Cómo distinguir animales individuales en fotos de cámara trampa: astas, pelaje y cicatrices

Empecemos con una cifra incómoda. En 2020, un equipo puso 16 leopardos de las nieves cautivos frente a cámaras trampa, los fotografió en 40 ocasiones y entregó las imágenes a ocho observadores para que las clasificaran por individuos: exactamente la tarea que sustenta la mitad de las estimaciones poblacionales de grandes felinos en la literatura. Los observadores clasificaron mal el 12,5 % de todas las ocasiones de captura. No suena catastrófico hasta que se rastrea adónde fueron a parar los errores: como las equivocaciones no fueron aleatorias, inflaron las estimaciones poblacionales resultantes en un tercio de media, un 35 % de más, más o menos. La conclusión de los autores fue tajante: identificar animales individualmente únicos a partir de fotos de cámara trampa «puede no ser tan fiable como se creía».

Ese es todo el problema de este artículo en un solo estudio. Distinguir animales individuales en fotos es el motor que impulsa la estimación de densidad por captura-recaptura —la forma de referencia para contar fauna esquiva sin capturarla físicamente— y es mucho menos infalible de lo que parece. Si se hace bien, se puede monitorizar una población de tigres con un margen de pocos puntos porcentuales. Si se hace mal de forma sutil, se puede informar de un tercio más de animales de los que existen en realidad, con un intervalo de confianza que parece tranquilizadoramente estrecho en torno a la respuesta equivocada.

Así que este es un artículo metodológico, dirigido a la persona que hace ciencia ciudadana o inicia su carrera investigadora y quiere hacer esto como es debido: qué marcas naturales permiten realmente separar individuos, qué especies derrotan por completo el enfoque, cómo se equivocan los observadores, por qué el lado izquierdo de un animal es un animal distinto de su lado derecho para tus datos, y dónde la visión por computador ayuda de verdad frente a dónde se limita a blanquear los mismos errores más deprisa. Iré definiendo la jerga sobre la marcha. La versión breve, de entrada: **la fiabilidad de la identificación individual depende casi por completo de la especie, y la mayor parte del trabajo duro consiste en ser honesto respecto a las fotos que no puedes identificar, no respecto a las que sí.**

Por qué molestarse en identificar individuos

Contar animales que no puedes reunir es uno de los quebraderos de cabeza más antiguos de la ecología, y la identificación individual es la respuesta más ingeniosa. La lógica está tomada del marcaje-recaptura: si puedes reconocer al mismo individuo en fotografías separadas, puedes construir un «historial de encuentros» para cada animal —cuándo y dónde se vio— y, a partir del patrón de quién se vuelve a ver y quién no, un modelo estadístico estima cuántos animales no viste. Las versiones modernas son espacialmente explícitas (el campo lo llama SECR, captura-recaptura espacialmente explícita), que además usan dónde ocurrió cada detección para estimar la densidad por unidad de área en lugar de un simple conteo bruto.

El atractivo es que es no invasivo. Las marcas naturales —las rayas de un tigre, las manchas de una jirafa— permiten «capturar» un animal con una cámara en lugar de con un dardo, y podría decirse que son mejores que las marcas artificiales, porque identifican al animal «sin el acto peligroso e invasivo de la captura física» y no se caen ni cambian. Un estudio de larga duración sobre la jirafa masái se apoya exactamente en esto: las jirafas son identificables individualmente por sus «patrones de pelaje únicos e invariables», y los científicos han usado esos patrones de manchas para reconocer individuos desde la década de 1950, mucho antes de que nadie hablara de cámara trampa.

Cuando funciona, es la mejor herramienta que tenemos para animales raros y de amplio desplazamiento. Una revisión de la literatura de SECR con cámara trampa halló que el método está «actualmente centrado en carnívoros raros, esquivos, de gran área de campeo e identificables individualmente, en concreto grandes félidos», y lo calificó de «una de las mejores formas de estudiar estas especies». La trampa se esconde en esa frase —identificables individualmente— y es un club mucho más reducido de lo que sugiere el entusiasmo del campo. Esa misma revisión halló que el 90,9 % de las estimaciones de densidad con cámara trampa correspondían a carnívoros, y el 82 % de ellas a félidos; más de un tercio de todos los estudios eran de solo tres animales: leopardo, tigre y jaguar. Y no es porque a nadie le importen los cérvidos o los jabalíes. Es porque esos tres llevan un código de barras y la mayoría de los animales no.

