Vous êtes sur la page 1sur 7

CLASIFICACIN GEOMORFOMTRICA DE PAISAJES MONTAOSOS

VENEZOLANOS MEDIANTE REDES NEURONALES DIFUSAS


Jess Viloria1, ngel Valera2, lvaro Viloria3
1

Universidad Central de Venezuela, Laboratorio de Agrologa, Instituto de Edafologa, El Limn, estado Aragua,
Venezuela.
2
Universidad Rmulo Gallegos, Centro de Investigacin y Extensin en suelos y Aguas, San Juan de los Morros,
estado Gurico, Venezuela.
3
Universidad Central de Venezuela, Escuela de Computacin, Facultad de Ciencias, Caracas, Venezuela.
jviloria@agr.edu.ve, valeraangel2@gmail.com, alvarovb@gmail.com

Resumen
Con la finalidad de realizar clasificaciones cuantitativas de unidades de paisaje mediante la aplicacin de
tcnicas de inteligencia artificial en paisajes montaosos venezolanos, se seleccionaron dos cuencas de
gran importancia ambiental: Ro Gey y Ro Caramacate. En la evaluacin se utiliz un procedimiento
geomorfomtrico a partir del anlisis de atributos topogrficos e ndices derivados de modelos digitales de
elevacin (MDE) e imgenes satelitales. En ambos paisajes se realiz una clasificacin no supervisada
utilizando una red de agrupamiento borroso de Kohonen (FKCN). Esta red consiste en una combinacin
de los algoritmos de mapas autoorganizados (SOM) y Fuzzy C-means (FCM) que permiti
automticamente la extraccin y clasificacin de propiedades morfomtricas. Se realizaron evaluaciones
de MDE de diferentes resoluciones espaciales entre 8 y 20m (ro Gey) y 8 y 30m (ro Caramacate), para
seleccionar el mejor modelo cuantitativo para cada situacin especfica a nivel de tipo de relieve. Los
resultados indican que el enfoque neuro-borroso es un mtodo de clasificacin no supervisada que permite
una rpida estimacin de la distribucin espacial de unidades de terreno homogneas morfolgicamente
mediante la clasificacin de pxeles, constituyendo una importante 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:
Red Neuro-Difusa, Geomorfometra, Paisaje, Mapas Autoorganizados, Modelo Digital de Elevacin

Introduccin
En la actualidad existen opciones importantes para apoyar la cartografa digital de ambientes complejos y
dinmicos como los paisajes montaosos. Dentro de estas se encuentran las tcnicas de anlisis espacial
basadas en inteligencia artificial, tales como la lgica difusa (LD) y las redes neuronales artificiales
(RNA), las cuales son fundamentales para la clasificacin digital de unidades de suelos y paisaje (Ehsani y
Quiel, 2009). Estas tcnicas se adaptan adecuadamente al estudio de los atributos del paisaje, los cuales
varan gradualmente sobre el espacio, donde la representacin de esa variacin gradual puede resultar en
la obtencin de informacin til y en la disminucin de errores en la definicin de lmites apropiados de
unidades geomorfolgicas (Burrough et al., 2000). La combinacin de la potencialidad de los conjuntos
borrosos y las RNA ha desarrollado una tcnica integral de clasificacin no supervisada denominada red
de agrupamiento borroso de Kohonen o Fuzzy Kohonen Clustering Network (FKCN) (Bezdeck et al.,
1992; Lin y Lee, 1996), que conjuga un algoritmo de mapas autoorganizados o self organizing map
(SOM) (Kohonen, 1982) y el algoritmo Fuzzy C-means (Bezdeck, 1981). De esta manera, las RNA
intentan construir un modelo matemtico que consta de un conjunto de funciones sencillas vinculadas por
sus pesos, mientras que los mtodos de clasificacin difusa tienen la capacidad de modelar la variacin
continua del relieve de acuerdo con los valores de una funcin de pertenencia. La red es capaz de
manipular diferentes tipos de variables y de manejar informacin masiva y multidimensional, cuyos datos
de entrada no requieren supuestos de distribucin normal. Tomando en cuenta que aproximadamente un
44 % de las tierras de Venezuela tienen limitaciones de relieve excesivo, se seleccionaron las cuencas de
los ros Gey y Caramacate, en el estado Aragua, para aplicar una red neuro-borrosa o neuro-difusa

(Viloria, 2007) para generar inicialmente clases geomorfomtricas y posteriormente unidades


geomorfolgicas en forma rpida, precisa y objetiva a partir de diversos parmetros derivados de MDE e
imgenes de satlite de las zonas de estudio.

