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. 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

El Modelo Digital de Terreno (MDT)

El Modelo Digital de Terreno (MDT) Capítulo 7 El Modelo Digital de Terreno (MDT) Uno de los elementos básicos de cualquier representación digital de la superficie terrestre son los Modelos Digitales de Terreno (MDT). Constituyen la base

Más detalles

La utilización de los MDT en los estudios del medio físico

La utilización de los MDT en los estudios del medio físico La utilización de los MDT en los estudios del medio físico Angel Manuel Felicísimo http://www.etsimo.uniovi.es/~feli/ Abril de 1999 Introducción Los sistemas de información geográfica manejan información

Más detalles

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

Crectealc México. Experiencia con el programa educativo de Percepción Remota y Sistemas de Información Geográfica - PR/SIG

Crectealc México. Experiencia con el programa educativo de Percepción Remota y Sistemas de Información Geográfica - PR/SIG Experiencia con el programa educativo de Percepción Remota y Sistemas de Información Geográfica - PR/SIG Contenido Introducción Formación del programa PR y SIG Descripción de módulos Estudiantes: perfiles,

Más detalles

MODELOS DIGITALES DE TERRENO

MODELOS DIGITALES DE TERRENO MODELOS DIGITALES DE TERRENO INTRODUCCIÓN Las cotas del terreno son uno de los componentes de mayor importancia en los trabajos topográficos. Si queremos representar sobre un plano la topografía de un

Más detalles

Primera Reunión Internacional sobre Humedales

Primera Reunión Internacional sobre Humedales Primera Reunión Internacional sobre Humedales Sistemas de Información Geográfica y Percepción Remota Dr. Carlos Raúl Montaño Espinosa Jefe de Administración de Geobase de Datos y Difusión Web Subgerencia

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

Revista Ambiente Forestal. La importancia de la Evaluación y Monitoreo de los Recursos Naturales, en las Ciencias Forestales

Revista Ambiente Forestal. La importancia de la Evaluación y Monitoreo de los Recursos Naturales, en las Ciencias Forestales Revista Ambiente Forestal La importancia de la Evaluación y Monitoreo de los Recursos Naturales, en las Ciencias Forestales Prof. Miguel Castillo S. Departamento de Manejo de Recursos Forestales Universidad

Más detalles

INTRODUCCIÓN A LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA. Francisco J. Dávila Martínez Cartoteca Servicio de Documentación Geográfica y Biblioteca IGN

INTRODUCCIÓN A LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA. Francisco J. Dávila Martínez Cartoteca Servicio de Documentación Geográfica y Biblioteca IGN INTRODUCCIÓN A LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA Francisco J. Dávila Martínez Cartoteca Servicio de Documentación Geográfica y Biblioteca IGN 1 Introducción a los S.I.G. Qué es un SIG/GIS? Conceptos

Más detalles

CAPÍTULO 2 PROCESAMIENTO DIGITAL DE IMÁGENES

CAPÍTULO 2 PROCESAMIENTO DIGITAL DE IMÁGENES CAPÍTULO PROCESAMIENTO DIGITAL DE IMÁGENES En este capítulo se presentan de manera breve, una explicación de la visión, las imágenes digitales y como son capturadas por medios electrónicos, el campo encargado

Más detalles

SIG aplicados al análisis y cartografía de riesgos climáticos

SIG aplicados al análisis y cartografía de riesgos climáticos SIG aplicados al análisis y cartografía de riesgos climáticos Dpto. Geografía Física, Humana y Análisis Geográfico Regional Universidad de Murcia URL: http://www.um.es/~geograf/sigmur CORREO-E: alonsarp@um.es

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

Introducción a Sistemas de Información Geográfica (Resumen)

Introducción a Sistemas de Información Geográfica (Resumen) Introducción a Sistemas de Información Geográfica (Resumen) Existen términos que creemos exclusivos de los sistemas GIS, pero que anteriormente han sido acuñados por grandes personajes, como es el caso

