ESTIMACIÓN DE LA CAPACIDAD DE USO DE LAS TIERRAS DEL ESTADO ARAGUA, VENEZUELA, MEDIANTE REGRESIÓN LOGÍSTICA MULTINOMINAL

Oscar  Abarca * y  Miguel A. Bernabé P.**

*Profesor. UCV. Instituto de Ingeniería Agrícola. Facultad de Agronomía. Maracay, estado Aragua. Venezuela

**Profesor. Universidad Politécnica de Madrid. Departamento de Ingeniería Topográfica y Cartografía. Madrid. Correo electrónico: abarcao@agr.ucv.ve , ma.bernabe@upm.es

RESUMEN

En esta investigación se desarrolla un modelo de geoprocesamiento para la estimación de la Capacidad de Uso de las Tierras agrícolas del estado Aragua, Venezuela, mediante el ajuste de un modelo de regresión logística multinominal. Se generaron 38 variables geomorfométricas, mediante el procesamiento de un Modelo Digital de Elevación (MDE) derivado de las imágenes radar SRTM (Shuttle Radar Topography Mission), de imágenes Landsat ETM+ (Enhanced Thematic Mapper Plus) y de información climatológica del área. En definitiva se seleccionaron 19 variables como factores del modelo y se obtuvo una bondad de ajuste moderada a escala regional con un pseudo R2 de 0,48, estadísticamente significativo (P≈0), y un Índice Kappa global de 76%. El modelo también se ajustó y validó a escala local, obteniéndose una mejora en el ajuste y capacidad de estimación en las localidades donde el factor relieve tiene mayor importancia (R2=0,76 y R2=0,54). En zonas planas, donde otros factores como el material parental son más importantes para la pedogénesis, el ajuste del modelo y su validación no es mejor que el regional (R2=0,32). A nivel global se obtuvo un 76% de concordancia estimación/realidad y a nivel local ésta varía entre 64 y 93%.

Palabras Clave: geoprocesamiento; geomorfometría; Capacidad de Uso de la Tierra; regresión logística multinominal; Venezuela.

LAND USE CAPABILITY ESTIMATION OF ARAGUA STATE, VENEZUELA BY MULTINOMIAL LOGISTIC REGRESSION

SUMMARY

Key Words: geoprocessing; geomorphometry; land use capability; multinomial logistic regression; Venezuela.

RECIBIDO: diciembre 09, 2011  ACEPTADO: enero 19, 2011

INTRODUCCIÓN

En Venezuela los estudios de suelo a escala 1:250.000 (Estudios a Gran Visión) cubren cerca del 95% de la superficie nacional, a escala 1:100.000 (Estudios de Reconocimiento) comprenden unas 8,8 millones ha (10% del territorio) y a escala 1:50.000 o mayor (estudios semidetallados y detallados) abarcan solo unas 2,8 millones de ha (3% del territorio nacional) según Viloria (2008) y Rey (2007). Estas cifras reflejan la escasa disponibilidad de la información requerida para realizar una adecuada planificación y gestión del sector agrícola nacional o para implementar mecanismos de gestión de tierras como el impuesto predial (previsto en la Ley de Tierra y Desarrollo Agrario ). Los levantamientos de suelo requieren un arduo trabajo que implica fases de planificación, muestreo en campo, análisis de laboratorio y procesamiento de datos, por lo que son lentos y costosos, lo que explica en parte la escases de mapas detallados y actualizados.

Cuando existe información edafológica apropiada se pueden aplicar métodos propuestos en diferentes países para la evaluación de la Tierra, tales como la Evaluación de Tierras por Capacidad de Uso (Klingebiel y Montgomery, 1961; Comerma y Arias, 1971); Clasificación de Tierras con Fines de Riego (USDI, 1971); Clasificación de la Capacidad de Fertilidad del Suelo (Sánchez et al., 1982); Evaluación de Tierras para Propósitos Específi cos, de acuerdo al esquema y directrices de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (siglas en inglés FAO, 1991; 1990; 1985; 1983; 1976). Algunas propiedades del suelo, claves en la determinación de la Capacidad de Uso de la Tierra, pueden ser evaluadas directamente con imágenes de sensores remotos . Esto a pesar de que usualmente el suelo se encuentra cubierto por la vegetación y que sólo en algunos casos su superficie es visible (Rossiter, 2005). Las imágenes multiespectrales del sensor Landsat pueden representar covariables ambientales de vegetación, material parental y suelos y, conjuntamente con Modelos Digitales de Elevación (MDE), utilizarse para modelar la distribución del suelo en el paisaje (Boettinger et al., 2008).

