Cartografía automatizada de unidades de paisaje en relieves montañosos

por medio de redes neuronales artificiales

Jesús Viloria R.1, Álvaro Viloria B.2, Haydemar Núñez3, Maria C. Pineda4
1,4
Universidad Central de Venezuela, Facultad de Agronomía, Instituto de Edafología, Maracay.
2,3
Universidad Central de Venezuela, Facultad de Ciencias, Escuela de Computación, Caracas.
1
viloriaj@agr.ucv.ve. 2 alvarovb@gmail.com.
Introducción
Extensas áreas en regiones montañosas de países tropicales y subtropicales se encuentran expuestas
a diversos grados de degradación ambiental, debido al impacto de usos no sostenibles de la tierra.
Sin embargo, la inminente necesidad de implantar sistemas de manejo sostenible de los recursos de
estos ecosistemas frágiles frecuentemente se encuentra limitada por la falta de información
confiable sobre suelos y geomorfología. Como en otras partes del mundo (e.g. Dobos et al., 2006),
en muchas regiones tropicales y subtropicales no se dispone de mapas de suelos a la escala
apropiada o su calidad es cuestionable.

El levantamiento convencional de suelos ha sido hasta ahora la fuente principal de información

geográfica de suelos pero es un proceso lento y costoso, particularmente en areas montañosas donde
la accesibilidad frecuentemente es difícil El desarrollo de la Geomática en las últimas décadas ha
generado nuevas opciones para modelar la variación espacial del paisaje a partir de datos de
relativamente fácil adquisición, como las imágenes satelitales y los modelos digitales de
elevación (McBratney, et al., 2003; Scull et al., 2003).

McBratney et al. (2003) revisaron diferentes métodos cuantitativos aplicados al modelado del suelo y
el paisaje, pero hasta ahora la regression lineal múltiple ha sido el enfoque más ampliamente utilizado
(e.g. Gessler et al., 1995; Chaplot et al., 2000; Park et al., 2001, Thompson et al., 2006). Esta
preferencia ha sido atribuida a la simplicidad, facilidad de uso e interpretación y eficiencia
computacional de las técnicas de regresión lineal múltiple (Hastie et al. 2001 and Thompson et al.
2006). Sin embargo, las relaciones entre las propiedades del suelo y el paisaje pueden ser bastante
complejas en lugar de lineales, particularmente en áreas extensas (Lark, 1999; Lagacherie and Voltz,
2000; McBratney et al., 2003; Zhao, 2009).

La clasificación borrosa (Fuzzy c-means) y las redes neuronales artificiales (RNA) son estimadores
numéricos apropiados para modelar el paisaje porque permiten trabajar con fenómenos imprecisos,
inciertos y con ruido, así como modelar procesos complejos no lineales. Cada uno de estos métodos
tiene ventajas y desventajas. Por esto se han propuesto algunas técnicas para unir ambos enfoques en
un sistema integrado que combine los méritos y supere las desventajas de cada método por separado.
Uno de estos métodos es la red neuronal borrosa de Kohonen (FKCN), el cual combina el algoritmo
para construir RNA conocido como “Mapas autoorganizados de Kohonen” (SOM) con la lógica
borrosa (Bezdek et al., 1992; Lin and Lee, 1996).

Este trabajo compara los enfoques FKCN y SOM (con dos diferentes funciones de vecindad:
euclideana y gaussiana) como medios para clasificar parámetros geomorfométricos calculados a partir
de un MDE y bandas de una imagen de satélite SPOT en un sector de la cuenca alta de Río Guárico.
Esta cuenca capta más del 60 % del agua consumida en el área metropolitana de Caracas y en
poblaciones vecinas Cada modelo es utilizado para clasificar digitalmente el paisaje y los resultados
son comparados con un mapa de unidades de paisaje realizado por un experto, por una parte, y con
valores medidos de profundidad del suelo en puntos de muestreo, por la otra.
Materiales y Métodos

Mapas autoorganizados de Kohonen (SOM por “self-organizing maps”)

La estructura de esta red tiene dos capas: una de entrada y otra de salida. El algoritmo es competitivo
no supervisado (Barro et al, 1995; Lippman 1989). Esto es, existe un solo nodo ganador para una
determinada entrada, el cual será activado junto a sus vecinos. La activación de un nodo implica
actualizar su estado, para así aumentar la similitud entre el patrón actual y dichos nodos. Estos
algoritmos no necesitan conocer la salida correcta ante un patrón determinado y basan su actualización
en reglas locales que determinan la manera en que se organiza la red.