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

Utilización de Sistemas de Información Geográfica para la Seguridad Alimentaria sostenible en zonas marginadas de Honduras, Nicaragua y Guatemala

Utilización de Sistemas de Información Geográfica para la Seguridad Alimentaria sostenible en zonas marginadas de Honduras, Nicaragua y Guatemala Vector vs Raster Por la gran cantidad de información que maneja en cada píxel, los modelos raster necesitan potentes computadoras y de una gran capacidad de memoria virtual y de disco duro. Sin embargo,

Más detalles

Fundamentos de Cartografía y su aplicación a Sistemas de Información Geográfica

Fundamentos de Cartografía y su aplicación a Sistemas de Información Geográfica Fundamentos de Cartografía y su aplicación a Sistemas de Información Geográfica Derrotero Nociones básicas de cartografía aplicada a SIGs: Escala / representación del planeta Proyecciones cartográficas

Más detalles

Conceptos básicos, modelos y simulación

Conceptos básicos, modelos y simulación Capítulo 1 Conceptos básicos, modelos y simulación por Angel Manuel Felicísimo, biólogo http://www.etsimo.uniovi.es/~feli/ Introducción Los sistemas de información geográfica manejan información territorial

Más detalles

< 37 C 37-42 C 42-47 C 47-52 C 52-57 C > 57 C

< 37 C 37-42 C 42-47 C 47-52 C 52-57 C > 57 C Tipos de interpretación Clasificación de coberturas. Generación de variables ambientales. Detección de cambios. Morfología parcelaria. Medición tri-dimensional. Cobertura del suelo Interpretación visual

Más detalles

Diplomado en Ingeniería Geomántica del Instituto de Fotogrametría de la Universidad de Los Andes

Diplomado en Ingeniería Geomántica del Instituto de Fotogrametría de la Universidad de Los Andes Vol. 16, 2011 (1) enero - junio / p. 119-124 / ISSN 1316-6077 Geoenseñanza Diplomado en Ingeniería Geomántica del Instituto de Fotogrametría Diploma in Geomatic Engineers of the Institute of Photogrammetry

Más detalles

8.1. FITROS DE PASO BAJO 81. Figura 8.1: Tipos de filtro y mecanismo de aplicación

8.1. FITROS DE PASO BAJO 81. Figura 8.1: Tipos de filtro y mecanismo de aplicación 8.1. FITROS DE PASO BAJO 81 Figura 8.1: Tipos de filtro y mecanismo de aplicación 82 TEMA 8. TÉCNICAS DE FILTRADO -2-1 0 1 2-2 -1 0 1 2-2 -1 0 1 2-2 -1 0 1 2-2 -1 0 1 2-2 -2-2 -2-2 -1-1 -1-1 -1 0 0 0 0

Más detalles

NUEVA METODOLOGÍA PARA EL PROCESO CARTOGRÁFICO DIGITAL

NUEVA METODOLOGÍA PARA EL PROCESO CARTOGRÁFICO DIGITAL NUEVA METODOLOGÍA PARA EL PROCESO CARTOGRÁFICO DIGITAL El Instituto Geográfico Militar y la incorporación de nuevas metodologías (1922 2014) 2 Definición conceptual de la metodología Qué estándar utilizar

Más detalles

Tecnologías de la Información Geográfica: SIG y Teledetección

Tecnologías de la Información Geográfica: SIG y Teledetección (3 ó 4 y Aprendizaje Avanzado en SIG Vectoriales Accesibilidad y adecuación de equipamientos socio-sosanitarios mediante técnicas SIG en Extremadura (Residencias) Ana Nieto Masot Se revisará la accesibilidad

Más detalles

INFORMACION TECNICA ENVI APLICACIONES

INFORMACION TECNICA ENVI APLICACIONES Pág.: 1 / 5 INFORMACION TECNICA ENVI APLICACIONES APLICACIONES ENVI es empleado por numerosas organizaciones y sociedades en todo el mundo. A continuación se muestran algunos ejemplos de diferentes aplicaciones.

