Professional Documents
Culture Documents
Editores
Y. GONZLEZ, E. DVILA, V. DUARTE
Instituto Nacional de Bioingeniera
Universidad Central de Venezuela, Caracas - Venezuela
M. V. CANDAL, O.PELLICCIONI
Departamento de Mecnica
Universidad Simn Bolvar, Caracas Venezuela
J. DARIAS
Departamento de Fsica
Universidad Simn Bolvar, Caracas Venezuela
M. CERROLAZA
Centro Internacional de Mtodos Numricos en Ingeniera
Universidad Politcnica de Catalua, Barcelona - Espaa
Yomar Gonzlez
Instituto Nacional de Bioingeniera
Universidad Central de Venezuela
Editorial:
Formato:
E-book
!"#$%&'"()*+*&,%"'&'"-).!*/.'".)0.!*,&/&*'".)'"&*+*0.')-%-12&*
+3*14567896:*.3*;7<=8>:*?3*;@>AB9:*#3*'>5C>8:*-3,988=DD=45=:*E3*;>A=>F:*#3*'9AA48>6>*G.C=B4A9FH*I*JKLM*!?#)"*
*
04C4F*84F*C9A9DN4F*A9F9A<>C4F
CARTOGRAFA PREDICTIVA DE CLASES DE SUELO CON REDES NEUROBORROSAS EN UN SECTOR DE LA CUENCA ALTA DEL RO GURICO
ngel Rafael Valera
valeraangel2@gmai.com
Centro de Investigacin y Extensin en Suelos y Aguas, Universidad Rmulo Gallegos, CIESAUNERG. San Juan de los Morros, Gurico, Venezuela.
Jess Arnaldo Viloria
Mara Corina Pineda
jesus.viloria@gmail.com
pinedamariacorina@gmail.com
Laboratorio de Agrologa, Instituto de Edafologa, Facultad de Agronoma, Universidad Central
de Venezuela, Maracay, Aragua, Venezuela.
!
"
Resumen. En la actualidad son diversos los mtodos cuantitativos empleados para la prediccin
de propiedades del suelo como base del conocimiento de la variacin espacial, lo que permite
satisfacer los requerimientos de diferentes usuarios interesados en la aplicacin de modelos
agrcolas y ambientales. Sin embargo, son escasos los mtodos automatizados utilizados para la
integracin de los modelos de propiedades especficas de manera conjunta en un modelo de
variacin espacial de clases de suelo, para apoyar la toma de decisiones sobre la conservacin de
los suelos, el manejo de cuencas y el desarrollo de proyectos agro-ambientales. En esta
investigacin se aplica un mtodo de agrupamiento de propiedades relevantes, para dividir el
continuo suelo en clases que exhiban una mayor homogeneidad y que faciliten la transferencia de
informacin edafolgica. El trabajo presenta una nueva alternativa para la obtencin de un mapa
de clases de suelo en paisajes de montaa, en un sector de la cuenca alta del ro Gurico, a travs
de una clasificacin no supervisada basada en una red de agrupamiento borroso de Kohonen
(FKCN, Fuzzy Kohonen Clustering Network). Esta red, que consiste en una combinacin del
algoritmo de mapas autoorganizados (SOM) y el algoritmo Fuzzy C-means (FCM), permiti la
extraccin y la generacin de clases locales de suelo, automticamente, a partir de un conjunto
de modelos de inferencia de propiedades del suelo en formato raster. Los mapas de propiedades
del suelo fueron obtenidos en investigaciones previas con el mtodo kriging de regresin, el cual
consiste tambin en una combinacin de dos mtodos. Primero, un modelo de regresin lineal
mltiple entre datos de suelo e informacin auxiliar derivada de un modelo digital de elevacin
11OJ*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!
#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11OV
facilitated the establishment of correlations with taxonomic families spatially distributed in the
sector. The validation of the prediction model digital soil classes presented a value of 94%
overall accuracy and Kappa index of 87%, indicating a high degree of correspondence between
the types of soil evaluated and the existing reality.
Keywords: Fuzzy clustering networks, FKCN, Soil class, Kriging, DEM.
1.
