CARTOGRAFA DIGITAL DE PROPIEDADES DE SUELO POR MEDIO DE

CLASIFICACIN NEURO-BORROSA Y KRIGING

ANGEL VALERA1; JESUS ARNALDO VILORIA2; MARIA CORINA PINEDA 3
1

Universidad Rmulo Gallegos, Centro de Investigacin y Extensin en suelos y Aguas, San Juan de Los
Morros, Venezuela, e-mail: valeraangel2@gmail.com
2
Universidad Central de Venezuela, Facultad de Agronoma, Instituto de Edafologa, email:viloriaj@agr.ucv.ve
3
Universidad Central de Venezuela, Facultad de Agronoma, Instituto de Edafologa, email:maria.c.pineda@ucv.ve

RESUMEN
En reas montaosas con alta incidencia de movimientos en masa la heterogeneidad del manto superficial
comnmente hace difcil la produccin de mapas de suelos. Adems, las restricciones de acceso debido a la
complejidad del relieve dificultan el muestreo de suelos. En estas circunstancias, el anlisis cuantitativo de
terreno, a travs de atributos derivados de modelos de elevacin digital e imgenes de satlite, pueden ser una
alternativa para producir modelos de inferencia espacial de propiedades del suelo. En una investigacin previa
se aplic exitosamente una red neuronal de agrupamiento borroso (FKCN, Fuzzy Kohonen Clustering
Network) para identificar clases de superficie de terreno en la cuenca del ro Caramacate en el centro norte de
Venezuela. En esta investigacin se utilizaron esas clases de superficie de terreno para predecir valores de
propiedades qumicas del suelo, complementadas con la interpolacin por kriging de los errores residuales de
esas predicciones. La evaluacin de los modelos finales de prediccin revel un moderado a alto grado de
concordancia entre valores predichos y observados de las propiedades del suelo analizadas, en puntos de
validacin. En particular, el grado de acuerdo fue 92% para el pH del suelo, 91% para Ca intercambiable y
88% para el contenido de carbono orgnico del suelo. El mtodo aplicado demostr ser una opcin vlida
para modelar la variacin espacial de propiedades del suelo en el rea de estudio.
Palabras clave: CARBONO ORGNICO DEL SUELO, pH DEL SUELO, CAPACIDAD DE
INTERCAMBIO CATINICO, CATIONES INTERCAMBIABLES, SATURACIN CON BASES

DIGITAL MAPPING OF SOIL PROPERTIES BY NEURO-FUZZY

CLASSIFICATION AND KRIGING
ABSTRACT
In mountainous areas with high incidence of landslides the heterogeneity of the surface mantle often makes it
difficult to produce soil maps. Moreover, access restrictions due to the topographic complexity difficult soil
sampling. Under these circumstances, quantitative analyses of terrain attributes derived from digital elevation
models and satellite images, may be an alternative to produce spatial inference models of soil properties. In a
previous research a fuzzy clustering neural network (FKCN, Fuzzy Kohonen Clustering Network) was
successfully applied to identify land-surface classes in the Caramacate river basin, in north-central Venezuela.
In this research, such land-surface classes were used to predict values of chemical soil properties,
complemented with kriging interpolation of the residual errors of those predictions. The evaluation of the
final prediction models revealed a moderate to high degree of agreement between predicted and observed
values of the analyzed soil properties, at independent validation points. In particular, the degree of agreement
was 92% for soil pH, 91% for exchangeable Ca and 88% for soil organic carbon. The applied method proved
to be a valid option to model the spatial variation of soil properties in the study area.
Keywords: SOIL ORGANIC CARBON, SOIL pH, CATION EXCHANGE CAPACITY, EXCHANGEABLE
CATIONS, BASE SATURATION

