APLICACIÓN DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL EN EL ANALISIS GEOMORFOMÉTRICO DEL PAISAJE

7/24/2019 APLICACIN DE TCNICAS DE INTELIGENCIA ARTIFICIAL EN EL ANALISIS GEOMORFOMTRICO DEL PAISAJE

1/10

APLICACIN DE TCNICAS DE INTELIGENCIA ARTIFICIAL EN EL ANALISISGEOMORFOMTRICO DEL PAISAJE EN LA CUENCA DEL RO CARAMACATE,

ESTADO ARAGUA

ngel Valera Valera1y Jess Viloria Rendn2

1Centro de Investigacin y Extensin en Suelos y Aguas, CIESA-UNERG. San Juan de los

Morros, Gurico, Venezuela, [email protected] de Agrologa, Facultad de

Agronoma, UCV, Aragua, Venezuela,[email protected]

RESUMEN

Los mtodos tradicionales para la determinacin de propiedades geomorfomtricas de mapas topogrficos,consisten en mediciones manuales que tienden a ser complejas y consumen mucho tiempo, por lo que loselementos clasificados de la forma de terreno requieren de personal altamente entrenado. Sin embargo,actualmente se han desarrollado importantes tecnologas de inteligencia artificial como la lgica borrosa ylas redes neuronales artificiales, cuya potencialidad se puede utilizar en la clasificacin automatizada de

unidades de paisaje. Estas herramientas tecnolgicas aparte de ser rpidas y precisas, son de gran apoyo yutilidad para las clasificaciones cualitativas realizadas por los expertos. En este estudio se utiliz unprocedimiento geomorfomtrico, a partir de un anlisis de atributos topogrficos de la cuenca del roCaramacate, en la cual se realiz una clasificacin no supervisada basada en una red de agrupamientoborroso de Kohonen (FKCN). Este mtodo emplea un conjunto de algoritmos computarizados queautomticamente permiti la extraccin y la clasificacin de propiedades geomorfomtricas de un modelodigital de elevacin (MDE) y de imgenes de satlite. En este sentido, se realizaron evaluaciones de unMDE de diferentes resoluciones espaciales (10, 15, 20 y 30 m) mediante un sistema clasificador delterreno por Fuzzy Kohonen, y se obtuvo un promedio de 10 clases geomorfomtricas con la utilizacin de10 atributos topogrficos y el NDVI. La FKCN permite generar inicialmente clases geomorfomtricas yposteriormente unidades geomorfolgicas en forma rpida, precisa y objetiva, constituyendo unaimportante alternativa de apoyo al experto para la definicin de unidades geomorfolgicas, planificacin

del muestreo de suelos, prediccin de propiedades edficas y estudio de las relaciones suelo-paisaje.Palabras Claves: Paisaje, Geomorfometra, Inteligencia artificial, Lgica borrosa, Redes NeuronalesArtificiales.

INTRODUCCIN

En la actualidad existen diversas opciones para apoyar la cartografa digital de ambientescomplejos y dinmicos como los paisajes montaosos. Dentro de estas se encuentran las tcnicasde anlisis espacial basadas en inteligencia artificial, tales como la lgica borrosa (LB) y las redesneuronales artificiales (RNA), las cuales son fundamentales para la clasificacin digital deunidades de suelos y paisaje (Ehsani y Quiel, 2009). Estas tcnicas se adaptan adecuadamente alestudio de los atributos del paisaje, los cuales varan gradualmente sobre el espacio, donde larepresentacin de esa variacin gradual puede resultar en la obtencin de informacin til y en ladisminucin de errores en la definicin de lmites apropiados de unidades geomorfolgicas(Burroughet al. 2000). De esta manera, las RNA intentan construir un modelo matemtico queconsta de un conjunto de funciones sencillas vinculadas por sus pesos, mientras que los mtodosde clasificacin difusa tienen la capacidad de modelar la variacin continua del relieve deacuerdo con los valores de una funcin de pertenencia. La combinacin de la potencialidad de losconjuntos borrosos y las RNA ha desarrollado una tcnica integral de clasificacin nosupervisada denominada red de agrupamiento borroso de Kohonen o Fuzzy Kohonen Clustering

