EXTRACCIÓN DE VARIABLES GEOMORFOMÉTRICAS Y CLASIFICACIÓN DE ELEMENTOS DEL PAISAJE EN LA CUENCA DEL RÍO GUADALENTÍN

G. Molina-Pérez¹, F. Alonso-Sarría², F. Gomariz-Castillo³, M.C. Valdivieso-Ros⁴

¹Instituto del Agua y Medio Ambiente, Universidad de Murcia, Campus de Espinardo Edificio D, 30100, Murcia, gabriel.molina@um.es

²Instituto del Agua y Medio Ambiente, Universidad de Murcia, Campus de Espinardo Edificio D, 30100, Murcia, alonsarp@um.es

³Instituto Euromediterráneo del Agua e Instituto del Agua y Medio Ambiente, Universidad de Murcia, Campus de Espinardo Edificio D, 30100, Murcia fjgomariz@um.es

⁴Instituto del Agua y Medio Ambiente, Universidad de Murcia, Campus de Espinardo Edificio D, 30100, Murcia, mcarmen.valdivieso@um.es

RESUMENEl objetivo general de este trabajo es hacer una clasificación geomorfométrica en la cuenca del río Guadalentín partiendo de un conjunto de parámetros del relieve extraídos del MDE. Para ello se emplean técnicas de clasificación y análisis geomorfométrico utilizando programas de código abierto: GRASS, SAGA, QGIS y R. Éste último se utiliza, además, como lenguaje de programación. Como resultado obtenemos un mapa de clases geomorfométricas cuya validación cuantitativa y cualitativa determina, finalmente, su validez y utilidad. Las geoformas analizadas en este trabajo son: planicies, abanicos aluviales, glacis, conos de deyección, cauces en “v” y en “u”, crestas, pendientes estructurales y áreas abarrancadas o badland. Para la clasificación se utiliza el algoritmo Random Forest. En el primer modelo de entrenamiento, empleando todas las variables, se obtiene una exactitud del 85,6% en la clasificación. Los errores de clasificación más frecuentes se dan entre glacis y abanicos aluviales. Un proceso posterior de selección de variables permitió: reducir considerablemente el número de predictores (de 260 a 17), sin perjuicio en la exactitud, y economizar así recursos computacionales. Por su parte, con la introducción del lenguaje de programación conseguimos integrar, en un único script reutilizable, los procesos de cálculo de variables y la implementación de los modelos, así como reducir el tiempo de interacción del investigador con los programas y sintetizar considerablemente el código de cada uno de ellos. Además de su utilidad en cartografía geomorfológica, el mapa resultante podría ser útil para mejorar clasificaciones de usos, estudios de paisaje, análisis de riesgos naturales, etc.

Palabras clave: Geomorfometría; SIG; validación estadística; clasificación geomorfométrica; MDE

ABSTRACTThe general objective of this work is to make a geomorphometry classification in the Guadalentín Basin based on a set of relief parameters extracted from the DEM. For this purpose, classification techniques and geomorphometry analysis are used using open source software: GRASS, SAGA, QGIS and R. The latter is also used as a programming language. As a result, we obtain a map of geomorphometry classes whose quantitative and qualitative validation finally determines its validity and usefulness. The geoforms analyzed in this work are: plains, alluvial fans, glacis, dejection cones,"v" and "u" channels, summit lines, structural slopes and badland. The Random Forest algorithm is used for classification. In the first training model, using the total of variables, an accuracy of 85.6% in the classification is obtained. The most frequent classification errors occur between glacis and alluvial fans. A subsequent process of variable selection allowed for: a considerable reduction in the number of predictors (from 260 to 17), without detriment to accuracy; and the saving of computational resources. On the other hand, with the introduction of the programming language we were able to integrate, in a single and reusable script, the processes of calculation of variables and implementation of models, as well as reduce the interaction time of the researcher with the programs and synthesize considerably the code of each one of them. In addition to its usefulness in geomorphological cartography, the map could be useful for improving use classifications, landscape studies, natural hazard analysis, etc.

