87 86 Delimitación de unidades de paisajes aplicando técnicas de

Transcripción

Vol 3, Nº. 3
86 - 101
INTRODUCCIÓN
Artículo científico
Delimitación de unidades de paisajes aplicando
técnicas de inteligencia artificial en la cuenca
del río San Juan estado Guárico
RESUMEN
Los métodos tradicionales manuales para determinación de propiedades geomorfométricas de
mapas topográficos, consisten en mediciones que tienden a ser complejas y consumen mucho
tiempo, por lo que los elementos clasificados de la forma de terreno requieren de personal
altamente entrenado. Actualmente se han desarrollado importantes tecnologías de inteligencia
artificial como la lógica borrosa y redes neuronales artificiales, cuya potencialidad se puede
utilizar en la clasificación automatizada de unidades de paisaje. Estas, aparte de ser rápidas y
precisas, son de gran apoyo y utilidad para las clasificaciones cualitativas. En este estudio se
utilizó un procedimiento geomorfométrico, a partir de un análisis de atributos topográficos de
la cuenca del Río San Juan, en la cual se realizó una clasificación no supervisada basada en
una red de agrupamiento borroso de Kohonen (FKCN). Este método emplea un conjunto de
algoritmos computarizados que automáticamente permiten la extracción y la clasificación de
propiedades morfométricas de un modelo digital de elevación (MDE) y de imágenes de satélite.
En este sentido, se realizaron evaluaciones de un MDE resolución espacial de 20 m mediante
un sistema clasificador del terreno por Fuzzy Kohonen, y se obtuvo un promedio de 11 clases
morfométricas con la utilización de 9 atributos topográficos y el NDVI. Estos resultados
indican que el enfoque neuro-borroso permite una rápida estimación de la distribución espacial
de unidades de terreno homogéneas morfológicamente mediante la clasificación de píxeles,
cuya representatividad depende de la consideración de las unidades litológicas presentes en la
zona y de la resolución espacial del MDE empleado.
Palabras Claves: Paisaje, Geomorfometría, Inteligencia artificial, Lógica borrosa, Redes
Neuronales Artificiales.
Definition of units of landscapes applying artificial intelligence
techniques in the San Juan river Guárico state, Venezuela.
ABSTRACT
Revista electrónica de investigación y postgrado
Tovar Williams A. 1
Valera Ángel 1
Carlos Hernandez2
Carlos Vásquez 1*
1
Centro de Investigación y
Extensión en Suelos
y Aguas .
Universidad Nacional
Experimental Rómulo
Gallegos, San Juan de
los Morros, Guárico.
Venezuela.
Unidad de Apoyo en
Tecnología e Información
Geoespacial
Universidad Nacional
Experimental Rómulo
Gallegos, San Juan de
los Morros, Guárico.
Venezuela.
2
*[email protected]
Traditional manual methods for determining properties geomorphometrics in topographic maps,
consist of measurements tend to be complex and more time consuming, so that elements classified
landform require highly trained personnel. Currently there have been important artificial
intelligence technologies such as fuzzy logic and artificial neural networks, whose potential can
be used in automated classification of landscape units. These, besides being fast, accurate, great
support and are useful for qualitative rankings. In this study geomorphometrics procedure was
used, based on an analysis of topographic attributes of the Rio San Juan, where an unsupervised
classification based on fuzzy clustering network Kohonen (FKCN) was performed. This method
uses a set of computer algorithms that automatically allowed the extraction and classification of
morphometric properties of a digital elevation model (DEM) and satellite images. In this sense,
an MDE evaluation of 20 m spatial resolution was performed by a classifier system by Fuzzy
Kohonen terrain, and an average of 11 morphometric classes with the use of 9 topographic
attributes and NDVI was obtained. These results indicate that the neuro-fuzzy approach allows
a quick estimate of the spatial distribution of morphologically homogeneous terrain units by
classifying pixels, whose representation depends on the consideration of the lithological units in
the area and the spatial resolution of the DEM employed.
Keywords: Landscape, Geomorphometrics, Artificial intelligence, Fuzzy logic, Artificial eural
networks.
86
Vol 3, Nº. 3 Septiembre - Diciembre 2014
ISSN: 2244-8519
Recibido: 06 / 05 / 2014
Aceptado: 17 / 09 / 2014
La identificación de unidades geomorfológicas en
zonas montañosas de difícil acceso es de extrema
complejidad, por lo que su obtención de la manera
tradicional requiere de la inversión de mucho tiempo
por parte de un experto. Por otra parte, es bien
conocido que diferentes expertos tienden a describir
la misma zona de estudio de distintas maneras, lo
cual depende del conocimiento y de la percepción
personal, por lo que la clasificación obtenida puede
ser muy subjetiva y no reproducible.
En la actualidad existen importantes opciones
para generar unidades geomorfológicas en forma
rápida, precisa y objetiva, a partir de la realización
de clasificaciones continuas del paisaje tomando
en cuenta los diversos parámetros derivados de un
modelo digital de elevación (MDE) e imágenes de
satélite. Este amplio abanico de opciones técnicas
producto del desarrollo de la Geomática y del
análisis geomorfométrico, complementadas con
la Geomorfología y la Génesis, contribuye a la
creación de una imagen entendible de las unidades
de paisaje para apoyar la toma de decisiones y la
planificación del ordenamiento territorial. Aunado
a estas opciones, también existen las técnicas de
análisis espacial basadas en inteligencia artificial,
tales como la lógica borrosa (LB) y las redes
neuronales artificiales (RNA), las cuales son
fundamentales para producir modelos digitales de
clasificación del terreno. Estas técnicas se basan en
tecnologías de inteligencia artificial y constituyen
dos de los avances científicos recientes más
importantes del conocimiento, e intentan simular
dos de las características más importantes con que
cuenta el cerebro humano, como son la capacidad de
aprendizaje y la capacidad de procesar información
incompleta, ambigua, compleja, incierta, o que no
es precisa.
La combinación de la potencialidad de los conjuntos
borrosos y las RNA ha dado paso a una técnica
integral de clasificación no supervisada denominada
red de agrupamiento borroso de Kohonen o Fuzzy
Kohonen Clustering Network (FKCN), basada
en un modelo de mapas autoorganizados o Self
Organizing Map (SOM) (Kohonen, 1982) en
combinación con lógica borrosa (Bezdek y Pal,
1992). En este estudio se emplea un procedimiento
de clasificación continua del paisaje basado en
el análisis cuantitativo de atributos derivados de
un MDE e imágenes satelitales de la cuenca del
río San Juan, por medio de la aplicación de un
algoritmo neuro-borroso implementado en un
Sistema de Clasificación del Terreno (Viloria,
2007), con la finalidad de establecer el significado
geomorfológico de las clases geomorfométricas
obtenidas, a través de la interpretación de su
distribución espacial y de las descripciones de
los centros de clases y matrices de membresías.
