Animales Silvestres

DETECCIÓN Y CLASIFICACIÓN AUTOMÁTICA DE ANIMALES SILVESTRES MEDIANTE VISIÓN ARTIFICIAL Y MACHINE LEARNING
DETECCIÓN Y CLASIFICACIÓN AUTOMÁTICA DE
ANIMALES SILVESTRES
MEDIANTE VISIÓN ARTIFICIAL Y MACHINE LEARNING
1
ANIMALES SILVESTRES
2
AUTOR
MSc. Cristian Brito Martínez, Ministerio de Medio Ambiente, Chile.
Químico Ambiental de la Universidad de Chile, Magíster en Inteligencia Artificial de

la Universidad Adolfo Ibáñez y Master en Ingeniería Ambiental de la Universidad de
Castilla La Mancha. Posee más de 17 años de experiencia profesional en el sector
privado y público, liderando la formulación, desarrollo y ejecución de estudios/
proyectos tecnológicos para la gestión de riesgos ambientales, cumplimiento
ambiental, remediación ambiental y conservación de la biodiversidad.
DIAGRAMACIÓN Y DISEÑO
Ministerio del Medio Ambiente
FOTOGRAFÍAS
Obtenidas en Pixabay y Unsplash
Enero, 2022
3
1. MOTIVACIÓN
El propósito de esta publicación es informar y dar a conocer a la comunidad
ambiental, las capacidades y ventajas que la Inteligencia Artificial y en específico
las técnicas de visión artificial (Computer Vision) y aprendizaje automático
(Machine Learning), pueden generar para la detección y clasificación en forma
automática de animales silvestres. Además, se realiza una discusión sobre
las limitaciones que estas tecnologías tienen actualmente. De forma tal de
incentivar a los profesionales que trabajan en asuntos ambientales a colaborar
con especialistas en Inteligencia Artificial. Para desarrollar herramientas que
permitan incrementar y apalancar la generación de conocimiento ambiental
sobre animales silvestres, para disponer de medios adicionales que contribuyan a
la conservación y protección de este tipo de especies.
4
2. INTRODUCCIÓN
La biodiversidad del planeta se encuentra en crisis. Si no se
desarrollan nuevas políticas para su protección y conservación,
se proyecta que para 2.050 la biodiversidad terrestre disminuya
en alrededor del 10% adicional (medido como el promedio de
abundancia de especies o MSA)[1]. La pérdida agregada de
la biodiversidad junto con la pérdida de los beneficios de los
servicios ecosistémicos asociados, se estima entre 2 y 5 billones
de dólares por año[1].
El incremento de la población mundial, el deterioro de los

ecosistemas terrestres y marinos, el tráfico de especies
silvestres, la falta de información ambiental sobre biodiversidad,
ha provocado que muchos animales se encuentren amenazados
o en peligro de extinción[2],[3]. Incrementar la información y
conocimiento ambiental sobre especies silvestres es una tarea
relevante para desarrollar políticas públicas de conservación
ambiental basadas en datos técnicos, que permitan preservar
estos animales y evitar su extinción. No obstante, desarrollar
conocimiento, datos e información ambiental sobre biodiversidad
es una tarea costosa y que puede tardar años. Debido a esto surge
la necesidad de desarrollar y explorar métodos alternativos que
permitan generar en menor tiempo y a menor costo información
y conocimiento sobre especies silvestres.
Entre las diversas tecnologías que están actualmente disponibles,

la Inteligencia Artificial nos proporciona herramientas técnicas
que podemos utilizar para automatizar y hacer más eficiente la
generación de información y conocimiento ambiental, a fin de
estudiar, proteger y conservar la biodiversidad de los ecosistemas
terrestres y marinos[4].
5
3. INTELIGENCIA ARTIFICIAL
La Inteligencia Artificial es una ciencia interdisciplinaria que incluye diversos campos de las ciencias, tecnología
y de las humanidades, tales como: ciencias de la computación, neurociencia, psicología, matemática, lingüística
y filosofía, entre otras[5]. Existen varias definiciones de Inteligencia Artificial y no hay total consenso sobre los
alcances y elementos que debe incluir. No obstante, para los fines de esta publicación se utilizará la definición
propuesta por uno de los padres de esta disciplina el Sr. Marvin Minsky, quien define a la Inteligencia Artificial
como:
“UNA DISCIPLINA QUE SE ENCARGA DE CREAR MÁQUINAS PROGRAMADAS QUE SEAN CAPACES DE
HACER COSAS QUE REQUIEREN LA MISMA INTELIGENCIA QUE SI FUESEN HECHAS POR HUMANOS”
En otras palabras, la Inteligencia Artificial (AI por sus siglas en inglés), es una tecnología desarrollada por
humanos, que permite a las máquinas realizar tareas que requieren decisiones inteligentes. En este marco
la AI incluye áreas tan diversas como el Procesamiento de Lenguaje Natural, Visión Artificial, Aprendizaje
Automático o “Machine Learning”, Aprendizaje Profundo o “Deep Learning”, Sistemas Expertos, Representación
del Conocimiento, Agentes Inteligentes, Robótica, Optimización Metaheurística, entre otras.
Luego, es importante precisar que el Machine Learning (ML) y el Deep Learning (DL) no son equivalentes a
Inteligencia Artificial, ya que el ML es una de las ramas de la Inteligencia Artificial y el DL es a su vez un área
del ML.
BOX 1 HERRAMIENTAS TECNOLÓGICAS PARA PROFESIONALES DEL MEDIO AMBIENTE
Para explorar con más detalle asuntos relacionados al uso de Inteligencia

Artificial en medio ambiente y biodiversidad. Así como una descripción
general de las etapas que normalmente incluye el desarrollo de un
modelo de inteligencia artificial junto con las cuestiones éticas que se
deben considerar. Se recomienda leer la guía:
“INTELIGENCIA ARTIFICIAL PARA LA PROTECCIÓN DEL