Un área de investigación que se viene desarrollando desde hace unos 15 años, útil para la estimación de las propiedades de los suelos en áreas con escasa información, es la cartografía predictiva de los suelos (Dobos y Hengl, 2009; Lagacherie, 2008; Scull et al., 2003) y de otras variables ambientales relacionadas con la pedo génesis (Hengl y MacMillan, 2009; Jelaska, 2009; Evans et al., 2009; MacMillan et al., 2009; Peckham, 2009; Emeis y Knoche, 2009). Algunos enfoques en esta área se orientan a la estimación de las propiedades de los suelos apoyándose en Modelos Digitales del Terreno (MDT) y modelado estadístico (Dobos y Hengl, 2009; Giasson et al., 2008; Debella-Gilo et al., 2007; Drăgut y Blaschke, 2006; Schneider y Robbins, 2001; Lagacherie y Voltz, 2000; McKenzie y Ryan, 1999) o la clasifi cación automatizada de unidades de suelos a partir de los MDT combinada con técnicas de clasificación de imágenes, aplicada sobre parámetros de dichos modelos (Valladares y Hott, 2008; Penizek y Boruvka, 2008; Mendoça-Santos et al., 2008; Carvalho et al., 2008; Hengl y Rossiter, 2003; Bathgate y Duran, 2003; Ventura e Irvin, 2000). En el campo de la cartografía predictiva, la regresión logística multinomial es útil en la predicción de variables de tipo categórica o multi-categórica como las clases de Capacidad de Uso de la Tierra. Diversos autores emplearon este modelo para la cartografía predictiva de suelos con reportes satisfactorios de resultados (Giasson et al., 2008; Debella-Gilo et al., 2007; Brenning y Trombotto, 2006; Campling et al., 2002; Ohlmacher y Davis, 2003; Gurdak (2006). La ecuación de la relación entre la variable dependiente y las variables independientes en la regresión logística multinomial es la siguiente:

El Odds se convierte a probabilidad P mediante la expresión:

Cada clase de Capacidad de Uso determinada con el modelo logístico, es una variable difusa y su afiliación o membresía al mapa es estimada a través de la probabilidad determinada con la regresión logística (Ec. 3). El modelo se aplica sobre puntos de muestreo, con Capacidad de Uso conocida (variable dependiente), y con un conjunto de atributos geomorfométricos, derivados de  los MDT (variables independientes).

Para la elaboración de mapas de suelo, bajo el enfoque de cartografía predictiva de suelos, se utilizó capas derivadas de los MDT tales como el gradiente de la pendiente , longitud de la pendiente, curvatura horizontal y vertical, flujo acumulado, densidad de líneas de flujo ,

Los datos para la elaboración de los MDT pueden provenir de fuentes tan diversas como topografía de campo convencional o con el Sistema de Posicionamiento Global (siglas en inglés GPS), digitalización de mapas topográficos existentes o de imágenes de sensores remotos espaciales o aerotransportados. Particularmente interesante para áreas con escasa información topográfica, son las imágenes de Radar (bandas C y X) obtenidas por el Shuttle Radar Topography Mission (SRTM), suministrada su libre disponibilidad en Internet, vía FTP.

La mayor parte de la investigación en cartografía predictiva de suelos se ha hecho a escalas muy grandes, prevaleciendo una deficiencia en la producción de mapas regionales, con enfoque en el factor relieve, minimizando el efecto neto de los otros cuatro factores formadores del suelos (clima, biota, material parental y tiempo) demostrado por Scull et al., 2003.

La cartografía predictiva de suelos podría ser utilizada en las áreas con escasa información edafológica de Venezuela para generar la información requerida en los procedimientos de valoración del impuesto territorial y con fines de planificación regional y gestión de políticas agrícolas.

El objetivo de esta investigación es estimar la Capacidad de Uso de la Tierra en áreas con escasa información edafológica, a partir del ajuste de un modelo de regresión logístico multinominal. Como área de estudio se seleccionó el estado Aragua, Venezuela, para realizar un ajuste de carácter regional, tomando información existente sobre la Capacidad de Uso en algunos sectores representativos del Estado (variable dependiente), y variables geomorfométricas derivadas de los MDE satelital (variables predictoras del modelo).

MATERIALES Y MÉTODOS

Para lograr el objetivo propuesto se desarrolló la siguiente secuencia metodológica:

a. Selección del área de estudio. Esta comprende al estado Aragua, región administrativa ubicada en el centro -norte de Venezuela y ocupa una superficie de 7.212,88 km2. El estado se extiende entre los 9°15´ y 10°32´ de latitud norte y 66°32´ y 67°52´ de longitud oeste (WGS84). La superficie del estado se conforma por una franja estrecha de dirección NO-SE-S, con un ancho que varía entre 18 y 70 km y un largo de 190 km aproximadamente (Figura 1).

b. Selección de áreas de muestreo para la definición de la variable dependiente Capacidad de Uso de la Tierra Strebin y Pérez (1974) realizaron un estudio de clasificación de la Capacidad de Uso de las tierras del estado Aragua y generaron un mapa a escala 1:100.000 con clases y subclases de capacidad, para un nivel de manejo de agricultura a gran escala (manejo mejorado).

Otros autores revisaron la clasificación, actualizando los datos e incrementaron la escala, estudiando otros parámetros ambientales en la zona o en sectores de ésta (Biasino, 1983; Jaimes, 1985; Biasino et al., 1990; Viloria et al., 1998; Abreu, 2000; Jácome et al., 2001ª; Jácome et al., 2001b; SIACRA, 2005; SISDELAV, 2005; SIACARG, 2005; CEAEA, 2005; Pineda et al., 2006; Machado et al., 2007; Abarca, 1998; Abarca y Bernabé, 2008a; Abarca y Ormeño, 2009).

