El fototrampeo es una técnica que permite tomar imágenes y vídeos de la fauna silvestre de forma autónoma y sin perturbarla. De este modo, se pueden estudiar y monitorizar las poblaciones animales y, por ende, el estado de salud de los ecosistemas de un modo muy eficaz e impensable hasta hace relativamente pocos años.

Gracias a unos sensores de movimiento y calor integrados en las cámaras se puede fotografiar a los animales tanto de día como de noche. Esto permite obtener datos muy valiosos sobre la presencia y abundancia de las especies que queramos estudiar.

La reducción de los costes de producción de esta tecnología ha favorecido en los últimos años el despliegue de un número enorme de cámaras de fototrampeo para el seguimiento de la fauna en todo el planeta.

Imágenes de fototrampeo tomadas en el Parque Nacional de Doñana. Author provided Simone Santoro, Universidad de Huelva; Isaac Pérez Borrero, Universidad de Huelva; Javier Calzada, Universidad de Huelva y Manuel Emilio Gegúndez Arias, Universidad de Huelva

Algoritmos que reconocen animales

Sin embargo, como en el resto de disciplinas científico-técnicas, las nuevas posibilidades también generan nuevos retos. Las cámaras de fototrampeo están preparadas para trabajar de modo autónomo durante meses. La capacidad de almacenamiento que tienen es enorme y continúa aumentando. Ya existen modelos que soportan tarjetas que pueden almacenar unas 500 000 fotografías a buena resolución.

Un estudio que, por ejemplo, cuente con 20 cámaras, recogerá cerca de 10 000 000 imágenes. Imágenes que, posteriormente, habrá que visualizar una a una para hallar en ellas lo fotografiado, identificarlo y registrarlo convenientemente para luego poder analizar los datos. Esto supone un esfuerzo ingente que consume mucho tiempo y que cada vez es menos asumible por los responsables y técnicos a cargo de los estudios.

Este collage está compuesto por 600 imágenes de fototrampeo tomadas en un estudio piloto de investigación para monitorizar las poblaciones de mamíferos del Parque Nacional de Doñana en el que se toman unas 3 000 fotografías diarias. En concreto, en esta imagen, hay 25 ciervos, 3 ginetas, 5 zorros, 12 jabalíes, 2 tejones y 553 fotos vacías. Author provided.

En la Universidad de Huelva estamos buscando una solución a este problema mediante el proyecto Sistema automático de censo y seguimiento de la biodiversidad usando técnicas de aprendizaje profundo (deep learning, DL), financiado por la Fundación Biodiversidad del Ministerio para la Transición Ecológica y el Reto Demográfico (MITECO).

Un equipo multidisciplinar formado por ecólogos, matemáticos e ingenieros informáticos estamos desarrollando un sistema de aprendizaje profundo (deep learning) que es capaz de identificar y clasificar de forma automática las especies de fauna en las imágenes que toman las cámaras de fototrampeo.

Cómo trabaja el sistema de aprendizaje profundo: (1) primero encuentra la región de interés en la imagen (se muestra un mapa de calor), (2) recuadra la parte de la imagen donde está el animal y (3) la red neuronal lo identifica y archiva la imagen junto a todos los datos relevantes para luego analizar la información (en este caso, la red ha determinado, con un 99 % de confianza, que el animal es un meloncillo, Herpestes ichneumon). Author provided

Ciencia ciudadana

En términos conceptuales, el sistema está compuesto de una red neuronal convolucional que se entrena en un proceso cíclico de aprendizaje continuo a partir de un conjunto inicial de imágenes preclasificadas (¡por seres humanos!). Cuanto más representativas sean las imágenes de entrenamiento, mejor lo hará el sistema.

Por ello, hemos puesto en marcha un proyecto de ciencia ciudadana en Zooniverse, una de las plataformas de ciencia ciudadana más importantes a nivel mundial. Allí, voluntarios de todo el mundo están ayudando a clasificar las imágenes que el sistema utilizará para entrenarse.

Cómo trabaja el sistema de aprendizaje profundo: (1) primero encuentra la región de interés en la imagen (se muestra un mapa de calor), (2) recuadra la parte de la imagen donde está el animal y (3) la red neuronal lo identifica y archiva la imagen junto a todos los datos relevantes para luego analizar la información (en este caso, la red ha determinado, con un 99 % de confianza, que el animal es un meloncillo, Herpestes ichneumon). Author provided.

Miles de personas están participando en la preclasificación de imágenes, tomadas en el Parque Nacional de Doñana, para el entrenamiento inicial del sistema. Si quiere, usted también puede participar.

Sin embargo, la inestimable ayuda de los ciudadanos es un recurso finito que difícilmente podrá cubrir las crecientes necesidades de clasificación de imágenes de fototrampeo. Por tanto, contar con un sistema de aprendizaje profundo entrenado específicamente para identificar especies en las fotografías comienza a ser imprescindible.

En menos de un año, el proyecto ha dado lugar a resultados muy prometedores. Actualmente, tenemos entrenada una red neuronal convolucional capaz de encontrar y distinguir 18 especies de mamíferos diferentes del Parque Nacional de Doñana, con unos niveles de exactitud comparables a los del ser humano y trabajando a una velocidad de 20 imágenes por segundo. Esto significa que podemos clasificar 1 000 000 de imágenes en apenas 14 horas.

Hay que remarcar, además, que el objetivo final del proyecto no es solo identificar y clasificar las imágenes. Lo que se pretende es construir un sistema de seguimiento automático de fauna que permita estudiar, de forma continua, tanto la presencia como la abundancia de las especies para mejorar su estudio, su gestión y, sobre todo, su conservación.

Referencia bibliográfica: Simone Santoro, Post-doc, Departamento de Ciencias Integradas, Universidad de Huelva., Universidad de Huelva; Isaac Pérez Borrero, Investigador en el Departamento de Tecnologías de la Información, Universidad de Huelva; Javier Calzada, Profesor de Zoología, Departamento de Ciencias Integradas, Universidad de Huelva, Universidad de Huelva y Manuel Emilio Gegúndez Arias, Profesor Titular de Universidad del Área de Matemática Aplicada, Universidad de Huelva.