El mecanismo de adaptación de los mapas autoorganizados se realiza de manera iterativa,

detectando el vector de pesos Zi que más se asemeje a un vector de entrada Xj, donde j  [1, número
de instancias]; este nodo se llama nodo ganador. También debe haber un mecanismo que defina una
vecindad topológica alrededor del nodo ganador.

Sólo serán adaptados los pesos de aquellos nodos que pertenezcan a la vecindad topológica del
nodo ganador, la cual puede ser definida de diferentes formas: cuadrada, circular, de rombo,
Gaussiana o algún híbrido entre ellas. La dirección de cambio será tal que la semejanza entre X y Zi
irá en aumento y la magnitud del cambio deberá seleccionarse de manera de lograr asintóticamente
la estabilidad (Kohonen, 1995).

Red Neuronal Borrosa de Kohonen (FKCN por “fuzzy Kohonen clustering network”)

En esta topología se agrega una capa de membresía a la capa de salida (conocida como la capa de
distancia) de la red original de Kohonen. En la capa de distancia se calcula la separación dij
existente entre un patrón de entrada xj y el peso del nodo i, con i = 1,2,…,c, donde c representa el
número de clases o clusters del modelo a estimar. Luego, la capa de membresía mapea las
distancias dij en valores de membresía μij, donde μij representa el grado de pertenencia de un patrón
de entrada xj a una clase i. Sin embargo, durante el proceso de aprendizaje se necesita establecer una
retroalimentación desde la capa de membresía a la capa de distancia para ajustar los centros de las
clases.

Bezdeck et al. (1992) realizaron una integración completa del FCM con el SOM, al lograr definir el
coeficiente de aprendizaje para la actualización del SOM

Io  1
'I
D ij t  P t 
ij
It
;
It I 0  t'I ; t max ;

Donde μij(t) es calculado por la siguiente ecuación.

1
It 1
§ ·
¨ 1 ¸
¨ x Z ¸
P ij t  © j i 2 ¹ , i 1,2..., c; j 1,2,..., c
1
It 1
c § ·
¨ 1 ¸
¦ ¨ x Z ¸
k 1
© j i 2 ¹
El exponente borroso () es una constante positiva mayor a 1, y tmax es la cantidad máxima de
iteraciones para que el algoritmo converja a una solución. El cálculo del μij (t) se realiza durante la
retroalimentación del FKCN mostrada en la Figura 6. A continuación, se describe el algoritmo de
FKCN:

Paso 1: Inicializar de forma aleatoria los pesos i, i = 1, 2, …, c. Seleccionar un 0> 1, tmax =
número de iteraciones, y una constante positiva pequeña que indica el error estimado del modelo
>0

Paso 2: Para t = 1, 2, … , tmax

x Calcular todos los cn coeficientes de aprendizaje {ij(t), i = 1,2,…,c , j = 1,2,…n}.

x Actualizar todos los c vectores de pesos {i(t), i = 1, 2, …, c} con:

> @
n

¦D ij (t ) x j  Z i (t )
Z i (t  1) Z i (t ) 
j 1
n

¦D
j 1
ij (t )

E t 1 Z (t  1)  Z (t ) 2
x Calcular
E dH
x Si t 1 , entonces finalizar la ejecución del algoritmo; en caso contrario repetir el paso
2 con el siguiente t.

Fin FKCN

El área de estudio abarca una superficie de 6760 ha, en la Serranía del Interior de la Cordillera de la
Costa central, en el estado Aragua. El relieve es montañoso, con altura variable desde 334 m a 1405
m sobre el nivel del mar y 40 % de gradiente promedio de pendiente. El área comprende las zonas
bioclimáticas Bosque Seco Tropical, en las zonas más bajas y Bosque Húmedo Premontano, en las
zonas más altas. La cobertura vegetal es predominantemete herbácea, interrumpida por corredores
de bosques, a lo largo de los cursos de agua y por manchas de bosque siempre-verde en las partes
más altas y húmedas (Pineda, 2008). En el área afloran las Formaciones geológicas “Metatobas del
Chino y El Caño” y “Metalavas de El Carmen”, ambas pertenecientes al Grupo Villa de Cura
(compuesto de rocas metavolcánicas y metasedimentarias de granulometría variable) (Urbani y
Rodríguez, 2003).