INTRODUCCIN
El conocimiento de la variacin espacial de las propiedades del suelo permite satisfacer los
requerimientos de diferentes usuarios interesados en la aplicacin de modelos agrcolas y
ambientales o en la toma de decisiones relacionadas con la variacin espacial de algunas
propiedades particulares del suelo. Sin embargo, otros usuarios tienen el inters y la necesidad de
visualizar el comportamiento de varias propiedades relevantes del suelo de manera conjunta, en
un modelo de variacin espacial de clases de suelo. La implementacin de un proceso de
clasificacin de suelos puede reducir eficazmente la complejidad de la informacin y contribuir
al entendimiento de las principales caractersticas de los grupos de suelos. En este proceso
siempre se pierde alguna informacin, aunque proporciona un medio conveniente para la
identificacin de grupos naturales de individuos que tienen propiedades comunes.
La cartografa predictiva de suelos (CPS) permite integrar diversos modelos de variacin
espacial de propiedades especficas o particulares, para obtener clases de suelo. En este sentido,
la CPS se aplica en un intento de dividir el continuo suelo en clases que exhiban una mayor
homogeneidad de las propiedades especficas que el continuo en su conjunto. El desarrollo de
mtodos cuantitativos o numricos son insumos importantes que han impulsado la cartografa
predictiva, donde han surgido alternativas emergentes como las tcnicas de inteligencia artificial,
basadas en lgica borrosa (LB), redes neuronales artificiales (RNA). La integracin de ambas
tecnologas ha dado paso a los sistemas neuroborrosos, los cuales combinan la capacidad de
aprendizaje y adaptacin de las RNA y el poder de la interpretacin lingstica de la LB. Al
respecto, existen trabajos realizados por investigadores en Venezuela y otros pases, que indican
que el uso de estas tecnologas permite producir mapas de mejor calidad y en menos tiempo que
los mtodos tradicionales
El objetivo de esta investigacin fue la integracin de los modelos de variacin espacial de
propiedades relevantes del suelo obtenidas con tcnicas de kriging de regresin (RK), para
producir un modelo de prediccin espacial de clases de suelo. Para tal fin, se aplic una tcnica
de clasificacin inductiva, basada en la integracin de los mapas del conjunto de propiedades del
suelo empleando una red neuronal de agrupamiento borroso.
2.
MATERIALES Y MTODOS
11OW*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!
por laderas de montaa con pendientes del 40%. La geologa est representada por rocas
metavolcnicas y basaltos de la formacin El Cao-El Chino, y por metalavas mficas de la
formacin El Carmen [1]. La zona presenta una altitud comprendida entre 334 a 1405 msnm, con
una precipitacin media anual que oscila entre 1100 y 1400 mm y una temperatura media anual
que vara entre 22 y 26 C. La vegetacin herbcea ocupa ms del 50% de la cobertura del sector,
como producto del uso ganadero en condiciones extensivas, el sobrepastoreo y las quemas
anuales. Los suelos en su mayora son Entisoles, Inceptisoles y Alfisoles, cuya variabilidad se ha
incrementado por el uso de la tierra basado en ganadera extensiva, y la incidencia de los
movimientos en masa [2]. Esta situacin ha trado como consecuencia que la cuenca est
sometida a intensos procesos de degradacin ambiental, por lo que es necesaria la organizacin
de la informacin de suelos para apoyar la implantacin de planes de manejo.
2.2. Mtodo de estimacin de propiedades del suelo
La estimacin de las propiedades del suelo se realiz con la aplicacin del modelo de
prediccin espacial denominado kriging de regresin (RK, Regression Kriging) o kriging de
residuales, basado en la combinacin de la tcnica kriging ordinario y la regresin lineal
mltiple. Este modelo estadstico integra los valores de regresin de variables edficas y
atributos ambientales, con los valores de la interpolacin de los residuales de dicha regresin. El
algoritmo RK considera la correlacin local entre variables ambientales y la bondad de ajuste no
satisfactoria de los modelos de variacin espacial para un determinado conjunto de datos [3]. Las
variables auxiliares se derivaron en estudios previos, partiendo de un modelo digital de elevacin
(altitud (msnm), pendiente (rad), orientacin de la pendiente (rad), ndice topogrfico de
humedad, rea de captacin (m2), perfil de curvatura (m.m-2), plano de curvatura (m.m-2),
posicin relativa) y una imagen de satlite Spot (NDVI), a 15 m de resolucin espacial [4].
Adicionalmente se utiliz un mapa de precipitacin estimado por kriging ordinario [2].