MEDIO AMBIENTE Y BIODIVERSIDAD”
6
4. DETECCIÓN Y CLASIFICACIÓN DE ANIMALES SILVESTRES

Los sistemas basados en Inteligencia Artificial utilizan algoritmos para detectar entidades (personas, autos,
animales, etc.), que pueden estar o no en una imagen o video, para luego clasificar esas imágenes. Si la entidad
que se desea detectar está presente en la imagen:
1. El algoritmo ubica cada entidad en la imagen e identifica dicha ubicación mediante un cuadro
(ver figura 1).
2. Asigna a cada detección un valor que indica de manera muy aproximada su confianza en la exactitud.
3. Clasifica la entidad. Ejemplo: gato andino, puma, zorro chilote, etc.
Clasificación: para cada detección, el algoritmo clasifica la entidad detectada en una o más categorías
posibles junto con un valor de confianza. Las clasificaciones pueden ser interespecie (por ejemplo, elefante
v/s tigre) o intraespecie (por ejemplo, gato andino v/s gato colo colo). Si se predicen múltiples clasificaciones
por entidad, su valor de confianza generalmente se expresa como probabilidades que suman 1. Ejemplo: gato
Imagen de Entrada
Clasificación Detección Segmentación
León, 0.98
Figura 1: Detección y Clasificación de animales silvestres
7
8
5. CLASIFICACIÓN AUTOMÁTICA DE ANIMALES SILVESTRES

Para estudiar animales silvestres que habitan en ecosistemas terrestres es una práctica habitual utilizar
cámaras trampa. Las que corresponden a un dispositivo electrónico que graba un video o captura una fotografía,
y que se activan por movimiento (Ejemplo: cada vez que un animal se cruza por el foco de la cámara[7]) o
por calor. Cuando se activa la cámara se captura una secuencia de imágenes de alrededor de un cuadro por
segundo. No obstante, estas cámaras son propensas a activarse debido al movimiento de la vegetación que
produce el viento o por el calor que se irradia desde el suelo, lo que puede generar una cantidad importante
de imágenes vacías. Además, las condiciones ambientales como la nieve y niebla pueden generar imágenes
borrosas en donde no se pueda distinguir bien el animal registrado.
Las cámaras trampa permiten recopilar una gran cantidad de información, pero las imágenes o videos deben ser
revisados en forma manual por especialistas, los que descartan las imágenes vacías, determinan la presencia
de un animal y luego lo clasifican en conformidad al tipo de especie al que corresponda. Esta forma manual de
realizar el trabajo es costosa en términos de tiempo y recursos humanos, lo que limita considerablemente la
escalabilidad y productividad de la investigación[7],[8]. En virtud de lo anterior, la automatización del proceso
de clasificación mediante métodos automáticos basados en visión artificial y Machine Learning podrían
permitir que el proceso sea más escalable y eficiente.
Figura 2: Cámara trampa para estudio de animales silvestres
9
Para resolver las desventajas de los métodos manuales de clasificación de imágenes descritos anteriormente.
Se han desarrollado diversas técnicas para clasificar objetos y animales mediante técnicas de visión artificial y
el empleo de algoritmos de Machine Learning como máquinas de soporte vectorial (SVM), bosques aleatorios
(RF), perceptrón multicapa (MLP). El empleo de estas técnicas requiere realizar un proceso de extracción
y descripción de características del objeto que se desea clasificar en las imágenes, en donde se detectan
bordes, esquinas o se realiza la segmentación de umbrales[9]. La ventaja de utilizar estas técnicas es que
se requieren pocos datos (menores a 100 imágenes). Sin embargo, la dificultad de estas técnicas es que se
requiere elegir y determinar cuáles son las características más importantes para cada imagen (ver figura 3),
proceso que requiere tiempo y es realizado por un especialista en visión artificial. La exactitud reportada de
estos métodos para la clasificación de animales silvestres oscila entre 40 y 90%[10],[11],[12]. En la tabla 1 se
muestra la exactitud reportada para la clasificación utilizando algoritmos de Machine Learning.
Tabla 1: Exactitud alcanzada por técnicas de Machine Learning para la clasificación de animales
silvestres.
TAMAÑO DEL
APLICACIÓN TÉCNICA EXACTITUD CONJUNTO DE REFERENCIA
IMÁGENES
Clasificación de oso gris, zorro, Matuska et al,

ML-SVM 0,4 – 0,8 0,01 K
lobo y ciervo (2014)
Clasificación de tigre, perros Shalika et al,

ML-SVM 0,8 – 0,9 0,01 K <
y gatos (2016)
ML-MLP 0,42 - 0,78 Kumar et al,

Clasificación de gorilas, jirafas, 0,03 K <
leones (2015)
ML-KNN 0,54 - 0,82
ML-KNN 0,4 – 0,55 Naveena et al,

Clasificación de aves 0,01 K <
(2020)
ML-SVM 0,5 – 0,75
ML-SVM 0,78 Alharbi et al,

Clasificación de osos, tigres y 0,15 K
pumas (2019)
ML-MLP 0,82
10
Figura 3: Representación del proceso de extracción de características

de la imagen de un animal.
Las dificultades que genera el uso de algoritmos de ML pueden ser resueltas mediante el empleo de algoritmos
de Deep Learning, los que se basan en el uso de redes neuronales para realizar las tareas de extracción de
características y clasificación de imágenes. Estas redes son entrenadas con imágenes de los objetos que se
requiere clasificar y requieren menos tiempo de preprocesamiento de las imágenes, pues no es necesario
realizar extracción de características, ya que es la misma red la que realiza la tarea de determinar los patrones
más característicos de los objetos que se requiere clasificar en las imágenes[9].
Para realizar la clasificación de animales silvestres, la técnica más común se basa en redes neuronales
convolucionales (en adelante, CNN). Éstas contienen tres tipos de capas neuronales: i) capas convolucionales
que realizan la extracción de características de las imágenes mediante el empleo de diferentes filtros
o núcleos; ii) capas de pooling que realizan la reducción de dimensiones de las imágenes; y iii) capas fully
connected que es donde se realiza la clasificación de las imágenes[13].
La dificultad de utilizar CNN para clasificar animales silvestres tiene que ver con que el entrenamiento de estas
redes requiere el empleo de hardware especializado como GPUs (graphics processing unit), y que necesitan
una gran cantidad de imágenes para ser entrenadas[13]. Generando problemas cuando se requiere usar esta
técnica para clasificar animales para los que no existe mucha información y datos disponibles. No obstante,
esta dificultad puede ser resuelta utilizando técnicas de transferencia de aprendizaje (transfer learning), la
que consiste en emplear el conocimiento adquirido por un modelo previamente entrenado con millones de
imágenes de diferentes clases, para resolver una tarea de carácter más general, pero adaptarlo a resolver
el problema específico de interés para el que se dispone de pocos datos[14]. En la tabla 2 se muestra la
exactitud reportada para la clasificación de animales silvestres utilizando CNN en combinación con técnicas
de transferencia de aprendizaje, en este caso se puede alcanzar una exactitud entre 85 y 99%[15],[16].
11
Tabla 2: Exactitud alcanzada por técnicas de Deep Learning para clasificación de

animales silvestres.
TAMAÑO DEL
APLICACIÓN TÉCNICA ARQUITECTURA EXACTITUD CONJUNTO DE REFERENCIA
IMÁGENES
Clasificación de Ciervo DL-CNN 0,99 185 K

