Visión por ordenador para el seguimiento de especies de buitres en África
Solución completa
Detección de buitres dorsiblancos con Declas
Stanislas Mahussi Gandaho
Esta solución basada en IA apoya los objetivos 17 y 20 del Marco Mundial para la Biodiversidad (GBF) aprovechando la biotecnología para reforzar el seguimiento de las especies y fomentar la transferencia de tecnología para la conservación de la biodiversidad. Utilizando un modelo de aprendizaje profundo, "You Only Look Once version 11" (YOLOv11), automatiza la identificación y el análisis de buitres en peligro crítico(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) en datos de drones y cámaras trampa. Los datos de African Parks Network (APN), Southern African Wildlife College (SAWC), Endangered Wildlife Trust (EWT), plataformas como iNaturalist y GBIF servirán para entrenar y validar el modelo.
El proyecto aborda retos como el seguimiento laborioso y la falta de datos. Su diseño de código abierto promueve la accesibilidad, la colaboración y el desarrollo de capacidades en las redes de conservación africanas, abordando directamente las lagunas en los sistemas de datos y seguimiento de la biodiversidad.
Última actualización: 10 Oct 2025
83 Vistas
Premio Tech4Nature
Descripción de la tecnología
La solución se basa en el modelo de aprendizaje profundo "You Only Look Once version 11 (YOLOv11)", un marco de vanguardia para la detección de objetos en tiempo real. Este modelo de IA se entrenó específicamente para identificar y supervisar especies de buitres en peligro crítico, empezando por Gyps africanus, utilizando un conjunto de datos de imágenes de cámaras trampa y drones. El modelo entrenado se integró en una aplicación informática de código abierto llamada Wildfier (https://github.com/stangandaho/wildfier). Para mejorar la accesibilidad, el software se está ampliando a la plataforma Declas (https://github.com/stangandaho/declas), un sistema de despliegue escalable diseñado para aplicaciones de conservación. Las futuras mejoras ampliarán las capacidades de detección del modelo a otras especies de buitres, como Gyps coprotheres, Gyps rueppelli y Torgos tracheliotos, ampliando aún más su impacto en la conservación.
La tecnología se desplegó con éxito en dos reservas sudafricanas, Kempiana y Manyeleti, donde analizó aproximadamente 3.265 imágenes y vídeos de cámaras trampa. El sistema proporcionó datos fundamentales sobre la presencia de buitres, la abundancia de la población y los patrones de comportamiento. Al automatizar la identificación y el análisis de las especies, la solución redujo significativamente el tiempo y el esfuerzo necesarios para el seguimiento manual, al tiempo que proporcionaba información precisa y práctica para la planificación de la conservación.
- Avances e innovaciones notables
Uno de los principales avances de esta solución es la automatización de la vigilancia de la fauna salvaje, que sustituye métodos tradicionalmente muy laboriosos por la eficiencia impulsada por la IA. El modelo YOLOv11 ha demostrado una gran adaptabilidad, con un rendimiento fiable en diferentes entornos ecológicos, desde densos matorrales hasta sabanas abiertas. Esta flexibilidad garantiza su aplicabilidad en diversos proyectos de conservación. Además, la naturaleza de código abierto del software promueve su adopción generalizada, permitiendo a investigadores y conservacionistas de todo el mundo utilizar y adaptar la herramienta a sus necesidades.
2. Participación y capacitación de la comunidad
La iniciativa contó con la participación activa de las comunidades locales, los grupos indígenas y los jóvenes. Se organizaron sesiones de formación para guardabosques y conservacionistas en Kempiana y Manyeleti, en Sudáfrica, y en la Inspección Forestal de Kandi, en Benín, para garantizar que pudieran utilizar el programa de forma autónoma. También se organizaron talleres educativos para concienciar sobre la conservación de los buitres, combinando los conocimientos ecológicos tradicionales con la moderna tecnología de IA.
3. Sostenibilidad a largo plazo y responsabilidad medioambiental
El mantenimiento a largo plazo y la evolución de esta solución serán gestionados por Phorux, una empresa de tecnología y gestión de datos (https://dath.phorux.com/). Como parte de este equipo, nos comprometemos a garantizar la mejora continua de la plataforma, su escalabilidad y su adaptabilidad a los nuevos retos de la conservación.
Para garantizar una financiación sostenible, colaboramos activamente con socios técnicos y donantes, como la ONG Naben, el Endangered Wildlife Trust (EWT) y el Southern African Wildlife College (SAWC). El equipo de investigación de Naben, del que formamos parte, desempeñará un papel clave en el seguimiento del rendimiento de la plataforma, recogiendo las opiniones de los usuarios (investigadores, conservacionistas y estudiantes) y proponiendo nuevas características para mejorar su funcionalidad. Este bucle de retroalimentación garantiza que la solución siga estando en consonancia con las necesidades de conservación del mundo real.