Es porque esos tres llevan un código de barras y la mayoría de los animales no.

Qué hace a una especie «identificable individualmente»

La línea divisoria es si un animal lleva una marca natural que sea única del individuo, estable en el tiempo y visible para una cámara. Si cumple las tres, tienes trabajo. Si falla alguna, estás improvisando.

El caso más claro es un patrón de pelaje de alto contraste: las marcas del pelaje de los animales moteados y rayados. En un estudio SECR de tigres y leopardos en la India, los observadores identificaron a los animales examinando «la forma y el patrón de las marcas naturales; las rayas en los tigres y las rosetas en los leopardos», cotejando flancos, extremidades, colas y cuartos delanteros. Estos patrones se comportan como huellas dactilares: un estudio sobre ocelotes describe el algoritmo HotSpotter (más sobre él después) como un software que «analiza las texturas de una imagen para encontrar patrones reconocibles» precisamente porque la textura de las manchas es diagnóstica a nivel individual. Los linces rojos se clasifican por «agrupaciones de manchas en las patas, agrupaciones de manchas en el cuerpo, marcas faciales y marcas en la cola»: el protocolo de un estudio en California exigía coincidir en «al menos tres rasgos naturales del pelaje» antes de considerar que dos fotos eran el mismo felino. Los gatos monteses europeos, más sutiles, se catalogan por la «forma y posición de las rayas y manchas, el número y la forma de los anillos de la cola», además de una lista de comprobación de la línea dorsal, las rayas de los hombros y las rayas del cuello.

Fíjate en la disciplina de esos ejemplos. Nadie identifica a partir de una sola mancha borrosa: exigen que coincidan múltiples rasgos independientes. Un equipo dedicado al leopardo en Sri Lanka formalizó esto en un sistema «multipunto», segmentando el pelaje en 15 puntos definidos según la formación de manchas y rosetas, y exigiendo «un mínimo de 9 puntos MPC de los 15» para coincidir antes de considerar que dos avistamientos eran el mismo leopardo. Esa redundancia es toda la defensa contra los errores de identificación errónea con los que empezamos. Cuantos más puntos independientes exijas, más difícil es que dos animales distintos finjan una coincidencia.

Pero «único y estable» está haciendo mucho trabajo, e incluso en félidos bien marcados no es absoluto. El mismo estudio de Sri Lanka documentó algo que la mayoría de los protocolos de identificación dan por supuesto sin decirlo: los patrones cambian. A lo largo de una observación continua, registraron 29 casos en los que las manchas y rosetas de un leopardo se modificaron —manchas perdidas, reducidas o cambiadas en «prominencia, forma y tamaño»— y 16 de esos leopardos habían cambiado tras una lesión documentada. Un método anterior, menos riguroso, en el mismo parque había duplicado leopardos lo bastante mal como para producir «una tasa de error de más del 15 %», contando el mismo felino como varios. Así que ni siquiera los animales mejor marcados son gratis; una cicatriz que hoy te ayuda puede reescribir mañana el mismo patrón sobre el que estás identificando.

Marcas en animales por lo demás uniformes: cicatrices, orejas y astas

La mayoría de los animales no llevan manchas. El instinto, entonces, es recurrir a lo que sea distintivo —una oreja desgarrada, una cicatriz corporal, la cuerna de un macho— y para algunos fines eso es legítimo. Pero es justo aquí donde la identificación individual se vuelve peligrosa, y las fuentes están divididas de una forma que conviene entender.

Las astas son el ejemplo obvio para cualquiera que observe cérvidos. Una cuerna grande y asimétrica con una punta rota o un candil de más sí separa de verdad a ese macho de los demás de tu terreno, al menos durante una temporada. La literatura sobre densidad de cérvidos lo usa: un estudio de 13 poblaciones de venados reconoció individuos por «formas y deformaciones evidentes de las astas», junto con «cicatrices distintivas en ambos lados del cuerpo» y deformaciones de las extremidades. Los límites duros son evidentes en cuanto se enuncian en voz alta. Las astas son estacionales —se mudan y regeneran cada año—, de modo que una identificación basada en las astas caduca cada invierno y no puede enlazar a un animal entre años. Son exclusivas de los machos, lo que deja a hembras y crías sin marcar. Y las marcas más sutiles resultan escurridizas: ese mismo estudio halló que pistas potenciales como «muescas en las orejas o cicatrices en un solo flanco» eran «a menudo ambiguas» en la práctica y no podían usarse de forma fiable.

