Identificación individual y estimación poblacional del tritón montano de manchas amarillas (Neurergus derjugini) basado en aprendizaje profundo

Por qué importan los pequeños tritones de montaña

En las alturas de los arroyos de las montañas Zagros de Irán vive un pequeño anfibio en peligro: el tritón montano de manchas amarillas. Como muchas ranas y salamandras del mundo, sus poblaciones están sometidas a la presión de la contaminación, la pérdida de hábitat y el cambio climático. Para proteger a una especie tan frágil, los científicos deben saber cuántos individuos existen y si sus poblaciones están decreciendo o recuperándose, pero las técnicas tradicionales de marcado y seguimiento pueden dañar precisamente a los animales que se pretende salvar. Este estudio muestra cómo fotografías ordinarias tomadas con teléfonos inteligentes, combinadas con inteligencia artificial moderna, pueden reconocer tritones individuales a partir de sus patrones únicos de manchas y estimar su población de forma suave y sin contacto.

De marcajes dañinos a fotografías inocuas

Los biólogos de la conservación han recurrido durante mucho tiempo a métodos como el recorte de dedos, microchips implantados o anillas de colores para distinguir animales a lo largo del tiempo. Aunque efectivos, estos enfoques pueden ser dolorosos, estresantes e imprácticos para anfibios pequeños y delicados que ya enfrentan múltiples amenazas. Los investigadores de este estudio se propusieron sustituir estos métodos invasivos por una técnica fotográfica simple. Los tritones montanos de manchas amarillas lucen de forma natural un manto distintivo de brillantes manchas amarillas sobre piel oscura, parecido a una huella dactilar o a una constelación en el cielo nocturno. Al fotografiar cuidadosamente estos patrones en la naturaleza, el equipo pretendía construir un sistema capaz de reconocer cada animal a simple vista y seguirlo en muestreos repetidos.

Convertir las manchas en datos

Trabajando en un arroyo de montaña conocido como un punto caliente de reproducción, el equipo capturó 549 tritones adultos durante la temporada de 2024. Cada animal se colocó brevemente en una pequeña caja de imagen blanca, iluminada con luz natural suave, y se fotografió desde arriba con un teléfono inteligente estándar. Luego los tritones se liberaron exactamente en el lugar donde fueron encontrados. Ya en el laboratorio, los científicos usaron primero pasos clásicos de procesamiento de imágenes para "enseñar" al ordenador qué contaba como una mancha amarilla y qué era fondo. Al convertir las imágenes en color a una forma que destaca matiz y brillo, y limpiando el ruido visual, pudieron medir cuántas manchas tenía cada tritón, qué tamaño y redondez tenían las manchas y cuánto del cuerpo cubrían. Este método geométrico por sí solo detectó correctamente las manchas en aproximadamente nueve de cada diez casos, incluso cuando las imágenes se recortaban para centrarse solo en la cabeza o el tronco.

Cómo la inteligencia artificial aprende un rostro

Para ir más allá del conteo de manchas y reconocer verdaderamente a los individuos, los investigadores recurrieron al aprendizaje profundo, una forma de inteligencia artificial inspirada en cómo los cerebros procesan la información visual. Entrenaron tres redes neuronales convolucionales diferentes —modelos informáticos que sobresalen en el reconocimiento de imágenes— usando las fotos de los tritones y sus identidades conocidas. Sin indicaciones sobre qué rasgos específicos buscar, estas redes aprendieron a distinguir diferencias sutiles en la disposición y forma de las manchas amarillas. Los tres modelos rindieron de forma impresionante, identificando correctamente casi todos los tritones, con la mejor red alcanzando más del 99 % de precisión. El sistema funcionó especialmente bien cuando analizaba la cabeza y el tronco juntos, lo que sugiere que combinar varias regiones corporales da a la IA “pistas” más fiables sobre quién es quién.

Contar una población oculta

El reconocimiento individual es poderoso porque desbloquea una herramienta ecológica clásica llamada marca–recaptura, en la que los animales detectados en una primera visita son "marcados" y luego buscados de nuevo más tarde. En lugar de marcas físicas, este estudio usó coincidencias de imágenes del sistema de aprendizaje profundo como etiquetas virtuales. En dos muestreos separados por 13 días, el equipo fotografió 332 tritones la primera vez y 217 la segunda, hallando 65 individuos que aparecieron en ambos conjuntos de imágenes. Introducir estos números en una fórmula estándar produjo una estimación local de unos 1.100 tritones montanos de manchas amarillas en el arroyo. Aunque este número conlleva cierta incertidumbre —los animales reales pueden moverse dentro y fuera del área de estudio— ofrece una instantánea no invasiva de cuántos están presentes y proporciona una línea base para seguir cambios futuros.

Qué significa esto para salvar especies

Para un público no especializado, el mensaje clave es simple: al usar fotografías y IA en lugar de bisturíes y marcas, los científicos pueden vigilar a animales vulnerables con mucho menos riesgo de dañarlos. En este caso, las manchas amarillas únicas de un tritón montano se convierten en un código de barras natural que un ordenador puede leer con notable fiabilidad. Este enfoque rápido y de bajo costo podría desplegarse con teléfonos inteligentes y portátiles en sitios de campo remotos, ayudando a los conservacionistas a monitorizar anfibios amenazados mientras los climas se calientan y los hábitats cambian. Más allá de esta especie, el estudio ofrece un modelo para emplear el reconocimiento de imagen moderno para salvaguardar una amplia gama de criaturas tímidas y frágiles cuya supervivencia puede depender de ser vistas —pero nunca tocadas— por las personas que intentan protegerlas.

Cita: Rahmdel, Z., Vaissi, S., Faramarzi, P. et al. Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini). Sci Rep 16, 6475 (2026). https://doi.org/10.1038/s41598-026-36092-2

Palabras clave: conservación de anfibios, identificación por fotografías, aprendizaje profundo, monitoreo poblacional, especies en peligro