MEMORIAS DEL CONGRESO INTERNACIONAL DE MÉTODOS

NUMÉRICOS EN INGENIERÍA Y CIENCIAS APLICADAS, CIMENICS

Caracas - Venezuela, del 11 al 13 de julio de 2016

Vol. XIII, SIMULACIÓN Y APLICACIONES

RECIENTES PARA CIENCIA Y TECNOLOGÍA

Editores
Y. GONZÁLEZ, E. DÁVILA, V. DUARTE
Instituto Nacional de Bioingeniería
Universidad Central de Venezuela, Caracas - Venezuela

M. V. CANDAL, O.PELLICCIONI
Departamento de Mecánica
Universidad Simón Bolívar, Caracas – Venezuela

J. DARIAS
Departamento de Física
Universidad Simón Bolívar, Caracas – Venezuela

M. CERROLAZA
Centro Internacional de Métodos Numéricos en Ingeniería
Universidad Politécnica de Cataluña, Barcelona - España

SOCIEDAD VENEZOLANA DE MÉTODOS

NUMÉRICOS EN INGENIERÍA

Instituto de Materiales y Modelos Estructurales

Facultad de Ingeniería
Universidad Central de Venezuela
Vol. XIII, SIMULACIÓN Y APLICACIONES RECIENTES PARA CIENCIA Y
TECNOLOGÍA

Primera edición: julio de 2016

© SVMNI
© Los Editores

Diseño de la portada: Yomar González

Instituto Nacional de Bioingeniería
Universidad Central de Venezuela

Editorial: Sociedad Venezolana de Métodos Numéricos en Ingeniería

Universidad Central de Venezuela (SVMNI)
Caracas, Venezuela
Telf. +58 (0) 212 2852827 / 2859608 / 2868094

Formato: E-book

La figura en la portada del libro es cortesía de Jean F Dulhoste, José D. Montenegro,

Rafael Santos, Carlos Ramírez, y corresponde al trabajo titulado: comparación de
capacidad de generación de energía en turbinas eólicas Darrieus y Savonius por modelado
numérico.

La figura en la contraportada del libro es cortesía de Eduardo Albánez, Johnny Rengifo,

Alexander Bueno, José M. Aller, y corresponde al trabajo titulado: Modeling of the
synchronous reluctance machine based on finite element method for drive applications
considering saturation.

El contenido de este libro no puede ser reproducido, almacenado en un sistema de

información mecánico o electrónico, fotocopiado, grabado o trasmitido sin la autorización
escrita de la SVMNI o de los Editores.

Publicado en 2016 por SVMNI

Julio 2016, Caracas -Venezuela





ISSN: 2477-9687
ISBN: 978-980-7161-05-3
Memorias del Congreso Internacional de Métodos
Numéricos en Ingeniería y Ciencias Aplicadas,
CIMENICS
Vol. XIII, Simulación y aplicaciones recientes para
ciencia y tecnología
 !"#$%&'"()*+*&,%"'&'"-).!*/.'".)0.!*,&/&*'".)'"&*+*0.')-%-12&*
+3*14567896:*.3*;7<=8>:*?3*;@>AB9:*#3*'>5C>8:*-3,988=DD=45=:*E3*;>A=>F:*#3*'9AA48>6>*G.C=B4A9FH*I*JKLM*!?#)"*
*
04C4F*84F*C9A9DN4F*A9F9A<>C4F

CARTOGRAFÍA PREDICTIVA DE CLASES DE SUELO CON REDES NEURO-

BORROSAS EN UN SECTOR DE LA CUENCA ALTA DEL RÍO GUÁRICO

Ángel Rafael Valera

valeraangel2@gmai.com
! "

Centro de Investigación y Extensión en Suelos y Aguas, Universidad Rómulo Gallegos, CIESA-

UNERG. San Juan de los Morros, Guárico, Venezuela.
Jesús Arnaldo Viloria
María Corina Pineda
jesus.viloria@gmail.com
pinedamariacorina@gmail.com
Laboratorio de Agrología, Instituto de Edafología, Facultad de Agronomía, Universidad Central
de Venezuela, Maracay, Aragua, Venezuela.

