったことの1つは、これが単層ネットワークであるということです。層内の各ノードに対して、同じことをしました。入力との相関を計算しました。まず、この NTanH 変換、つまり線形部分からそれを取り出し、入力との相関を調べました。
次に、そのノードに与えられた最終的な重みに基づいて重み付けを行い、次のようなプロットを作成できます。この場合、各レイヤーを順に見ていきますが、各レイヤーが現在注目している非常に小さなバリエーションをすべて見ていくとわかります。なぜこれほど異なるのかと聞かれても、残念ながらその部分は説明できません。これはニューラルネットワークが行っていることです。興味深いのは、ここで少しスクロールすると、判別モデルで見たのと同じようなパターンがいくつか見られることです。ただし、この符号が反転している場合もあります。これは単に負の符号です。頭の中で反転することを考えてみてください。これらはすべて同じタイプのパターンのバリエーションであり、すべて私たちが見ているデータに対応しています。
繰り返しますが、これはモデル間の共通点を示しています。少なくとも、これらのトラックの形状の性質に内在する何かを特定しています。ここにある小さな矢印が見えますか？これは、横にあるスケールの影響を評価しようとした私の試みです。スケールの影響が小さい場合もあれば、大きい場合もあることに気づくでしょう。判別分析では、影響は小さいです。ここで実際に違いを生み出しているのは、私たちが見ている形状であり、これは非常に有益です。さて、最後に一つお見せしたいことがあります。そのためには、少し考えさせられる質問をしなければなりません。
いいと思いませんか？これらは静止画像ですが、実際にこれらの点に触れてドラッグして、手動で形状を変更した場合に分類にどのような影響があるかを確認できたらいいと思いませんか？素晴らしいと思いませんか？興味深いと思いませんか？さて、あなたが尋ねてくれてとても嬉しいです。実は、私はここで何かを作成しました。繰り返しますが、これは今のところ小さなテーブルスクリプトです。これはすべて JSL で作成されています。これは私がシェイプ プロファイラーと呼んでいるもので、JMP でよく使用されるツールの用語を借用しています。もちろん、ここでの考え方は、これは静的な時計ではないということです。実際にこれらの点をクリックできます。さあ、動かして、形状の小さな側面を変更すると結果にどのような影響があるかを確認してください。
ここにはもっと多くの情報があります。表示されている矢印は、感度矢印と呼んでいます。専門用語では勾配と呼ばれます。基本的に、その点を少しその方向に動かすと、矢印の大きさに基づいて、その確率がどれだけ増加するかを示しています。この場合、私が操作している点23は非常に感度の高い点です。少し動かすだけで、この点に基づいて分類がどれだけ変化するかがわかります。分類が形状上の特定の点にどれだけ敏感であるかがわかります。もちろん、分解することもできます。繰り返しますが、元の入力はYのXセンスです。そこに表示したい場合は、表示できます。私は通常、矢印を1つだけ表示します。視覚化が少し簡単になります。
さて、これで最後にできることが一つあります。少し設定が必要ですが、おそらく劇的な効果を狙って分類を非表示にします。また、操作を少し簡単にするために感度矢印も非表示にします。これらの設定を進めながら、講演を締めくくりたいと思います。まず、いくつかの設定を変更する必要があります。必要な設定はわかっています。ここで変更します。少しお待ちください。心配しないでください、そのスペースは空けません。ここでスケールも変更します。ここに来て、画像をドラッグします。先ほど、FIT で Sky が行っていたことを思い出してください。ここでも同じことができます。
グラフを埋めていきます。これは間違った画像です。大丈夫です。正しい画像はここにあります。正しい画像があると便利です。ランドマークポイントがあることを確認したかったのです。ランドマークポイントを入れる専門家ではないので、間違えると大変なことになります。これらの目盛りがここのスケールとかなりよく一致するようにしたいのです。これは実際のスケールです。FIT にあるものは、私が今やっていることよりもはるかに高度です。ずっと良いです。ここではまだ少し手動で作業していますが、大丈夫です。うまくいくはずです。これでほぼ準備完了だと思います。はい、できました。かなりよく合います。作業しているポイントが実際に見えるように、画像を少し明るくします。
はい、できました。せっかく設定したので、誤って画像を動かしたくないのでロックします。そうしながら、この件を締めくくるお手伝いをします。冒頭でご覧いただいたように、ゾーイは動物保護における彼らの取り組みの重要性、これらの動物がどこにいるのか、その生息範囲がどこなのかを理解することがいかに重要かを私たちに説明してくれました。もちろん、私は子供の頃から動物が大好きだったので、周りにもっとたくさんの動物がいる方が嬉しいです。娘はすでに動物に興味を持っています。虫や、あの気持ち悪い這う生き物についての本を見るのが好きなんです。それは私から受け継いだものではありません。気持ち悪い這う生き物にはあまり興味がないんです。娘がそれに興味を持っているのを見て、嬉しく思います。
もちろん、Sky社がこの比較的新しい非侵襲的な技術の使い方を実演してくれましたが、実際には新しい技術ではありません。かなり前から存在しています。私たちはソフトウェアでそれに追いついただけです。この非侵襲的な技術を使って動物を追跡する方法、そして実際にFITソフトウェアを使えばそれほど難しくないことも分かりました。FITソフトウェアはJMPに付属しています。そしてもちろん、形状分析は私たちが現在探求している新しい技術です。この種の分析にはまさにうってつけと言えるでしょう。なぜなら、分析の多くは足跡の形状に関するものだからです。もちろん、形状分析の用途はWildTrackだけにとどまりませんが、先ほど指摘したように、WildTrackが最も重要な用途であることは間違いありません。
他にも、この技術が活用できる分野がいくつかあり、現在調査を進めています。例えば、形状が重要な要素となる生物医学分野では、既に応用例が知られています。特定の臓器の形状などを調べて、それが病気かどうかを判断する場合などが考えられます。また、積層造形も応用可能な分野の一つです。例えば、何かを製造する際に発生するばらつきを追跡したり、製品の形状を追跡して、何がそのばらつきに影響を与えているかを調べたりする場合などが挙げられます。この場合、形状を入力として受け取るのではなく、形状を応答として得ることができます。
つまり、JMPでは、皆さんが最高のパフォーマンスを発揮できるよう、あるいはこのプーマトラックで言えば、100%の力を出し切れるよう、ツールを提供することに力を入れています。それでは、今回の共同講演をご覧いただき、ありがとうございました。Discoveryで開催される他の講演も、オンラインと会場の両方でぜひご覧ください。会場にお越しいただける方は、ぜひお越しください。以上です。皆様、ありがとうございました。
