Las cámaras trampa son una herramienta ampliamente utilizada
en la investigación de la fauna silvestre, ayudando a los científicos a
responder preguntas ecológicas (Gómez et al. 2016).
Las cámaras trampa generan una gran cantidad de imágenes, que resulta en
grandes volúmenes de datos, planteando desafíos técnicos al procesarlos,
requiriendo gran inversión de tiempo y esfuerzo (Tabak
et al. 2022). En la actualidad, con el empleo de la Inteligencia
Artificial, se ha transformado la forma en que se procesan imágenes (Schneider et al. 2020). Para ello, se han creado
diferentes plataformas y programas que ofrecen herramientas para la gestión de
imágenes, sintetización de información y generación de bases datos. Una
herramienta interesante que ha integrado Inteligencia Artificial y cámaras
trampa es el software Camelot. La finalidad de esta nota es mostrar la
aplicación práctica de Camelot, destacando sus funcionalidades clave y
utilidad, ilustrado a través de un caso de estudio enfocado en el análisis de
riqueza, abundancia y Patrones de Actividad Diaria de mamíferos medianos y
grandes.
¿Qué es Camelot?
Camelot es un software gratuito con una interfaz intuitiva
que facilita la gestión de imágenes de cámaras trampa, ofreciendo un siguiente
paso natural al filtrado automático de imágenes que ofrece la Inteligencia
Artificial del modelo MegaDetector, y así agilizar el flujo de trabajo
semi-automatizado en el filtrado de imágenes que contiene fauna o personas (Vélez et al. 2022).
Estructura y flujo de trabajo de Camelot
Para mostrar el flujo de
trabajo de Camelot tomaremos como ejemplo un estudio sobre la diversidad
mastofaunística en un Área Natural Protegida en el sur de México. En el estudio
se colocaron 12 cámaras trampa en tres sitios con un total de 1368 días.
La raíz de estructura de datos de Camelot está comprendida
por cuatro elementos base que contienen la información sobre el proyecto,
sitios y estaciones de muestreo, datos de las cámaras trampa, metadatos de las
imágenes y especies (Fig. 1).
1. Información
del proyecto (Surveys): El primer paso es incluir nombre y
descripción del proyecto. Posteriormente se configura el tiempo de independecia
de registros de individuos de la misma especie (utilizamos 60 min), forma de
identificar a las especies (nombre científico), además de campos de
avistamiento que vienen de forma predeterminada como la forma para clasificar
el sexo (Female, Male) y el estadío de vida (Adult, Juvenile). Es posible
ingresar otros campos, como el nombre de individuos identificados por patrones
de manchas.
2. Sitios
de muestreo (Sites): Los sitios de muestreo representan las áreas
donde se colocan las estaciones de muestreo y se establecen según criterios del
investigador. Por ejemplo, en el caso de estudio se muestrearon dos sitios, en
cada uno se colocaron seis estaciones de muestreo, uno en zona conservada del
Área Natural Protegida (Conservado) y el otro en zonas ganaderas (Perturbado).
En cada sitio se le colocó el nombre, localización, ciudad, estado, país y
superficie comprendida.
3. Cámaras
trampa (Cameras): En este apartado se integran el nombre (ejemplo,
CT1, CT2), la marca y modelo de cada cámara trampa. Una o dos cámaras trampa
ubicadas en un mismo lugar constituyen una estación de muestreo.
4. Especies
(Species): Camelot a diferencia de otros programas no tiene
integrada una base de datos de especies, por lo que los nombres científicos se
agregan de forma manual. La base de datos ingresada puede ser utilizada en
otros proyectos e ir agregando nuevas especies cuando sea necesario.
Figura 1. Esquema de la estructura y flujo de
trabajo de Camelot. La estructura se conforma por un Proyecto que contiene
Sitios de muestreo, que incluyen la información de las cámaras trampa y el
listado de especies. El flujo de trabajo inicia con información del Proyecto,
luego se especifican los Sitios de muestreo que contienen la información de las
Estaciones de cámaras trampa. En cada estación, se integran las Sesiones por
cámara trampa, esto genera Imágenes que contienen los Metadatos de los Avistamientos
de las especies.
