APLICACIN DE TCNICAS DE INTELIGENCIA ARTIFICIAL EN EL MODELADO DE UNIDADES DE PAISAJE EN LA CUENCA DEL RO GEY, MARACAY - ESTADO ARAGUA

ngel Valera1 y Jess Viloria2

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.com RESUMEN Los mtodos tradicionales manuales para la determinacin de propiedades geomorfomtricas de mapas topogrficos, consisten en mediciones 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 Gey, 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 morfomtricas de un modelo digital de elevacin (MDE) y de imgenes de satlite. En este sentido, se realizaron evaluaciones de MDE de diferentes resoluciones espaciales (8, 10, 15 y 20 m) mediante un sistema clasificador del terreno por Fuzzy Kohonen, y se obtuvo un promedio de 11 clases morfomtricas con la utilizacin de 9 atributos topogrficos y el ndice de vegetacin normalizado (NDVI). Estos resultados indican que el enfoque neuro-borroso permite una rpida estimacin de la distribucin espacial de unidades de terreno homogneas morfolgicamente mediante la clasificacin de pxeles, cuya representatividad depende de la resolucin espacial del MDE empleado. Palabras Claves: Cartografa automatizada de Paisajes, Geomorfometra, Inteligencia artificial, Lgica borrosa, Redes Neuronales Artificiales. INTRODUCCIN El conocimiento del medio fsico mediante la identificacin de unidades geomorfolgicas en zonas montaosas de difcil acceso es de extrema complejidad, por lo que su obtencin de la manera tradicional requiere de la inversin de mucho tiempo por parte de un experto. Por otra parte, es bien conocido que diferentes expertos tienden a describir la misma zona de estudio de distintas maneras, lo cual depende del conocimiento y de la percepcin personal, por lo que la clasificacin obtenida puede ser muy subjetiva y no reproducible. En la actualidad existen amplias opciones para generar unidades geomorfolgicas en forma rpida, precisa y objetiva, a partir de la realizacin de clasificaciones continuas del paisaje

tomando en cuenta los diversos parmetros derivados de un modelo digital de elevacin (MDE) e imgenes de satlite. Aunado a estas opciones, tambin existen 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 producir modelos digitales de clasificacin del terreno. Estas tcnicas se basan en tecnologa de inteligencia artificial y constituyen dos de los avances cientficos recientes ms importantes del conocimiento, e intentan simular dos de las caractersticas ms importantes con que cuenta el cerebro humano, como lo son la capacidad de aprendizaje y la capacidad de procesar informacin incompleta, ambigua, compleja, incierta, o que no es precisa. La combinacin de la potencialidad de los conjuntos borrosos y las RNA ha dado paso a una tcnica integral de clasificacin no supervisada denominada red de agrupamiento borroso de Kohonen o Fuzzy Kohonen Clustering Network (FKCN), basada en un modelo de mapas autoorganizados o self organizing map (SOM) (Viloria, 2007). En este estudio se emplea un procedimiento de clasificacin continua del paisaje basado en el anlisis cuantitativo de atributos derivados de un MDE e imgenes satelitales de la cuenca del Ro Gey, por medio de la aplicacin de un algoritmo neuro-borroso, con la finalidad de establecer el significado geomorfolgico de las clases morfomtricas obtenidas, a travs de la interpretacin de su distribucin espacial y de las descripciones de los centros de clases y matrices de membresas. Estos mtodos de clasificacin no supervisada constituyen una importante alternativa de apoyo al experto para la obtencin de una visin ms amplia e integral de la estructura del paisaje. MATERIALES Y MTODOS El estudio se realiz en la cuenca del Ro Gey, la cual tiene una superficie de 1.912,1 ha, y est localizada al Norte del Lago de Valencia y de la ciudad de Maracay, en el flanco Sur de la rama litoral de la Cordillera de la Costa, al Norte del Estado Aragua. La cuenca alta forma parte del Parque Nacional Henri Pittier, es sometida a quemas anuales y a procesos fuertes de erosin (Viloria et al., 2007). Se utilizaron hojas cartogrficas y ortofotomapas a escala 1:25.000 (6646-I-NE y 6647-II-SE), las cuales se corrigieron geomtricamente en el sistema de proyeccin UTM (Datum La Canoa, Huso 19) y posteriormente se vectorizaron las curvas de nivel, la red hidrogrfica, el lmite de la cuenca y los puntos de control (Nuez, 2007). Con estas capas vectoriales se realiz la interpolacin de los MDE (modelo Grid) por medio del comando Topogridtool de ArcGis 9.0 (ESRI, 2005). Se generaron cuatro MDE con resolucin de 8, 10, 15 y 20 m/pxel, de acuerdo con la escala de trabajo (1:25.000). De los MDE generados se derivaron los mapas de diferentes atributos topogrficos: altitud (Alt), grado de pendiente (Pend), orientacin de la pendiente (Asp), curvatura vertical (Perfil_C), curvatura horizontal (Plano_C), rea de captacin (Area_C), ndice de humedad (Hum), ndice de transporte de sedimentos (ITS) y el ndice de flujo potencial (IFP), para lo cual se utiliz el software DiGem 2.0 (Conrad, 2002). Se emple una imagen de satlite multiespectral SPOT (12 m) con la que se gener el ndice de vegetacin normalizado (Normalizad Difference Vegetation Index, NDVI), tomando en cuenta la banda visible y la banda infrarrojo del espectro electromagntico, utilizando el programa ERDAS (2005). Los atributos topogrficos y la variable NDVI fueron agrupados en una matriz de datos (formato ASCII) con la aplicacin del modelo de red