Materiales y Mtodos
rea de estudio
El estudio se realiz en las cuencas de los ros Gey y Caramacate, en el estado Aragua, Venezuela. La
cuenca del ro Gey, tiene una superficie de 1.912,1 ha, y est localizada al Norte del Lago de Valencia y
de la ciudad de Maracay, en el flanco Sur de la rama litoral de la Cordillera de la Costa; presenta un
relieve quebrado con pendientes superiores al 60%, con una altitud comprendida entre 439 y 1491 msnm,
con dominancia de materiales geolgicos de las formaciones Las Brisas y las Mercedes. La cuenca del ro
Caramacate se ubica 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 cuenca alta del Ro Gurico. El paisaje est constituido por
laderas de montaa, escarpadas, con pendientes medias del orden del 45% y altitudes que oscilan entre
334 y 1405 msnm; los materiales geolgicos se corresponden a las formaciones El Chino-El Cao y El
Carmen, del Grupo Villa de Cura (figura 1).
Cuenca Ro Gey

Venezuela

Estado Aragua

Cuenca Ro Caramacate

Figura 1. Ubicacin relativa de las cuencas de los ros Gey y Caramacate en el estado Aragua, Venezuela.

Estructura de la red neuro-difusa


La red neuronal FKCN utilizada en el anlisis morfomtrico consta de tres capas. La capa de entrada
contiene los valores normalizados de las 11 variables ambientales procedentes del MDE y de la imagen de
satlite; la capa de distancias tiene diez (10) neuronas equivalentes al nmero preestablecido de clases
geomorfomtricas, y la tercera capa calcula la funcin de pertenencia de cada celda a cada una de las diez
(10) clases de terreno, basada en las distancias computadas en la capa anterior y los valores
preestablecidos del exponente borroso (figura 2).

Figura 2. Estructura de la RNA utilizada en el anlisis morfomtrico

Los atributos topogrficos y la variable NDVI fueron agrupados en una matriz de datos bajo formato
ASCII, para la aplicacin del sistema FKCN en cada uno de los MDE con sus respectivas resoluciones, lo
que permiti evaluar el agrupamiento de pxeles con diversos nmeros de clases (6 - 12) y diferentes
coeficientes de borrosidad (= 1,1 - 1,6), ya que la magnitud de este exponente determina el grado de
borrosidad del modelo.
En la RNA cada neurona es descrita por un vector n-dimensional de pesos, donde n es igual al nmero de
variables en los datos de entrada. Los vectores de pesos se inicializan con valores aleatorios y mediante un
proceso iterativo, se lleva a cabo la adaptacin de la red de manera sistemtica y secuencial. Cuando un
vector de entrada se presenta a la red, esta capa calcula la distancia euclidiana entre el vector de entrada y
cada uno de los vectores de pesos. La neurona con la distancia mnima a partir del vector de entrada es
elegida como el nodo ganador y se actualizan los vectores de pesos para acercarlos al vector de entrada. El
aprendizaje de la red se detiene cuando se alcanza el nmero mximo de iteraciones o cuando la diferencia
entre una iteracin y la anterior es menor o igual al coeficiente de convergencia del modelo.
Variables ambientales
Las variables topogrficas se derivaron de hojas cartogrficas a escala 1:25.000, digitalizadas y
vectorizadas y posteriormente se interpolaron los MDE (modelo raster) por medio del comando
Topogridtool de ArcGis 9.2 (Environmental Systems Research Institute, Inc., Redlands, CA, USA). Para la
cuenca del ro Gey se generaron cuatro MDE con resolucin espacial de 8, 10, 15 y 20 m/pxel, de los
cuales se derivaron los mapas de atributos topogrficos: altitud (Alt), grado de pendiente (Pend),
orientacin de la pendiente (Asp), curvatura vertical (Perfil_C), curvatura horizontal (Plano_C), rea de
captacin (Area_C), ndice de humedad (ITH), ndice de transporte de sedimentos (ITS) y el ndice del
potencial de escorrenta (IPE), para lo cual se utilizaron los programas SAGA GIS (Bock et al., 2005) y
Digem (Conrad 2002). Se emple una imagen de satlite multiespectral SPOT (20 m) con la que se
gener el ndice de vegetacin de diferencia normalizada de (Normalizad Difference Vegetation Index,
NDVI). En la cuenca del ro Caramacate se utilizaron MDE de 10 a 30 m de resolucin, se generaron los
mismos atributos morfomtricos y adems se consider la posicin relativa.
El grado de la pendiente y la orientacin (aspecto) fueron determinados empleando la ecuacin de
Zeverbergen y Thorne (1987), el cual utiliza un algoritmo de diferencia finita de segundo orden, ajustado
a los 4 vecinos ms cercanos en la ventana de pxeles. 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 el algoritmo de Tarboton et al. (1991), el cual utiliza un polinomio cuadrtico
con 9 trminos; el ndice de 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 la ecuacin ITS=(n+1) (Area_C/22,13)n (sen Pend/0,0896)m; donde n=0.4, m=1.3; y el ndice del
potencial de escorrenta se obtuvo segn la ecuacin de Moore et al. (1991) (IPE = ln (Area_C x Pend).
La posicin relativa (PR) se determin mediante la frmula: PR=([MDE]-[MDEMin]/([MDEMax][MDEMin]), donde Max y Min corresponden a las estadsticas mximas y mnimas derivadas del MDE
original, en una ventana de 3x3 celdas.
Seleccin del modelo ptimo y significado geomorfolgico de las clases morfomtricas
Para obtener el mejor modelo generado por la FKCN se utiliz un mtodo inductivo, aplicando el
procedimiento 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 ms
adecuado se realiz explorando un total de 12 clases y un rango de variacin del exponente borroso ()
comprendido entre 1,10 y 1,60. Estos parmetros conjuntamente con 50 iteraciones y un error de
convergencia de 0,0001 se utilizaron para el entrenamiento de la red. El significado geomorfolgico de las
clases morfomtricas se interpret considerando su distribucin espacial, las descripciones de los
centroides de las clases y los grados de membresas obtenidas mediante el algoritmo FCM (Bezdek, 1981)
del programa Fuzme 3.5 (Minasny y McBratney, 2002).
Evaluacin de los modelos continuos
Para evaluar los modelos finales se emplearon dos mtodos de comparacin de resultados, utilizando