A partir de estos estudios se seleccionaron cinco sectores (Figura 2) en los que, además de la revisión o actualización de la variable Capacidad de Uso de la Tierra, se caracterizaron otras variables ambientales. En estos sectores se realiza el muestreo estadístico de la variable a predecir (Capacidad de Uso) y se controla la generación de las variables empleadas en el modelo. Los sectores seleccionados fueron : cuenca alta del río El Limón , cuenca del río Aragua, cuenca alta del río Guárico, sector Tocorón y sector La Peñita. Las áreas seleccionadas son representativas de los distintos ambientes ecológicos que caracterizan la región y cuentan con estudios de suelo a escalas 1:25.000 y 1:100.000.

c. Obtención de un MDE a partir de imágenes de sensores remotos como fuente básica para la generación de las variables independientes del modelo. Se seleccionó el MDE derivado de imágenes de radar de la Misión Topográfica Shuttle (SRTM). Esta etapa implica el preprocesamiento de los MDE.

d. Generación de variables geomorfométricas a partir del MDE y de la información ambiental disponible.

e. Selección de las variables geomorfométricas más significativas y ajuste del modelo estadístico de regresión.

f. Validación del modelo estadístico mediante análisis del error de clasificación en las áreas de muestreo seleccionadas. Se emplean los siguientes recursos para el desarrollo de la investigación:

a) El MDE derivado de las imágenes de radar de la Misión Topográfica del Transbordador Endeavour (Shuttle Radar Topography Mission-SRTM) de febrero del 2000. Se utilizan 4 imágenes con un tamaño de 1°x1° cada una, que cubren desde las coordenadas 9° a 11° de LatN y 66° a 68° de Long O. Estas imágenes tienen una resolución de 3” de arco (90 m), una exactitud de 20 m en horizontal y de 16 m en vertical y fueron obtenidas de la NASA (2009).

b) Ortofotos digitales del estado Aragua de fecha 1995 y 1998. Se emplean 91 ortofotos con un tamaño de 7.5´x 5´ de arco y 2.5 m de resolución.

c) Cartas topográficas en papel a escalas 1:25.000 (93 hojas de 7.5´x 5´ de arco) y 1:100.000 (11 hojas de 30´x 20´ de arco).

e) Mapas de Capacidad de Uso de la Tierra de los sectores de referencia, disponibles a escala 1:100.000 y 1:25.000 (CEAEA, 2005; SISDELAV, 2005; SIACARG, 2005; SIACRA, 2005).

f) Datos promedios mensuales de las series históricas de precipitación, evaporación y temperatura disponibles para la red de estaciones climáticas del Estado Aragua y estados vecinos (MINAMB, 2008).

g) Software:

Se emplean los siguientes programas informáticos para el desarrollo de la investigación:

- SEXTANTE2.0 (Olaya, 2006): se utiliza para derivar, a partir de los MDE las principales variables geomorfométricas consideradas en el modelo.

- SAGA 2.0.4 (Cimmery, 2007): se utiliza para derivar, a partir de los MDE las variables geomorfométricas de más reciente implementación.

- IDRISI Andes (Eastman, 2006): se utiliza para ajustar y validar el modelo de regresión de la Capacidad de Uso de la Tierra.

- ArcGIS 9.3: se emplea para digitalización y edición de la información cartográfica.

RESULTADOS Y DISCUSIÓN

Predictoras geomorfométricas

Variables independientes El análisis de la significancia estadística de cada variable permitió en definitiva seleccionar las 19 más influyentes. En el Cuadro 1 se presentan las variables seleccionadas, ordenadas en función del nivel de significancia en el ajuste del modelo de regresión, definiendo su principal vinculación con el proceso pedogenético del suelo. Los algoritmos de cálculo de estas variables corresponden a los implementados por los Sistemas de Información Geográfica (SIG) seleccionados, y operan básicamente con base en análisis de vecinos, sobre una ventana móvil de búsqueda (Figura 3).

En la Figura 4 se muestran seis de las variables geomorfométricas definidas. Los índices de Topes de Crestas y Fondos de Valles, como variables básicas, el Índice Topográfico de Humedad y la Acumulación de Flujo, como variables hidrológicas y el Excedente Hídrico Anual y el NDVI, como variables topo-bióticas.

Ajuste y validación del modelo de regresión

Los resultados del ajuste se presentan en el Cuadro 2.

logic (Clase IV) - Clase VII) = -270,5770 s 14,0953(DEM) - 0,2586(PEND) + 0,1570(FONV) - 0,1688(TWI) - 14,8808(SPI) + 0,1039(STI) - 16,0410(EXC) + 0,0073(DURAD) - 5,0415(ALM) s 0,0056(PENDA) s 0,0697(DI5NR) + 0,4278(TOPCR) + 14,1893(MPI) + 0,0072(CONV) + 0,7156(LONF) - 0,0060(BALN) + 126,1112(FRACT) + 0,0390(ACU) - 2,8020(NDVI)

Los estadísticos obtenidos durante el ajuste del modelo (Cuadro 2) permitieron su validación parcial. El logaritmo de la verosimilitud (-2LnL0), análogo a la sumatoria de los errores cuadrados en el análisis de regresión lineal, así como el índice de McFadden, análogo al coeficiente R2 en regresión lineal, proporcionan una idea de la fortaleza de la relación entre las variables independientes (geomorfométricas) y la variable dependiente (Capacidad de Uso de la Tierra), y su nivel de significancia estadística.

Por otra parte, la razón de Odds, que se deriva de los coeficientes asociados a las variables (ebkq(x)) da una idea del tipo e intensidad de la relación entre cada variable independiente con la variable dependiente. La validación se completó aplicando las ecuaciones de regresión generadas por el modelo para derivar el mapa de predicción de la Capacidad de Uso de la Tierra y comparando las celdas correctamente clasificadas en la predicción.