Resumen. En la actualidad son diversos los métodos cuantitativos empleados para la predicción
de propiedades del suelo como base del conocimiento de la variación espacial, lo que permite
satisfacer los requerimientos de diferentes usuarios interesados en la aplicación de modelos
agrícolas y ambientales. Sin embargo, son escasos los métodos automatizados utilizados para la
integración de los modelos de propiedades específicas de manera conjunta en un modelo de
variación espacial de clases de suelo, para apoyar la toma de decisiones sobre la conservación de
los suelos, el manejo de cuencas y el desarrollo de proyectos agro-ambientales. En esta
investigación se aplica un método de agrupamiento de propiedades relevantes, para dividir el
continuo suelo en clases que exhiban una mayor homogeneidad y que faciliten la transferencia de
información edafológica. El trabajo presenta una nueva alternativa para la obtención de un mapa
de clases de suelo en paisajes de montaña, en un sector de la cuenca alta del río Guárico, a través
de una clasificación no supervisada basada en una red de agrupamiento borroso de Kohonen
(FKCN, Fuzzy Kohonen Clustering Network). Esta red, que consiste en una combinación del
algoritmo de mapas autoorganizados (SOM) y el algoritmo Fuzzy C-means (FCM), permitió la
extracción y la generación de clases locales de suelo, automáticamente, a partir de un conjunto
de modelos de inferencia de propiedades del suelo en formato raster. Los mapas de propiedades
del suelo fueron obtenidos en investigaciones previas con el método kriging de regresión, el cual
consiste también en una combinación de dos métodos. Primero, un modelo de regresión lineal
múltiple entre datos de suelo e información auxiliar derivada de un modelo digital de elevación
11OJ*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!

(MDE) y de imágenes de satélite. Segundo, la interpolación de los residuos de la regresión por

medio de kriging. Para el análisis se emplearon once variables edáficas como entrada a la red
neuronal: espesor del horizonte A (Esp_A), espesor del solum (Esp_AB), profundidad efectiva
(PEF), Contenido de esqueleto grueso, (%EG), arena (%a), arcilla (%A), carbono orgánico
(%CO), capacidad de intercambio catiónico (CIC), calcio cambiable (Ca), porcentaje de
saturación con bases (PSB) y pH. La confiabilidad del modelo de predicción de clases, se evaluó
por medio de una validación estadística con un conjunto de datos independientes. Se determinó
que el modelo óptimo de representación consta de diez clases de suelo obtenidas con un
exponente borroso (
) de 1,2. El algoritmo FKCN demostró la capacidad de integración de
propiedades morfológicas, físicas y químicas, y permitió la obtención de un modelo digital de
clases en forma rápida, precisa y objetiva, constituyendo una importante alternativa de apoyo
para modelar las relaciones suelo-paisaje. Cada clase presentó diferencias entre ellas y un alto
grado de homogeneidad interna, lo que facilitó el establecimiento de correlaciones con las
familias taxonómicas distribuidas espacialmente en el sector. La validación del modelo de
predicción de clases digitales de suelo presentó un valor de exactitud global de 94% y un índice
Kappa de 87%, indicando un alto grado de correspondencia entre las clases de suelo evaluadas y
la realidad existente.

Keywords: Agrupamiento neuro-borroso, FKCN, Clases de suelo, Kriging, MDE.

Abstract. At present, there are various quantitative methods for predicting soil properties as the
basis of knowledge of the spatial variation, thus meeting the requirements of different users
interested in implementing agricultural and environmental models. However, few automated
methods for integrating models specific properties together in a model of spatial variation in soil
types, to support decision-making on soil conservation, watershed management and the
development of agro-environmental projects. In this research, a clustering method of relevant
properties is applied to divide the land into classes continued to exhibit greater uniformity and
facilitate the transfer of soil information. The paper presents a new alternative for obtaining a
map of soil types in mountain landscapes, in an area of the high Guarico River basin through an
unsupervised classification based on the fuzzy Kohonen clustering network (FKCN). This
network consists of a combination of self-organizing map algorithm (SOM) and algorithm Fuzzy
C-means (FCM) that automatically allowed to extract and generating local soil types, from a set
of inference model's properties soil in raster format. Maps of soil properties were obtained in
previous research with kriging regression method, which combines multiple linear regressions
between soil data and ancillary information derived from a digital elevation model (DEM) and
satellite imagery, with the ordinary kriging of the residuals of the regression. For the analysis
were employed once the soil variables as input to the neural red: A horizon thickness (Esp A),
solum thickness (Esp AB), effective depth (PEF), thick skeleton Content (%EG), sand (%a) (%
a), clay (% A), organic carbon (% CO), cation exchange capacity (CEC), exchangeable calcium
(Ca), percent base saturation (PSB) and pH. Reliability prediction model class was evaluated by
a statistical validation with an independent data set. It was determined that the optimal
representation model consists of ten local soil classes obtained with a blurred exponent (
) 1.2.
The FKCN algorithm demonstrated the ability to integrate morphological, physical and chemical
properties, and allowed obtaining a digital model class quickly, accurately and objectively,
constitutes an important alternative support for the study of the relations soil-landscape. Each
type of soil present differences between them and a high degree of internal homogeneity, which
 #9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11OV