Canadiense Tabak et al,
ResNet-18
Clasificación de Alces DL-CNN 0,98 25 K (2018)
Clasificación de Aves DL-CNN 0,95 61 K

0,951 Chen et al,
Clasificación de Tejón DL-CNN AlexNet 1,08 K
0,832 (2019)
Clasificación d Clasificación
VGG-16 3 Miao et al,
de impalas, elefantes, DL-CNN 0,87 111,4 K
ResNet-50 (2019)
Búfalo, civetas e Tejón
Patel et al,
Clasificación de serpientes DL-CNN VGG-16 0,75 0,25 K
(2020)
Detección de Mosquito Tigre 0,92 6,68 K Armin et al,
DL-CNN ResNet-50
(2021)
5.1. HERRAMIENTAS ONLINE PARA CLASIFICAR IMÁGENES DE ANIMALES SILVESTRES

EN FORMA AUTOMÁTICA
Existen herramientas online y de libre acceso para realizar la clasificación de animales silvestres, en conjuntos
de datos obtenidos mediante cámaras trampa u otros dispositivos digitales. En las plataformas Wildlife
Insight (https://www.wildlifeinsights.org/home), Conservationai (https://www.conservationai.co.uk/), cualquier
investigador puede cargar sus imágenes para clasificarlas en forma automática. En el caso de Wildlife Insight
(ver figura 4) se pueden guardar las imágenes y compartirlas con la comunidad ambiental internacional.
1
Clasificación binaria.
2 Clasificación múltiple (junto a cinco especies más).
3 Promedio de exactitud alcanzada.
12
Figura 4: Información disponible en plataforma Wildlife Insight
El software de libre acceso Timelapse (http://saul.cpsc.ucalgary.ca/timelapse/) también permite clasificar

animales en imágenes y videos capturados mediante cámaras trampa. Además, este software permite extraer
metadatos y más información de las imágenes, por lo que puede ser de gran ayuda para profesionales e
investigadores ambientales.
Si bien mediante el uso de estas plataformas es posible clasificar miles de imágenes por minuto. Se debe
tener en consideración que los modelos de clasificación han sido entrenados preferentemente con animales
que habitan en América del Norte, Europa y África. Por lo que es factible que se logren muy buenos resultados
en la clasificación de especies como elefante (Loxodonta africana), oso pardo (Ursus arctos), cebra (Equus
quagga), lobo gris (Canis lupus), león (Panthera leo), etc. No obstante, es posible que en la clasificación de
animales que habitan en zonas específicas de Asia, Oceanía, y América del Sur como es el caso del gato andino
(Leopardus jacobita), huemul (Hippocamelus bisulcus), oso de los andes (Tremarctos ornatus), guacamayo azul
(Anodorhynchus hyacinthinus), leopardo de las nieves (Panthera uncia), entre otros. La clasificación no logre
una exactitud elevada.
Por ejemplo en la figura 5 se muestran los resultados de una prueba realizada para clasificar mediante una
herramienta online al gato andino, el que es un felino en peligro que habita en las regiones montañosas de
América del Sur. El modelo clasifica en forma incorrecta al gato andino, ya que lo identifica con un 52,8%
de probabilidad como un lince rojo (Lynx rufus) el que es un felino que habita en América del Norte, y con un
24,25% como lince boreal (Lynx lynx) felino que habita en Europa.
13
Los errores en la clasificación de esta especie se pueden deber

a que el modelo de clasificación fue entrenado con imágenes
de felinos que habitan en el hemisferio norte, para los que
existe mayor disponibilidad de datos. Sin embargo, no puede
reconocer una especie que habita en otra zona geográfica, a
pesar de que tiene características similares a las especies que
el modelo si reconoce.
Para resolver lo anterior, se requiere la colaboración entre

especialistas en medio ambiente junto con especialistas
en ciencias de la computación o Inteligencia Artificial. Para
desarrollar modelos automáticos de clasificación ad hoc a
las especies que se desea estudiar, ya que cada problema de
clasificación es único y requiere una respuesta a la medida.
Luego, para desarrollar estos modelos se requieren datos, lo
que podría ser una barrera para el estudio de especies para
los que no se cuenta con información o no hay datos públicos.
Figura 5: Resultados clasificación
gato andino
En el capítulo 6 se describen las técnicas para aumentar en forma sintética los datos, también se recomiendan
bases de datos públicas en donde se puede obtener información y alternativas existentes de colaboración
entre profesionales mediante plataformas de ciencia ciudadana.
14
5.2. EVALUACIÓN DEL DESEMPEÑO DE LOS MODELOS DE

CLASIFICACIÓN
Las métricas normalmente utilizadas para evaluar el desempeño de un modelo de clasificación de animales
silvestres basado en Machine Learning corresponden a precisión, exactitud, recall y F1-score[17],[18],[19]. Si
se toma como ejemplo la tarea de clasificación del “leopardo de las nieves” presente en imágenes obtenidas
mediante una cámara trampa, se tendrán los siguientes escenarios: i) el modelo predice que una imagen
corresponde a un leopardo de las nieves, cuando en realidad no lo es, esto sería un Falso Positivo (FP), ii) el
modelo predice que una imagen no corresponde a un leopardo de las nieves cuando en realidad sí lo es, esto
sería un Falso Negativo (FN), iii) el modelo predice que una imagen corresponde a un leopardo de las nieves y
en realidad sí lo es, esto sería un positivo verdadero (TP), iv) el modelo predice que una imagen no corresponde
a un leopardo de las nieves y en realidad no lo es, esto sería un verdadero negativo (TN). En la tabla 3 se
muestran las fórmulas para calcular las métricas mencionadas anteriormente.
Tabla 3: Métricas para evaluar el desempeño de un modelo de DL o ML
MÉTRICA CARACTERÍSTICAS FÓRMULA DE CÁLCULO

