Fototrampeo: cómo diseñar el muestreo y analizar los datos de las cámaras trampa

Una cámara trampa produce miles de fotos, pero casi todo lo que decide si el estudio sirve se resolvió antes: cuántos puntos, cuántas semanas, en qué época y con qué pregunta. Una foto bonita de un jaguar no corrige un diseño que no puede responder lo que se quería saber.

Esta guía recorre el camino completo, del diseño al análisis, con la evidencia publicada y un ejemplo resuelto con datos hipotéticos. Sirve para quien arma un monitoreo propio y para quien tiene que revisar el estudio de otro.

Primero la pregunta: ¿riqueza, ocupación o tasa de detección?

El diseño depende de lo que se quiere medir. Tres respuestas típicas, con lo que cada una exige:

Pregunta	Métrica	Qué exige el diseño
¿Qué especies hay?	Riqueza	Muchos sitios y un tiempo suficiente para acumular especies
¿Qué proporción del área usa una especie?	Ocupación (ψ)	Repetir la observación en cada sitio para estimar la probabilidad de detección
¿Cómo cambia la actividad de una especie entre lugares o épocas?	Tasa de detección	Esfuerzo comparable entre sitios y covariables locales

Una revisión de 266 estudios con cámaras trampa publicados entre 2008 y 2013 encontró que la mayoría usaba variables que ignoran la detección imperfecta (presencia-ausencia o abundancia relativa), que muchos hicieron muestreos oportunistas y que varios no describían los detalles del diseño que podían afectar las conclusiones (Burton et al., 2015). La lección práctica: definir la pregunta y la métrica antes de comprar cámaras evita ese problema.

Cuántas cámaras, cuántas semanas y en qué época

El estudio de Kays y colaboradores es la evaluación empírica más grande disponible sobre estas tres decisiones. Submuestrearon 2.225 despliegues de 41 áreas del mundo y midieron cuánto cambiaban las estimaciones de mamíferos al variar el número de sitios, la duración y la estación (Kays et al., 2020):

Decisión	Hallazgo
Número de sitios	25 a 35 para estimar bien la riqueza. Para ocupación: menos de 20 si la especie es común (ψ > 0,75) y más de 150 si es rara (ψ < 0,25)
Duración por cámara	2 semanas es lo más eficiente para detectar especies nuevas; 3 a 4 semanas para estimar bien la tasa de detección local; sin ganancia visible después de 1 mes
Época del año	Entre 37% y 50% de las especies cambiaron de forma significativa su ocupación o su detección a lo largo del año

Fuente: Kays et al. (2020), de donde sale también la recomendación del recuadro. En los sitios tropicales, tomando juntas todas las cámaras de un área, se había detectado el 84,9% de las especies a las dos semanas y el 97,1% a los 30 días.

El hallazgo de la época tiene una consecuencia directa: comparar un muestreo de la época seca con uno de lluvias, o un año con otro, sin modelar la estacionalidad, mezcla cambios reales con cambios de temporada. Y la cifra de "cuántos sitios" no es universal: una simulación reciente la sitúa entre 10 y 600 según cuánto varíen el hábitat y la detección.

Un protocolo de referencia y lo que se sabe de su potencia

La red TEAM, el programa de monitoreo con cámaras trampa más extenso en el trópico, ha desplegado cámaras en una grilla de 60 a 90 puntos, a razón de 1 a 2 por km² en cada bosque, activadas una vez al año durante un mes (30 días de muestreo). Una evaluación de su potencia estadística encontró que el protocolo detecta cambios moderados (5% o más) en la ocupación en 3 o 4 años para especies relativamente comunes, con probabilidad de detección mayor a 0,2 (Beaudrot et al., 2019).

La misma evaluación advierte que el protocolo no puede detectar los cambios típicos en especies raras y esquivas, "a category into which many tropical species and many species of conservation concern fall". Los números lo confirman: de las 511 poblaciones que monitorea la red, solo 150 (29,3%) tenían ocupación y detección suficientes para evaluar si un cambio era detectable, y para 359 (70,3%) la probabilidad de detección era menor de 0,04. Un diseño estándar puede bastar para las especies comunes y no servir para la que más preocupa.

En los estudios ambientales colombianos, la Metodología General de 2018 trata el fototrampeo como una de las técnicas para mamíferos medianos y grandes, junto a los transectos, y no fija número de cámaras (el detalle está en nuestra guía de caracterización de flora y fauna). El criterio de diseño lo pone quien hace el estudio, y debe poder justificarlo.

De las fotos a los datos: el evento independiente y un ejemplo resuelto

Antes de analizar hay que decidir qué cuenta como un registro. Una especie que se queda frente a la cámara genera decenas de fotos, así que se agrupan en eventos independientes con un intervalo mínimo entre fotos de la misma especie en la misma estación. No existe un valor único: un estudio en la Amazonía brasileña comparó filtros de 30 minutos, 60 minutos, 12 horas y 24 horas, y encontró que la riqueza estimada se mantuvo estable, pero que el orden de abundancia y la composición aparente cambiaron, sobre todo para las especies poco registradas (Silva et al., 2026).

Con esa idea, la tasa de detección más usada es:

eventos independientes ÷ noches-cámara × 100

Un ejemplo hipotético, con cifras inventadas y cálculo verificado con un script: ocho estaciones, hasta 30 días activas cada una, una sola especie (un roedor nocturno del bosque).