1
mailto:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]


2/10

Network (FKCN) (Lin y Lee, 1996; Bezdeck et al., 1992), que conjuga un algoritmo de mapasautoorganizados o self organizing map (SOM) (Kohonen, 1982) y el algoritmo Fuzzy C-means(FCM) (Bezdeck, 1981). En este estudio se emplea un procedimiento de clasificacin digital delpaisaje basado en el anlisis cuantitativo de atributos derivados de un MDE e imgenes satelitalesde la cuenca del ro Caramacate, por medio de la aplicacin de un algoritmo neuro-borroso,implementado en el programa denominado Sistema Clasificador del Terreno por Fuzzy Kohonen(Viloria, 2007) con la finalidad de establecer el significado geomorfolgico de las clasesgeomorfomtricas obtenidas, a travs de la interpretacin de su distribucin espacial y de lasdescripciones de los centros de clases y matrices de membresas. La FKCN es capaz demanipular diferentes tipos de variables y de manejar informacin masiva y multidimensional,cuyos datos de entrada no requieren supuestos de distribucin normal. Tomando en cuenta queaproximadamente un 44 % de las tierras de Venezuela tienen limitaciones de relieve excesivo, seseleccion la cuenca del ro Caramacate, en el estado Aragua para aplicar la FKCN, Se realizaronevaluaciones de MDE de diferentes resoluciones espaciales entre 10 y 30m para seleccionar elmejor modelo cuantitativo para cada situacin especfica a nivel de tipo de relieve. Los resultadosindican que el enfoque neuro-borroso es un mtodo de clasificacin no supervisada que permiteuna rpida estimacin de la distribucin espacial de unidades de terreno homogneasmorfolgicamente, mediante la clasificacin de pxeles, constituyendo una importante alternativade apoyo al experto para la definicin de unidades geomorfolgicas, planificacin del muestreode suelos, prediccin de propiedades edficas y estudio de las relaciones suelo-paisaje.

MATERIALES Y MTODOS

rea de estudioEl estudio se realiz en la cuenca del ro Caramacate, ubicada en la regin centro norte costera,en el Sur del Estado Aragua, posee una superficie de 18.012 ha y representa el 8,5 % de la cuencaalta del ro Gurico (figura 1). El paisaje est constituido por laderas de montaa, escarpadas, conpendientes medias del orden del 45% y altitudes que oscilan entre 334 y 1405 msnm; losmateriales geolgicos se corresponden a las formaciones El Chino-El Cao y El Carmen, delGrupo Villa de Cura.

Procesamiento de la Informacin CartogrficaPara la subdivisin del rea en unidades litolgicas se utilizaron mapas geolgicos digitales aescala 1:25.000 (6745-I-NO, 6746-II-NE, 6746-II-NO, 6746-II-SE, 6746-II-SO) (Urbani yRodrguez, 2004), para una superficie de 12.324 ha (rea Espacial Atributiva, AEA). Tambin seutilizaron hojas cartogrficas y ortofotomapas a la misma escala, corregidas geomtricamente enel sistema de proyeccin UTM (Datum Regven, Huso 19).

Generacin de MDE y obtencin de variables ambientalesLas variables topogrficas se derivaron de las hojas cartogrficas, digitalizadas y vectorizadas, yposteriormente se interpolaron los MDE (modelo Grid) por medio del comando Topogridtoolde

ArcGis 9.0 (Environmental Systems Research Institute, Inc., Redlands, CA, USA). Se generaroncuatro MDE con resolucin espacial de 10, 15, 20 y 30 m/pxel, de los cuales se derivaron losmapas de atributos topogrficos: altitud (Alt), grado de pendiente (Pend), orientacin de lapendiente (Asp), altitud relativa, curvatura vertical (Perfil_C), curvatura horizontal (Plano_C),rea de captacin (Area_C), ndice topogrfico de humedad (ITH), ndice de transporte desedimentos (ITS) y el ndice del potencial de escorrenta (IPE).