Para félidos de pelaje uniforme, los investigadores recurren a cicatrices, daños en las orejas y colas dobladas. Un estudio sobre pumas defiende que una de estas es realmente excelente: los pabellones auriculares dañados o ausentes (las orejas). Cuando los observadores compararon fotos de pumas, hubo «acuerdo perfecto en los emparejamientos de eventos en los que un puma exhibía daños en el pabellón auricular y el otro no»: un trozo de oreja que falta es binario y evidente, así que nunca causó desacuerdo. Ese es el modelo de una buena marca idiosincrásica: inequívoca, permanente, visible.

Y luego está la advertencia que debería hacerte cauteloso ante todo el enfoque. Un amplio estudio de densidad de pumas se negó rotundamente a identificar animales sin marcas por sus supuestas marcas naturales, «debido a la incertidumbre inherente que podría sesgar las estimaciones de densidad». Su razonamiento es el meollo del asunto: asignar identidades ad hoc a partir de «cicatrices, muescas en las orejas, formas corporales o porte» puede producir «estimaciones de densidad sesgadas y poco fiables», porque «varios individuos pueden tener rasgos físicos similares, lo que lleva a los observadores a coincidir en asignaciones de identidad incorrectas o a discrepar en asignaciones de identidad correctas». Léelo dos veces. El fallo no es solo pasar por alto una cicatriz: es que dos animales distintos compartan un aspecto parecido y se fusionen, o que un mismo animal parezca distinto en dos fotos y se divida. Esos son precisamente los errores que distorsionaron las estimaciones del leopardo de las nieves.

Hay un verdadero término medio aquí, y conviene ser honesto al respecto en lugar de tomar partido. Una mancha cremosa en la garganta o el pecho puede ser una auténtica huella dactilar cuando es lo bastante compleja. Las martas son el caso de manual: cada una tiene un «babero de patrón único» —una mancha cremosa-amarillenta en el pecho— que «actúa como una huella dactilar, permitiendo distinguir individuos», con formas de borde diferenciadas y marcas internas más oscuras. Esa es una marca natural legítima, más parecida a un patrón de pelaje que a una cicatriz. Pero incluso quienes la usan advierten de la trampa estacional: el babero de una marta «puede verse notablemente distinto entre el grueso pelaje de invierno y el pelo más liso del verano». La lección que se generaliza: un patrón estructural (un babero, un campo de manchas) es mucho más seguro para identificar que un rasgo incidental (una cicatriz que cura, una muesca que quizá estés imaginando).

Un patrón estructural (un babero, un campo de manchas) es mucho más seguro para identificar que un rasgo incidental (una cicatriz que cura, una muesca que quizá estés imaginando).

El problema de las especies sin marcas

Junta todo eso y llegas al obstáculo central y poco anunciado del campo. La mayoría de los animales simplemente no pueden distinguirse de forma fiable a simple vista. En un muestreo de 176 especies de carnívoros, más del 60 % tenía una coloración uniforme en los flancos: sin manchas, sin rayas, nada que cotejar. Los cérvidos son peores, no mejores: «la mayoría de las especies de cérvidos se caracterizan por una alta proporción de individuos anodinos», y es habitual que «se detecten demasiado pocos cérvidos con marcas naturales e identificables» para que la captura-recaptura funcione siquiera.

Las cifras detrás de esto son aleccionadoras. En aquel estudio de 13 poblaciones de venados, la proporción de detecciones que podían vincularse a un individuo identificable osciló entre apenas un 3 % y un 28 %, lo que significa que en la mayoría de los sitios «la inmensa mayoría de las detecciones no podían asignarse de forma fiable a un individuo identificable». Las tasas de identificación con cámara trampa entre especies cuentan la misma historia: una revisión situó el rango alcanzable en aproximadamente un 2 % a un 54 % identificado, desde el 2 % de las imágenes brutas en osos negros asiáticos hasta el 54 % en leopardos. Si solo una fracción de tus animales puede nombrarse, la captura-recaptura clásica se rompe en silencio: no hay suficientes recapturas para estimar nada estable.