Más detalles

Datos Geográficos: Consideraciones y Fuentes

Datos Geográficos: Consideraciones y Fuentes Datos Geográficos: Consideraciones y Fuentes Enrique Martínez Meyer emm@ib.unam.mx Instituto de Biología Universidad Nacional Autónoma de México WorldClim Características de los datos geográficos Fuente:

Más detalles

Sistema de Información Geográfica

Sistema de Información Geográfica 2014 Sistema de Información Geográfica INSTITUTO NACIOLA DE ESTADÍSTICA Y GEOGRAFÍA Objetivo del curso... 3 Unidad I. Introducción... 4 Definición SIG... 4 Objetivos... 4 Componentes... 4 Diagrama de un

Más detalles

EXPLORACION DE GLACIARES Octubre 2010. Ing. BENJAMIN MORALES ARNAO

EXPLORACION DE GLACIARES Octubre 2010. Ing. BENJAMIN MORALES ARNAO EXPLORACION DE GLACIARES Octubre 2010 Ing. BENJAMIN MORALES ARNAO N TEMAS DE EXPLORACION DE GLACIARES 1 Cartas Topográficas 2 Imagen de Satélite 3 Levantamientos Topográficos 4 GPS 5 Levantamiento LIDAR

Más detalles

MANEJO DE MODELOS DIGITALES DEL TERRENO DEL INSTITUTO GEOGRÁFICO NACIONAL

MANEJO DE MODELOS DIGITALES DEL TERRENO DEL INSTITUTO GEOGRÁFICO NACIONAL MANEJO DE MODELOS DIGITALES DEL TERRENO DEL INSTITUTO GEOGRÁFICO NACIONAL JUAN CARLOS OJEDA MANRIQUE UNIDAD DE OBSERVACIÓN DEL TERRITORIO S.G. CARTOGRAFÍA INSTITUTO GEOGRÁFICO NACIONAL En la actualidad

Más detalles

DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES

DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES Pérez Flores, Tonatiuh Jaime 1, Rodríguez Rocha, Ramsés 2 y Gómez Ramírez, Eduardo 3 Instituto Politécnico Nacional Escuela Superior de Ingeniería

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

Sistema para el control inteligente de un robot manipulador System for the intelligent control of a robotic manipulator

Sistema para el control inteligente de un robot manipulador System for the intelligent control of a robotic manipulator AUTOMATIZACIÓN DE LAS MÁQUINAS Y DE LOS PROCESOS TECNOLÓGICOS AUTOMATION OF THE MACHINES AND THE TECHNOLOGICAL PROCESSES Sistema para el control inteligente de un robot manipulador System for the intelligent

Más detalles

SENSORES REMOTOS. En el Plan de Estudios 2000 se plantea como objetivo general de la asignatura el siguiente:

SENSORES REMOTOS. En el Plan de Estudios 2000 se plantea como objetivo general de la asignatura el siguiente: SENSORES REMOTOS PRESENTACION La cátedra de SENSORES REMOTOS forma parte de las asignaturas obligatorias del ciclo instrumental del tercer nivel del Profesorado y Licenciatura en Geografía. Las posibilidades

Más detalles

El formato raster. Fundamentos

El formato raster. Fundamentos Capítulo 4 El formato raster. Fundamentos El formato ráster se fundamenta en la división del área de estudio en una matriz de celdillas, generalmente cuadradas. Cada una de estas celdillas recibe un único

Más detalles

La cartografía y los sistemas de información geográfica en el manejo integrado de cuencas

La cartografía y los sistemas de información geográfica en el manejo integrado de cuencas La cartografía y sistemas de información 59 La cartografía y los sistemas de información geográfica en el manejo integrado de cuencas Gerardo Bocco Introducción Los recursos naturales, tales como el agua

