¿Te ha pasado que pasas días —o incluso semanas— revisando miles de imágenes de cámaras trampa, solo para descubrir que la mayoría son fotos activadas por viento, sombras o cambios de luz?
Una cámara trampa instalada en un parque nacional chileno puede generar miles de imágenes en una temporada de monitoreo. La mayoría son fotos vacías: viento moviendo una rama, un cambio de luz, una sombra que activó el sensor. A esas imágenes se las llama «fotos fantasmas» y pueden representar hasta el 80% del total de registros, según datos de Wildlife Insights.
Un especialista experimentado puede clasificar entre 300 y 1.000 imágenes por hora. Si el proyecto genera 50.000 fotos por semestre, la revisión manual consume semanas de trabajo calificado. Y cada error de clasificación, — confundir una güiña con un gato doméstico, o descartar una foto nocturna borrosa donde asomaba un quique ,— degrada la calidad del dato.
¿Puede la inteligencia artificial acelerar este proceso sin comprometer la calidad del dato?
Para cualquier investigador o consultor ambiental, revisar imágenes una por una es uno de los mayores cuellos de botella del monitoreo con cámaras trampa.
La buena noticia es que existen herramientas desarrolladas específicamente para resolver este problema.
Actualmente destacan cuatro soluciones principales:.
MegaDetector (Microsoft),
MegaDetector es un modelo de detección de objetos basado en aprendizaje profundo. Su función es simple pero poderosa, clasifica cada imagen en tres categorías:
- Animal
- Persona
- Vehículo
Su fortaleza está en el filtrado de fotos fantasma. Permite separar automáticamente imágenes vacías de aquellas que contienen algún objeto relevante.
Ventaja: Alta precisión en detección de presencia.
Limitación: No identifica especies con detalle taxonómico fino.
Funciona como primer filtro masivo..
Wildlife Insights (Google + Conservation International + WWF),
Wildlife Insights es una plataforma en la nube que incorpora modelos de clasificación automática de especies. Su modelo principal, SpeciesNet, ha sido entrenado con más de 11 millones de imágenes y puede identificar más de 700 especies.
Ventaja:
- Clasificación automática con porcentaje de confianza.
- Integración en plataforma colaborativa global
Limitación:
- Mejor rendimiento en especies ampliamente representadas en el set de entrenamiento (principalmente África y Norteamérica).
- Fauna chilena subrepresentada.
Es una solución potente, pero dependiente de la calidad del entrenamiento regional..
TropiCam-AI (MNCN-CSIC)
Desarrollado por el Museo Nacional de Ciencias Naturales de España (MNCN-CSIC), es el primer algoritmo diseñado específicamente para fauna arbórea neotropical. Entrenado con más de 180.000 imágenes de cámaras trampa de Brasil, Perú, Costa Rica y la Guayana Francesa, más 54.000 imágenes de iNaturalist, alcanza un 95% de precisión para 84 taxones de mamíferos y aves. Usa una estrategia de clasificación jerárquica: si el modelo duda sobre la especie exacta, puede asignar el registro a un nivel taxonómico superior (género, familia u orden), lo que reduce los falsos positivos.
Camelot,
Camelot no es un modelo de IA en sí, sino un gestor de datos.
Permite integrar resultados de modelos como MegaDetector en un flujo de trabajo estructurado, administrando:
- Proyectos
- Estaciones
- Metadatos
- Clasificaciones
Es clave para profesionalizar el manejo de grandes volúmenes de datos.
La combinación de estas herramientas permite transformar un proceso que antes tomaba semanas en uno que puede resolverse en días.
Para cualquier investigador o consultor, esto cambia completamente la escala operativa del monitoreo.
Y en Chile, ¿qué se está haciendo?
Chile no está al margen de esta revolución tecnológica. Desde 2023, CONAF viene trabajando en la aplicación de inteligencia artificial al fotomonitoreo en áreas protegidas, en colaboración con universidades chilenas.