Así que el campo construyó soluciones alternativas, y saber cuál encaja con tu situación es la mayor parte de la destreza metodológica. Este es el mapa práctico:

• Marcaje-reavistamiento espacial (SMR). La solución más común. Marcas físicamente a un subconjunto de animales —collares GPS, marcas auriculares— de modo que un número conocido sea identificable individualmente, y luego usas juntas las fotos de animales marcados y sin marcar. El estudio de venados anterior usó SMR para obtener densidades en poblaciones donde solo un 3-28 % de las detecciones eran identificables. Un estudio de linces rojos construyó una versión «híbrida» que incorpora los historiales conocidos completos de los felinos con collar y estrechó sus intervalos de confianza hasta «no superar el 57 %», mejor que los modelos basados solo en fotos. El precio es trabajo de campo real: hay que capturar y colocar collares a algunos animales.
• Identidad parcial. En lugar de exigir una identificación completa, usas información parcial para descartar o admitir combinaciones. Un estudio de pumas modeló el sexo de los animales sin marcas como una «covariable categórica parcialmente identificadora», lo que afinó su estimación: la detección de un macho simplemente no puede ser el mismo individuo que la de una hembra, y esa restricción por sí sola aporta precisión.
• Adelgazamiento aleatorio. Un modelo más reciente que elimina por completo la rígida división entre «marcado y no marcado». Trata la identidad como «un proceso de adelgazamiento aleatorio, en el que las muestras pierden su identidad individual al azar»: algunas fotos son identificables, otras no, y el modelo usa juntas ambas clases sin obligarte a preclasificar a los animales en bandos. Aplicado a osos pardos con en torno a un 60 % de éxito de identificación, redujo la varianza de la estimación de densidad en un 11,8 % frente a los métodos estándar, solo con rescatar las detecciones no identificadas en lugar de descartarlas.
• Doble observador / cámaras emparejadas. Para poblaciones totalmente sin marcas, dos cámaras que vigilan el mismo punto pequeño «desde distintas direcciones» pueden estimar cuántos animales se le escaparon a cada una, corrigiendo la detección imperfecta, pero solo si las dos cámaras detectan «de forma casi independiente». Ese estudio halló que las cámaras pueden dejar de detectar animales entre un 4 % y un 36 % de las veces, lo que se traduce directamente en subestimar la densidad en el mismo orden si se ignora.
• Prescindir por completo de la identificación individual. El modelo de encuentros aleatorios (REM) estima la densidad «sin necesidad de reconocimiento individual» tratando los encuentros animal-cámara como moléculas de gas que chocan: necesita la velocidad de movimiento de los animales y la geometría de detección de la cámara, no sus identidades. Su sucesor generalizado (gREM) extiende esto a «monitorizar poblaciones de animales sin marcas a amplias escalas espaciales, temporales y taxonómicas». Si tu especie no puede distinguirse en absoluto, este suele ser el camino honesto.

Lo llamativo, dado lo mucho que importan estos métodos, es lo poco que se usan. Aquella revisión de SECR halló que los modelos de marcaje-reavistamiento aparecían en «< 5 % de los estudios incluidos»: la mayor parte del campo sigue trabajando solo con el puñado de especies moteadas e identificables o informando de índices más burdos de abundancia relativa. Si estás eligiendo un método para una especie sin marcas, ya vas por delante de la mayor parte de la literatura publicada por el simple hecho de recurrir a la herramienta adecuada.

El animal del lado izquierdo y el animal del lado derecho

Aquí está la trampa que pilla a casi todo el mundo la primera vez, y es pura geometría. Muchos animales son bilateralmente asimétricos: las marcas de su flanco izquierdo son completamente distintas de las de su flanco derecho. Las «marcas del lado izquierdo» de un ocelote «son distintas de las del lado derecho» y, algo crucial, «no todos los individuos cruzan ante la cámara mostrando todos sus lados». Así que si tu cámara fotografía el flanco izquierdo de un ocelote y otra cámara fotografía un flanco derecho de aspecto distinto, no tienes forma de saber si se trata de dos animales o de un animal visto por ambos lados.