Con RK se generaron los modelos de variacin de once (11) propiedades del suelo,
organizadas de acuerdo con su naturaleza en: i) morfolgicas: espesor del horizonte A (Esp A),
espesor del solum (Esp AB), profundidad efectiva (PEF); ii) fsicas: esqueleto grueso (%EG),
arena (%a) y arcilla (%A), y iii) qumicas: contenido de carbono orgnico (%CO), capacidad de
intercambio catinico (CIC), calcio intercambiable (Ca), porcentaje de saturacin con bases
(PSB) y pH del suelo en agua (1:1). Estas variables fueron empleadas como parmetros de
entrada a la red.
En la prediccin de las propiedades edficas se emplearon 100 perfiles de suelo para generar
los modelos (75%), y 33 perfiles para la validacin (25%). Cada perfil de suelo fue clasificado a
nivel de familia de clases de tamao de partcula [5].
2.3. Prediccin de clases de suelo
Para la generacin del modelo predictivo de clases de suelo se emple una red de
agrupamiento borroso de Kohonen (FKCN, Fuzzy Kohonen Clustering Network), la cual consiste
en una combinacin del algoritmo de mapas autoorganizados (SOM, Self-organizing maps) y el
algoritmo Fuzzy C-means (FCM) [6, 7]. El algoritmo utilizado en esta investigacin fue
programado en lenguaje Java SE 6, Sun Microsystems, USA por Viloria-Botello [8].
Red neuronal de agrupamiento borroso FKCN. La arquitectura de la red neuronal FKCN
#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11OX
consta de tres capas (Fig. 1): i) la capa de entrada, la cual contiene los valores normalizados de
las once (11) variables edficas generadas con RK en formato raster; ii) la capa de distancias,
que incluye las neuronas equivalentes al nmero preestablecido de clases locales de suelo, y iii)
la tercera capa, la cual calcula la funcin de pertenencia de cada celda a cada una de las clases de
suelo, basada en las distancias determinadas en la capa anterior y los valores preestablecidos del
coeficiente de borrosidad () [9].
Los atributos del suelo fueron agrupados en una matriz de datos bajo formato ASCII para la
aplicacin del sistema FKCN, lo que permiti evaluar el agrupamiento de pxeles con diversos
nmeros de clases (6 a 12) y diferentes coeficientes de borrosidad (= 1.1 a 1.6), ya que la
magnitud de este exponente determina el grado de borrosidad del modelo final. A las clases de
suelo obtenidas se les asign el significado edafolgico a travs de la interpretacin de su
distribucin espacial, las descripciones de los centroides de clases, y las matrices de los valores
de similitud obtenidos mediante el algoritmo FKCN, conjuntamente con la informacin de la
influencia de los factores formadores de los suelos de la zona.
(1)
11OM*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!
n
F (1 / n)
i 1
(
k 1
ik
)2
(2)
k fo fe /( n fe)
(3)
EG ( fo / n)
(4)
Para el clculo de los ndices utilizados se emple el mdulo de validacin de mapas de suelo
del programa de cartografa digital de suelos SoLIM Solutions [13]. La validacin se realiz con
un conjunto de datos independientes de los perfiles de suelo utilizados en la prediccin de las
clases de suelo.
3.
RESULTADOS Y DISCUSIN
#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11OY
L3KK
K3[K
K3ZK
K3YK
!"#"
!"#$
!"#%
!"#&
!"#'
!"#(
FPI
K3MK
K3XK
K3WK
K3VK
K3JK
K3LK
K3KK
M
[
LK
Nmero de clases
LL
LJ
Figura 2 - Variacin del ndice de rendimiento borroso (FPI) en funcin del nmero de clases
3.2. Clases de suelo neuroborrosas
Los resultados de los valores de las propiedades del suelo al centro de cada clase de suelo
neuro-borrosa se indican en la Tabla 1. Las clases A y B agrupan suelos donde no se ha formado
el horizonte B, son superficiales o poco profundos y tienen un horizonte A muy delgado. Son de
textura franca, con un pH moderadamente cido, aunque el complejo de cambio tiene una
moderada a alta saturacin con bases. Las clases difieren principalmente en la cantidad de
fragmentos gruesos en la superficie, los cuales son abundantes en los suelos de la clase A.