Figure 1. Schematic of Camelot's structure and workflow. The structure is
made up of a Project containing Sampling Sites, which include the camera trap
information and the list of species. The workflow starts with the Project
information, then the Sampling Sites containing the information from the Camera
Trap Stations are specified. At each station, the Sessions per camera trap are
integrated, this generates Images that contain the Metadata of the Sightings of
the species.
Con la información integrada en los cuatro elementos base,
ingresamos en “Manage camera trap stations” y damos agregar cámara
trampa (Add camera trap). En esta sección seleccionamos uno de los
sitios (ejemplo, Conservado), nombramos a la estación de muestreo (ejemplo,
C1), colocamos la fecha de inicio de actividad de la cámara trampa, las
coordenadas de ubicación en decimales y la relacionamos con alguna de las
cámaras trampa (ejemplo, CT1). Además, se puede ingresar información de
altitud, distancia de colocación de la cámara trampa sobre el suelo, a caminos,
ríos y a asentamientos humanos próximos, información que se utiliza para
diferentes análisis (Fig. 2).
Figura 2. Gestor para la integración de la base
de datos de especies; Configuración de proyecto; Gestor de las Estaciones de
muestreo; Interfaz para la clasificación de imágenes; Información de la
estructura raíz; Manejo de las cámaras trampa; Gestor para la integración de la
base de datos de especies.
Figure 2. Species database integration manager; Project configuration;
Sampling stations manager; Image classification interface; Root structure
information; Camera trap management; Species database integration manager.
Para subir las imágenes a Camelot ingresamos a cada una de
las estaciones de muestreo (ejemplo, C1), colocamos la fecha de recogida de la
cámara trampa e ingresamos si fue retirada, perdida o si sigue activa en campo.
En “Upload media” seleccionamos a la estación de muestreo y arrastramos
las imágenes. En caso de haber un error, por ejemplo, que las fechas de
muestreo de la cámara trampa no coincidan con los metadatos de las imágenes, el
programa dará una advertencia. Camelot no presenta límite de cantidad de datos
que puede admitir, y su rendimiento para la carga de imágenes y otras funciones
depende de la memoria física de la computadora. Por ejemplo, para el manejo de
100 000 imágenes se requiere un mínimo de memoria física de 4096 MB.
Ya con las imágenes subidas nos trasladamos hacia “Library”.
En esta interfaz se clasifican y etiquetan las imágenes. Seleccionamos el
proyecto y la estación de muestreo. En cada imagen o grupos de imágenes se
selecciona “Identify selected” y se agrega la información de la especie
como el nombre científico, cantidad de individuos, sexo y estadío de vida (Fig. 3). Camelot permite la selección de varias
fotografías a la vez para su identificación, lo que hace que el procesamiento
sea más ágil y sencillo.
Figura 3. Panel para la visualización de la
imagen; Gestor de información de la imagen para la clasificación; Panel de
búsqueda; Metadatos de la imagen, I’dentificadores de necesidades de atención,
de prueba, clasificadas y referencia de calidad de imágenes.
Figure 3. Image display panel; Image information manager for classification;
Search panel; Image metadata, care needs identifiers, test, classified and
image quality reference.
Informes analíticos
Camelot incluye un módulo analítico que proporciona informes
con exportación de datos en archivos CSV. Por lo que, una vez finalizado el
proceso de etiquetado, en la interfaz inicial se presiona “Reports”, con
lo que accedemos al menú que genera informes predeterminados entre los que se
encuentran:
Matriz de detección para ajustar modelos de ocupación y con
el programa PRESENCE (https://www.mbr-pwrc.usgs.gov/software/doc/presence/presence_doc.html)
Base de datos para trabajar con el paquete camtrapR de R (Niedballa et al. 2016).
Resúmenes estadísticos por proyecto, sitio, estación de
muestreo, cámara trampa y especie
A diferencia de otros pogramas, Camelot no anida la
información de los sitios de muestreo y cámaras trampa dentro del proyecto, lo
que da flexibilidad a la hora de elegir variables relativas a la
ocupación/abundancia de las especies y su detectabilidad.