APLICACIN DE TCNICAS DE INTELIGENCIA ARTIFICIAL EN EL MODELADO DE UNIDADES DE PAISAJE EN LA CUENCA DEL RO GEY, MARACAY - ESTADO ARAGUA
ngel Valera1 y Jess Viloria2

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.com RESUMEN Los mtodos tradicionales manuales para la determinacin de propiedades geomorfomtricas de mapas topogrficos, consisten en mediciones 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 Gey, 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 morfomtricas de un modelo digital de elevacin (MDE) y de imgenes de satlite. En este sentido, se realizaron evaluaciones de MDE de diferentes resoluciones espaciales (8, 10, 15 y 20 m) mediante un sistema clasificador del terreno por Fuzzy Kohonen, y se obtuvo un promedio de 11 clases morfomtricas con la utilizacin de 9 atributos topogrficos y el ndice de vegetacin normalizado (NDVI). Estos resultados indican que el enfoque neuro-borroso permite una rpida estimacin de la distribucin espacial de unidades de terreno homogneas morfolgicamente mediante la clasificacin de pxeles, cuya representatividad depende de la resolucin espacial del MDE empleado. Palabras Claves: Cartografa automatizada de Paisajes, Geomorfometra, Inteligencia artificial, Lgica borrosa, Redes Neuronales Artificiales. INTRODUCCIN El conocimiento del medio fsico mediante la identificacin de unidades geomorfolgicas en zonas montaosas de difcil acceso es de extrema complejidad, por lo que su obtencin de la manera tradicional requiere de la inversin de mucho tiempo por parte de un experto. Por otra parte, es bien conocido que diferentes expertos tienden a describir la misma zona de estudio de distintas maneras, lo cual depende del conocimiento y de la percepcin personal, por lo que la clasificacin obtenida puede ser muy subjetiva y no reproducible. En la actualidad existen amplias opciones para generar unidades geomorfolgicas en forma rpida, precisa y objetiva, a partir de la realizacin de clasificaciones continuas del paisaje