1

Keywords: Geomorphometry; GIS; Statistical validation; Geomorphometric classification; DEM

1. INTRODUCCIÓN

El objetivo de la Geomorfometría es el análisis cuantitativo del relieve, fundamentalmente la extracción y análisis de variables y elementos del paisaje a partir de un Modelo Digital de Elevaciones (MDE) (Pike et al., 2009). Generalmente la extracción de variables geomorfométricas implementa estadísticos descriptivos mediante operadores de vecindad aplicados al MDE. Este conjunto de variables puede dividirse en dos tipologías, a) Variables geomorfométricas básicas subdividas en derivadas del terreno, rugosidad y de posición topográfica y b) variables específicas en Hidrología y, por último, variables específicas del clima y la meteorología (Pike et al., 2009).

La clasificación geomorfométrica utiliza técnicas de clasificación para agrupar los pixeles del MDE en diferentes geoformas en función de las variables extraídas que caracterizan una “firma geométrica” (Evans, 1972). Se han propuesto diferentes técnicas de clasificación, por ejemplo la segmentación del relieve en clases predefinidas en función de los valores de las derivadas de la elevación (Richter, 1962; Wood, 1996; Dikau et al., 1991, 1995). Otra opción es el uso de técnicas de clasificación supervisada o no supervisada.

Uno de los algoritmos de clasificación supervisada más difundidos en los últimos años es Random Forest (Breiman, 2001), basado en la construcción de múltiples árboles de decisión (500-2000), cada uno de ellos entrenado con un subconjunto aleatorio de casos y considerando un solo subconjunto aleatorio de predictores en cada división (nodo) de los árboles. Una vez calibrado el modelo, la predicción de nuevos casos se realiza con cada uno de los árboles (sin podar) y la asignación final a una u otra clase se decide por votación entre todos los árboles. La aleatoriedad introducida minimiza la correlación entre árboles y, por tanto, el error de generalización, obteniéndose mejores resultados que con otros algoritmos. El inconveniente de Random Forest es que los modelos resultantes son difíciles de interpretar (Alonso-Sarría y Cánovas-García, 2016); sin embargo, ofrece medidas de importancia para los predictores basadas en su capacidad para reducir el índice de Gini, permitiendo cierta interpretación. Otra de las ventajas del algoritmo Random Forest es que hace una validación cruzada de manera interna estimando la clase de aquellos casos de entrenamiento que no son seleccionados para entrenar cada uno de los árboles.

La resolución espacial es un aspecto fundamental en este tipo de trabajos, ya que las formas a representar deben ocupar una superficie mayor que el pixel. Por otro lado, una resolución muy elevada puede suponer un coste de procesamiento excesivo, especialmente en áreas extensas. Por tanto, la elección del tamaño del pixel depende del tamaño de las geoformas a evaluar y de la extensión del área de trabajo. Otro condicionante es el tamaño de ventana en los operadores de vecindad, pudiéndose pasar por alto las formas de tamaño mayor que el de la ventana. Una solución sería establecer un tamaño óptimo a partir de un análisis visual. Sin embargo, la diversidad de clases y dimensiones de las mismas en cualquier paisaje dificulta esta aproximación, por lo que la opción más sencilla sería una aproximación multiescalar (MacMillan y Shary, 2009). Es decir, calcular los parámetros con diferentes tamaños de ventana.

El objetivo de este trabajo es clasificar las celdillas del MDE en clases geomorfométricas, utilizando el algoritmo Random Forest a partir de variables extraídas del MDE con diferentes tamaños de ventana, obteniendo una cartografía de los elementos del paisaje en la cuenca del río Guadalentín. Los pasos para su realización han sido: a) selección de un conjunto de puntos de entrenamiento y validación; b) cálculo de diversas variables geomorfométricas; c) entrenamiento y validación del modelo de clasificación supervisada mediante Random Forest y d) predicción de las clases geomorfológicas en la cuenca estudiada. Además, el trabajo propuesto se ha realizado utilizando software libre y de código abierto para facilitar su reproducibilidad a otras zona de trabajo.

2

2. ÁREA DE ESTUDIO

La cuenca del río Guadalentín (Figura 1) tiene una extensión de 3300 km2, constituyendo el 17,5% de la cuenca del río Segura por su parte suroccidental. La mayor parte de la cuenca del río Guadalentín se localiza administrativamente en la Región de Murcia (SO) y sólo parte de su cabecera en la provincia de Almería (NE). Su cauce principal confluye con el río Segura por su margen derecha, aguas abajo de la Ciudad de Murcia.

Figura 1. Área de estudio.

