7/24/2019 IDI-008-AV

1/7

1

CARTOGRAFA DIGITAL DE PROPIEDADES DE SUELO POR MEDIO DECLASIFICACIN NEURO-BORROSA Y KRIGING

ANGELVALERA1;JESUSARNALDOVILORIA2;MARIACORINAPINEDA 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

2Universidad Central de Venezuela, Facultad de Agronoma, Instituto de Edafologa, e-mail:viloriaj@agr.ucv.ve

3Universidad Central de Venezuela, Facultad de Agronoma, Instituto de Edafologa, e-mail:maria.c.pineda@ucv.ve

RESUMEN

En reas montaosas con alta incidencia de movimientos en masa la heterogeneidad del manto superficialcomnmente hace difcil la produccin de mapas de suelos. Adems, las restricciones de acceso debido a lacomplejidad del relieve dificultan el muestreo de suelos. En estas circunstancias, el anlisis cuantitativo deterreno, a travs de atributos derivados de modelos de elevacin digital e imgenes de satlite, pueden ser unaalternativa para producir modelos de inferencia espacial de propiedades del suelo. En una investigacin previase aplic exitosamente una red neuronal de agrupamiento borroso (FKCN, Fuzzy Kohonen ClusteringNetwork) para identificar clases de superficie de terreno en la cuenca del ro Caramacate en el centro norte deVenezuela. En esta investigacin se utilizaron esas clases de superficie de terreno para predecir valores de

propiedades qumicas del suelo, complementadas con la interpolacin por krigingde los errores residuales deesas predicciones. La evaluacin de los modelos finales de prediccin revel un moderado a alto grado deconcordancia entre valores predichos y observados de las propiedades del suelo analizadas, en puntos devalidacin. En particular, el grado de acuerdo fue 92% para el pH del suelo, 91% para Ca intercambiable y88% 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 DEINTERCAMBIO CATINICO, CATIONES INTERCAMBIABLES, SATURACIN CON BASES

DIGITAL MAPPING OF SOIL PROPERTIES BY NEURO-FUZZYCLASSIFICATION AND KRIGING

ABSTRACTIn mountainous areas with high incidence of landslides the heterogeneity of the surface mantle often makes itdifficult to produce soil maps. Moreover, access restrictions due to the topographic complexity difficult soilsampling. Under these circumstances, quantitative analyses of terrain attributes derived from digital elevationmodels 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) wassuccessfully 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 observedvalues of the analyzed soil properties, at independent validation points. In particular, the degree of agreementwas 92% for soil pH, 91% for exchangeable Ca and 88% for soil organic carbon. The applied method provedto 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, EXCHANGEABLECATIONS, BASE SATURATION

7/24/2019 IDI-008-AV

2/7

2

INTRODUCCIN

Las tecnologas emergentes han creado nuevasoportunidades para apoyar los mtodos delevantamiento cuantitativo de suelos, que generan

predicciones de propiedades edficas individualescon mayor precisin y exactitud. En la actualidadse han aplicado numerosos modelos estadsticospara la interpolacin de propiedades del suelo, entrelos que destacan los mtodos geoestadsticos, loscuales muchas veces son prohibitivos por laexigencia en cuanto al nmero de muestras y lareducida extensin geogrfica. Sin embargo, uno delos desarrollos metodolgicos ms significativospara el estudio de las relaciones suelo-paisaje sonlos mtodos predictivos que combinan las tcnicasde inteligencia artificial con la interpolacin de sus

residuales (Hengl et. al., 2007; Zhu et. al., 2010;Sun et. al.,2012). Este mtodo de anlisis, aunadoal desarrollo de los sistemas de informacingeogrfica (SIG), apoyados con informacinauxiliar de adecuada resolucin espacial, talescomo MDE y sus derivados (grado de pendiente,orientacin de la pendiente, posicin relativa,curvatura vertical, curvatura horizontal, rea decaptacin, ndice topogrfico de humedad y elndice de transporte de sedimentos), e imgenes desatlite, ofrecen nuevas oportunidades para superarlas limitaciones de los levantamientos

convencionales, y as, producir informacin edficade manera ms eficiente, con adecuada precisin yexactitud, en el menor tiempo posible.