Estos métodos de clasificación no supervisada
constituyen una importante alternativa de apoyo al
experto para la obtención de una visión más amplia
e integral de la estructura del paisaje, a la vez que
sirve como base para la posterior planificación del
método de muestreo y las estrategias a utilizar para
la evaluación de las unidades paisaje.
Objetivos
Objetivo general
Delimitar unidades de paisajes con la aplicación
de técnicas de inteligencia artificial a partir de un
modelo digital de elevación y una imagen satelital
multiespectral, para la obtención final de unidades
geomorfológicas, en la Subcuenca del río San Juan,
estado Guárico.
Objetivos específicos
•Generar modelos digitales de elevación para la
Subcuenca del río San Juan.
•Determinar los atributos topográficos y un índice
de vegetación para la caracterización de los tipo
de relieve en la zona de estudio.
•Aplicar las técnicas de inteligencia artificial para
la definición de unidades morfométricas del
terreno de la Subcuenca del río San Juan.
CONCEPTOS GENERALES
El análisis del paisaje desde este punto de vista
permite la evaluación y modelización de distintos
ISSN: 2244-8519
87
Tovar et al
Delimitación de unidades de paisajes...
procesos naturales. El conocimiento profundo de las
características topográficas del medio constituye un
punto de partida para el estudio de los suelos debido
a su influencia sobre la sedimentación y arrastre
de partículas, nutrientes, el movimiento del agua
superficial y muchos otros aspectos importantes
(Jenny, 1961; Gerrard, 1981; Lark, 1999). Sin
embargo, la topografía del terreno no influye sólo
sobre los procesos edáficos, sino que la variedad de
formas puede reflejar cambios menos perceptibles
en el sustrato (Dikau & Schmidt, 1999), como la
insolación, la disponibilidad de agua o la vegetación.
Un modelo digital de elevación (MDE) constituye
una fuente de información básica a partir de la
cual es posible construir nuevos modelos digitales
derivados.
El punto de vista geográfico y el documento
geográfico básico, es el objeto de estudio primordial,
a partir del cual se hace la geografía. En general, se
entiende por paisaje cualquier área de la superficie
terrestre producto de la interacción de los diferentes
factores presentes en ella y que tienen un reflejo
visual en el espacio. El paisaje geográfico es por
tanto el aspecto que adquiere el espacio geográfico.
Se define por sus formas: naturales o antrópicas.
Todo paisaje está compuesto por elementos que se
articulan entre sí. Estos elementos son básicamente
de tres tipos: abióticos (elementos no vivos),
bióticos (resultado de la actividad de los seres vivos)
y antrópicos (resultado de la actividad humana).
Determinar estos elementos es lo que constituye el
primer nivel del análisis geográfico. Las cuencas
hidrográficas montañosas en Venezuela carecen
de mapas de suelo a escala adecuada para diseñar
planes de manejo. Este estudio evalúa el efecto de
una división jerárquica del paisaje sobre la variación
de las propiedades del suelo en un sector de la cuenca
del río San Juan.
En Venezuela se utiliza el sistema de clasificación
de paisajes creado por Elizalde (1983), permite
determinar áreas homogéneas en 8 niveles categóricos,
abarcando desde la superficie del globo terráqueo
(nivel 1) hasta el sistema o paisaje elemental (nivel
8) (tal como se señala en la Figura 1) permitiendo
la elaboración de mapas pedogeomorfológicos, con
diversos grados de complejidad cartográfica, en
cuyas unidades se pueden realizar interpretaciones
para diversos tipos de aplicaciones (evaluaciones
de tierras para fines agrícolas, áreas protectoras,
conservación de recursos naturales, entre otros). En
la Figura 1, se describen los niveles categóricos del
sistema de clasificación de paisajes diseñado por
Nuñez (2006), para este trabajo se empleó el Nivel 7
de esta clasificación.
ESCALA
1:30.000.000
NIVEL 1: MEGARREGIÓN
1:10.000.000
NIVEL 2: REGIÓN FISIOGRÁFICA
1:2.000.000
NIVEL 3: PROVINCIA FISIOGRÁFICA
1:300.000
NIVEL 4: SUB-PROVINCIA FISIOGRÁFICA
1:125.000
1:25 000
1:10.000
>1:10.000
NIVEL 5: U. LITOGEOMORFOLÓGICAS
NIVEL 6: TIPOS DE PAISAJES
NIVEL 7: TIPOS DE RELIEVE
NIVEL 8: U. PEDOGEOMORFOLÓGICA
1. Modelo digital de elevación
Un modelo digital de elevación es una
representación visual y matemática de los valores
de altura con respecto al nivel medio del mar, que
permite caracterizar las formas del relieve y los
elementos u objetos presentes en el mismo. Estos
valores están contenidos en un archivo de tipo raster
con estructura regular, el cual se genera utilizando
equipo de cómputo y software especializados. En
los modelos digitales de elevación existen dos
cualidades esenciales que son la exactitud y la
resolución horizontal o grado de detalle digital
de representación en formato digital, las cuales
varían dependiendo del método que se emplea para
generarlos y para el caso de los que son generados
con tecnología. Tiene un formato muy similar al de
una imagen de satélite, con la principal diferencia
de almacenar un valor de altitud en lugar de un
valor de radiancia; pudiendo ser lo suficientemente
precisos y de gran utilidad para su interpretación, no
sólo en lo que afecta a la corrección geométrica sino
también a la calibración física y a la discriminación
de ciertas categorías que pueden tener un
comportamiento espectral muy similar pero una
localización topográfica muy específica (Chuvieco,
1996). De forma muy general, la estructuración
de los datos elementales se ha realizado en los
siguientes modelos.:Los métodos para la generación
de los Modelos Digitales de Elevación pueden
dividirse en dos grupos:
a) Métodos directos. Estos se obtienen a partir de
mediciones que se realizan directamente sobre
el terreno real, en los cuales podemos citar:
• La toma directa de datos por medio de
levantamientos topográficos con estación total
o con GPS.
• Uso de altímetros transportados desde una
plataforma aérea como el radar o láser.
Figura 1. Niveles categóricos del sistema de clasificación de Paisajes
Fuente: Nuñez (2006).
88
ISSN: 2244-8519
b)
Métodos indirectos. Cuando se utilizan
documentos analógicos o digitales elaborados
previamente para generar un modelo digital de
elevación, en los cuales podemos citar:
• La digitalización de curvas de nivel y puntos
de altura de la cartografía topográfica realizada
mediante procesos convencionales de conversión
automática (mediante escáner y vectorización)
o manual (uso de tableta digitalizadora o en
pantalla).