facilitated the establishment of correlations with taxonomic families spatially distributed in the
sector. The validation of the prediction model digital soil classes presented a value of 94%
overall accuracy and Kappa index of 87%, indicating a high degree of correspondence between
the types of soil evaluated and the existing reality.

Keywords: Fuzzy clustering networks, FKCN, Soil class, Kriging, DEM.

1. INTRODUCCIÓN

El conocimiento de la variación espacial de las propiedades del suelo permite satisfacer los
requerimientos de diferentes usuarios interesados en la aplicación de modelos agrícolas y
ambientales o en la toma de decisiones relacionadas con la variación espacial de algunas
propiedades particulares del suelo. Sin embargo, otros usuarios tienen el interés y la necesidad de
visualizar el comportamiento de varias propiedades relevantes del suelo de manera conjunta, en
un modelo de variación espacial de clases de suelo. La implementación de un proceso de
clasificación de suelos puede reducir eficazmente la complejidad de la información y contribuir
al entendimiento de las principales características de los grupos de suelos. En este proceso
siempre se pierde alguna información, aunque proporciona un medio conveniente para la
identificación de grupos naturales de individuos que tienen propiedades comunes.
La cartografía predictiva de suelos (CPS) permite integrar diversos modelos de variación
espacial de propiedades específicas o particulares, para obtener clases de suelo. En este sentido,
la CPS se aplica en un intento de dividir el continuo suelo en clases que exhiban una mayor
homogeneidad de las propiedades específicas que el continuo en su conjunto. El desarrollo de
métodos cuantitativos o numéricos son insumos importantes que han impulsado la cartografía
predictiva, donde han surgido alternativas emergentes como las técnicas de inteligencia artificial,
basadas en lógica borrosa (LB), redes neuronales artificiales (RNA). La integración de ambas
tecnologías ha dado paso a los sistemas neuroborrosos, los cuales combinan la capacidad de
aprendizaje y adaptación de las RNA y el poder de la interpretación lingüística de la LB. Al
respecto, existen trabajos realizados por investigadores en Venezuela y otros países, que indican
que el uso de estas tecnologías permite producir mapas de mejor calidad y en menos tiempo que
los métodos tradicionales
El objetivo de esta investigación fue la integración de los modelos de variación espacial de
propiedades relevantes del suelo obtenidas con técnicas de kriging de regresión (RK), para
producir un modelo de predicción espacial de clases de suelo. Para tal fin, se aplicó una técnica
de clasificación inductiva, basada en la integración de los mapas del conjunto de propiedades del
suelo empleando una red neuronal de agrupamiento borroso.

2. MATERIALES Y MÉTODOS

2.1. Área de estudio

La investigación se realizó en un sector de la cuenca alta del río Guárico (CARG),

específicamente en la cuenca del río Caramacate, la cual está ubicada entre los municipios
Santos Michelena y San Sebastián de los Reyes del estado Aragua (Venezuela), entre las
coordenadas geográficas 9.55 a 10.09° Norte y -67.12 a -67.03° Oeste. Para el ensayo de
cartografía predictiva se seleccionó un área muestra de 6760 ha, donde el paisaje está dominado
11OW*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!

por laderas de montaña con pendientes del 40%. La geología está representada por rocas
metavolcánicas y basaltos de la formación El Caño-El Chino, y por metalavas máficas de la
formación El Carmen [1]. La zona presenta una altitud comprendida entre 334 a 1405 msnm, con
una precipitación media anual que oscila entre 1100 y 1400 mm y una temperatura media anual
que varía entre 22 y 26 ºC. La vegetación herbácea ocupa más del 50% de la cobertura del sector,
como producto del uso ganadero en condiciones extensivas, el sobrepastoreo y las quemas
anuales. Los suelos en su mayoría son Entisoles, Inceptisoles y Alfisoles, cuya variabilidad se ha
incrementado por el uso de la tierra basado en ganadería extensiva, y la incidencia de los
movimientos en masa [2]. Esta situación ha traído como consecuencia que la cuenca esté
sometida a intensos procesos de degradación ambiental, por lo que es necesaria la organización
de la información de suelos para apoyar la implantación de planes de manejo.