Esto no es una molestia menor; bifurca tu conjunto de datos por la mitad. El estudio de linces rojos explicó la consecuencia: como usaron una sola cámara por estación, «no pudieron emparejar las fotos del lado izquierdo con las del lado derecho», de modo que los datos hubo que «dividirlos en historiales de encuentros de lado izquierdo y lado derecho» y analizarlos por separado. Esencialmente ejecutas todo el análisis dos veces, sobre dos conjuntos de animales que no se solapan. En ese estudio, los datos del lado derecho implicaban 44 linces rojos y los del lado izquierdo 36, aunque, para ser justos, no eran estadísticamente distinguibles dados los intervalos de confianza solapados. El equipo del gato montés europeo se topó con el mismo muro: para fusionar los dos lados de un animal en un único registro, «un individuo debe ser fotografiado bilateralmente al menos una vez», y sencillamente «no pudieron identificar ambos flancos de todos los individuos detectados». Su recuento final captó el desbarajuste con precisión: 13 individuos coincidentes en ambos flancos, más 5 flancos derechos sueltos y 3 flancos izquierdos sueltos que no pudieron vincular con nadie.

La solución práctica es mecánica e innegociable para las especies asimétricas: desplegar cámaras emparejadas enfrentadas a ambos lados del paso, de modo que casi todo animal que pase sea fotografiado por ambos flancos a la vez, dándote el enlace bilateral. El estudio de tigres de la India hizo exactamente esto con 35 estaciones emparejadas y cotejó «tanto el flanco derecho como el izquierdo» de forma rutinaria. Si usas cámaras individuales con un animal rayado o moteado, has incorporado el problema de los flancos a tu diseño antes de haber recogido un solo fotograma.

Si usas cámaras individuales con un animal rayado o moteado, has incorporado el problema de los flancos a tu diseño antes de haber recogido un solo fotograma.

Los observadores son el instrumento, y el instrumento se descalibra

Da un paso atrás y fíjate en aquello de lo que depende, calladamente, cada sección anterior: una persona mirando dos fotos y decidiendo que son el mismo animal. Esa persona es tu instrumento de medida y, como cualquier instrumento, tiene una tasa de error, varía respecto a las demás y puede calibrarse. Tratar la identificación como algo obvio —«se nota y ya»— es como se cuelan los errores.

Ya conocemos la cifra estrella: un 12,5 % de las ocasiones de captura clasificadas mal, sesgando las estimaciones poblacionales al alza en torno a un tercio. La razón por la que una tasa de error del 12,5 % se convierte en una sobreestimación del 35 % merece interiorizarse, porque es el modo de fallo que intentas evitar. Ese estudio expuso una taxonomía de tres errores. Un error de combinación fusiona dos individuos en uno. Un error de división hace lo contrario: divide las fotos de un individuo en dos y «crea un individuo "fantasma"», inflando el recuento. Un error de desplazamiento traslada una captura del historial de un animal a otro. Estos no se compensan entre sí. Los errores de división que conjuran fantasmas tienden a dominar, por lo que la identificación descuidada sobreestima en lugar de nivelarse.

¿Qué tan buenos son los observadores, en realidad? Los experimentos más honestos cambian la identificación individual por la tarea estrechamente relacionada de distinguir especies parecidas: misma destreza, mismos modos de fallo, pero con una respuesta correcta verificable. Los resultados no son halagüeños. Los observadores que usaban guías de campo estándar para separar dos especies parecidas de ardillas listadas acertaron solo el 78,2 %, y los observadores sin entrenamiento sobre un conjunto de datos más difícil lograron un 51,3 %: apenas por encima de lanzar una moneda. El veredicto del estudio: «ni siquiera los expertos identifican siempre correctamente las especies a partir de fotografías cuando coexisten especies morfológicamente similares». Los pumas muestran la misma dispersión: evaluadores independientes que puntuaron las mismas fotos de caras alcanzaron un acuerdo solo «moderado a bueno» (una kappa de Fleiss de 0,54, donde 1,0 es perfecto), que solo trepó hasta un «sustancial» 0,76 tras conciliar los casos en que un único evaluador era el disidente solitario.

La mitad alentadora de esto es que los observadores pueden entrenarse, y funciona de forma espectacular. Dales a los observadores de ardillas listadas una clave de identificación hecha a propósito y su precisión saltó del 78,2 % al 93 %; añade entrenamiento encima y llegó al 98,8 %, con los observadores más seguros alcanzando el 100 %. El acuerdo entre observadores subió al mismo ritmo, de una kappa débil de 0,47 con observadores que usaban la literatura a 0,95 tras el entrenamiento con la clave. Las conclusiones son concretas y deberías incorporarlas a cualquier protocolo:

• Redacta una clave de identificación explícita para tu especie y población —los rasgos nombrados que deben coincidir, como el sistema de 15 puntos del leopardo o la regla de los «tres rasgos del pelaje» del lince rojo— en lugar de fiarte de la impresión global.
• Usa más de un observador y mide su acuerdo (informa de la kappa), y luego concilia los desacuerdos de forma explícita en lugar de dejar que prevalezca el juicio de una sola persona.
• Entrena antes de puntuar y vuelve a puntuar; las mejoras de una clave más entrenamiento son mayores de lo que la mayoría espera.

