¿Cuántas cámaras trampa hacen falta? Una simulación muestra que la respuesta va de 10 a 600 sitios

Un diseño de muestreo con cámaras trampa suele arrancar con una pregunta práctica: ¿cuántos puntos instalo? Un estudio publicado el 7 de septiembre responde con un rango que obliga a replantearla: entre 10 y 600 sitios, según cuánto varíen el hábitat y la detectabilidad de la especie en el área.

Los autores simularon estudios de ocupación con distintos tamaños de muestra para ver cuándo la estimación deja de ser confiable (Joshi et al., 2026). Su conclusión central cabe en una frase: no existe un número de sitios que sirva para todos los casos.

Qué se simuló y qué mide el error

Un modelo de ocupación estima en qué fracción de los sitios vive una especie, corrigiendo el hecho de que una cámara puede no registrar un animal que sí pasó por ahí. El estudio evaluó cuántos sitios hacen falta para que esa estimación tenga un error cuadrático medio (RMSE) menor o igual a 0,10.

Según el resumen del artículo, el equipo probó tres escenarios de variación espacial en la ocupación (ψ) y en la detección (p):

1. Sin variación, el punto de referencia.
2. Variación simple, con una covariable (por ejemplo, la altitud) para cada proceso.
3. Variación compleja, con varias covariables, interacciones y variables categóricas.

Para cada escenario combinaron ocupaciones base de 0,20, 0,50 y 0,80 con probabilidades de detección acumulada de 0,65, 0,80 y 0,95, y ajustaron modelos de una sola temporada a conjuntos simulados de entre 10 y 1.000 sitios (Joshi et al., 2026).

Los números: un orden de magnitud entre el caso fácil y el difícil

Escenario	Sitios necesarios
Sin variación espacial	10 a 40
Variación simple (una covariable por proceso)	20 a 120, sin importar cuánta variación haya
Variación compleja (modelos con 2, 3, 4 y 8 parámetros por componente)	40 a 600

Fuente: resumen de Joshi et al. (2026). Los autores lo resumen así: los requisitos "differ by an order of magnitude across realistic scenarios".

Dos hallazgos matizan la tabla. El primero: la probabilidad de detección acumulada es lo que más influye en el tamaño de muestra; la ocupación pesa sobre todo cuando la detección es baja. El segundo: a medida que el modelo se complica, el esfuerzo crece con él. Por la misma lógica, una especie difícil de detectar en un paisaje heterogéneo es el escenario que más sitios exige.

Por qué la regla de "tantas cámaras" falla

El resumen del estudio señala el punto de partida: las recomendaciones sobre el número de sitios "often assume homogeneous conditions and simple model structures", unos supuestos que rara vez se cumplen y cuya violación puede producir estimaciones sesgadas o imprecisas. Es decir, la cifra que circula en guías y manuales sirve para el caso más simple del cuadro anterior, que es justo el menos frecuente en el campo.

En una cordillera, por ejemplo, la probabilidad de que una especie ocupe un sitio cambia con la altitud y con la cobertura, y la probabilidad de que la cámara la registre cambia con la pendiente, la vegetación del sotobosque o el tipo de sendero. Eso es variación espacial en ψ y en p a la vez, y empuja el diseño hacia las filas de abajo de la tabla.

Los autores también advierten de un dilema práctico: las limitaciones logísticas pueden obligar a elegir entre modelos complejos cuya inferencia es poco fiable por falta de sitios y modelos más simples, quizá poco realistas. Su recomendación es hacer análisis de potencia basados en simulación antes de salir a campo.

Cómo usar esto al diseñar un muestreo

Lo que sigue es análisis propio, no una conclusión del estudio. Si se acepta que el número de sitios depende de la especie y del paisaje, hay tres decisiones que conviene tomar antes de instalar la primera cámara:

• Definir la especie objetivo y su detección esperada. Un mamífero grande que usa senderos y uno pequeño y esquivo no necesitan el mismo diseño, aunque compartan el área.
• Decidir cuántas covariables se van a modelar. Cada variable adicional en ψ o en p sube el piso de sitios, según los resultados de los autores.
• Simular antes de comprar cámaras. Los autores publicaron sus guiones en R, con los que se puede repetir el ejercicio para otros valores (código en Zenodo, licencia CC BY 4.0). El resumen indica que ajustaron los modelos con el paquete unmarked.

Qué significa para estudios ambientales y monitoreo

En los estudios ambientales colombianos, la Metodología General de 2018 (Resolución 1402) pide para la fauna un diseño de muestreo "que garantice que la recolección de información sea representativa del área de influencia para cada unidad de cobertura vegetal". En su sección de fauna, la norma no fija un número de cámaras: ese criterio lo pone quien diseña el estudio. Este artículo aporta una forma cuantitativa de justificarlo: la representatividad depende del número de sitios, y ese número depende de cuánto varíe la especie y su detección.

El mismo razonamiento aplica en cualquier país que dependa de ocupación con cámaras para decidir una compensación o un plan de manejo: un estimado de ocupación con pocos sitios y un modelo complejo puede verse preciso y no serlo.

Para el lado del procesamiento de las imágenes, ya publicamos sobre SpeciesNet, la red Otus y la corroboración cruzada entre cámaras y bioacústica. Todos aceleran la clasificación, pero ninguno corrige un diseño con pocos sitios: la IA ordena las fotos, no añade información sobre los lugares donde no se puso una cámara.

Una conclusión

La lección del estudio es incómoda y útil a la vez: la pregunta "¿cuántas cámaras?" no tiene respuesta sin saber cuánto varía el paisaje y qué tan fácil es detectar la especie. Quien diseña un muestreo con una cifra heredada de un manual está apostando a que su caso sea el más simple del cuadro; simular antes de salir cuesta unas horas de cómputo y puede ahorrar una temporada de campo que no alcance para concluir nada.

---

Portada: ilustración conceptual de una cámara trampa en un bosque nublado andino. Imagen generada con IA (openai/gpt-image-2).