2.2. Método de estimación de propiedades del suelo

La estimación de las propiedades del suelo se realizó con la aplicación del modelo de
predicción espacial denominado kriging de regresión (RK, Regression Kriging) o kriging de
residuales, basado en la combinación de la técnica kriging ordinario y la regresión lineal
múltiple. Este modelo estadístico integra los valores de regresión de variables edáficas y
atributos ambientales, con los valores de la interpolación de los residuales de dicha regresión. El
algoritmo RK considera la correlación local entre variables ambientales y la bondad de ajuste no
satisfactoria de los modelos de variación espacial para un determinado conjunto de datos [3]. Las
variables auxiliares se derivaron en estudios previos, partiendo de un modelo digital de elevación
(altitud (msnm), pendiente (rad), orientación de la pendiente (rad), índice topográfico de
humedad, área de captación (m2), perfil de curvatura (m.m-2), plano de curvatura (m.m-2),
posición relativa) y una imagen de satélite Spot (NDVI), a 15 m de resolución espacial [4].
Adicionalmente se utilizó un mapa de precipitación estimado por kriging ordinario [2].
Con RK se generaron los modelos de variación de once (11) propiedades del suelo,
organizadas de acuerdo con su naturaleza en: i) morfológicas: espesor del horizonte A (Esp A),
espesor del solum (Esp AB), profundidad efectiva (PEF); ii) físicas: esqueleto grueso (%EG),
arena (%a) y arcilla (%A), y iii) químicas: contenido de carbono orgánico (%CO), capacidad de
intercambio catiónico (CIC), calcio intercambiable (Ca), porcentaje de saturación con bases
(PSB) y pH del suelo en agua (1:1). Estas variables fueron empleadas como parámetros de
entrada a la red.
En la predicción de las propiedades edáficas se emplearon 100 perfiles de suelo para generar
los modelos (75%), y 33 perfiles para la validación (25%). Cada perfil de suelo fue clasificado a
nivel de familia de clases de tamaño de partícula [5].

2.3. Predicción de clases de suelo

Para la generación del modelo predictivo de clases de suelo se empleó una red de
agrupamiento borroso de Kohonen (FKCN, Fuzzy Kohonen Clustering Network), la cual consiste
en una combinación del algoritmo de mapas autoorganizados (SOM, Self-organizing maps) y el
algoritmo Fuzzy C-means (FCM) [6, 7]. El algoritmo utilizado en esta investigación fue
programado en lenguaje Java SE 6, Sun Microsystems, USA por Viloria-Botello [8].

Red neuronal de agrupamiento borroso FKCN. La arquitectura de la red neuronal FKCN

 #9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11OX

consta de tres capas (Fig. 1): i) la capa de entrada, la cual contiene los valores normalizados de
las once (11) variables edáficas generadas con RK en formato raster; ii) la capa de distancias,
que incluye las neuronas equivalentes al número preestablecido de clases locales de suelo, y iii)
la tercera capa, la cual calcula la función de pertenencia de cada celda a cada una de las clases de
suelo, basada en las distancias determinadas en la capa anterior y los valores preestablecidos del
coeficiente de borrosidad (
) [9].
Los atributos del suelo fueron agrupados en una matriz de datos bajo formato ASCII para la
aplicación del sistema FKCN, lo que permitió evaluar el agrupamiento de píxeles con diversos
números de clases (6 a 12) y diferentes coeficientes de borrosidad (
= 1.1 a 1.6), ya que la
magnitud de este exponente determina el grado de borrosidad del modelo final. A las clases de
suelo obtenidas se les asignó el significado edafológico a través de la interpretación de su
distribución espacial, las descripciones de los centroides de clases, y las matrices de los valores
de similitud obtenidos mediante el algoritmo FKCN, conjuntamente con la información de la
influencia de los factores formadores de los suelos de la zona.

Figura 1 - Estructura de la red neuroborrosa utilizada en la generación de las clases de suelo.