• Restitución fotogramétrica numérica, analítica y
digital (procesos fotogramétricos).
2.Imágenes de satélite
La representación de la superficie de la tierra a
través de la teledetección suele realizarse a partir
de imágenes multiespectrales. Éstas consisten en
un conjunto de imágenes digitales simples que una
vez superpuestas, por poseer idénticas propiedades
geométricas y de referenciación geográfica, forman
un conjunto de información único. Este conjunto
de información es equivalente a una matriz
tridimensional, en la que las filas y columnas
representan la localización geográfica, mientras
que la tercera dimensión representa las diferentes
bandas (Serra, Ceballos y Luna, 2007).
3.Índice de vegetación
La principal herramienta de que disponen las
imágenes de satélite es la información de las
propiedades radiométricas de las superficies. En este
sentido, cabe destacar la posibilidad de caracterizar
el estado fotosintético de la vegetación a partir de
la combinación de dos bandas espectrales situadas
en el espectro visible y en el infrarrojo cercano.
El índice de vegetación (NDVI, por sus siglas en
inglés “Normalized Digital Vegetation Index”)
se calcula a partir de combinaciones de bandas
espectrales de las imágenes de satélite de una
superficie, aprovechando las características únicas
del reflejo de la vegetación verde (Rouse, Haas,
Shcell y Deering,1974). Todos los organismos
fotosintéticos contienen uno o más pigmentos
capaces de absorber la radiación visible que iniciaría
las reacciones fotoquímicas y fotosintéticas. Dos
bandas del espectro electromagnético, la azul y la
roja, muestran la cantidad de energía absorbida por
las plantas, en cambio la banda del infrarrojo actúa
de forma inversa. La mayor absorción del rojo y
ISSN: 2244-8519
89
Tovar et al
azul, junto con la fuerte reflexión del infrarrojo es
la característica espectral de la vegetación. En estas
zonas espectrales es donde aparece la principal
diferencia entre la vegetación sana y vigorosa, con
alto contenido de humedad y la vegetación enferma
sin mostrar actividad fotosintética. El índice de
vegetación de diferencia normalizada (NDVI) está
relacionado con la actividad fotosintética de la
vegetación.
El cálculo del NDVI se puede expresar entonces
como una operación de bandas:
NDVI = (infrarrojo - Rojo)/ (infrarrojo + Rojo)
El intervalo de valores obtenido del NDVI, varía
entre -1 y 1. Sólo los valores positivos corresponden
a zonas de vegetación. Los valores negativos,
pertenecen a nubes, nieve, agua, zonas de suelo
desnudo y rocas
4.Variables del modelo digital de elevación (mde)
Las variables utilizadas en este estudio se definen
de la manera siguiente (Burrough y McDonnell,
1998):
• El gradiente de la pendiente (slope) es la razón
máxima de cambio de elevación que influye
sobre las tasas de flujo de agua y sedimento. Es
decir, en un punto del terreno se define como
el ángulo existente entre el vector normal a la
superficie en ese punto y la vertical, siendo la
tasa de cambio de la altitud obtenida al realizar
un desplazamiento horizontal. La pendiente
corresponde a la derivada de primer orden de la
altitud.
• La orientación de la pendiente (aspect) en un
punto puede definirse como el ángulo existente
entre el vector que señala el Norte y la proyección
sobre el plano horizontal del vector normal a la
superficie en ese punto. Sus estimaciones son
sencillas a partir del MDE y se calcula para un
plano de ajuste en cada punto o celda del modelo
(Felicísimo, 1999).
• La curvatura se define como la tasa de cambio
90
en la pendiente en el entorno de un punto
determinado y depende de la altitud. Corresponde
a la derivada de segundo orden de la altitud
(Burrough y McDonnell, 1998). Tiene especial
interés como variable influyente en fenómenos
como la escorrentía superficial, canalización de
aludes, erosión y flujos en general (Felicísimo,
1999). Se puede dividir según la orientación, que
es calculada en perfil de curvatura o en plano de
curvatura:
7. Redes Neuronales Artificiales
• El perfil de curvatura (profile) corresponde a
la porción de cambio de la pendiente en sentido
longitudinal el cual afecta la aceleración y
desaceleración de flujo y por ende influye en la
gradación y degradación del suelo.
En el pasado, el esfuerzo de la definición de la
Geomorfometría tuvo concentrado en la geometría
del paisaje, pero los nuevos avances técnicos en
computación y electrónica, algoritmos analíticos,
dispositivos de entrada/salida y grandes conjuntos
de datos, han reorientado esta ciencia (Pike, 1999).
La implementación del computador en la evaluación
morfométrica proporciona una representación
digital de las formas del terreno que ahora es esencial
para el modelado de procesos (Dikau, 1999; Dehn
et al., 2001) a todos los niveles de generalización.
La morfometría computarizada contribuye a la
integración de las formas superficiales del terreno
con espectros de sensores remotos y otros datos
ambientales, para facilitar la explicación de los
procesos físicos a diversa escalas.
• El plano de curvatura (plang), es la porción de
cambio de la pendiente en sentido trasversal que
afecta la convergencia y divergencia del flujo.
Estos últimos atributos son expresados como
grados de convexidad y concavidad.
La información acerca del relieve o la forma
superficial del terreno es uno de los requerimientos
fundamentales para el estudio del modelado en
las ciencias ambientales y en la geomorfología
aplicada.
8. Estructura de una Red Neuronal Artificial
• El área de captación (catchment) se define como
el área de drenaje contribuyente a un punto
específico de la cuenca.
6. Las técnicas de inteligencia artificial o
computacional
• El índice topográfico de humedad (ind_hum),
es una función que permite inferir la cantidad
de agua que puede llegar a un punto dado,
influenciado por el área de captación y la
pendiente. Se calcula por medio de la siguiente
fórmula matemática:
Índice de Humedad = ln (Área de Captación /
tag(pendiente °))
5. Geomorfometría
La Geomorfometría es la ciencia del análisis y
descripción cuantitativa de la superficie del terreno
a diversas escalas. Utiliza matemáticas, estadística
y técnicas de procesamiento de imágenes y se
relaciona con varias disciplinas entre las que
destacan la hidrología, la geología, la geometría
computacional, la geomorfología, los sensores
remotos, la ciencia de la información geográfica y
la geografía (Pike et al., 2008).