INTRODUCCIN

Las tecnologas emergentes han creado nuevas

oportunidades para apoyar los mtodos de
levantamiento cuantitativo de suelos, que generan
predicciones de propiedades edficas individuales
con mayor precisin y exactitud. En la actualidad
se han aplicado numerosos modelos estadsticos
para la interpolacin de propiedades del suelo, entre
los que destacan los mtodos geoestadsticos, los
cuales muchas veces son prohibitivos por la
exigencia en cuanto al nmero de muestras y la
reducida extensin geogrfica. Sin embargo, uno de
los desarrollos metodolgicos ms significativos
para el estudio de las relaciones suelo-paisaje son
los mtodos predictivos que combinan las tcnicas
de inteligencia artificial con la interpolacin de sus
residuales (Hengl et. al., 2007; Zhu et. al., 2010;
Sun et. al., 2012). Este mtodo de anlisis, aunado
al desarrollo de los sistemas de informacin
geogrfica (SIG), apoyados con informacin
auxiliar de adecuada resolucin espacial, tales
como MDE y sus derivados (grado de pendiente,
orientacin de la pendiente, posicin relativa,
curvatura vertical, curvatura horizontal, rea de
captacin, ndice topogrfico de humedad y el
ndice de transporte de sedimentos), e imgenes de
satlite, ofrecen nuevas oportunidades para superar
las
limitaciones
de
los
levantamientos
convencionales, y as, producir informacin edfica
de manera ms eficiente, con adecuada precisin y
exactitud, en el menor tiempo posible.
En esta investigacin se aplica una red de
agrupamiento neuro-borroso (FKCN) combinado
con kriging de residuales (KR) con la finalidad de
generar modelos de prediccin de varias
propiedades qumicas del suelo, a partir de
variables ambientales derivadas de MDE e
imgenes satelitales en un sector de paisajes de
montaas de la cuenca del ro Caramacate. Las
propiedades edficas empleadas para la generacin
de los modelos de prediccin, estn relacionadas
con la necesidad de aportar informacin de gran
utilidad para la planificacin. La aplicacin de
modelos ambientales y agrcolas (e.g. hidrolgicos,
de erosin, de cambio climtico, de evaluacin de
tierras) requiere valores de propiedades especficas

del suelo como parmetros de entrada. Por tal

razn, se consideraron algunas propiedades
intrnsecas del suelo para la aplicacin de modelos
enmarcados en la disponibilidad y retencin de
nutrientes, donde destacan el contenido de carbono
orgnico (CO), la capacidad de intercambio
catinico (CIC), los contenidos de Calcio y
Magnesio intercambiables (Ca y Mg), el porcentaje
de saturacin con bases (PSB) y la reaccin del
suelo (pH).
MATERIALES Y MTODOS
Datos de Suelos

El conjunto total de datos en la zona de estudio

seleccionada en la cuenca del ro Caramacate est
conformada por 116 perfiles de suelo en una
superficie de 6.760 ha, distribuidas sobre cuatro
formaciones litogeomorfolgicas: las metatobas de
El Cao-El Chino (VCc), las metalavas de El
Carmen (VCca), los sedimentos aluviales
acarreados por el ro Caramacate (Qcca) y los
mantos coluvio-aluviales (Cc).
Clases Digitales de la Superficie de Terreno

Para la obtencin de clases digitales de superficie

de terreno (clases DST) se utiliz un modelo digital
de elevacin (MDE), una imagen satelital de 15 m
de resolucin espacial, un modelo de precipitacin
y un mapa de las unidades litogeomorfolgicas. El
MDE se emple para derivar mapas de covariables
ambientales o atributos morfomtricos, tales como:
altitud (m), pendiente (rad), orientacin de la
pendiente (rad), posicin relativa, curvatura vertical
(m.m-1), curvatura horizontal (m.m-1), rea de
captacin (m2), ndice topogrfico de humedad y el
ndice de transporte de sedimentos. El ndice de
vegetacin de diferencia normalizada (NDVI) se
calcul con las bandas roja e infrarroja de la
imagen.
Para el agrupamiento de las covariables
ambientales se aplic una red de agrupamiento
borroso (FKCN, Fuzzy Kohonen Clustering
Network) (Kohonen, 1982), Bezdek et. al., 1992;
Viloria, 2007), lo que gener diez clases digitales
de superficie de terreno (DST) que representan
unidades de paisaje.