Además, nuestra colaboración con la Dra. Lindy Thompson (Coordinadora de Proyectos: Vulture Conservation and Research, EWT Birds of Prey Program, lindyt@ewt.or.za) proporcionará datos fundamentales para perfeccionar y ampliar las capacidades de detección del modelo de IA. Del mismo modo, nuestra colaboración con Peter Hamming (profesor del Departamento de Aprendizaje Aplicado e Investigación, phamming@sawc.org.za) reforzará la validación y aplicación sobre el terreno.
La sostenibilidad financiera se apoya además en subvenciones como la del Comité Directivo de Infraestructuras (ISC) del Consorcio R (https://r-consortium.org/posts/r-consortium-awards-first-round-of-2025-isc-grants/) (subvención ID 25-ISC-1-04), que financió nuestro proyecto de desarrollo de software para la gestión de datos de cámaras trampa y la detección de fauna basada en IA. Este enfoque de múltiples partes interesadas -que combina conocimientos técnicos, asociaciones de conservación y financiación estratégica- garantiza la longevidad de la solución al tiempo que minimiza el impacto medioambiental mediante un despliegue eficiente de la IA con pocos recursos.
Donantes y financiación
En 2024, llevamos a cabo un trabajo de campo en Sudáfrica para identificar posibles árboles de nidificación de buitres dorsiblancos, evaluar las características y la salud de los árboles, y evaluar la viabilidad del uso de IA para la detección de nidos y buitres. Este proyecto fue cofinanciado por el Southern African Wildlife College y la Comisión de la Unión Europea. También agradecemos el apoyo de la Red de Parques Africanos de Benín, que, aunque no es un socio financiador directo, ha aceptado ayudar en la aplicación de esta solución. Su colaboración ha sido inestimable para hacer avanzar nuestros esfuerzos de conservación.
Galería de fotos y vídeos
Contexto
Défis à relever
Desde el punto de vista medioambiental, la solución combate el declive de la población al permitir un seguimiento preciso de los buitres en peligro crítico. Esto contribuye a la conservación selectiva y ayuda a proteger su función ecológica como carroñeros, esencial para evitar la propagación de enfermedades y mantener la salud del ecosistema (Den Heever et al., 2021). Desde el punto de vista social, nuestra solución pretende realizar un seguimiento eficaz de los buitres con cámaras trampa (de Freitas et al., 2025; Fernández-Bellon et al., 2017; Harrison et al., 2019; Maphalala & Monadjem, 2017), ya que el seguimiento tradicional mediante cámaras trampa sigue siendo un reto (Young, Rode-Margono, & Amin, 2018; Vélez et al., 2023). Aborda la falta de concienciación sobre la importancia de los buitres generando datos para apoyar campañas educativas y ofrece una herramienta accesible y de código abierto que capacita a los conservacionistas con recursos limitados. Desde el punto de vista económico, reduce los elevados costes del seguimiento tradicional, que se basa en estudios que requieren mucha mano de obra.
Ubicación
Benín
Sudáfrica
África Occidental y Central
África del Norte
África Oriente y África del Sur
Procesar
Resumen del proceso
El éxito de esta solución integrada depende de cómo sus componentes se refuerzan mutuamente: La recopilación de datos y el desarrollo de inteligencia artificial (bloque 1) proporcionan la base de datos de entrenamiento de alta calidad que alimenta la herramienta de seguimiento Declas (bloque 2), garantizando una detección precisa de las especies. Esta capacidad tecnológica permite que el programa de desarrollo de capacidades y promoción (bloque 3) transfiera eficazmente conocimientos a los profesionales de la conservación. Las redes de socios locales amplifican este impacto facilitando tanto la recogida de datos como la participación de los beneficiarios en la formación, mientras que el apoyo posterior a la formación garantiza la adopción sostenida de la herramienta.
Bloques de construcción
Modelo de reconocimiento de especies de buitres basado en IA
El objetivo es automatizar el seguimiento de los buitres desarrollando un modelo para detectar y clasificar cuatro especies de buitres(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) a partir de datos visuales, reduciendo el esfuerzo manual, acelerando el análisis y garantizando la coherencia. Aprovecha Google Colab Pro+ para ejecutar código Python y entrenar el modelo en grandes conjuntos de datos de imágenes, utilizando el paquete Ultralytics con YOLOv11 para la clasificación de buitres. Las imágenes se almacenan en un Google Drive de 2 TB, se obtienen de la base de datos iNaturalist a través del paquete rinat R y se complementan con datos del Southern African Wildlife College y Endangered Wildlife Trust. El plan del equipo Computer Vision Annotation Tool (CVAT) permite la anotación colaborativa de imágenes, lo que permite a varios usuarios etiquetar y exportar imágenes con anotaciones para la formación y la validación.