ISSN: 2244-8519
La inteligencia artificial (IA) es la rama de la
informática que desarrolla procesos que imitan
a la inteligencia de los seres vivos. La principal
aplicación de esta ciencia es la creación de máquinas
para la automatización de tareas que requieran
un comportamiento inteligente. El objetivo de la
inteligencia artificial (IA) es lograr la construcción
y la comprensión de entidades inteligentes, que
permitan resolver los mismos problemas que
resuelven los humanos (Russell y Norvig, 2004).
Dentro de la IA se encuentran algunos modelos
alternativos o técnicas emergentes como la Lógica
Borrosa (LB) y las Redes Neuronales Artificiales
(RNA), las cuales están inspiradas en las soluciones
que la naturaleza ha encontrado durante millones
de años de evolución a numerosos problemas
que toman en cuenta el tratamiento de cantidades
masivas de información, de tipo redundante,
imprecisa y ruidosa (Martín del Brío y Sanz, 2007),
tales como la que presenta el complejo multivariado
suelo-paisaje.
Una red neuronal artificial (RNA) es un modelo
computacional inspirado en redes neuronales
biológicas que pueden ser consideradas como
un sistema de procesamiento de información
con características como aprendizaje a través de
ejemplos, adaptabilidad, robustez, capacidad de
generalización y tolerancia a fallas. La RNA puede
ser definida como una estructura distribuida, de
procesamiento paralelo, formada de neuronas
artificiales (llamados también elementos de
procesamiento), interconectados por un gran numero
de conexiones (sinapsis), las cuales son usadas para
almacenar conocimiento que estará disponible para
su posterior utilización (Wasserman, 1989).
Las redes neuronales artificiales están formadas
por una gran cantidad de neuronas, denominadas
nodos o unidades de entrada. Un nodo o neurona
cuenta con una cantidad de variables de entrada
que provienen del exterior. A su vez dispone de una
sola salida que transmite la información al exterior
o hacia otras neuronas. Cada señal de salida tiene
asociada una magnitud llamada peso, calculado en
función de las entradas, por lo que cada una de ellas
es afectada por un determinado peso (Sotolongo et
al., 2000). Los pesos corresponden a la intensidad
de los enlaces sinápticos entre neuronas y varían
libremente en función del tiempo y en cada una de
las neuronas que forman parte de la red.
9. Los mapas auto-organizados de Kohonen
Los mapas auto-organizados o SOM (SelfOrganizing Map) desarrollados por Kohonen (1982),
son un método de aprendizaje no supervisado para
la clasificación de datos multidimensionales. La
principal característica de esta técnica es la creación
de mapas bidimensionales, en los que los contenidos
que estén relacionados aparecerán juntos, y cuanto
más similar sean dos datos más próximos estarán
en el mapa.
Los SOM, son una técnica de clasificación no
supervisada apropiada para la identificación de
ISSN: 2244-8519
91
Tovar et al
unidades de paisaje cuando se utilizan los MDE, ya
que son capaces de reducir la dimensionalidad de
datos complejos e identificar patrones, permitiendo
una fácil visualización, el análisis y la comprensión
de clases o unidades geomorfométricas conformadas
por grandes agrupaciones de píxeles.
10. Lógica Borrosa o Difusa
La lógica borrosa (fuzzy logic) ofrece las
herramientas teóricas para tratar conceptos
expresados en lenguaje natural; por lo tanto,
describe la posibilidad de que un individuo sea
miembro de un conjunto determinado, cuya opción
puede estar basada en el conocimiento subjetivo
de un experto (Burrough y McDonnell, 1998).
La teoría de conjuntos borrosos parte de la teoría
clásica de conjuntos, añadiendo una función
de pertenencia al conjunto, que se define como
un número real entre 0 y 1. El conjunto borroso
está asociado a un determinado valor lingüístico,
definido por una palabra, adjetivo o etiqueta
lingüística. Para cada conjunto borroso se define
una función de pertenencia o inclusión μA (t), que
indica el grado en que la variable t está incluida en
el concepto representado por la etiqueta A (Martín
del Brío y Sanz, 2007).
En el campo geomorfológico, las unidades
de relieve, las clases geomorfológicas o
geomorfométricas tales como crestas, picos,
laderas, canales, planicies y pozos han sido
ampliamente extraídas de MDE (Wood, 1996).
11. El Enfoque Borroso en la Clasificación
Geomorfológica
Según Arrel et al. (2007), los dos principales
enfoques de los conjuntos borrosos para el
reconocimiento de formas de terreno son la
clasificación
deductiva
(utilizando
clases
predeterminadas) y la inductiva (mediante la
selección del número de clases).
El enfoque deductivo examina el MDE con una
plantilla del arreglo de altitudes relativas dentro
de un área fija (ventana) y asigna el punto central
92
de esa área a un limitado conjunto de clases
geomorfométricas (CM). El número de clases
varía dependiendo de la implementación, de un
mínimo de 6 clases reconocidas por Evans (1980),
Peucker y Douglas (1975) y Wood (1996) a las 11
clases incluidas en el trabajo de Pellegrini (1995).
Este enfoque determinístico permite sin duda la
asignación del píxel a una clase, pero Wood (1996,
2002) ha demostrado que muchos parámetros,
incluyendo las clases geomorfométricas, están
sujetas a variaciones con la resolución del MDE
sobre el que es ejecutado el análisis.
12. Agrupamiento borroso (FCM)
El agrupamiento borroso (FCM) (Bezdek, 1981),
basa su clasificación en el criterio del error mínimo
cuadrático, forma grupos borrosos de los valores
del vector de entrada y da un valor de pertenencia
entre 0 y 1 a cada uno de los grupos borrosos,
generando una matriz con el grado de pertenencia a
cada grupo borroso; cada grupo tiene un centro en
el espacio, para cada dato el valor de pertenencia
a los diferentes grupos depende de la distancia a
los centros de grupo. Como el algoritmo agrupa
los datos de acuerdo a su proximidad, se encuentra
influenciado por la forma como se define la
distancia entre los datos, es decir, las reglas
utilizadas y el rango de variación de las variables.
En el ámbito geomorfológico, es importante
indicar que las clases geomorfométricas (CM)
obtenidas de la combinación de atributos
derivados de los MDE son más informativas y
útiles si son utilizados los conjuntos borrosos,
ya que en este contexto, cualquier píxel o celda
determinada puede contener elementos de un
número de diferentes clases geomorfométricas. La
CM es representada por el grado de membresía o
de pertenencia (en un rango de valores de cero a
uno) que cualquier celda tiene para cada una de
las formas de terreno identificadas. Un grado de
membresía de uno (1) estaría asociado con una
celda que satisface exactamente el valor ideal del
atributo (el concepto central) de una CM particular,
y un valor de cero (0) indicaría que la celda no
tiene similitud o membresía para esa CM (Arrel,
ISSN: 2244-8519
Fisher, Tate y Bastin, 2007).