Se caracteriza por una gran variedad geológica, incluyendo materiales datados desde el Paleozoico hasta el Cuaternario, dotando de gran complejidad al relieve que se caracteriza por una gran diversidad litológica y morfológica y por una densa red de drenaje como resultado de la evolución geológica de la Cordillera Bética y los procesos morfogenéticos, influenciados por las variaciones climáticas cuaternarias. En cuanto al modelado superficial, se matiza según la morfogénesis cuaternaria y la instauración de la red hidrográfica (Romero et al., 2016), que en combinación con los contrastes de altitud, el dominio de litologías deleznables y el régimen pluviométrico, ha propiciado la existencia de amplios sistemas de abanicos aluviales y glacis de acumulación, cuya máxima representación coincide con los bordes del Valle del Guadalentín y el sector centro-norte de la cuenca. Así mismo se identifican terrazas fluviales, conos de deyección y zonas de cárcavas, surcos y barrancos distribuidos por una amplia superficie de la cuenca del río Guadalentín.

El dominio climático es mediterráneo subtropical (García-Marín, 2008) estratificado en función de la altitud, la orientación y compacidad. Las áreas de influencia continental presentan un clima seco y de gran amplitud térmica, con temperaturas que en verano pueden alcanzar los 35ºC y precipitaciones que apenas superan los 500 mm anuales. Por el contrario, las áreas de montaña se caracterizan por temperaturas próximas a 0ºC y precipitaciones que pueden alcanzar los 900 mm anuales, aunque con una marcada aridez estival. Las zonas de dominio mediterráneo árido muestran casos más extremos de aridez, con precipitaciones aproximadas de 250 mm anuales, frecuentes sequías estivales prolongadas durante los meses de julio y agosto y precipitaciones máximas en otoño caracterizadas por su torrencialidad.

3

3. MATERIAL Y MÉTODO

3.1. Software e información de partida

El trabajo desarrollado se ha implementado en los programas de código abierto bajo licencia GNU GPL (General Public License) GRASS6 (Neteler y Mitasova, 2008), SAGA (Conrad, 2017) y QGIS (Quantum Developement Team, 2015) para el análisis y tratamiento de la información espacial. Para el análisis avanzado de la información y se ha utilizado R-CRAN y el paquete randomForest (Liaw y Wiener, 2002) para la clasificación con el módulo randomForest y como lenguaje de programación para integrar las llamadas a los diferentes módulos.

Las variables utilizadas se han extraído de un MDE generado mediante la fusión de los MDE (uno por cada hoja 1:50.000), descargados de la página web del Centro de Descargas del Centro Nacional de Información Geográfica, con una resolución de 25 metros, para clasificar en función de las variables extraídas del mismo y como referencia a través de conexión WMS del IGN.

Como geoformas a clasificar se han seleccionado 9 categorías: (1) abanicos aluviales, (2) áreas abarracadas o badland, (3) cauces en “u” o de fondo plano y (4) en “v”, (5) conos de deyección, (6) crestas, (7) glacis, (8) pendientes estructurales y (9) planicies, que pueden incluir relieves tabulares de muy escasa pendiente. De cada clase se han digitalizado 60 puntos de entrenamiento, salvo en el caso de los badlands; para esta clase se han identificado 27. Éstos se han obtenido a partir de la fotointerpretación de la ortofotografía del PNOA (2013), utilizando como apoyo las curvas de nivel y la red de drenaje reconstruidas desde el MDE.

Las geoformas más difíciles de diferenciar entre sí serían los conos de deyección, los abanicos aluviales y los glacis. Consideramos los primeros como pequeños depósitos sedimentarios al pie de laderas originados por pequeños barrancos debido a un pronunciado cambio de pendiente. Los abanicos serían similares pero originados por aparatos fluviales mayores y, por tanto, serían de mayor tamaño. Finalmente, los glacis son depósitos de ladera que pueden originarse por la coalescencia de abanicos aluviales. La curvatura transversal puede permitir distinguir entre abanicos y glacis y, utilizada a diferentes escalas, entre conos y abanicos.

3.2. Variables geomorfométricas

Para la estimación del modelo de clasificación se han utilizado 260 variables geomorfométricas, utilizadas como predictores para estimar el modelo de clasificación. Las variables geomorfométricas derivadas del MDE han sido la pendiente, el seno y coseno de la orientación y curvaturas. Para la obtención de las curvaturas se ha utilizado el módulo de GRASS r.param.scale por un lado y las curvaturas obtenidas a partir del algoritmo propuesto por Shary (1995), implementado en bash. Las variables se han calculado con tamaños de ventana de 3, 5, 7, 11, 15, 19, 23, 27, 31, 35 y 39 celdillas.