Factores facilitadores
- Un conjunto de datos anotados de alta calidad con diversas imágenes que representen las especies objetivo en diferentes entornos y condiciones.
- Acceso a recursos informáticos (Google Colab Pro+) para entrenar y validar el modelo de IA.
- Colaboración con conservacionistas para validar los resultados del modelo sobre el terreno.
Lección aprendida
- Garantizar que el conjunto de datos sea representativo de las condiciones del mundo real para evitar sesgos en la detección (por ejemplo, iluminación, ángulos, hábitats).
- Las actualizaciones periódicas del modelo con nuevos datos mejoran la precisión y la adaptabilidad.
- Entre los problemas cabe citar las clasificaciones erróneas debidas al solapamiento de rasgos de las especies; es esencial contar con expertos que validen los resultados iniciales.
Recursos
Software de código abierto para el seguimiento de buitres
Este módulo aprovecha Declas, una herramienta de IA de código abierto, para automatizar la vigilancia de buitres. Mediante el análisis de imágenes o vídeos, detecta y clasifica las especies con gran precisión. El sistema elimina el recuento manual, lo que permite un seguimiento de la fauna escalable y rentable. Los usuarios -investigadores, guardas forestales o conservacionistas- sólo tienen que cargar los datos visuales y la herramienta genera información en tiempo real para tomar decisiones con conocimiento de causa. Basado en YOLOv11 (Ultralytics) y entrenado a partir de datos obtenidos por crowdsourcing.
Factores facilitadores
- Una interfaz de usuario sencilla e intuitiva para garantizar la accesibilidad de los usuarios sin conocimientos técnicos.
- Documentación y recursos de formación para que los usuarios entiendan y utilicen eficazmente la aplicación.
- Comentarios de la comunidad para mejorar continuamente la usabilidad y las funciones de la herramienta.
Lección aprendida
- La usabilidad es clave; las interfaces demasiado complejas disuaden a los usuarios.
- Ofrecer asistencia técnica y documentación clara garantiza una mayor adopción.
- Entre los retos de integración figuraba alinear los resultados del modelo de IA con herramientas de visualización fáciles de usar.
Recursos
Formación híbrida y defensa de la conservación
Este módulo ofrece formación práctica sobre el uso de Declas a investigadores y conservacionistas de Benín y Sudáfrica (fuera de línea) y de todo el mundo (en línea a través de Zoom). Las sesiones cubren:
- Uso del software: Carga de datos, interpretación de los resultados generados por la IA e integración de las conclusiones en las estrategias de conservación.
- Defensa de la conservación: Aumentar la concienciación sobre el declive de los buitres y el papel de la IA en un seguimiento escalable.
Los alumnos aprenderán a utilizar Declas en los estudios de campo, reduciendo la dependencia de los recuentos manuales y mejorando la precisión de los datos. El enfoque híbrido garantiza una amplia accesibilidad y permite a los equipos locales disponer de una tecnología rentable.
Factores facilitadores
- Internet y electricidad fiables para las sesiones en línea y fuera de línea.
- Apoyo de socios locales para la logística y el compromiso.
- Preparación previa a la formación (materiales, configuración del software).
Impactos
El proyecto ha demostrado importantes repercusiones positivas en las dimensiones medioambiental, social y económica.
Impacto medioambiental
El modelo de inteligencia artificial se probó en Sota, Trois Rivières y Alibori Supérieur Forest (Benín) y en las reservas de Kempiana y Manyeleti (Sudáfrica). En todos estos sitios, identificó con precisión Gyps africanus en más del 89% de las imágenes analizadas, confirmando su presencia en estos ecosistemas. En Benín, detectó una abundancia un 15% superior a la de anteriores estudios manuales, lo que subraya su eficacia a la hora de proporcionar datos fiables para el seguimiento de las poblaciones de buitres. Al identificar los patrones de máxima actividad diaria, ayudó a perfeccionar las estrategias de conservación, como garantizar la disponibilidad de cadáveres durante las horas de máxima alimentación.
Impacto social
El software Declas ya se ha descargado más de 90 veces desde su lanzamiento hace 4 meses (https://zenodo.org/records/14166440) sin promoción ni formación híbrida.