En esta investigacin se aplica una red deagrupamiento neuro-borroso (FKCN) combinadocon krigingde residuales (KR) con la finalidad degenerar modelos de prediccin de variaspropiedades qumicas del suelo, a partir devariables ambientales derivadas de MDE eimgenes satelitales en un sector de paisajes demontaas de la cuenca del ro Caramacate. Laspropiedades edficas empleadas para la generacin

de los modelos de prediccin, estn relacionadascon la necesidad de aportar informacin de granutilidad para la planificacin. La aplicacin demodelos ambientales y agrcolas (e.g.hidrolgicos,de erosin, de cambio climtico, de evaluacin detierras) requiere valores de propiedades especficas

del suelo como parmetros de entrada. Por talrazn, se consideraron algunas propiedadesintrnsecas del suelo para la aplicacin de modelosenmarcados en la disponibilidad y retencin denutrientes, donde destacan el contenido de carbono

orgnico (CO), la capacidad de intercambiocatinico (CIC), los contenidos de Calcio yMagnesio intercambiables (Ca y Mg), el porcentajede saturacin con bases (PSB) y la reaccin delsuelo (pH).

MATERIALES Y MTODOS

Datos de Suelos

El conjunto total de datos en la zona de estudioseleccionada en la cuenca del ro Caramacate estconformada por 116 perfiles de suelo en una

superficie de 6.760 ha, distribuidas sobre cuatroformaciones litogeomorfolgicas: las metatobas deEl Cao-El Chino (VCc), las metalavas de ElCarmen (VCca), los sedimentos aluvialesacarreados por el ro Caramacate (Qcca) y losmantos coluvio-aluviales (Cc).

Clases Digitales de la Superficie de Terreno

Para la obtencin de clases digitales de superficiede terreno (clases DST) se utiliz un modelo digitalde elevacin (MDE), una imagen satelital de 15 mde resolucin espacial, un modelo de precipitaciny un mapa de las unidades litogeomorfolgicas. ElMDE se emple para derivar mapas de covariablesambientales o atributos morfomtricos, tales como:altitud (m), pendiente (rad), orientacin de lapendiente (rad), posicin relativa, curvatura vertical(m.m-1), curvatura horizontal (m.m-1), rea decaptacin (m2), ndice topogrfico de humedad y elndice de transporte de sedimentos. El ndice devegetacin de diferencia normalizada (NDVI) secalcul con las bandas roja e infrarroja de laimagen.

Para el agrupamiento de las covariables

ambientales se aplic una red de agrupamientoborroso (FKCN, Fuzzy Kohonen ClusteringNetwork) (Kohonen, 1982), Bezdek et. al., 1992;Viloria, 2007), lo que gener diez clases digitalesde superficie de terreno (DST) que representanunidades de paisaje.

7/24/2019 IDI-008-AV

3/7

3

El algoritmo FKCN tiene la capacidad de generarrepresentaciones de los valores de similitud ofunciones de membresas neuro-borrosas (Sij

k) enformato raster, con valores comprendidos entre 0 y1.

Modelo de Inferencia: Kriging combinado con Redes

Neuronales ArtificialesEste enfoque mixto fue denominado FKR. Elmtodo combina un modelo de redes neuronalesartificiales (RNA), con un modelo estocsticobasado en la interpolacin (kriging) de losresiduales (KR) obtenidos por las redes neuro-borrosas FKCN, la cual genera mapas de unidadesde suelo-paisaje.

Produccin de mapas de propiedades del suelocon FKCN

Para la estimacin del valor de una propiedad de unsuelo determinado (Vij) se utiliz la funcin linealde 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 delsuelo en el sitio (i,j); Vkes el valor observado de lapropiedad del suelo para una clase k (clase DST);Sij

kes el valor de similitud de la propiedad del suelo

en un sitio (i,j)obtenido con el algoritmo FKCN;nes el nmero de clases DST en el rea de inters. Elvalor tpico de una propiedad para un determinadosuelo (Vk) se obtuvo con los valores promedios delos datos en cada clase DST.

Las clases DST fueron subdivididas de acuerdo conlas unidades litogeomorfolgicas dominantes en elsector, con la finalidad de incorporar lasvariaciones aportadas por el material parental de lossuelos. De esta manera, se utilizaron los mapas enformato raster de los valores de pertenencia

correspondiente a las 20 clases DST presentes en elsector de estudio de la cuenca del ro Caramacate.

