Footprint Biometrics for Reliable Wildlife Identification and Population Estimation - A case study on Eurasian Otters

Die Welt befindet sich in einer Biodiversitätskrise: Der Verlust von Arten und
Lebensräumen gefährdet Ökosystemdienstleistungen, Klimaregulation und die men-
schliche Gesundheit. Um diesen Herausforderungen zu begegnen, braucht es daten-
basierte, skalierbare und nicht-invasive Monitoringmethoden, die sich ohne teure
Ausrüstung von lokalen Naturschützer:innen anwenden lassen. Die von WildTrack
entwickelte Footprint Identification Technology (FIT) erfüllt diese Anforderungen, in-
dem sie traditionelles Spurenwissen mit modernen Verfahren des MLs kombiniert.
Diese Dissertation entwickelt die FIT-Methode am Beispiel des Eurasischen Fischot-
... mehr
ters (Lutra lutra) weiter. Sie umfasst Algorithmen zur Artklassifikation, Geschlechts-
bestimmung, Individualerkennung und Populationsschätzung auf Basis von Fußab-
druckbildern und passt die Methode gezielt an die Besonderheiten von Ottern an,
wobei die Übertragbarkeit auf andere Arten gewährleistet bleibt.
Es wurde der bislang größte annotierte Datensatz bekannter Otterindividuen aufge-
baut, Feld- und Zoodaten wurden vereinheitlicht, und app-basierte sowie cloud-
gestützte Erfassungsprozesse wurden integriert. Ergänzende Datensätze für Zwerg-
(Aonyx cinereus) und Glattotter (Lutrogale perspicillata) sowie professionelle Ref-
erenzzeichnungen vervollständigen die Grundlage.
Methodisch wurden morphometrische Klassifikatoren und erstmals ein CNN-basierter
End-to-End-Workflow für Fußabdruckbilder entwickelt; beide erzielten Genauigkeiten
über 90 %. Für Eurasische Fischotter konnte das Geschlecht anhand einzelner Ab-
drücke mit über 80 % und anhand ganzer Spuren mit über 90 % Genauigkeit
bestimmt werden, vollständig konsistent mit genetischen Referenzdaten (DNA).
Modifizierte paarweise Vergleichsverfahren erreichten bei der Individualerkennung
über 95 % BA, und automatisierte Clusteranalysen verbesserten die Populationss-
chätzung (niedrige DER, hohe V-measure).
Durch den Einsatz fehlwertbasierter Imputation (z. B. MICE/PMM) konnten zudem
unvollständige Abdrücke in die Analyse einbezogen werden, ohne die Modellleis-
tung zu beeinträchtigen. Abschließend wurde FIT von JMP in eine modulare,
offene Python-Struktur überführt, die reproduzierbare und skalierbare Analysen
ermöglicht.

The world is facing a biodiversity crisis, as the loss of species and natural habitats
threatens ecosystem services, climate regulation, and human well-being. Addressing
this challenge requires data-driven, scalable, and non-invasive monitoring methods
that can be applied reliably by local conservationists without costly equipment.
The Footprint Identification Technology (Footprint Identification Technology (FIT)),
developed by WildTrack, meets these requirements by combining traditional tracker
expertise with modern Machine Learning (ML) and operating with only a smart-
... mehr
phone and a ruler.
This dissertation advances FIT using the Eurasian otter (Lutra lutra) as a model
species of conservation concern. It develops algorithms for species classification, sex
determination, individual identification, and population estimation from footprint
images, adapting the method to otter-specific challenges while ensuring transfer-
ability to other taxa.
We established the largest annotated dataset of Eurasian otter footprints from known
individuals, refined data collection protocols, and contributed to app-based and
cloud-enabled data workflows. Complementary datasets were created for Asian
small-clawed (Aonyx cinereus) and smooth-coated otters (Lutrogale perspicillata),
accompanied by professional reference illustrations.
Methodologically, we implemented morphometric classifiers and the first end-to-
end Convolutional Neural Network (CNN) for footprint images, both achieving
accuracies above 90 %. For Eurasian otters, sex was predicted from single prints
with >80 % accuracy and from grouped trails with >90 %, fully consistent with
independent Deoxyribonucleic Acid (DNA) data. Modified pairwise-comparison
workflows improved individual identification to >95 % balanced accuracy (BA),
while automated clustering and sequential hold-out validation enhanced popula-
tion estimation (low Dendrogram Error Rate (DER), high harmonic mean of
homogeneity and completeness (V-measure)).
To address data scarcity, we evaluated missing-value imputation as a preprocessing
step, demonstrating that models including incomplete prints performed compara-
bly to complete-data models (e.g., Multiple Imputation by Chained Equations
(MICE)/Predictive Mean Matching (PMM) as applicable). Finally, FIT was ported
from JMP statistical software package (JMP) to a modular, Python open-source
framework, enabling reproducible and automated analyses.