Los atributos topogrficos fueron computarizados utilizando el software DiGem 2.0 (Conrad,

2


3/10

2002) y SAGA GIS (Bock et al., 2005). El grado de la pendiente y la orientacin (aspecto)fueron determinados empleando la ecuacin de Zeverbergen y Thorne (1987), el cual utiliza unalgoritmo de diferencia finita de segundo orden, ajustado a los 4 vecinos ms cercanos en laventana de pxeles.

Figura 1. Ubicacin relativa de la cuenca del ro Caramacate.

Los parmetros de la curvatura (plano y perfil) tambin se basaron en el algoritmo de

Zeverbergen y Thorne (1987) sobre ventanas de 3x3 pxeles; el Area_C se obtuvo mediante elalgoritmo de Tarboton et al.(1991), mediante un polinomio cuadrtico con 9 trminos; el ndicede humedad fue determinado segn la ecuacin: ITH=ln (Area_C/Pend) (Gessler et al., 1995;Wilson y Gallant, 2000). El ndice de transporte de sedimentos se determin a partir de laecuacin ITS=(n+1) (Area_C/22,13)n (sen Pend/0,0896)m; donde n=0.4, m=1.3; y el ndice delpotencial de escorrenta se obtuvo segn la ecuacin de Moore et al. (1991) (IPE = ln (Area_C xPend). La posicin relativa (PR) se determin con la frmula: PR= ([MDE]-[MDEmin]/([MDEmax]-[MDEmin]), donde maxy mincorresponden a las estadsticas mximasy mnimas derivadas del MDE original, en una ventana de 3x3 celdas.

Para la obtencin del NDVI (Rouse et al., 1974), se emple una imagen de satlite SPOT (2003)de 20 m de resolucin espacial, tomando en cuenta la banda visible y la banda infrarrojo delespectro electromagntico, para lo cual se utiliz el programa ERDAS (2005).

Estructura de la red neuro-difusaLa estructura topolgica de la RNA utilizada en el anlisis morfomtrico est formada por unacapa de entrada con 11 variables (neuronas), una capa de salida con 11 clases (denominada capade distancia) y la capa de grados de pertenencia correspondientes a cada salida (figura 2). Laaplicacin del modelo de red neuronal de agrupamiento borroso de Kohonen (FKCN) permiti laobtencin de una matriz de datos (formato ASCII) de los atributos topogrficos y el NDVI, los

3
http://agron.scijournals.org/cgi/content/full/97/3/864#BIB25http://agron.scijournals.org/cgi/content/full/97/3/864#BIB25http://agron.scijournals.org/cgi/content/full/97/3/864#BIB25http://agron.scijournals.org/cgi/content/full/97/3/864#BIB25


4/10

cuales fueron organizados para cada uno de los MDE con sus respectivas resoluciones, lo quepermiti evaluar diversos nmeros de clases y diferentes coeficientes de borrosidad.

Seleccin del modelo ptimo y significado geomorfolgico de las clases geomorfomtricasPara obtener el mejor modelo generado por la FKCN se utiliz un mtodo inductivo, aplicando elprocedimiento de Odeh et al.(1992), el cual relaciona el ndice de rendimiento borroso (FPI, por

Fuzziness Performance Index), con el nmero de clases. La evaluacin del nmero de clases msadecuado se realiz explorando un total de 12 clases y un rango de variacin del exponenteborroso () comprendido entre 1,10 y 1,60. Estos parmetros conjuntamente con 50 iteraciones yun error de convergencia de 0,001 se utilizaron para el entrenamiento de la red. El significadogeomorfolgico de las clases geomorfomtricas se interpret considerando su distribucinespacial, las descripciones de los centroides de las clases y los grados de membresas obtenidasmediante el algoritmo FCM (Bezdek, 1981) del programa Fuzme 3.5 (Minasny y McBratney2002).