Número óptimo de clases de suelo. Para la selección del número más apropiado de clases de
suelo y la obtención del mejor modelo generado por el sistema FKCN, se empleó un enfoque
inductivo, basado en el procedimiento de Odeh et al. [10], el cual relaciona el índice de
borrosidad alcanzado (FPI, Fuzziness Performance Index) con el número de clases. Estos
parámetros se obtienen utilizando el algoritmo Fuzzy c-Means [11]. La selección del número
óptimo de clases se realizó por repetición de la clasificación para un rango de número de clases
(entre 6 y 12). En cada agrupamiento obtenido se genera el parámetro de clasificación FPI, el
cual estima el grado de borrosidad generado por cada número específico de clases.
Matemáticamente, se define como Ec. (1):

FPI  1  [(cF  1) /(c  1)] (1)

donde c es el número de clases y F es el coeficiente de partición calculado como Ec. (2):

11OM*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!

n c
F  (1 / n)  ( ik )2 (2)
i 1 k 1
F es conceptualmente comparable a la relación del conjunto de varianzas dentro de las clases
y la varianza entre clases y es cercana a 1 para los agrupamientos más significativos. Cuando F
es igual a 1, el FPI será igual a 0 y las clases serán discretas (no borrosas) ya que las
subestructuras estarán bien diferenciadas entre sí. Si el FPI es igual a 1 (F=0), la borrosidad en el
conjunto de datos será máxima. De esta manera, la minimización de FPI indica un número
óptimo de clases borrosas que reflejan adecuadamente el comportamiento del conjunto de datos.

2.4. Evaluación de la confiabilidad del mapa de clases de suelo

Para la evaluación de las clases de suelo se desarrollaron matrices de confusión y se

realizaron los cálculos del índice Kappa (k) y la exactitud global (EG). El índice de concordancia
Kappa se utiliza como un método para evaluar clasificaciones multi-categóricas, permitiendo
determinar hasta qué punto la concordancia observada es superior a la que se espera obtener por
puro azar [12], y se define de la siguiente manera, Ec. (3):

k   fo   fe /( n   fe) (3)

donde  fo es la suma de las frecuencias observadas en la diagonal principal de una

tabulación cruzada,  fe es la suma de las frecuencias esperadas en esa diagonal, y n es el
número total de casos (categorías).
La exactitud global del modelo (EG) se obtuvo del número de clases bien asignadas frente al
total de categorías (n) empleadas en la calibración o en la validación de un modelo, con respecto
a las frecuencias observadas en la diagonal principal de la matriz de confusión, con la Ec. (4):

EG   ( fo / n) (4)

Para el cálculo de los índices utilizados se empleó el módulo de validación de mapas de suelo
del programa de cartografía digital de suelos SoLIM Solutions [13]. La validación se realizó con
un conjunto de datos independientes de los perfiles de suelo utilizados en la predicción de las
clases de suelo.

3. RESULTADOS Y DISCUSIÓN

3.1. Número de clases de suelo

La representación de la variación del índice de rendimiento borroso (FPI) en función del

número de clases para diferentes coeficientes de borrosidad, se señala en la Fig. 2. En el esquema
se visualiza que el número de clases de suelo más adecuado se obtuvo con 10 clases, combinado
con un
de 1.2. El valor del FPI de 0.55, señala el punto de intersección en la cual existe una
minimización del grado de borrosidad, que determinó el número óptimo de clases, caracterizadas
por ser menos borrosa y menos desorganizada internamente, para el conjunto de neuronas de
entrada (modelos de propiedades del suelo).
 #9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11OY

L3KK
K3[K
K3ZK
K3YK
K3MK
!"#"

!"#$
FPI

K3XK
K3WK
!"#%
K3VK
!"#&
K3JK
!"#'
K3LK
!"#(
K3KK
M Y Z [ LK LL LJ
Número de clases

Figura 2 - Variación del índice de rendimiento borroso (FPI) en función del número de clases

3.2. Clases de suelo neuroborrosas

Los resultados de los valores de las propiedades del suelo al centro de cada clase de suelo
neuro-borrosa se indican en la Tabla 1. Las clases A y B agrupan suelos donde no se ha formado
el horizonte B, son superficiales o poco profundos y tienen un horizonte A muy delgado. Son de
textura franca, con un pH moderadamente ácido, aunque el complejo de cambio tiene una
moderada a alta saturación con bases. Las clases difieren principalmente en la cantidad de
fragmentos gruesos en la superficie, los cuales son abundantes en los suelos de la clase A.
Las clases C y D se caracterizan por agrupar suelos de moderada profundidad, con un
horizonte superficial delgado de texturas francas a franco arcillosas. Ambas difieren en el
espesor del solum, en la profundidad efectiva y en el contenido de esqueleto grueso de la capa
superficial. Las propiedades químicas son similares, con un pH moderadamente ácido y un
complejo de cambio con alta saturación de bases cambiables.