La primera experiencia aplicada se desarrolló en el Parque Nacional Nonguén (Región del Biobío). El objetivo era mejorar el filtrado de imágenes útiles, separando automáticamente las fotos con fauna real de las fotos fantasma activadas por viento, movimiento de vegetación o variaciones de luz.
Ese esfuerzo derivó en iniciativas más ambiciosas. En 2023, estudiantes de Ingeniería en Recursos Naturales de la Universidad del Bío-Bío ganaron un hackathon organizado por CONAF tras proponer un modelo de etiquetado de especies invasoras entrenado con más de 40.000 fotografías obtenidas con cámaras trampa dentro del Parque Nacional Nonguén.
Ese trabajo no quedo ahí. Posteriormente se entrenaron diversos modelos de redes neuronales enfocados en:
- Discriminación de fotos fantasma
- Identificación preliminar de especies
- Optimización de flujos de clasificación
En paralelo, estudiantes de la Universidad Adolfo Ibáñez desarrollaron un modelo alternativo con el mismo objetivo de automatizar el filtrado.
Los avances son relevantes, pero el propio equipo de CONAF ha sido claro respecto a los desafíos.
Como explicó Diego Valencia, del Departamento de Innovación de la Gerencia de Áreas Protegidas de CONAF, «esta metodología sigue siendo un desafío que no tiene una única respuesta, principalmente porque:
- Muchas especies chilenas son de tamaño pequeño
- Existen pocos registros disponibles para entrenamiento
- Gran parte de las imágenes son nocturnas
- Frecuentemente solo se capturan secciones parciales del animal
Sobre Wildlife Insights, Ignacio Díaz, jefe de la Sección de Monitoreo e Información de CONAF, reconoció que la plataforma funciona bien para mamíferos norteamericanos, pero que para el caso chileno «todavía no está adecuadamente entrenada».
La razón es directa,los modelos de IA aprenden de los datos con los que se entrenan. Si hay pocas imágenes etiquetadas de monito del monte, güiña, gato andino o degú, el modelo no puede reconocer esas especies con precisión.
Desde nuestra área de especialidad, Luciano Andrade, Ingeniero en Recursos Natuales de la Universidad de Concepción comenta que: “Chile está avanzando, pero la calidad y cantidad de datos locales será el factor determinante para desarrollar modelos verdaderamente robustos para nuestra fauna”.
Las limitaciones que importan
Es fundamental separar dos tareas distintas dentro del análisis automatizado: Filtrado de fotos vacías.
Detectar que existe “algo” en la imagen es un problema de reconocimiento de patrones relativamente universal. MegaDetector y modelos similares alcanzan altos niveles de precisión en esta etapa.
Esta fase puede automatizarse hoy con bastante confianza..
Identificación de especies.
Aquí aparecen los desafíos reales.
Los modelos globales están entrenados mayoritariamente con fauna africana, norteamericana y del sudeste asiático. La fauna chilena — endémica, de tamaño pequeño en muchos casos, críptica, nocturna — está subrepresentada en los conjuntos de entrenamiento. Un modelo que identifica correctamente un leopardo en Kenia puede confundir una güiña con un gato doméstico en Aysén.
Hay factores que complican la clasificación automática de fauna chilena. Muchas especies tienen pocos registros fotográficos disponibles para entrenamiento. Las fotos nocturnas (tomadas con flash infrarrojo) reducen la información cromática disponible para el modelo. Varias especies de roedores y marsupiales chilenos son morfológicamente similares a la escala de una foto de cámara trampa. Y las capturas parciales — solo la cola, solo una pata — son frecuentes con animales pequeños y rápidos.
Para que un modelo identifique con precisión una especie como el monito del monte, se necesitan cientos o miles de imágenes correctamente etiquetadas de esa especie en distintos ángulos, iluminaciones y contextos. Sin datos suficientes, el modelo simplemente no aprende.
Hoy, la identificación automática en Chile debe considerarse una herramienta de apoyo, no un reemplazo del criterio experto.