La sumatoria del producto de los valores promediosde cada propiedad edfica por el mapa raster de losvalores de similitud a las clases DST en cadalocalizacin, permiti la estimacin de los valores

de las propiedades qumicas del suelo en toda elrea de estudio (Mapas FKCN).

Produccin de mapas con interpolacin deresiduos FKCN

Una vez generados los mapas de propiedades

edficas con FKCN, se obtuvieron los errores y serealiz un anlisis geoestadstico. Para laestimacin de los semivariogramas empricos de losresiduos se emple el programa Vesper 1.6(Minasny et al., 2005), y para el ajuste de dichossemivariogramas a modelos matemticos se utilizel mtodo dekrigingordinario (Mapas KR).

La suma de los mapas FKCN y KR gener unmodelo de distribucin espacial de cada propiedadqumica del suelo. Los cambios que ocurren con lasvariaciones 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 sonrepresentados como Mapas FKR, capaces demostrar la distribucin de la variabilidad de laspropiedades qumicas en el rea de estudio.

Evaluacin de los Modelos de Prediccin

Para la evaluacin de la bondad de ajuste de losmodelos de prediccin de las propiedades del suelose utiliz el coeficiente de determinacin mltipleajustado (R2a), la suma del cuadrado de losresiduales (SSE) y la raz del error cuadrtico medio(RMSE) (Hengl et. al., 2004).

Evaluacin de la Confiabilidad de los Modelosde Prediccin

Para la evaluacin de la exactitud de los modelosde prediccin de las propiedades de los suelosgenerados, se utilizaron cuatro (4) ndices: el errormedio de prediccin (MPE), el error medioabsoluto (MAE), la raz del error cuadrtico mediode prediccin (RMSPE) y el coeficiente deconcordancia (AC). El MPE evala el errorsistemtico e indica la presencia de subestimacin osobrestimacin del modelo, el MAE garantiza queel resultado del error sea estrictamente positivo y elRMSPE evala la precisin de la prediccin. Elcoeficiente de concordancia (AC) es una medidadel grado del error de prediccin de los modelosnormalizados y vara entre 0 y 1. Un valor

7/24/2019 IDI-008-AV

4/7

4

calculado de 1 indica un acuerdo perfecto entre losvalores medidos y predichos, y un valor de 0 indicaque no hay acuerdo o existe un desacuerdo totalentre los valores estimados y los observados. Elndice representa la relacin entre el errorcuadrtico medio y el error potencial (PE)

(Willmott, 1984).Para el ajuste y desarrollo de los modelos se utilizel 70% de los perfiles de suelo y para la validacinse emple un conjunto de datos independientesequivalentes al 30%.

RESULTADOS Y DISCUSIN

Generacin de los Modelos de Prediccin dePropiedades del Suelo

Modelos de redes neuronales borrosas

La suma de los mapas de las propiedades edficasobtenidos por FKCN y los mapas de lainterpolacin de los residuos, generaron losmodelos de prediccin de propiedades del suelo, loscuales presentaron los resultados de la bondad deajuste expresados en el Tabla 1. Se observa que laestimacin del R2a arrojados por los modelos FKRen promedio son moderados a altos, y en conjuntologran a explicar el 69% de la variabilidad presenteen los suelos del sector evaluado, en la cuenca delro Caramacate.

Tabla 1. Indicadores de la bondad de ajuste de losmodelos de prediccin de propiedades del suelo conFKR.

Propiedad n R2a SSE RMSE

CO (%) 95 0,47 7 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 7 0,3

R2a: Coeficiente de determinacin ajustado, SSE: Sumade Cuadrado de Residuos, RMSE: Raz del ErrorCuadrtico Medio, CO: Carbono orgnico, CIC:Capacidad de intercambio catinico, Ca: Calcio

cambiable, Mg: Magnesio cambiable, PSB: Porcentajede saturacin con bases.Fuente: Elaboracin propia

De igual manera, la variacin residual (SSE) o lavariacin no explicada por el mtodo de prediccin,presenta grandes diferencias influenciadas por lamagnitud de los valores de las propiedades. Lasvarianzas residuales de las variables PSB y CIC sonlas ms grandes, indicando un menor ajuste entre elgrado de dependencia entre los valores observadosy estimados por los modelos FKR. Por otra parte, laSSE es ms pequea en CO y pH (con RMSEcercano cero), donde la varianza explicada esmayor, y por consiguiente el ajuste del modelo esms aceptable.