Como de datos de entrada a los modelos de clasificación digital del terreno se utilizaron: 1) Las
bandas de una imagen multispectral SPOT-4, con 20 m pixel, de fecha 2002. 2) Un modelo digital
de elevación (MDE) con celdas de 20 x 20 m, que coinciden exactamente con los pixeles de la
imagen del satélite SPOT-4. El MDE se construyó con la herramienta TOPOGRIDTOOL de
ArcGIS, extensión ArcInfo Workstation (versión 8.2), a partir de cartas topográficas a escala
1:25.000, del Instituto Geográfico de Venezuela Simón Bolívar (IGVSB). Una vez construido el
MDE, se calcularon los siguientes parámetros morfo-métricos utilizados como datos de entrada para
la clasificación digital del terreno: el gradiente de la pendiente, la orientación de la pendiente, el
perfil de curvatura, el plano de curvatura, el área de captación y el índice topográfico de humedad
(ITH). Se realizó un proceso de Normalización por Balance Lineal Simple (Witten et al., 2005) para
llevar a todas las variables al mismo rango de representación (-1 a 1).
Un ensayo preliminar de agrupamiento del paisaje permitió seleccionar los valores óptimos de
exponente borroso y número de clases para el modelo FKCN. Los resultados de los agrupamientos
borrosos de celdas (FKCN y Fuzzy c-means) fueron discretizados por medio de la asignación, a
cada celda, de la clase con el valor más alto de función de membresía. Posteriormente, los modelos
digitales de clasificación del terreno obtenidos con los procedimientos FKCN, Fuzzy c-means y
SOM fueron comparados con un mapa de clasificación geomorfológica del paisaje (Pineda, 2008).

Para cuantificar las comparaciones referidas se adaptó el procedimiento de transectas, aplicado por
Steers y Hajeck (1979) como método de estimación de la composición taxonómica de unidades
cartográficas de suelos. Cada transecta consistió en una línea recta que atraviesa el área de estudio,
de un extremo a otro, en una dirección seleccionada al azar. A lo largo de cada transecta, se contó el
número de veces que la línea cruzó un límite entre unidades del mapa geomorfológico y el número
de veces que el límite cruzado coincidía con un cambio de clase del agrupamiento digital de terreno.
Con base en la distribución binomial, se determinó la proporción (p) de límites coincidentes como:

p =  ai /  mi

donde ai es el número de límites entre unidades de paisaje que coinciden con un cambio de clase en
el agrupamiento digital de terreno, en la transecta i, y mi es el número total de límites entre unidades
de paisaje observados en la transecta i.

La desviación típica de una distribución binomial es igual a

s = p (1 - p) / nt - 1

donde nt es el número de transectas.

Una vez conocida la desviación típica se procedió a calcular el intervalo de confianza (IC) de la
proporción de límites coincidentes, para un nivel de probabilidad de 90%:

IC = P ± t (s / nt)

donde t es el valor tabulado de la distribución de Students, para ese nivel de probabilidad y nt-1
grados de libertad. Seguidamente, se calculó el tamaño requerido de muestra (número de transectas)
para determinar la proporción de límites coincidentes, con 90% de probabilidad, y una desviación
máxima (d) de 10% entre la proporción estimada y la proporción real de la población:

Nt = t2s2/d2

El análisis estadístico descrito fue realizado una vez completada cada transecta. El muestreo fue
proseguido hasta que el número de transectas recorridas fue igual o mayor que el tamaño de muestra
requerido. Con base en este procedimiento se determinó que se requerían 7 transectas para
cuantificar el grado de coincidencia entre la clasificación digital del terreno y el mapa de unidades
de paisaje. Esta cifra es menor a las 9 transectas utilizadas para evaluar el grado de coincidencia de
cada modelo de clasificación digital del terreno con el mapa de unidades de paisaje.

Resultados
La Figura 1 compara el agrupamiento obtenido por el red neurona borrosa FKCN, con el mapa
producido por la clasificación geomorfológica del área de estudio. Cómo se puede observar, la
coincidencia visual entre ambos modelos es muy alta. Esto es corroborado por los resultados de la
comparación cuantitativa entre el mapa de geomorfológico y los mapas obtenidos por medio de la
clasificación digital del terreno (Cuadro 1). Estos resultados indican que el agrupamiento de celdas
logrado con el modelo FKCN permitió identificar 7 de cada 10 límites de unidades geomorfológicos
trazados por el experto; mientras que el agrupamiento obtenido con la red SOM permitió identificar
sólo 4 de cada 10 límites entre unidades de paisaje.