Tabla 1. Centroides de las clases de suelo obtenidas con FKCN

Clase Esp A Esp AB PEF %EG %a %A CIC Ca PSB pH %CO

A 13 13 31 40 27 24 24 12 61 5.53 1.84
B 14 14 43 20 26 22 27 11 52 5.26 1.90
C 15 34 55 27 30 34 29 9 57 5.27 1.83
D 18 60 68 41 34 25 22 10 60 5.47 1.94
E 16 71 84 24 29 21 35 13 50 5.22 2.37
F 15 41 49 14 27 26 22 9 50 5.14 1.90
G 15 85 96 12 29 32 21 13 46 4.82 2.40
H 19 95 119 7 27 23 26 10 58 5.41 2.17
I 21 105 109 20 28 29 21 9 47 4.89 2.58
J 20 106 126 23 29 40 27 9 39 4.56 2.53
11OZ*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!

Esp A: Espesor A (cm), Esp AB: Espesor del solum (cm), PEF: Profundidad efectiva (cm), EG:
Esqueleto grueso, a: arena, A: Arcilla, CIC: Capacidad de intercambio catiónico (cmol kg -1), Ca:
Calcio cambiable (cmol kg-1), PSB: Porcentaje de saturación con bases, CO: Carbono orgánico,
pH en agua (1:1).

Los suelos de la clase F y G presentan un horizonte un solum de espesor variables, con un

horizonte A delgado. Presentan pocos fragmentos gruesos en la superficie, son de pH
fuertemente ácido, con moderados a bajos contenidos de calcio cambiable y una moderada
saturación con bases. Los suelos de la clase H también presentan un solum muy grueso y una
mayor profundidad efectiva, aunque poseen un horizonte A delgado; posee muy pocos
fragmentos gruesos en la superficie, son de pH moderadamente ácido, pero con altos contenidos
de calcio cambiable y una alta saturación con bases.
Las clases E, I y J involucran a los suelos muy profundos, con un solum bien desarrollado;
textura superficial franco limosa a franco arcillosa, con pocos fragmentos gruesos superficiales,
tienen un horizonte A delgado con altos contenidos de CO. Desde el punto de vista químico los
suelos de ambas clases son de pH fuertemente ácido, con un moderado PSB y bajos contenidos
de calcio en el complejo de cambio.
Otro resultado de la aplicación del algoritmo FKCN es la generación de los valores de
similitud de cada celda (píxel) a cada una de las clases de suelo. La salida se expresa en formato
raster y refleja la variación espacial de los grados de pertenencia entre 0 y 1, cuyos valores
permitieron el establecimiento de las correlaciones entre las clases neuroborrosas con la
clasificación taxonómica de los suelos [5]. Para tal fin, se emplearon los mayores valores de
similitud de los perfiles de suelo (clasificados a nivel de familia de clases de tamaño de partícula)
a cada una de las clases de suelo, obteniéndose los valores expresados en la Tabla 2.

Tabla 2. Correlación entre las clases de suelo y las familias taxonómicas

Clase Skij Familia(s) Correlacionada(s) Sup. (ha)

A 0.93 Lithic Ustorthents, francosa fina; Lithic Ustorthents, 1246
francosa gruesa
B 0.73 Lithic Ustorthents, francosa gruesa 1192
C 0.59 Typic Haplustepts, francosa fina 565
D 0.65 Lithic Haplustepts, francosa gruesa 548
E 0.59 Typic Haplustalfs, francosa fina 315
F 0.78 Lithic Dystrustepts, francosa fina 949
G 0.40 Typic Dystrustepts, francosa fina 528
H 0.83 Typic Haplustepts, francosa fina 545
I 0.59 Typic Haplustalfs, fina 404
J 0.81 Ultic Haplustalfs, francosa fina 468
Skij, representa el valor de similitud entre el suelo en un píxel (i, j) y la clase de suelo neuro-borrosa K.