Las variables de rugosidad del terreno se han implementado a partir de algebra de mapas: el Índice de Melton (Hengl y Reuter, 2009), y el coeficiente de Iwahashi (Iwahashi y Pike, 2007). El resto de variables relacionadas con la rugosidad se han obtenido con SAGA, incluyéndose el Índice de Rugosidad del Terreno y el Vector Ruggedness Measure.

También se han utilizado el Índice de Posición Topográfica, el Índice de Convergencia, la Clasificación de Curvaturas de Dikau, el Índice de Protección Topográfica, el Posiciones Relativas, el Índice de Valle, Colina y Pendiente, MultiResolution Valley Bottom Flantness, además de otras variables disponibles en SAGA como el factor LS de la Ecuación Universal de Pérdida de Suelo, el índice SPI (Hengl y Reuter, 2009), el Índice de Humedad de Iwahashsí (Iwahashi y Pike, 2007), y Geomorphons (Stepinski y Jasiewicz, 2011).

4

3.3. Clasificación, selección de variables y validación

Para estimar el modelo de clasificación a partir de Random Forest se han utilizado los valores por defecto de los parámetros (ntree o número de árboles y mtry o número de variables utilizadas al azar en cada división) ya que no suelen observarse diferencias significativas cuando se modifican (Alonso-Sarría y Cánovas-García, 2016). Se ha generado un primer modelo a partir de los 260 predictores, obteniéndose como una primera estimación de la exactitud y la importancia de cada uno de éstos en la clasificación.

El número de predictores utilizado es muy elevado y no todos aportan información relevante. Además un modelo con todas las variables sería muy complejo de manejar al hacer la predicción. Por tanto, se debe seleccionar un número mínimo de éstos que permita alcanzar la máxima exactitud. Para ello se parte de un modelo con todos los parámetros, se ordenan en función de su importancia (de acuerdo con el ranking de importancia que produce Random Forest), se elimina el menos importante y se recalibra el modelo obteniendo un nuevo ranking de importancia. Este proceso se repite hasta obtener un modelo de un solo parámetro. Si se ha calculado la exactitud de cada uno de los modelos, es posible representar como varía la exactitud al ir eliminando parámetros (Alonso-Sarría et al., 2016). En este caso la exactitud se ha calculado mediante out-of-bag cross validation. Posteriormente se repite el proceso 5 veces pero eliminando las variables cuyo coeficiente de correlación con algunas de las variables ya incluidas en el modelo supere 0.5, 0.6, 0.7, 0.8 y 0.9. Al final se selecciona el conjunto de variables que alcance mayor exactitud con menor número de variables.

Los resultados se validan tanto de forma cuantitativa, a partir de la matriz de confusión, como cualitativa, mediante examen visual a partir de fotointerpretación.

4. RESULTADOS Y DISCUSIÓN

4.1. Resultados del primer modelo y selección de variables

El primer modelo obtenido (Tabla 1) incluye las 260 variables y alcanza una exactitud del 85,62%. Las confusiones más frecuentes son la clasificación de glacis como abanicos aluviales en 11 casos y a la inversa 12 veces, o la consideración de 8 de los casos de badland como cauces en V, además de incluir 5 de estos últimos como pendientes; también destaca la confusión entre cauces en V y cauces de fondo plano (U). Salvo éstas últimas, las confusiones pueden explicarse por la existencia de pixeles transicionales que difuminan los límites entre estos tipos de geoformas.