Más detalles

SIG para la actualización, elaboración de cartografía, análisis multiespectral y base de datos geográfica de la cuenca Balsa

SIG para la actualización, elaboración de cartografía, análisis multiespectral y base de datos geográfica de la cuenca Balsa SIG para la actualización, elaboración de cartografía, análisis multiespectral y base de datos geográfica de la cuenca Balsa INCART, Innovaciones Cartográficas, incartsa@gmail.com, 263 7398 Contacto, Cartógrafo

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

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

APLICACIÓN DE LAS REDES NEURONALES PARA EL CONTROL Y SEGUIMIENTO EN TIEMPO REAL DE LOS INCENDIOS FORESTALES MEDIANTE IMÁGENES NOAA-AVHRR

APLICACIÓN DE LAS REDES NEURONALES PARA EL CONTROL Y SEGUIMIENTO EN TIEMPO REAL DE LOS INCENDIOS FORESTALES MEDIANTE IMÁGENES NOAA-AVHRR APLICACIÓN DE LAS REDES NEURONALES PARA EL CONTROL Y SEGUIMIENTO EN TIEMPO REAL DE LOS INCENDIOS FORESTALES MEDIANTE IMÁGENES NOAA-AVHRR K. R. Al-Rawi, and J. L. Casanova E-mail:kamal@latuv.uva.es Laboratorio

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

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

Curso online Especialista en ArcGIS aplicado a la ordenación del territorio y medio ambiente

Curso online Especialista en ArcGIS aplicado a la ordenación del territorio y medio ambiente Curso online Especialista en ArcGIS aplicado a la ordenación del territorio y medio ambiente El curso online de Especialista en ArcGIS aplicado a la ordenación del va dirigido a todos aquellos que deseen

Más detalles

TEMA 9 RECTIFICACIÓN DE IMÁGENES

TEMA 9 RECTIFICACIÓN DE IMÁGENES TEMA 9 RECTIFICACIÓN DE IMÁGENES 9.1- Introducción En fotogrametría aérea cuando el terreno es llano y la toma es nadiral, el fotograma resultante es homotético con el terreno y por lo tanto un plano a

Más detalles

Formato raster. Algebra de mapas.

Formato raster. Algebra de mapas. Capítulo 5 Formato raster. Algebra de mapas. En el tema anterior se expusieron las ideas básicas referentes a la codificación y almacenamiento de información espacial en formato raster, así como los fundamentos

Más detalles

CAPÍTULO 2 SISTEMAS DE INFORMACIÓN GEOGRÁFICA. 2.1 Introducción a los Sistemas de Información Geográfica.

CAPÍTULO 2 SISTEMAS DE INFORMACIÓN GEOGRÁFICA. 2.1 Introducción a los Sistemas de Información Geográfica. CAPÍTULO 2 SISTEMAS DE INFORMACIÓN GEOGRÁFICA. 2.1 Introducción a los Sistemas de Información Geográfica. Los sistemas de información geográfica (SIGs) tienen actualmente un uso extendido en el mundo,

Más detalles

SEGUIMIENTO DETALLADO DE LOS CAMBIOS URBANÍSTICOS QUE SE PRODUCEN EN EL TÉRMINO MUNICIPAL DE MADRID

SEGUIMIENTO DETALLADO DE LOS CAMBIOS URBANÍSTICOS QUE SE PRODUCEN EN EL TÉRMINO MUNICIPAL DE MADRID SEGUIMIENTO DETALLADO DE LOS CAMBIOS URBANÍSTICOS QUE SE PRODUCEN EN EL TÉRMINO MUNICIPAL DE MADRID ALBIZUA HUARTE, L. 1 ; ZALBA ALMANDOZ, M. 1 ; ROMERO CUADRADO, J. M. 2 1 Trabajos Catastrales, S.A. Área

Más detalles

CICY CICY Centro de Investigación Científica de Yucatán, A. C.