tomando en cuenta los diversos parmetros derivados de un modelo digital de elevacin (MDE) e imgenes de satlite. Aunado a estas opciones, tambin existen 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 producir modelos digitales de clasificacin del terreno. Estas tcnicas se basan en tecnologa de inteligencia artificial y constituyen dos de los avances cientficos recientes ms importantes del conocimiento, e intentan simular dos de las caractersticas ms importantes con que cuenta el cerebro humano, como lo son la capacidad de aprendizaje y la capacidad de procesar informacin incompleta, ambigua, compleja, incierta, o que no es precisa. La combinacin de la potencialidad de los conjuntos borrosos y las RNA ha dado paso a una tcnica integral de clasificacin no supervisada denominada red de agrupamiento borroso de Kohonen o Fuzzy Kohonen Clustering Network (FKCN), basada en un modelo de mapas autoorganizados o self organizing map (SOM) (Viloria, 2007). En este estudio se emplea un procedimiento de clasificacin continua del paisaje basado en el anlisis cuantitativo de atributos derivados de un MDE e imgenes satelitales de la cuenca del Ro Gey, por medio de la aplicacin de un algoritmo neuro-borroso, con la finalidad de establecer el significado geomorfolgico de las clases morfomtricas obtenidas, a travs de la interpretacin de su distribucin espacial y de las descripciones de los centros de clases y matrices de membresas. Estos mtodos de clasificacin no supervisada constituyen una importante alternativa de apoyo al experto para la obtencin de una visin ms amplia e integral de la estructura del paisaje. MATERIALES Y MTODOS El estudio se realiz en la cuenca del Ro Gey, la cual tiene una superficie de 1.912,1 ha, y est localizada al Norte del Lago de Valencia y de la ciudad de Maracay, en el flanco Sur de la rama litoral de la Cordillera de la Costa, al Norte del Estado Aragua. La cuenca alta forma parte del Parque Nacional Henri Pittier, es sometida a quemas anuales y a procesos fuertes de erosin (Viloria et al., 2007). Se utilizaron hojas cartogrficas y ortofotomapas a escala 1:25.000 (6646-I-NE y 6647-II-SE), las cuales se corrigieron geomtricamente en el sistema de proyeccin UTM (Datum La Canoa, Huso 19) y posteriormente se vectorizaron las curvas de nivel, la red hidrogrfica, el lmite de la cuenca y los puntos de control (Nuez, 2007). Con estas capas vectoriales se realiz la interpolacin de los MDE (modelo Grid) por medio del comando Topogridtool de ArcGis 9.0 (ESRI, 2005). Se generaron cuatro MDE con resolucin de 8, 10, 15 y 20 m/pxel, de acuerdo con la escala de trabajo (1:25.000). De los MDE generados se derivaron los mapas de diferentes atributos topogrficos: altitud (Alt), grado de pendiente (Pend), orientacin de la pendiente (Asp), curvatura vertical (Perfil_C), curvatura horizontal (Plano_C), rea de captacin (Area_C), ndice de humedad (Hum), ndice de transporte de sedimentos (ITS) y el ndice de flujo potencial (IFP), para lo cual se utiliz el software DiGem 2.0 (Conrad, 2002). Se emple una imagen de satlite multiespectral SPOT (12 m) con la que se gener el ndice de vegetacin normalizado (Normalizad Difference Vegetation Index, NDVI), tomando en cuenta la banda visible y la banda infrarrojo del espectro electromagntico, utilizando el programa ERDAS (2005). Los atributos topogrficos y la variable NDVI fueron agrupados en una matriz de datos (formato ASCII) con la aplicacin del modelo de red

neuronal de agrupamiento borroso de Kohonen (FKCN) (Viloria, 2007), para cada uno de los MDE con sus respectivas resoluciones, lo que permiti evaluar el agrupamiento de pxeles con diversos nmeros de clases (6-12) y diferentes coeficientes de borrosidad (= 1,1 - 1,6). Se utiliz la propuesta de Odeh et al. (1992) para obtener el mejor modelo generado por los mapas autoorganizados de Kohonen, relacionando el ndice de rendimiento borroso (Fuzziness Performance Index, FPI) con el nmero de clases. A las clases morfomtricas obtenidas se les asign el significado geomorfolgico a travs de la interpretacin de su distribucin espacial y de las descripciones de los centroides de clases y matrices de membresas obtenidas mediante el algoritmo Fuzzy C-means ((Minasny y McBratney, 2002), conjuntamente con la informacin litolgica de la zona. Finalmente se realizaron comparaciones entre los MDE para evaluar la dependencia de la resolucin espacial y se obtuvo el MDE de mayor representatividad de los tipos de relieve de la cuenca del Ro Gey. RESULTADOS Y DISCUSIN La Figura 1, seala la variacin del ndice de rendimiento borroso (FPI) en funcin del nmero de clases con coeficientes de borrosidad () comprendidos entre 1,1 y 1,6, para el MDE de 8 m. El nmero de clases morfomtricas ms adecuado se obtuvo con 11 clases para los MDE de 8, 15 y 20 m, y 10 clases para el MDE de 10 m, combinados con un =1,2.

1,1 1,2 1,3 1,4 1,5 1,6

Figura 1. Variacin del ndice de rendimiento borroso (FPI) en funcin del nmero de clases.