Del total de las predicciones positivas, se TP
Precisión evalúa cuanto de eso era realmente cierto Precisión =
TP+FP
Determina la cantidad de predicciones
Recall positivas sobre todo lo que era realmente TP
Recall =
positivo TP+FN
Combina las medidas de precisión y recall precisión x recall

F1 en un sólo valorun sólo valor
F1 = 2 x
precisión + recall
Representa el porcentaje de predicciones en TP+TN

Exactitud donde el modelo ha acertado sobre el total Exactitud =
TP+TN+FP+FN
de datos
15
16
6. OBTENCIÓN Y AUMENTO DE DATOS

Si no se dispone de suficientes imágenes del animal que se desea detectar o clasificar en forma automática,
debido a que no existen bases de datos públicas o no se ha generado la información ambiental que se
requiere. Existe la posibilidad de utilizar bases de datos públicas en donde se puede compartir, encontrar y
obtener millones de imágenes de diversas especies de animales, las que pueden ser útiles para desarrollar
modelos basados en Machine Learning que permitan clasificar en forma automática animales silvestres. En
las plataformas de ciencia ciudadana iNaturalist (https://inaturalist.org), GBIF (https://gbif.org), eBird (https://
ebird.org) es posible encontrar imágenes sobre aves, mamíferos, insectos y otras especies. También en el
sitio LilaScience (http://lila.science) se pueden encontrar diversas bases de datos con imágenes de animales
etiquetados (nombre del animal que se encuentra en la imagen). En la tabla 4 se describen algunas bases de
datos de libre acceso en donde se pueden obtener imágenes de diversas especies de flora y fauna.
Tabla 4: Bases de datos de libre acceso con información ambiental

NOMBRE DE LA BASE DE Nº DE DATOS
TIPO DE DATOS URL
DATOSBASE DE DATOS DISPONIBLES
Plant Trait Database Registros de 279.875 11,85 M https://www.try-db.org

especies de plantas
Imágenes de cámaras
Snapshot Serengeti trampa de 61 especies de 7,1 M http://lila.science/datasets/
animales silvestres snapshot-serengeti
WCS Camera Trap trampa de 675 especies 1,4 M http://lila.science/datasets/
de animales silvestres wcscameratraps
North American Camera trampa de 28 especies de 3,7 M http://lila.science/datasets/
Trap Images animales silvestres nacti
Registros de 18 especies
Caltech Camera Traps de animales en 140 243 K http://lila.science/datasets/
ubicaciones nacti
HKH Glacier Mapping Imágenes satelitales de http://lila.science/datasets/

14,1 K
Glaciares del Himalaya nacti
BirdVox https://wp.nyu.edu/birdvox/
Registro de audios de aves 179 K
codedata/#datasets
http://www.vision.caltech.
Pasadena Urban Trees Imágenes de árboles 30 K edu/registree/publica-
etiquetadas tions-and-dataset.html
FishBase Imágenes y referencias 55 K https://www.fishbase.in

sobre peces
17
NABirds Imágenes de 400 especies https://dl.allaboutbirds.org/

48 K
de aves etiquetadas nabirds
Stanford Dogs Imágenes de 120 razas de https://www.robots.ox.ac.

20,5 K
perros uk/~vgg/data/flowers/
Animals with attributes Imágenes de 50 especies 37,3 K https://cvml.ist.ac.at/AwA2/

de animales con atributos
Las bases de datos mencionadas anteriormente poseen en su mayoría imágenes de animales que habitan
en América del Norte, Europa y África. No obstante, existe muy poca información de especies que presentan
un alto grado de endemismo o que solamente es posible encontrar en determinadas zonas geográficas de
Centroamérica, América del Sur, Oceanía y Asia. Tales como el gato andino, pudú, jaguar, huemul, oso de los
andes, guacamayo azul, leopardo de las nieves, entre otros.
Esta situación puede ser una barrera para las personas interesadas en el estudio y conservación de especies
endémicas o que se encuentren en peligro. Luego, para resolver lo anterior existe la opción de utilizar la
aumentación de datos o (data augmentation) la que consiste en aumentar artificialmente los datos a partir
de una imagen original, y se basan en el supuesto de que se puede extraer más información del conjunto de
datos original mediante aumentos artificiales. Estos aumentos corresponden a métodos computacionales que
realizan transformaciones geométricas o del espacio de color de las imágenes. Las técnicas de aumentación
de datos más utilizadas en tareas de clasificación de animales silvestres corresponden a cropping, rotation
y flipping (trasformaciones geométricas), y brightness, contrast modifications (transformaciones del espacio
de color)[20],[21],[22]. En la figura 6 se puede apreciar un ejemplo de las transformaciones que las técnicas
de aumentación de datos producen en la imagen original.
Si se dispone de datos, pero no se cuenta con el conocimiento o con los recursos adecuados para etiquetarlos,
es posible solicitar apoyo online en plataformas de ciencia ciudadana como Zooniverse (https://zooniverse.
org), en donde es posible crear proyectos pidiendo a especialistas de todo el mundo que contribuyan a
identificar y etiquetar los conjuntos de datos[8].
18
Cropping
Rotation
Imagen Original
Flipping
Brightness
Contrast
Figura 6: Aumento de datos mediante transformaciones geométricas y del espacio de color
19
20
21
7. PRUEBA DE CONCEPTO PARA CLASIFICAR ANIMALES

SILVESTRES MEDIANTE VISIÓN ARTIFICIAL Y DEEP LEARNING
Para describir y discutir el potencial que tienen las técnicas de visión artificial y Deep Learning para clasificar
animales silvestres, así como también sus limitaciones. Se realizó una prueba de concepto para evaluar el
desempeño de un modelo basado en Deep Learning y transferencia de aprendizaje, para clasificar seis especies
de animales silvestres. Tres especies con características muy diferentes correspondientes a familias y géneros
distintos, y tres especies con características similares pertenecientes a la familia Felidae y género Pantera. A
continuación, se describen los conjuntos de datos utilizados y el modelo con que se realizó la clasificación.
7.1. CONJUNTO DE DATOS UTILIZADO