Dicho mapa se muestra en la Figura 5, comparado con el mapa original de Capacidad de Uso, derivado de levantamientos edafológicos convencionales, el cual fue utilizado para el muestreo de la variable dependiente. De acuerdo al análisis de la razón de Odds, calculada sobre los coeficientes del Cuadro 3, las variables más importantes son: Dimensión Fractal (FRACT), Excedente Anual de Humedad (EXC), Índice de Potencia de Flujo (SPI), Índice de Protección Morfométrica (MPI), Almacenamiento Anual de Humedad del Suelo (ALM) y Elevación (DEM). Las variables Duración de la Radiación (DURAD), Índice de Convergencia (CONV) y Balance Neto (BALNET), tienen muy poca influencia, con valores de Odd de 1 o cercanos a 1, para casi todas las categorías. El resto de variables tiene una influencia de intermedia a baja. Los resultados de la predicción se evaluaron de acuerdo a la metodología propuesta por Pontius (2002, 2000) obteniéndose los índices Kappa de concordancia presentados en el Cuadro 4.

Los resultados del ajuste y validación del modelo (Cuadros 2 y 3) fueron moderados, con un pseudo R2 de 0,492 (el modelo explica casi el 50% de la variación total de las variables independientes) y una concordancia global (kno) de 0,76. El tamaño del área de estudio (7.213 km2) y su ubicación geográfica determina que no exista homogeneidad litológica ni climática, además de la variabilidad de los otros factores formadores del suelo, lo que explica los valores medios del ajuste del modelo y su capacidad predictiva. Para evaluar el efecto de la variabilidad regional se ajustó el modelo a nivel local, en tres de las áreas de referencia, ubicadas en tres zonas eco-geográficas diferentes : serranía del litoral (cuenca del río El Limón), depresión del Lago de Valencia (sector Tocorón) y llanos centrales (sector La Peñita).

En el Cuadro 4 se presentan los resultados del ajuste, observándose una mejora significativa del ajuste y de la capacidad predictora en los sectores El Limón y La Peñita (Figura 6), pero no así en el sector Tocorón. Los resultados evidencian la influencia en el modelo del factor relieve, del que se derivan la mayor parte de las variables geomorfo métricas predictoras. En Tocorón la pendiente es muy baja y la topografía plana, por lo que el factor relieve no destaca en la pedogénesis del suelo. El factor material parental es mucho más importante en este último caso, siendo la naturaleza de los estratos sedimentarios, originados por los depósitos lacustrinos (factor suelo), determinantes en la definición de la Capacidad de Uso de la Tierra. La aplicación del modelo de regresión sobre todo el territorio del estado Aragua permite obtener mapas para cada clase de Capacidad de Uso, con la distribución de la probabilidad de ocurrencia de cada celda (Ec. 3, Ec. 4 y Cuadro 4). La extracción del valor de mayor probabilidad de ocurrencia de cada celda, entre todos los mapas, permite generar el mapa de predicción dura de la Capacidad de Uso de la Tierra en todo el Estado. Este mapa se presenta en la Figura 7. El modelo de geoprocesamiento desarrollado se sintetiza en el diagrama UML de la Figura 8.

CONCLUSIONES

- La investigación desarrollada permitió diseñar un modelo de geoprocesamiento para la predicción de la Capacidad de Uso de las Tierras en el estado Aragua, Venezuela, a partir de 20 variables geomorfométricas derivadas del MDE y de estudios de suelo existentes en sectores específicos utilizados como referencia, mediante el ajuste de un modelo de regresión logística multinominal.

- La metodología formulada condujo a la identificación y caracterización de un conjunto global de variables geomorfométricas, vinculadas con el proceso pedogenético del suelo, las cuales pueden ser evaluadas y aplicadas para ajustar modelos estadísticos que puedan predecir la Capacidad de Uso de las Tierras.

- El modelo ajustado no es extrapolable a otras regiones , dado que se probó su validez solo para las características específicas del área de estudio, pero se puede emplear la metodología para determinar el conjunto adecuado de variables geomorfométricas con el que se obtenga el mejor ajuste y validez del modelo en otras regiones de diferentes condiciones agroecológicas.

- La escala de aplicación del modelo ajustado está en función de la escala de la información de referencia utilizada para el muestreo de la variable dependiente y de la resolución del MDE empleado para derivar las variables independientes, que para el área de estudio determina una utilidad en planifi cación regional y valoración tributaria con escalas entre 1:100.000 y 1:250.000.

- La clasificación realizada también puede ser de utilidad para el pre-mapeo de unidades cartográficas en las cuales se realice el muestreo de estudios de suelo con menos subjetividad que en los procedimientos basados en juicios de expertos.

BIBLIOGRAFÍA

1. Abarca, O. 1998. Metodología para la aplicación de los Sistemas de Información Geográfica (SIG) en la planificación del desarrollo físico agrícola. Estudio de caso: Plan de desarrollo físico-agrícola del área de influencia de la laguna La Caicara, municipio Autónomo Urdaneta, sur del estado Aragua, Maracay, Ven. Universidad Central de Venezuela. Facultad de Agronomía. 96 p.         [ Links ]

2. Abarca, O. y  M. Bernabé. 2008a. Desarrollo metodológico para la simulación hidrológica de caudales de estiaje con el SIG SEXTANTE. Mapping Interactivo, Nov/Dic (130) &#091;en línea&#093;. &#091;Citado el 10/03/2009&#093;. Disponible en: <http://www.mapp inginteractivo. com/ plantilla-ante.asp?id_ articulo =1534>.

