“Latinoamérica unida protegiendo sus suelos”

XIX CONGRESO LATINOAMERICANO DE LA CIENCIA DEL SUELO

XXIII CONGRESO ARGENTINO DE LA CIENCIA DEL SUELO
Mar del Plata, Argentina – 16 al 20 de abril de 2012
contribuciones@congresodesuelos.org.ar

PREDICCIÓN DE PEDREGOSIDAD SUPERFICIAL DEL SUELO CON

REDES NEURO-BORROSAS EN LLANOS VENEZOLANOS
Viloria, J.A.1,*; Pineda, M.C.1; Viloria-Botello, A.2; Núñez, Y.1; Valera, A.3
1
Universidad Central de Venezuela, Facultad de Agronomía, Instituto de Edafología. Venezuela
2
Escuela de Computación, Facultad de Ciencias, Universidad Central de Venezuela, UCV, Venezuela
3
Centro de Investigación y Extensión en suelos y Aguas. Universidad Rómulo Gallegos. Venezuela
* Autor de contacto: viloriaj@agr.ucv.ve; Av Universidad, vía El Limón, Facultad de Agronomía, Apartado postal 4579,
Maracay, Aragua,Venezuela; 58-243-5507171
RESUMEN
La cobertura de fragmentos de roca influye de manera determinante sobre la infiltración y
escorrentía del agua, la erosión y la labranza del suelo. Por esto su representación cartográfica es
fundamental para apoyar la planificación de usos sostenibles de la tierra. Este trabajo propone la
predicción de clases de pedregosidad superficial de suelo y su distribución, en función de atributos
relacionados con el factor relieve, representado por un modelo digital de elevación. Estos se
asocian a unidades fisiográficas por medio de una clasificación no supervisada de clases
geomorfométricas, a través del uso de redes neuronales artificiales y lógica borrosa (FKCN). Se
encontró que los menores porcentajes de pedregosidad se relacionan con las unidades
fisiográficas de valle y lecho del valle y los porcentajes más altos, se asocian a las unidades
fisiográficas de colinas aisladas, pedimentos y topes y lomas. Sin embargo, la variabilidad de la
proporción de fragmentos gruesos representada por el coeficiente de variación, es mayor en los
valles, por lo cual la predicción es menos precisa en esta unidad fisiográfica, en comparación con
aquellas que ocupan posiciones topográficas más altas. La validación del modelo reveló que su
capacidad predictiva es moderada a baja (0,85 de error relativo), lo cual está asociado a un
componente de variación de corto alcance que no puede ser representado cartográficamente
incluso a escala 1:10 000.

PALABRAS CLAVE
Redes neuronales artificiales; lógica borrosa; modelo digital de elevación

INTRODUCCIÓN
La superficie del suelo, en algunos sectores de altiplanicie disectada en los llanos centrales
de Venezuela, presenta una cobertura de fragmentos de roca. Esta cobertura influye de manera
determinante sobre la infiltración y escorrentía del agua, la erosión y la labranza del suelo. Por
esto, su representación cartográfica es fundamental para apoyar la planificación del uso sostenible
de la tierra. Varios autores han demostrado que la distribución espacial de los fragmentos de roca
sobre la superficie del suelo está relacionada con las condiciones topográficas del terreno (e.g.
Poesen et al., 1998, Yan Li et al., 2007, Chen et al., 2011). El relieve puede ser descrito por
medio de modelos digitales de elevación (MDE) y hoy, es cada vez más frecuente el uso de
parámetros morfométricos derivados de un MDE, para predecir la distribución espacial de
propiedades del suelo (e.g. Luoto y Hjort, 2005; Ehsani y Quiel 2008; Mora-Vallejo et al., 2008 ).
Hasta ahora, los modelos más comúnmente usados para relacionar cuantitativamente
propiedades del suelo con atributos del relieve han consistido en ecuaciones de regresión lineal
(Thompson et al., 2006). Pero la relación entre el relieve y la pedregosidad superficial del suelo
tiende a ser compleja más que lineal. Consecuentemente, otros métodos que no se fundamentan
en supuestos sobre la forma de esta relación pueden ser más efectivos para modelarla. Estos
métodos incluyen las redes neuronales artificiales (RNA) (e.g. Fidencio et al, 2001; Zhao et al,
2009), los conjuntos borrosos (e.g. Lark, 1999; Zhu et al, 2001). Bezdek et al. (1992) propusieron
la red neuronal borrosa FKCN (Fuzzy Kohonnen Clustering Network) como un método integrado
que permite aprovechar las ventajas y superar las debilidades de las RNA y la clasificación
borrosa por separado. Viloria-Botello (2007) implementó la red FKCN en un sistema clasificador
de terreno a partir de variables ambientales derivadas de un MDE y de imágenes satelitales. Este
sistema ha sido aplicado para generar clases morfométricas de terreno como apoyo al mapeo de
paisajes y suelos en áreas montañosas (e.g., Viloria et al., 2009; Valera y Viloria. 2009; Núñez,
2011) y valles intramontanos (Leal, 2010) en Venezuela. Este trabajo tiene como objetivo predecir
la distribución espacial de la pedregosidad superficial del suelo, con base en clases morfométricas
de terreno generadas a partir de un MDE, por medio de la red neuronal borrosa FKCN, en un
sector de los llanos centrales de Venezuela.