Qué significa esto para el cumplimiento ambiental
Si tu proyecto tiene compromisos de monitoreo de fauna con cámaras trampa y genera miles de imágenes por temporada, la IA puede convertirse en una herramienta estratégica dentro del flujo de trabajo.
Su principal aporte está en la primera etapa del procesamiento: separar las fotos vacías de las que contienen fauna.
Esto reduce de manera significativa el volumen de revisión manual y permite que el tiempo del especialista se concentre en las imágenes que realmente aportan información relevante.
Desde la perspectiva de cumplimiento ambiental, esto implica:
- Mayor eficiencia en el procesamiento de datos
- Reducción de tiempos de análisis
- Mejor asignación de recursos técnicos
- Mayor capacidad de respuesta frente a plazos de reporte
Sin embargo, en el contexto chileno, la identificación definitiva de especies sigue requiriendo revisión humana experta.
Los modelos de IA pueden sugerir clasificaciones, pero las decisiones sensibles — registrar una especie en categoría de conservación, reportar la presencia de una especie invasora — requieren verificación experta.
Aquí cobran especial relevancia los protocolos de aseguramiento y control de calidad (QA/QC), tales como:
- Revisión por especialista
- Validación cruzada (doble ciego)
- Auditoría interna de registros críticos
La R.E. N°343/2022 de la SMA exige datos desagregados, trazables y en formato estandarizado. Cada registro incorporado en las planillas oficiales pasa a formar parte de una base de datos que puede ser objeto de fiscalización y análisis automatizado.
Un registro generado por IA sin revisión humana que resulte ser erróneo contamina la base de datos y puede generar observaciones en fiscalización.
La automatización del procesamiento debe entenderse como una herramienta de eficiencia operativa, no como un reemplazo del criterio técnico.
La combinación adecuada es clara:
IA para filtrar y priorizar. Profesionales para validar y reportar.
En cumplimiento ambiental, la eficiencia es importante. Pero la trazabilidad y la calidad del dato son obligatorias
Lo que viene
La plataforma Snapshot Chile está generando un volumen importante de registros estandarizados de fauna de todo el país.
Mientras mayor sea el número de registros fotográficos por especie, mayor será la capacidad de entrenar modelos específicos para fauna chilena.
El MNCN-CSIC demostró con TropiCam-AI que es posible desarrollar modelos regionales con alto rendimiento usando imágenes locales. Un esfuerzo equivalente para la fauna chilena — un «ChileCam-AI», digamos — requeriría compilar y etiquetar un volumen significativo de imágenes de especies nativas, algo que las universidades chilenas y el SBAP están en posición de liderar.
Preguntas Frecuentes
¿Cuántas imágenes necesitamos para que un modelo identifique consistentemente un monito del monte?
No existe un número mágico, pero la literatura en aprendizaje profundo sugiere que se requieren al menos varios cientos —idealmente miles— de imágenes etiquetadas por especie para alcanzar desempeños robustos en distintos escenarios ambientales.
Mientras tanto, el enfoque práctico para los titulares de proyectos con compromisos voluntarios es claro: usar IA para filtrar y priorizar, sin dejar de lado la revisión experta al clasificar, y documentar en cada informe de monitoreo. La trazabilidad del dato incluye cómo se procesó la imagen, y eso es parte de lo que la SMA espera ver.
La tecnología avanza rápido. La fauna chilena no espera. Y las cámaras trampa siguen disparando.
¿Necesitas elaborar un sistema de monitoreo sistemático para inscribir tu proyecto en Snapshot Chile?
En GreenRiver contamos con especialistas en monitoreo con cámaras trampa y sistemas de información geográfica para diseñar e implementar programas bajo estándares metodológicos compatibles con plataformas nacionales.
Te acompañamos en la estructuración del monitoreo, gestión de datos y generación de información de calidad, para que tu proyecto no solo cumpla, sino que también forme parte de la ciencia que se está construyendo en Chile.
¿Se puede usar inteligencia artificial para identificar fauna en cámaras trampa?