Figura 2. Estructura de la RNA utilizada en el anlisis de atributos morfomtricos.

Evaluacin de los modelos continuosPara la evaluacin de la dependencia de la resolucin espacial se realizaron comparaciones entrelos MDE utilizando la metodologa de Arrel et al. (2007), y se obtuvo el MDE de mayorrepresentatividad de los tipos de relieve del rea de estudio de la cuenca del ro Caramacate.Posteriormente se realiz una evaluacin de la influencia de la variable litolgica en la definicin

de unidades.Los modelos finales se evaluaron mediante la aplicacin de dos mtodos de comparacin deresultados, utilizando el mapa de clasificacin geomorfolgica de paisajes de la zona (Pineda2008). El primer mtodo consiste en una adaptacin del procedimiento de transectas, aplicado porSteers y Hajeck (1979) como mtodo de estimacin de la composicin taxonmica de unidadescartogrficas de suelos.

El segundo mtodo utilizado consisti en la evaluacin cuantitativa mediante matrices de

4


5/10

confusin y el estadstico Kappa (Hudson y Ramn, 1987). El ndice de concordancia kappa seutiliza como un mtodo para evaluar clasificaciones multi-categricas, permitiendo determinarhasta qu punto la concordancia observada es superior a la que se espera obtener por puro azar.En caso de un grado de concordancia perfecta el valor de kappa es igual a 1; si la concordanciaobservada es igual a la esperada kappa es igual a 0; y en el caso de que el acuerdo observado seainferior al esperado, el ndice kappa es menor que cero.

RESULTADOS Y DISCUSIN

Nmero ptimo de clases geomorfomtricasLa figura 3, indica la variacin del ndice de rendimiento borroso (FPI) en funcin del nmero declases con coeficientes borrosos comprendidos entre 1,1 y 1,6, para el MDE de 15 m. El nmerode clases geomorfomtricas ms adecuado se obtuvo con 10 clases para los MDE de 10, 15, 20 y30 m, combinados con un coeficiente borroso () de 1,2.

=1,1

=1,2

=1,3

=1,4

=1,5

=1,6

Figura 3. Variacin del ndice de rendimiento borroso (FPI) en funcin del nmero de clases.

Interpretacin y evaluacin de unidades geomorfolgicas

En el cuadro 1, se presenta el valor de los centroides de cada una de las clases geomorfomtricasde los modelos generados por el FKCN, utilizando los parmetros de entrenamiento obtenidosanteriormente. El MDE de 15 m de resolucin espacial, present una mejor delimitacin yseparacin de unidades, con la menor borrosidad interna, y los MDE de 10 y 20 m presentantendencias similares entre las clases obtenidas (figura 4).

En cuanto al significado geomorfolgico de las 10 clases obtenidas en la clasificacin final anivel de tipos de relieve, se tiene lo siguiente: la clase Bse relaciona con las zonas ms bajas dela cuenca, correspondindose con las vegas de los valles intramontanos; presenta pendientesmoderadamente inclinadas (11%), orientadas hacia el Sur, con forma topogrfica convergente dealta concavidad; tiene un elevado ndice topogrfico de humedad y la mayor rea de captacin dela cuenca; tambin se caracteriza por presentar un moderado ndice de vegetacin y acta comodepsito de materiales provenientes de las partes mas altas de la cuenca.

La clase A corresponde a crestas y vigas de montaas con 788 msnm, orientadas hacia el SE,pendientes del 60 % y forma topogrfica divergente altamente convexa, lo que favorece el

5


6/10

transporte y la prdida de materiales; el ndice de vegetacin es bajo y tiene los valores ms bajosdel rea de captacin e ndice de humedad.

