Delimitación de unidades de paisajes aplicando técnicas de inteligencia artificial en la cuenca del río San Juan estado Guárico

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Delimitación de unidades de paisajes aplicando técnicas de inteligencia artificial en la cuenca del río San Juan estado Guárico"

Transcripción

1 Artículo científico Delimitación de unidades de paisajes aplicando técnicas de inteligencia artificial en la cuenca del río San Juan estado Guárico RESUMEN Los métodos tradicionales manuales para determinación de propiedades geomorfométricas de mapas topográficos, consisten en mediciones que tienden a ser complejas y consumen mucho tiempo, por lo que los elementos clasificados de la forma de terreno requieren de personal altamente entrenado. Actualmente se han desarrollado importantes tecnologías de inteligencia artificial como la lógica borrosa y redes neuronales artificiales, cuya potencialidad se puede utilizar en la clasificación automatizada de unidades de paisaje. Estas, aparte de ser rápidas y precisas, son de gran apoyo y utilidad para las clasificaciones cualitativas. En este estudio se utilizó un procedimiento geomorfométrico, a partir de un análisis de atributos topográficos de la cuenca del Río San Juan, en la cual se realizó una clasificación no supervisada basada en una red de agrupamiento borroso de Kohonen (FKCN). Este método emplea un conjunto de algoritmos computarizados que automáticamente permiten la extracción y la clasificación de propiedades morfométricas de un modelo digital de elevación (MDE) y de imágenes de satélite. En este sentido, se realizaron evaluaciones de un MDE resolución espacial de 20 m mediante un sistema clasificador del terreno por Fuzzy Kohonen, y se obtuvo un promedio de 11 clases morfométricas con la utilización de 9 atributos topográficos y el NDVI. Estos resultados indican que el enfoque neuro-borroso permite una rápida estimación de la distribución espacial de unidades de terreno homogéneas morfológicamente mediante la clasificación de píxeles, cuya representatividad depende de la consideración de las unidades litológicas presentes en la zona y de la resolución espacial del MDE empleado. Palabras Claves: Paisaje, Geomorfometría, Inteligencia artificial, Lógica borrosa, Redes Neuronales Artificiales. Definition of units of landscapes applying artificial intelligence techniques in the San Juan river Guárico state, Venezuela. ABSTRACT Traditional manual methods for determining properties geomorphometrics in topographic maps, consist of measurements tend to be complex and more time consuming, so that elements classified landform require highly trained personnel. Currently there have been important artificial intelligence technologies such as fuzzy logic and artificial neural networks, whose potential can be used in automated classification of landscape units. These, besides being fast, accurate, great support and are useful for qualitative rankings. In this study geomorphometrics procedure was used, based on an analysis of topographic attributes of the Rio San Juan, where an unsupervised classification based on fuzzy clustering network Kohonen (FKCN) was performed. This method uses a set of computer algorithms that automatically allowed the extraction and classification of morphometric properties of a digital elevation model (DEM) and satellite images. In this sense, an MDE evaluation of 20 m spatial resolution was performed by a classifier system by Fuzzy Kohonen terrain, and an average of 11 morphometric classes with the use of 9 topographic attributes and NDVI was obtained. These results indicate that the neuro-fuzzy approach allows a quick estimate of the spatial distribution of morphologically homogeneous terrain units by classifying pixels, whose representation depends on the consideration of the lithological units in the area and the spatial resolution of the DEM employed. Keywords: Landscape, Geomorphometrics, Artificial intelligence, Fuzzy logic, Artificial eural networks. 8 Vol 3, Nº Tovar Williams A. 1 Valera Ángel 1 Carlos Hernandez 2 Carlos Vásquez 1 * 1 Centro de Investigación y Extensión en Suelos y Aguas. Universidad Nacional Experimental Rómulo Gallegos, San Juan de los Morros, Guárico. Venezuela. 2 Unidad de Apoyo en Tecnología e Información Geoespacial Universidad Nacional Experimental Rómulo Gallegos, San Juan de los Morros, Guárico. Venezuela. *cjvasquez77@gmail.com Recibido: 0 / 05 / 2014 Aceptado: 17 / 09 / 2014 INTRODUCCIÓN La identificación de unidades geomorfológicas en zonas montañosas de difícil acceso es de extrema complejidad, por lo que su obtención de la manera tradicional requiere de la inversión de mucho tiempo por parte de un experto. Por otra parte, es bien conocido que diferentes expertos tienden a describir la misma zona de estudio de distintas maneras, lo cual depende del conocimiento y de la percepción personal, por lo que la clasificación obtenida puede ser muy subjetiva y no reproducible. En la actualidad existen importantes opciones para generar unidades geomorfológicas en forma rápida, precisa y objetiva, a partir de la realización de clasificaciones continuas del paisaje tomando en cuenta los diversos parámetros derivados de un modelo digital de elevación (MDE) e imágenes de satélite. Este amplio abanico de opciones técnicas producto del desarrollo de la Geomática y del análisis geomorfométrico, complementadas con la Geomorfología y la Génesis, contribuye a la creación de una imagen entendible de las unidades de paisaje para apoyar la toma de decisiones y la planificación del ordenamiento territorial. Aunado a estas opciones, también existen las técnicas de análisis espacial basadas en inteligencia artificial, tales como la lógica borrosa (LB) y las redes neuronales artificiales (RNA), las cuales son fundamentales para producir modelos digitales de clasificación del terreno. Estas técnicas se basan en tecnologías de inteligencia artificial y constituyen dos de los avances científicos recientes más importantes del conocimiento, e intentan simular dos de las características más importantes con que cuenta el cerebro humano, como son la capacidad de aprendizaje y la capacidad de procesar información incompleta, ambigua, compleja, incierta, o que no es precisa. La combinación de la potencialidad de los conjuntos borrosos y las RNA ha dado paso a una técnica integral de clasificación no supervisada denominada red de agrupamiento borroso de Kohonen o Fuzzy Kohonen Clustering Network (FKCN), basada en un modelo de mapas autoorganizados o Self Organizing Map (SOM) (Kohonen, 1982) en combinación con lógica borrosa (Bezdek y Pal, 1992). En este estudio se emplea un procedimiento de clasificación continua del paisaje basado en el análisis cuantitativo de atributos derivados de un MDE e imágenes satelitales de la cuenca del río San Juan, por medio de la aplicación de un algoritmo neuro-borroso implementado en un Sistema de Clasificación del Terreno (Viloria, 2007), con la finalidad de establecer el significado geomorfológico de las clases geomorfométricas obtenidas, a través de la interpretación de su distribución espacial y de las descripciones de los centros de clases y matrices de membresías. Estos métodos de clasificación no supervisada constituyen una importante alternativa de apoyo al experto para la obtención de una visión más amplia e integral de la estructura del paisaje, a la vez que sirve como base para la posterior planificación del método de muestreo y las estrategias a utilizar para la evaluación de las unidades paisaje. Objetivo general Objetivos Delimitar unidades de paisajes con la aplicación de técnicas de inteligencia artificial a partir de un modelo digital de elevación y una imagen satelital multiespectral, para la obtención final de unidades geomorfológicas, en la Subcuenca del río San Juan, estado Guárico. Objetivos específicos Generar modelos digitales de elevación para la Subcuenca del río San Juan. Determinar los atributos topográficos y un índice de vegetación para la caracterización de los tipo de relieve en la zona de estudio. Aplicar las técnicas de inteligencia artificial para la definición de unidades morfométricas del terreno de la Subcuenca del río San Juan. CONCEPTOS GENERALES El análisis del paisaje desde este punto de vista permite la evaluación y modelización de distintos 87