MATERIALES Y MÉTODOS
El área de estudio se localiza en la región fisiográfica Llanos Centrales Venezolanos
(Elizalde, et al., 2007), entre las coordenadas UTM 694526E, 1041047N y 702907E, 1048001N,
abarcando una superficie de 3540 ha. Esta se desarrolla sobre rocas sedimentarias y sedimentos
blandos, geológicamente jóvenes (Terciario Medio a Cuaternario). Se caracteriza por su relieve
bajo, de configuración principalmente plana y semiplana, descrita como una altiplanicie constituida
por mesas de denudación.
El modelo digital de elevación fue generado a partir de curvas de nivel, levantadas en campo
cada 5 metros. Para su generación se utilizó el comando Topogrid del programa Arc/Gis (versión
9.2, Environmental Systems Research Institute, Redlands, CA, USA), cuyo algoritmo se basa en el
programa ANUDEM (Hutchinson, 1989). A partir del MDE se derivaron los siguientes parámetros
morfométricos, calculados con el Software Systems for Automated Geoscientific Analyses (SAGA)
v2.0.4 (Dept. of Physical Geography, Hamburg): altura absoluta (ALT, m); altura relativa (ALTR,
m); gradiente de la pendiente (PEN,°); orientación de la pendiente (ORI, grados positivos, desde 0
a 359,9); perfil de curvatura (PERF, concavidad y convexidad de la pendiente en sentido
longitudinal, m/m2) y plano de curvatura (PLAN, concavidad y convexidad de la pendiente en
sentido trasversal, m/m2) según el método de Zevenbergen y Thorne, 1987; forma del terreno o
curvagrid (CUR, relación entre el plano de curvatura y el perfil de curvatura); área de captación
(As, área de drenaje que contribuye a cada celda específica del MDE, m2); índice topográfico de
humedad (IH), calculado como el logaritmo natural del cociente entre el área de captación y la
tangente del gradiente de pendiente (Willson y Gallant, 2000); e índice de convergencia (IC)
(Köthe et al., 1996) calculado como:

[1]
Para determinar la combinación óptima de número de clases y grado de borrosidad se
calculó el índice de rendimiento borroso (FPI, por fuzziness performance index) para varios
agrupamientos de las once variables seleccionadas, con distintos números de clases (6 a 11) y
valores del exponente borroso (Φ) (de 1,2 a 1,5 con incrementos sucesivos de 0,1). El FPI puede
variar desde 0, cuando las clases son discretas (cada individuo pertenece a una sola clase) hasta
1 cuando no existe una clara afiliación de cada individuo a ninguna clase, por lo tanto todos los
centros de clase tienen valores similares (Odeh et al., 1992).
Las clases geomorfométricas obtenidas con FKCN son borrosas, esto es, los límites entre
ellas son graduales. Cada clase es definida por su concepto central y una matriz de funciones de
pertenencia de cada individuo a esa clase. La función de pertenencia es continua, con valores que
varían desde 0 (no pertenencia absoluta) hasta 1 (total pertenencia). Estas clases borrosas fueron
transformadas a clases discretas, para facilitar su representación cartográfica, para lograr esto se
asignó a cada celda del MDE la clase con el valor más alto de función de pertenencia. De esta
manera se obtuvo un modelo digital del tereno representado por clases geomorfométricas.
Se realizó un muestreo en 146 sitios en el terreno, distribuidos en transectas y por mapeo
libre, como parte de un levantamiento convencional de suelos. En cada sitio de muestreo se
determinó el porcentaje de la superficie del terreno cubierta por fragmentos gruesos en una
parcela de 10m x 10m (Soil Survey Staff, 1993). Cada punto de muestreo fue georreferenciado
con apoyo de un navegador GPS (GPSMAP, 60CSx Garmin o Maguellan Sportrak Map). Los
datos del muestreo fueron utilizados para construir un modelo de predicción basado en cinco
clases de pedregosidad superficial del suelo, establecidas de acuerdo al Manual de
Levantamiento de Suelos (Soil Survey Staff, 1993). Estas clases se relacionaron posteriormente
con las unidades geomorfométricas generadas por FKCN. Adicionalmente, se tomaron 33 puntos
de validación con los cuales se calculó el error relativo de predicción como:

[2]

Donde n es el número de puntos de validación, zi es el valor medido y z*i el valor predicho

en cada punto de validación y zp es el valor promedio de todos los puntos de validación.