Anlisis Geoestadstico

La evaluacin los componentes aleatorios(residuos) con el mtodo kriging ordinario, arrojlos resultados indicados en el Tabla 2.

En cuanto al anlisis estructural de la interpolacinde los residuos, los semivariogramas presentaronun alcance comprendido entre 104 y 2.933 m parapropiedades del suelo con moderada y altadependencia espacial. Para el conjunto de datos, losresiduos de los modelos FKCN interpolados

presentaron autocorrelacin espacial. Laspropiedades que presentaron una alta dependenciaespacial fueron: CO, Ca, Mg, y las restantes (CIC,PSB, pH) mostraron una moderada dependenciaespacial. Los residuales de las propiedades con altadependencia espacial presentan una varianzaaleatoria relativa (NR) de 4,8% en promedio.

Tabla 2. Parmetros geoestadsticos obtenidos de losvariogramas de los residuales de las variables edficas.

Propiedad C0+C1 A (m) RMSE AIC NR (%)

CO (%) 0,15 104 0,02 54 12,2

CIC 114,3 1.453 12 79 35,8

Ca 14,7 114 5 87 0,7

Mg 249,6 747 6 72 1,6

7/24/2019 IDI-008-AV

5/7

5

PSB (%) 628,2 2.674 148 129 34,9

pH 0,17 2.933 0,02 6 35,5

C0: Varianza Nugget, C1: Varianza Estructural, C0+C1:Umbral, A: Alcance, RMSE: Raz del Error CuadrticoMedio, AIC: Criterio de Informacin de Akaike, NR:(C0/C0+C1)*100, CO: Carbono orgnico, CIC:Capacidad de intercambio catinico, Ca: Calciocambiable, Mg: Magnesio cambiable, PSB: Porcentajede saturacin con basesFuente: Elaboracin propia

Es importante indicar que la mayora de lossemivariogramas de los residuos present unamayor facilidad para el ajuste de los modelosesfricos y exponenciales que las variablesoriginales, lo que posteriormente contribuy almejoramiento del proceso de interpolacin final de

los modelos obtenidos por RNA.

Descripcin de los Modelos de Prediccin dePropiedades QumicasLos valores inferidos acerca de las variablesconsideradas se representan como modeloscontinuos de variacin espacial en la Figura 1. Elcontenido de carbono orgnico es claramentemayor, mientras que los contenidos de calcio ymagnesio intercambiable, el PSB sonmarcadamente menores en la regin oriental de lacuenca. En este sector existen condiciones micro

climticas de alta precipitacin y vegetacin debosques siempre verde combinadas con un relievealtamente accidentado, cuya influencia ha originadosuelos evolucionados con evidencia de lavado debases cambiables y acumulaciones de carbonoorgnico.

El comportamiento espacial del pH de los suelosexplica los rasgos edafolgicos en la zona central yoccidental del rea evaluada, ya que en lasposiciones geomorfolgicas de las laderas dominanreacciones moderadamente cidas, hacindosemenos cidas en las partes bajas, a nivel de lneasde drenaje y en los paisajes de vallesintramontanos. Las diferencias tambin son bienmarcadas en la regin Noreste, donde lasreacciones son fuertemente cidas, con bajoscontenidos de Ca, Mg, PSB y altos contenidos dealuminio intercambiable y carbono orgnico.

Evaluacin de la Confiabilidad de los Modelos dePrediccin

Los resultados de la evaluacin de la exactitud delos modelos FKR obtenidos con el conjunto dedatos independientes para la validacin se indican

en el Tabla 3. El MAE presenta valores inferiores ala desviacin estndar para la mayora de laspropiedades consideradas, argumentando unaprecisin moderada para dichos modelos y el MPEes indicativo de la moderada a alta confiabilidad, yaque solamente el PSB es subestimado bajo esteenfoque.

El ndice AC presenta un moderado a alto grado deconcordancia para la mayora de las propiedades,sobresaliendo el pH, el Ca intercambiable y CO con92, 91 y 88% de acuerdos, respectivamente. Elcoeficiente de concordancia manifiesta una

exactitud promedio superior al 83% para elconjunto de propiedades qumicas de los suelosevaluados.

