Millones de imágenes captadas por las cámaras de vigilancia del condado de Sonoma   

Un oso negro pasa dando tumbos a las 2 de la madrugada. Un puma husmea al atardecer. Una familia de codornices pasa caminando, picoteando la tierra para cenar. 

Cuatro millones de clics de cámaras de rastreo colocadas alrededor del área de la Bahía Norte de San Francisco por el Proyecto de Cámaras de R astro de Audubon Canyon Ranch han capturado criaturas de todas las formas, tamaños y nocturnidad desde 2018. Los investigadores quieren saber: ¿Qué variedad de bichos viven aquí? Cuántos son y qué hacen en este paisaje dominado por los humanos? Para responder a estas preguntas, es necesario analizar y clasificar las imágenes, una tarea demasiado desalentadora para un ser humano (o unos pocos) por sí solo. 

Introduzca: inteligencia artificial 

Los expertos en datos de Conservation AI, una iniciativa organizada por la Universidad John Moores de Liverpool, pretenden aprovechar el aprendizaje automático para proyectos de conservación. Cualquiera que recoja imágenes de cámaras trampa, drones y otros medios puede subirlas al sitio web de Conservation AI para clasificarlas automáticamente. 

Los investigadores del Trail Camera Project estaban encantados de saber que la IA de la conservación podía ayudarles a dar sentido a su enorme colección de imágenes. El proyecto se puso en marcha hace casi seis años con unas pocas cámaras y su popularidad creció rápidamente. A finales de 2023, el proyecto contaba con más de 140 cámaras en todo el condado de Sonoma. La coordinadora del proyecto, Kate Remsen, y un equipo de más de 20 voluntarios recogen imágenes cada pocas semanas de las cámaras colocadas en patios traseros de zonas semirrurales y propiedades privadas.  

El número de imágenes se convirtió rápidamente en una pesadilla para la gestión del tiempo. El pequeño equipo de investigación sin ánimo de lucro no disponía del tiempo ni de los recursos necesarios para registrar y clasificar cada especie con el fin de extraer datos significativos de la colección de imágenes. "La falta de análisis significa que potencialmente nos estamos perdiendo algo importante y simplemente estamos sentados sobre esta valiosa montaña de datos. Ha sido frustrante no ver nada de los datos", dice Remsen. 

El diluvio de datos en la ciencia de la conservación 

El problema de recopilar más imágenes de las que se pueden analizar en la ciencia de la conservación suele denominarse sobre el terreno "avalancha de datos". Los avances tecnológicos facilitan y abaratan la captura de grandes cantidades de datos de imágenes mediante cámaras trampa, imágenes por satélite y drones, lo que ha planteado nuevos retos:  

• Limitación de recursos: Las organizaciones de conservación suelen carecer de recursos, tanto económicos como humanos, para analizar manualmente todas las imágenes recogidas. 
• Análisis que requieren mucho tiempo: El análisis manual de grandes volúmenes de imágenes requiere mucho tiempo y puede no ser factible si se dispone de recursos y plazos limitados. 
• Limitaciones tecnológicas: Las herramientas automatizadas de análisis de imágenes existentes pueden no ser lo suficientemente sofisticadas como para procesar y clasificar con precisión todas las imágenes, especialmente cuando se trata de ecosistemas y especies complejas. 
• Gestión de datos: El almacenamiento, la organización y la gestión de grandes conjuntos de datos de imágenes plantean problemas logísticos, como los relacionados con el almacenamiento, la seguridad y la accesibilidad de los datos. 

En conjunto, estos retos ponen de manifiesto un coste de oportunidad: La incapacidad de analizar eficazmente todas las imágenes recopiladas supone la posible pérdida de valiosos datos sobre la distribución de las especies, su comportamiento, la salud de su hábitat y otros datos cruciales para la conservación. 

Tecnología y colaboración se dan la mano

Para hacer frente a este problema se requiere una combinación de avances tecnológicos, como el desarrollo de análisis automatizados de imágenes más eficaces y precisos, como Conservation AI, así como una mayor colaboración entre organizaciones conservacionistas, investigadores y expertos en tecnología para optimizar las estrategias de gestión de datos y priorizar los esfuerzos de análisis.  

Remsen se siente identificada con el concepto de avalancha de datos. "Como coordinadora del Trail Camera Project, a menudo me siento abrumada por la cantidad de imágenes", explica. "Pero disfruto mirando las imágenes para encontrar las más destacadas y entregárselas a los propietarios. Me encanta oír su emoción cuando encontramos a un ciervo ahuyentando a un coyote de su cervatillo, o a crías de lince rojo retozando con mamá o, por supuesto, al majestuoso puma." 