Las imágenes utilizadas fueron obtenidas de la plataforma de libre acceso Kaggle (http://kaggle.com). Esta
plataforma es un repositorio internacional de conjuntos de datos y códigos, donde es posible consultar
diferentes proyectos de Inteligencia Artificial y obtener los datos que se utilizaron en ellos. Con el propósito de
disponer de la mayor cantidad de imágenes para los animales en estudio, se consultaron diferentes bases de
datos mediante la palabra clave de búsqueda “wildlife ”. El conjunto de datos final fue dividido aleatoriamente
en 70% de las imágenes para entrenamiento, 20% para validación y el restante para el testeo del modelo. En
la tabla 5 se muestra la descripción del conjunto de datos.
Es importante mencionar que si se necesita estudiar un animal para el que no existen bases de datos públicos
y no se disponen de imágenes propias. El uso de Deep Learning podría no ser lo más adecuado. Ante este
escenario es recomendable preguntarse si el uso de técnicas de inteligencia ambiental es lo más apropiado
para el problema en estudio. En muchos casos puede que sin el uso de técnicas de Inteligencia Artificial se
obtengan resultados iguales o mejores.
7.2. Modelo utilizado para realizar la clasificación automática

Para realizar la clasificación se utilizó un modelo consistente en tres partes: i) aumento artificial de datos,
ii) extracción de características, iii) capa de clasificación. Para el aumento de datos se utilizó la librería
albumentation y las técnicas de VerticalFlip y RandomCrop. La extracción de características de las imágenes
fue realizada mediante transferencia de aprendizaje utilizando el modelo preentrenado DenseNet-201. La
capa de clasificación consistió en una red densa fully connected más la función de activación LogSoftmax.
Como framework de trabajo fue utilizado Pytorch y Google Colab como ambiente de trabajo. Para el
entrenamiento del modelo se utilizó la GPU (Graphics Processing Unit) proporcionada por Colab, la que
corresponde a una tarjeta NVIDIA Tesla K80 de 24 GB. Se realizaron diferentes pruebas para encontrar el valor
de los hiperparámetros que producen el mejor desempeño, los mejores resultados se obtuvieron con una tasa
de aprendizaje=0,0001, Num_batch= 32, Epochs= 50, Optimizador= Adam, Función de pérdida= NLLLoss.
22
Tabla 5: Detalle del conjunto de datos construido para este estudio.
NOMBRE COMÚN TIGRE CHEETAH
NOMBRE CIENTÍFICO PANTHERA TIGRIS ACINONYX JUBATUS
IMAGEN REFERENCIAL
Nº DE IMÁGENES 1.000 1.000
NOMBRE COMÚN JAGUAR ELEFANTE AFRICANO
NOMBRE CIENTÍFICO PANTHERA ONCA LOXODONTA AFRICANA
IMAGEN REFERENCIAL
Nº DE IMÁGENES 1.000 1.342
NOMBRE COMÚN OSO NEGRO

COYOTE
AMERICANO
NOMBRE CIENTÍFICO CANIS LATRANS URSUS AMERICANUS
IMAGEN REFERENCIAL
Nº DE IMÁGENES 722 711

23
7.3. RESULTADOS OBTENIDOS

El entrenamiento del modelo tardó 6.596 segundos y en el conjunto de entrenamiento se obtuvo una exactitud
del 99,3%. Para el test se obtuvo una exactitud del 98,8%. Estos resultados demuestran que la clasificación
automática de animales silvestres alcanza una alta exactitud en un tiempo relativamente breve. En la figura
7 se muestran los resultados obtenidos para el entrenamiento y validación del modelo y en la figura 8 se
presentan los resultados obtenidos para el test del modelo.
Figura 7: Resultados para entrenamiento y validación
24
Figura 8: Resultados para test.
Si bien los resultados obtenidos indican que para clasificar seis especies de animales silvestres se obtiene
un 98,8% de exactitud. Estos resultados deben ser tomados con cautela y no significa que para otras tareas
de clasificación de animales se puedan obtener resultados similares. Ya que el desempeño de los modelos
de clasificación puede ser altamente variable y dependiente del tipo, calidad y cantidad de datos con que se
disponga.
En esta prueba de concepto se utilizaron conjuntos de datos pequeños y donde los animales se aprecian bien
en cada una de las imágenes. Luego, se debe tener en consideración que las imágenes que se obtienen en la
naturaleza pueden estar afectadas por ruido o por otros factores que hacen que los modelos generen errores
en la clasificación. En conformidad a lo anterior y tomando en consideración lo descrito por (Greenberg 2020,
Norouzzadeh et. al. 2018, and Beery et. al 2018)[6],[23],[24]. Los siguientes factores pueden causar errores en
la clasificación de imágenes obtenidas por cámaras trampa, mediante modelos de Deep Learning.
OCLUSIÓN POR VEGETACIÓN: En algunos sitios el animal a detectar o clasificar puede estar cubierto por
pasto o ramas de árboles. Esta situación puede provocar que el animal sea más difícil de detectar o generar
falsos negativos.
CAMUFLAJE: Algunos animales tienen un color de su pelaje o patrones en su cuerpo que los hacen difíciles
de distinguir del paisaje de fondo en que se encuentran.
CLASIFICACIÓN COMO ANIMAL DE OBJETOS DEL PAISAJE: En determinadas circunstancias es posible que
el sistema reconozca a una roca o un trozo de madera como un animal y generar falsos positivos.
25
26
27
PERSPECTIVA DEL ANIMAL: Cuando el animal se encuentra muy cerca del dispositivo de captura de imagen,
puede ocurrir que sólo una parte del animal sea visible.
TAMAÑO DEL ANIMAL EN LA IMAGEN: en este caso el tamaño es importante, ya que el sistema de
clasificación puede que no funcione correctamente para clasificar animales que se ven pequeños en la imagen
como resultado de la distancia a la que se encontraban al momento de capturar la imagen. Luego, es probable
que el sistema funcione mucho mejor con animales que se ven grandes en la imagen y de cuerpo completo.
ANIMALES INTERESPECIE E INTRAESPECIE: el sistema de clasificación puede clasificar adecuadamente un