mapas de clasificacin geomorfolgica de paisajes de ambas zonas (Nuez, 2007; Pineda, 2008): 1) la
estimacin del grado de coincidencia basado en una distribucin binomial de los lmites (Steers y Hajek,
1979), y 2) la evaluacin cuantitativa mediante matrices de confusin y el estadstico kappa (Hudson y
Ramn, 1987).

Resultados
En la cuenca del ro Gey el nmero de clases morfomtricas ms adecuado se obtuvo con 11 clases para
los MDE de 8, 15 y 20 m, y 10 clases para el MDE de 10 m, combinados con un de 1.20. En cuanto al
significado geomorfolgico de las clases obtenidas, en el cuadro 1 se presentan los valores de los
centroides correspondientes al mejor modelo (MDE de 8m), indicando que las clases A hasta G se
relacionan con paisajes de montaas; las clases H e I se corresponden con paisajes de piedemonte, y las
clases J y K pertenecen a paisajes de valles (coluvio-aluviales y aluviales) (figura 3a).
Cuadro 1. Centroides del modelo generado con 11 clases y exponente borroso de 1.2 en la cuenca del Ro Gey.

Clase
A
B
C
D
E
F
G
H
I
J
K

Unidad
Geomorfolgica

Alt
(m)
Lad. S /MA
1090
Lad. W /MB
598
Lad. W /MM
808
Lad. W /MA
1160
Lad. SE /MB
616
Lad. E/ MA
1125
Lad. E /MB
778
Piedemonte E 459
Piedemonte W 460
Valle CA/V-V 800
Valle A /V-V
453

Asp
()
254
69
178
76
259
170
171
145
280
75
272

Lad: Laderas
MA: Montaa Alta
V/V: Cncavo-Cncavo

Pend
(%)
32,9
44,7
51,5
42,7
41,3
40,4
46,9
3,8
3,6
24,3
2,0

Area_C
(m2)
2410
1273
2782
3075
1438
2408
1791
3097
3868
24121
13638

Atributos ambientales
Perfil_C Plano_C
ITH
(m/m2) (m/m2)
5,7
0,042
0,044
5,2
-0,010
0,064
5,4
-0,029
-0,022
5,7
0,041
0,012
5,3
0,006
0,055
5,7
0,041
0,006
5,2
-0,009
0,023
8,6
-0,017
-0,006
8,7
-0,019
-0,004
7,0
-0,089
-0,130
9,9
-0,010
-0,012