Cuadro 1. Centroides del modelo generado con 10 clases y exponente borroso de 1,2 en la cuenca del roCaramacate.

Atributos ambientales

Clase Unidad Alt(m)

PR Asp()

Pend(%)

Area_C(m2)

ITH Perfil_C(m/m2)

Plano_C(m/m2)

ITS IPE NDVI

A Crestas SE, XX 788 0,57 145 59,5 1562 7,9 0,0432 0,0551 20 57 0,14B Vegas S, VV 647 0,38 193 11,3 34103 12,7 -0,0358 -0,0199 18 412 0,19C Lad SE, MB, VV 651 0,46 115 67,9 7607 7,8 -0,0265 -0,0204 36 273 0,14D Lad W, MB, VX 701 0,49 250 71,0 4538 7,9 -0,0039 0,0033 32 182 0,16E Lad NE, MA, LL 982 0,51 30 72,0 14405 8,6 0,0010 0,0003 42 442 0,31F Lad NW, MA, VL 966 0,51 314 62,6 11647 8,7 -0,0017 0,0004 35 323 0,29G Lad S, MA, XX 1079 0,50 176 57,1 10190 8,9 0,0036 0,0020 31 283 0,30H Lad NE, MB, XX 719 0,53 35 62,9 6646 10,8 0,0037 0,0063 28 166 0,15I Lad NW, MM, XX 735 0,54 326 63,9 5248 7,7 0,0037 0,0066 29 160 0,16

J Lad S, MM, VV 905 0,47 191 85,0 6005 8,2 -0,0035 -0,0190 41 274 0,16

Lad: Laderas MA: Montaa Alta MM: Montaa Media MB: Montaa BajaV: Cncavo X: Convexo R: Lineal

Figura 4.Clases geomorfomtricas obtenidas con el MDE de 15 m de resolucin espacial.*Sistema de Coordenadas: UTM; Datum: Regven; Huso: 19.

La clase Gse relaciona con laderas de montaas altas con alturas superiores a los 1070 msnm,con orientacin al Sur y pendientes mayores al 57%, con formas topogrficas convexas-convexas; tiene medianas reas de captacin y un moderado ndice de humedad. El NDVI de estaclase es alto, lo que permite amortiguar tanto la escorrenta, como el transporte de sedimentos.

Las clases F y E, tambin son laderas de montaas altas con alturas comprendidas entre 960 y980 msnm, con pendientes muy escarpadas que oscilan entre 62 y 72%, orientadas en sentido NO

6


7/10

y NE, respectivamente; presentan formas topogrficas predominantemente lineales; sin embargo,tienen moderados valores de rea de captacin e ndice de humedad, con altos valores de NDVI,lo cual aminora su potencialidad en cuanto a la influencia de la escorrenta superficial y prdidade sedimentos.

Las clases I y J, son laderas de montaas medias con alturas comprendidas entre 735 y 905

msnm, con pendientes muy escarpadas que oscilan entre 63 y 85%, orientadas en sentido NO ySur, respectivamente; presentan formas topogrficas convexa-convexa y cncava-cncava;presentan bajos valores de rea de captacin e ndice de humedad, con moderados a bajos valoresde NDVI. Entre ambas clases, la J es ms susceptible a la escorrenta y prdida de sedimentos,debido que se identifica por presentar pendientes muy escarpadas en el sector evaluado.

Las clases C, D y Hcorresponden a laderas de montaas ms bajas que las anteriores, entre 651 y719 msnm, con diferentes exposiciones, pendientes que varan entre 63 y 71% y formastopogrficas complejas cncava-cncava, cncava-convexa y convexa-convexa, respectivamente;el rea de captacin es bajo al igual que el ndice de humedad; esta situacin aunada a los bajosndices de vegetacin, genera alta susceptibilidad a los procesos erosivos, que son msacentuados en la clase C y D por presentar valores altos del ITS.