elefante de un tigre ya que son animales interespecie que tienen características y formas muy distintas. No
obstante, es posible que el sistema de clasificación tenga dificultades para clasificar animales que tengan
características similares como puede ser el gato andino y el gato colo colo.
CONDICIONES CLIMÁTICAS Y LUZ: la neblina, niebla, lluvia y nieve pueden generar ruido en las imágenes,
lo que puede afectar el proceso predictivo. Además, la cantidad de luz y sombras que puede haber en las
imágenes puede ocasionar que el animal no se vea adecuadamente.
CALIDAD DE LA IMAGEN: Las imágenes pueden estar borrosas debido a que al momento de su captura el
animal se desplazaba a alta velocidad o existían condiciones de poca luz. Estas situaciones pueden generar
dificultad para detectar y clasificar animales en una imagen.
OCLUSIÓN Y MANCHADO DE LA CÁMARA: Si al momento de capturar la imagen de un animal el lente de

la cámara se encontraba empañado debido a la lluvia/nieve/polvo/condensación o tapado por vegetación. El
sistema podría tener dificultades para clasificar el animal.
28
Tabla 6: Factores que pueden generar errores en la clasificación de imágenes obtenidas mediante
cámaras trampa.
Perspectiva del
Condiciones climáticas Condiciones climáticas animal (demasiado cerca
(presencia de niebla) (caída de nieve) de la cámara)
Camuflaje (color del Tamaño del animal Oclusión por vegetación

paisaje similar al pelaje) (lejos de la cámara) (hojas tapan parte del animal)
Activación de cámara por Roca detectada como animal Oclusión de la

movimiento de vegetación (falso positivo) cámara por arbustos
29
8. SUGERENCIAS
En esta publicación se han descrito las capacidades que tienen las técnicas de Inteligencia Artificial,
en particular la Visión Artificial, Machine Learning y Deep Learning. Para realizar tareas de clasificación
automática de animales silvestres. Estas técnicas permiten reducir sustancialmente el tiempo requerido para
clasificar grandes conjuntos de datos como lo son las imágenes obtenidas mediante cámaras trampa, lo que
puede contribuir a escalar y optimizar las labores de investigación asociadas a fauna silvestre. No obstante,
a pesar de la alta exactitud (ver tabla 2 y los resultados obtenidos en la prueba de concepto realizada para
este estudio), que se logra en tareas de clasificación utilizando técnicas de Deep Learning como CNN y
transferencia de aprendizaje. Se debe tener en cuenta que cada tarea de clasificación de animales silvestres
tiene complejidades específicas como poca disponibilidad de datos, falta de variabilidad de las imágenes,
imágenes con ruido o vacías, entre otros. Por tanto, si para la clasificación de una especie se logra una exactitud
superior al 90%, esto no asegura que para clasificar una especie diferente se logren resultados similares.
Luego, en virtud de lo expuesto y descrito en esta publicación se recomienda lo siguiente:
1. Definir bien el problema ambiental que se desea resolver, los objetivos que se espera lograr y por qué.
Además, se debe analizar la cantidad y calidad de los conjuntos de datos disponibles.
2. Antes de decidir utilizar técnicas de Machine Learning o Deep Learning, es recomendable determinar si
utilizando tecnologías y procedimientos tradicionales se pueden lograr los objetivos planteados en forma
eficiente.
3. Si se requiere mejorar la eficiencia de la clasificación de imágenes de fauna silvestre y se necesita
automatizar procesos manuales. El uso de técnicas de Inteligencia Artificial podría ser una buena elección.
4. Considerar formar un equipo interdisciplinario con especialistas en Medio Ambiente y en Inteligencia
Artificial, quienes pueden ayudar a desarrollar modelos robustos y más ad-hoc al problema ambiental que se
desea resolver o estudiar.
5. Recolectar y preparar los datos ambientales que serán empleados para entrenar los algoritmos de
Inteligencia Artificial que se ha decidido utilizar (SVM, RF, CNN, etc). Si no dispone de suficientes datos,
considere utilizar bases de datos públicas o plataformas ambientales de ciencia ciudadana para obtenerlos.
6. En los conjuntos de datos que se utilizarán, se debe procurar que las imágenes tengan alta variabilidad. Es
decir que correspondan a animales diferentes y en sus diferentes etapas de desarrollo (individuos juveniles y
adultos), machos y hembras en diferentes ubicaciones y posiciones, imágenes de animales en distintos tipos
de terreno y con diferentes condiciones meteorológicas, imágenes capturadas durante las cuatro estaciones
del año y con diferentes intensidades de iluminación.
30
Finalmente, se recomienda que el profesional de medio ambiente que desee desarrollar e implementar un
modelo de Inteligencia Artificial para clasificar animales silvestres, dedique un tiempo adecuado a explorar y
considerar en su proyecto, las cualidades de justicia, responsabilidad, transparencia y ética que todo proyecto
de esta índole debiera tener. También es recomendable evaluar el impacto ambiental que podría ocasionar
el desarrollo del modelo de clasificación, ya que el entrenamiento de estos modelos consume una cantidad
importante de energía eléctrica, lo que puede contribuir a generar emisiones de dióxido de carbono a la
atmósfera (CO2 eq).
9.HUMANOS Y MÁQUINAS “IN THE LOOP”

