APLICACIN DE TCNICAS DE INTELIGENCIA ARTIFICIAL EN EL ANALISIS

GEOMORFOMTRICO DEL PAISAJE EN LA CUENCA DEL RO CARAMACATE,

ESTADO ARAGUA
ngel Valera Valera1 y Jess Viloria Rendn2
1

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

Morros, Gurico, Venezuela, angelvalera@cantv.net. 2Laboratorio de Agrologa, Facultad de
Agronoma, UCV, Aragua, Venezuela, jesus.viloria@gmail.ve
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 los
elementos 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 y
las 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 y
utilidad para las clasificaciones cualitativas realizadas por los expertos. En este estudio se utiliz un
procedimiento geomorfomtrico, a partir de un anlisis de atributos topogrficos de la cuenca del ro
Caramacate, en la cual se realiz una clasificacin no supervisada basada en una red de agrupamiento
borroso de Kohonen (FKCN). Este mtodo emplea un conjunto de algoritmos computarizados que
automticamente permiti la extraccin y la clasificacin de propiedades geomorfomtricas de un modelo
digital de elevacin (MDE) y de imgenes de satlite. En este sentido, se realizaron evaluaciones de un
MDE de diferentes resoluciones espaciales (10, 15, 20 y 30 m) mediante un sistema clasificador del
terreno por Fuzzy Kohonen, y se obtuvo un promedio de 10 clases geomorfomtricas con la utilizacin de
10 atributos topogrficos y el NDVI. La FKCN permite generar inicialmente clases geomorfomtricas y
posteriormente unidades geomorfolgicas en forma rpida, precisa y objetiva, 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: Paisaje, Geomorfometra, Inteligencia artificial, Lgica borrosa, Redes Neuronales
Artificiales.

INTRODUCCIN
En la actualidad existen diversas opciones 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 borrosa (LB) 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). 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 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) (Lin y Lee, 1996; Bezdeck et al., 1992), que conjuga un algoritmo de mapas
autoorganizados 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 del
paisaje basado en el anlisis cuantitativo de atributos derivados de un MDE e imgenes satelitales
de 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 clases
geomorfomtricas obtenidas, a travs de la interpretacin de su distribucin espacial y de las
descripciones de los centros de clases y matrices de membresas. La FKCN 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
seleccion la cuenca del ro Caramacate, en el estado Aragua para aplicar la FKCN, Se realizaron
evaluaciones de MDE de diferentes resoluciones espaciales entre 10 y 30m 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.
MATERIALES Y MTODOS
rea de estudio
El 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 cuenca
alta del ro Gurico (figura 1). 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.
Procesamiento de la Informacin Cartogrfica
Para la subdivisin del rea en unidades litolgicas se utilizaron mapas geolgicos digitales a
escala 1:25.000 (6745-I-NO, 6746-II-NE, 6746-II-NO, 6746-II-SE, 6746-II-SO) (Urbani y
Rodrguez, 2004), para una superficie de 12.324 ha (rea Espacial Atributiva, AEA). Tambin se
utilizaron hojas cartogrficas y ortofotomapas a la misma escala, corregidas geomtricamente en
el sistema de proyeccin UTM (Datum Regven, Huso 19).
Generacin de MDE y obtencin de variables ambientales
Las variables topogrficas se derivaron de las hojas cartogrficas, digitalizadas y vectorizadas, y
posteriormente se interpolaron los MDE (modelo Grid) por medio del comando Topogridtool de
ArcGis 9.0 (Environmental Systems Research Institute, Inc., Redlands, CA, USA). Se generaron
cuatro MDE con resolucin espacial de 10, 15, 20 y 30 m/pxel, de los cuales se derivaron los
mapas de atributos topogrficos: altitud (Alt), grado de pendiente (Pend), orientacin de la
pendiente (Asp), altitud relativa, curvatura vertical (Perfil_C), curvatura horizontal (Plano_C),
rea de captacin (Area_C), ndice topogrfico de humedad (ITH), ndice de transporte de
sedimentos (ITS) y el ndice del potencial de escorrenta (IPE).
Los atributos topogrficos fueron computarizados utilizando el software DiGem 2.0 (Conrad,

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 un
algoritmo de diferencia finita de segundo orden, ajustado a los 4 vecinos ms cercanos en la
ventana 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 el
algoritmo de Tarboton et al. (1991), mediante 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 con 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.
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 del
espectro electromagntico, para lo cual se utiliz el programa ERDAS (2005).
Estructura de la red neuro-difusa
La estructura topolgica de la RNA utilizada en el anlisis morfomtrico est formada por una
capa de entrada con 11 variables (neuronas), una capa de salida con 11 clases (denominada capa
de distancia) y la capa de grados de pertenencia correspondientes a cada salida (figura 2). La
aplicacin del modelo de red neuronal de agrupamiento borroso de Kohonen (FKCN) permiti la
obtencin de una matriz de datos (formato ASCII) de los atributos topogrficos y el NDVI, los

cuales fueron organizados para cada uno de los MDE con sus respectivas resoluciones, lo que
permiti evaluar diversos nmeros de clases y diferentes coeficientes de borrosidad.
Seleccin del modelo ptimo y significado geomorfolgico de las clases geomorfomtricas
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 0,001 se utilizaron para el entrenamiento de la red. El significado
geomorfolgico de las clases geomorfomtricas 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).