CICY CICY Centro de Investigación Científica de Yucatán, A. C. CICY CICY Centro de Investigación Científica de Yucatán, A. C. POSGRADO EN CIENCIAS ESPECIALIDAD: RECURSOS NATURALES MODELACION ESPACIAL CON SIG Y PERCEPCION REMOTA PROFESORES: Dr. José Luis Hernández-Stefanoni:

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

Foro de Discusión y Análisis. Los sistemas modernos de información como apoyo a la gestión de riesgos agropecuarios

Foro de Discusión y Análisis. Los sistemas modernos de información como apoyo a la gestión de riesgos agropecuarios Foro de Discusión y Análisis Los sistemas modernos de información como apoyo a la gestión de riesgos agropecuarios Introducción a la geomática Parte 2 Foro de Discusión y Análisis "Los Sistemas modernos

Más detalles

de riesgos Por Dr. José Ramón Martínez Batlle

de riesgos Por Dr. José Ramón Martínez Batlle Sistemas de información geográfica para la gestión de riesgos Por Dr. José Ramón Martínez Batlle I. Identificación Nombre de la Asignatura : Sistemas de información geográfica para la gestión de riesgos

Más detalles

Bases de Datos Geográficas

Bases de Datos Geográficas 2 Bases de Datos Geográficas El secreto del éxito es la constancia en el propósito Benjamín Disraeli Cuántas manzanas habrán caído sobre la cabeza de Newton antes que comprendiera lo que le estaban sugiriendo

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

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

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

MÉTODO LUCIS LAND-USE CONFLICT IDENTIFICATION STRATEGY

MÉTODO LUCIS LAND-USE CONFLICT IDENTIFICATION STRATEGY Geografía y Sistemas de Información Geográfica (GEOSIG). Revista digital del Grupo de Estudios sobre Geografía y Análisis Espacial con Sistemas de Información Geográfica (GESIG). Programa de Estudios Geográficos

Más detalles

Anexo I Cartografía comparativa entre el evento de 2013 y los periodos de recurrencia

Anexo I Cartografía comparativa entre el evento de 2013 y los periodos de recurrencia Determinación de las zonas inundadas, a partir de imágenes de satélite, en la zona media del Guadiana durante el episodio de crecidas de los días 1 a 8 de abril de 2013 Julio 2013 ÍNDICE 1. Introducción...

Más detalles

Metodología. Descripción técnica

Metodología. Descripción técnica Metodología Descripción técnica El principio científico que opera bajo esta propuesta técnica consiste en la comparación temporal de los estados de la vegetación en las diferentes áreas naturales protegidas

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

PROSPECCIÓN REMOTA E INVESTIGACIÓN ARQUEOLÓGICA II Guadalupe Zetina Gutiérrez REUNIÓN DE USUARIOS SIGSA ESRI 2015

PROSPECCIÓN REMOTA E INVESTIGACIÓN ARQUEOLÓGICA II Guadalupe Zetina Gutiérrez REUNIÓN DE USUARIOS SIGSA ESRI 2015 PROSPECCIÓN REMOTA E INVESTIGACIÓN ARQUEOLÓGICA II Guadalupe Zetina Gutiérrez REUNIÓN DE USUARIOS SIGSA ESRI 2015 DE LA ARQUEOLOGÍA TRADICIONAL A LA ARQUEOLOGÍA DIGITAL DEL SIGLO XXI ARQUEOLOGÍA TRADICIONAL

Más detalles

ANÁLISIS Y ESTIMACIÓN DE PROPIEDADES EDÁFICAS CON SENSORES REMOTOS

ANÁLISIS Y ESTIMACIÓN DE PROPIEDADES EDÁFICAS CON SENSORES REMOTOS ANÁLISIS Y ESTIMACIÓN DE PROPIEDADES EDÁFICAS CON SENSORES REMOTOS Lenom CAJUSTE-BONTEMPS a, Carlos A. ORTIZ-SOLORIO a, Patricio SÁNCHEZ-GUZMÁN a, Edgar V. GUTIERREZ-CASTORENA b, Enrique OJEDA-TREJO a