3. Abarca, O. y  S. Ormeño. 2009. Evaluación de un método de corrección de los efectos topográficos sobre imágenes Landsat ETM+ en zonas montañosas tropicales. Mapping, 137, 30-40 pp.         [ Links ]

4. Abreu, X. 2000. Caracterización pedogeomorfológica y de los tipos de utilización de la tierra relevantes en la Cuenca Alta del Río Guárico, Sector Sur de Aragua. Maracay, Venezuela: Fundacite Aragua. 114 p.         [ Links ]

5. Bathgate, J. and L. Duran. 2003. A geographical information systems based landscape classification model to enhance soil survey: A southern Illinois case study. Journal of Soil and Water Conservation, 58 ( 3): 119-127.         [ Links ]

6. Beven, K. and  M. Kirkby. 1979. A physically based variable contributing area model of basin hydrology. Hydrological Sciences Bulletin. 24 ( 1): 43-69.         [ Links ]

7. Biasino, J. 1983. Sur de Aragua. Mapa de suelos (1:100.000). Ministerio del Ambiente y de los Recursos Naturales Renovables-MARNR. Programa Inventario Nacional de Tierras. Caracas: DGIIA.         [ Links ]

8. Biasino, J., G. López, A. Peñalosa  y  J. Berroterán. 1990. Inventario Nacional de Tierras. Guárico Central y Sur de Aragua. Tomo II. Municipio Urdaneta y Camatagua. 535 p.         [ Links ]

9. Boettinger, J., R. Ramsey, J. Bodily, N. Cole, N. Kienast-Brown, S. Nield, A. Saunders  and  A Stum. 2008. Landsat spectral data for digital soil mapping. In: A. Hartemink, A. McBratney y M. Mendoça-Santos (Eds.). Digital Soil Mapping with Limited Data. Wageningen-Sydney-Río de Janeiro: Springer. 193-202 pp.         [ Links ]

10. Böhner, J. and  O. Antoniç. 2009. Land-Surface parameters specific to topo-climatology. In: T. Hengl y H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan-Oxford: Elsevier. 195-213 pp.         [ Links ]

11. Brenning, A. and  D. Trombotto. 2006. Logistic regression modeling of rock and glacier distribution: Topo graphic and climatic controls in the semi-arid Andes. Geomorphology, 81, 141-154 pp.         [ Links ]

12. Burrough, P. and  R. McDonnell. 2005. Principles of Geographical Information Systems. Spatial Information Systems and Geostatistics. Oxford: Oxford University Press. 333 p.         [ Links ]

13. Campling, P., A. Gobin and J. Feyen. 2002. Logistic Modeling to Spatially Predict the Probability of Soil Drainage Classes. Soil Sci. Soc. Am. J., 66, 1390-401 pp.         [ Links ]

14. Carvalho, W., E. Fernandes, C. Vieira, C. Schaefer  and  C. Chagas. 2008. Geomorphometric attributes applied to soil-landscapes supervised classification of mountainous tropical areas in Brazil: a case study. In: A. Hartemink, A. McBratney y M. Mendoça- Santos (Eds.), Digital Soil Mapping with Limited Data. Wageningen-Sydney-Río de Janeiro: Springer. 357-365 pp.         [ Links ]

15. CEAEA. 2005. Programa de Cooperación para la recolección de la información que requiere la implementación del Decreto N° 578 de la Gobernación del Estado Aragua para el registro de tierras establecido en la Ley de Tierras y su reglamento. Comisión Especial Agraria del Estado Aragua. Informe final. Maracay, Ven. Universidad Central de Venezuela. Facultad de Agronomía.         [ Links ]

16. Cimmery, V. 2007. User Guide for SAGA (versión 2.0) &#091;en línea&#093;. &#091;Citado el 11/02/2009&#093;. Disponible en: <http://www.saga-gis.org/en/index.html>.

17. Comerma, J. y  L. Arias. 1971. Un sistema para evaluar las capacidades de uso agropecuario de los terrenos en Venezuela. Maracay: Sociedad Venezolana de la Ciencia del Suelo. 57 p.         [ Links ]

18. Debella-Gilo, M., B. Etzelmuller  and  O. Klakegg. 2007. Digital soil mapping using Digital Terrain analysis and statistical modelling integrated into GIS: Examples from Vestfold County of Norway. Scan- GIS´2007 - Proceedings of the 11th Scandinavian Research Conference on Geographical Information Sciences. Ås-Noruega: University of Life Sciences. 237-253 pp.         [ Links ]

19. Dobos, E. and  T. Hengl. 2009. Soil mapping applications. In: T. Hengl y H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan- Oxford: Elsevier. 461-479 pp.         [ Links ]

20. Drâgut, L. and  T. Blaschke. 2006. Automated classification of landform elements using object-based image analysis. Geomorphology, 81, 330-344 pp.         [ Links ]

21. Eastman, R. 2006. Idrisi Andes. Guide to GIS and Image Processing. Worcester, Ma: Clark University. 327 p.         [ Links ]

22. Emeis, S. and  H. Knoche. 2009. Applications in Meteorology. In: T. Hengl y H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan- Oxford: Elsevier. 603-622 pp.         [ Links ]