13. Sistemas Neuro-borrosos: RNA y LB
La combinación de los aspectos positivos de las
técnicas mencionadas en las secciones anteriores ha
dado paso a un enfoque de gran fortaleza conocido
como sistema neuro-borroso (SNB). Es decir, los
SNB surgen para superar las desventajas de las
redes neuronales y de los sistemas borrosos, por lo
que el término neuroborroso se utiliza para referirse
a cualquier clase de combinación entre ambas
tecnologías.
En general, estos modelos combinan la capacidad
de aprendizaje y adaptación de las RNA y el
poder de la interpretación lingüística de la LB;
esto conlleva a la obtención final de un método
que permite combinar información auxiliar de
todo tipo, ya sean variables continuas derivada de
MDE (e.g. elevación o pendiente) o información
espectral de imágenes de satélite (e.g. NDVI) y
variables discretas derivadas de mapas temáticos
(e.g. litología, tipos de suelos, tipos de cobertura)
durante el proceso de clasificación, en las cuales
cada objeto (o píxel) puede presentar cierto grado
de pertenencia a diferentes clases.
14. Los Sistemas Neuro-Borrosos
Clasificación Geomorfológica
en
la
La integración de redes neuronales autoorganizadas
(Mapas autoorganizados de Kohonen) y los
conjuntos borrosos c-medias (FCM) han dado paso
a un modelo denominado red de agrupamiento
borroso de Kohonen (FKCN, Fuzzy Kohonen
Clustering Net) (Lin y Lee, 1996). Esto ha sido
posible debido a que ambas técnicas presentan
un denominador común basado en su orientación
hacia el tratamiento de tareas que involucran
el procesamiento de cantidades masivas de
información, de tipo redundante, imprecisa, incierta
y con ruido. Por lo tanto, ambos enfoques son
útiles para modelar procesos complejos no lineales
(Martín del Brío y Sanz, 2007).
Son escasos los trabajos de investigación realizados
en el ámbito geomorfológico que toman en cuenta
la combinación de las dos técnicas de inteligencia
computacional mencionadas. En Venezuela, se
ha dado un paso importante en la utilización de
tecnologías de inteligencia artificial computacional
en el área de clasificación de paisajes y predicción
de atributos del suelo con el trabajo de Viloria
(2007).
Viloria (2007) desarrolló un sistema clasificador del
terreno por Fuzzy Kohonen, el cual permite predecir
atributos del suelo por medio de clasificaciones
digitales del paisaje. El estudio se realizó con datos
derivados de una imagen satelital y un MDE de
un sector de la cuenca del río Caramacate, estado
Aragua. A partir de estos datos se clasificó el paisaje
del área de estudio por medio de tres modelos de
redes neuronales: una red de agrupamiento borroso
de Kohonen (FKCN), y dos mapas autoorganizados
(SOM) unidimensionales, con distintas funciones
de vecindad. Además en Venezuela se han hecho
otros estudios: Tucutunemo (Nuñez, 2006), en el río
Guey (Valera, 2009), litoral central (Valera, 2012) y
en los llanos centrales, (Pineda et al, 2012
METODOLOGÍA
1. Área de Estudio
La subcuenca del río San Juan, pertenece al
Municipio Juan Germán Roscio del estado Guárico,
ubicado geográficamente 1 088 385 – 1 100 968
norte y 661 843 – 683 302 este, con una extensión
aproximada de 135,26 km2 (Jácome et al., 2001).
Presenta en su conformación de relieve la zona de
mayor altitud dentro de la Cordillera del Interior
conocida como Pico Platillón, el cual alcanza los
1.906 m.s.n.m. y una parte más baja con alturas
entre los 375-550 msnm.
Posee dos grandes afluentes que son el Río El
Castrero que se origina en Platillón (1.500msnm)
y El Tibe, se origina en el sector La Llanada (1.300
msnm). Estos dos ríos se unen y desembocan al río
San Juan, que a su vez desemboca al río Guárico.
En la cuenca existen unidades de formación
geológicas tales como: Tiara, El Carmen, Santa
Isabel, Las Hermanas y Guárico. En la cuenca se
presentan dos zonas bioclimáticas Bosque Seco
ISSN: 2244-8519
93
Tovar et al
Tropical en las zonas más bajas, con temperatura
promedio de 25 ºC y precipitaciones de 1.200 mm
y Bosque Húmedo Premontano en las zonas más
altas. El paisaje está constituido principalmente por
laderas de montaña, escarpadas, con pendientes
medias del orden del 45% y altitudes que oscilan
entre 334 y 1.900 msnm.
. Guárico Vol 3, Nº. 3 Septiembre - Diciembre 2014
transporte de sedimentos (ITS) y el índice de flujo
potencial (IPS), para lo cual se utilizó el software
DiGem 2.0 (Conrad, 2002). Se empleó una imagen
de satélite multiespectral LANDSAT (30m) con la
que se generó el índice de vegetación normalizado
(Normalizad Diffrence Vegetation Index, NDVI),
tomando en cuenta la banda visible y la banda
infrarrojo del espectro electromagnético, utilizando
el programa Erdas (2005).
b. Red Neuro-Borrosa para la clasificación del
terreno
Cuenca del Rio San Juan 13.563 ha Ubicación relativa de la Cuenca río San Juan en el Municipio Juan Germán Roscio.
Figura 2.
2. Generación de MDE
a. Procesamiento Cartográfico
Se procedió a georeferenciar las siguientes cartas
geográficas a escala 1:25.000 (6745-I-SE, 6745-IVNE, 6745-I-NO, 6745-IV-SE, 6745-IV-SO, 6645-INE), las cuales se corrigieron geométricamente en
el sistema de proyección UTM (Datum La Canoa,
Huso 19), publicadas por Cartografía Nacional
(Instituto Geográfico de Venezuela Simón Bolívar).
Luego se cortó la sección de interés que contiene
la información cartográfica (curvas de nivel y red
hidrográfica), y seguidamente se procedió a elaborar
el mosaico o union de las cartas topográficas,
correspondiente a la cuenca del río San Juan, con
el fin de obtener una sola capa continua con toda la
información cartográfica.
Las curvas de nivel se vectorizaron con separaciones
de 20 m de altitud, al igual que la red hidrográfica, el
límite de la cuenca y los puntos de control, y con estas
coberturas vectoriales se realizó la interpolación de
los MDE (modelo raster) por medio del comando
Topogridtool de ArcGis 9.0® (ESRI, 2005). De esta
manera, se generó una resolución de 20 m/píxel, de
94
acuerdo con la escala de trabajo (1:25.000).