2 procesos naturales. El conocimiento profundo de las características topográficas del medio constituye un punto de partida para el estudio de los suelos debido a su influencia sobre la sedimentación y arrastre de partículas, nutrientes, el movimiento del agua superficial y muchos otros aspectos importantes (Jenny, 191; Gerrard, 1981; Lark, 1999). Sin embargo, la topografía del terreno no influye sólo sobre los procesos edáficos, sino que la variedad de formas puede reflejar cambios menos perceptibles en el sustrato (Dikau & Schmidt, 1999), como la insolación, la disponibilidad de agua o la vegetación. Un modelo digital de elevación (MDE) constituye una fuente de información básica a partir de la cual es posible construir nuevos modelos digitales derivados. El punto de vista geográfico y el documento geográfico básico, es el objeto de estudio primordial, a partir del cual se hace la geografía. En general, se entiende por paisaje cualquier área de la superficie terrestre producto de la interacción de los diferentes factores presentes en ella y que tienen un reflejo visual en el espacio. El paisaje geográfico es por tanto el aspecto que adquiere el espacio geográfico. Se define por sus formas: naturales o antrópicas. Todo paisaje está compuesto por elementos que se articulan entre sí. Estos elementos son básicamente ESCALA 1: : : : : : : >1: de tres tipos: abióticos (elementos no vivos), bióticos (resultado de la actividad de los seres vivos) y antrópicos (resultado de la actividad humana). Determinar estos elementos es lo que constituye el primer nivel del análisis geográfico. Las cuencas hidrográficas montañosas en Venezuela carecen de mapas de suelo a escala adecuada para diseñar planes de manejo. Este estudio evalúa el efecto de una división jerárquica del paisaje sobre la variación de las propiedades del suelo en un sector de la cuenca del río San Juan. En Venezuela se utiliza el sistema de clasificación de paisajes creado por Elizalde (1983), permite determinar áreas homogéneas en 8 niveles categóricos, abarcando desde la superficie del globo terráqueo (nivel 1) hasta el sistema o paisaje elemental (nivel 8) (tal como se señala en la Figura 1) permitiendo la elaboración de mapas pedogeomorfológicos, con diversos grados de complejidad cartográfica, en cuyas unidades se pueden realizar interpretaciones para diversos tipos de aplicaciones (evaluaciones de tierras para fines agrícolas, áreas protectoras, conservación de recursos naturales, entre otros). En la Figura 1, se describen los niveles categóricos del sistema de clasificación de paisajes diseñado por Nuñez (200), para este trabajo se empleó el Nivel 7 de esta clasificación. NIVEL 1: MEGARREGIÓN NIVEL 2: REGIÓN FISIOGRÁFICA NIVEL 3: PROVINCIA FISIOGRÁFICA NIVEL 4: SUB-PROVINCIA FISIOGRÁFICA NIVEL 5: U. LITOGEOMORFOLÓGICAS NIVEL : TIPOS DE PAISAJES NIVEL 7: TIPOS DE RELIEVE NIVEL 8: U. PEDOGEOMORFOLÓGICA Figura 1. Niveles categóricos del sistema de clasificación de Paisajes Fuente: Nuñez (200). 1. Modelo digital de elevación Un modelo digital de elevación es una representación visual y matemática de los valores de altura con respecto al nivel medio del mar, que permite caracterizar las formas del relieve y los elementos u objetos presentes en el mismo. Estos valores están contenidos en un archivo de tipo raster con estructura regular, el cual se genera utilizando equipo de cómputo y software especializados. En los modelos digitales de elevación existen dos cualidades esenciales que son la exactitud y la resolución horizontal o grado de detalle digital de representación en formato digital, las cuales varían dependiendo del método que se emplea para generarlos y para el caso de los que son generados con tecnología. Tiene un formato muy similar al de una imagen de satélite, con la principal diferencia de almacenar un valor de altitud en lugar de un valor de radiancia; pudiendo ser lo suficientemente precisos y de gran utilidad para su interpretación, no sólo en lo que afecta a la corrección geométrica sino también a la calibración física y a la discriminación de ciertas categorías que pueden tener un comportamiento espectral muy similar pero una localización topográfica muy específica (Chuvieco, 199). De forma muy general, la estructuración de los datos elementales se ha realizado en los siguientes modelos.:los métodos para la generación de los Modelos Digitales de Elevación pueden dividirse en dos grupos: a) Métodos directos. Estos se obtienen a partir de mediciones que se realizan directamente sobre el terreno real, en los cuales podemos citar: La toma directa de datos por medio de levantamientos topográficos con estación total o con GPS. Uso de altímetros transportados desde una plataforma aérea como el radar o láser. b) Métodos indirectos. Cuando se utilizan documentos analógicos o digitales elaborados previamente para generar un modelo digital de elevación, en los cuales podemos citar: La digitalización de curvas de nivel y puntos de altura de la cartografía topográfica realizada mediante procesos convencionales de conversión automática (mediante escáner y vectorización) o manual (uso de tableta digitalizadora o en pantalla). Restitución fotogramétrica numérica, analítica y digital (procesos fotogramétricos). 2.Imágenes de satélite La representación de la superficie de la tierra a través de la teledetección suele realizarse a partir de imágenes multiespectrales. Éstas consisten en un conjunto de imágenes digitales simples que una vez superpuestas, por poseer idénticas propiedades geométricas y de referenciación geográfica, forman un conjunto de información único. Este conjunto de información es equivalente a una matriz tridimensional, en la que las filas y columnas representan la localización geográfica, mientras que la tercera dimensión representa las diferentes bandas (Serra, Ceballos y Luna, 2007). 3.Índice de vegetación La principal herramienta de que disponen las imágenes de satélite es la información de las propiedades radiométricas de las superficies. En este sentido, cabe destacar la posibilidad de caracterizar el estado fotosintético de la vegetación a partir de la combinación de dos bandas espectrales situadas en el espectro visible y en el infrarrojo cercano. El índice de vegetación (NDVI, por sus siglas en inglés Normalized Digital Vegetation Index ) se calcula a partir de combinaciones de bandas espectrales de las imágenes de satélite de una superficie, aprovechando las características únicas del reflejo de la vegetación verde (Rouse, Haas, Shcell y Deering,1974). Todos los organismos fotosintéticos contienen uno o más pigmentos capaces de absorber la radiación visible que iniciaría las reacciones fotoquímicas y fotosintéticas. Dos bandas del espectro electromagnético, la azul y la roja, muestran la cantidad de energía absorbida por las plantas, en cambio la banda del infrarrojo actúa de forma inversa. La mayor absorción del rojo y 89

3 azul, junto con la fuerte reflexión del infrarrojo es la característica espectral de la vegetación. En estas zonas espectrales es donde aparece la principal diferencia entre la vegetación sana y vigorosa, con alto contenido de humedad y la vegetación enferma sin mostrar actividad fotosintética. El índice de vegetación de diferencia normalizada (NDVI) está relacionado con la actividad fotosintética de la vegetación. El cálculo del NDVI se puede expresar entonces como una operación de bandas: NDVI = (infrarrojo - Rojo)/ (infrarrojo + Rojo) El intervalo de valores obtenido del NDVI, varía entre -1 y 1. Sólo los valores positivos corresponden a zonas de vegetación. Los valores negativos, pertenecen a nubes, nieve, agua, zonas de suelo desnudo y rocas 4.Variables del modelo digital de elevación (mde) Las variables utilizadas en este estudio se definen de la manera siguiente (Burrough y McDonnell, 1998): El gradiente de la pendiente (slope) es la razón máxima de cambio de elevación que influye sobre las tasas de flujo de agua y sedimento. Es decir, en un punto del terreno se define como el ángulo existente entre el vector normal a la superficie en ese punto y la vertical, siendo la tasa de cambio de la altitud obtenida al realizar un desplazamiento horizontal. La pendiente corresponde a la derivada de primer orden de la altitud. La orientación de la pendiente (aspect) en un punto puede definirse como el ángulo existente entre el vector que señala el Norte y la proyección sobre el plano horizontal del vector normal a la superficie en ese punto. Sus estimaciones son sencillas a partir del MDE y se calcula para un plano de ajuste en cada punto o celda del modelo (Felicísimo, 1999). La curvatura se define como la tasa de cambio 90 en la pendiente en el entorno de un punto determinado y depende de la altitud. Corresponde a la derivada de segundo orden de la altitud (Burrough y McDonnell, 1998). Tiene especial interés como variable influyente en fenómenos como la escorrentía superficial, canalización de aludes, erosión y flujos en general (Felicísimo, 1999). Se puede dividir según la orientación, que es calculada en perfil de curvatura o en plano de curvatura: El perfil de curvatura (profile) corresponde a la porción de cambio de la pendiente en sentido longitudinal el cual afecta la aceleración y desaceleración de flujo y por ende influye en la gradación y degradación del suelo. El plano de curvatura (plang), es la porción de cambio de la pendiente en sentido trasversal que afecta la convergencia y divergencia del flujo. Estos últimos atributos son expresados como grados de convexidad y concavidad. El área de captación (catchment) se define como el área de drenaje contribuyente a un punto específico de la cuenca. El índice topográfico de humedad (ind_hum), es una función que permite inferir la cantidad de agua que puede llegar a un punto dado, influenciado por el área de captación y la pendiente. Se calcula por medio de la siguiente fórmula matemática: Índice de Humedad = ln (Área de Captación / tag(pendiente )) 5. Geomorfometría La Geomorfometría es la ciencia del análisis y descripción cuantitativa de la superficie del terreno a diversas escalas. Utiliza matemáticas, estadística y técnicas de procesamiento de imágenes y se relaciona con varias disciplinas entre las que destacan la hidrología, la geología, la geometría computacional, la geomorfología, los sensores remotos, la ciencia de la información geográfica y la geografía (Pike et al., 2008). En el pasado, el esfuerzo de la definición de la Geomorfometría tuvo concentrado en la geometría del paisaje, pero los nuevos avances técnicos en computación y electrónica, algoritmos analíticos, dispositivos de entrada/salida y grandes conjuntos de datos, han reorientado esta ciencia (Pike, 1999). La implementación del computador en la evaluación morfométrica proporciona una representación digital de las formas del terreno que ahora es esencial para el modelado de procesos (Dikau, 1999; Dehn et al., 2001) a todos los niveles de generalización. La morfometría computarizada contribuye a la integración de las formas superficiales del terreno con espectros de sensores remotos y otros datos ambientales, para facilitar la explicación de los procesos físicos a diversa escalas. La información acerca del relieve o la forma superficial del terreno es uno de los requerimientos fundamentales para el estudio del modelado en las ciencias ambientales y en la geomorfología aplicada.. Las técnicas de inteligencia artificial o computacional La inteligencia artificial (IA) es la rama de la informática que desarrolla procesos que imitan a la inteligencia de los seres vivos. La principal aplicación de esta ciencia es la creación de máquinas para la automatización de tareas que requieran un comportamiento inteligente. El objetivo de la inteligencia artificial (IA) es lograr la construcción y la comprensión de entidades inteligentes, que permitan resolver los mismos problemas que resuelven los humanos (Russell y Norvig, 2004). Dentro de la IA se encuentran algunos modelos alternativos o técnicas emergentes como la Lógica Borrosa (LB) y las Redes Neuronales Artificiales (RNA), las cuales están inspiradas en las soluciones que la naturaleza ha encontrado durante millones de años de evolución a numerosos problemas que toman en cuenta el tratamiento de cantidades masivas de información, de tipo redundante, imprecisa y ruidosa (Martín del Brío y Sanz, 2007), tales como la que presenta el complejo multivariado suelo-paisaje. 7. Redes Neuronales Artificiales Una red neuronal artificial (RNA) es un modelo computacional inspirado en redes neuronales biológicas que pueden ser consideradas como un sistema de procesamiento de información con características como aprendizaje a través de ejemplos, adaptabilidad, robustez, capacidad de generalización y tolerancia a fallas. La RNA puede ser definida como una estructura distribuida, de procesamiento paralelo, formada de neuronas artificiales (llamados también elementos de procesamiento), interconectados por un gran numero de conexiones (sinapsis), las cuales son usadas para almacenar conocimiento que estará disponible para su posterior utilización (Wasserman, 1989). 8. Estructura de una Red Neuronal Artificial Las redes neuronales artificiales están formadas por una gran cantidad de neuronas, denominadas nodos o unidades de entrada. Un nodo o neurona cuenta con una cantidad de variables de entrada que provienen del exterior. A su vez dispone de una sola salida que transmite la información al exterior o hacia otras neuronas. Cada señal de salida tiene asociada una magnitud llamada peso, calculado en función de las entradas, por lo que cada una de ellas es afectada por un determinado peso (Sotolongo et al., 2000). Los pesos corresponden a la intensidad de los enlaces sinápticos entre neuronas y varían libremente en función del tiempo y en cada una de las neuronas que forman parte de la red. 9. Los mapas auto-organizados de Kohonen Los mapas auto-organizados o SOM (Self- Organizing Map) desarrollados por Kohonen (1982), son un método de aprendizaje no supervisado para la clasificación de datos multidimensionales. La principal característica de esta técnica es la creación de mapas bidimensionales, en los que los contenidos que estén relacionados aparecerán juntos, y cuanto más similar sean dos datos más próximos estarán en el mapa. Los SOM, son una técnica de clasificación no supervisada apropiada para la identificación de 91

