| Dinámica espacio-temporal
del patrón de dunas en el centro-sur de San Luis: Análisis mediante el uso de redes neuronales El objetivo del presente trabajo es analizar la dinámica de las formaciones dunares existentes en el centro-sur de San Luis a partir de una técnica de clasificación de imágenes denominada redes neuronales.Desde la
incorporación de la región centro-sur de la Provincia de San Luis al sistema productivo, la convergencia de factores naturales y humanos ha derivado en diversas manifestaciones de degradación entre las que destacan la alteración de los ecosistemas, pérdida de tierras productivas y formación de cuerpos de arena. -Al respecto, los estudios mediante técnicas tradicionales han sido favorecidos por el desarrollo de metodologías relacionadas con la teledetección espacial, que han
permitido el análisis de patrones espacio-temporales, derivados de factores físicos, biológicos y sociales (Collado, 1998,1999). Según Rozanov (1989), los mismos pueden analizarse cotejando la condición de un mismo espacio en momentos diferentes (análisis diacrónico) para evaluar, en términos comparativos, el grado y la velocidad del fenómeno durante el intervalo de tiempo establecido. En este contexto, el objetivo del presente trabajo es analizar la
dinámica de las formaciones dunares existentes en el centro-sur de San Luis a partir de una técnica de clasificación de imágenes denominada redes neuronales. La valoración abarca un área de 45 Km (E-O) por 57 Km (N-S), localizada al sur de V. Mercedes, cuyo carácter de borde climático representa la transición del ambiente subhúmedo al semiárido, reflejando las consecuencias de ese gradiente y las oscilaciones climáticas correspondientes a ciclos secos o húmedos.
Materiales y Métodos Con este fin, fueron seleccionadas dos imágenes: una Landsat 5 – TM (Thematic Mapper), bandas de 1992; y otra Landsat 2 – MSS (Multispectral Scanner), bandas 2,3,4 de 1982, las que fueron previamente homogeneizadas por provenir de sensores con diferente resolución espacial y espectral, para su posterior comparación mediante diferentes correcciones que incluyen: 1. Corrección geométrica entre ambas imágenes píxel a píxel (error
medio cuadrático – RMS = 0.27), tamaño de píxel de 50 metros y transferencia de Niveles Digitales (ND) según método del vecino más próximo (nearest neighbour). 2. Corrección del bandeado o "striping" de la imagen MSS. 3. Traducción de ND a parámetros físicos según: a) corrección atmosférica de la imagen, b) conversión de ND a valores de radiancia y c) cálculo de los valores de reflectividad para establecer comparaciones entre imágenes
registradas en distintas fechas y/o por distintos sensores. Para la detección de cambios se recurrió a la clasificación de imágenes mediante redes neuronales (Using PCI Software, versión 6.0 EasiPace, 1996), para luego restringir el análisis al patrón de distribución de dunas Redes Neuronales Entre las técnicas de clasificación de imágenes destaca la potencialidad de las redes neuronales (RN), que a partir de una muestra de información
relacionada con clases de interés, inician un proceso de aprendizaje que deriva en imágenes clasificadas. Básicamente, una RN está constituida por un conjunto de neuronas o unidades de proceso distribuidas en capas; el número de unidades y capas involucradas en el procedimiento dependerá de la complejidad del problema a estudiar. En clasificación de imágenes, las RN más simples están formadas por tres capas denominadas de entrada, oculta y de salida (Figura 1). 
En la arquitectura de la red, el número de nodos de entrada se corresponde con el número de bandas de la imagen a analizar y los de salida coinciden con el número de categorías o clases que se pretenden discriminar.
En la capa oculta, el número de unidades puede variar, aunque se recomienda que contenga al menos el mismo número que el de la capa de entrada. Su objetivo se orienta a la configuración de funciones que permitan una categorización de la imagen mediante procedimientos complejos. En ocasiones, suele trabajarse con más de una capa oculta (Triñanes et al., 1994). En esta estructura, las capas de nodos o neuronas interactúan a través de conexiones ponderadas.
No existen interconexiones dentro de una capa mientras que todas las neuronas en un nivel están conectadas a las neuronas situadas en capas adyacentes. El aspecto más delicado de las RN lo constituye el denominado "aprendizaje" de la red determinado por una adecuada configuración de las conexiones y pesos entre las unidades de la misma para lograr un resultado óptimo. El proceso tendrá mayor complicación en la medida que aumente el tamaño de la red.
Con el propósito de acelerar el algoritmo de convergencia, sin poner en peligro el proceso de aprendizaje de la red y evitando que la misma entre en oscilación o inestabilidad, debe efectuarse una selección adecuada del factor de aprendizaje, el parámetro más importante de todo este proceso. Se ha revelado muy eficaz en este sentido, un valor mínimo inversamente proporcional al número de patrones de entrenamiento y al número de nodos de la red (Triñanes et al., 1994).