Más detalles

III DIPLOMADO EN GEOMÁTICA (Agosto Diciembre 2015)

III DIPLOMADO EN GEOMÁTICA (Agosto Diciembre 2015) III DIPLOMADO EN GEOMÁTICA (Agosto Diciembre 2015) Las posibilidades que nos ofrece la Geomática, disciplina que tiene su origen en la interoperabilidad de las geociencias y herramientas tecnológicas geoespaciales

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

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

Capítulo 1. Introducción

Capítulo 1. Introducción Capítulo 1. Introducción El WWW es la mayor fuente de imágenes que día a día se va incrementando. Según una encuesta realizada por el Centro de Bibliotecas de Cómputo en Línea (OCLC) en Enero de 2005,

Más detalles

Sistema de Información n Geográfica de la Cuenca del Río R o Galipan. Estado Vargas SIGAL

Sistema de Información n Geográfica de la Cuenca del Río R o Galipan. Estado Vargas SIGAL Sistema de Información n Geográfica de la Cuenca del Río R o Galipan. Estado Vargas SIGAL Instituto de Mecánica de Fluidos UCV Centro de Estudios de Desastres Ambientales Presentado por: Lic. Amalin CáceresC

Más detalles

Sistemas de Información Geográfica. Modelos de datos de un SIG El modelo vector. Miguel Ángel Sanz Santos

Sistemas de Información Geográfica. Modelos de datos de un SIG El modelo vector. Miguel Ángel Sanz Santos Sistemas de Información Geográfica Modelos de datos de un SIG El modelo vector Indice: Fundamentos Estructura de los datos vector Representación de las variables geográficas y los elementos Variables cualitativas

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

del proceso de digitalización n o escaneado.. ProcesoP

del proceso de digitalización n o escaneado.. ProcesoP Entrada de datos Los datos deben estar en formato digital. Existen varias formas para conseguirlos: 1. Realización n propia del proceso de digitalizaci 1. 2. del proceso de digitalización n o escaneado..

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

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

2010 Trimble Navigation Limited. Trimble Mobile Mapping MX8

2010 Trimble Navigation Limited. Trimble Mobile Mapping MX8 2010 Trimble Navigation Limited Trimble Mobile Mapping MX8 Trimble Geospatial Imaging Division Captura de datos geo-referenciados Extracción de características y atributos Analizar las condiciones y el

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

Instituto Nicaragüense de Estudios Territoriales INETER

Instituto Nicaragüense de Estudios Territoriales INETER Instituto Nicaragüense de Estudios Territoriales INETER Dirección General de Geodesia y Cartografía Noviembre 2008 SDT-DF-Tx51 No.03482811 Informe Técnico Título Organización INFORME TÉCNICO DE LA ELABORACIÓN

Más detalles

TEMA 0 INTRODUCCIÓN A LA VISIÓN ARTIFICIAL

TEMA 0 INTRODUCCIÓN A LA VISIÓN ARTIFICIAL TEMA 0 INTRODUCCIÓN A LA VISIÓN ARTIFICIAL QUÉ ES LA VISIÓN ARTIFICIAL (V.A.)? La V.A. consiste en... el proceso de obtención, caracterización e interpretación de la información a partir de imágenes. La

Más detalles

ESTIMACIÓN SATELITAL DEL RECURSO SOLAR: MODELO CHILE-SR

ESTIMACIÓN SATELITAL DEL RECURSO SOLAR: MODELO CHILE-SR ESTIMACIÓN SATELITAL DEL RECURSO SOLAR: MODELO CHILE-SR Center for Solar Energy Technologies Cristian Cortés 14 de agosto de 2015 Contenidos Estimación satelital de la irradiación solar en la superficie