RESULTADOS Y DISCUSIÓN
El valor de FPI más adecuado después de combinar distintos valores del exponente borroso
(Φ) y números de clases fue igual a 0,44, con un número de clases óptimo de diez y un valor del
Φ igual a 1,3. Los resultados expuestos en la Tabla 1 muestran las características de cada una de
las unidades fisiográficas reconocidas en el área de estudio, las cuales corresponden a las
distintas clases geomorfometricas delimitadas de forma automatizada (Figura 1). Las mismas
fueron asociadas a unidades fisiográficas (Figura 2) las cuales se reconocieron en campo a través
del levantamiento de 146 puntos (Tabla 1).
Los resultados presentados en la Tabla 1, confirman que existe una relación entre la
pedregosidad superficial y el relieve. En efecto, el porcentaje de fragmentos gruesos sobre la
superficie del suelo tiende a ser mayor en las clases morfométricas de terreno con mayor altura
relativa, mayor pendiente y forma del terreno convexa. Estas corresponden a lomas, pedimentos y
topes y colinas aisladas. Estos resultados coinciden con los de Poesen et al. (1998), Yan Li et al.
(2007), Chen et al.(2011).
La distribución espacial de los fragmentos de roca sobre la superficie del suelo en el área de
estudio es el resultado del efecto combinado de varios procesos geomorfológicos. Primero, la
acción de flujos de lodo que depositaron fragmentos de roca transportados desde las
estribaciones meridionales de la Cordillera de la Costa (ubicada al norte del área de estudio).
Estos fragmentos fueron posteriormente cubiertos por sedimentos finos más recientes. Segundo,
la ocurrencia posterior de procesos intensos de erosión que expusieron los fragmentos de roca en
o cerca de la superficie del suelo. Estos fragmentos, una vez expuestos, actuaron como una
cubierta protectora contra la erosión. La erosión modeló el paisaje en forma de lomas y valles
porque la intensidad del proceso fue mayor en las áreas menos protegidas, que en aquellas con
una cobertura más densa de fragmentos de roca (Vivas, 2007).
 Como consecuencia, la concentración de fragmentos de roca sobre la superficie del suelo
tiende a ser mayor en las posiciones más altas del terreno (topes y pedimentos, lomas y colinas).
En general, los suelos son menos pedregosos en los valles; pero en estas posiciones del paisaje
se observa un mayor coeficiente de variación de la proporción de fragmentos gruesos
superficiales (Tabla 1). Esto puede ser atribuido al transporte lateral de fragmentos de roca sobre
la superficie del suelo, desde las posiciones más altas del terreno hacia las más bajas. Como
consecuencia de esta mayor variabilidad, la predicción de las clases de pedregosidad es menos
precisa en los valles que en las posiciones topográficas más altas.

Tabla 1. Centros de las clases geomorfométricas obtenidas por FKCN y su relación con clases de
pedregosidad.
Clase ALTR CUR IH As (m2) PEN Unidad Número Mediana C.V.
-4
morfométrica (m) (x10 ) (°) Fisiográfica de (%) (%)
de terreno muestras
1 1,2 -1 10,9 1960,5 0,020 Valle 16 2,5 143,9
2 0,9 -2 12,6 6026,8 0,011 Valle 16 10 116,3
3 10,8 6 9,8 959,9 0,033 Loma 38 42,5 64,6
4 7,0 0 13,2 5241,4 0,006 Pedimento - - -

5 0,9 -1 14,2 12476,9 0,006 Valle 7 3 196,5

6 5,3 1 11,1 2389,8 0,016 Pedimento 22 30 84,9
7 3,60 0 14,8 19452,9 0,005 Lecho de 1 - -
valle
inclinado
8 0,1 -1 16,8 228876,4 0,003 Lecho de 5 0 173,2
valle plano
9 3,1 0 10,0 1516,6 0,041 Colina 26 15,0 104,9
aislada y
loma
10 7,59 2 9,4 1136,3 0,074 Loma 15 40 79,6
CG: Clase geomorfométrica, ALTR (m): altura relativa, CUR: curvatura, IH: índice topográfico de humedad, As: área de
captación, PEN (°): pendiente.