4 unidades de paisaje cuando se utilizan los MDE, ya que son capaces de reducir la dimensionalidad de datos complejos e identificar patrones, permitiendo una fácil visualización, el análisis y la comprensión de clases o unidades geomorfométricas conformadas por grandes agrupaciones de píxeles. 10. Lógica Borrosa o Difusa La lógica borrosa (fuzzy logic) ofrece las herramientas teóricas para tratar conceptos expresados en lenguaje natural; por lo tanto, describe la posibilidad de que un individuo sea miembro de un conjunto determinado, cuya opción puede estar basada en el conocimiento subjetivo de un experto (Burrough y McDonnell, 1998). La teoría de conjuntos borrosos parte de la teoría clásica de conjuntos, añadiendo una función de pertenencia al conjunto, que se define como un número real entre 0 y 1. El conjunto borroso está asociado a un determinado valor lingüístico, definido por una palabra, adjetivo o etiqueta lingüística. Para cada conjunto borroso se define una función de pertenencia o inclusión μa (t), que indica el grado en que la variable t está incluida en el concepto representado por la etiqueta A (Martín del Brío y Sanz, 2007). En el campo geomorfológico, las unidades de relieve, las clases geomorfológicas o geomorfométricas tales como crestas, picos, laderas, canales, planicies y pozos han sido ampliamente extraídas de MDE (Wood, 199). 11. El Enfoque Borroso en la Clasificación Geomorfológica Según Arrel et al. (2007), los dos principales enfoques de los conjuntos borrosos para el reconocimiento de formas de terreno son la clasificación deductiva (utilizando clases predeterminadas) y la inductiva (mediante la selección del número de clases). El enfoque deductivo examina el MDE con una plantilla del arreglo de altitudes relativas dentro de un área fija (ventana) y asigna el punto central 92 de esa área a un limitado conjunto de clases geomorfométricas (CM). El número de clases varía dependiendo de la implementación, de un mínimo de clases reconocidas por Evans (1980), Peucker y Douglas (1975) y Wood (199) a las 11 clases incluidas en el trabajo de Pellegrini (1995). Este enfoque determinístico permite sin duda la asignación del píxel a una clase, pero Wood (199, 2002) ha demostrado que muchos parámetros, incluyendo las clases geomorfométricas, están sujetas a variaciones con la resolución del MDE sobre el que es ejecutado el análisis. 12. Agrupamiento borroso (FCM) El agrupamiento borroso (FCM) (Bezdek, 1981), basa su clasificación en el criterio del error mínimo cuadrático, forma grupos borrosos de los valores del vector de entrada y da un valor de pertenencia entre 0 y 1 a cada uno de los grupos borrosos, generando una matriz con el grado de pertenencia a cada grupo borroso; cada grupo tiene un centro en el espacio, para cada dato el valor de pertenencia a los diferentes grupos depende de la distancia a los centros de grupo. Como el algoritmo agrupa los datos de acuerdo a su proximidad, se encuentra influenciado por la forma como se define la distancia entre los datos, es decir, las reglas utilizadas y el rango de variación de las variables. En el ámbito geomorfológico, es importante indicar que las clases geomorfométricas (CM) obtenidas de la combinación de atributos derivados de los MDE son más informativas y útiles si son utilizados los conjuntos borrosos, ya que en este contexto, cualquier píxel o celda determinada puede contener elementos de un número de diferentes clases geomorfométricas. La CM es representada por el grado de membresía o de pertenencia (en un rango de valores de cero a uno) que cualquier celda tiene para cada una de las formas de terreno identificadas. Un grado de membresía de uno (1) estaría asociado con una celda que satisface exactamente el valor ideal del atributo (el concepto central) de una CM particular, y un valor de cero (0) indicaría que la celda no tiene similitud o membresía para esa CM (Arrel, Fisher, Tate y Bastin, 2007). 13. Sistemas Neuro-borrosos: RNA y LB La combinación de los aspectos positivos de las técnicas mencionadas en las secciones anteriores ha dado paso a un enfoque de gran fortaleza conocido como sistema neuro-borroso (SNB). Es decir, los SNB surgen para superar las desventajas de las redes neuronales y de los sistemas borrosos, por lo que el término neuroborroso se utiliza para referirse a cualquier clase de combinación entre ambas tecnologías. En general, estos modelos combinan la capacidad de aprendizaje y adaptación de las RNA y el poder de la interpretación lingüística de la LB; esto conlleva a la obtención final de un método que permite combinar información auxiliar de todo tipo, ya sean variables continuas derivada de MDE (e.g. elevación o pendiente) o información espectral de imágenes de satélite (e.g. NDVI) y variables discretas derivadas de mapas temáticos (e.g. litología, tipos de suelos, tipos de cobertura) durante el proceso de clasificación, en las cuales cada objeto (o píxel) puede presentar cierto grado de pertenencia a diferentes clases. 14. Los Sistemas Neuro-Borrosos en la Clasificación Geomorfológica La integración de redes neuronales autoorganizadas (Mapas autoorganizados de Kohonen) y los conjuntos borrosos c-medias (FCM) han dado paso a un modelo denominado red de agrupamiento borroso de Kohonen (FKCN, Fuzzy Kohonen Clustering Net) (Lin y Lee, 199). Esto ha sido posible debido a que ambas técnicas presentan un denominador común basado en su orientación hacia el tratamiento de tareas que involucran el procesamiento de cantidades masivas de información, de tipo redundante, imprecisa, incierta y con ruido. Por lo tanto, ambos enfoques son útiles para modelar procesos complejos no lineales (Martín del Brío y Sanz, 2007). Son escasos los trabajos de investigación realizados en el ámbito geomorfológico que toman en cuenta la combinación de las dos técnicas de inteligencia computacional mencionadas. En Venezuela, se ha dado un paso importante en la utilización de tecnologías de inteligencia artificial computacional en el área de clasificación de paisajes y predicción de atributos del suelo con el trabajo de Viloria (2007). Viloria (2007) desarrolló un sistema clasificador del terreno por Fuzzy Kohonen, el cual permite predecir atributos del suelo por medio de clasificaciones digitales del paisaje. El estudio se realizó con datos derivados de una imagen satelital y un MDE de un sector de la cuenca del río Caramacate, estado Aragua. A partir de estos datos se clasificó el paisaje del área de estudio por medio de tres modelos de redes neuronales: una red de agrupamiento borroso de Kohonen (FKCN), y dos mapas autoorganizados (SOM) unidimensionales, con distintas funciones de vecindad. Además en Venezuela se han hecho otros estudios: Tucutunemo (Nuñez, 200), en el río Guey (Valera, 2009), litoral central (Valera, 2012) y en los llanos centrales, (Pineda et al, Área de Estudio METODOLOGÍA La subcuenca del río San Juan, pertenece al Municipio Juan Germán Roscio del estado Guárico, ubicado geográficamente norte y este, con una extensión aproximada de 135,2 km2 (Jácome et al., 2001). Presenta en su conformación de relieve la zona de mayor altitud dentro de la Cordillera del Interior conocida como Pico Platillón, el cual alcanza los 1.90 m.s.n.m. y una parte más baja con alturas entre los msnm. Posee dos grandes afluentes que son el Río El Castrero que se origina en Platillón (1.500msnm) y El Tibe, se origina en el sector La Llanada (1.300 msnm). Estos dos ríos se unen y desembocan al río San Juan, que a su vez desemboca al río Guárico. En la cuenca existen unidades de formación geológicas tales como: Tiara, El Carmen, Santa Isabel, Las Hermanas y Guárico. En la cuenca se presentan dos zonas bioclimáticas Bosque Seco 93