El algoritmo FKCN tiene la capacidad de generar

representaciones de los valores de similitud o
funciones de membresas neuro-borrosas (Sijk) en
formato raster, con valores comprendidos entre 0 y
1.
Modelo de Inferencia: Kriging combinado con Redes
Neuronales Artificiales

Este enfoque mixto fue denominado FKR. El

mtodo combina un modelo de redes neuronales
artificiales (RNA), con un modelo estocstico
basado en la interpolacin (kriging) de los
residuales (KR) obtenidos por las redes neuroborrosas FKCN, la cual genera mapas de unidades
de suelo-paisaje.
Produccin de mapas de propiedades del suelo
con FKCN
Para la estimacin del valor de una propiedad de un
suelo determinado (Vij) se utiliz la funcin lineal
de promedios ponderados por valores de similitud,
indicada en la ecuacin (1) (Zhu et al., 2006)
(1)
donde Vij es el valor estimado de la propiedad del
suelo en el sitio (i,j); Vk es el valor observado de la
propiedad del suelo para una clase k (clase DST);
Sijk es el valor de similitud de la propiedad del suelo
en un sitio (i,j) obtenido con el algoritmo FKCN; n
es el nmero de clases DST en el rea de inters. El
valor tpico de una propiedad para un determinado
suelo (Vk) se obtuvo con los valores promedios de
los datos en cada clase DST.
Las clases DST fueron subdivididas de acuerdo con
las unidades litogeomorfolgicas dominantes en el
sector, con la finalidad de incorporar las
variaciones aportadas por el material parental de los
suelos. De esta manera, se utilizaron los mapas en
formato raster de los valores de pertenencia
correspondiente a las 20 clases DST presentes en el
sector de estudio de la cuenca del ro Caramacate.
La sumatoria del producto de los valores promedios
de cada propiedad edfica por el mapa raster de los
valores de similitud a las clases DST en cada
localizacin, permiti la estimacin de los valores

de las propiedades qumicas del suelo en toda el

rea de estudio (Mapas FKCN).
Produccin de mapas con interpolacin de
residuos FKCN
Una vez generados los mapas de propiedades
edficas con FKCN, se obtuvieron los errores y se
realiz un anlisis geoestadstico. Para la
estimacin de los semivariogramas empricos de los
residuos se emple el programa Vesper 1.6
(Minasny et al., 2005), y para el ajuste de dichos
semivariogramas a modelos matemticos se utiliz
el mtodo de kriging ordinario (Mapas KR).
La suma de los mapas FKCN y KR gener un
modelo de distribucin espacial de cada propiedad
qumica del suelo. Los cambios que ocurren con las
variaciones de las covariables ambientales
(tendencia espacial global), indican los cambios en
los factores de formacin del suelo (Jenny, 1941;
McBratney et. al., 2003), los cuales son
representados como Mapas FKR, capaces de
mostrar la distribucin de la variabilidad de las
propiedades qumicas en el rea de estudio.
Evaluacin de los Modelos de Prediccin
Para la evaluacin de la bondad de ajuste de los
modelos de prediccin de las propiedades del suelo
se utiliz el coeficiente de determinacin mltiple
ajustado (R2a), la suma del cuadrado de los
residuales (SSE) y la raz del error cuadrtico medio
(RMSE) (Hengl et. al., 2004).
Evaluacin de la Confiabilidad de los Modelos
de Prediccin
Para la evaluacin de la exactitud de los modelos
de prediccin de las propiedades de los suelos
generados, se utilizaron cuatro (4) ndices: el error
medio de prediccin (MPE), el error medio
absoluto (MAE), la raz del error cuadrtico medio
de prediccin (RMSPE) y el coeficiente de
concordancia (AC). El MPE evala el error
sistemtico e indica la presencia de subestimacin o
sobrestimacin del modelo, el MAE garantiza que
el resultado del error sea estrictamente positivo y el
RMSPE evala la precisin de la prediccin. El
coeficiente de concordancia (AC) es una medida
del grado del error de prediccin de los modelos
normalizados y vara entre 0 y 1. Un valor

calculado de 1 indica un acuerdo perfecto entre los

valores medidos y predichos, y un valor de 0 indica
que no hay acuerdo o existe un desacuerdo total
entre los valores estimados y los observados. El
ndice representa la relacin entre el error
cuadrtico medio y el error potencial (PE)
(Willmott, 1984).
Para el ajuste y desarrollo de los modelos se utiliz
el 70% de los perfiles de suelo y para la validacin
se emple un conjunto de datos independientes
equivalentes al 30%.
RESULTADOS Y DISCUSIN