Luego de terminada la digitalización, las capas
vectoriales fueron sometidas a un proceso
exhaustivo de control de calidad que consistió en:
• Identificación de incongruencias en las cotas
(valor altimétrico) entre la cartografía básica
rasterizada y las capas digitalizadas.
• Verificación y ajuste entre las capas vectoriales
de curvas de nivel y la red hidrográfica.
• Revisión, cota a cota, de las capas de curvas de
nivel y de los puntos de control.
• Revisión y corrección del sentido de la
digitalización de la red hidrográfica.
Se generó el MDE con una resolución de 20 m/
pixel, (figura 9) de acuerdo con las escala de trabajo
(1:25.000). De los MDE generados se derivaron los
mapas de diferentes atributos topográficos; altitud
(Alt), grado de pendiente (Pend), Orientación de
la pendiente (Asp), curvatura vertical (Perfil C),
Curvatura horizontal (Plano C), área de captación
(Capt), Índice de humedad (Hum), índice de
ISSN: 2244-8519
Los atributos topográficos y la variable NDVI
fueron agrupados en una matriz de datos (formato
ASCII) con la aplicación del modelo de red
neuronal de agrupamiento borroso de kohonen
(FKCN), lo que permitió evaluar el agrupamiento
de píxeles con diversos números de clases (6-12) y
diferentes coeficiente de borrosidad.
A las clases morfométricas obtenidas se les
asignó el significado geomorfológico a través de
la interpretación de su distribución espacial y de
las descripciones de los centroides de clases y
matrices de membresías obtenidas mediante el
algoritmo Fuzzy C means. El MDE que se generó
para derivar los mapas de diferentes atributos
topográficos: altitud (Alt), grado de pendiente
(Pend), orientación de la pendiente (Asp), posición
relativa (PR), curvatura vertical (Perfil_C),
curvatura horizontal (Plano_C), área de captación
(Area_C), índice topográfico de humedad (ITH),
índice de transporte de sedimentos (ITS) y el índice
del potencial de escorrentía (IPE). Los atributos
topográficos fueron computarizados utilizando
el software DiGem 2.0® (Conrad, 2002). El
grado de la pendiente y la orientación (aspecto)
fueron determinados empleando la ecuación de
Zeverbergen y Thorne (1987), la cual utiliza un
algoritmo de diferencia finita de segundo orden,
ajustado a los 4 vecinos más cercanos en la ventana
de píxeles. Los parámetros de la curvatura (plano
y perfil) también se basaron en el algoritmo de
Zeverbergen y Thorne (1987) sobre ventanas de 3x3
píxeles; el Area C se obtuvo mediante el algoritmo
de Tarboton, Bras y Rodríguez-I(1991), el cual
utiliza un polinomio cuadrático con 9 términos;
el índice de humedad fue determinado según la
ecuación: ITH=ln (Area_C/Pend°) (Gessler, Moore
McKenzie y Ryan,1995; Wilson y Gallant, 2000).
El índice de transporte de sedimentos se determinó
a partir de la ecuación ITS=(n+1) (Area_C/22,13)
n (sen Pend°/0,0896)m; donde n=0.4, m=1.3; y
el índice del potencial de escorrentía se obtuvo
según la ecuación de Moore et al. (1991) (IPE =
ln (Area_C x Pend°). La posición relativa (PR)
se determinó mediante la fórmula: PR = ([MDE][MDEMin]/([MDEMax]-[MDEMin]), donde Max
y Min corresponden a las estadísticas máximas
y mínimas derivadas del MDE original, en una
ventana de 3x3 celdas.
c. Red de agrupamiento neuro-borroso
Para la obtención de las unidades geomorfométricas
se realizó el siguiente procedimiento: a) ingreso de
datos de entrada en formato ASCII para generar
una matriz de variables; b) entrenamiento de la
red neuronal, especificando los parámetros de
aprendizaje (número de clases: 6-12; exponente
de borrosidad: 1,1-1,6; error de convergencia:
0,0001-0,001; número de iteraciones: 20-50. La
red entrenada genera cuatro archivos de salida:
1) Topology.txt, el cual guarda la estructura de
la red entrenada; 2) Statistics.txt, contiene las
estadísticas del modelo generado, tales como
el FPI, el error final de convergencia, la media,
máximo y mínimo de cada uno de los centroides,
entre otros; 3) Convergence.txt, donde se
almacena el error de convergencia por cada época
de generación del modelo; y 4) Fkcn_map.asc,
este archivo contiene el mapa generado en formato
ASCII, de acuerdo con la topología generada. El
mapa se puede visualizar en el sistema FKCN o
en cualquier programa SIG, previa conversión
del formato (e.g. ASCII a Raster). Es necesario
escalar o estandarizar de algún modo los valores
de los atributos, por ello el FKCN utiliza una
forma de estandarización de las variables que
preservan su significado físico, al mismo tiempo
que neutralizan el efecto de las unidades sobre la
varianza de cada variable, evitando de esta manera
que este fenómeno tenga una influencia excesiva
en los resultados de la clasificación.
ISSN: 2244-8519
95
Tovar et al
Tabla 2. Centroides del modelo generados con 11 clases y exponente borroso de 1.2 en la cuenca del río San Juan.
Clas
1
2
3
4
5
6
7
8
9
10
11
Alt
693
1402
495
811
919
795
509
850
484
508
1008
Plano -1
Capta ith
NW
3057
5
SE
17950
6
W
106602 8
S
5406
6
NW
8714
6
NE
4614
5
NE
22758
7
SE
62597
7
SE
1484053 10
S
2532
6
NE
70473
7
ips
76
317
401
109
152
113
157
431
3821
44
512
its
21
30
10
21
23
24
10
22
13
13
26
En cuanto al significado geomorfológico de las 11
clases obtenidas en la clasificación final, se tiene lo
siguiente:
Figura 3. Estructura de la red neuro-borrosa empleada en el análisis morfométrico.
Fuente: Valera (2012)
RESULTADOS Y DISCUSIÓN
modelo digital de elevación de la cuenca del río San
Juan, b) número óptimo de clases geomorfométricas,
c) sensibilidad del modelo al número de variables
ambientales.
Los resultados se presentan basados en los siguientes
aspectos: a) características fundamentales del
Tabla 1. Parámetros estadísticos descriptivos del MDE de la cuenca del río San Juan
Atribute
alt
aspec
capta
hum
ipe
its
nvdi20
pend
perfil
plano
precip
prel20
Mean
723.3
2.8
188466.6
6.7
604.7
18.2
0.28370
0.31891
-0.00013
0.00470
1223.4
0.5
Max
1905
6
139637232
26
1400846
838
0.80000
1.31290
0.06070
1.81329
1491
1
En la Tabla 1, se detalla el valor de los centroides de cada
una de las clases morfométricas del modelo generado por el
96
Min
Std.Dev.