Tabla 3.Evaluacin de la exactitud de los modelos deprediccin de propiedades qumicas del suelo medianteFKR

Propiedad MAE RMSPE AC S MPE

CO (%) 0,1 0,1 0,88 0,2 0,03CIC 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 -0,99PSB (%) 7,6 9,6 0,79 12,2 2,13pH 0,1 0,2 0,92 0,3 -0,03

MAE: Error medio absoluto, RMSPE: Error cuadrticomedio 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

7/24/2019 IDI-008-AV

6/7

6

Figura 1. Modelos continuos de variacin espacial delas variables CO, CIC, Ca, Mg, PSB y pH.Fuente: Elaboracin propia

CONCLUSIONES

La aplicacin del enfoque FKR permiti laevaluacin de la variabilidad de las propiedadesqumicas del suelo desde el punto de vista dedisponibilidad y retencin de nutrientes, a travs delas unidades de paisaje del sector estudiado en lacuenca del ro Caramacate.

El grado de concordancia entre los valoresobservados y estimados fue superior al 83%, lo cualindica una moderada a alta relacin entre laspropiedades qumicas del suelo y las condicionesambientales.

El mtodo combinado FKR, demostr fortalezas enla evaluacin conjunta de la variabilidad espacialglobal y local, en la capacidad predictiva, en lasencillez de los modelos de propiedades qumicasdel suelo y en la facilidad para la interpretacin delas relaciones suelo-paisaje.

Los resultados de la aplicacin del enfoque FKRproporciona a la cartografa digital de suelo unaalternativa que puede contribuir a mejorar la tomade decisiones para resolver los problemas

ambientales y limitaciones agronmicas locales degran importancia, al proporcionar predicciones depropiedades qumicas del suelo con adecuadaexactitud, que capturan la variabilidad de lasrelaciones suelo-paisaje en el sector estudiado de lacuenca del ro Caramacate.

AGRADECIMIENTO

Esta investigacin fue apoyada por fondosprovenientes de la Ley Orgnica de Venezuela parala Ciencia y Tecnologa (LOCTI) y del Consejo deDesarrollo Cientfico y Humanstico de laUniversidad Central de Venezuela (CDCH-UCV).Tambin damos las gracias al International Centrefor Theoretical Physics (Trieste-Italia) por el apoyofinanciero y becas.

REFERENCIAS

BEZDEK, J.C., TSAO, E.C., PAL, N.R. (1992).Fuzzy Kohonen Clustering Networks, in Proc.IEEE Int. Conf. on Fuzzy Systems (SanDiego), pp. 1035-1043.

HENGL, T., HEUVELINK, G.B., STEIN, A.(2004). A generic framework for spatialprediction of soil variables based on regressionkriging. Geoderma122 (1-2): 75-93.

HENGL, T., HEUVELINK, G.B., ROSSITER,D.G. (2007). About regression-kriging: Fromequations to case studies. Computers &Geosciences33: 1301-1315.

JENNY, H. (1941). Factors of Soil Formation: ASystem of Quantitative Pedology. New York:McGraw-Hill. 281p.

KOHONEN, T. (1982). Analysis of a simple self-organizing process. Biological Cybernetics 44:135-140.

MCBRATNEY, A.B., MENDONA, M.L.,MINASNY, B. (2003). On digital soilmapping. 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 ofSydney, NSW 2006.

SUN, W., MINASNY, B., MCBRATNEY, A.B.(2012). Analysis and prediction of soil

7/24/2019 IDI-008-AV

7/7

7

properties using local regression-kriging.Geoderma171-172: 23-30.

VILORIA, A. (2007). Estimacin de modelos declasificacin de paisaje y prediccin deatributos de suelos a partir de imgenessatelitales 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 ofmodel 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 FuzzyMembership. Proceedings of the 2nd GlobalWorkshop on Digital Soil Mapping, July 4-7,

2006. Rio de Janeiro, Brazil. 6p.ZHU, Q., LIN, H.S. (2010). Comparing ordinarykriging and regression kriging for soilproperties in contrasting landscapes.Pedosphere20(5): 594-606.