En la mayoría de los casos estudiados, existen altos valores del grado de pertenencia de los
píxeles a las clases neuro-borrosas, lo que refleja una clara facilidad a la hora de establecer
correspondencias entre los suelos con la clasificación taxonómica a nivel de familias de clases de
tamaño de partícula.
El agrupamiento final de las clases obtenidas con el sistema FKCN se representa
 #9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11O[

espacialmente en el modelo predictivo de la Fig. 3. Bajo este enfoque, las clases de suelo tienen
una expresión geográfica y una distribución espacial bastante concentrada y discreta. Este
aspecto las hace discernibles y de gran facilidad para separarlas o relacionarlas con las diversas
unidades de paisaje representativa de la cuenca estudiada, permitiendo el análisis de las
relaciones suelo-paisaje.

Figura 3 - Modelo predictivo de clases de suelo en un sector de la cuenca alta del río Guárico.

De acuerdo con el modelo obtenido, se evidencia el escaso desarrollo edáfico en la casi

generalidad de los suelos de laderas de los paisajes del área estudiada, posiblemente por la
ocurrencia de procesos erosivos, deslizamientos y movimientos en masa (clases A y B). En la
región central y occidental, se manifiesta un ligero desarrollo edáfico con ciertas variaciones en
el espesor del solum como consecuencia de los procesos de formación (clases C y F). En las
crestas también existen suelos de incipiente desarrollo (clases D y G), y en las vegas de los valles
intramontanos ocurren procesos que promueven dicho desarrollo (clase H). En la región oriental
existen ocurrencias de perfiles con un mayor grado de evolución pedogenética, ya que la
cobertura vegetal y las condiciones microclimáticas favorecen dicho desarrollo (clases E, I y J).

3.3. Evaluación de la confiabilidad del mapa de suelo

Los resultados de la evaluación de las clases de suelo presentaron una exactitud equivalente
al 94% (Tabla 3), donde las clases neuroborrosas fueron bien clasificadas a nivel de familia de
clases de tamaño de partículas. De igual manera, el coeficiente kappa corrobora el grado de
acuerdos entre las clases de suelo observadas y las estimadas con un conjunto de datos
independientes, con un valor de 0.87. Este índice indicó que el modelo de clases predictivas
presenta una fuerza de concordancia !"#$%&'()*("+a! ,&-(."(/(0+(!&con respecto a la realidad de
las clases de suelo existentes, lo cual significa que la matriz empleada es 87% mejor que el que
podría resultar de aplicar otro clasificador que asigne las clases de suelo al azar.
Los resultados de la validación del enfoque FKCN demostraron que es una alternativa para
11OLK*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!

la generación de clases de suelo, especialmente en áreas de alta complejidad geomorfológica y

edafológica, como la cuenca alta del río Guárico. Estos resultados son ligeramente superiores a
los obtenidos por Zhu et al. [14] y McKay et al. [15], quienes aplicaron un sistema de inferencia
de suelos para la predicción de tipos de suelo, a nivel de subgrupos y serie de suelos. Estas
investigaciones expresaron una de confiabilidad de 76 y 73.7% respectivamente, para los mapas
de suelo obtenidos con limitaciones de datos.

Tabla 3. Resultados de la calibración y validación del modelo de clases de suelo.

Índice Calibración 1 Validación 2

Exactitud global 0.870 0.939
Kappa 0.830 0.871
1 2
n= 100 perfiles de suelo, n=33 perfiles de suelo.

4. CONCLUSIONES

La aplicación del algoritmo de agrupamiento neuro-borroso FKCN, permitió la obtención de

un modelo predictivo de diez clases de suelo.
Cada clase de suelo presentó diferencias entre ellas y un alto grado de homogeneidad
interna, lo que facilitó el establecimiento de las correlaciones con las familias taxonómicas
distribuidas espacialmente en el sector de interés.
La aplicación del sistema de inferencia espacial de suelos permitió la predicción espacial de
diversas clases locales de suelo en áreas de alta complejidad dominadas por paisajes de montaña,
con una confiabilidad del 94%.
La aplicación del enfoque a la cartografía predictiva de clases de suelo es una alternativa que
puede contribuir a mejorar la toma de decisiones, para resolver los problemas ambientales y
limitaciones agronómicas locales de gran importancia, al proporcionar predicciones de clases de
suelo con alta confiabilidad en la cuenca del río Guárico.

