MEMORIAS DEL CONGRESO INTERNACIONAL DE MTODOS

NUMRICOS EN INGENIERA Y CIENCIAS APLICADAS, CIMENICS

Caracas - Venezuela, del 11 al 13 de julio de 2016

Vol. XIII, SIMULACIN Y APLICACIONES

RECIENTES PARA CIENCIA Y TECNOLOGA

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

SOCIEDAD VENEZOLANA DE MTODOS

NUMRICOS EN INGENIERA
Instituto de Materiales y Modelos Estructurales
Facultad de Ingeniera
Universidad Central de Venezuela

Vol. XIII, SIMULACIN Y APLICACIONES RECIENTES PARA CIENCIA Y

TECNOLOGA
Primera edicin: julio de 2016
SVMNI
Los Editores
Diseo de la portada:

Yomar Gonzlez
Instituto Nacional de Bioingeniera
Universidad Central de Venezuela

Editorial:

Sociedad Venezolana de Mtodos Numricos en Ingeniera

Universidad Central de Venezuela (SVMNI)
Caracas, Venezuela
Telf. +58 (0) 212 2852827 / 2859608 / 2868094

Formato:

E-book

La figura en la portada del libro es cortesa de Jean F Dulhoste, Jos D. Montenegro,

Rafael Santos, Carlos Ramrez, y corresponde al trabajo titulado: comparacin de
capacidad de generacin de energa en turbinas elicas Darrieus y Savonius por modelado
numrico.
La figura en la contraportada del libro es cortesa de Eduardo Albnez, Johnny Rengifo,
Alexander Bueno, Jos M. Aller, y corresponde al trabajo titulado: Modeling of the
synchronous reluctance machine based on finite element method for drive applications
considering saturation.
El contenido de este libro no puede ser reproducido, almacenado en un sistema de
informacin mecnico o electrnico, fotocopiado, grabado o trasmitido sin la autorizacin
escrita de la SVMNI o de los Editores.
Publicado en 2016 por SVMNI
Julio 2016, Caracas -Venezuela





ISSN: 2477-9687
Memorias del Congreso Internacional de Mtodos
Numricos en Ingeniera y Ciencias Aplicadas,
CIMENICS
ISBN: 978-980-7161-05-3
Vol. XIII, Simulacin y aplicaciones recientes para
ciencia y tecnologa

!"#$%&'"()*+*&,%"'&'"-).!*/.'".)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:*'"#.)"'!

(MDE) y de imgenes de satlite. Segundo, la interpolacin de los residuos de la regresin por

medio de kriging. Para el anlisis se emplearon once variables edficas como entrada a la red
neuronal: espesor del horizonte A (Esp_A), espesor del solum (Esp_AB), profundidad efectiva
(PEF), Contenido de esqueleto grueso, (%EG), arena (%a), arcilla (%A), carbono orgnico
(%CO), capacidad de intercambio catinico (CIC), calcio cambiable (Ca), porcentaje de
saturacin con bases (PSB) y pH. La confiabilidad del modelo de prediccin de clases, se evalu
por medio de una validacin estadstica con un conjunto de datos independientes. Se determin
que el modelo ptimo de representacin consta de diez clases de suelo obtenidas con un
exponente borroso (
) de 1,2. El algoritmo FKCN demostr la capacidad de integracin de
propiedades morfolgicas, fsicas y qumicas, y permiti la obtencin de un modelo digital de
clases en forma rpida, precisa y objetiva, constituyendo una importante alternativa de apoyo
para modelar las relaciones suelo-paisaje. Cada clase present diferencias entre ellas y un alto
grado de homogeneidad interna, lo que facilit el establecimiento de correlaciones con las
familias taxonmicas distribuidas espacialmente en el sector. La validacin del modelo de
prediccin de clases digitales de suelo present un valor de exactitud global de 94% y un ndice
Kappa de 87%, indicando un alto grado de correspondencia entre las clases de suelo evaluadas y
la realidad existente.
Keywords: Agrupamiento neuro-borroso, FKCN, Clases de suelo, Kriging, MDE.
Abstract. At present, there are various quantitative methods for predicting soil properties as the
basis of knowledge of the spatial variation, thus meeting the requirements of different users
interested in implementing agricultural and environmental models. However, few automated
methods for integrating models specific properties together in a model of spatial variation in soil
types, to support decision-making on soil conservation, watershed management and the
development of agro-environmental projects. In this research, a clustering method of relevant
properties is applied to divide the land into classes continued to exhibit greater uniformity and
facilitate the transfer of soil information. The paper presents a new alternative for obtaining a
map of soil types in mountain landscapes, in an area of the high Guarico River basin through an
unsupervised classification based on the fuzzy Kohonen clustering network (FKCN). This
network consists of a combination of self-organizing map algorithm (SOM) and algorithm Fuzzy
C-means (FCM) that automatically allowed to extract and generating local soil types, from a set
of inference model's properties soil in raster format. Maps of soil properties were obtained in
previous research with kriging regression method, which combines multiple linear regressions
between soil data and ancillary information derived from a digital elevation model (DEM) and
satellite imagery, with the ordinary kriging of the residuals of the regression. For the analysis
were employed once the soil variables as input to the neural red: A horizon thickness (Esp A),
solum thickness (Esp AB), effective depth (PEF), thick skeleton Content (%EG), sand (%a) (%
a), clay (% A), organic carbon (% CO), cation exchange capacity (CEC), exchangeable calcium
(Ca), percent base saturation (PSB) and pH. Reliability prediction model class was evaluated by
a statistical validation with an independent data set. It was determined that the optimal
representation model consists of ten local soil classes obtained with a blurred exponent (
) 1.2.
The FKCN algorithm demonstrated the ability to integrate morphological, physical and chemical
properties, and allowed obtaining a digital model class quickly, accurately and objectively,
constitutes an important alternative support for the study of the relations soil-landscape. Each
type of soil present differences between them and a high degree of internal homogeneity, which