MM: Montaa Media


X/X: Convexo-Convexo

ITS

IPE

NDVI

14,3
17,8
24,3
20,4
16,9
18,8
19,7
1,4
1,4
17,8
1,0

89
69
158
134
72
109
98
25
29
600
65

0,07
0,09
0,14
0,14
0,06
0,09
0,08
0,07
0,07
0,16
0,07

MB: Montaa Baja


A: aluvial
CA: Coluvio-aluvial

Para la cuenca del ro Caramacate, el nmero de clases morfomtricas ms adecuado se obtuvo con 10
clases para los MDE de 10, 15 y 20 m y =1.20, y 8 clases para el MDE de 30 m, con =1.20. En el
cuadro 2 se detalla el valor de los centroides de las clases geomorfomtricas del modelo generado por el
FKCN con 10 neuronas, para el MDE de 15m de resolucin espacial. Con respecto al significado
geomorfolgico, la clase G se relaciona con las vegas de valles intramontanos, la clase K corresponde a
crestas y vigas de montaas y las clases restantes corresponden a laderas de montaas, con diferencias en
altura relativa, exposicin, curvatura del terreno y cobertura vegetal (figura 3b).
El modelo digital obtenido coincidi en 94,1 y 84,4% para las cuencas Gey y Caramacate
respectivamente, al compararlos con los lmites entre los tipos de relieve de los mapas de clasificacin
geomorfolgica del paisaje realizados previamente. Sin embargo, la evaluacin cuantitativa mediante
matrices de comparacin y el estadstico kappa arroja una concordancia de 53 y 44 % para ambas cuencas,
lo que significa que existe una moderada asociacin entre los modelos comparados de los dos sectores. En
cuanto a los grados de pertenencia o membresas, existe una moderada confiabilidad en el modelo de ro
Gey (57,4%), pero en ro Caramacate el modelo expresa una baja confiabilidad debida posiblemente a la
alta complejidad del paisaje. Sin embargo, en ambas situaciones, la concordancia entre los lmites se
encuentra por encima del 84%.

Cuadro 2. Centroides del modelo generado con 10 clases y exponente borroso de 1.2, en la cuenca del Ro Caramacate.

Unidad

Clase
A
B
C
D
E
F
G
H
I
J

Geomorfolgica

Alt
(m)

788
647
Vegas S, VV
Lad SE, MB, VV 651
701
Lad W, MB, VX
Lad NE, MA, LL 982
Lad NW, MA, VL 966
1079
Lad S, MA, XX
Lad NE, MB, XX 719
Lad NW, MM, XX 735
905
Lad S, MM, VV
Crestas SE, XX

Lad: Laderas
V: Cncavo

Asp
PR
()

Pend
(%)

Atributos ambientales
Perfil_C Plano_C
Area_C
ITH
ITS
(m/m2) (m/m2)
(m2)

0,57
0,38
0,46
0,49
0,51
0,51
0,50
0,53
0,54
0,47

59,5
11,3
67,9
71,0
72,0
62,6
57,1
62,9
63,9
85,0

1562
34103
7607
4538
14405
11647
10190
6646
5248
6005

145
193
115
250
30
314
176
35
326
191

MA: Montaa Alta

7,9
12,7
7,8
7,9
8,6
8,7
8,9
10,8
7,7
8,2

MM: Montaa Media


X: Convexo

0,0432
-0,0358
-0,0265
-0,0039
0,0010
-0,0017
0,0036
0,0037
0,0037
-0,0035

0,0551
-0,0199
-0,0204
0,0033
0,0003
0,0004
0,0020
0,0063
0,0066
-0,0190

20
18
36
32
42
35
31
28
29
41

IPE NDVI

57
412
273
182
442
323
283
166
160
274

0,19
0,36
0,19
0,28
0,54
0,50
0,52
0,19
0,27
0,21

MB: Montaa Baja


R: Lineal

Cuadro 3. Evaluacin de la exactitud de los modelos obtenidos a diferentes resoluciones

Cuenca

Ro Gey

Ro Caramacate

Resolucin del
MDE

Confiabilidad Global
(%)

Indice Kappa (k)

Coincidencia de Lmites
(%)

8m
10m
15m
20m
Membresas 8m
10m
15m
20m
30m
Membresas 15m

58,9 2,70
46,5 2,73
37,3 2,66
40,3 2,69
57,4 2,91
41,1 1,17
50,2 1,20
37,9 1,16
45,0 1,19
26,5 1,02

0,53
0,39
0,28
0,32
0,47
0,34
0,44
0,30
0,38
0,19

94,1 0,21
77,5 0,65
76,5 0,67
63,7 0,86
77,5 0,65
69,6 1,30
84,4 0,80
69,6 1,30
49,0 1,50
69,3 1,30

(b)

Figura 3. Modelos de clasificacin cuantitativa del paisaje en las cuencas de los ros Gey (a) y Caramacate (b), estado
Aragua, Venezuela.