23. Evans, I., T. Hengl and P. Gorsevski. 2009. Applications in Geomorphology. In: T. Hengl y H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan-Oxford: Elsevier. 497-525 pp.         [ Links ]

24. Freeman, T. 1991. Calculating catchment area with divergent fl ow based on a regular grid. Computer and Geosciences, 17 ( 3): 413-422.         [ Links ]

25. Gallant, J. and  T  Dowling. 2003). A multiresolution index of valley bottom fl atness for mapping depositional areas. Water Resources Research, 39 ( 12): 1.347- 1.360.         [ Links ]

26. Giasson, E., S. Figueiredo, C. Tornquist  and  R. Clarke. 2008. Digital soil mapping using logistic regression on terrain parameters for several ecological regions in Southern Brazil. In: A. Hartemink, A. McBratney  y  M. Mendoça-Santos  (Eds.), Digital Soil Mapping with Limited Data. Wageningen-Sydney-Río de Janeiro: Springer. 225-232 pp.         [ Links ]

27. Gurdak, J. 2006. Using logistic regression to assess regional ground-water vulnerability: High Plains Aquifer. 5th National Water-Quality Monitoring Council Meeting, May-7-11, San Jose, CA.         [ Links ]

28. Hengl, T. and  I. Evans. 2009. Mathematical and Digital Models of the Land Surface. In: T. Hengl y H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan-Oxford: Elsevier. 31-63 pp.         [ Links ]

29. Hengl, T. and  R. MacMillan. 2009. Geomorphometry - A key to Landscape Mapping and Modelling. In: T. Hengl y H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan-Oxford: Elsevier. 433-460 pp.         [ Links ]

30. Hengl, T. and  D. Rossiter. 2003. Supervised landform classifi cation to enhance and replace photo-inter pretation in semi-datailed soil survey. Soil Science Society of America Journal, 67 ( 6): 1.810-1.822. .         [ Links ]

31. Holdridge, L. 1967. Life Zone Ecology. Tropical Science Center. San José, Costa Rica. (Tr. Humberto Jiménez Saa: Ecología Basada en Zonas de Vida, 1a. Ed. San José, Costa Rica: IICA, 1982.         [ Links ]

32. Jácome, A., G. Aguerrevere  y  M. López. 2001a. Sistema de Información Ambiental Cuenca Alta del Río Guárico. Informe final. Maracay- Venezuela: Fundacite Aragua. 110 p.         [ Links ]

33. Jácome, A., J. Viloria y G. Elizalde. 2001b. Separa bilidad de unidades pedogeomorfológicas en un sector del sur del estado Aragua, por medio de análisis digital de imágenes de satélite y un modelo digital de terreno. Agronomía Trop. 51 ( 1): 49-63.         [ Links ]

34. Jaimes, E. 1985. Análisis de las relaciones Geomorfología- Suelo en las Cuencas altas de los Ríos Aragua y Petaquire, Serranía del Litoral Central, Cordillera de la Costa. Maracay, Ven. Universidad Central de Venezuela. Facultad de Agronomía. 300 p.         [ Links ]

35. Jelaska, S. 2009. Vegetation Mapping Applications. In: T. Hengl y H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan-Oxford: Elsevier. 481-496 pp.         [ Links ]

36. Jenness, J. 2007. Some thoughts on analyzing topographic habitat characteristics &#091;en lineal&#093;. &#091;Citado el 15/11/2009&#093;. Disponible en: <http://www. jennessent. com/downloads/topographic_analysis _online. pdf>.

37. Jenny, H. 1941. Factors of Soils Formation. New York: McGraw-Hill. 288 p.          [ Links ]

38. Klingebiel, A. and  P. Montgomery. 1961. Land capability classifi cation. Washington: Soil Conservation Service, USDA. 21 p.         [ Links ]

39. Köthe, R., E. Gehrt  and  J. Böhner. 1996. Automatische Reliefanalyse für geowissenschaftliche. Anwendungen - derzeitiger Stand und Weiterentwicklung des Programms SARA. Arbeitshefte Geologie, 1, 31-37 pp.         [ Links ]

40. Lagacherie, P. 2008. Digital Soil Mapping: A state of the Art. In: A. Hartemink, A. McBratney y M. Mendoça-Santos (Eds.), Digital Soil Mapping with Limited Data. Wageningen-Sydney-Río de Janeiro: Springer. 3-14  pp.         [ Links ]

41. Lagacherie, P. and  M. Voltz. 2000. Predicting soil properties over a region using sample information from a mapped reference area and digital elevation data: a conditional probability approach. Geoderma, 97 ( 3-4): 187-208.         [ Links ]

42. Machado, D., M. Puche, J. Viloria, M. Parra  y  M. Primera. 2007. Geoespacialización de información climática mediante la utilización de sistemas de Información Geográfica. Caso Cuenca Alta del río Guárico. II Jornadas Nacionales de Geomática, 03 al 05 de Octubre de 2007. Caracas. 16 p.        [ Links ]

43. MacMillan, R., A. Torregrosa, D. Moon, R. Coupé  and  N. Philips. 2009. Automated Predictive Mapping of Ecological Entities. In: T. Hengl y H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan-Oxford: Elsevier. 551-578 pp.         [ Links ]