Figura 1: Agrupación sistemática de paisaje provista por el experto para el área de estudio, sobre el resultado del
agrupamiento del FKCN con 30 % de transparencia

Cuadro 1: Proporción de límites de unidades de paisaje del mapa geomorfológico identificados por la clasificación
digital del terreno, con 90% de probabilidad y 10% de desviación
Modelo de Clasificación % Límites Identificados
FKCN 72,4 ± 0,9
SOM Euclidean 43,7 ± 1,2
SOM Gaussian 44,5 ± 1,2

Los límites del mapa de unidades de paisaje no reconocidos por el modelo FKCN incluyen dos
situaciones principales. Primero, el límite entre las formaciones geológicas El Caño y El Carmen,
el cual no fue reconocido por el modelo FKCN porque no tiene una expresión externa que permita
su identificación en el MDE o en la imagen de satélite. Este límite fue representado por el
geomorfólogo con base en los mapas geológicos (Shagam, 1960; Urbani y Rodríguez, 2003) del
área de estudio. Esto revela la necesidad de complementar con información geológica, los datos
utilizados para construir el modelo digital de clasificación del terreno.

En segundo lugar, el modelo mental del geomorfólogo le confiere una gran importancia a la
separación entre las crestas de las montañas y las laderas. Pero la configuración alargada y estrecha
de las crestas no permite su identificación con la resolución del MDE (20 m) utilizada en este
trabajo. En efecto, Arrel et al (2007) demostraron que la resolución de MDE ejerce un control
dominante sobre las clases morfométricas que pueden ser identificadas en una clasificación digital
del terreno.

Por otra parte, en la Figura 4 se puede apreciar que el modelo generado por la red FKCN muestra
una variación interna en cada uno de las unidades del mapa geomorfológico. Esto obedece a que el
FKCN generó una agrupación continua de las celdas con una resolución espacial de un píxel. En
cambio, la clasificación geomorfológica da lugar a unidades discretas, con una resolución espacial
determinada por el tamaño del polígono más pequeño que puede ser representado a la escala del
mapa.

Así, los resultados de la clasificación digital del terreno aportan evidencias que parecen apoyar la
concepción del paisaje como un continuo con unidades discretas (Ibáñez et al, 2005). Esto es, en el
paisaje se distinguen límites claros que permite subdividirlo en cuerpos naturales discretos, como se
muestra en el mapa geomorfológico. Pero estas unidades no son homogéneas; por el contrario,
dentro de cada una de ellas se observa una variación continua.
La interpretación de los valores correspondientes a los centros de las clases identificadas por el
sistema FKCN (Cuadro 2) permitió darle un significado fisiográfico a cada una de las clases de
terreno obtenidas. Así, la clase 1 se relaciona con los pies de laderas y vegas, mientras que el resto
de las clases corresponde a laderas de montañas. Las clases de terreno 2 y 3 tienen valores de índice
de vegetación, índice de humedad y área de captación mayores que las otras clases y están
relacionadas con laderas cubiertas por bosques. Las laderas de la clase 2 tienen orientación
predominante hacia el E, mientras que las de la clase 3 están orientadas mayormente hacia el SO.
Las clases restantes (4, 5, 6 y 7) corresponden a laderas cubiertas por herbazales y se diferencian
entre sí básicamente en la orientación de la pendiente. Las laderas de la clase 4 se orientan hacia el
SO, las de la clase 5 hacia el SE, las de la 6 hacia el NO y las de la 7 hacia el NE.

Cuadro 2: Centros de las clases de terreno generadas por el modelo FKCN

Clase de Pendiente Orientación Perfil Plan Area de Índice de NDVI

Terreno captación humedad
(º) (radians) (m/m2) (m/m2) (ha)
1 206 0,36 -0,02 -0,02 0,98 6,4 0,2
2 92 0,68 0,00 0,00 0,83 5,5 0,5
3 269 0,62 0,00 0,00 0,77 5,6 0,5
4 212 0,72 0,00 0,01 0,52 4,9 0,2
5 149 0,66 0,01 0,01 0,52 5,1 0,2
6 281 0,74 0,00 0,01 0,46 4,8 0,2
7 74 0,71 0,00 0,01 0,48 4,9 0,2
Fuente: Viloria (2007)

El Cuadro 3 muestra los valores de la mediana de la profundidad del suelo en cada una de las clases
de terreno obtenidas con la red FKCN. Los suelos son más delgados en las laderas cubiertas por
herbazales (clases 2, 4, 6 y 7). En estas posiciones del paisaje el balance entre los diferentes
procesos que actúan en la formación del suelo tiende a ser más favorable a las remociones que a las
adiciones (Simonson, 1959). En contraste, en las laderas cubiertas por bosques (clase 5) la
vegetación ha actuado como una barrera de protección que atenúa la intensidad de los procesos de
remoción del suelo. De igual manera en las vegas y pies de laderas (clase 3), los procesos de adición
tienden a predominar sobre los de remoción, dado que estas clases de terreno ocupan la posición
relativa mas baja del paisaje circundante, dominadas topográficamente por las laderas.