Evaluacin de la exactitud de los modelos

En cuanto a la evaluacin de la exactitud de los modelos, el MDE de 15 m de resolucin espacialpresent una coincidencia muy alta de 84,4%, para el rea de estudio representativa de la cuencadel ro Caramacate, al compararlos con los lmites entre los tipos de relieve de los mapas declasificacin geomorfolgica del paisaje realizados previamente (cuadro 2). Sin embargo, laevaluacin cuantitativa mediante matrices de comparacin y el estadstico Kappa arroj un gradode concordancia de 50,2%, lo que significa que existe una moderada asociacin entre los modeloscomparados el sector, y por consiguiente una moderada confiabilidad global.

Cuadro 2. Evaluacin de la exactitud de los modelos obtenidos a diferentes resoluciones

Resolucin delMDE

Confiabilidad Global(%)

ndice Kappa (k)Coincidencia de

Lmites (%)

10m 41,1 1,17 0,34 69,6 1,3015m 50,2 1,20 0,44 84,4 0,8020m 37,9 1,16 0,30 69,6 1,3030m 45,0 1,19 0,38 49,0 1,50

Membresas 15m 26,5 1,02 0,19 69,3 1,30

Los modelos de 10 y 20 m de resolucin, expresan un moderado a alto grado de coincidencia de

la proporcin de lmites, con valores cercanos al 70%, lo cual tambin se corresponde con unamoderada confiabilidad y una discreta exactitud de los modelos. El MDE de 30 m, presenta lamenor proporcin de lmites de coincidencia entre los modelos comparados; sin embargo, laconfiabilidad y la exactitud del modelo tambin son moderadas, posiblemente por presentarunidades geomorfomtricas ms discretas y menos borrosas internamente.

En cuanto al modelo representado por los grados de membresas generados por el programaFUZME con los mismos parmetros de entrenamiento, es evidente la capacidad del algoritmoborroso FCM para discriminar unidades geomorfolgicas como las crestas y las vigas de las

7


8/10

zonas montaosas; sin embargo, en la regin Este de la cuenca no fue posible la separacin de laclase F (laderas NW de montaas altas) dominantes en la parte Sur de El Altar; y tampoco alOeste de la cuenca se pudo discriminar la clase I (laderas NW de montaas medias). Por ello,existe una dbil confiabilidad en el modelo obtenido, debido posiblemente a la alta complejidaddel paisaje; aunque la coincidencia entre los lmites se encuentra cercana al 70%, lo cual esequivalente a un sustancial grado de concordancia y una alta coincidencia.

Clasificacin cuantitativa y clasificacin cualitativa

Tomando en cuenta las categoras que representan los diferentes niveles de clasificacin dentrodel sistema de clasificacin jerrquica de paisajes propuesto por Elizalde (1983), existe una altasimilitud (correlacin visual) entre las clases de paisaje a nivel 7 (categora de tipos de relieve),con el nmero de clases geomorfomtricas generadas por el FKCN (figura 5). La comparacin delos modelos cuantitativos finales con el mapa geomorfolgico existente, a travs del grado decoincidencia entre los lmites, indica que existe una relacin muy alta entre dichos modelos; sinembargo, la estimacin mediante la matriz de confusin y el estadstico Kappa expresa unamoderada exactitud, lo cual se corresponde con un moderado grado de concordancia entre lasclases.

a)

b)

Figura 5. Comparacin de los modelos de unidades de paisaje: a) Mtodo convencional y b) Mtodocuantitativo (MDE 15 m). *Sistema de Coordenadas: UTM; Datum: Sirgas-Regven; Huso: 19.

8


9/10

Los valores medios del porcentaje de fiabilidad global y del ndice Kappa destacan la diferenciaentre los tipos de mapas comparados, ya que el mapa de tipos de relieve es un modelo objeto derepresentacin del terreno, mientras que el mapa de clases geomorfomtricas es un modelocampo.