Generacin de los Modelos de Prediccin de

Propiedades del Suelo

cambiable, Mg: Magnesio cambiable, PSB: Porcentaje

de saturacin con bases.

Fuente: Elaboracin propia

De igual manera, la variacin residual (SSE) o la
variacin no explicada por el mtodo de prediccin,
presenta grandes diferencias influenciadas por la
magnitud de los valores de las propiedades. Las
varianzas residuales de las variables PSB y CIC son
las ms grandes, indicando un menor ajuste entre el
grado de dependencia entre los valores observados
y estimados por los modelos FKR. Por otra parte, la
SSE es ms pequea en CO y pH (con RMSE
cercano cero), donde la varianza explicada es
mayor, y por consiguiente el ajuste del modelo es
ms aceptable.

Modelos de redes neuronales borrosas

La suma de los mapas de las propiedades edficas
obtenidos por FKCN y los mapas de la
interpolacin de los residuos, generaron los
modelos de prediccin de propiedades del suelo, los
cuales presentaron los resultados de la bondad de
ajuste expresados en el Tabla 1. Se observa que la
estimacin del R2a arrojados por los modelos FKR
en promedio son moderados a altos, y en conjunto
logran a explicar el 69% de la variabilidad presente
en los suelos del sector evaluado, en la cuenca del
ro Caramacate.
Tabla 1. Indicadores de la bondad de ajuste de los
modelos de prediccin de propiedades del suelo con
FKR.
Propiedad

R2a

SSE

RMSE

CO (%)

95

0,47

0,3

CIC (cmol.kg-1)

83

0,71

2384

5,4

Ca (cmol.kg-1)

83

0,87

242

1,7

Mg (cmol.kg-1)

83

0,78

404

2,2

PSB (%)

83

0,71

12378

12,2

pH

83

0,58

0,3

R2a: Coeficiente de determinacin ajustado, SSE: Suma

de Cuadrado de Residuos, RMSE: Raz del Error
Cuadrtico Medio, CO: Carbono orgnico, CIC:
Capacidad de intercambio catinico, Ca: Calcio

Anlisis Geoestadstico
La evaluacin los componentes aleatorios
(residuos) con el mtodo kriging ordinario, arroj
los resultados indicados en el Tabla 2.
En cuanto al anlisis estructural de la interpolacin
de los residuos, los semivariogramas presentaron
un alcance comprendido entre 104 y 2.933 m para
propiedades del suelo con moderada y alta
dependencia espacial. Para el conjunto de datos, los
residuos de los modelos FKCN interpolados
presentaron
autocorrelacin
espacial.
Las
propiedades que presentaron una alta dependencia
espacial fueron: CO, Ca, Mg, y las restantes (CIC,
PSB, pH) mostraron una moderada dependencia
espacial. Los residuales de las propiedades con alta
dependencia espacial presentan una varianza
aleatoria relativa (NR) de 4,8% en promedio.
Tabla 2. Parmetros geoestadsticos obtenidos de los
variogramas de los residuales de las variables edficas.
Propiedad

C0+C1

A (m)

RMSE

AIC

NR (%)

0,15

104

0,02

54

12,2

CIC

114,3

1.453

12

79

35,8

Ca

14,7

114

87

0,7

Mg

249,6

747

72

1,6

CO (%)

PSB (%)
pH

628,2

2.674

148

129

34,9

0,17

2.933

0,02

35,5

C0: Varianza Nugget, C1: Varianza Estructural, C0+C1:

Umbral, A: Alcance, RMSE: Raz del Error Cuadrtico
Medio, AIC: Criterio de Informacin de Akaike, NR:
(C0/C0+C1)*100, CO: Carbono orgnico, CIC:
Capacidad de intercambio catinico, Ca: Calcio
cambiable, Mg: Magnesio cambiable, PSB: Porcentaje
de saturacin con bases

Fuente: Elaboracin propia

Es importante indicar que la mayora de los

semivariogramas de los residuos present una
mayor facilidad para el ajuste de los modelos
esfricos y exponenciales que las variables
originales, lo que posteriormente contribuy al
mejoramiento del proceso de interpolacin final de
los modelos obtenidos por RNA.
Descripcin de los Modelos de Prediccin de
Propiedades Qumicas

Los valores inferidos acerca de las variables

consideradas se representan como modelos
continuos de variacin espacial en la Figura 1. El
contenido de carbono orgnico es claramente
mayor, mientras que los contenidos de calcio y
magnesio
intercambiable,
el
PSB
son
marcadamente menores en la regin oriental de la
cuenca. En este sector existen condiciones micro
climticas de alta precipitacin y vegetacin de
bosques siempre verde combinadas con un relieve
altamente accidentado, cuya influencia ha originado
suelos evolucionados con evidencia de lavado de
bases cambiables y acumulaciones de carbono
orgnico.
El comportamiento espacial del pH de los suelos
explica los rasgos edafolgicos en la zona central y
occidental del rea evaluada, ya que en las
posiciones geomorfolgicas de las laderas dominan
reacciones moderadamente cidas, hacindose
menos cidas en las partes bajas, a nivel de lneas
de drenaje y en los paisajes de valles
intramontanos. Las diferencias tambin son bien
marcadas en la regin Noreste, donde las
reacciones son fuertemente cidas, con bajos
contenidos de Ca, Mg, PSB y altos contenidos de
aluminio intercambiable y carbono orgnico.

Evaluacin de la Confiabilidad de los Modelos de

Prediccin

Los resultados de la evaluacin de la exactitud de

los modelos FKR obtenidos con el conjunto de
datos independientes para la validacin se indican
en el Tabla 3. El MAE presenta valores inferiores a
la desviacin estndar para la mayora de las
propiedades consideradas, argumentando una
precisin moderada para dichos modelos y el MPE
es indicativo de la moderada a alta confiabilidad, ya
que solamente el PSB es subestimado bajo este
enfoque.
El ndice AC presenta un moderado a alto grado de
concordancia para la mayora de las propiedades,
sobresaliendo el pH, el Ca intercambiable y CO con
92, 91 y 88% de acuerdos, respectivamente. El
coeficiente de concordancia manifiesta una
exactitud promedio superior al 83% para el
conjunto de propiedades qumicas de los suelos
evaluados.
Tabla 3. Evaluacin de la exactitud de los modelos de
prediccin de propiedades qumicas del suelo mediante
FKR
Propiedad MAE RMSPE
AC
S
MPE
CO (%)
0,1
0,1
0,88
0,2
0,03
CIC
5,0
6,7
0,73
8,1
-2,32
Ca
1,6
2,2
0,91
4,2
-0,67
Mg
2,2
2,6
0,77
3,3
-0,99
PSB (%)
7,6
9,6
0,79
12,2
2,13
pH
0,1
0,2
0,92
0,3
-0,03
MAE: Error medio absoluto, RMSPE: Error cuadrtico
medio de prediccin, AC: Coeficiente de concordancia,
S: Desviacin estndar de los valores observados, MPE:
error medio de prediccin, CO: Carbono orgnico, CIC:
Capacidad de intercambio catinico (cmol.kg-1), Ca:
Calcio cambiable (cmol.kg-1), Mg: Magnesio cambiable
(cmol.kg-1), PSB: Porcentaje de saturacin con bases.
n= 33 perfiles de suelo.