44. McBratney, A., S. Mendonça  and B. Minasny. 2003. On digital soil mapping. Geoderma, 117, 3-52 pp.         [ Links ]

45. McKenzie, N. and  P. Ryan. 1999. Spatial prediction of soil properties using environmental correlation. Geoderma, 89, 67-94 pp.         [ Links ]

46. Mendoça-Santos, H., R. Dart  and  J. Pares. 2008. Digital Mapping of Soil Classes in Rio de Janeiro State, Brazil: Data, Modelling and Prediction. In: A. Hartemink, A. McBratney y M. Mendoça-Santos (Eds.), Digital Soil Mapping with Limited Data. Wageningen-Sydney-Río de Janeiro: Springer. 381-396 pp.         [ Links ]

47. Ministerio del Poder Popular para el Ambiente (MINAMB). 2008. Datos meteorológicos mensuales. Ministerio del Ambiente. Caracas: Dirección de Hidrología, Meteorología y Oceanología.         [ Links ]

48. Mitasova, H. and  L. Mitas. 2001. Multiscale soil erosion simulations for land use management. In: R. Harmon and W. Doe (Eds.), Landscape Erosion and Evolution Modeling. New York: Kluwer Academic/Plenum Publishers. 321-347 pp.         [ Links ]

49. Moore, I., P. Gessler, G. Nielsen  and  G. Peterson. 1993. Soil Attribute Prediction Using Terrain Analysis. Soil Science Society of America Journal, 57 ( 2): 443-452.        [ Links ]

50. National Aeronautics and Space Administration (NASA). 2009. Shuttle Radar Topography Mission &#091;en línea&#093;. &#091;Citado el 20/01/2009&#093;. Disponible en: <http:// www2.jpl.nasa.gov/srtm/>.

51. O’Callaghan, J. and  D. Mark. 1984. The Extraction of Drainage networks from Digital Elevation Data. Computer Vision, Graphics, and Image Processing, 28, 323-344  pp.         [ Links ]

52. Ohlmacher, G. and  J. Davis. 2003. Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Engineering Geology, 69, 332-343  pp.         [ Links ]

53. Olaya, V. 2006. Fundamentos de Análisis Geográfico con SEXTANTE &#091;en línea&#093;. &#091;Citado el 0/05/2007&#093;. Disponible en: <http://campusvirtual.unex.es/cala/ cala/course/view.php?id=146>.

54. Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). 1976. Esquema para la evaluación de tierras. Roma: Boletín de Suelos N° 32.         [ Links ]

55. Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). 1983. Directivas: Evaluación de Tierras para la Agricultura en Secano. Roma: Boletín de Suelos N° 52.         [ Links ]

55. Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). 1985. Directivas: Evaluación de Tierras para la Agricultura de Regadío. Roma: Boletín de Suelos N° 55.         [ Links ]

56. Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). 1990. Directivas: Evaluación de Tierras para Usos Forestales. Roma: Boletín de Montes N° 48.         [ Links ]

57. Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). 1991. Guidelines: land evaluation for extensive grazing. Roma: Soils Bulletin N° 58.         [ Links ]

58. Peckham, S. 2009. Geomorphometry and Spatial Hydrologic Modelling. In: T. Hengl and H. Reuter (Eds.), Geomorphometry. Concepts, Software, Applications. Amsterdan-Oxford: Elsevier. 579-602 pp.         [ Links ]

59. Penizek  V. and  L. Boruvka. 2008. The Digital Terrain Model as a tool for improved delineation of alluvial soils. In: A. Hartemink, A. McBratney and M. Mendoça-Santos (Eds.), Digital Soil Mapping with Limited Data. Wageningen-Sydney-Río de Janeiro: Springer. 319-326 pp.         [ Links ]

60. Pineda, C., D. Machado  y E. Casanova. 2006. Evaluación física de tierras de la cuenca alta del Río Guárico con fi nes de producción sustentable de agua. Agronomía Trop. 56 ( 3): 385-414.         [ Links ]

61. Pontius, G. 2000. Quantification Error Versus Location Error in Comparison of Categorical Maps. Photogrammetric Engineering and Remote Sensing. 66 ( 8): 1.011-1.016.         [ Links ]

62. Pontius, G. 2002. Statistical Methods to Partition Effects of Quantity and Location During Comparison of Categorical Maps at Multiple Resolutions. Photogrammetric Engineering and Remote Sensing, 68 ( 10): 1.041-1.049.         [ Links ]

63. Quinn, P., K. Beven, P. Chevallier  and  O. Planchon. 1991. The prediction of hillslope flow paths for distributed hydrological modelling using digital terrain models. Hydrological Processes, 5, 59-79 pp.         [ Links ]

64. Rey, J. 2007. Levantamiento de suelos. Guía de Clases. Departamento de Edafología. Maracay, Ven. Universidad Central de Venezuela. Facultad de Agronomía. 10 p.         [ Links ]

65. Rossiter, D. 2005. Digital Soil Mapping: towards a multiple-use Soil Information System. Semana de la geomática. Bogotá: IGAC. 13 p.         [ Links ]

66. Sánchez, P., W. Couto  and W. Buol. 1982. The fertility cappability soil classification system: Interpretation, applicability and modification. Geoderma, 27 ( 4): 283-309.         [ Links ]

67. Schneider, K. and  P. Robbins. (Eds.) 2001. GIS and Mountain Environments. UNITAR/GRID Volume 5. Worcester, Ma: Clark Labs, Clark University. 125 p.         [ Links ]

68. Scull, P., J. Franklin, O. Chadwick  and  D. McArthur. 2003. Predictive soil mapping: a review. Progress in Physical Geography , 27 ( 2): 171-197.         [ Links ]

69. Sistema de Información Ambiental de la Cuenca Alta del Río Guárico (SIACARG). 2005. MARN-UCV &#091;Programa informático&#093;. &#091;Consultado el 19/01/2005&#093;. Maracay, Ven. Universidad Central de Venezuela. Facultad de Agronomía. Instituto de Edafología.