El modelo objeto representa el mundo como es entendido (estructurado, e.g. formato vectorial,

tipos de relieve), mientras que el modelo campo representa el mundo como es visto (imagen, e.g.formato raster, clases geomorfomtricas). El modelo objeto de una realidad geogrfica, es msapropiado cuando el propsito de la modelizacin es realizar u inventario ms que un anlisis.Por el contrario, el modelo campo es ms adecuado para representar fenmenos naturales que nomuestran lmites obvios. Esto sugiere que para comparar los modelos continuos, es ms adecuadala evaluacin por medio de la proporcin de lmites coincidentes.

CONCLUSIONES

La aplicacin del enfoque neuro-borroso (FKCN) demostr que es un mtodo de exploracin quepermite identificar relaciones en el conjunto de datos obtenidos de MDE e imgenes de satlite.

La identificacin del nmero ms adecuado de clases y su grado de borrosidad forma parte deeste anlisis exploratorio. Por medio del ndice de rendimiento borroso se determin que lacombinacin ms adecuada de coeficiente de borrosidad y nmero de clases geomorfomtricasest conformada por 11 clases y un coeficiente de 1,20.

La interpretacin de los resultados a travs de los centroides de clases, permiti proponer unagrupamiento del paisaje en clases geomorfomtricas con significado geomorfolgico. El patrnde distribucin espacial de estas clases muestra un alto grado concordancia y similitud con elmapa de tipos de relieve producido por mtodos tradicionales de clasificacin sistemtica delpaisaje.

La utilizacin de la altitud, el grado y la orientacin de la pendiente, y la posicin relativa,

suministran importantes argumentos para la discriminacin de unidades geomorfomtricas, peroes recomendable incluir todas las variables ambientales continuas estudiadas, a fin de obtener loscentros de clase para una interpretacin integral de las unidades geomorfolgicas.

En la zona de estudio se sugiere utilizar como resoluciones ptimas con fines de clasificacin depaisaje, aquellas correspondientes a 15 m de resolucin espacial, ya que la evaluacin de ladependencia de la resolucin, la persistencia de las clases geomorfomtricas, la exactitud y lacoincidencia entre los lmites, indicaron que es posible la identificacin de un modelorepresentativo de las unidades de paisaje de la cuenca en estudio.

En general, para que las unidades geomorfolgicas presenten una definicin clara y aceptable, esimportante considerar las diferentes unidades litolgicas presentes en la zona evaluada, ya que las

mismas -por ser unidades discretas- evitan el solapamiento entre unidades a niveles msdetallados. La estratificacin litolgica contribuye a la disminucin de ruidos en las unidadesfinales, facilitando el proceso de clasificacin e interpretacin desde el punto de vistageomorfolgico.

BIBLIOGRAFA

Arrell, K.E. P.F. Fisher; N.J. Tate; L. Bastin. 2007. A fuzzy c-means classification of elevation derivativesto extract the morphometric classification of landforms in Snowdonia, Wales. Computers &Geosciences, 33: 13661381

9


10/10

Bezdek, J.C. 1981. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, NewYork.

Bezdek, J.C., E.C. Tsao; N.R. Pal. 1992. Fuzzy Kohonen Clustering Networks, in Proc. IEEE Int. Conf.on Fuzzy Systems1992 (San Diego), pp. 1035-1043.