Fuente: Elaboracin propia

ambientales y limitaciones agronmicas locales de

gran importancia, al proporcionar predicciones de
propiedades qumicas del suelo con adecuada
exactitud, que capturan la variabilidad de las
relaciones suelo-paisaje en el sector estudiado de la
cuenca del ro Caramacate.
AGRADECIMIENTO

Esta investigacin fue apoyada por fondos

provenientes de la Ley Orgnica de Venezuela para
la Ciencia y Tecnologa (LOCTI) y del Consejo de
Desarrollo Cientfico y Humanstico de la
Universidad Central de Venezuela (CDCH-UCV).
Tambin damos las gracias al International Centre
for Theoretical Physics (Trieste-Italia) por el apoyo
financiero y becas.
Figura 1. Modelos continuos de variacin espacial de
las variables CO, CIC, Ca, Mg, PSB y pH.
Fuente: Elaboracin propia

CONCLUSIONES

La aplicacin del enfoque FKR permiti la

evaluacin de la variabilidad de las propiedades
qumicas del suelo desde el punto de vista de
disponibilidad y retencin de nutrientes, a travs de
las unidades de paisaje del sector estudiado en la
cuenca del ro Caramacate.
El grado de concordancia entre los valores
observados y estimados fue superior al 83%, lo cual
indica una moderada a alta relacin entre las
propiedades qumicas del suelo y las condiciones
ambientales.
El mtodo combinado FKR, demostr fortalezas en
la evaluacin conjunta de la variabilidad espacial
global y local, en la capacidad predictiva, en la
sencillez de los modelos de propiedades qumicas
del suelo y en la facilidad para la interpretacin de
las relaciones suelo-paisaje.
Los resultados de la aplicacin del enfoque FKR
proporciona a la cartografa digital de suelo una
alternativa que puede contribuir a mejorar la toma
de decisiones para resolver los problemas

REFERENCIAS

BEZDEK, J.C., TSAO, E.C., PAL, N.R. (1992).

Fuzzy Kohonen Clustering Networks, in Proc.
IEEE Int. Conf. on Fuzzy Systems (San
Diego), pp. 1035-1043.
HENGL, T., HEUVELINK, G.B., STEIN, A.
(2004). A generic framework for spatial
prediction of soil variables based on regression
kriging. Geoderma 122 (1-2): 75-93.
HENGL, T., HEUVELINK, G.B., ROSSITER,
D.G. (2007). About regression-kriging: From
equations to case studies. Computers &
Geosciences 33: 1301-1315.
JENNY, H. (1941). Factors of Soil Formation: A
System of Quantitative Pedology. New York:
McGraw-Hill. 281p.
KOHONEN, T. (1982). Analysis of a simple selforganizing process. Biological Cybernetics 44:
135-140.
MCBRATNEY, A.B., MENDONA, M.L.,
MINASNY, B. (2003). On digital soil
mapping. Geoderma 117: 3-52.
MINASNY, B.; MCBRATNEY, A.B. WHELAN,
B.M. (2005). VESPER version 1.62.
Australian Centre for Precision Agriculture,
McMillan Building A05, The University of
Sydney, NSW 2006.
SUN, W., MINASNY, B., MCBRATNEY, A.B.
(2012). Analysis and prediction of soil

properties using local regression-kriging.

Geoderma 171-172: 23-30.
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 de grado). Facultad de Ciencias.
Universidad Central de Venezuela. Caracas,
Venezuela. 95p.
WILLMOTT, C.J. (1984). On the evaluation of
model performance in physical geography. In:
Spatial Statistics and Models, 443-460. Gaile,
G.L. y C. J. Willmott, (eds). Norwell, Mass; D.
Reidel.
ZHU, A.X., MOORE, A., BURT, J.E. (2006).
Prediction of Soil Properties Using Fuzzy
Membership. Proceedings of the 2nd Global
Workshop on Digital Soil Mapping, July 4-7,
2006. Rio de Janeiro, Brazil. 6p.
ZHU, Q., LIN, H.S. (2010). Comparing ordinary
kriging and regression kriging for soil
properties
in
contrasting
landscapes.
Pedosphere 20(5): 594-606.