5 Tropical en las zonas más bajas, con temperatura promedio de 25 ºC y precipitaciones de mm y Bosque Húmedo Premontano en las zonas más altas. El paisaje está constituido principalmente por. Guárico laderas de montaña, escarpadas, con pendientes medias del orden del 45% y altitudes que oscilan entre 334 y msnm. Cuenca del Rio San Juan ha Figura 2. Ubicación relativa de la Cuenca río San Juan en el Municipio Juan Germán Roscio. 2. Generación de MDE a. Procesamiento Cartográfico Se procedió a georeferenciar las siguientes cartas geográficas a escala 1: (745-I-SE, 745-IV- NE, 745-I-NO, 745-IV-SE, 745-IV-SO, 45-I- NE), las cuales se corrigieron geométricamente en el sistema de proyección UTM (Datum La Canoa, Huso 19), publicadas por Cartografía Nacional (Instituto Geográfico de Venezuela Simón Bolívar). Luego se cortó la sección de interés que contiene la información cartográfica (curvas de nivel y red hidrográfica), y seguidamente se procedió a elaborar el mosaico o union de las cartas topográficas, correspondiente a la cuenca del río San Juan, con el fin de obtener una sola capa continua con toda la información cartográfica. Las curvas de nivel se vectorizaron con separaciones de 20 m de altitud, al igual que la red hidrográfica, el límite de la cuenca y los puntos de control, y con estas coberturas vectoriales se realizó la interpolación de los MDE (modelo raster) por medio del comando Topogridtool de ArcGis 9.0 (ESRI, 2005). De esta manera, se generó una resolución de 20 m/píxel, de acuerdo con la escala de trabajo (1:25.000). Luego de terminada la digitalización, las capas vectoriales fueron sometidas a un proceso exhaustivo de control de calidad que consistió en: Identificación de incongruencias en las cotas (valor altimétrico) entre la cartografía básica rasterizada y las capas digitalizadas. Verificación y ajuste entre las capas vectoriales de curvas de nivel y la red hidrográfica. Revisión, cota a cota, de las capas de curvas de nivel y de los puntos de control. Revisión y corrección del sentido de la digitalización de la red hidrográfica. Se generó el MDE con una resolución de 20 m/ pixel, (figura 9) de acuerdo con las escala de trabajo (1:25.000). De los MDE generados se derivaron los mapas de diferentes atributos topográficos; altitud (Alt), grado de pendiente (Pend), Orientación de la pendiente (Asp), curvatura vertical (Perfil C), Curvatura horizontal (Plano C), área de captación (Capt), Índice de humedad (Hum), índice de transporte de sedimentos (ITS) y el índice de flujo potencial (IPS), para lo cual se utilizó el software DiGem 2.0 (Conrad, 2002). Se empleó una imagen de satélite multiespectral LANDSAT (30m) con la que se generó el índice de vegetación normalizado (Normalizad Diffrence Vegetation Index, NDVI), tomando en cuenta la banda visible y la banda infrarrojo del espectro electromagnético, utilizando el programa Erdas (2005). b. Red Neuro-Borrosa para la clasificación del terreno Los atributos topográficos y la variable NDVI fueron agrupados en una matriz de datos (formato ASCII) con la aplicación del modelo de red neuronal de agrupamiento borroso de kohonen (FKCN), lo que permitió evaluar el agrupamiento de píxeles con diversos números de clases (-12) y diferentes coeficiente de borrosidad. A las clases morfométricas obtenidas se les asignó el significado geomorfológico a través de la interpretación de su distribución espacial y de las descripciones de los centroides de clases y matrices de membresías obtenidas mediante el algoritmo Fuzzy C means. El MDE que se generó para derivar los mapas de diferentes atributos topográficos: altitud (Alt), grado de pendiente (Pend), orientación de la pendiente (Asp), posición relativa (PR), curvatura vertical (Perfil_C), curvatura horizontal (Plano_C), área de captación (Area_C), índice topográfico de humedad (ITH), índice de transporte de sedimentos (ITS) y el índice del potencial de escorrentía (IPE). Los atributos topográficos fueron computarizados utilizando el software DiGem 2.0 (Conrad, 2002). El grado de la pendiente y la orientación (aspecto) fueron determinados empleando la ecuación de Zeverbergen y Thorne (1987), la cual utiliza un algoritmo de diferencia finita de segundo orden, ajustado a los 4 vecinos más cercanos en la ventana de píxeles. Los parámetros de la curvatura (plano y perfil) también se basaron en el algoritmo de Zeverbergen y Thorne (1987) sobre ventanas de 3x3 píxeles; el Area C se obtuvo mediante el algoritmo de Tarboton, Bras y Rodríguez-I(1991), el cual utiliza un polinomio cuadrático con 9 términos; el índice de humedad fue determinado según la ecuación: ITH=ln (Area_C/Pend ) (Gessler, Moore McKenzie y Ryan,1995; Wilson y Gallant, 2000). El índice de transporte de sedimentos se determinó a partir de la ecuación ITS=(n+1) (Area_C/22,13) n (sen Pend /0,089)m; donde n=0.4, m=1.3; y el índice del potencial de escorrentía se obtuvo según la ecuación de Moore et al. (1991) (IPE = ln (Area_C x Pend ). La posición relativa (PR) se determinó mediante la fórmula: PR = ([MDE]- [MDEMin]/([MDEMax]-[MDEMin]), donde Max y Min corresponden a las estadísticas máximas y mínimas derivadas del MDE original, en una ventana de 3x3 celdas. c. Red de agrupamiento neuro-borroso Para la obtención de las unidades geomorfométricas se realizó el siguiente procedimiento: a) ingreso de datos de entrada en formato ASCII para generar una matriz de variables; b) entrenamiento de la red neuronal, especificando los parámetros de aprendizaje (número de clases: -12; exponente de borrosidad: 1,1-1,; error de convergencia: 0,0001-0,001; número de iteraciones: La red entrenada genera cuatro archivos de salida: 1) Topology.txt, el cual guarda la estructura de la red entrenada; 2) Statistics.txt, contiene las estadísticas del modelo generado, tales como el FPI, el error final de convergencia, la media, máximo y mínimo de cada uno de los centroides, entre otros; 3) Convergence.txt, donde se almacena el error de convergencia por cada época de generación del modelo; y 4) Fkcn_map.asc, este archivo contiene el mapa generado en formato ASCII, de acuerdo con la topología generada. El mapa se puede visualizar en el sistema FKCN o en cualquier programa SIG, previa conversión del formato (e.g. ASCII a Raster). Es necesario escalar o estandarizar de algún modo los valores de los atributos, por ello el FKCN utiliza una forma de estandarización de las variables que preservan su significado físico, al mismo tiempo que neutralizan el efecto de las unidades sobre la varianza de cada variable, evitando de esta manera que este fenómeno tenga una influencia excesiva en los resultados de la clasificación

6 Tovar et al Tabla 2. Centroides del modelo generados con 11 clases y exponente borroso de 1.2 en la cuenca del río San Juan. Clas Alt Plano -1 Capta ith NW SE W S 540 NW 8714 NE NE SE SE S 2532 NE ips its En cuanto al significado geomorfológico de las 11 clases obtenidas en la clasificación final, se tiene lo siguiente: Figura 3. Estructura de la red neuro-borrosa empleada en el análisis morfométrico. Fuente: Valera (2012) RESULTADOS Y DISCUSIÓN modelo digital de elevación de la cuenca del río San Juan, b) número óptimo de clases geomorfométricas, c) sensibilidad del modelo al número de variables ambientales. Los resultados se presentan basados en los siguientes aspectos: a) características fundamentales del Tabla 1. Parámetros estadísticos descriptivos del MDE de la cuenca del río San Juan Atribute alt aspec capta hum ipe its nvdi20 pend perfil plano precip prel20 Mean Max En la Tabla 1, se detalla el valor de los centroides de cada una de las clases morfométricas del modelo generado por el 9 Revista electrónica de investigación y postgrado Min Std.Dev CV (%) FKCN, específicamente para el MDE de 20 m de resolución espacial. ISSN: Clase 2: corresponde a laderas de paisaje de montaña alta (Grupo Villa de Cura), con msnm, orientación SE y pendiente de 48%; el índice de vegetación alto, con un área de captación baja, y un moderado índice de erosión y un bajo índice de humedad con formas cóncava, y una alta precipitación. (Cerro Platillón). Clase 11: También se corresponden con laderas de montañas altas Formación Las Hermanas) con alturas superiores a los msnm, con orientación NE respectivamente, y pendientes mayores al 39%, lo cual influye en menores áreas de captación y bajos índices de humedad, con índices de vegetación altas y formas topográficas convexas-convexas, y alta precipitación. (Cerro Picachito). Clase 5: también se corresponden con laderas de montañas altas Formación Las Hermanas y Grupo Villa de Cura) con alturas superiores a los 919 msnm, con orientación NW respectivamente, y pendientes mayores al 44%, áreas de captación y bajos índices de humedad, con índices de vegetación altas y formas topográficas cóncavas, y alta precipitación. (Cerro El Aventao). Clases 4 y 8: corresponden a laderas de montañas nvdi20 pend% Perfil C planoc precip prel medias con altitud de 811 y 850 msnm y una orientación S, SE, con pendientes que varían entre 3 y 44% y formas topográficas cóncavasconvexas respectivamente, pertenecen a la formaciones geológicas Chacao y Las Hermanas, el área de captación es baja al igual que los índices de humedad, los índices de vegetación son medios pero no vulnerables a problemas de erosión (Cerro La Gloria). Clase 1 y : corresponden a laderas de montañas bajas con altitud de 795 msnm y una orientación ambas NE, con una pendiente de 51 y 53% y forma topográficas cóncava-cóncava, pertenecen a la formación geológica, Las Hermanas, el área de captación es baja al igual a los índices de humedad y los índices de vegetación son moderados. Clases 7 y 10: corresponden a colinas disectadas con altitud de 509 y 508 msnm y una orientación NE, S, con pendientes que varían entre 17 y 3% y formas topográficas cóncavas-convexas respectivamente, el área de capitación es baja al igual a los índices de humedad y los índices de vegetación son bajos. Clases 3 y 9: corresponden a Valles o Terrazas coluvio-aluvial con altitud de 495 y 484 msnm y una orientación W, SE, con pendientes que varían entre 13 y % y formas topográficas convexasconvexas respectivamente, el área de captación es alta al igual a los índices de humedad, los índices de vegetación son muy bajos (IPE Altos, ITS Bajos). Revista electrónica de investigación y postgrado ISSN:

7 REFERENCIAS Arrel, K.E., Fisher, P.F., Tate, N., Bastin, L. (2007) A fuzzy c-means classification of elevation derivatives to extract de morphometric classification of landforms in Snowdonia, Wales. Comput. Geosci. 33, Consultado en 2009 diciembre 2. Disponible en: http: pedometron15.pdf Bezdek, J.C. (1981). Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum Press. Bezdek, J. C. and Pal, S. K. (1992), Fuzzy Models for Pattern Recognition, IEEE Press, New York. Burrough, P. A.; R.A. McDonnell. (1998). Principles of geographical information systems. Oxford: Oxford University Press. 333 p. Chuvieco, E. (1990). Fundamentos de teledetección espacial. Madrid: Ediciones Rialp. 453 p. Conrad O. (2002): DiGem 2.0. Disponible en: Dehn, M., Gärtner, H., and Dikau, R. (2001) Principles of semantic modeling of landform structures. Computers and Geoscience, 27: Figura 4. Clases obtenidas de resolución espacial MDE 20 m. Mediante un método de clasificación se ha dividido la cuenca del Río San Juan (Municipio Roscio, Estado Guárico) en once clases de formas principales. La superficie incluida en cada clase está caracterizada por una serie de características geomorfológicas que la distinguen de las áreas vecinas. A partir del modelo digital de formas del terreno se ha generado una vista en tres dimensiones que permite evaluar los resultados de una manera visual y rápida. Los resultados muestran que el método utilizado permite identificar con fiabilidad las principales formaciones del terreno, y con mucho mayor detalle, un número elevado de clases. Como objetivo de futuras investigaciones, el uso combinado de imágenes de satélite y de CONCLUSIONES cartografía geológica preexistente a una escala adecuada, puede permitir una mayor precisión en la identificación de las clases morfométricas, en el levantamiento de nueva información, en el análisis físico de cuencas hidrográficas, o en el caso de la realización de un mapa de suelos, de riesgos geológicos o de erosión. La clasificación de las formas del terreno propuesta en el presente trabajo refleja las principales diferencias físicas y estructurales del área estudiada. Sin embargo, los resultados obtenidos pueden ser mejorados. El uso de un MDE más detallado podría permitir la identificación de Posiciones Geomorfológicas o formas de terreno que no pueden percibirse con la resolución empleada, como formas fluviales que aparecen como superficies planas. Dikau, R. (1999) The need for field evidence in modelling landform evolution. In: Hergarten, S. & H. Neugebauer (1999): Process modelling and landform evolution. Lecture Notes in Earth Sciences 78: Dikau,. R. & Schmidt, J. (1999). Georeliefklassifikation. In: Schneider-Sliwa,R. Schaub D, &. Gerold D (Eds.), Angewandte Landschaftsökologie. Grundlagen und Methoden. Berlin: Springer Elizalde, G. (1983). Ensayo de clasificación sistemática de categorías de paisajes. Primera aproximación. Instituto de Edafología. Facultad de Agronomía. UCV. Maracay. 4 p Erdas Field Guide, Geospatial Imaging, LLC Norcross, Georgia, Leica Geosystems. ESRI, ArcGis 9.0. Redland, California, USA. Evans I.S. (1980), An integrated system of terrain analysis and slope mapping, Z. Geomorphol. Suppl. Bd., 3, Felicísimo, A. (1999). La utilización de los MDT en los estudios del medio físico. (Documento en línea). (Consulta: 200, Diciembre 12). 1 p Disponible en: Gerrard, A. J. (1981).Soils and landforms, an integration of geomorphology and pedology. London: Allen & Unwin. Gessler, P.E., Moore, I.D., McKenzie, N.J. and Ryan, P.J. (1995) Soil-landscape modelling and spatial prediction of soil attributes. Int. J. Geographical Information Systems, Vol. 9, 4: Jenny, H. (191). Derivation of state factor equation of soils and ecosystems. Soil Science Society of America Procedings, 25: p. 99

8 Kohonen, T. (1982). Clustering, Taxonomy and Topological Features Maps of Patterns. Proc th International Conference on Pattern Recognition, Munich. Pp Lark, R.M. (1999). Soil landform relationships within-field scales: an investigation using continuous classification. Geoderma 92: Lin, C.; C. Lee. (199). Neural fuzzy systems. New Jersey: Prentice Hall, Inc. USA: 797p. Martín Del Brío, B.; Sanz M. A. (2007). Redes Neuronales y Sistemas Borrosos. 3ra Edición. México: Alfaomega Grupo Editor, S. A. de C.V. Núñez, Y. (200). Relación suelo-paisaje en un sector de la cuenca alta del río Güey, correspondiente a la formación geológica las Brisas. Facultad de Agronomía. Universidad Central de Venezuela. Maracay. Edo. Aragua. 205 p. PELLEGRINI, G. J., 1995, Terrain shape classification of digital elevation models using eigenvectors and Fourier transforms. PhD thesis, State University of New York. Peucker, T.K. and douglas, D.H., Detection of surface-specific points by local parallel processing of discrete terrain elevation data. Computer Graphics and Image Processing, 4, pp. 375?387. Pike, R.J. (1999). A bibliography of geomorphometry, the Quantitative Representation of Topography- Supplement 3 (Open-File Report ), US. Geological Survey. Valera, A. (2012) Tecnologías de Inteligencia Artificial: Redes neuronales artificiales y teoría de conjuntos borrosos para el análisis geomorfométrico de paisajes de montaña. Editorial Academia Española. Madrid, Es. 108 p. Viloria, J. (2007). Predicción espacial de propiedades del suelo por medio de modelos discretos y modelos continuos de variación. Trabajo de Ascenso Profesor Titular. Universidad Central de Venezuela, Facultad de Agronomía. Maracay. 170 p. Wasserman, P. (1989). Neural Network Computing. New York: Van Nos trand Reinhold. Wilson, J. P. y J. C. Gallant (2000)Secondary topographic attributes, En: Wilson, J. P. and J. C. Gallant (eds.), Terrain analysis: principles and applications. New York: John Wiley & Sons, Inc., pp Wood W.W. (199), The geomorphological characterisation of digital elevation models. PhD Thesis, University of Leicester, UK. Consultado 2007, diciembre 2). Disponible en: Wood, W.W. (2002) Role of groundwater in geomorphology, geology and paleoclimate of the southern Haigh Plains, USA. Ground water. 40, Zeverbergen, L. W., y Thorne, C. R. (1987) Quantitative analysis of land surface topography. Earth surface processes and landforms, 12, Pike, R.J., Evans, I., Hengl, T. (2008) Geomorphometry: A Brief Guide. In: Geomorphometry - Concepts, Software, Applications, Hengl, T. and Hannes I. Reuter (eds.), Series Developments in Soil Science vol. 33, Elsevier, pp Rouse, J.W., Haas, R.H., Schell, J.A., y Deering, D.W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. Proc. Third Earth Resources Technology Satellite-1 Symp., Goddard Space Flight Center, NASA SP-351, Science and Technical Information Office, NASA, Washington, D. C. Russell, S. y Norving, P. (2004). Inteligencia Artificial Un enfoque moderno. 2da Edición. ISBN: X. New York: Prentice Hall. Serra W.; G. Ceballos; S. Luna. (2007) Problemática de la Fotointerpretación. (Documento en línea). Disponible (Consulta: 2007, mes: 2). Sotolongo, G; Suárez, CA.; Guzmán, MV Modular Bibliometrics Information System with Propietary Software (MOBIS-ProSoft): a versatile approach to bibliometric research tools. : Library and Information Science Electronic Journal (LIBRES). 2000; September 30, Volume 10 Issue 2. au/ Tarboton, D. G., R. L. Bras and I. Rodriguez-Iturbe, (1991), On the Extraction of Channel Networks from Digital Elevation Data. Hydrologic Processes, 5(1): Valera, A. (2009) Aplicación de técnicas de inteligencia artificial en el modelado de unidades de paisaje en la cuenca del río Güey, Maracay, estado Aragua. Congreso Venezolano de la Ciencia del Suelo, 18., 09 al 13 de marzo de Santa Bárbara del Zulia Ve

Nuevas técnicas de obtención de información topográfica. Fotogrametría digital. GPS

Nuevas técnicas de obtención de información topográfica. Fotogrametría digital. GPS UNIVERSIDAD DIEGO PORTALES Escuela de Ingeniería en Obras Civiles Carlos Rodolfo Marín Uribe Magister en Ingeniería de Vías Terrestres Estudiante Doctorado en Ciencias de la Ingeniería crmarin@uc.cl Nuevas

Más detalles

EL MODELO DE DATOS RASTER

EL MODELO DE DATOS RASTER EL MODELO DE DATOS RASTER El modelo de datos raster, como señala Bosque (1992), es el modelo de datos complementario al modelo vectorial presentado anteriormente. Tiene como principal característica el

Más detalles

Aprender a realizar filtrados de información en capas de SIG raster.

Aprender a realizar filtrados de información en capas de SIG raster. TEMA 40: OPERACIONES DE VECINDAD INMEDIATA OBJETO DEL TEMA: Conocer los diferentes tipos de operaciones de análisis de vecindad inmediata y su metodología de aplicación en los Sistemas de Información Geográfica

Más detalles

MODELOS DE DATOS EN UN SIG: RÁSTER Y VECTORIAL. Los datos espaciales refieren a entidades o fenómenos que cumplen los siguientes principios básicos:

MODELOS DE DATOS EN UN SIG: RÁSTER Y VECTORIAL. Los datos espaciales refieren a entidades o fenómenos que cumplen los siguientes principios básicos: MODELOS DE DATOS EN UN SIG: RÁSTER Y VECTORIAL Los datos espaciales refieren a entidades o fenómenos que cumplen los siguientes principios básicos: Tienen posición absoluta: sobre un sistema de coordenadas

Más detalles

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

Programa de Postgrado en Tecnología, Administración y Ges

Programa de Postgrado en Tecnología, Administración y Ges Programa de Postgrado en Tecnología, Administración y Gestión del Agua Universidad de Murcia Máster en Consultoría hidrológica y manejo de ecosistemas acuáticos: Sistemas de Información Geográfica Introducción

Más detalles

Monitoreo de condiciones meteorológicas en Baja California Sur. Luis M. Farfán (farfan@cicese.mx) CICESE, Unidad La Paz, B.C.S.

Monitoreo de condiciones meteorológicas en Baja California Sur. Luis M. Farfán (farfan@cicese.mx) CICESE, Unidad La Paz, B.C.S. 1 Monitoreo de condiciones meteorológicas en Baja California Sur Luis M. Farfán (farfan@cicese.mx) CICESE, Unidad La Paz, B.C.S. Las condiciones meteorológicas del tiempo representan el estado de la atmósfera

Más detalles

Sistema Inteligente de Exploración

Sistema Inteligente de Exploración Observatorio Municipal de Estadística Sistema Inteligente de Exploración Capítulos 1. Consideraciones iniciales y requerimientos... 2 2. Navegación... 3 3. Consulta de indicadores... 5 3.1. Elaboración

Más detalles

"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios

Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios "Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se

Más detalles

I SEMANA ELECTRONICA REDES NEURONALES

I SEMANA ELECTRONICA REDES NEURONALES UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación

Más detalles

SIG. CIAF Centro de Investigación y Desarrollo en Información Geográfica. Fundamentos de Sistemas de Información Geográfica C U R S O.

SIG. CIAF Centro de Investigación y Desarrollo en Información Geográfica. Fundamentos de Sistemas de Información Geográfica C U R S O. Grupo SIG C U R S O Fundamentos de Sistemas de Información Geográfica UNIDAD 2 Datos geográficos y métodos de almacenamiento Tema 2 Modelos y estructuras de datos CIAF Centro de Investigación y Desarrollo

Más detalles

Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.

Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama. Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El

Más detalles

SYLLABUS : GEOMÁTICA APLICADA A LA CIENCIA AMBIENTAL UNIVERSIDAD NACIONAL AGRARIA LA MOLINA ESCUELA DE POSTGRADO MAESTRIA EN CIENCIAS AMBIENTALES

SYLLABUS : GEOMÁTICA APLICADA A LA CIENCIA AMBIENTAL UNIVERSIDAD NACIONAL AGRARIA LA MOLINA ESCUELA DE POSTGRADO MAESTRIA EN CIENCIAS AMBIENTALES UNIVERSIDAD NACIONAL AGRARIA LA MOLINA ESCUELA DE POSTGRADO MAESTRIA EN CIENCIAS AMBIENTALES SYLLABUS DATOS GENERALES Curso : GEOMÁTICA APLICADA A LA CIENCIA AMBIENTAL Código : IA-7114 Semestre : 2011-II

Más detalles

MANUAL PARA EL TRATAMIENTO DE IMÁGENES SATELITALES CON INDICE DE VEGETACION DE DIFERENCIA NORMALIZADA (NDVI)

MANUAL PARA EL TRATAMIENTO DE IMÁGENES SATELITALES CON INDICE DE VEGETACION DE DIFERENCIA NORMALIZADA (NDVI) Instituto de Investigaciones Agropecuarias - INIA FIC Regional 2012-2013 MANUAL PARA EL TRATAMIENTO DE IMÁGENES SATELITALES CON INDICE DE VEGETACION DE DIFERENCIA NORMALIZADA (NDVI) Documento elaborado

Más detalles

Sistemas de Información Geográficos (SIG o GIS)

Sistemas de Información Geográficos (SIG o GIS) Sistemas de Información Geográficos (SIG o GIS) 1) Qué es un SIG GIS? 2) Para qué sirven? 3) Tipos de datos 4) Cómo trabaja? 5) Modelos de datos, Diseño Conceptual 6) GeoDataase (GD) 7) Cómo evaluamos

Más detalles

forma de entrenar a la nuerona en su aprendizaje.

forma de entrenar a la nuerona en su aprendizaje. Sistemas expertos e Inteligencia Artificial,Guía5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: SISTEMAS BASADOS EN CONOCIMIENTO. Objetivo

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

ESPECIFICACIONES TÉCNICAS. de la Ortofoto infrarroja de Cataluña 1:25000 (OI-25M) v2.1

ESPECIFICACIONES TÉCNICAS. de la Ortofoto infrarroja de Cataluña 1:25000 (OI-25M) v2.1 ESPECIFICACIONES TÉCNICAS de la Ortofoto infrarroja de Cataluña 1:25000 (OI-25M) v2.1 ESPECIFICACIONES TÉCNICAS Revisión del documento 1.0 (septiembre 2010) de la Ortofoto Infrarroja de Cataluña 1:25

Más detalles

www.gtbi.net soluciones en Fotogrametría Digital El software de análisis más potente basado en objetos de datos geoespaciales. Fotogrametría Digital

www.gtbi.net soluciones en Fotogrametría Digital El software de análisis más potente basado en objetos de datos geoespaciales. Fotogrametría Digital soluciones en Fotogrametría Digital El software de análisis más potente basado en objetos de datos geoespaciales. Fotogrametría Digital www.gtbi.net LA MANERA DE ENTENDER EL MUNDO ESTÁ CAMBIANDO El usuario

Más detalles

CURSO SUPERIOR DE GIS Y TELEDETECCIÓN APLICADO A ESTUDIOS AMBIENTALES

CURSO SUPERIOR DE GIS Y TELEDETECCIÓN APLICADO A ESTUDIOS AMBIENTALES CURSO SUPERIOR DE GIS Y TELEDETECCIÓN APLICADO A ESTUDIOS AMBIENTALES 1.-CONCEPTO DE TELEDETECCIÓN Podemos definir La Teledetección, como La ciencia y Arte de obtener información acerca de la superficie

Más detalles

PROCESO DE ELABORACIÓN DE INFORMACION GEOGRAFICA DEL SIG - IGM

PROCESO DE ELABORACIÓN DE INFORMACION GEOGRAFICA DEL SIG - IGM PROCESO DE ELABORACIÓN DE INFORMACION GEOGRAFICA DEL SIG - IGM Imagen Satelital de alta resolución Carta base (curvas de nivel), o procesos fotogramétricos Apoyo de campo Corrección geométrica y radiométrica

Más detalles

SUPERFICIE ESPECULAR Y LAMBERTIANA

SUPERFICIE ESPECULAR Y LAMBERTIANA SUPERFICIE ESPECULAR Y LAMBERTIANA Especular: es la superficie ideal en la que se cumple perfectamente la ley de la reflexión (ángulo incidente = ángulo reflejado). Lambertiana: es la superficie, también

Más detalles

SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA. Lic. Maikel León Espinosa. mle@uclv.edu.cu

SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA. Lic. Maikel León Espinosa. mle@uclv.edu.cu EDU082 Resumen SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA Lic. Maikel León Espinosa mle@uclv.edu.cu Departamento de Ciencia de la Computación Universidad Central Marta Abreu de Las Villas Carretera

Más detalles

TEMA 39: OPERACIONES LOCALES EN EL MODELO RASTER

TEMA 39: OPERACIONES LOCALES EN EL MODELO RASTER TEMA 39: OPERACIONES LOCALES EN EL MODELO RASTER OBJETO DEL TEMA: Conocer las herramientas de análisis de los Sistemas de Información Geográfica raster para realizar operaciones locales. Comprender la

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

MÓDULO 4. GEOPROCESAMIENTO CON SEXTANTE GVSIG

MÓDULO 4. GEOPROCESAMIENTO CON SEXTANTE GVSIG MÓDULO 4. GEOPROCESAMIENTO CON SEXTANTE GVSIG - Descarga y visualización MDE Arrancamos gvsig y renombramos la vista como Geoprocesamiento. Vamos a descargarnos el MDT perteneciente al Municipio de Alcalá

Más detalles

REPRESENTACIÓN CARTOGRÁFICA

REPRESENTACIÓN CARTOGRÁFICA REPRESENTACIÓN CARTOGRÁFICA Qué es un mapa? Un mapa es una representación geométrica plana, simplificada y convencional, de toda o parte de la superficie terrestre, con una relación de similitud proporcionada,

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por

Más detalles

CAPITULO I EL PROBLEMA. En los procesos industriales exigen el control de la fabricación de los

CAPITULO I EL PROBLEMA. En los procesos industriales exigen el control de la fabricación de los CAPITULO I EL PROBLEMA 1.- PLANTEAMIENTO DEL PROBLEMA En los procesos industriales exigen el control de la fabricación de los diversos productos obtenidos. Estos procesos son muy variados y abarcan diferentes

Más detalles

App para realizar consultas al Sistema de Información Estadística de Castilla y León

App para realizar consultas al Sistema de Información Estadística de Castilla y León App para realizar consultas al Sistema de Información Estadística de Castilla y León Jesús M. Rodríguez Rodríguez rodrodje@jcyl.es Dirección General de Presupuestos y Estadística Consejería de Hacienda

Más detalles

I INTRODUCCIÓN. 1.1 Objetivos

I INTRODUCCIÓN. 1.1 Objetivos I INTRODUCCIÓN 1.1 Objetivos En el mundo de la informática, la auditoría no siempre es aplicada en todos las empresas, en algunos de los casos son aplicadas por ser impuestas por alguna entidad reguladora,

Más detalles

Elementos requeridos para crearlos (ejemplo: el compilador)

Elementos requeridos para crearlos (ejemplo: el compilador) Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción

Más detalles

La metodologia Cuantitativa. Encuestas y muestras

La metodologia Cuantitativa. Encuestas y muestras La metodologia Cuantitativa. Encuestas y muestras Técnicas «cuantitativas» y «cualitativas» «Las técnicas cuantitativas»: Recogen la información mediante cuestiones cerradas que se planteal sujeto de forma

Más detalles

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade

Más detalles

SCOP++ Lidar. Metodología de filtrado

SCOP++ Lidar. Metodología de filtrado SCOP++ Lidar. Metodología de filtrado 1 Contenido 1 Estrategia de filtrado y clasificación... 4 Eliminate Building Step (eliminación de edificios)... 5 Thin Out Step (reducción de densidad del fichero

Más detalles

Workshop Taller I: Introducción a los SIG

Workshop Taller I: Introducción a los SIG Taller I: Introducción a los SIG Talleristas: Comunidad SIG MAPA EDUCATIVO Qué es la información geográfica? https://www.youtube.com/watch?v=qvkldkhvvyo Qué es un SIG o GIS? Las siglas significan lo mismo,

Más detalles

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza

Más detalles

qgis intensivo Nivel iniciación y nivel intermedio 90 horas FORMACIÓN

qgis intensivo Nivel iniciación y nivel intermedio 90 horas FORMACIÓN qgis es un sistema de información geográfica libre y de código abierto (SIN COSTES DE LICENCIA) qgis intensivo Nivel iniciación y nivel intermedio FORMACIÓN 90 horas /formación formación específica adaptada

Más detalles

ortosky, una única plataforma para la integración de diferentes formatos y la obtención de un producto mejorado JIDEE BARCELONA Noviembre 2011

ortosky, una única plataforma para la integración de diferentes formatos y la obtención de un producto mejorado JIDEE BARCELONA Noviembre 2011 1 ortosky, una única plataforma para la integración de diferentes formatos y la obtención de un producto mejorado JIDEE BARCELONA Noviembre 2011 2 Introducción SRM es una empresa de servicios creada en

Más detalles

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN

Más detalles

MAPA DE RIESGO DE EROSIÓN DE SUELO PARA LA CUENCA DEL RIO YAGÜEZ EN PUERTO RICO

MAPA DE RIESGO DE EROSIÓN DE SUELO PARA LA CUENCA DEL RIO YAGÜEZ EN PUERTO RICO MAPA DE RIESGO DE EROSIÓN DE SUELO PARA LA CUENCA DEL RIO YAGÜEZ EN PUERTO RICO Nelson M. Anaya (nelson.anaya@upr.edu) Departamento de Ingeniería Civil Universidad de Puerto Rico Recinto de Mayagüez Resumen