Informa de las fotos que no pudiste identificar

Esta es la parte que los principiantes se saltan y que los revisores deberían exigir, y se desprende directamente de todo lo anterior. Tu conjunto de datos de identificación individual se define tanto por lo que descartaste como por lo que conservaste, y ese montón de descartes es donde vive el sesgo.

Los estudios honestos son escrupulosos al respecto. El equipo de las ardillas listadas capturó 15.847 fotografías y confirmó identificaciones para solo 7.300 de ellas: aproximadamente el 54 % de las imágenes se excluyeron por baja confianza o desacuerdo entre observadores. El estudio de venados informó de su proporción de detecciones identificables (ese 3-28 %) como resultado destacado, no como nota al pie. Una revisión señaló que en el trabajo con cámara trampa «rara vez se informa de la tasa de identificación» siquiera, que es justo el hueco que permite a un estudio presentar calladamente una cifra segura apoyada en una porción fina y escogida a conveniencia de sus datos. Si solo informas de los animales que nombraste con éxito, tu lector no tiene forma de juzgar si eso fue el 90 % de las capturas o el 9 %.

Y la precisión no es lo mismo que la exactitud, que es la trampa que se cierra sobre quienes han hecho todo lo demás bien. Aquella revisión de SECR halló que el estudio mediano informaba de un coeficiente de variación (una medida de precisión) del 30 %, y solo en torno a una quinta parte de los estudios lograba un CV ajustado del 20 % o mejor. ¿Por qué importa? Porque las estimaciones imprecisas no pueden detectar el cambio: con un CV típico del 31 %, un programa de monitorización tiene solo un 32,7 % de probabilidad de detectar un descenso real del 50 % en una población de tigres a lo largo de diez años, que sube al 68 % si consigues bajar el CV al 20 %. Puedes ejecutar un protocolo de identificación impecable y aun así producir una cifra demasiado ruidosa para hacer el trabajo de conservación al que estaba destinada. Informar honestamente de tu tasa de identificación, de tu fracción no identificada y de tu CV es lo que permite a cualquiera notar la diferencia.

Puedes ejecutar un protocolo de identificación impecable y aun así producir una cifra demasiado ruidosa para hacer el trabajo de conservación al que estaba destinada.

Dónde ayuda de verdad la visión por computador

La esperanza obvia es que el software haga desaparecer todo esto: que subas tus fotos y un algoritmo te devuelva los individuos, sin observadores fatigados ni descalibraciones. La realidad es más interesante y más limitada: la IA es realmente buena sugiriendo coincidencias y pésima cuando se le confía a ciegas, y la distinción importa.

Primero, aclaremos una confusión habitual. Los famosos resultados de aprendizaje profundo con cámara trampa son sobre especies, no sobre individuos. El proyecto Snapshot Serengeti entrenó una red con 3,2 millones de imágenes de 48 especies y alcanzó un 94,9 % de exactitud top-1 al nombrar la especie, automatizando el 99,3 % del etiquetado con la misma exactitud que los voluntarios de participación masiva y ahorrando más de 17.000 horas de esfuerzo humano. Eso es transformador para vaciar los fotogramas vacíos y separar «esto es una hiena» de «esto es una gacela», pero no te dice qué hiena. La re-identificación individual es un paso aparte y más difícil que se ejecuta después de la detección y la identificación de la especie.

Para ese paso de re-identificación, el caballo de batalla en los círculos de fauna es HotSpotter, un algoritmo de reconocimiento de patrones que encuentra la textura distintiva de un pelaje o un caparazón y devuelve una lista ordenada de coincidencias probables de tu biblioteca: «uno contra uno» comparando imagen con imagen, o «uno contra muchos» contra toda la base de datos, con una puntuación de similitud en cada una. Es gratuito y funciona en ordenadores corrientes. Su exactitud en animales bien marcados es sólida pero no mágica, y se degrada justo donde cabría predecir. En tortugas carey, HotSpotter puso la coincidencia correcta en la primera opción el 80 % de las veces, subiendo al 91 % dentro de las seis primeras opciones. En carnívoros de Costa Rica clavó los jaguares (85,7 %) y los ocelotes (83,3 %) en la coincidencia de mayor puntuación, pero solo logró un 57,1 % en tigrillos —el felino más pequeño y de patrón menos llamativo—, y la exactitud se correlacionaba con cuántas imágenes tenía cada animal. El patrón es constante: las marcas llamativas y más fotos ayudan; los patrones tenues y los datos escasos perjudican.

