cartografía predictiva de clases de suelo con redes neuro

CARTOGRAFÍA PREDICTIVA DE CLASES DE SUELO CON REDES NEUROBORROSAS EN UN SECTOR DE LA CUENCA ALTA DEL RÍO GUÁRICO
Ángel Rafael Valera
[email protected]
Centro de Investigación y Extensión en Suelos y Aguas, Universidad Rómulo Gallegos, CIESAUNERG. San Juan de los Morros, Guárico, Venezuela.
Jesús Arnaldo Viloria
María Corina Pineda
[email protected]
[email protected]
Laboratorio de Agrología, Instituto de Edafología, Facultad de Agronomía, Universidad Central
de Venezuela, Maracay, Aragua, Venezuela.
Resumen. En la actualidad son diversos los métodos cuantitativos empleados para la predicción
de propiedades del suelo como base del conocimiento de la variación espacial, lo que permite
satisfacer los requerimientos de diferentes usuarios interesados en la aplicación de modelos
agrícolas y ambientales. Sin embargo, son escasos los métodos automatizados utilizados para la
integración de los modelos de propiedades específicas de manera conjunta en un modelo de
variación espacial de clases de suelo, para apoyar la toma de decisiones sobre la conservación de
los suelos, el manejo de cuencas y el desarrollo de proyectos agro-ambientales. En esta
investigación se aplica un método de agrupamiento de propiedades relevantes, para dividir el
continuo suelo en clases que exhiban una mayor homogeneidad y que faciliten la transferencia de
información edafológica. El trabajo presenta una nueva alternativa para la obtención de un mapa
de clases de suelo en paisajes de montaña, en un sector de la cuenca alta del río Guárico, a través
de una clasificación no supervisada basada en una red de agrupamiento borroso de Kohonen
(FKCN, Fuzzy Kohonen Clustering Network). Esta red, que consiste en una combinación del
algoritmo de mapas autoorganizados (SOM) y el algoritmo Fuzzy C-means (FCM), permitió la
extracción y la generación de clases locales de suelo, automáticamente, 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 método kriging de regresión, el cual
consiste también en una combinación de dos métodos. Primero, un modelo de regresión lineal
múltiple entre datos de suelo e información auxiliar derivada de un modelo digital de elevación
(MDE) y de imágenes de satélite. Segundo, la interpolación de los residuos de la regresión por
medio de kriging. Para el análisis se emplearon once variables edáficas 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 orgánico
(%CO), capacidad de intercambio catiónico (CIC), calcio cambiable (Ca), porcentaje de
saturación con bases (PSB) y pH. La confiabilidad del modelo de predicción de clases, se evaluó
por medio de una validación estadística con un conjunto de datos independientes. Se determinó
que el modelo óptimo de representación consta de diez clases de suelo obtenidas con un
exponente borroso (φ) de 1,2. El algoritmo FKCN demostró la capacidad de integración de
propiedades morfológicas, físicas y químicas, y permitió la obtención de un modelo digital de
clases en forma rápida, precisa y objetiva, constituyendo una importante alternativa de apoyo
para modelar las relaciones suelo-paisaje. Cada clase presentó diferencias entre ellas y un alto
grado de homogeneidad interna, lo que facilitó el establecimiento de correlaciones con las
familias taxonómicas distribuidas espacialmente en el sector. La validación del modelo de
predicción de clases digitales de suelo presentó un valor de exactitud global de 94% y un índice
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.