Más detalles

11-23- 93 CARACTERIZACION DE LAS MICROCUENCAS DE CABUYAL I. INTRODUCCION

11-23- 93 CARACTERIZACION DE LAS MICROCUENCAS DE CABUYAL I. INTRODUCCION 11-23- 93 CARACTERIZACION DE LAS MICROCUENCAS DE CABUYAL I. INTRODUCCION El presente informe se deriva de la base de datos generada hasta el momento con la sistematización de la información geográfica

Más detalles

TECNÓLOGO EN INFORMÁTICA PLAN DE ESTUDIOS

TECNÓLOGO EN INFORMÁTICA PLAN DE ESTUDIOS Administración Nacional de Universidad de la República Educación Pública Facultad de Ingenieria CF Res..0.07 Consejo Directivo Central Consejo Directivo Central Res..05.07 Res. 17.0.07 TECNÓLOGO EN INFORMÁTICA

Más detalles

UNIVERSIDAD DE ALMERÍA ESCUELA SUPERIOR DE INGENIERÍA TITULACIÓN DE INGENIERÍA TÉCNICA AGRÍCOLA ESPECIALIDAD MECANIZACIÓN Y CONSTRUCCIONES RURALES

UNIVERSIDAD DE ALMERÍA ESCUELA SUPERIOR DE INGENIERÍA TITULACIÓN DE INGENIERÍA TÉCNICA AGRÍCOLA ESPECIALIDAD MECANIZACIÓN Y CONSTRUCCIONES RURALES UNIVERSIDAD DE ALMERÍA ESCUELA SUPERIOR DE INGENIERÍA TITULACIÓN DE INGENIERÍA TÉCNICA AGRÍCOLA ESPECIALIDAD MECANIZACIÓN Y CONSTRUCCIONES RURALES OPTIMIZACIÓN DE LA CLASIFICACIÓN SUPERVISADA BASADA EN

Más detalles

Fundamentos del diseño 3ª edición (2002)

Fundamentos del diseño 3ª edición (2002) Unidades temáticas de Ingeniería del Software Fundamentos del diseño 3ª edición (2002) Facultad de Informática necesidad del diseño Las actividades de diseño afectan al éxito de la realización del software

Más detalles

Tema 7. Introducción al reconocimiento de objetos

Tema 7. Introducción al reconocimiento de objetos Tema 7. Introducción al reconocimiento de objetos En resumen, un sistema de reconocimiento de patrones completo consiste en: Un sensor que recoge las observaciones a clasificar. Un sistema de extracción

Más detalles

REGISTRO DE PEDIDOS DE CLIENTES MÓDULO DE TOMA DE PEDIDOS E INTEGRACIÓN CON ERP

REGISTRO DE PEDIDOS DE CLIENTES MÓDULO DE TOMA DE PEDIDOS E INTEGRACIÓN CON ERP REGISTRO DE PEDIDOS DE CLIENTES MÓDULO DE TOMA DE PEDIDOS E INTEGRACIÓN CON ERP Visual Sale posee módulos especializados para el método de ventas transaccional, donde el pedido de parte de un nuevo cliente

Más detalles

ARCGIS 10, gestión hidrológica mediante tecnologías SIG

ARCGIS 10, gestión hidrológica mediante tecnologías SIG ARCGIS 10, gestión hidrológica mediante tecnologías SIG INTRODUCCIÓN Los MDE son capaces, por sí solos, de generar modelos digitales de terreno secundarios a partir de los cuales construir redes de drenaje

Más detalles

ArcGIS 10, análisis del riesgo de incendios y diseño de viales forestales

ArcGIS 10, análisis del riesgo de incendios y diseño de viales forestales ArcGIS 10, análisis del riesgo de incendios y diseño de viales forestales INTRODUCCIÓN El manejo de los modelos digitales de terreno permite evaluar los costes y las necesidades a poner en juego a la hora

Más detalles

INFORME DETERMINACIÓN DE LOS ESPESORES DE HIELO EN LOS GLACIARES DEL ANETO Y LA MALADETA MEDIANTE GEO-RADAR.

INFORME DETERMINACIÓN DE LOS ESPESORES DE HIELO EN LOS GLACIARES DEL ANETO Y LA MALADETA MEDIANTE GEO-RADAR. ESTUDIO DE LA CUANTIFICACIÓN DE LOS RECURSOS HÍDRICOS PROCEDENTES DE LA FUSIÓN NIVAL Y SU INFLUENCIA SOBRE EL MEDIO AMBIENTE EN LAS PRINCIPALES CORDILLERAS ESPAÑOLAS (PROGRAMA ERHIN) INFORME DETERMINACIÓN

Más detalles

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de

Más detalles

MARCO METODOLÓGICO CAPITULO III

MARCO METODOLÓGICO CAPITULO III MARCO METODOLÓGICO CAPITULO III CAPITULO III MARCO METODOLÓGICO En esta sección se presenta el tipo de investigación, las técnicas de recolección de datos y finalmente la metodología utilizada para el

Más detalles

MODELO ESTACIONAL DE LLUVIAS EN BASE A PROCESOS DE POISSON NO HOMOGÉNEOS.

MODELO ESTACIONAL DE LLUVIAS EN BASE A PROCESOS DE POISSON NO HOMOGÉNEOS. MODELO ESTACIONAL DE LLUVIAS EN BASE A PROCESOS DE POISSON NO HOMOGÉNEOS. I.1 OBJETIVO Y UTILIDAD: El objetivo principal de este trabajo, realizado como Trabajo Final de Máster en Ingeniería Hidráulica

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

INTRODUCCIÓN MEDIANTE USO DE INFORMACIÓN DIGITAL EXISTENTE

INTRODUCCIÓN MEDIANTE USO DE INFORMACIÓN DIGITAL EXISTENTE LECCIÓN 33: PROCESO DE CAPTURA DE DATOS EN EL MODELO VECTOR OBJETIVOS DE LA LECCIÓN: Estudiar los métodos de introducción de datos en formato vectorial Tener una visión global de formas de introducción

Más detalles

ANALIZANDO GRAFICADORES

ANALIZANDO GRAFICADORES ANALIZANDO GRAFICADORES María del Carmen Pérez E.N.S.P.A, Avellaneda. Prov. de Buenos Aires Instituto Superior del Profesorado "Dr. Joaquín V. González" Buenos Aires (Argentina) INTRODUCCIÓN En muchos

Más detalles

Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.

Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:

Más detalles

qgis ii Nivel intermedio 45 horas FORMACIÓN qgis es un sistema de información geográfica libre y de código abierto (SIN COSTES DE LICENCIA)

qgis ii Nivel intermedio 45 horas FORMACIÓN qgis es un sistema de información geográfica libre y de código abierto (SIN COSTES DE LICENCIA) qgis es un sistema de información geográfica libre y de código abierto (SIN COSTES DE LICENCIA) qgis ii Nivel intermedio FORMACIÓN 45 horas /formación formación específica adaptada FORMACIÓN Imasgal desarrolla

Más detalles

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador

Más detalles

TERMINOS DE REFERENCIA. Oficina de las Naciones Unidas contra la Droga y el Delito. Sistemas de Monitoreo de Cultivos Ilícitos Perú.

TERMINOS DE REFERENCIA. Oficina de las Naciones Unidas contra la Droga y el Delito. Sistemas de Monitoreo de Cultivos Ilícitos Perú. TERMINOS DE REFERENCIA CONVOCATORIA UNODC N 013-2015 Organización Proyecto: Título: Duración: Oficina de las Naciones Unidas contra la Droga y el Delito Sistemas de Monitoreo de Cultivos Ilícitos Perú.

Más detalles

Ayuda En-línea para SIG

Ayuda En-línea para SIG Sistema De Información Geográfica (SIG) de Republica Dominicana Ayuda En-línea para SIG Acerca de SIG SIG es una herramienta que facilita el proceso de revisión ambiental y la planificación de proyectos

Más detalles

Los servicios más comunes son como por ejemplo; el correo electrónico, la conexión remota, la transferencia de ficheros, noticias, etc.

Los servicios más comunes son como por ejemplo; el correo electrónico, la conexión remota, la transferencia de ficheros, noticias, etc. Página 1 BUSCADORES EN INTERNET Internet es una red de redes informáticas distribuidas por todo el mundo que intercambian información entre sí mediante protocolos 1 TCP/IP. Puede imaginarse Internet como

Más detalles

MAPA DE CHILE CON TEMPERATURAS DE REFERENCIA EN CUERPOS DE AGUAS SUPERFICIALES CONTINENTALES

MAPA DE CHILE CON TEMPERATURAS DE REFERENCIA EN CUERPOS DE AGUAS SUPERFICIALES CONTINENTALES MAPA DE CHILE CON TEMPERATURAS DE REFERENCIA EN CUERPOS DE AGUAS SUPERFICIALES CONTINENTALES 1 2 INDICE DE CONTENIDOS Introducción 4 Desarrollo 4 Metodología 4 Confección de la Cartografía 5 Cartografía

Más detalles

Alumna: Adriana Elizabeth Mendoza Martínez. Grupo: 303. P.S.P. Miriam De La Rosa Díaz. Carrera: PTB. en Informática 3er Semestre.