Cuadro 3: Medianas de los valores de profundidad del suelo en cada clase de terreno identificada por el modelo
FKCN

Clase de terreno Profundidad del

suelo (cm)
4 Ladera bajo herbazal con orientación SO 30
5 Ladera bajo herbazal con orientación SE 30
7 Ladera bajo herbazal con orientación NE 30
6 Ladera bajo herbazal con orientación NW 40
1 Vegas 62
3 Ladera bajo osque con orientación SO 115
Los resultados presentados en el Cuadro 4 permiten comparar los errores de las predicciones de la
profundidad del suelo, realizadas por medio de los diferentes modelos de clasificación digital del
terreno y del valor promedio de todos los perfiles de suelo, sin previa clasificación del terreno. El
valor ideal del error relativo medio (ERM) es cero, por lo tanto, se considera que todos los métodos
de predicción utilizados en este trabajo tienden a subestimar la profundidad del suelo, dado que
produjeron valores negativos de ERM. No obstante, los diferentes modelos de clasificación digital
del terreno aumentaron la exactitud de las predicciones de esta propiedad del suelo, en comparación
con las predicciones realizadas sin clasificar el terreno. En particular, las predicciones más exactas
fueron las obtenidas con base en el modelo FKCN.

Los valores de la relación de desviación cuadrática media (RDCM) revelan que la clasificación
digital del terreno, en especial con el modelo SOM gaussiano, tendió también a producir
predicciones más precisas que las obtenidas a partir del promedio general de los perfiles de suelo.
Sin embargo, en todos los casos el valor de RDCM fue menor que 1, lo cual indica que todos los
métodos de predicción comparados lograron un grado de precisión aceptable. En efecto, la raíz de
la desviación cuadrática media (RMSE) de los diferentes métodos de predicción aplicados fue
menor que la desviación estándar de los datos (29,65 cm).

Finalmente, los valores de profundidad del suelo predichos por medio de la clasificación digital del
terreno muestran un grado moderado de correlación con los valores medidos. Nuevamente, las
predicciones realizadas con el modelo FKCN se destacaron por presentar mayor correlación con los
valores medidos.

Cuadro 4: Errores de predicción de la profundidad del suelo a partir de la clasificación digital del terreno

Modelo de clasificación ERM RDCM RMSE (cm) R (zi*, zi)

Media aritmética -0,63 0,81 26,83 0
FKCN -0,27 0,75 25,74 0,54

SOM Euclidean -0,43 0,79 26,50 0,47

SOM Gaussian -0,30 0,69 24,71 0,46

Conclusiones
La alta proporción identificada por la red FKCN de límites entre unidades del mapa geomorfológico
utilizado en este estudio, ponen de manifiesto la potencialidad de este tipo de red neuronal como
apoyo para el análisis exploratorio del patrón de distribución espacial de paisajes y suelos en áreas
donde este patrón es desconocido. La utilidad de FKCN para este tipo de análisis exploratorio es
aumentada por los siguientes factores. Primero, el método permite seleccionar los valores óptimos
de exponente borroso y número de clases por medio de ensayos preliminares de agrupamiento del
paisaje. Segundo, la interpretación de los centros de las clases borrosas ayuda a comprender el
significado fisiográfico de cada clase digital de terreno. Por las razones expuestas, se concluye que
el uso de las redes neuronales borrosas de Kohonen (FKCN) puede ser un recurso valioso para
acelerar el mapeo de suelos y paisajes en áreas montañosas con relaciones complejas suelo-paisaje.