Entre los diversos criterios de aprendizaje, el más conocido es el denominado de retropropagación (back-propagation network or back propagating perceptron) o regla delta generalizada (Gorman y Sejnowski, 1988). El mismo tiene por objetivo encontrar un conjunto de pesos que asegure que cada vector de entrada producido por la red sea el mismo o muy similar al de salida conocido. Según Chuvieco, 1996, su formulación consiste en:
1. Asignar pesos arbitrarios a la red para obtener unos resultados a partir de los valores de entrada (por ejemplo, los Niveles Digitales (ND) correspondientes a las áreas de entrenamiento en las distintas bandas). Esos resultados son contrastados con la categoría a la que pertenece cada píxel de entrenamiento (introducida por el usuario), lo que permite obtener una tasa de error inicial. La medida del error es la desviación cuadrática entre el resultado esperado (tk
) y el producido por la red (ok): 
siendo:m el resultado esperado (para las c categorías) en todas las unidades de entrada k (que constituyen las n bandas a introducir en el proceso de clasificación).
2. A partir de este instante son modificados iterativamente los pesos en las distintas capas, desde la de salida hasta la de entrada, con el propósito de reducir el error global (que se propaga hacia atrás, de ahí el nombre del ajuste) hasta que el error global sea muy pequeño o nulo, lo que determina que las muestras introducidas en el aprendizaje deberían estar bien clasificadas. El algoritmo de retropropagación ha sido diseñado en consecuencia para reducir el error entre el
producto de salida obtenido y el producto de salida deseado (Triñanes et al., 1994).El éxito del empleo de RN depende de una correcta asignación de las categorías, condicionadas a su vez por la calidad de entrenamiento de la red. El mayor inconveniente de este procedimiento
radica en la lentitud y complejidad del proceso de aprendizaje, lo que se acrecienta con el número de bandas empleadas o clases a discriminar. Orientado el análisis a la valoración del patrón de distribución de los cuerpos de arena, en el área seleccionada, los parámetros utilizados para el funcionamiento de la red fueron: 0,9 para el momento, parámetro que indica la convergencia del aprendizaje; 0,1 para el índice de aprendizaje
(al incrementar este número aumenta la velocidad del mismo, pero existe un mayor riesgo de convergencia brusca); 0,01 para el máximo error; 0,001 para el máximo error individual y 1000 como máximo número de iteraciones. Típicamente el criterio de retropropagación requiere entre 100 y 10000 iteraciones y el aprendizaje resulta iterativo hasta que el error máximo normalizado o el individual sean inferiores a los
indicados por el usuario, o hasta que se haya alcanzado el número de iteraciones señalado. En este contexto se orientó el análisis de la red a las imágenes de 1982 y 1992 cuyo ritmo de aprendizaje (disminución del error) cada 100 iteraciones se aprecia en la Figura 2 
Figura 2: Ritmo de aprendizaje de la red en Función del número de iteracionesResultados y Discusión El procedimiento ha permitido la comparación postclasificación entre las fechas mencionadas La figura 3 señala la localización relativa del área de estudio y sintetiza los resultados obtenidos. En primer término interesa destacar el incremento del número de cuerpos de arena en la imagen de
1992 como consecuencia de los procesos degradativos. Se aprecian cuerpos de arena, como el indicado en A (señalado con una flecha en una nueva ampliación), que incrementó su tamaño entre 1982 y 1992 (el diámetro creció de 435 a 930 metros aproximadamente). En otros, como el indicado en B, se aprecia una fragmentación de los mismos debido a la colonización por parte de la vegetación natural que se ha visto favorecida por el período húmedo que ha caracterizado al área en la última fecha.
La obtención de la imagen de sustracción (TM 1992 - MSS 1982) ha permitido cuantificar el avance en algunos complejos dunares, constituidos por dunas aisladas que se imbrican (aklé), en aproximadamente 300 metros durante el período analizado. Conclusiones El análisis demostró que coexisten procesos involutivos y evolutivos de " medanización" en la región. Los primeros, ocasionados por las precipitaciones, tienen implicaciones ecológicas; los
segundos, a causa de la presión antrópica, presentan implicaciones productivas. Puede determinarse el avance de las dunas con mayor rapidez y precisión respecto de las valoraciones a campo. El método permite el análisis espacio-temporal de manchas (patches) como elementos descriptivos del paisaje e informa sobre: transformación de manchas (Patch turnover),Cambio de mosaico (Shifting mosaic), Modelo dinámico transitorio (Transient dynamics) y
Período de relajación (Relaxation period) determinado por la finalización del proceso de expansión de manchas en sitios específicos.El procedimiento de clasificación por redes neuronales, debido a la complejidad del proceso de aprendizaje de la red, que se acrecienta con el número de bandas empleadas o clases a
discriminar, resulta de mayor lentitud que otros métodos de clasificación de imágenes. 
Autor: Ing. Agr. Alfredo D. Collado - INTA San Luis
Fuente: Boletín Edafomática Nº 20
Area de Investigación en Cartografía de Suelos y Evaluación de Tierras - INTA
|