En el Cuadro 1 se detalla el valor de los centroides de cada una de las clases morfomtricas del modelo generado por el FKCN, especficamente para el MDE de 8 m de resolucin espacial. Los MDE de 10, 15 y 20 m presentan tendencias similares entre las clases obtenidas, y la clasificacin final se presenta en la Figura 2, en la cual las clases A hasta H se relacionan con paisajes de montaas; las clases I, J y K se corresponden con paisajes de piedemonte, y las clases L y M pertenecen a paisajes de valles (coluvio-aluviales y aluviales). En cuanto al significado geomorfolgico de las 11 clases obtenidas en la clasificacin final, se tiene lo siguiente: la clase A corresponde a laderas de paisaje de

montaa alta (Formacin Geolgica Las Brisas), con 1090 msnm, orientadas hacia el Sur, pendiente de 33 % y forma topogrfica divergente (convexa-convexa), lo que favorece el transporte y la prdida de materiales; el ndice de vegetacin es bajo. Las clases D y F tambin se corresponden con laderas de montaas altas con alturas superiores a los 1100 msnm, con orientacin Oeste y Este respectivamente, y pendientes mayores al 40 %, con formas convexa-convexa, tienen menores reas de captacin y bajos ndices de humedad. El NDVI de ambas clases es de moderado a alto. Estas condiciones hacen que la clase F presente facilidad para favorecer la escorrenta y el transporte de sedimentos.
Cuadro 1. Centroides del modelo generado con 11 clases y exponente borroso de 1,2 en la cuenca del Ro Gey.
Clase A B C D E F G H I J K Alt (m) 1090 598 808 1160 616 1125 778 459 460 800 453 Asp S W W W SE E E E W S S Area_C 2410 1273 2782 3075 1438 2408 1791 3097 3868 24121 13638 Hum 5,7 5,2 5,4 5,7 5,3 5,7 5,2 8,6 8,7 7,0 9,9 ITS 14,3 17,8 24,3 20,4 16,9 18,8 19,7 1,4 1,4 17,8 1,0 Atributos Pend (%) 32,9 44,7 51,5 42,7 41,3 40,4 46,9 3,8 3,6 24,3 2,0 Perfil_C Plano_C 0,042 0,044 -0,010 0,064 -0,029 -0,022 0,041 0,012 0,006 0,055 0,041 0,006 -0,009 0,023 -0,017 -0,006 -0,019 -0,004 -0,089 -0,130 -0,010 -0,012 IFP 89 69 158 134 72 109 98 25 29 600 65 NDVI 0,07 0,09 0,14 0,14 0,06 0,09 0,08 0,07 0,07 0,16 0,07

Las clases E y G se corresponden con laderas de montaas ms bajas que las anteriores, entre 616 y 778 msnm, con pendientes que varan entre 41 y 47 % y formas complejas convexa-convexa y cncava-convexa respectivamente; el rea de captacin es baja a moderada, al igual que el ndice de humedad, aunado a los bajos ndices de vegetacin, lo que genera alta susceptibilidad a los procesos erosivos, que son ms acentuados en la clase E (valores moderados a altos de ITS). Las clases B y C se corresponden con laderas de montaas que se encuentran distribuidas tanto en la Formacin geolgica Las Brisas como en Las Mercedes; ambas presentan orientacin hacia el Oeste. Sin embargo, la clase C presenta alturas de 808 msnm, pendientes superiores a 52 %, un alto ndice de vegetacin, baja rea de captacin y bajo ndice de humedad; adems presenta elevados valores de ITS e IFP. La clase B ocupa posiciones ms bajas (598 msnm) y pendientes menores a 45 % con formas topogrficas complejas (cncava-cncava y cncava-cncava, respectivamente); tiene un mayor NDVI y menores valores de ITS que la clase B, lo cual la hace menos susceptible a los procesos de erosin. La clase J se corresponde con los valles coluvio-aluviales (Formacin Geolgica Las Brisas), a 800 msnm, pendientes de 36 %, orientadas hacia el Sur y formas topogrficas convergentes (cncava-cncava); presenta una vegetacin de bosque de galera, alto ndice de humedad y un rea de captacin superior al resto de las clases presentes; adems, los valores del IFP tambin son los ms elevados en toda la cuenca estudiada, pero el potencial erosivo del flujo superficial es amortiguado por la vegetacin existente.

a)

b)

c)

d)

Figura 2. Clases obtenidas utilizando diferentes resoluciones espaciales: a) MDE 8 m, b) MDE 10 m, c) MDE 15 m, y d) MDE 20 m.

