基于信息熵的形态性状诊断性：成年亚洲象（Elephas maximus）个体快速识别研究

《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》：How to Recognize Your Pachyderm in a Hurry: Morphological Trait Diagnosticity for the Identification of Adult Asian Elephants

　　

追踪个体动物能够为大象保护提供支持。本研究检验了一种形态性状诊断性（morphological trait diagnosticity）度量，以改进个体亚洲象（Elephas maximus）的识别。研究人员使用了存档的性状清单描述数据：共72头成年大象，由受训编码人员（trained coders）从相机陷阱（camera trap）视频中提取，每头个体编码了24个形态性状。研究人员计算了每个性状的熵（entropy，H）作为诊断性度量，随后开展蒙特卡洛模拟（Monte Carlo simulation），得出识别随机选取的一头个体大象所需性状检查次数的点估计与区间估计。熵值最高的性状为身体色素脱失（depigmentation on body）、耳褶（ear folds）、耳撕裂（ear tears）和刷型（brush type）。模拟结果证实，与控制条件相比，按熵值顺序检查性状能够实现更快速且更稳健的个体识别。

**引言（Introduction）**

个体亚洲象（Elephas maximus）的识别是大象保护的重要辅助手段：能够区分个体并长期追踪，使估算种群特征、观察社会动态与行为、制定缓解人象冲突（human-elephant conflict，HEC，指人类活动与大象的负面相互作用）等针对性策略成为可能。在社区层面，个体识别通常由农民或公园护林员不借助技术完成；处理相机陷阱（camera trap，指自动拍摄野生动物的触发式相机）影像时，计算机视觉算法可提供辅助但尚不能完全取代人工编码人员（trained coders，指经培训负责记录性状状态者），故在更精密的算法成熟之前，大象识别仍将依赖"人在环路"（human-in-the-loop）。由于大象缺乏条纹等永久性独特体表标记，只能依靠形态性状的固定或可变组合加以区分，结构化性状编码系统可引导新手观察者关注具体而有用的性状。已有研究常用的误识别风险度量是p_max（一组性状状态组合出现的最大概率），例如"有无象牙/短牙"与"背部形状"两个最常观察到的性状，其最常见状态均见于63头个体（87.5%），该组合在p_max = 85.7%的个体中出现，意味着两头随机选取个体在该两性状上状态组合相同的概率约为73.5%；但该统计量只给出最坏情形估计，无法指出哪些性状对高效识别最有用。真正有用的性状应兼具高可辨识度（discernibility，指性状在影像中可被解析出状态的比例）与高个体间方差，而源自信息论的熵（entropy，H，度量观察事件序列后不确定性平均下降程度的指标）是更合适的诊断性度量，按高熵优先观察可最小化识别个体所需的平均性状检查数。为此，本研究作者Jason S. McCarley对Montero-De La Torre等报告的公开数据开展二次分析，证实按熵值排序检查性状更快速、更稳健，其意义在于为识别协议设计与新手编码人员培训提供性状优先级的客观依据。

**方法（Method）**

样本队列为Montero-De La Torre等在泰国萨拉普拉野生动物保护区（Salakpra Wildlife Sanctuary）四个位点布设相机陷阱所拍摄的72头成年亚洲象，由受训编码人员就24个离散形态性状逐一编码，无法辨识时记为N/A。关键技术方法包括：以信息熵（H = ?Σ(p_i × log₂p_i)）度量各性状诊断性；以非N/A个体所占比例操作化可辨识度；采用蒙特卡洛模拟（Monte Carlo simulation，随机重复抽样估计统计量的方法，各条件10,000次迭代），分别按熵值、可辨识度及随机顺序检查性状，直至组合状态唯一识别个体或所有性状检查完毕，估计唯一识别所需的平均性状检查次数。

**结果（Results）**

熵值最高的性状为身体色素脱失（H = 2.1）、左上耳褶（H = 2.0）、尾刷类型（H = 2.0）、左耳撕裂（H = 2.0）、右上耳褶（H = 1.9）与右耳撕裂（H = 1.9）；熵值最低的为背部形状（H = 0.75）、有无象牙/短牙（H = 0.62）、象牙对称性（H = 0.54）、象牙排列（H = 0.54）及左右象牙角度（H = 0.51）。第一项模拟假设性状状态被完全准确识别：按熵值排序时唯一识别平均需检查5.60条性状（95% CI [2, 12]），按可辨识度排序需9.36条（95% CI [2, 15]），随机排序需12.69条（95% CI [3, 21]），三种顺序的识别准确率均为100%。第二项模拟引入5%的性状编码错误率：按熵值（M = 5.30，95% CI [2, 11]）、可辨识度（M = 9.04，95% CI [2, 15]）与随机（M = 11.95，95% CI [3, 21]）排序的平均检查性状数与准确条件下相近，且按熵值与可辨识度排序的成功率（78%）均高于随机排序（65%）。

**讨论（Discussion）**

Montero-De La Torre等曾报告，24个形态性状可由专家编码人员以近乎零错误风险从相机陷阱视频中识别成年亚洲象个体。本研究以信息论度量熵估计各形态性状的诊断性，得出个体间诊断性差异明显、身体色素脱失与耳部特征最有用、背部形状与象牙/短牙特征最无用的结论；蒙特卡洛模拟证实按熵值由高到低检查性状能够快速识别个体，并在个别性状被误编码时有助于防止误识别。研究结论表明，信息论诊断性度量可用于指导亚洲象个体识别的方案设计与培训干预，为观察者列出应优先注意或记录的性状。研究同时指出局限：本数据中性状取值由具高评分者间信度（interrater reliability，指不同编码人员间编码结果的一致性）的专家观察员完成，可视作无误的"真实值"；非专家观察员对不同性状的编码准确率可能不同，此类错误率差异可能改变诊断性，未来工作需确定非专家观察员所编码形态性状的信息含量。