Alumna: Adriana Elizabeth Mendoza Martínez. Grupo: 303. P.S.P. Miriam De La Rosa Díaz. Carrera: PTB. en Informática 3er Semestre. Alumna: Adriana Elizabeth Mendoza Martínez. Grupo: 303. P.S.P. Miriam De La Rosa Díaz. Carrera: PTB. en Informática 3er Semestre. Tema: Sistemas Subtema: Base de Datos. Materia: Manejo de aplicaciones

Más detalles

Soluciones de Cartografía, GIS y Teledetección www.tycgis.com CURSO DE ESPECIALISTA EN TELEDETECCIÓN Y GIS APLICADO AL MEDIO AMBIENTE

Soluciones de Cartografía, GIS y Teledetección www.tycgis.com CURSO DE ESPECIALISTA EN TELEDETECCIÓN Y GIS APLICADO AL MEDIO AMBIENTE CURSO DE ESPECIALISTA EN TELEDETECCIÓN Y GIS APLICADO AL MEDIO AMBIENTE MODALIDAD ONLINE Profesionales formando a Profesionales 2015 formacion@tycgis.com Calle Rodríguez San Pedro 13, 3ª Planta, Oficina

Más detalles

MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL

MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación

Más detalles

SISTEMA. Figura 3 Esquema general de un sistema

SISTEMA. Figura 3 Esquema general de un sistema 2-SISTEMAS DE CONTROL 2.1- QUÉ ES UN SISTEMA DE CONTROL? Un sistema dinámicopuede definirse conceptualmente como un ente que recibe unas acciones externas o variables de entrada, y cuya respuesta a estas

Más detalles

Programación Gráfica. Conceptos Básicos

Programación Gráfica. Conceptos Básicos 2013 1 Procesamiento de Imágenes. Es el campo que trata con métodos, técnicas, y algoritmos para manipulación, realce e interpretación de imágenes. Graficación por Computadora. Es la disciplina concerniente

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Grado en Ingeniería Informática Competencias Generales y trasversales De acuerdo con la resolución del Consejo de Universidades de fecha 3 de marzo de 2009, para obtener este título de grado en ingeniería

Más detalles

Electrificación en zonas rurales mediante sistemas híbridos

Electrificación en zonas rurales mediante sistemas híbridos Electrificación en zonas rurales mediante sistemas híbridos Julio 2013 Pág. 1 de 6 Antecedentes y situación actual En los últimos años, el crecimiento y desarrollo del sector fotovoltaico ha sufrido un

Más detalles

Introducción a los Sistemas de Información Geográfica.

Introducción a los Sistemas de Información Geográfica. Introducción a los Sistemas de Información Geográfica. Un sistema de información geográfico, es una herramienta de apoyo a la toma de decisiones relacionadas con el posicionamiento cartográfico de actividades

Más detalles

Enfoque propuesto para la detección del humo de señales de video.

Enfoque propuesto para la detección del humo de señales de video. Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera

Más detalles

Un filtro general de respuesta al impulso finita con n etapas, cada una con un retardo independiente d i y ganancia a i.

Un filtro general de respuesta al impulso finita con n etapas, cada una con un retardo independiente d i y ganancia a i. Filtros Digitales Un filtro general de respuesta al impulso finita con n etapas, cada una con un retardo independiente d i y ganancia a i. En electrónica, ciencias computacionales y matemáticas, un filtro

Más detalles

activuspaper Text Mining and BI Abstract

activuspaper Text Mining and BI Abstract Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura

Más detalles

DIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD

DIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD Curso Asignatura 2014/2015 MATEMÁTICAS II 1º Comentarios acerca del programa del segundo curso del Bachillerato, en relación con la Prueba de Acceso a la Universidad La siguiente relación de objetivos,

Más detalles

UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos

UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos 2.1. Principios básicos del Modelado de Objetos UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos Hoy en día muchos de los procesos que intervienen en un negocio o empresa y que resuelven

Más detalles

MANUAL DE USO DEL SISTEMA DE LOCALIZACION Y MONITOREO SATELITAL

MANUAL DE USO DEL SISTEMA DE LOCALIZACION Y MONITOREO SATELITAL MANUAL DE USO DEL SISTEMA DE LOCALIZACION Y MONITOREO SATELITAL 1. Ingreso al sistema Cada usuario del sistema debe tener una cuenta y clave de acceso, Además cada usuario pertenece a un grupo y perfil

Más detalles

Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología

Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología La metodología para el desarrollo de software es un modo sistemático de realizar, gestionar y administrar un proyecto

Más detalles

Realidad virtual en arquitectura

Realidad virtual en arquitectura T E C N O L O G Í A Realidad virtual en arquitectura ALEJANDRO EZEQUIEL JUÁREZ sánchez Imagen que muestra una de las salas equipadas para la investigación en el diseño arquitectónico. Los elementos estructurales

Más detalles

ORIENTACIONES PARA LA PRUEBA DE APTITUD PARA EL ACCESO A LA UNIVERSIDAD

ORIENTACIONES PARA LA PRUEBA DE APTITUD PARA EL ACCESO A LA UNIVERSIDAD ORIENTACIONES PARA LA PRUEBA DE APTITUD PARA EL ACCESO A LA UNIVERSIDAD MODALIDAD CIENTÍFICO-TÉCNICO 1. NOMBRE DE LA MATERIA: Matemáticas II 2. NOMBRE DEL COORDINADOR: Miguel Delgado Pineda (mdelgado@mat.uned.es,

Más detalles

Unidad 1. Fundamentos en Gestión de Riesgos

Unidad 1. Fundamentos en Gestión de Riesgos 1.1 Gestión de Proyectos Unidad 1. Fundamentos en Gestión de Riesgos La gestión de proyectos es una disciplina con la cual se integran los procesos propios de la gerencia o administración de proyectos.

Más detalles

1.4.- D E S I G U A L D A D E S

1.4.- D E S I G U A L D A D E S 1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y

Más detalles

3.1 JUSTIFICACION E IMPORTANCIA DEL PRESENTE TRABAJO DE

3.1 JUSTIFICACION E IMPORTANCIA DEL PRESENTE TRABAJO DE III INTRODUCCION 3.1 JUSTIFICACION E IMPORTANCIA DEL PRESENTE TRABAJO DE INVESTIGACION Hoy en día la computadora es tan importante para el ingeniero Como lo fue en su momento la regla de cálculo. Mediante

Más detalles

CAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de

CAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de CAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de cualquier modelo en el software Algor. La preparación de un modelo,

Más detalles

Productos cartográficos y sus características

Productos cartográficos y sus características Productos cartográficos y sus características 1 Productos cartográficos y sus características "En la Naturaleza no existen fronteras. No están más que en nuestra mente. Toda tierra es de todos y toda cultura

Más detalles

ARCHIVOS CON SERIES DEL BOLETÍN ESTADÍSTICO Manual de Usuario

ARCHIVOS CON SERIES DEL BOLETÍN ESTADÍSTICO Manual de Usuario Dirección General del Servicio de Estudios 04.09.2007 ARCHIVOS CON SERIES DEL BOLETÍN ESTADÍSTICO Manual de Usuario Departamento de Estadística Hoja de Control Título Autor Versión Fecha Registro de Cambios

Más detalles

Los mayores cambios se dieron en las décadas de los setenta, atribuidos principalmente a dos causas:

Los mayores cambios se dieron en las décadas de los setenta, atribuidos principalmente a dos causas: SISTEMAS DISTRIBUIDOS DE REDES 1. SISTEMAS DISTRIBUIDOS Introducción y generalidades La computación desde sus inicios ha sufrido muchos cambios, desde los grandes equipos que permitían realizar tareas

Más detalles

1. Construcción de Planes de Acción Sectoriales (PAS)

1. Construcción de Planes de Acción Sectoriales (PAS) 1. Construcción de Planes de Acción Sectoriales (PAS) La construcción de los PAS es la prioridad de trabajo de la ECDBC en el 2013. Los PAS estarán constituidos por diferentes medidas de mitigación (políticas,

Más detalles

ESTUDIO ADMINISTRATIVO

ESTUDIO ADMINISTRATIVO ESTUDIO ADMINISTRATIVO ORGANIZACIÓN ADMINISTRATIVA Coordinación racional de las actividades de un cierto número de personas que intentan conseguir un objetivo común y explícito mediante la división de

Más detalles

Desarrollo de Sistema de Información Geográfico para la Gestión de Catastro Urbano en Gobiernos Locales de Perú. Marino Carhuapoma Hilario

Desarrollo de Sistema de Información Geográfico para la Gestión de Catastro Urbano en Gobiernos Locales de Perú. Marino Carhuapoma Hilario Desarrollo de Sistema de Información Geográfico para la Gestión de Catastro Urbano en Gobiernos Locales de Perú. Marino Carhuapoma Hilario Msc. En Ingeniería de Catastro mcarhuapoma@gmail.com www.geomatica.ideasg.org

Más detalles

Construyendo gráficos estadísticos con ayuda de Microsoft Excel

Construyendo gráficos estadísticos con ayuda de Microsoft Excel Construyendo gráficos estadísticos con ayuda de Microsoft Excel Eduardo Aguilar Fernández Universidad Nacional Heredia, Costa Rica eaguilar2@gmail.com Andrey Zamora Araya Universidad Nacional Heredia,

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Resumen

Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Resumen Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Arturo Gómez Cortés y Raúl Leal Ascencio ITESO, Guadalajara Resumen El presente trabajo describe una arquitectura

Más detalles

XV CONGRESO DE INGENIERIA SANITARIA Y AMBIENTAL AIDIS CHILE. Concepción, Octubre de 2003

XV CONGRESO DE INGENIERIA SANITARIA Y AMBIENTAL AIDIS CHILE. Concepción, Octubre de 2003 XV CONGRESO DE INGENIERIA SANITARIA Y AMBIENTAL AIDIS CHILE Concepción, Octubre de 2003 ESTRUCTURA Y MANEJO DE UNA BASE DE DATOS PARA LA CARACTERIZACIÓN DE LOS RECURSOS HIDRICOS: APLICACIÓN AL RIO BIOBIO,

Más detalles

by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true

by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

http://www.nicasoft.com.ni

http://www.nicasoft.com.ni BSC-RH es un sistema automatizado de planificación estratégica y gestión, utilizado en empresas para direccionar las actividades del negocio a la visión y estrategia de la organización. Mejora la comunicación

Más detalles

Trabajo Práctico Nº 8 Tema: Morfometría Fluvial

Trabajo Práctico Nº 8 Tema: Morfometría Fluvial Trabajo Práctico Nº 8 Tema: Morfometría Fluvial Objetivo: Aplicar técnicas de geomorfología cuantitativa para el análisis de cuencas hidrográficas y sistemas de drenaje ACTIVIDADES 1. En la carta topográfica

Más detalles

MUESTREO TIPOS DE MUESTREO

MUESTREO TIPOS DE MUESTREO MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de

Más detalles