| Resumo: |
El mapeo digital de suelos consiste en emplear algoritmos computacionales y predictores que representan las variables para la generación de mapas de suelos. Existen evidencias que estos mapas son confiables. Sin embargo, para la elaboración de mapas de clases de tierra campesinas, utilizando técnicas digitales se tiene poca información y los mapas producidos son de baja calidad porque han utilizado sólo los valores de reflectancias de las clases de tierras como predictores y algoritmos limitados en cuanto a su configuración. Por lo anterior, en esta investigación se evaluó la calidad de los mapas de clases de tierra campesinas generados en México, en condiciones ambientales contrastantes (árida, templada y tropical), a partir de técnicas empleadas en la cartografía digital de suelos con el objetivo de generar una metodología aplicable en las diferentes regiones. Se emplearon seis clasificadores: arboles de decisión, redes neuronales artificiales, mínima distancia, paralepipedo, máxima verosimilitud y inverso de la distancia. Así, como imágenes de satélite y atributos topográficos como predictores. Los resultados mostraron que la variable que más influyó en aumentar la precisión y la exactitud de los mapas fue la elevación. En cuanto a los algoritmos, el inverso de la distancia fue el mejor en comparación con máxima verosimilitud, redes neuronales artificiales y árboles de decisión. Además, es menos complejo para configurar, no requiere de los predictores y es más eficiente por necesitar menos puntos de muestreo para su configuración adecuada. Este último factor es también muy importante en la cartografía digital de clases de tierra campesinas porque requiere que la información sea lo más confiable posible para que el entrenamiento del algoritmo sea preciso, lo cual se logra con la toma de esta información en campo y a través de entrevistas con los campesinos, este paso es muy relevante y puede establecerse que el muestreo en campo no se debe omitir. No obstante, si se puede emplear un esquema que permita maximizar el muestreo, recomendándose el diseño espacial sistemático.________The digital mapping of soils is to use computer algorithms and predictive variables representing the generation of soil maps. There is evidence that these maps are reliable. However for the mapping of farmland classes using digital techniques, with slight information and maps produced are of low quality because they have used only the reflectance values of the farmland classes and algorithms to predict limited in its configuration. For these reasons, this research evaluated the quality of the maps of farmland land classes generated in Mexico in contrasting environmental conditions (arid, temperate and tropical), from techniques used in digital mapping of soils with the aim of generate a methodology applicable in different regions. Six classifications were used: decision trees, artificial neural networks, minimum distance, parallelepiped, maximum likelihood and inverse distance. Thus, as remote sensing data and topographic attributes as predictors. The results showed that the most influential variable to enhance the precision and accuracy of the maps was the elevation. As for the algorithms, the inverse of the distance was the best compared to maximum likelihood, artificial neural networks and decision trees. It is also a reduced amount of complex to configure, does not require the predictors and is more efficient by requiring a reduced amount of sampling points for suitable configuration. This last factor is also very important in the digital mapping of farmland classes because it requires that the information is as reliable as possible for the training of the algorithm is accurate, which is achieved by making this information in the field and through interviews with farmers, this step is very relevant and can be established that the field sampling should not be ignored. However, if we can use a scheme that maximizes the sample, recommending systematic spatial design.
Tesis (Doctorado en Ciencias, especialista en Edafología).- Colegio de Postgraduados, 2009.
CONACYT
|