Scott Jennings, ecologista de Audubon Canyon Ranch y colega de Remsen, añade: "Estamos encantados de utilizar estos nuevos datos para ofrecer a los patrocinadores de las cámaras y a los propietarios de terrenos un conocimiento más profundo de cómo benefician sus tierras a la vida silvestre y cómo pueden gestionarse para mejorar esos beneficios. Con estos datos detallados, podemos compartir con los propietarios información más precisa sobre los animales más abundantes en sus tierras. Y, dado que dispondremos de los mismos datos para una serie de propiedades privadas, así como para nuestras reservas y otros terrenos protegidos, también podremos saber cómo se compara la comunidad animal de una propiedad concreta con lo que cabría esperar de hábitats similares. A partir de ahí, podremos hacer sugerencias sobre mejoras del hábitat para ayudar a los animales que ya utilizan sus tierras y animar a otros nuevos a instalarse en ellas. Si ampliamos la escala, estos nuevos datos también nos ayudarán a comprender los patrones de biodiversidad en todo el paisaje, de modo que podamos entender mejor cómo las propiedades individuales contribuyen a la salud de los ecosistemas a través de los límites de las propiedades." 

Humanos y ordenadores aprenden juntos 

Una explosión de herramientas de identificación de especies, como destaca Smithsonian Magazine (como iNaturalist y eBird), utilizan programas informáticos basados en el aprendizaje automático para reconocer una especie a partir de una imagen. Conservation AI es diferente porque "trabajamos constantemente con organizaciones para desarrollar herramientas y perfeccionar nuestra IA. Nuestros socios son parte integrante del proceso, y desarrollamos modelos a medida para sus necesidades específicas", explica Carl Chalmers, investigador principal de Conservation AI.  

"La IA para la conservación nos está ayudando en dos aspectos importantes", afirma Nils Warnock, director de ciencias de la conservación del Audubon Canyon Ranch. "Está comprimiendo el tamaño de los archivos sin perder resolución para ahorrar un valioso espacio en el disco duro, y utilizando el aprendizaje informático para identificar a los animales en las imágenes con un 90% de precisión. Combinado con Power BI de Microsoft , nuestro objetivo es analizar de forma cohesiva los datos recopilados durante los últimos 5 años y proporcionar informes anuales detallados." El número de imágenes que el proyecto tenía almacenadas en múltiples discos duros era insostenible, hasta que Chalmers creó un código Python para reducir el tamaño de las imágenes pero no su resolución, reduciendo más de 20 terabytes de datos a tan solo cuatro. 

Una relación mutuamente beneficiosa 

Hasta ahora, el equipo del Trail Camera Project ha subido 3,5 millones de imágenes a Conservation AI. Se han detectado 1,98 millones de objetos. Aún queda trabajo por hacer, pero ya se ha clasificado el primer conjunto de datos y la máquina de Conservation AI está siendo sometida a más pruebas. 

Ha surgido una relación mutuamente beneficiosa: los datos de las cámaras de rastreo de Sonoma están ayudando a entrenar el programa Conservation AI para identificar mamíferos norteamericanos, y a medida que la IA mejora en el reconocimiento de los animales de esta región, los científicos del Trail Camera Project obtienen datos más precisos.  

"Estamos recibiendo ayuda para analizar nuestras imágenes y estamos ayudando a desarrollar el aprendizaje de una herramienta global: es una situación en la que todos ganamos", afirma Warnock. "Es estupendo saber que nuestra contribución está ayudando a otros que se enfrentan a los mismos problemas". Chalmers está de acuerdo: "Creo que esta asociación es un gran ejemplo de cómo dos disciplinas pueden trabajar juntas para ayudar a salvar la biodiversidad". 

Participar 

¿Quiere contribuir a la ciencia de la conservación? Aquí tienes formas de participar: 

• Conviértase en patrocinador de una cámara de rastreo - Si vive en el condado de Sonoma, las imágenes recogidas en su propiedad nos ayudan a comprender la densidad y distribución de la fauna salvaje en la región y pueden inspirarnos a todos a tomar medidas para coexistir con nuestros vecinos salvajes.
• Más información sobre Conservation AI  
• Regístrese para obtener una cuenta y ayudar a Conservación AI a etiquetar imágenes
• Póngase en contacto con Conservation AI si necesita ayuda con su proyecto de imagen o vídeo