Las clases C y D se caracterizan por agrupar suelos de moderada profundidad, con un
horizonte superficial delgado de texturas francas a franco arcillosas. Ambas difieren en el
espesor del solum, en la profundidad efectiva y en el contenido de esqueleto grueso de la capa
superficial. Las propiedades qumicas son similares, con un pH moderadamente cido y un
complejo de cambio con alta saturacin de bases cambiables.
Tabla 1. Centroides de las clases de suelo obtenidas con FKCN
Clase Esp A Esp AB PEF
13
13
31
A
14
14
43
B
15
34
55
C
18
60
68
D
16
71
84
E
15
41
49
F
15
85
96
G
19
95
119
H
21
105
109
I
20
106
126
J
%EG
40
20
27
41
24
14
12
7
20
23
%a
27
26
30
34
29
27
29
27
28
29
%A
24
22
34
25
21
26
32
23
29
40
CIC
24
27
29
22
35
22
21
26
21
27
Ca
12
11
9
10
13
9
13
10
9
9
PSB
61
52
57
60
50
50
46
58
47
39
pH %CO
5.53 1.84
5.26 1.90
5.27 1.83
5.47 1.94
5.22 2.37
5.14 1.90
4.82 2.40
5.41 2.17
4.89 2.58
4.56 2.53
11OZ*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!
Esp A: Espesor A (cm), Esp AB: Espesor del solum (cm), PEF: Profundidad efectiva (cm), EG:
Esqueleto grueso, a: arena, A: Arcilla, CIC: Capacidad de intercambio catinico (cmol kg -1), Ca:
Calcio cambiable (cmol kg-1), PSB: Porcentaje de saturacin con bases, CO: Carbono orgnico,
pH en agua (1:1).
Familia(s) Correlacionada(s)
Skij
0.93 Lithic Ustorthents, francosa fina; Lithic Ustorthents,
francosa gruesa
0.73 Lithic Ustorthents, francosa gruesa
0.59 Typic Haplustepts, francosa fina
0.65 Lithic Haplustepts, francosa gruesa
0.59 Typic Haplustalfs, francosa fina
0.78 Lithic Dystrustepts, francosa fina
0.40 Typic Dystrustepts, francosa fina
0.83 Typic Haplustepts, francosa fina
0.59 Typic Haplustalfs, fina
0.81 Ultic Haplustalfs, francosa fina
Sup. (ha)
1246
1192
565
548
315
949
528
545
404
468
Skij, representa el valor de similitud entre el suelo en un pxel (i, j) y la clase de suelo neuro-borrosa K.
En la mayora de los casos estudiados, existen altos valores del grado de pertenencia de los
pxeles a las clases neuro-borrosas, lo que refleja una clara facilidad a la hora de establecer
correspondencias entre los suelos con la clasificacin taxonmica a nivel de familias de clases de
tamao de partcula.
El agrupamiento final de las clases obtenidas con el sistema FKCN se representa
#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11O[
espacialmente en el modelo predictivo de la Fig. 3. Bajo este enfoque, las clases de suelo tienen
una expresin geogrfica y una distribucin espacial bastante concentrada y discreta. Este
aspecto las hace discernibles y de gran facilidad para separarlas o relacionarlas con las diversas
unidades de paisaje representativa de la cuenca estudiada, permitiendo el anlisis de las
relaciones suelo-paisaje.
Figura 3 - Modelo predictivo de clases de suelo en un sector de la cuenca alta del ro Gurico.
De acuerdo con el modelo obtenido, se evidencia el escaso desarrollo edfico en la casi
generalidad de los suelos de laderas de los paisajes del rea estudiada, posiblemente por la
ocurrencia de procesos erosivos, deslizamientos y movimientos en masa (clases A y B). En la
regin central y occidental, se manifiesta un ligero desarrollo edfico con ciertas variaciones en
el espesor del solum como consecuencia de los procesos de formacin (clases C y F). En las
crestas tambin existen suelos de incipiente desarrollo (clases D y G), y en las vegas de los valles
intramontanos ocurren procesos que promueven dicho desarrollo (clase H). En la regin oriental
existen ocurrencias de perfiles con un mayor grado de evolucin pedogentica, ya que la
cobertura vegetal y las condiciones microclimticas favorecen dicho desarrollo (clases E, I y J).