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

Evaluacin de los modelos continuos

Para la evaluacin de la dependencia de la resolucin espacial se realizaron comparaciones entre
los MDE utilizando la metodologa de Arrel et al. (2007), y se obtuvo el MDE de mayor
representatividad 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 de
resultados, utilizando el mapa de clasificacin geomorfolgica de paisajes de la zona (Pineda
2008). El primer mtodo consiste en una adaptacin del procedimiento de transectas, aplicado por
Steers y Hajeck (1979) como mtodo de estimacin de la composicin taxonmica de unidades
cartogrficas de suelos.
El segundo mtodo utilizado consisti en la evaluacin cuantitativa mediante matrices de

confusin y el estadstico Kappa (Hudson y Ramn, 1987). El ndice de concordancia kappa se

utiliza como un mtodo para evaluar clasificaciones multi-categricas, permitiendo determinar
hasta qu punto la concordancia observada es superior a la que se espera obtener por puro azar.
En caso de un grado de concordancia perfecta el valor de kappa es igual a 1; si la concordancia
observada es igual a la esperada kappa es igual a 0; y en el caso de que el acuerdo observado sea
inferior al esperado, el ndice kappa es menor que cero.
RESULTADOS Y DISCUSIN
Nmero ptimo de clases geomorfomtricas
La figura 3, indica la variacin del ndice de rendimiento borroso (FPI) en funcin del nmero de
clases con coeficientes borrosos comprendidos entre 1,1 y 1,6, para el MDE de 15 m. El nmero
de clases geomorfomtricas ms adecuado se obtuvo con 10 clases para los MDE de 10, 15, 20 y
30 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 geomorfomtricas
de los modelos generados por el FKCN, utilizando los parmetros de entrenamiento obtenidos
anteriormente. El MDE de 15 m de resolucin espacial, present una mejor delimitacin y
separacin de unidades, con la menor borrosidad interna, y los MDE de 10 y 20 m presentan
tendencias similares entre las clases obtenidas (figura 4).
En cuanto al significado geomorfolgico de las 10 clases obtenidas en la clasificacin final a
nivel de tipos de relieve, se tiene lo siguiente: la clase B se relaciona con las zonas ms bajas de
la cuenca, correspondindose con las vegas de los valles intramontanos; presenta pendientes
moderadamente inclinadas (11%), orientadas hacia el Sur, con forma topogrfica convergente de
alta concavidad; tiene un elevado ndice topogrfico de humedad y la mayor rea de captacin de
la cuenca; tambin se caracteriza por presentar un moderado ndice de vegetacin y acta como
depsito 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

transporte y la prdida de materiales; el ndice de vegetacin es bajo y tiene los valores ms bajos
del 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 ro
Caramacate.

Clase
A
B
C
D
E
F
G
H
I
J

Alt
(m)

PR

Asp
()

Pend
(%)

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

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

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

145
193
115
250
30
314
176
35
326
191

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

Unidad
Crestas SE, XX

Lad: Laderas
V: Cncavo

MA: Montaa Alta

MM: Montaa Media

X: Convexo

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

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

0,14
0,19
0,14
0,16
0,31
0,29
0,30
0,15
0,16
0,16

MB: Montaa Baja

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 G se 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 convexasconvexas; tiene medianas reas de captacin y un moderado ndice de humedad. El NDVI de esta
clase 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 y
980 msnm, con pendientes muy escarpadas que oscilan entre 62 y 72%, orientadas en sentido NO

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 prdida
de 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 y
Sur, respectivamente; presentan formas topogrficas convexa-convexa y cncava-cncava;
presentan bajos valores de rea de captacin e ndice de humedad, con moderados a bajos valores
de 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 H corresponden a laderas de montaas ms bajas que las anteriores, entre 651 y
719 msnm, con diferentes exposiciones, pendientes que varan entre 63 y 71% y formas
topogrficas 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 bajos
ndices de vegetacin, genera alta susceptibilidad a los procesos erosivos, que son ms
acentuados 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 espacial
present una coincidencia muy alta de 84,4%, para el rea de estudio representativa de la cuenca
del ro Caramacate, al compararlos con los lmites entre los tipos de relieve de los mapas de
clasificacin geomorfolgica del paisaje realizados previamente (cuadro 2). Sin embargo, la
evaluacin cuantitativa mediante matrices de comparacin y el estadstico Kappa arroj un grado
de concordancia de 50,2%, lo que significa que existe una moderada asociacin entre los modelos
comparados el sector, y por consiguiente una moderada confiabilidad global.
Cuadro 2. Evaluacin de la exactitud de los modelos obtenidos a diferentes resoluciones
Resolucin del
MDE