$
700000.000000

696000.000000
N

Clase Geomorfométrica
1
1044000.000000

1044000.000000

2
3
4
5
6
.000000
696000 7
8
700000
.000000
9
0 500 1,000 2,000 3,000 4,000
Metros 10

Figura 1.Mapa de clases geomorfométricas generadas con FKCN.

 $
700000.000000

696000.000000
N
1044000.000000

1044000.000000
Clases de Pedregosidad (%)
< 0,1
.000000
696000 0,1 - 3
3-15
700000
.000000
15-50
0 500 1,000 2,000 3,000 4,000
Metros >50

Figura 2. Mapa de clases de pedregosidad interpretadas a partir de las clases geomorfométricas generadas
con FKCN.

La validación del mapa de pedregosidad superficial del suelo dio como resultado un error
relativo de 0,85. Henderson et al., (2005) señalan que la capacidad predictiva de un modelo, en
comaración con las predicciones realizadas por el promedio de los datos, disminuye a medida que
el error relativo se aproxima a 1. Si bien no existen valores de referencia para valorar la calidad de
un mapa de suelos en función de su error relativo, se puede considerar que la capacidad
predictiva del modelo obtenido es moderada a baja. Esto obedece a que existe una variación
espacial remanente, que ocurre a muy cortas distancias y se comporta en forma aleatoria porque
no puede ser mapeada aún a una escala 1: 10 000. Esta variación espacial en cortas distancias
está asociada al carácter caótico de los procesos que dieron origen a la cobertura de fragmentos
de roca sobre la superficie del suelo en el área de estudio.

CONCLUSIÓN
Los resultados confirman que en el área de estudio la distribución espacial de la
pedregosidad superficial del suelo está relacionada con variaciones en el relieve. Esta relación
permite modelar la distribución geográfica de esta condición del suelo, por medio de clases
geomorfométricas obtenidas de un MDE, con la red neuronal borrosa FKCN. En general, la
concentración de fragmentos de roca sobre la superficie del suelo es mayor en las posiciones más
altas del terreno (topes y pedimentos, lomas y colinas aisladas) que en los valles. Pero en estos
últimos se observa una mayor variabilidad de la proporción de fragmentos gruesos representada
por el coeficiente de variación. Esta variabilidad reduce la capacidad de predicción de la
pedregosidad superficial del suelo en función de las clases geomorfométricas.