319.5
287.3
-1.0
1.8
400.0
3001405.5
2.3
2.3
0.0
10737.1
0.0
18.2
0.01256
0.12199
0.00000
0.19610
-0.05180
0.00312
-1.11269
0.08454
1024.5
92.6
0.0
0.1
CV (%)
40
64
1593
34
1776
100
43
61
-2481
1799
8
26
FKCN, específicamente para el MDE de 20 m de resolución
espacial.
ISSN: 2244-8519
Clase 2: corresponde a laderas de paisaje de
montaña alta (Grupo Villa de Cura), con 1.402
msnm, orientación SE y pendiente de 48%; el
índice de vegetación alto, con un área de captación
baja, y un moderado índice de erosión y un bajo
índice de humedad con formas cóncava, y una alta
precipitación. (Cerro Platillón).
Clase 11: También se corresponden con laderas
de montañas altas Formación Las Hermanas)
con alturas superiores a los 1.000 msnm, con
orientación NE respectivamente, y pendientes
mayores al 39%, lo cual influye en menores áreas
de captación y bajos índices de humedad, con
índices de vegetación altas y formas topográficas
convexas-convexas, y alta precipitación. (Cerro
Picachito).
Clase 5: también se corresponden con laderas de
montañas altas Formación Las Hermanas y Grupo
Villa de Cura) con alturas superiores a los 919
msnm, con orientación NW respectivamente, y
pendientes mayores al 44%, áreas de captación
y bajos índices de humedad, con índices de
vegetación altas y formas topográficas cóncavas, y
alta precipitación. (Cerro El Aventao).
Clases 4 y 8: corresponden a laderas de montañas
nvdi20 pend% Perfil C
0.24
51
0.095
0.63
48
0.027
0.24
13
-0.134
0.26
44
0.014
0.32
44
0.018
0.26
53
0.062
0.24
17
-0.074
0.30
36
-0.035
0.23
6
-0.182
0.22
36
0.125
0.42
39
-0.031
planoC
2.796
0.269
-1.312
1.245
0.989
1.641
-0.450
-0.202
-2.774
3.215
-0.479
precip prel20
1158
0.54
1367
0.51
1165
0.45
1228
0.52
1307
0.51
1196
0.51
1171
0.48
1351
0.49
1174
0.35
1154
0.60
1375
0.48
medias con altitud de 811 y 850 msnm y una
orientación S, SE, con pendientes que varían
entre 36 y 44% y formas topográficas cóncavasconvexas respectivamente, pertenecen a la
formaciones geológicas Chacao y Las Hermanas,
el área de captación es baja al igual que los índices
de humedad, los índices de vegetación son medios
pero no vulnerables a problemas de erosión (Cerro
La Gloria).
Clase 1 y 6: corresponden a laderas de montañas
bajas con altitud de 795 msnm y una orientación
ambas NE, con una pendiente de 51 y 53% y forma
topográficas cóncava-cóncava, pertenecen a la
formación geológica, Las Hermanas, el área de
captación es baja al igual a los índices de humedad
y los índices de vegetación son moderados.
Clases 7 y 10: corresponden a colinas disectadas con
altitud de 509 y 508 msnm y una orientación NE, S,
con pendientes que varían entre 17 y 36% y formas
topográficas cóncavas-convexas respectivamente,
el área de capitación es baja al igual a los índices
de humedad y los índices de vegetación son bajos.
Clases 3 y 9: corresponden a Valles o Terrazas
coluvio-aluvial con altitud de 495 y 484 msnm y
una orientación W, SE, con pendientes que varían
entre 13 y 6% y formas topográficas convexasconvexas respectivamente, el área de captación es
alta al igual a los índices de humedad, los índices de
vegetación son muy bajos (IPE Altos, ITS Bajos).
ISSN: 2244-8519
97
Tovar et al
REFERENCIAS
Arrel, K.E., Fisher, P.F., Tate, N., Bastin, L. (2007) A fuzzy c-means classification of elevation derivatives to
extract de morphometric classification of landforms in Snowdonia, Wales. Comput. Geosci. 33, 1366
– 1381.Consultado en 2009 diciembre 2. Disponible en: http: www.pedometrics.org/pedometron/
pedometron15.pdf
Bezdek, J.C. (1981). Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum
Press.
Bezdek, J. C. and Pal, S. K. (1992), Fuzzy Models for Pattern Recognition, IEEE Press, New York.
Burrough, P. A.; R.A. McDonnell. (1998). Principles of geographical information systems. Oxford: Oxford
University Press. 333 p.
Chuvieco, E. (1990). Fundamentos de teledetección espacial. Madrid: Ediciones Rialp. 453 p.
Conrad O. (2002): DiGem 2.0. Disponible en: http://www.geogr.uni-goettingen.de/pg/saga/digem/index.html
Dehn, M., Gärtner, H., and Dikau, R. (2001) Principles of semantic modeling of landform structures.
Computers and Geoscience, 27: 1005-1010
Figura 4. Clases obtenidas de resolución espacial MDE 20 m.
CONCLUSIONES
Mediante un método de clasificación se ha dividido la
cuenca del Río San Juan (Municipio Roscio, Estado
Guárico) en once clases de formas principales. La
superficie incluida en cada clase está caracterizada
por una serie de características geomorfológicas
que la distinguen de las áreas vecinas.
A partir del modelo digital de formas del terreno
se ha generado una vista en tres dimensiones que
permite evaluar los resultados de una manera
visual y rápida. Los resultados muestran que
el método utilizado permite identificar con
fiabilidad las principales formaciones del terreno,
y con mucho mayor detalle, un número elevado de
clases. Como objetivo de futuras investigaciones,
el uso combinado de imágenes de satélite y de
cartografía geológica preexistente a una escala
adecuada, puede permitir una mayor precisión
en la identificación de las clases morfométricas,
en el levantamiento de nueva información, en el
análisis físico de cuencas hidrográficas, o en el
caso de la realización de un mapa de suelos, de
riesgos geológicos o de erosión. La clasificación
de las formas del terreno propuesta en el presente
trabajo refleja las principales diferencias físicas y
estructurales del área estudiada. Sin embargo, los
resultados obtenidos pueden ser mejorados. El
uso de un MDE más detallado podría permitir la
identificación de Posiciones Geomorfológicas o
formas de terreno que no pueden percibirse con la
resolución empleada, como formas fluviales que
aparecen como superficies planas.
Dikau, R. (1999) The need for field evidence in modelling landform evolution. In: Hergarten, S. & H.
Neugebauer (1999): Process modelling and landform evolution. Lecture Notes in Earth Sciences 78:
3-12.