Más detalles

DISPONIBILIDAD DEL RECURSO HÍDRICO EN LA MICROCUENCA DEL RÍO SEGUNDO. REGIÓN CENTRAL DE COSTA RICA. 1

DISPONIBILIDAD DEL RECURSO HÍDRICO EN LA MICROCUENCA DEL RÍO SEGUNDO. REGIÓN CENTRAL DE COSTA RICA. 1 DISPONIBILIDAD DEL RECURSO HÍDRICO EN LA MICROCUENCA DEL RÍO SEGUNDO. REGIÓN CENTRAL DE COSTA RICA. 1 RESUMEN La microcuenca del río Segundo como parte de la principal zona de explotación hídrica, en la

Más detalles

MICRODISEÑO CURRICULAR Ingeniería de Sistemas. Créditos TPS TIS TPT TIT

MICRODISEÑO CURRICULAR Ingeniería de Sistemas. Créditos TPS TIS TPT TIT 1. IDENTIFICACIÓN Asignatura Visión Artificial Área Nivel IV Código Pensum Correquisito(s) Prerrequisito(s) Créditos TPS TIS TPT TIT 2. JUSTIFICACIÓN. La visión artificial es una de las disciplinas de

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

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

Tema 1.- Introducción a la Visión Artificial

Tema 1.- Introducción a la Visión Artificial Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad

Más detalles

Memorias. La Geoinformación al Servicio de la Sociedad

Memorias. La Geoinformación al Servicio de la Sociedad La Geoinformación al Servicio de la Sociedad Memorias Sociedad Latinoamericana en Percepción Remota y Sistemas de Información Espacial Capítulo Colombia Medellín, Colombia 29 de Septiembre al 3 de Octubre

Más detalles

Erosión de suelo y mapa de riesgo para la cuenca del Río Grande de Añasco, Puerto Rico

Erosión de suelo y mapa de riesgo para la cuenca del Río Grande de Añasco, Puerto Rico Erosión de suelo y mapa de riesgo para la cuenca del Río Grande de Añasco, Puerto Rico Ángel A. Anaya (angel.a.anaya@gmail.com) Edwin J. Colón (edwinjcolon@gmail.com) Departamento de Ingeniería Civil Universidad

Más detalles

Aplicaciones de SIG y teledetección en la exploración de patrones arqueológicos en el ámbito geográfico del Gran Coclé

Aplicaciones de SIG y teledetección en la exploración de patrones arqueológicos en el ámbito geográfico del Gran Coclé en la exploración de patrones arqueológicos en el ámbito geográfico del Gran Coclé José Ramón CHANTADA ACOSTA Universidad de Santiango de Compostela, Departamento de Xeografía xeramon@usc.es Mercedes CASCIANI

Más detalles

Colección ordenada de mapas proyectada como conjunto.

Colección ordenada de mapas proyectada como conjunto. Febrero, 2015 Asentamiento humano Atlas Base de datos Carta Clarke 1866 Cónica conforme de Lambert Conjunto de datos Continuo Coordenadas geográficas Coordenadas planas Croquis Datos catastrales Establecimiento

Más detalles

Filtrado de Imágenes y Detección de Orillas Utilizando un Filtro Promediador Móvil Multipunto Unidimensional

Filtrado de Imágenes y Detección de Orillas Utilizando un Filtro Promediador Móvil Multipunto Unidimensional Filtrado de Imágenes y Detección de Orillas Utilizando un Filtro Promediador Móvil Multipunto Unidimensional Mario A. Bueno a, Josué Álvarez-Borrego b, Leonardo Acho a y Vitaly Kober c mbueno@cicese.mx,

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

QUÉ HACE UN SIG CON LA INFORMACIÓN?

