Aplicaci.n de redes neuronales artificiales para determinar la distribuci.n espacial de la humedad del suelo en una peque.a cuenca de drenaje. Estudios preliminares.

Español; castellano. La distribuci.n espacial de la humedad superficial del suelo se ha determinado tradicionalmente mediante t.cnicas de interpolaci.n o mediante m.todos geoestad.sticos a partir de valores de humedad medidos puntualmente. Los valores interpolados son casi siempre funci.n exclusiva de los valores vecinos conocidos. En el m.todo propuesto, se considera que el contenido de humedad del suelo en cuencas semi.ridas es en gran medida explicado por factores topogr.ficos locales tales como curvaturas horizontales y verticales, factores topogr.ficos de entorno m.s amplio tales como el .ndice topogr.fico ln(a/tan(b) (Beven y Kirkby, 1979) y por la vegetaci.n. De esta manera, y a diferencia de las interpolaciones cl.sicas, se tienen en cuenta factores que alteran el principio de autocorrelaci.n espacial tales como cambios bruscos en la cubierta vegetal debidos a cambios en los usos del suelo. Ninguno de los factores anteriormente mencionados es por si solo capaz de explicar la variaci.n espacial de la humedad del suelo de manera satisfactoria, sin embargo si pueden hacerlo parcialmente de forma combinada. Se ha podido ver en este estudio preliminar que la interrelaci.n entre estos factores es de una forma compleja que no se ajustan correctamente a modelos lineales de regresi.n m.ltiple. Nuestra propuesta trata de demostrar mediante este estudio preliminar que es posible realizar una predicci.n razonable de la distribuci.n espacial de la humedad ed.fica superficial, estudiar sus patrones espaciales y contrastar la importancia de cada variable a partir de un n.mero limitado de mediciones mediante el uso de redes neuronales artificiales multicapa de tipo feedforward con aprendizaje mediante mecanismos de retropropagaci.n del error utilizando principalmente variables derivadas de un modelo digital de elevaciones (MDE) y de fotograf.a a.rea. Una vez entrenada y usada la red, se ha evaluado el error mediante un m.todo bootstrap y se ha realizado un an.lisis de importancia (saliency analysis) de las variables utilizadas. Este estudio ha usado el MDE con una resoluci.n planim.trica de 5 metros y 79 medidas de humedad realizadas con TDR en una peque.a cuenca experimental de dehesa en Extremadura con condiciones de humedad altas (invierno).

Inglés. Spatial distribution of soil moisture has been traditionally determined using classical techniques such as interpolation or geostatistics whose predictions are usually based on neighbour points with known values. In this preliminary study, we consider that near-surface soil water content in semiarid catchments may be a function of topography (horizontal and vertical curvature and topographic wetness index) and vegetation. Unlike traditional interpolation techniques, this method is not based on neighbour points to forecast the unknown but it takes into account those local factors which should explain soil moisture. Thus, this method takes into account those factors which break the principle of spatial continuity such as changes in vegetation coverage or in land use. Although none of these factors is able to explain spatial variations of soil moisture by itself, multivariate non-linear techniques such as artificial neural networks can improve the predictions. The aim of this paper is to demonstrate the possibility of making good predictions of soil moisture distribution, to study its spatial pattern and to assess the influence of each variable using a limited number of sample points. This is done by using feedforward artificial neural networks with a backpropagation learning algorithm using topographical variables derived from a digital elevation model (DEM) and aerial photography. Once the network is trained, its accuracy was evaluated by a bootstrap method and a saliency analysis was performed in order to assess the relative importance of each variable in the explanation of the process. The study has been developed using a 5 m resolution DEM and 79 moisture measurements of the near-surface soil layer with TDR in a small watershed. The wetness conditions in the catchment were high (winter).