BIBLIOGRAFÍA
Bezdek, J.C., Tsao, E.C.K. and Pal, N.R., 1992. Fuzzy Kohonen Clustering Networks. Proc. IEEE Int. Conf. on Fuzzy
Systems, San Diego, CA, pp. 1035–1043.
Chen, H.; J. Liu; K. Wang y W. Zhang. 2011. Spatial distribution of rock fragments on steep hillslopes in karst region of
northwest Guangxi, China.CATENA.84:1-2: 21-28.
Ehsani, H. y A., F. Quiel.2008. Geomorphometric feature analysis using morphometric parameterization and artificial
neural networks. Geomorphology 99:1–12.
Elizalde, G; J. Viloria y A. Rosales. 2007. Geografía de suelos de Venezuela. Geo Venezuela 2. Medio Físico y
Recursos Ambientales, Capitulo 15. Fundación Empresas Polar. Caracas, Venezuela. 2: 402-535.
Fidêncio, P.H., Ruisanchez, I. and Poppi, R.J., 2001. Application of artificial neural networks to the classification of soils
from São Paulo state using near-infrared spectroscopy. Analyst, 126: 2194–2200..
Henderson, B.L; E.N. Bui; C.J. Moran y D.A.P. Simon.2005. Australia-wide predictions of soil properties using decision
tres. Geoderma 124:383–398
Hutchinson, M.F. 1989. A new procedure for gridding elevation and. stream line data with automatic removal of spurious
pits. J. Hydrol. (Amsterdam) 106:211–232.
Köthe, R.; E. Gehrt, y J. Böhner. 1996, Automatische Reliefanalyse für geowissenschaftliche Kartierungen—derzeitiger
Stand und Weiterentwicklungen des Programms SARA (Automatic relief analysis for geoscientific mapping—present
status and progress of SARA): Arbeitshefte Geologie (Hannover). 1: 31-37.
Lark, R. M., 1999. Soil-landform relationships at within-fields scales: an investigation using continuous classification.
Geoderma, 92: 141–145.
Leal, R. 2010. Ensayo de Cartografía Digital de Suelos en el Municipio Montalbán, Estado Carabobo. Trabajo de Grado.
Universidad Central de Venezuela, Facultad de Agronomía. Maracay, Venezuela. 44 p.
Luoto, M y J. Hjort 2005. Evaluation of current statistical approaches for predictive geomorphological mapping.
Geomorphology 67: 299–315
Mora-Vallejo, A.; L. Claessens;J. Stoorvogel y G.B.M. Heuvelink . 2008. Small scale digital soil mapping in Southeastern
Kenya. Catena 76: 44–53
Núñez, Y. 2011. Modelo automatizado de unidades de paisaje a escala 1:50000 con un enfoque neuronal borroso. En la
Cuenca del río Tucutunemo, Estado Aragua. Trabajo de especializacion de geomática. Postgrado en Ciencia del
Suelo. Facultad de Agronomia. UCV.75p
Odeh, I.O.;A., A.B. McBratney, y D.J Chittleborough. 1994. Spatial prediction of soil properties from landform attributes
derived from a digital elevation model. Geoderma, 63: 197–214.
Poesen, J.; W, B. van Wesemael; K. Bunte y A. S Solé-Benet .1998. Variation of rock fragment cover and size along
semiarid hillslopes: a case-study from southeast Spain Geomorphology. 23: 2-4:323-335.
Soil Survey Division Staff. 1993. Soil survey manual. Soil Conservation Service. U.S. Department of Agriculture
Handbook 18.
Thompson, J.A., Pena-Yewtukhiw, E.M. and Grove, J.H., 2006. Soil-landscape modeling across a physiographic region:
topographic patterns and model transportability. Geoderma, 133: 57–70.
Valera, A. y J. Viloria. 2009. Aplicación de técnicas de inteligencia artificial en el modelado de unidades de paisaje en la
cuenca del río Güey, Maracay - estado Aragua. Memorias XVIII Congreso Venezolano de la Ciencia del Suelo.
Santa Bárbara, Zulia. Venezuela. 7 p.
Viloria, J., A. Viloria-Botello, H. Nuñez y M. C. Pineda. 2009. Cartografía automatizada de unidades de paisaje en
relieves montañosos por medio de redes neuronales artificiales. III Jornadas Nacionales de Geomática. Fundación
instituto de Ingeniería, Caracas, Venezuela.
Viloria, J.; Y. Núñez; G. Machado; G. Elizalde y M.C. Pineda 2009. Variación espacial del suelo y el paisaje en la cuenca
alta del río Güey, estado Aragua, Venezuela. Rev. Fac. Agron. (UCV) 35(2):67-78.
Viloria-Botello, A. 2007. Estimación de Modelos de clasificación de paisaje y predicción de atributos de suelos a partir de
imágenes satelitales y modelos digitales de elevación. Trabajo Especial de Grado. Universidad Central de
Venezuela, Facultad de Ciencias, Escuela de Computación. Caracas, Venezuela. 88 p.
Vivas, L. 2007. Geografía de suelos de Venezuela. Geo Venezuela 2. El Cuaternario en venezuela, Capitulo 10.
Fundación Empresas Polar. Caracas, Venezuela. 2: 402-535.
Wilson, JP y JC Gallant . 2000. Terrain analysis principles and applications. Wiley, Toronto, p 479 Working Party on
World Landslide Inventory.1993.A suggested method for describing the activity of a landslide. Bulletin of International
Association of Engineering Geology 47:53– 57.
Yan Li, X., S. Contreras y A, Solé-Benet. 2007.Spatial distribution of rock fragments in dolines: A case study in a
semiarid Mediterranean mountain-range (Sierra de Gádor, SE Spain) CATENA. 70: 3:366-374.
Zevenbergen, L. W. y C. R. Thorne. 1987.-Quantitative Analysis of Land Surface Topography, Earth Surface Processes
and Landforms, Vol. 12, pp. 12.
Zhao, Z., Chow, T.L., Rees, H.W., Yang, Q., Xing, Z. and Meng, F., 2009. Predict soil texture distributions using an
artificial neural network model. Computers and Electronics in Agriculture, 65: 36–48.
Zhu, A.X., Hudson, B., Burt, J., Lubich, K. and Simonson D., 2001. Soil mapping using GIS, expert knowledge and fuzzy
logic. Soil Science Society of America Journal, 65: 1463–1472.