Estación	Noches activas	Fotos	Eventos (filtro de 30 min)
E1	30	6	3
E2	30	1	1
E3	28	0	0
E4	30	6	5
E5	30	0	0
E6	25	2	2
E7	30	0	0
E8	30	6	4
Total	233	21	15

Con 15 eventos en 233 noches-cámara, la tasa es 15 ÷ 233 × 100 = 6,44 eventos por 100 noches-cámara. Si el filtro cambia, el resultado cambia:

Filtro de independencia	Eventos	Tasa por 100 noches-cámara
10 minutos	18	7,73
30 minutos	15	6,44
60 minutos	14	6,01
24 horas	12	5,15

La misma base pasa de 7,73 a 5,15 solo por el filtro. Por eso el intervalo se decide antes y se reporta siempre.

La ocupación ingenua es más simple: la especie se registró en 5 de 8 estaciones, es decir 0,625. Pero esa cifra mide dónde se la vio, no dónde estaba. Para corregirla se divide el muestreo en ocasiones (aquí, bloques de 5 días) y se construye una historia de detección por estación (1 = detectada, 0 = no, guion = la cámara no estuvo activa todo el bloque):

Estación	Ocasión 1	2	3	4	5	6
E1	1	1	0	1	0	0
E2	0	0	1	0	0	0
E3	0	0	0	0	0	-
E4	1	1	1	0	0	1
E5	0	0	0	0	0	0
E6	0	0	0	1	1	-
E7	0	0	0	0	0	0
E8	1	1	0	0	1	0

Entre las cinco estaciones con registros, la especie se detectó en 13 de 29 ocasiones válidas (0,45, un cálculo grueso, solo ilustrativo). Una detección que falla más de la mitad de las veces explica por qué E3, E5 y E7 pueden estar ocupadas sin que se haya visto al animal. Un modelo de ocupación usa justamente estas historias para estimar a la vez la ocupación y la probabilidad de detección, algo que el 0,625 ingenuo no hace.

Qué análisis sirve para cada pregunta

• Tasa de detección (índice de abundancia relativa). Es fácil de calcular y de comunicar. Su límite es que supone igual detectabilidad entre sitios y épocas: la revisión de Burton et al. (2015) señala que los estudios que la usan se apoyan en ese supuesto y que la mayoría no define la relación esperada entre el índice y la abundancia real; además, el artículo califica de controvertidas las inferencias basadas en índices de detección. Sirve mejor para comparar un mismo sitio en el tiempo con esfuerzo constante que para comparar hábitats distintos.
• Ocupación de una especie. Estima ψ y p a la vez y admite covariables (altitud, cobertura, distancia a vías). Exige repetir observaciones y definir bien qué es un "sitio"; Burton et al. (2015) notan que la mayoría de los estudios de ocupación no definió ese componente ni discutió posibles violaciones de supuestos como el cierre del sitio.
• Ocupación de comunidades. Modela varias especies a la vez y comparte información entre ellas, útil para las raras. El paquete de R camtrapR incorporó un flujo de trabajo para modelos de ocupación comunitarios y la importación de los formatos Wildlife Insights y Camtrap DP (camtrapR, 2025); es un artículo preliminar, aún sin revisión por pares.

Una última recomendación sobre la potencia: antes de salir a campo, simular. La evaluación de TEAM usó la aplicación gratuita PowerSensor! justamente para eso, y mostró qué poblaciones quedaban fuera del alcance del protocolo.

Guardar los datos para que alguien más pueda reutilizarlos

El estándar Camtrap DP es "a community-developed data exchange format for camera trap data", mantenido por el Grupo de Interés en Observaciones de Máquina de TDWG. Organiza el proyecto en un archivo de metadatos y tres tablas: deployments (dónde y cuándo se instaló cada cámara), media (los archivos) y observations (qué aparece en ellos). Registrar desde el inicio las coordenadas, la fecha de instalación y retiro de cada cámara y los días activos permite calcular noches-cámara y armar las historias de detección sin reconstruirlas después.

Para el paso de clasificar las fotos, la inteligencia artificial acelera el trabajo: ya publicamos sobre SpeciesNet, la Red Otus y la corroboración cruzada con bioacústica. Ordena las fotos, pero no corrige un diseño con pocos puntos o con un esfuerzo mal registrado.

Qué incluir en un informe para que se pueda evaluar

Lo que sigue es análisis propio, basado en los vacíos que Burton et al. (2015) encontraron en la literatura:

• Número de estaciones, espaciamiento entre ellas y criterio de ubicación (senderos, aleatorio, estratificado).
• Fechas de instalación y retiro, y noches-cámara efectivas por estación.
• Filtro de independencia usado y por qué.
• Métrica y modelo (índice, ocupación de una especie o de la comunidad), con las covariables.
• Qué especies no se pueden evaluar con ese esfuerzo.

Una conclusión

El fototrampeo no falla por las cámaras sino por las preguntas que no se hicieron antes de instalarlas. Con la evidencia disponible, un punto de partida razonable es de 40 a 60 sitios por 3 a 5 semanas, que se ajusta hacia arriba cuando la especie es rara o el paisaje es variable. Y si el estudio no puede demostrar que tuvo esfuerzo suficiente para detectar lo que busca, un "no se registró" no significa que no estuviera.

---

Portada: cámara trampa sujeta a un árbol en un bosque nublado, con un GPS y un cuaderno de campo. Imagen generada con IA (openai/gpt-image-2).