AGRUPAMIENTO DE SUELOS CON REDES NEURONALES DE MAPAS AUTOORGANIZADOS EN PAISAJES DE MONTAÑA EN LA REGIÓN CENTRO NORTE DE VENEZUELA

Resumen

La agrupación de suelos en clases contribuye a reducir la complejidad de la información, recordar las principales características de los grupos de suelos y comprender las relaciones entre estos grupos. En este estudio se aplicó la red neuronal artificial “mapas autoorganizados (Self-Organizing Maps) de Kohonen” para identificar clases locales de suelos en un sector de la cuenca alta del río Guárico, en la región Centro Norte de Venezuela. Los datos consistieron en variables medidas en 108 perfiles representativos de la variabilidad de suelos observada en el área de estudio. Las variables de entrada a la red neuronal incluyeron perfil de suelo, espesor del horizonte A, espesor del horizonte B, espesor del solum, profundidad efectiva, contenido de elementos gruesos, contenido de arcilla y arena, pH en agua, capacidad de intercambio catiónico, porcentaje de saturación con bases, calcio cambiable y carbono orgánico del suelo. La calidad de la clasificación obtenida se evaluó por medio de un análisis discriminante canónico para todas las variables de suelo consideradas y un análisis de varianza para cada variable por separado. El análisis discriminante canónico reveló una mayor variación entre las clases que la variación dentro de ellas y el análisis de varianza demostró que la clasificación permite predecir los valores de las variables consideradas, con excepción del espesor del horizonte A y de los porcentajes de arena, arcilla y carbono orgánico. La relación entre las clases de suelo obtenidas y las geoformas identificadas en un estudio previo se comprobó por medio de un coeficiente de contingencia. Finalmente se asignó cada clase local de suelo a una familia de la Taxonomía de Suelos del Departamento de Agricultura de los EUA.

Abstract:
Grouping soils into classes helps to reduce the complexity of the information, remember the main characteristics of the soil groups, and understand the relationships between these groups. is study applied the artificial neural network “Kohonen Self-Organizing Maps” to identify local soil classes in a sector of the upper Guárico River basin, in the North Central region of Venezuela. e data consisted of soil variables measured in 108 soil profiles, representative of the soil variability observed in the study area. Input variables to the neural network included soil profile, thickness of the A horizon, thickness of the B horizon, thickness of solum, effective depth, coarse fragment content, clay and sand percent, pH in water, cation exchange capacity, percent base saturation, exchangeable calcium and organic soil organic carbon. e usefulness of the obtained soil classes was evaluated by means of a canonical discriminant analysis for the whole set of soil variables and an analysis of variance for each variable separately. e canonical discriminant analysis revealed a greater between-class variation than the within-class variation. e analysis of variance showed that the classification is useful to predict the values of the variables considered, except for thickness of the A horizon, sand percent, clay percent and soil organic carbon. e relationship between the obtained soil classes and the geoforms identified in a previous study was verified by means of a contingency coefficient. Finally, each local soil class was assigned to a family of the Soil Taxonomy.