Agradecimientos

Los autores agradecen al Fondo Nacional de Ciencia, Tecnología e Innovación FONACIT por el
financiamiento parcial de la investigación, a través del P),1)#2#& -3%$%40& 5%(0"%#!6& 7& #/&
Laboratorio de Agrología del Instituto de Edafología de la Facultad de Agronomía de la
Universidad Central de Venezuela, por el apoyo logístico derivado del Proyecto LOCTI.

REFERENCIAS

[1].*Urbani, F., Rodríguez, J. A., Atlas geológico de la Cordillera de la Costa, Venezuela.

Mapas a escala 1:25.000. Versión Digital. Edic. Fundación Geos, UCV. Caracas, 2004.

[2].*Pineda, M.C., Elizalde, G., & Viloria, J., Determinación de áreas susceptibles a
deslizamientos en un sector de la Cordillera de la Costa Central de Venezuela.
Interciencia, vol. 36, n. 5, pp. 370-377, 2011.
 #9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!*11OLL

[3].*Sun, W., Minasny, B., McBratney, A. B., Analysis and prediction of soil properties using
local regression-kriging. Geoderma, vol. 171-172, pp. 23-30, 2012.

[4].*Valera, A., Inventario de suelos y paisajes con apoyo de técnicas de cartografía digital
en áreas montañosas. Caso Cuenca del Río Caramacate, Estado Aragua. Tesis de
Doctorado en Ciencias del Suelo. UCV. Postgrado en Ciencias del Suelo. Maracay,
Estado Aragua, Venezuela, 2015.

[5].*Soil Survey Staff. Keys to Soil Taxonomy. Twelfth Edition. United States Department of
Agriculture. Natural Resources Conservation Service. NRCS-USDA.Washington DC.
372 p, 2014.

[6].*Bezdek J. C., Ehrlich, R., & Full, W., FCM: the fuzzy c-means clustering algorithm.
Computers and Geosciences, vol. 10, pp. 191-203, 1984.

[7].*Lin, C., & Lee, C., Neural fuzzy systems. Prentice Hall, Inc. New Jersey, USA. 797 p,
1996.

[8].*Viloria-Botello, A. 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. UCV. Caracas, Venezuela, 2007.

[9].*Viloria, J. A., Viloria-Botello, A., Pineda, M. C., & Valera, A., Digital modelling of
landscape and soil in a mountainous region: A neuro-fuzzy approach. Geomorphology,
vol. 253, pp. 199-207, 2016.

[10].*Odeh, I. O. A., McBratney, A. B., & Chittleborough, D. J., Soil pattern recognition with
fuzzy c-means: application to classification and soil landform interrelationships. Soil Sci.
Soc. Am. J., vol. 56, pp. 505- 516, 1992.

[11].*Bezdek J. C. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum

Press. 256 p. New York, 1981.

[12].*Cohen, J., Weighted kappa: nominal scales agreement with provision for scaled
disagreement or partial credit. Psichological Bulletin, vol. 70, pp. 213-220, 1968.

[13].*Zhu, A. X., & Burt, J. E., Digital Soil Mapping Software: SoLIM Solutions 2013.
Reference Manual. Institute of Geographic Sciences, Natural Resources Research-
Chinese Academy of Sciences-The University of Wisconsin-Madison, 2013.

[14].*Zhu, A. X., Yang, L., Li, B., Qin, C., English, E., Burt, J. E., & Zhou, C., Purposive
Sampling for Digital Soil Mapping for Areas with Limited Data. In: Hartemink, A.E.;
Mendonça-Santos, M. L., A.B. McBratney, A. B., eds, Digital Soil Mapping with
Limited Data, Springer-Verlag: New York, pp 233-245, 2008.
11OLJ*#9P4A=>F*C98*'45QA9F4*"5B9A5>D=45>8*C9*#RB4C4F*)@PRA=D4F*95*"5Q95=9AS>*T*'=95D=>F*&U8=D>C>F:*'"#.)"'!

[15].*McKay, J., Grunwald, S., Shi, X., & Long, R. F., Evaluation of the transferability of a
knowledge-based soil-landscape model. In: Boettinger J., D.W. Howell, A.C. Moore,
A.E. Hartemink, & S. Kienast-Brown (eds.). Digital Soil Mapping: Bridging Research,
Production and Environmental Applications. pp. 165-177. Springer, Heidelberg, 2010.