71. Sistema de Información de Suelos de la Depresión del Lago de Valencia (SISDELAV). 2005. MARNUCV- Fundación Polar. &#091;Programa informático&#093;. &#091;Consultado el 19/01/2005&#093;. Maracay, Ven. Universidad Central de Venezuela. Facultad de Agronomía. Instituto de Edafología.

72. Strebin, S. y  J. Pérez. 1974. Capacidad de uso de las tierras del estado Aragua. Caracas: Ministerio de Obras Públicas. Dirección General de Recursos Hidráulicos. 44 p.        [ Links ]

73. Suet, C. and  Y. Lam. 2004. Comparison of flow routing algorithms used in Geographic Information Systems. University of Southern California, Faculty of the Graduate School. 97 p.         [ Links ]

74. United States Department of the Interior (USDI). 1971. Manual de clasificación de tierras con fines de riego. 2da Ed. A. Estrada (Trad.) Caracas: MOP-División de Edafología. 85 p.         [ Links ]

75. University of Maryland. 2008. Earth Science Data Interface (ESDI) at the Global Land Cover Facility &#091;en línea&#093;. &#091;Citado el 23/02/2009&#093;. Disponible en: <http:// glcfapp.umiacs.umd.edu:8080/esdi/index.jsp>.

76. Valladares, G. and  M. Hott. 2008. The use of GIS and Digital Elevation Model in Digital Soil Mapping - A case study from Sao Paulo, Brazil. In: A. Hartemink, A. McBratney and M. Mendoça-Santos (Eds.), Digital Soil Mapping with Limited Data. Wageningen- Sydney-Río de Janeiro: Springer. 349-356 pp.         [ Links ]

77. Ventura, S. and  B. Irvin. 2000. Automate landform classifi cation methods for soil-landscape studies. In: J. Wilson and J. Gallant (Eds.), Terrain Analysis. New York: Wiley and Sons. 267-294 pp.         [ Links ]

78. Viloria, J. 2008. Inventario expedito de tierras en parcela s rurales con escasa información de suelos. Guía de Clases. Maracay, Ven. Universidad Central de Venezuela. Facultad de Agronomía. Instituto de Edafología. 11 p.         [ Links ]

79. Viloria, J., C. Estrada  y  J. Rey. 1998. SISDELAV: Sistema de información de suelos de la Depresión del Lago de Valencia. Universidad Central de Venezuela. Facultad de Agronomía. Instituto de Edafología. Venezuela. 6 (1-2).         [ Links ]

80. Wischmeier, W. and  D. Smith. 1978. Predicting rainfall erosion losses - A guide to conservation planning. Agriculture Handbook N° 537. Washington DC: US Department of Agriculture.         [ Links ]

81. Zevenbergen, L. and  C. Thorne. 1987. Quantitative analysis of land surface topography. Earth Surface Processes and Landforms, 12, 47-56 pp.        [ Links ] ]]> 1 1998 96 2 2008 3 2009 137 30-40 4 2000 114 5 2003 58 3 3 119-127 6 1979 24 1 1 43-69 7 1983 8 1990 II 535 9 2008 193-202 10 2009 195-213 11 2006 141-154 12 2005 333 13 2002 1390-401 14 2008 357-365 15 CEAEA 2005 16 2007 17 18 2007 237-253 19 2009 461-479 20 2006 81 330-344 21 2006 327 22 2009 603-622 23 2009 497-525 24 1991 17 3 3 413-422 25 2003 39 12 12 1.347- 1.360 26 2008 225-232 27 2006 28 2009 31-63 29 2009 433-460 30 67 6 6 1.810-1.822. 31 1967 32 2001 110 33 2001 b 51 1 1 49-63 34 1985 300 35 2009 481-496 36 2007 37 1941 38 1961 21 39 1996 1 31-37 40 2008 3-14 41 2000 97 3-4187-208 42 2007 16 43 2009 551-578 44 2003 3-52 45 1999 67-94 46 2008 381-396 47 Ministerio del Poder Popular para el Ambiente (MINAMB) 2008 48 2001 321-347 49 1993 57 2 2 443-452 50 National Aeronautics and Space Administration (NASA) 2009 51 1984 28 323-344 52 2003 69 332-343 53 2006 54 Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) 1976 55 Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). 1983 55 Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) 1985 56 Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) 1990 57 Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) 1991 58 2009 579-602 59 2008 319-326 60 2006 56 3 3 385-414 61 2000 66 8 8 1.011-1.016 62 2002 68 10 10 1.041-1.049 63 1991 5 59-79 64 2007 10 65 2005 13 66 1982 27 4 4 283-309 67 2001 5 125 68 2003 27 2 2 171-197 69 2005 70 2005 71 2005 72 1974 44 73 2004 97 74 United States Department of the Interior (USDI). 1971 2da Ed. 85 75 2008 76 2008 349-356 77 2000 267-294 78 2008 11 79 1998 6 1-2 80 1978 537 81 1987 12 47-56