El encuadre más útil viene de un estudio que comparó directamente la identificación manual con el flujo de trabajo de HotSpotter. La identificación manual sobreestimó las poblaciones en un 7 % para el guepardo y un 22 % para el leopardo respecto al análisis asistido por algoritmo: el mismo sesgo al alza con el que no dejamos de toparnos, con el software actuando como el árbitro más constante. Esa es la verdadera propuesta de valor: no que la IA sea infalible, sino que no se cansa, no se aburre ni se encariña con una corazonada, así que comete los errores constantes que un paso de conciliación humana puede atrapar, en lugar de los idiosincrásicos que inflan calladamente un recuento.

¿Hacia dónde va esto? La dirección actual son los modelos de re-identificación de propósito general entrenados en muchas especies a la vez. Un modelo de 2024 se entrenó con 49 especies y 37.000 individuos y superó a los modelos por especie en una media del 12,5 % en exactitud top-1, con una versión ya «en uso de producción para más de 60 especies». Los investigadores plantean la promesa a largo plazo como un software capaz de «re-identificar individuos animales más allá de las capacidades de un observador humano», emparejando animales a medida que «salen y vuelven a entrar en el encuadre de la cámara».

Dos cautelas mantienen el bombo con los pies en la tierra, y un investigador cuidadoso debería sostener ambas. Las revisiones del panorama de software comparan estas herramientas por coste, plataforma y método de emparejamiento, pero no publican cifras de exactitud propias, así que tu exactitud en el mundo real es la que sugieran los estudios de campo publicados anteriores para un animal como el tuyo, no la afirmación de un proveedor. Y la exactitud de referencia puede inflarse por una fuga sutil: si imágenes visualmente similares del mismo animal caen tanto en el conjunto de entrenamiento como en el de prueba, un modelo puede parecer mejor de lo que es. Las referencias de re-identificación más recientes usan deliberadamente una «partición consciente del tiempo y consciente de la similitud» para prevenir exactamente este tipo de «fuga de datos de entrenamiento a prueba», lo que significa que las cifras de exactitud honestas suelen ser más bajas que las llamativas que verás citadas. La re-identificación con IA es un asistente potente. Todavía no es —y puede que nunca sea— una razón para saltarse el paso de revisión humana.

El flujo de trabajo honesto, en orden

Poniéndolo todo junto, así es como se ejecuta en realidad un proyecto cuidadoso de identificación individual, y por qué cada paso está ahí:

1. Decide si tu especie es siquiera identificable. Moteada o rayada (tigre, leopardo, ocelote, jirafa, gato montés): sí, con disciplina. De pelaje uniforme (la mayoría de los cérvidos, el puma y el 60 % de los carnívoros): probablemente no por el pelaje, y deberías planear marcaje-reavistamiento, adelgazamiento aleatorio o REM desde el principio, no como rescate a posteriori.
2. Construye la geometría de tus cámaras en torno al problema de los flancos. Empareja cámaras a ambos lados del paso para cualquier animal asimétrico, de modo que captes ambos lados a la vez.
3. Redacta una clave de identificación explícita —los rasgos nombrados y múltiples que deben coincidir— y exige redundancia antes de declarar una coincidencia.
4. Usa varios observadores entrenados, mide su acuerdo y concilia los desacuerdos en lugar de fiarte de un solo par de ojos.
5. Deja que la visión por computador sugiera y que una persona decida. HotSpotter para ordenar candidatos; una persona para confirmar.
6. Informa de lo que no pudiste identificar —tu tasa de identificación, tu fracción no identificada, tu CV— con tanta prominencia como de lo que sí pudiste.

Nada de esto hace que la identificación individual sea fácil. La hace defendible, que, dado que un desliz del 12,5 % puede convertirse en un exceso de conteo del 35 %, es todo el trabajo.

Nada de esto hace que la identificación individual sea fácil. La hace defendible, que, dado que un desliz del 12,5 % puede convertirse en un exceso de conteo del 35 %, es todo el trabajo.

Preguntas frecuentes