Las clases H e I presentan alturas comprendidas entre 459 y 460 msnm, con pendientes de planas a ligeramente inclinadas que oscilan entre 3 y 4 %; estas se orientan en sentido Este y Oeste respectivamente, y presentan forma topogrfica convergente (cncava-cncava); tienen moderados valores de rea de captacin y altos ndices de humedad, pero los ndices de transporte de sedimentos son bajos. Estas descripciones caracterizan a zonas de transicin entre los paisajes montaosos y las reas de pendientes planas, relacionndose con los paisajes de piedemonte presentes en la cuenca. La clase K se relaciona con las zonas ms bajas de la cuenca, correspondindose a vegas de valles aluviales; presentan pendientes planas (<2 %), con forma topogrfica convergente de ligera concavidad; alto ndice de humedad, elevada rea de captacin y bajo ndice de vegetacin debido al alto grado de intervencin de la parte baja de la cuenca. En el Cuadro 2 se presenta la dependencia de la resolucin de las diferentes clases morfomtricas, mostrando la proporcin de pxeles clasificados en cada unidad morfolgica. Los resultados evidencian que existe dependencia relacionada con el tamao del pxel del MDE en muchas de las clases obtenidas. En este sentido, se tiene que aunque hay clases similares entre cada MDE (clases A y B), tambin existen otras que presentan cierto grado de confusin posiblemente por el efecto de borde en zonas de transicin (clases I, J, K). Adems, algunas clases no son reconocidas en todos los niveles de resolucin y desaparecen con algunos de los tamaos de pxeles ensayados; tal es el caso de las clases G, H y K.

Cuadro 2. Dependencia de la resolucin de las clases morfomtricas determinadas en la zona de estudio.

Clase A B C D E F G H I J K L Total 8m 18,6 19,1 10,7 12,2 12,0 4,2 9,7 0,0 2,3 1,0 4,3 6,1 100 Resolucin del MDE 10 m 15 m 16,6 14,7 19,9 19,8 9,8 6,6 12,9 9,1 18,2 8,7 7,2 9,3 0,0 11,5 0,0 11,1 2,7 0,9 1,2 3,6 3,3 0,0 8,1 4,6 100 100 20 m 15,1 21,2 12,8 9,9 14,5 12,9 0,0 0,0 1,3 1,1 4,8 6,4 100

CONCLUSIONES La aplicacin de las tcnicas de clasificacin neuro-borrosa permiti obtener resultados comparables a los realizados mediante mtodos tradicionales para elaborar mapas geomorfolgicos, ya que por medio de la interpretacin de los centroides de las clases derivadas, se logr definir clases morfomtricas coherentes con los tipos de relieve existentes. Por medio del ndice de rendimiento borroso se determin que la combinacin ms adecuada de coeficiente de borrosidad y nmero de clases morfomtricas est conformada por 11 clases y un coeficiente de borrosidad de 1,2. La evaluacin de la escala de dependencia de las clases morfomtricas a diferentes niveles de resolucin espacial indic que las unidades que contienen mayor proporcin de pxeles se corresponden con las clases B (ladera de montaas) y K (valle aluvial). Las clases E, F, G y H, no son consistentes en los MDE de 8 y 20 m de resolucin. La unidad correspondiente a la clase H, no es clasificada utilizando pxeles gruesos (20 m), pero son separadas al utilizar resoluciones de 15 m.

BIBLIOGRAFA Conrad, O. 2002. DIGEM 2.0. Free software for scientific and educational purposes. Germany, Gttingen. 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. ERDAS. 2005. Programa ERDAS versin 8.7. Earth Resources Data Analysis Systems.

Leica Geosystems Geospatial Imagine. Atlanta, C.A. ESRI. 2005. Programa ArcGIS versin 9.0. Environmental Systems Research Institute, Inc. Redlands, C.A. Minasny B.; McBratney, A.B., 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. Nez, Y. 2007. Relacin suelo-paisaje en un sector de la cuenca alta del Ro Gey, correspondiente a la Formacin Geolgica Las Brisas. Trabajo de Grado. Facultad de Agronoma. Universidad Central de Venezuela. Maracay, Venezuela. 191 p. Odeh, I.O.A.; McBratney, A.B.; Chittleborough, D.J. 1992. Soil pattern recognition with fuzzy c-means: application to classification and soil landform interrelationships. Soil Sci. Soc. Am. J. 56: 505- 516. 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. Viloria, J; Machado, G.; Nez, Y.; Elizalde, G.; Pineda, C. Prediccin de caractersticas de suelo a partir de un modelo digital de elevacin en un sector de la cuenca alta del Ro Gey, estado Aragua. Mimeografiado. Facultad de Agronoma. Universidad Central de Venezuela.20 p.