Conclusiones
La clasificacin cuantitativa con la aplicacin del modelo de redes neuro-borrosas permiti la obtencin
de categoras geomorfomtricas, con caractersticas bien definidas por los centroides de las clases en las
dos cuencas estudiadas. La descripcin e interpretacin de los centroides de cada clase permiti establecer
su significado geomorfolgico, el cual est correlacionado con los tipos de relieve presentes en los
paisajes de las cuencas de los ros Gey y Caramacate.
El anlisis morfomtrico permiti demostrar que a resoluciones espaciales ms finas, existe una mejor y
mayor representatividad de las clases geomorfomtricas en los sectores estudiados, lo cual facilit la
interpretacin geomorfolgica.
La comparacin de los modelos cuantitativos finales con los mapas geomorfolgicos existentes a travs
del grado de coincidencia entre los lmites, indica que existe una alta relacin entre dichos modelos; sin
embargo, la estimacin mediante la matriz de confusin y el estadstico Kappa expresa una moderada
exactitud. Esto sugiere que para comparar los modelos continuos, es ms adecuada la evaluacin por
medio de la proporcin de lmites coincidentes.
El enfoque neuro-difuso como mtodo de clasificacin no supervisada, permiti una rpida estimacin de
la distribucin espacial de unidades de terreno homogneas morfolgicamente mediante la clasificacin de
pxeles, constituyendo una importante alternativa de apoyo al experto para la definicin de unidades
geomorfolgicas, la planificacin de recursos naturales, la prediccin de propiedades edficas y el estudio
de las relaciones suelo-paisaje.

Referencias
Bezdek, J.C.; E.C. Tsao; N.R. Pal. 1992. Fuzzy Kohonen Clustering Networks, in Proc. IEEE Int. Conf. on Fuzzy
Systems, 1992 (San Diego), pp. 1035-1043.
Bezdek, JC. 1981. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, New York.
Bock, M.; J. Behner; O. Conrad; R. Kthe; A. Ringeler. 2005. SAGA. System for Automated Geoscientific
Analyses. Free Software Foundation, Inc. 59 Temple Place, Suite 330, Boston, MA 02111-1307, USA. [On
line]: http://www.saga-gis.org
Burrough, P.A.; P.F.M.Van Gaans; R.A. MacMillan. 2000. High-resolution landform classification using fuzzy kmeans. Fuzzy Sets and Systems, 113, 37-52.
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.
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.
Hudson, W.D.; C.W. Ramm. 1987. Correct formulation of the kappa coefficient of agreement. Photogrammetric
Engineering and Remoto Sensing, 53: 421-422.
Kohonen, T. 1982. Analysis of a simple self-organizing process. Biological Cybernetics, 44: 135-140.
Lin, C; C. Lee. 1996. Neural fuzzy systems. Prentice Hall, Inc. New Jersey, USA. 797 p.
Macmillan, R.A.; Pettapiece, W.W.; Nolan, S.C.; T.W., Goddard. 2000. A generic procedure for automatically
segmenting landforms into landform elements using DEMs, heuristic rules and fuzzy logic. Fuzzy Sets and
Systems, 113: 81-109.
Minasny, B.; A.B., McBratney. 2002. FuzME version 3.5. Australian Centre for Precision Agriculture. McMillan
Building A05, The University of Sydney, NSW 2006. [On line]: http://www.usyd.edu.au/su/agric/acpa.
Nez, Y. 2007. Relacin suelo-paisaje en un sector de la cuenca alta del Ro Gey, correspondiente a la Formacin
Geolgica Las Brisas. Trabajo de Grado. Facultad de Agronoma. Universidad Central de Venezuela. Maracay,
Venezuela. 191 p.

Odeh, I.O.A.; McBratney, A.B.; 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 Ro Gurico. Trabajo de
Ascenso (Asistente). Facultad de Agronoma, Universidad Central de Venezuela. Maracay. 313 p.
Steers, C.A.; B.F., Hajek. 1979. Determination of map unit composition by a random selection of transects. Soil Sci.
Soc. Am. J., 43: 163-177.
Tarboton, D.G.; R.L. Bras; I. Rodriguez-Iturbe. 1991. On the extraction of channel networks from digital elevation
data. Hydrological Processes 5: 81-100.
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.