Bock, M.; J. Behner; O. Conrad; R. Kthe; A. Ringeler. 2005. SAGA. System for AutomatedGeoscientific Analyses. Free Software Foundation, Inc. 59 Temple Place, Suite 330, Boston, MA

02111-1307, USA. [On line]: http://www.saga-gis.orgBurrough, P.A.; P.F.M.Van Gaans; R.A. MacMillan. 2000. High-resolution landform classification using

fuzzy k-means. Fuzzy Sets and Systems, 113, 3752.Conrad, O. 2002. DIGEM 2.0. Free Software for Scientific and Educational purposes. Germany,

Gttingen.Ehsani, A.H.; F. Quiel. 2009. A semi-automatic method for analysis of landscape elements using shuttle

radar topography mission and landsat ETM+ data. Computers & Geosciences, 35: 373-389.Elizalde, G. 1983.Ensayo de Clasificacin Sistemtica de Categoras de Paisaje. Primera Aproximacin.

Instituto de Edafologa. Facultad de Agronoma. Universidad Central de Venezuela. Maracay,Venezuela. 46 p.

Gessler, P.E.; I.D. Moore; N.J.; McKenzie; P.J., Ryan. 1995. Soil-landscape modelling and the spatial

prediction of soil attributes.Int. J. Geogr. Inf. Syst,94: 421-432.Kohonen, T., 1982. Analysis of a simple self-organizing process.Biological Cybernetics44: 135-140.Lin, C.; C. Lee. 1996.Neural fuzzy systems. Prentice Hall, Inc. New Jersey, USA. 797 p.Minasny, B., A.B. McBratney. 2002. FuzME version 3.0. Australian Centre for Precision Agriculture.

McMillan Building A05, The University of Sydney, NSW 2006. [On line]:http://www.usyd.edu.au/su/agric/acpa.

Moore, I.D.; R.B. Grayson. 1991. Terrain-based catchment partitioning and runoff predction using vectorelevation data. Water Resources Research,27 (6): 1177-1191.

Odeh, I.O.A.; A.B. McBratney; D.J. Chittleborough. 1992. Soil pattern recognition with fuzzy c-means:application to classification and soil landform interrelationships. Soil Sci. Soc. Am. J.56: 505- 516.

Pineda, M.C. 2008. Determinacin de reas susceptibles a movimientos en masa y erosin laminar en

unidades de paisaje de la subcuenca del ro Caramacate, localizada en la Cuenca Alta del RoGurico. Trabajo de Ascenso (Asistente). Facultad de Agronoma, Universidad Central deVenezuela. Maracay. 313 p.

Rouse, J.W.; R.H. Haas; J.A. Schell; D.W. Deering. 1974. Monitoring vegetation systems in the GreatPlains with ERTS. p. 309317. In Proc. ERTS-1 Symp., 3rd, Greenbelt, MD. 1015 Dec. 1973.Vol. 1. NASA SP-351. NASA, Washington, DC.

Steers, C.A.; B.F. Hajek. 1979. Determination of map unit composition by a random selection of transects.Soil Sci. Soc. Amer. J.43:156-160.

Tarboton, D.G.; R.L. Bras; I. Rodriguez-Iturbe. 1991. On the extraction of channel networks from digitalelevation data. Hydrological Processes 5: 81-100.

Urbani,F.;J.A.Rodrguez. 2004.Atlas geolgico de la Cordillera de la Costa, Venezuela. Mapas a escala

1:25.000. Versin Digital. Edic. Fundacin Geos, UCV. Caracas.Viloria, A. 2007.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.Universidad Central de Venezuela. Caracas, Venezuela. 88 p.

Wilson, J.P.; J.C. Gallant. 2000. Terrain Analysis: Principles and Applications. John Wiley & Sons, 479 p.Zevenbergen, L.W.; C.R. Thorne. 1987. Quantitative analysis of land surface topography. Earth Surface

Processes and Landforms, 12: 47-56.

10
http://www.saga-gis.org/http://www.usyd.edu.au/su/agric/acpahttp://www.usyd.edu.au/su/agric/acpahttp://www.saga-gis.org/

APLICACIÓN DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL EN EL ANALISIS GEOMORFOMÉTRICO DEL PAISAJE

Documents

Transcript of APLICACIÓN DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL EN EL ANALISIS GEOMORFOMÉTRICO DEL PAISAJE