3.3. Evaluacin de la confiabilidad del mapa de suelo
Los resultados de la evaluacin de las clases de suelo presentaron una exactitud equivalente
al 94% (Tabla 3), donde las clases neuroborrosas fueron bien clasificadas a nivel de familia de
clases de tamao de partculas. De igual manera, el coeficiente kappa corrobora el grado de
acuerdos entre las clases de suelo observadas y las estimadas con un conjunto de datos
independientes, con un valor de 0.87. Este ndice indic que el modelo de clases predictivas
presenta una fuerza de concordancia !"#$%&'()*("+a! ,&-(."(/(0+(!&con respecto a la realidad de
las clases de suelo existentes, lo cual significa que la matriz empleada es 87% mejor que el que
podra resultar de aplicar otro clasificador que asigne las clases de suelo al azar.
Los resultados de la validacin del enfoque FKCN demostraron que es una alternativa para
11OLK*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!
4.
Calibracin 1
0.870
Validacin 2
0.939
0.830
0.871
CONCLUSIONES
#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11OLL
[3].*Sun, W., Minasny, B., McBratney, A. B., Analysis and prediction of soil properties using
local regression-kriging. Geoderma, vol. 171-172, pp. 23-30, 2012.
[4].*Valera, A., Inventario de suelos y paisajes con apoyo de tcnicas de cartografa digital
en reas montaosas. Caso Cuenca del Ro Caramacate, Estado Aragua. Tesis de
Doctorado en Ciencias del Suelo. UCV. Postgrado en Ciencias del Suelo. Maracay,
Estado Aragua, Venezuela, 2015.
[5].*Soil Survey Staff. Keys to Soil Taxonomy. Twelfth Edition. United States Department of
Agriculture. Natural Resources Conservation Service. NRCS-USDA.Washington DC.
372 p, 2014.
[6].*Bezdek J. C., Ehrlich, R., & Full, W., FCM: the fuzzy c-means clustering algorithm.
Computers and Geosciences, vol. 10, pp. 191-203, 1984.
[7].*Lin, C., & Lee, C., Neural fuzzy systems. Prentice Hall, Inc. New Jersey, USA. 797 p,
1996.
[8].*Viloria-Botello, A. Estimacin de Modelos de clasificacin de paisaje y prediccin de
atributos de suelos a partir de imgenes satelitales y modelos digitales de elevacin.
Trabajo Especial de Grado. UCV. Caracas, Venezuela, 2007.
[9].*Viloria, J. A., Viloria-Botello, A., Pineda, M. C., & Valera, A., Digital modelling of
landscape and soil in a mountainous region: A neuro-fuzzy approach. Geomorphology,
vol. 253, pp. 199-207, 2016.
[10].*Odeh, I. O. A., McBratney, A. B., & Chittleborough, D. J., Soil pattern recognition with
fuzzy c-means: application to classification and soil landform interrelationships. Soil Sci.
Soc. Am. J., vol. 56, pp. 505- 516, 1992.
[11].*Bezdek J. C. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum
Press. 256 p. New York, 1981.
[12].*Cohen, J., Weighted kappa: nominal scales agreement with provision for scaled
disagreement or partial credit. Psichological Bulletin, vol. 70, pp. 213-220, 1968.
[13].*Zhu, A. X., & Burt, J. E., Digital Soil Mapping Software: SoLIM Solutions 2013.
Reference Manual. Institute of Geographic Sciences, Natural Resources ResearchChinese Academy of Sciences-The University of Wisconsin-Madison, 2013.
[14].*Zhu, A. X., Yang, L., Li, B., Qin, C., English, E., Burt, J. E., & Zhou, C., Purposive
Sampling for Digital Soil Mapping for Areas with Limited Data. In: Hartemink, A.E.;
Mendona-Santos, M. L., A.B. McBratney, A. B., eds, Digital Soil Mapping with
Limited Data, Springer-Verlag: New York, pp 233-245, 2008.
11OLJ*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!
[15].*McKay, J., Grunwald, S., Shi, X., & Long, R. F., Evaluation of the transferability of a
knowledge-based soil-landscape model. In: Boettinger J., D.W. Howell, A.C. Moore,
A.E. Hartemink, & S. Kienast-Brown (eds.). Digital Soil Mapping: Bridging Research,
Production and Environmental Applications. pp. 165-177. Springer, Heidelberg, 2010.