#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

2.1. rea de estudio

La investigacin se realiz en un sector de la cuenca alta del ro Gurico (CARG),
especficamente en la cuenca del ro Caramacate, la cual est ubicada entre los municipios
Santos Michelena y San Sebastin de los Reyes del estado Aragua (Venezuela), entre las
coordenadas geogrficas 9.55 a 10.09 Norte y -67.12 a -67.03 Oeste. Para el ensayo de
cartografa predictiva se seleccion un rea muestra de 6760 ha, donde el paisaje est dominado

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.

Figura 1 - Estructura de la red neuroborrosa utilizada en la generacin de las clases de suelo.

Nmero ptimo de clases de suelo. Para la seleccin del nmero ms apropiado de clases de
suelo y la obtencin del mejor modelo generado por el sistema FKCN, se emple un enfoque
inductivo, basado en el procedimiento de Odeh et al. [10], el cual relaciona el ndice de
borrosidad alcanzado (FPI, Fuzziness Performance Index) con el nmero de clases. Estos
parmetros se obtienen utilizando el algoritmo Fuzzy c-Means [11]. La seleccin del nmero
ptimo de clases se realiz por repeticin de la clasificacin para un rango de nmero de clases
(entre 6 y 12). En cada agrupamiento obtenido se genera el parmetro de clasificacin FPI, el
cual estima el grado de borrosidad generado por cada nmero especfico de clases.
Matemticamente, se define como Ec. (1):

FPI  1  [(cF  1) /(c  1)]

(1)

donde c es el nmero de clases y F es el coeficiente de particin calculado como Ec. (2):

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)

F es conceptualmente comparable a la relacin del conjunto de varianzas dentro de las clases

y la varianza entre clases y es cercana a 1 para los agrupamientos ms significativos. Cuando F
es igual a 1, el FPI ser igual a 0 y las clases sern discretas (no borrosas) ya que las
subestructuras estarn bien diferenciadas entre s. Si el FPI es igual a 1 (F=0), la borrosidad en el
conjunto de datos ser mxima. De esta manera, la minimizacin de FPI indica un nmero
ptimo de clases borrosas que reflejan adecuadamente el comportamiento del conjunto de datos.
2.4. Evaluacin de la confiabilidad del mapa de clases de suelo
Para la evaluacin de las clases de suelo se desarrollaron matrices de confusin y se
realizaron los clculos del ndice Kappa (k) y la exactitud global (EG). El ndice de concordancia
Kappa se utiliza como un mtodo para evaluar clasificaciones multi-categricas, permitiendo
determinar hasta qu punto la concordancia observada es superior a la que se espera obtener por
puro azar [12], y se define de la siguiente manera, Ec. (3):

k   fo   fe /( n   fe)

(3)

donde  fo es la suma de las frecuencias observadas en la diagonal principal de una

tabulacin cruzada,  fe es la suma de las frecuencias esperadas en esa diagonal, y n es el
nmero total de casos (categoras).
La exactitud global del modelo (EG) se obtuvo del nmero de clases bien asignadas frente al
total de categoras (n) empleadas en la calibracin o en la validacin de un modelo, con respecto
a las frecuencias observadas en la diagonal principal de la matriz de confusin, con la Ec. (4):

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

3.1. Nmero de clases de suelo

La representacin de la variacin del ndice de rendimiento borroso (FPI) en funcin del
nmero de clases para diferentes coeficientes de borrosidad, se seala en la Fig. 2. En el esquema
se visualiza que el nmero de clases de suelo ms adecuado se obtuvo con 10 clases, combinado
con un
de 1.2. El valor del FPI de 0.55, seala el punto de interseccin en la cual existe una
minimizacin del grado de borrosidad, que determin el nmero ptimo de clases, caracterizadas
por ser menos borrosa y menos desorganizada internamente, para el conjunto de neuronas de
entrada (modelos de propiedades del suelo).