El uso de técnicas de Inteligencia Artificial en tareas de investigación ambiental o solución a determinados
problemas ambientales, no sustituye la necesidad de que las personas y especialistas en medio ambiente
participen y trabajen en estos procesos. Más bien el uso de AI permite reducir sustancialmente las tareas
repetitivas que requieren una alta inversión de tiempo para realizarse como por ejemplo:
1. Eliminar imágenes o registros vacíos en donde no se encuentra la especie que se desea estudiar.
2. Determinar rápidamente en una imagen el lugar en donde se encuentra la especie que se requiere clasificar
o detectar.
3. Filtrar un conjunto de datos grande (miles o millones de datos), para generar pequeños subconjuntos de
datos que contengan solamente las características que desea analizar el investigador.
4. Detectar y corregir errores en la clasificación de animales silvestres presentes en una imagen.
El tiempo que se ahorra al utilizar técnicas de Inteligencia Artificial para completar las tareas descritas
anteriormente, puede ser focalizado y utilizado por los especialistas en medio ambiente, en tareas que
requieran razonamiento, comprender o explicar los procesos ambientales que ocurren en un determinado
ecosistema. Además, el conocimiento de las personas es vital para mejorar el desempeño de los modelos
basados en Inteligencia Artificial y generar un círculo virtuoso humano-máquina que permita incrementar y
apalancar la generación de conocimiento ambiental.
31
10. CONCLUSIONES
El estado actual del Medio Ambiente en el planeta y los riesgos que se proyectan para el futuro en cuanto
a pérdida de biodiversidad y servicios ecosistémicos asociados. Subrayan la necesidad de desarrollar e
implementar nuevos métodos que permitan acelerar la generación de información y conocimiento ambiental,
los que contribuyan a la implementación de planes de acción y políticas públicas para la conservación de
la biodiversidad basadas en información científica. En este escenario el uso de técnicas de Inteligencia
Artificial como la Visión Artificial y el Machine Learning en tareas ambientales, puede ser una alternativa que
contribuya a optimizar los recursos que se destinan a la investigación en biodiversidad. No obstante cada
problema ambiental tiene un contexto, características y desafíos propios, por tanto se debe tener precaución
al utilizar modelos basados en Inteligencia Artificial que han sido desarrollados en circunstancias y contextos
distintos al problema que se desea resolver.
En este marco, la colaboración y trabajo conjunto entre especialistas en Inteligencia Artificial y Medio Ambiente
puede contribuir a generar modelos automáticos robustos, los que permitan incrementar el conocimiento
ambiental sobre diversas especies de animales y plantas, para mejorar su estado de conservación y prevenir
impactos futuros.
32
BIBLIOGRAFÍA
1. OECD (2012). OECD Environmental Outlook to 2050, OECD Publishing.
2. UN Environment (2019). Global Environment Outlook-GEO-6: Healthy Planet, Healthy People. Nairobi.
3. IPBES (2019). Global assessment report on biodiversity and ecosystem services of the Intergovernmental
Science-Policy Platform on Biodiversity and Ecosystem Services. E. S. Brondizio, J. Settele, S. Díaz, and H. T. Ngo
(editors). IPBES secretariat, Bonn, Germany.
4. Brito C (2021), Inteligencia artificial para la protección del medio ambiente y biodiversidad. Ministerio del
Medio Ambiente, Chile.
5. Mesko B, Görög M, (2020). A short guide for medical professionals in the era of artificial intelligence. npj
Digital Medicine 3:126.
6. Greenberg, S. (2020). Automated Image Recognition for Wildlife Camera Traps: Making it Work for You.
Technical report, Prism University of Calgary’s Digital Repository http://hdl.handle.net/1880/112416, University
of Calgary, Calgary, Alberta, Canada. August 21.
7. Zackary J. Delisle, Elizabeth A. Flaherty, Mackenzie R. Nobbe, Cole M. Wzientek, and Robert Swihart, (2021).
Next-generation camera trapping: Systematic review of historic trends suggests keys to expanded research
applications in ecology and conservation. In Frontiers in Ecology and Evolution.
8. Alexandra Swanson, Margaret Kosmala, Chris Lintott, Robert Simpson, Arfon Smith, and Craig Packer, (2015).
Snapshot serengeti, high-frequency annotated camera trap images of 40 mammalian species in an african
savanna. Scientific Data, 2(1):150026. ISSN 2052-4463.
9. NiallO’Mahony, Sean Campbell, Anderson Carvalho, Suman Harapanahalli, GustavoAdolfo Velasco-
Hernández, Lenka Krpalkova, Daniel Riordan, and Joseph Walsh, (2019). Deep learning vs. traditional computer
vision.
10. Fahad Alharbi, Abrar Alharbi, and Eiji Kamioka, (2019). Animal species classification using machine learning
techniques. MATEC Web Conf., 277:02033.
11. Slavomir Matuska, Robert Hudec, Patrik Kamencay, Miroslav Benco, and Martina Zachariasova, (2014).
Classification of wild animals based on SVM and local descriptors. AASRI Procedia, 9:25–30.
12. Tara A Pelletier, Bryan C Carstens, David C Tank, Jack Sullivan, and Anahí Espíndola, (2018). Predicting plant
conservation priorities on a global scale. Proceedings of the National Academy of Sciences, 115(51):13027–
13032.
13. Athanasios Voulodimos, Nikolaos Doulamis, Anastasios Doulamis, and Eftychios Protopapadakis, (2018).
Deep learning for computer vision: A brief review. Computational Intelligence and Neuroscience, 2018:7068349.
14. Xinyuan Tu, Kenneth Lai, and Svetlana Yanushkevich, (2018). Transfer learning on convolutional neural
networks for dog identification. In 2018 IEEE 9th International Conference on Software Engineering and
Service Science (ICSESS), pages 357–360.
15. Ruilong Chen, Ruth Little, Lyudmila Mihaylova, Richard Delahay, and Ruth Cox (2019). Wildlife surveillance
33
using deep learning methods. Ecology and evolution, 9(17):9453–9466.

16. Zhongqi Miao, Kaitlyn M. Gaynor, Jiayun Wang, Ziwei Liu, Oliver Muellerklein, Mohammad Sadegh
Norouzzadeh, Alex McIntur, Rauri C. K. Bowie, Ran Nathan, Stella X. Yu, and Wayne M. Getz, (2019). Insights and
approaches using deep learning to classify wildlife. Scientific Reports, 9(1):8137.
17. Ahmed Ahmed, Hayder Yousif, Roland Kays, and Zhihai He, (2020). Animal species classification using deep
neural networks with noise labels. Ecological Informatics, 57:101063.
18. Balint Armin Pataki, Joan Garriga, Roger Eritja, John R. B. Palmer, Frederic Bartumeus, and Istvan Csabai,
(2021). Deep learning identification for citizen science surveillance of tiger mosquitoes. Scientific Reports,
11(1):4718. ISSN 2045-2322.
19. Michael A. Tabak, Mohammad S. Norouzzadeh, David W. Wolfson, Steven J. Sweeney, Kurt C. Vercauteren,
Nathan P. Snow, Joseph M. Halseth, Paul A. Di Salvo, Jesse S. Lewis, Michael D. White, Ben Teton, James C.
Beasley, Peter E. Schlichting, Raoul K.Boughton, Bethany Wight, Eric S. Newkirk, Jacob S. Ivan, Eric A. Odell, Ryan
K. Brook, Paul M. Lukacs, Anna K. Moeller, Elizabeth G. Mandeville, Je Clune, and Ryan S. Miller, (2019). Machine
learning to classify animal species in camera trap images: Applications in ecology. Methods in Ecology and
Evolution, 10(4):585–590.
20. Goutte, C., & Gaussier, E. (2005). A Probabilistic Interpretation of Precision, Recall and F-Score, with
Implication for Evaluation. Advances in Information Retrieval, 345–359.
21. D. M. Powers, (2011). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness
and correlation, Journal of machine learning research, vol. 2, no. 1, pp. 37– 63.
22. Vakili, Meysam & Ghamsari, Mohammad & Rezaei, Masoumeh, (2020). Performance Analysis and Comparison
of Machine and Deep Learning Algorithms for IoT Data Classification.
23. Beery S, Van Horn G, Perona P, (2018). Recognition in terra incognita. In Proceedings of the European
Conference on Computer Vision (ECCV) (pp. 456-473).
24. Norouzzadeha, M.S., Nguyenb, A., Kosmalac, M., Swanson, A. Palmere, M.S., Packere, C. and Clunea, J. (2018).
Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning.
PNAS (Proc. National Academy of Sciences of the USA) , 115 (25), E5716-E5725.
34
AGRADECIMIENTOS
Parte del código utilizado en la prueba de concepto presentada en esta publicación fue desarrollado por
Andrea Engdahl. A ella nuestro agradecimiento.
ABREVIACIONES
AI : Inteligencia Artificial
BD : Base de datos
CPU : Central processing unit
CNN : Convolutional Neural Network o Redes neuronales convolucionales
CO2 eq : Dióxido de carbono equivalente
DL : Deep Learning o Aprendizaje Profundo
GBM : Gradient Boosting Machine
GPU : Graphics processing unit
KNN : K-Nearest Neighbors
ML : Machine Learning o Aprendizaje Automático
MLP : Perceptrón multicapa
RF : Random Forest
SVM : Support Vector Machine
35
ANIMALES SILVESTRES