Impacto económico
La herramienta redujo significativamente los costes de seguimiento en un 40%, ahorrando recursos que antes se gastaban en estudios posteriores sobre el terreno con cámaras trampa. La protección de los buitres benefició indirectamente a las economías locales.
Beneficiarios
Las organizaciones conservacionistas africanas, los investigadores y las comunidades locales se beneficiaron de la mejora del seguimiento de las especies, la mejora del acceso a los datos, la capacitación y el refuerzo de los resultados de conservación de los buitres en peligro crítico.
Además, explique el potencial de escalabilidad de su solución. ¿Puede reproducirse o ampliarse a otras regiones o ecosistemas?
La solución tiene un gran potencial de escalabilidad y puede reproducirse en otras regiones o ecosistemas de todo el mundo. El modelo de IA puede reentrenarse con datos locales para vigilar diferentes especies, mientras que la aplicación de código abierto garantiza la accesibilidad a diversos equipos de conservación. Por ejemplo, podría ampliarse para vigilar especies carroñeras en Asia o América Latina, o incluso otras especies clave, como depredadores o polinizadores. Al aprovechar las asociaciones con redes mundiales de conservación, la solución puede integrar conjuntos de datos de múltiples regiones para mejorar su adaptabilidad. Con unos ajustes mínimos, también puede aplicarse a distintos ecosistemas, desde sabanas hasta zonas templadas, siempre que se disponga de datos de imágenes y anotaciones de especies pertinentes. Su rentabilidad y facilidad de uso la hacen accesible a equipos con recursos limitados, lo que facilita aún más su adopción generalizada.
Marco Global para la Biodiversidad (GBF)
Objetivo 17 del FGD - Reforzar la bioseguridad y distribuir los beneficios de la biotecnología
Objetivo 20 del FGD - Reforzar la creación de capacidades, la transferencia de tecnología y la cooperación científica y técnica para la biodiversidad
Objetivos de Desarrollo Sostenible
ODS 3 - Salud y bienestar
ODS 9 - Industria, innovacióne e infraestructura
ODS 15 - Vida de ecosistemas terrestres
ODS 17 - Alianzas para lograr los objetivos
Historia
En el corazón del Sota, en Benín, un joven conservacionista llamado Ange se paró frente a una cámara trampa, maravillado ante la visión de los buitres capturados en el encuadre. Estos buitres no sólo formaban parte de la fauna del parque, sino que eran un indicador de la salud del ecosistema y vitales para las comunidades circundantes. Pero a pesar de su importancia, los buitres, especialmente el Gyps africanus, en peligro crítico de extinción, se enfrentaban a amenazas masivas por envenenamiento, pérdida de hábitat y falta de vigilancia adecuada.
Ange llevaba mucho tiempo dedicada a la conservación de la fauna salvaje, pero le resultaba frustrante rastrear especies como los buitres con métodos anticuados y laboriosos. Los estudios eran a menudo esporádicos, e incluso los conservacionistas experimentados se enfrentaban a la larga tarea de identificar manualmente las especies de buitres. La necesidad de una forma más eficaz y precisa de vigilar a estas aves era evidente, pero no estaba claro cómo dar ese salto. Hasta que Ange conoció nuestra solución. Le intrigaba y había visto de primera mano cómo la limitación de recursos dificultaba a menudo un seguimiento eficaz, y ésta parecía la forma perfecta de garantizar datos más precisos y en tiempo real.
Ange y su equipo empezaron a utilizar la herramienta en Sota. En los primeros meses observaron un cambio radical en su forma de trabajar. La herramienta no sólo identificaba a los buitres con precisión, sino que también ayudaba a seguir su actividad diaria y la densidad de su población. En las reservas sudafricanas de Kempiana y Manyeleti, donde también se probó el modelo, los resultados fueron igualmente transformadores. Los investigadores pudieron evaluar rápidamente la presencia y el comportamiento de los buitres sin necesidad de pasar horas sobre el terreno.
El impacto en el trabajo de Aminata fue profundo. Ya no estaba limitada por los métodos tradicionales. En lugar de ello, ahora tenía acceso a una herramienta de seguimiento sólida, escalable y eficiente que no sólo apoyaba la conservación de los buitres, sino que también contribuía a la sostenibilidad a largo plazo de los ecosistemas en África. La historia de éxito de Aminata es un testimonio del poder de la innovación en la conservación. Demuestra cómo la fusión de tecnología y experiencia local puede generar un cambio real en la protección de especies vulnerables y garantizar la salud de nuestro planeta.