En el caso del estudio, se requirieron los datos de
abundancia, número de especies por estación de muestreo, sitio y proyecto,
además de los horarios de actividad de especies con más de 50 registros. En “Reports”
se descargó “effort-summary-report” que proporciona los datos de
esfuerzo de muestreo en días/trampa y el número de especies diferentes
registrada por sitio (Riqueza). Posteriormente se descargaron: “summary-statistics-report”
que contiene información estadística de todo el proyecto y “survey-site-statistics”
que contiene información estadística de cada sitio (Fig 4).
En ambos reportes se pueden observar a nivel de proyecto, sitio o estación de
muestreo las especies observadas, el número de estaciones y veces que fue
registrada cada especie. Además, proporciona la información de la actividad
nocturna, del esfuerzo de muestreo y el Índice de Abundancia Relativa (IAR)
calculado como registros independientes/días-trampa*100.
Figura 4. Ejemplo de reporte final, que incluye
datos clave para cada especie registrada. El reporte incluye nombres
científicos, proporción de estaciones con registros, total de registros,
registros independientes, actividad nocturna, esfuerzo de muestreo e índice de
abundancia relativa (IAR).
Figure 4. Example of final report, including key data for each species
recorded. The report includes scientific names, proportion of stations with
records, total records, independent records, nocturnal activity, sampling
effort, and relative abundance index (RAI).
Para comparar los Patrones de Actividad Diaria entre dos
especies de interés, se descarga el reporte “CamtrapR Record Table” y se
realiza el análisis con el paquete camtrapR de R (Niedballa
et al. 2016) (Fig 5). Como ejemplo
seleccionamos las especies Nasua narica y Pecari tajacu que
presentan más de 50 registros por lo cual utilizamos el estimador “Dhat4” (Meredith y Ridout 2021).
library(camtrapR)
Data_mam
<- read.csv("record-table_2024-05-31_2008.csv",
header = T)
#Se selecciona el reporte “CamtrapR Record Table” de
Camelot y se carga al script
activityOverlap(recordTable = Data_mam, speciesA = "Pecari tajacu",
speciesB = "Nasua narica", speciesCol
= "Species", recordDateTimeCol = "DateTimeOriginal", recordDateTimeFormat = "ymd HMS", addLegend = TRUE, legendPosition = "topleft",
pngMaxPix = 1000, add.rug = TRUE,
overlapEstimator = c("Dhat4"))
#Se seleccionan al reporte y especies Pecari tajacu y
Nasua narica, además del estimador “Dhat4” utilizado cuando ambas muestras son
mayores a 50 registros
Figura 5. Ejemplo de superposición temporal de
los patrones diarios de actividad para Nasua narica y Pecari tajacu. Se muestra
la superposición temporal entre las especies que está representada por el área
sombreada. El coeficiente de superposición (Dhat4) varía de “0” sin
superposición a “1” con superposición completa.
Figure 5. Example of temporal overlap of daily activity patterns for Nasua
narica and Pecari tajacu. The temporal overlap between species is shown and is
represented by the shaded area. The overlap coefficient (Dhat4) varies from
"0" with no overlap to "1" with complete overlap.
Desventajas
Entre las desventajas que presenta Camelot a diferencia de
otras plataformas, es que no realiza directamente el reconocimiento de
especies, ni encuadra al animal, ni genera informes personalizados para otros
programas o paquetes de R como unmarked (Kellner et
al. 2023) o spOccupancy (Doser et al. 2022). Además,
la importación masiva de datos puede ser complicada para usuarios nuevos y algunas
tareas, como la carga y búsqueda de imágenes, pueden volverse lentas a medida
que aumenta el tamaño del conjunto de datos.