Animales Silvestres

Cargado por

Copyright:

Formatos disponibles

Animales Silvestres

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Animales Silvestres

Cargado por

Copyright:

Formatos disponibles

DETECCIÓN Y CLASIFICACIÓN AUTOMÁTICA DE ANIMALES SILVESTRES MEDIANTE VISIÓN ARTIFICIAL Y MACHINE LEARNING

DETECCIÓN Y CLASIFICACIÓN AUTOMÁTICA DE

Químico Ambiental de la Universidad de Chile, Magíster en Inteligencia Artificial de

El incremento de la población mundial, el deterioro de los

Entre las diversas tecnologías que están actualmente disponibles,

BOX 1 HERRAMIENTAS TECNOLÓGICAS PARA PROFESIONALES DEL MEDIO AMBIENTE

Para explorar con más detalle asuntos relacionados al uso de Inteligencia

“INTELIGENCIA ARTIFICIAL PARA LA PROTECCIÓN DEL

4. DETECCIÓN Y CLASIFICACIÓN DE ANIMALES SILVESTRES

Clasificación Detección Segmentación

Figura 1: Detección y Clasificación de animales silvestres

5. CLASIFICACIÓN AUTOMÁTICA DE ANIMALES SILVESTRES

Figura 2: Cámara trampa para estudio de animales silvestres

Clasificación de oso gris, zorro, Matuska et al,

Clasificación de tigre, perros Shalika et al,

ML-MLP 0,42 - 0,78 Kumar et al,

ML-KNN 0,4 – 0,55 Naveena et al,

ML-SVM 0,78 Alharbi et al,

Figura 3: Representación del proceso de extracción de características

Tabla 2: Exactitud alcanzada por técnicas de Deep Learning para clasificación de

Clasificación de Ciervo DL-CNN 0,99 185 K

Clasificación de Aves DL-CNN 0,95 61 K

5.1. HERRAMIENTAS ONLINE PARA CLASIFICAR IMÁGENES DE ANIMALES SILVESTRES

Figura 4: Información disponible en plataforma Wildlife Insight

El software de libre acceso Timelapse (http://saul.cpsc.ucalgary.ca/timelapse/) también permite clasificar

Los errores en la clasificación de esta especie se pueden deber

Para resolver lo anterior, se requiere la colaboración entre

5.2. EVALUACIÓN DEL DESEMPEÑO DE LOS MODELOS DE

Tabla 3: Métricas para evaluar el desempeño de un modelo de DL o ML

MÉTRICA CARACTERÍSTICAS FÓRMULA DE CÁLCULO

Combina las medidas de precisión y recall precisión x recall

Representa el porcentaje de predicciones en TP+TN

6. OBTENCIÓN Y AUMENTO DE DATOS

Tabla 4: Bases de datos de libre acceso con información ambiental

Plant Trait Database Registros de 279.875 11,85 M https://www.try-db.org

HKH Glacier Mapping Imágenes satelitales de http://lila.science/datasets/

FishBase Imágenes y referencias 55 K https://www.fishbase.in

NABirds Imágenes de 400 especies https://dl.allaboutbirds.org/

Stanford Dogs Imágenes de 120 razas de https://www.robots.ox.ac.

Animals with attributes Imágenes de 50 especies 37,3 K https://cvml.ist.ac.at/AwA2/

Figura 6: Aumento de datos mediante transformaciones geométricas y del espacio de color

7. PRUEBA DE CONCEPTO PARA CLASIFICAR ANIMALES

7.1. CONJUNTO DE DATOS UTILIZADO

7.2. Modelo utilizado para realizar la clasificación automática

Tabla 5: Detalle del conjunto de datos construido para este estudio.

NOMBRE COMÚN TIGRE CHEETAH

NOMBRE CIENTÍFICO PANTHERA TIGRIS ACINONYX JUBATUS

Nº DE IMÁGENES 1.000 1.000

NOMBRE COMÚN JAGUAR ELEFANTE AFRICANO

NOMBRE CIENTÍFICO PANTHERA ONCA LOXODONTA AFRICANA

Nº DE IMÁGENES 1.000 1.342

NOMBRE COMÚN OSO NEGRO

NOMBRE CIENTÍFICO CANIS LATRANS URSUS AMERICANUS

Nº DE IMÁGENES 722 711

7.3. RESULTADOS OBTENIDOS

Figura 7: Resultados para entrenamiento y validación

Figura 8: Resultados para test.

ANIMALES INTERESPECIE E INTRAESPECIE: el sistema de clasificación puede clasificar adecuadamente un

OCLUSIÓN Y MANCHADO DE LA CÁMARA: Si al momento de capturar la imagen de un animal el lente de

Camuflaje (color del Tamaño del animal Oclusión por vegetación