Confiabilidad Global
(%)

ndice Kappa (k)

Coincidencia de
Lmites (%)

10m
15m
20m
30m
Membresas 15m

41,1 1,17
50,2 1,20
37,9 1,16
45,0 1,19
26,5 1,02

0,34
0,44
0,30
0,38
0,19

69,6 1,30
84,4 0,80
69,6 1,30
49,0 1,50
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 una
moderada confiabilidad y una discreta exactitud de los modelos. El MDE de 30 m, presenta la
menor proporcin de lmites de coincidencia entre los modelos comparados; sin embargo, la
confiabilidad y la exactitud del modelo tambin son moderadas, posiblemente por presentar
unidades geomorfomtricas ms discretas y menos borrosas internamente.
En cuanto al modelo representado por los grados de membresas generados por el programa
FUZME con los mismos parmetros de entrenamiento, es evidente la capacidad del algoritmo
borroso FCM para discriminar unidades geomorfolgicas como las crestas y las vigas de las

zonas montaosas; sin embargo, en la regin Este de la cuenca no fue posible la separacin de la
clase F (laderas NW de montaas altas) dominantes en la parte Sur de El Altar; y tampoco al
Oeste 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 complejidad
del paisaje; aunque la coincidencia entre los lmites se encuentra cercana al 70%, lo cual es
equivalente 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 dentro
del sistema de clasificacin jerrquica de paisajes propuesto por Elizalde (1983), existe una alta
similitud (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 de
los modelos cuantitativos finales con el mapa geomorfolgico existente, a travs del grado de
coincidencia entre los lmites, indica que existe una relacin muy alta entre dichos modelos; sin
embargo, la estimacin mediante la matriz de confusin y el estadstico Kappa expresa una
moderada exactitud, lo cual se corresponde con un moderado grado de concordancia entre las
clases.
a)

b)

Figura 5. Comparacin de los modelos de unidades de paisaje: a) Mtodo convencional y b) Mtodo

cuantitativo (MDE 15 m). *Sistema de Coordenadas: UTM; Datum: Sirgas-Regven; Huso: 19.

Los valores medios del porcentaje de fiabilidad global y del ndice Kappa destacan la diferencia
entre los tipos de mapas comparados, ya que el mapa de tipos de relieve es un modelo objeto de
representacin del terreno, mientras que el mapa de clases geomorfomtricas es un modelo
campo.
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 ms
apropiado 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 no
muestran lmites obvios. Esto sugiere que para comparar los modelos continuos, es ms adecuada
la evaluacin por medio de la proporcin de lmites coincidentes.

CONCLUSIONES
La aplicacin del enfoque neuro-borroso (FKCN) demostr que es un mtodo de exploracin que
permite 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 de
este anlisis exploratorio. Por medio del ndice de rendimiento borroso se determin que la
combinacin ms adecuada de coeficiente de borrosidad y nmero de clases geomorfomtricas
est conformada por 11 clases y un coeficiente de 1,20.
La interpretacin de los resultados a travs de los centroides de clases, permiti proponer un
agrupamiento del paisaje en clases geomorfomtricas con significado geomorfolgico. El patrn
de distribucin espacial de estas clases muestra un alto grado concordancia y similitud con el
mapa de tipos de relieve producido por mtodos tradicionales de clasificacin sistemtica del
paisaje.
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, pero
es recomendable incluir todas las variables ambientales continuas estudiadas, a fin de obtener los
centros 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 de
paisaje, aquellas correspondientes a 15 m de resolucin espacial, ya que la evaluacin de la
dependencia de la resolucin, la persistencia de las clases geomorfomtricas, la exactitud y la
coincidencia entre los lmites, indicaron que es posible la identificacin de un modelo
representativo de las unidades de paisaje de la cuenca en estudio.
En general, para que las unidades geomorfolgicas presenten una definicin clara y aceptable, es
importante 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 ms
detallados. La estratificacin litolgica contribuye a la disminucin de ruidos en las unidades
finales, facilitando el proceso de clasificacin e interpretacin desde el punto de vista
geomorfolgico.
BIBLIOGRAFA
Arrell, K.E. P.F. Fisher; N.J. Tate; L. Bastin. 2007. A fuzzy c-means classification of elevation derivatives
to extract the morphometric classification of landforms in Snowdonia, Wales. Computers &
Geosciences, 33: 13661381

Bezdek, J.C. 1981. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, New
York.
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.
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 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 Cybernetics 44: 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 vector
elevation 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 Ro
Gurico. Trabajo de Ascenso (Asistente). Facultad de Agronoma, Universidad Central de
Venezuela. Maracay. 313 p.
Rouse, J.W.; R.H. Haas; J.A. Schell; D.W. Deering. 1974. Monitoring vegetation systems in the Great
Plains 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 digital
elevation 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