Sí, pero con matices importantes. Existen plataformas como Wildlife Insights (desarrollada por Google y organizaciones de conservación) que identifican automáticamente 732 especies con modelos entrenados en 11,6 millones de imágenes. MegaDetector (Microsoft) filtra fotos vacías con alta precisión. TropiCam-AI alcanza un 95% de precisión para fauna neotropical. La limitación principal para Chile es que estos modelos están entrenados mayoritariamente con fauna de otras regiones, por lo que la identificación de especies chilenas requiere todavía revisión experta.
¿Qué es MegaDetector y para qué sirve?
MegaDetector es un modelo de detección de objetos desarrollado por Microsoft que clasifica imágenes de cámaras trampa en tres categorías: animal, persona o vehículo. Su función principal es filtrar las «fotos fantasma» (imágenes vacías activadas por viento, cambios de luz u otros factores). Alcanza alta precisión en esta tarea y funciona como primer filtro antes de la clasificación de especies, que requiere modelos adicionales o revisión humana.
¿Qué es Wildlife Insights y cómo funciona?
Wildlife Insights es una plataforma colaborativa impulsada por Google, Conservation International, WWF y otras organizaciones. Permite subir imágenes de cámaras trampa a la nube, donde un modelo de IA llamado SpeciesNet las clasifica automáticamente con un nivel de confianza asociado. Puede identificar 732 especies y filtrar imágenes vacías. SpeciesNet está disponible como código abierto. Para la fauna chilena, la plataforma aún requiere mayor entrenamiento con imágenes locales.
¿Qué tan precisa es la IA para clasificar fauna chilena en cámaras trampa?
La precisión es limitada para identificación de especies, porque los modelos globales están entrenados principalmente con fauna africana, norteamericana y del sudeste asiático. CONAF reconoce que Wildlife Insights funciona bien para mamíferos norteamericanos pero no está adecuadamente entrenada para Chile. Los desafíos incluyen: pocas imágenes de entrenamiento de especies chilenas, fotos nocturnas con flash infrarrojo que reducen información cromática, y especies pequeñas difíciles de distinguir a la escala de una foto de cámara trampa.
¿CONAF usa inteligencia artificial en el fotomonitoreo de áreas protegidas?
Sí. CONAF trabaja con universidades chilenas (Universidad del Bío-Bío, Universidad Adolfo Ibáñez, Universidad Austral) en la aplicación de IA al fotomonitoreo. La primera experiencia aplicada se realizó en el Parque Nacional Nonguén, enfocada en el filtrado de fotos fantasma. Estudiantes de la UBB entrenaron modelos con más de 40.000 fotografías del parque para etiquetar especies invasoras. Los avances son concretos, pero la clasificación automática de especies chilenas sigue siendo un trabajo en desarrollo.
¿Puedo usar IA para procesar imágenes de monitoreo y reportar a la SMA?
Puedes usar IA como herramienta de eficiencia en el procesamiento (filtrado de fotos vacías, preclasificación), pero la identificación de especies que se reporta en las planillas de biodiversidad de la SMA debe contar con verificación experta. Un registro erróneo generado por IA contamina la base de datos y puede generar observaciones en fiscalización. Los protocolos de control de calidad (doble ciego, revisión por especialista) se mantienen como requisito cuando la IA participa en el flujo de trabajo.
¿Qué porcentaje de las fotos de cámaras trampa son imágenes vacías?
Según datos de Wildlife Insights, las fotos vacías o «fotos fantasma» — activadas por viento, cambios de luz u otros factores sin presencia animal — pueden representar hasta el 80% del total de imágenes capturadas por una cámara trampa. Este es el principal cuello de botella en el procesamiento manual y el área donde la IA genera el mayor ahorro de tiempo, al separar automáticamente las imágenes con fauna de las que están vacías.
Revisa nuestro blog sobre Cómo reportar datos de biodiversidad a la SMA: lo que necesitas saber sobre la R.E. N°343/2022