#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).

Los suelos de la clase F y G presentan un horizonte un solum de espesor variables, con un

horizonte A delgado. Presentan pocos fragmentos gruesos en la superficie, son de pH
fuertemente cido, con moderados a bajos contenidos de calcio cambiable y una moderada
saturacin con bases. Los suelos de la clase H tambin presentan un solum muy grueso y una
mayor profundidad efectiva, aunque poseen un horizonte A delgado; posee muy pocos
fragmentos gruesos en la superficie, son de pH moderadamente cido, pero con altos contenidos
de calcio cambiable y una alta saturacin con bases.
Las clases E, I y J involucran a los suelos muy profundos, con un solum bien desarrollado;
textura superficial franco limosa a franco arcillosa, con pocos fragmentos gruesos superficiales,
tienen un horizonte A delgado con altos contenidos de CO. Desde el punto de vista qumico los
suelos de ambas clases son de pH fuertemente cido, con un moderado PSB y bajos contenidos
de calcio en el complejo de cambio.
Otro resultado de la aplicacin del algoritmo FKCN es la generacin de los valores de
similitud de cada celda (pxel) a cada una de las clases de suelo. La salida se expresa en formato
raster y refleja la variacin espacial de los grados de pertenencia entre 0 y 1, cuyos valores
permitieron el establecimiento de las correlaciones entre las clases neuroborrosas con la
clasificacin taxonmica de los suelos [5]. Para tal fin, se emplearon los mayores valores de
similitud de los perfiles de suelo (clasificados a nivel de familia de clases de tamao de partcula)
a cada una de las clases de suelo, obtenindose los valores expresados en la Tabla 2.
Tabla 2. Correlacin entre las clases de suelo y las familias taxonmicas
Clase
A
B
C
D
E
F
G
H
I
J

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:*'"#.)"'!

la generacin de clases de suelo, especialmente en reas de alta complejidad geomorfolgica y

edafolgica, como la cuenca alta del ro Gurico. Estos resultados son ligeramente superiores a
los obtenidos por Zhu et al. [14] y McKay et al. [15], quienes aplicaron un sistema de inferencia
de suelos para la prediccin de tipos de suelo, a nivel de subgrupos y serie de suelos. Estas
investigaciones expresaron una de confiabilidad de 76 y 73.7% respectivamente, para los mapas
de suelo obtenidos con limitaciones de datos.
Tabla 3. Resultados de la calibracin y validacin del modelo de clases de suelo.
ndice
Exactitud global
Kappa
1

4.

Calibracin 1
0.870

Validacin 2
0.939

0.830

0.871

n= 100 perfiles de suelo, n=33 perfiles de suelo.

CONCLUSIONES

La aplicacin del algoritmo de agrupamiento neuro-borroso FKCN, permiti la obtencin de

un modelo predictivo de diez clases de suelo.
Cada clase de suelo present diferencias entre ellas y un alto grado de homogeneidad
interna, lo que facilit el establecimiento de las correlaciones con las familias taxonmicas
distribuidas espacialmente en el sector de inters.
La aplicacin del sistema de inferencia espacial de suelos permiti la prediccin espacial de
diversas clases locales de suelo en reas de alta complejidad dominadas por paisajes de montaa,
con una confiabilidad del 94%.
La aplicacin del enfoque a la cartografa predictiva de clases de suelo es una alternativa que
puede contribuir a mejorar la toma de decisiones, para resolver los problemas ambientales y
limitaciones agronmicas locales de gran importancia, al proporcionar predicciones de clases de
suelo con alta confiabilidad en la cuenca del ro Gurico.
Agradecimientos
Los autores agradecen al Fondo Nacional de Ciencia, Tecnologa e Innovacin FONACIT por el
financiamiento parcial de la investigacin, a travs del P),1)#2#& -3%$%40& 5%(0"%#!6& 7& #/&
Laboratorio de Agrologa del Instituto de Edafologa de la Facultad de Agronoma de la
Universidad Central de Venezuela, por el apoyo logstico derivado del Proyecto LOCTI.
REFERENCIAS
[1].*Urbani, F., Rodrguez, J. A., Atlas geolgico de la Cordillera de la Costa, Venezuela.
Mapas a escala 1:25.000. Versin Digital. Edic. Fundacin Geos, UCV. Caracas, 2004.
[2].*Pineda, M.C., Elizalde, G., & Viloria, J., Determinacin de reas susceptibles a
deslizamientos en un sector de la Cordillera de la Costa Central de Venezuela.
Interciencia, vol. 36, n. 5, pp. 370-377, 2011.

#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.