Inventario de suelos y paisajes con apoyo de técnicas de cartografía digital en ÁREAS montañosas. Caso cuenca del río Caramacate, Estado Aragua

Abstract

El desarrollo sustentable del país requiere con urgencia información de suelos a escalas apropiadas. Sin embargo, los métodos convencionales de levantamiento de suelos son lentos, costosos y limitan la producción de esta información con la prontitud requerida, especialmente en sistemas dinámicos, complejos y de difícil acceso como los ambientes montañosos. La evolución de las tecnologías geoespaciales como los sistemas de información geográfica (SIG) y la teledetección, el desarrollo de las técnicas geomorfométricas y el avance de los métodos estadísticos multivariados y las tecnologías de inteligencia artificial, tales como las redes neuronales artificiales y la lógica borrosa, ofrecen nuevas oportunidades para superar esta limitación y producir información edáfica de manera más eficiente, con adecuada precisión y exactitud, en el menor tiempo posible. Con la finalidad de proponer un enfoque de cartografía digital, alternativo al levantamiento de suelos convencional para la producción de información confiable de suelos y paisajes en cuencas altas a nivel semidetallado, se seleccionó un área de referencia en la cuenca del río Caramacate (tributario del río Guárico), en un sector de la Serranía del Interior de la Cordillera de la Costa, en el estado Aragua, Venezuela. Para la obtención de las unidades de paisaje se realizó una clasificación cuantitativa no supervisada, basada en una red de agrupamiento borroso de Kohonen (FKCN). Se realizaron evaluaciones de modelos digitales de elevación (MDE) de diferentes resoluciones espaciales (8, 10, 15 y 20 m), se seleccionó el modelo más representativo y se obtuvo un total de 10 clases digitales de superficie de terreno que fueron correlacionadas a nivel de tipos de relieve, cuyo significado geomorfológico se interpretó a través de su distribución espacial, de las descripciones de los centros de clases y las funciones de pertenencia generadas en la capa de salida de la red. Se realizó además un muestreo anidado de 5 niveles jerárquicos, para analizar la estructura de variación espacial de los atributos edáficos a varias escalas: Unidades litogeomorfológicas, tipo de paisaje, tipo de relieve o clases digitales de superficie de terreno, ventana 3x3 celdas y en una celda (15m) de resolución espacial, lo cual generó un esquema balanceado de 64 observaciones (n=2x2x2x4x2). Se determinó que el nivel que contribuyó con mayor proporción a la varianza total de los suelos es el tipo de relieve (laderas de montaña), indicando que las clases de superficie de terreno representan un nivel apropiado para realizar posteriores muestreos, interpolaciones y la generalización de atributos, con énfasis en la cartografía digital de suelos a escalas comprendidas entre 1:20.000 y 1:100.000. Se aplicaron técnicas de cartografía digital de propiedades del suelo tomando en cuenta las clases del modelo digital de superficie de terreno, la geomorfología y la estructura de la variabilidad espacial del suelo. Para ello, se utilizaron cuatro enfoques de inferencia para la representación cartográfica de propiedades de los suelos basada en sitios de muestreo. El primero, es un modelo de inferencia espacial suelo-paisaje combinado con teorías de conjuntos borrosos (FCM), el segundo se basa en un análisis de regresión lineal múltiple (RLM); el tercero es un enfoque que combina el análisis de regresión lineal múltiple con técnicas de interpolación (RK, Kriging de Regresión), y el cuarto, se refiere a la combinación de técnicas neuro-borrosas FKCN con la interpolación de residuos (FKR). La evaluación de la confiabilidad de los modelos de predicción permitió determinar que la exactitud está relacionada con la estructura de variación de las propiedades de los suelos, ya que es alta cuando la mayor variación ocurre a nivel del tipo de relieve y paisaje, y es baja cuando existe una alta variación de corto alcance. Los mapas de cada propiedad del suelo se integraron utilizando dos técnicas de inferencia espacial fundamentadas en tecnologías de inteligencia artificial. La primera consistió en la aplicación del algoritmo de agrupamiento neuro-borroso FKCN, empleando once conjuntos de neuronas artificiales como capas de entrada al sistema, para la obtención final de un modelo digital con nueve clases para el enfoque FCM-FKCN, y diez clases de suelo locales para los enfoques RK-FKCN y FKR-FKCN. La segunda técnica, se basó en la aplicación de un modelo suelo-paisaje combinado con teorías de conjuntos borrosos para un grupo de categorías taxonómicas preestablecidas. Finalmente, los resultados obtenidos se sintetizaron como una propuesta de cartografía digital para la generación de información de suelos y paisajes en áreas montañosas.