Bibliografía
Arrell, K.E., P.F. Fisher, N.J. Tate, L. Bastin. 2007. A fuzzy c-means classification of elevation
derivatives to extract the morphometric classification of landforms in Snowdonia, Wales.
Computers & Geosciences 33: 1366–1381.
Dobos, E., Carré, F., Hengl, T., Reuter, H.I., Tóth, G., 2006. Digital Soil Mapping as a support to
production of functional maps. EUR 22123 EN, 68 pp. Office for Official Publications of
the European Communities, Luxemburg
 Barro S.; J. Mira. 1995. Computación Neuronal. Universidad Santiago de Compostela,
Bezdek, J. C., Tsao, E. C.-K. and Pal, N. R. 1992. Fuzzy Kohonen Clustering Networks. In: Proc.
IEEE Int. Conf. on Fuzzy Systems, San Diego: 1035-1043.
Chaplot, V., Walter, C., Curmi, P., 2000. Improving soil hydromorphy prediction according to DEM
resolution and available pedological data. Geoderma 97, 405–422.
Gessler, P.E., Moore, I.D., McKenzie, N.J., Ryan, P.J., 1995. Soil-landscape modelling and the
spatial prediction of soil attributes.Int. J. Geogr. Inf. Syst. 9, 421-432.
Hastie, T., Tibshirani, R., Friedman, J., 2001. The elements of statistical learning: data mining,
inference and prediction. Springer Series in Statistics. Springer-Verlag, New York, SA
Ibáñez, J.J., R. Ruiz, J.A. Zinck and A. Brú. 2005. Classical Pedology questioned and defended.
Eurasian soil Science 38: 575-580.
Kohonen, T. 1995. Self-Organizing Maps. Springer. Series in Information Sciences, 30. Berlin.

Lagacherie, P., Voltz, M., 2000. Predicting soil properties over a region using sample information
from a mapped reference area and digital elevation data: a conditional probability approach.
Geoderma 97, 187–208.
Lark. R. M. 1999. Soil-landform relationships at within-fields scales: an investigation using
continuous classification. Geoderma, 92: 141 – 145.
Lin, C.; C. Lee. 1996. Neural fuzzy systems. Prentice Hall, Inc. New Jersey, USA. 797p.
Lippman, R. 1989. Pattern Classification Using Neural Networks. IEEE Comunication Magazine.
McBratney, A.B.; Mendonga Santos, M.L.; Minasny, B. 2003. On digital soil mapping.
Geoderma, 117: 3-52
Park, S.J., McSweeney, K., Lowery, B., 2001. Identification of the spatial distribution of soils using a
process-based terrain characterization. Geoderma 103, 249–272.
Pineda, M. C. 2008. Determinación de áreas susceptibles a movimientos en masa y erosión laminar
en unidades de paisaje de la subcuenca de Río Caramacate, localizada en la cuenca alta del
Río Guárico. Trabajo de Ascenso, Universidad Central de Venezuela, Facultad de
Agronomía, Maracay.
Scull, P.; J. Franklin; O.A. Chadwick; D. McArthur. 2003. Predictive soil mapping: a review.
Progress in Physical Geography, 27: 171-197.
Shagam, R. 1960. Geología de Aragua central (Venezuela). III Cong. Geol. Venezuela. Caracas,
1.959, 2: 574 – 675.
Simonson, R. W. 1959. Outline of a generalized theory of soil genesis. Soil Sci. Soc. Am. Proc.,
23: 152 – 156.
Steers, C. A. and B. F. Hajeck. 1979. Determination of map unit composition by a random selection
of transects. Soil Sci. Soc. Amer. J. 43:156-160.
Thompson, J. A., E. M. Pena-Yewtukhiw , J. H. Grove.2006. Soil-landscape modeling across a
physiographic region: Topographic patterns and model transportability. Geoderma 133 (2006)
57-70.
Urbani F., J. A. Rodríguez. 2003. Atlas geológico de la Cordillera de la Costa, Venezuela.
Coedición FUNVISIS y UCV, iii + 146 p. (146 mapas a escala 1:25.000).
Viloria, A. 2007. Estimación de modelos de clasificación de paisaje y predicción de atributos de
suelos a partir de imágenes satelitales y Modelos Digitales de Elevación. Universidad Central
de Venezuela, Facultad de Ciencias, Escuela de Computación, Caracas.
Witten, I.; E. Frank. (2005). Data Mining. Practical Machine Learning Tools and Techniques.
Morgan Kaufmann Publisher. Second edition.
Zhao, Z., Chow, T. L., Rees, H. W., Yang, Q., Xing, Z. and Meng, F. 2009. Predict soil texture
distributions using an artificial neural network model. Computers and Electronics in
Agriculture, 65: 36–48.

View publication stats