Finalizando
Camelot reduce notablemente el tiempo de etiquetado,
preparación de bases datos y generación de reportes. Si bien no se ha evaluado
el rendimiento de Camelot, el modelo MegaDetector (https://saul.cpsc.ucalgary.ca/timelapse/pmwiki.php?=Main.DownloadMegadetector) que utiliza presenta un rendimiento
entre el 87 al 99% en el filtrado de imágenes. En el ejemplo presentado y por
experiencia en el uso de otros programas como Wild.ID (https://github.com/ConservationInternational/Wild.ID) y Timelapse2 (https://saul.cpsc.ucalgary.ca/timelapse/pmwiki.php?n=Main.Download2),
Camelot redujo notablemente el tiempo de etiquetado y en la preparación de
reportes para los análisis. Para más información sobre su uso se puede
consultar https://camelot-project.readthedocs.io/en/latest/
Disponibilidad de datos
La revisión abierta de la nota está disponible en: https://github.com/ecoinfAEET/Notas_Ecosistemas/issues/55
Los datos y código asociados a la nota están en: https://github.com/Jennerodas/Ejemplo_Camelot
Agradecimientos
Gracias al grupo de Ecoinformática de la AEET, a Julen
Astigarraga, David García Callejas, Pablo Quiles Tundidor y Loreto
Martínez-Baroja por sus valiosos comentarios para mejorar esta nota. Al Programa
de Doctorado en Ciencias en Biodiversidad y Conservación de Ecosistemas
Tropicales, de la Universidad de Ciencias y Artes de Chiapas y al Consejo
Nacional de Humanidades, Ciencias y Tecnologías CONAHCYT.
Referencias
Doser, J.W., Finley, A.O., Kéry, M., Zipkin, E.F. 2022. spOccupancy: An R
package for single‐species, multi‐species, and integrated spatial occupancy models. Methods In
Ecology And Evolution 13(8), 1670-1678. https://doi.org/10.1111/2041-210x.13897
Gómez, A., Díez, G., Salazar, A., Díaz, A.M. 2016. Animal Identification
in low quality camera-trap images using very deep Convolutional Neural Networks
and confidence thresholds. En: Bebis, G.,
Boyle, R., Parvin, B., Koracin, D., Porikli, F., Skaff, S. Entezari, A. (eds.).
Advances in Visual Computing. ISVC 2016. Lecture Notes in Computer Science,
pp. 747-756, vol 10072. Springer, Cham. https://doi.org/10.1007/978-3-319-50835-1_67
Kellner, K.F., Smith, A.D., Royle, J.A., Kéry, M., Belant, J.L., Chandler,
R.B. 2023. The unmarked R package: Twelve years of advances in occurrence and
abundance modelling in ecology. Methods In Ecology And Evolution 14(6),
1408-1415. https://doi.org/10.1111/2041-210x.14123
Meredith,
M., Ridout, M. 2021. overlap: Estimates of
Coefficient of Overlapping for Animal Activity Patterns. https://CRAN.R-project.org/package=overlap
Niedballa, J., Sollmann, R., Courtiol, A., Wilting, A. 2016. CamtrapR: an R
package for efficient camera trap data management. Methods In Ecology And Evolution 7(12), 1457-1462. https://doi.org/10.1111/2041-210x.12600
Schneider, S., Greenberg, S., Taylor, G.W., Kremer, S.C. 2020. Three critical
factors affecting automated image species recognition performance for camera
traps. Ecology And Evolution 10(7), 3503-3517. https://doi.org/10.1002/ece3.6147
Tabak, M.A., Falbel, D., Hamzeh, T., Brook, R.K., Goolsby, J.A.,
Zoromski, L.D., Boughton, R.K., et al. 2022. CameraTrapDetectoR: Automatically
detect, classify, and count animals in camera trap images using artificial
intelligence. bioRxiv (Cold Spring
Harbor Laboratory). https://doi.org/10.1101/2022.02.07.479461
Vélez, J., McShea, W.J.,
Shamon, H., Castiblanco‐Camacho,
P.J., Tabak, M.A., Chalmers, C., Fergus, P., et al. 2022. An evaluation
of platforms for processing camera‐trap data using artificial
intelligence. Methods In Ecology And
Evolution (Online), 14(2), 459-477. https://doi.org/10.1111/2041-210x.14044