QUÉ HACE UN SIG CON LA INFORMACIÓN? QUÉ HACE UN SIG CON LA INFORMACIÓN? Representación de la información. La representación primaria de los datos en un SIG está basada en algunos tipos de objetos universales que se refieren al punto, línea

Más detalles

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Curso sobre Técnicas de Visualización CEH-CEDEX, 10 junio de 2011 APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Aplicación de técnicas

Más detalles

TELEDETECCIÓN AÉREA Y ESPACIAL GRAU DE GEOGRAFIA I MEDI AMBIENT UNIVERSITAT DE VALÈNCIA

TELEDETECCIÓN AÉREA Y ESPACIAL GRAU DE GEOGRAFIA I MEDI AMBIENT UNIVERSITAT DE VALÈNCIA TELEDETECCIÓN AÉREA Y ESPACIAL GRAU DE GEOGRAFIA I MEDI AMBIENT UNIVERSITAT DE VALÈNCIA 1.- FITXA IDENTIFICATIVA Dades de l assignatura Coordinació 2.- RESUM Codi: 33806 Nom: Teledetección aérea y espacial

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

Sistemas de información en tiempo real para la gestión táctica de emergencias

Sistemas de información en tiempo real para la gestión táctica de emergencias Sistemas de información en tiempo real para la gestión táctica de emergencias Salvador Bayarri. Director técnico. Esphera Visual Systems sbayarri@esphera.eu Resumen La coordinación de diferentes administraciones,

Más detalles

La teledetección como herramienta de apoyo a las oficinas de planificación en el campo del ciclo integral del agua I Jornadas de Ingeniería del Agua

La teledetección como herramienta de apoyo a las oficinas de planificación en el campo del ciclo integral del agua I Jornadas de Ingeniería del Agua La teledetección como herramienta de apoyo a las oficinas de planificación en el campo del ciclo integral del agua I Jornadas de Ingeniería del Agua Alberto Rodríguez Fontal Doctor Ingeniero C.C.P. -Jefe

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

Mapas Autoorganizados

Mapas Autoorganizados Mapas Autoorganizados 1 Mapas Autoorganizados S.O.M (Self organized Maps) Mapas de características similar a la organización topológica de la corteza cerebral. Kohonen :dada una estructura y una descripción

Más detalles

ESCUELA DE OFICIALES DE LAFUERZA AÉREA DEL PERÚ

ESCUELA DE OFICIALES DE LAFUERZA AÉREA DEL PERÚ SÍLABO CARTOGRAFIA CODÍGO: 15051603 I. DATOS GENERALES 1.1. Nivel de Estudios : Pre Grado 1.2. Orientación : A las Ingenierías 1.3. Año : Tercero 1.4. Créditos : 2.5 1.5. Pre-requisito : Matemáticas II

Más detalles

Práctica 2 - Procesamiento de Imágenes

Práctica 2 - Procesamiento de Imágenes Práctica 2 - Procesamiento de Imágenes En esta práctica veremos diferentes técnicas de tratamiento que suelen ser aplicadas a las imágenes obtenidas desde satélites. Muchos de los procedimientos que aprendamos

Más detalles

Sensores y monitores de cosecha. FUNDAMENTO DEL SISTEMA Farmscan

Sensores y monitores de cosecha. FUNDAMENTO DEL SISTEMA Farmscan Jaume Arnó Satorra Departament d Enginyeria Agroforestal José A. Martínez-Casasnovas Servei Cientifictècnic SIG i Teledetecció Agricultura de precisió Jornada tècnica Mollerussa 14 de març de 2007 FUNDAMENTO

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

EJERCICIO. Clasificación No Supervisada

EJERCICIO. Clasificación No Supervisada EJERCICIO Clasificación No Supervisada Este ejercicio consiste en manejar las imágenes satelitales para hacer una interpretación del tipo de cobertura que representan. Basándose en la manipulación numérica

Más detalles

Manual de procesos en fotografías aéreas e Imágenes de satélite

Manual de procesos en fotografías aéreas e Imágenes de satélite NOTAS Proyecto Microcuenca Plantón - Pacayas Manual de procesos en fotografías aéreas e Imágenes de satélite Documento técnico Nº 11 Área: Evaluación de Tierras Elaborado: Geografo Eddison José Araya Morales

Más detalles