Dikau,. R. & Schmidt, J. (1999). Georeliefklassifikation. In: Schneider-Sliwa,R. Schaub D, &. Gerold D
(Eds.), Angewandte Landschaftsökologie. Grundlagen und Methoden. Berlin: Springer. 217–244.
Elizalde, G. (1983). Ensayo de clasificación sistemática de categorías de paisajes. Primera aproximación.
Instituto de Edafología. Facultad de Agronomía. UCV. Maracay. 46 p
Erdas Field Guide™, 2005. Geospatial Imaging, LLC Norcross, Georgia, Leica Geosystems.
ESRI, 2005. ArcGis 9.0. Redland, California, USA. www.esri.com.
Evans I.S. (1980), An integrated system of terrain analysis and slope mapping, Z. Geomorphol. Suppl. Bd.,
36, 274-295.
Felicísimo, A. (1999). La utilización de los MDT en los estudios del medio físico. (Documento en línea).
(Consulta: 2006, Diciembre 12). 16 p Disponible en: http://www.etsimo.uniovi.es/~feli.
Gerrard, A. J. (1981).Soils and landforms, an integration of geomorphology and pedology. London: Allen &
Unwin.
Gessler, P.E., Moore, I.D., McKenzie, N.J. and Ryan, P.J. (1995) Soil-landscape modelling and spatial
prediction of soil attributes. Int. J. Geographical Information Systems, Vol. 9, 4:421-432.
Jenny, H. (1961). Derivation of state factor equation of soils and ecosystems. Soil Science Society of America
Procedings, 25: 385-388 p.
98
ISSN: 2244-8519
ISSN: 2244-8519
99
Tovar et al
Kohonen, T. (1982). Clustering, Taxonomy and Topological Features Maps of Patterns. Proc 6th International
Conference on Pattern Recognition, Munich. Pp 114- 128.
Lark, R.M. (1999). Soil landform relationships within-field scales: an investigation using continuous
classification. Geoderma 92: 141 – 165.
Lin, C.; C. Lee. (1996). Neural fuzzy systems. New Jersey: Prentice Hall, Inc. USA: 797p.
Martín Del Brío, B.; Sanz M. A. (2007). Redes Neuronales y Sistemas Borrosos. 3ra Edición. México:
Alfaomega Grupo Editor, S. A. de C.V.
Núñez, Y. (2006). Relación suelo-paisaje en un sector de la cuenca alta del río Güey, correspondiente a la
formación geológica las Brisas. Facultad de Agronomía. Universidad Central de Venezuela. Maracay.
Edo. Aragua. 205 p.
PELLEGRINI, G. J., 1995, Terrain shape classification of digital elevation models using eigenvectors and
Fourier transforms. PhD thesis, State University of New York.
Peucker, T.K. and douglas, D.H., 1975. Detection of surface-specific points by local parallel processing of
discrete terrain elevation data. Computer Graphics and Image Processing, 4, pp. 375?387.
Pike, R.J. (1999). A bibliography of geomorphometry, the Quantitative Representation of TopographySupplement 3 (Open-File Report 99-140), US. Geological Survey.
Valera, A. (2012) Tecnologías de Inteligencia Artificial: Redes neuronales artificiales y teoría de conjuntos
borrosos para el análisis geomorfométrico de paisajes de montaña. Editorial Academia Española. Madrid,
Es. 108 p.
Viloria, J. (2007). Predicción espacial de propiedades del suelo por medio de modelos discretos y modelos
continuos de variación. Trabajo de Ascenso Profesor Titular. Universidad Central de Venezuela, Facultad
de Agronomía. Maracay. 170 p.
Wasserman, P. (1989). Neural Network Computing. New York: Van Nos trand Reinhold.
Wilson, J. P. y J. C. Gallant (2000)Secondary topographic attributes, En: Wilson, J. P. and J. C. Gallant (eds.),
Terrain analysis: principles and applications. New York: John Wiley & Sons, Inc., pp. 87-131.
Wood W.W. (1996), The geomorphological characterisation of digital elevation models. PhD Thesis, University
of Leicester, UK. Consultado 2007, diciembre 2). Disponible en: http://www.soi.city.ac.uk/~jwo/phd.
Wood, W.W. (2002) Role of groundwater in geomorphology, geology and paleoclimate of the southern Haigh
Plains, USA. Ground water. 40, 438-447.
Zeverbergen, L. W., y Thorne, C. R. (1987) Quantitative analysis of land surface topography”. Earth surface
processes and landforms, 12, 47-56.
Pike, R.J., Evans, I., Hengl, T. (2008) Geomorphometry: A Brief Guide. In: Geomorphometry - Concepts,
Software, Applications, Hengl, T. and Hannes I. Reuter (eds.), Series Developments in Soil Science vol.
33, Elsevier, pp. 3-33
Rouse, J.W., Haas, R.H., Schell, J.A., y Deering, D.W. (1974). Monitoring vegetation systems in the Great
Plains with ERTS. Proc. Third Earth Resources Technology Satellite-1 Symp., Goddard Space Flight
Center, NASA SP-351, Science and Technical Information Office, NASA, Washington, D. C.
Russell, S. y Norving, P. (2004). Inteligencia Artificial Un enfoque moderno. 2da Edición. ISBN: 842054003X.
New York: Prentice Hall.
Serra W.; G. Ceballos; S. Luna. (2007) Problemática de la Fotointerpretación. (Documento en línea).
Disponible http://www.efn.uncor.edu/otros/foto/index.htm (Consulta: 2007, mes: 2).
Sotolongo, G; Suárez, CA.; Guzmán, MV. 2000. Modular Bibliometrics Information System with Propietary
Software (MOBIS-ProSoft): a versatile approach to bibliometric research tools. : Library and Information
Science Electronic Journal (LIBRES). 2000; September 30, Volume 10 Issue 2. http://libres.curtin.edu.
au/
Tarboton, D. G., R. L. Bras and I. Rodriguez-Iturbe, (1991), “On the Extraction of Channel Networks from
Digital Elevation Data. Hydrologic Processes, 5(1): 81-100.
Valera, A. (2009) Aplicación de técnicas de inteligencia artificial en el modelado de unidades de paisaje en la
cuenca del río Güey, Maracay, estado Aragua. Congreso Venezolano de la Ciencia del Suelo, 18., 09 al
13 de marzo de 2009. Santa Bárbara del Zulia Ve.
100
ISSN: 2244-8519
ISSN: 2244-8519
101

87 86 Delimitación de unidades de paisajes aplicando técnicas de

Transcripción

Documentos relacionados

cartografía predictiva de clases de suelo con redes neuro

Memorando de entendimiento (MdE) Las partes Manifiestan

Ficha