SABER UCV >
2) Tesis >
Doctoral >

Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/123456789/9743

Título : Inventario de suelos y paisajes con apoyo de técnicas de cartografía digital en ÁREAS montañosas. Caso cuenca del río Caramacate, Estado Aragua
Autor : Valera Valera, Ángel Rafael
Palabras clave : Clases digitales
Conjuntos borrosos
Geomorfometría
Inteligencia artificial
Paisaj
Redes neuronales
Suelos
Fecha de publicación : 9-Jun-2015
Citación : 2014;1388-002
Resumen : 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.
Descripción : Sustainable development of the country urgently needs soil information at appropriate scales. However, conventional methods of soil survey are slow and expensive, and limit the production of this information with the requisite promptness, especially in dynamic, complex and difficult as mountain environments. The evolution of geospatial technologies such as geographic information systems (GIS) and remote sensing, the development of geomorphometric techniques, and the progress of the multivariate statistical methods and artificial intelligence technologies, such as artificial neural networks and fuzzy logic provide new opportunities to overcome this limitation and produce soil information more efficiently, with adequate precision and accuracy in the shortest time possible. In order to propose a digital mapping approach, an alternative to conventional soil survey for the production of reliable soil of semidetailed level, in upper watersheds and landscapes, we selected a reference area in the Caramacate river basin (Guárico river tributary) on the mountains of North-Central from Aragua state, Venezuela. To obtain the landscape units underwent quantitative unsupervised classification based on fuzzy Kohonen clustering network (FKCN). MDE evaluations were conducted in different spatial resolutions (8, 10, 15 and 20 m) was selected the most representative model and obtained a total of 10 digital classes of land surface, meaning geomorphological was through the interpretation of the spatial distribution of descriptions of the class centers and the similarity values generated in the output layer of the network. For the study of soils sampled five nested hierarchical levels, to analyze the structure of spatial variation in soil attributes at various scales of variation: lithological units, landscape type, relief type or digital classes of land surface, a window 3x3 and in a cell (15 m) spatial resolution, which generated a total of 64 observations (2x2x2x4x2). It was determined that the level that contributed most to the total variance of the soil is the relief type (mountain slopes), indicating that digital classes of land surface are considered an appropriate level for subsequent sampling, interpolation and generalization of attributes, with emphasis on digital soil mapping at scales between 1:20,000 and 1:100,000. Techniques were applied digital soil mapping considering digital model classes or digital classes of land surface, geomorphology and structure of soil spatial variability. To do this, four approaches to inference for mapping of soil properties based on sampling sites were used. The first is a model of soil-landscape spatial inference combined with theories of fuzzy sets (FCM), the second is based on a multiple linear regression (MLR), the third is an approach that combines regression analysis multiple linear with interpolation techniques (RK, Regression Kriging), and the fourth combining means neuro-fuzzy techniques FKCN with residuals interpolation (RKF). Assessing the reliability of prediction models allowed us to determine that the accuracy is related to the structure of variation in soil properties as it is high when the greatest variation occurs at the type of terrain and lndscape, and is low when a short range high variation exists. The maps of each soil property were integrated using two spatial inference techniques: the first based on the algorithm of neurofuzzy clustering FKCN using eleven sets of artificial neurons as input layers to the system to obtain a final digital model nine classes for the FCM-FKCN approach and ten soil class for RKFKCN and RKF-FKCN approaches. The second technique is based on the application of a soillandscape model combined with theories of fuzzy sets for a group of pre-established taxonomic categories. Finally, the results obtained are synthesized as a proposal for digital mapping information generation soils and landscapes in mountainous areas.
URI : http://saber.ucv.ve/jspui/handle/123456789/9743
Aparece en las colecciones: Doctoral

Ficheros en este ítem:

Fichero Descripción Tamaño Formato
FINAL_DEFENSA_AngelValera.pdf4.11 MBAdobe PDFVisualizar/Abrir

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.

 

Valid XHTML 1.0! DSpace Software Copyright © 2002-2008 MIT and Hewlett-Packard - Comentarios