Tabla 1. Matriz de confusión del modelo global

Clasfic.\Real 1 2 3 4 5 6 7 8 9 T.Reales Er.Omi%

Abanico (1) 45 0 0 0 0 1 12 1 0 59 23.73

Badland (2) 0 6 0 8 0 0 1 1 0 16 62.50

Cauces u (3) 1 0 59 1 0 0 0 0 0 61 3.28

Cauces v (4) 0 2 4 50 0 0 0 5 0 61 18.03

Conos (5) 1 0 0 1 11 0 3 3 0 19 42.11

Crestas (6) 0 0 0 0 0 63 0 1 0 63 1.59

Glacis (7) 11 0 0 3 0 0 37 1 2 54 31.48

Pen (8) 1 0 0 0 0 1 0 65 0 67 2.99

Plan (9) 0 0 0 0 0 0 2 0 64 66 3.03

T.Clasific. 76.3 75 93.7 79.4 100 96.9 67.3 84.4 97 466

Er.Com % 23.7 25 6.35 20.6 0 3.13 32.7 15.6 3.03

Exactitud global % 85.62Abrev.: Errores de omisión y comisión (Er.Omi, Er. Com), exactitud de la clasificación (Ex.clas), pendientes (pen), planicies (plan), totales clasificados (T.Clas), totales de clases reales (T.Reales), exactitud global (Ex.Global).

5

Este modelo tiene como variables más importantes (Figura 2) el área corregida (ModifiedCatchmentArea) y el índice topográfico de humedad (SAGAWetnessIndex) y la más recurrente es el índice de rugosidad del terreno (TRI), que aparece en múltiples escalas con una importancia superior a la media. También aparecen en diversas escalas el índice de posición topográfica (TPI), el índice de convergencia, la pendiente (SLOPE) y el Vector Ruggedness Measure (VMR). La correlación entre variables es elevada, por ejemplo, en el caso del TRI a diferentes escalas y con otros índices de rugosidad o también, entre los índices de posición topográfica y el índice de posición en laderas (SlopeHeight).

Figura 2. Ranking de importancia del modelo global.

En lo referente a la selección de variables, al representar las exactitudes de los modelos generados según el número de variables y los umbrales de correlación (Figura 3) se aprecia que a partir de un cierto número de variables y un adecuado umbral de correlación la variabilidad de la exactitud del modelo no es significativa. Por tanto, se puede seleccionar el número mínimo de variables sin perjuicio de la exactitud.

Por consiguiente, se ha optado por el modelo de 17 variables y con un umbral de correlación de 0,7 por corresponder a una exactitud levemente superior al 85% y al ser una cantidad de variables lo suficientemente pequeña para poder ser manejada con los recursos informáticos disponibles y ser fácilmente interpretable.

En comparación con el anterior, este modelo (Tabla 2) supone una pequeña mejora de la exactitud de 0,22%. Sin embargo, las confusiones más frecuentes son similares al primer modelo, destacando el aumento de la confusión de glacis como abanicos aluviales a 13 casos. La consideración de badland como cauces en V disminuye a 7 casos y disminuye a 2 casos la clasificación de cauces en V como pendientes, aunque la inclusión de cauces en V como cauces en U aumenta a 5. Por tanto, las confusiones debidas a la existencia de pixeles de transición se incrementan entre los glacis y los abanicos, mientras que en el resto disminuye levemente.

Las variables más importantes del modelo (Figura 4), están menos correlacionadas que en el caso anterior; se introducen diversas curvaturas en diferentes escalas: máxima y la mínima (MAXIC, MINIC), media (MEANC) o la curvatura en planta (PLAN). Por lo tanto, se podría decir que el cálculo multiescalar en la obtención de las variables ha sido una decisión acertada.

6

Figura 3. Exactitudes de los modelos generados.

Tabla 2. Matriz de confusión del modelo final

Clasfic.\Real 1 2 3 4 5 6 7 8 9 T.Reales Er.Omi%Abanico (1) 43 0 0 0 0 1 13 2 0 59 27.12Badland (2) 0 7 1 7 0 0 0 1 0 16 56.25Cauces u (3) 1 0 58 2 0 0 0 0 0 61 4.92Cauces v (4) 0 2 5 52 0 0 0 2 0 61 14.75

Conos (5) 2 0 0 0 14 0 1 2 0 19 26.82Crestas (6) 0 0 0 0 0 60 0 3 0 63 4.76Glacis (7) 13 0 0 1 0 0 36 2 2 54 33.33

Pen (8) 0 0 0 0 0 1 0 66 0 67 1.49Plan (9) 0 0 0 0 0 0 2 0 64 66 3.03

T.Clasific. 59 9 64 62 14 62 52 78 66 466Ex.clasfic. % 72.9 77.8 90.6 83.9 100 96.8 69.2 84.6 97

Er.Com % 27.1 22.2 9.38 16.1 0 3.23 30.8 15.4 3.03Exactitud global % 85.84

Abrev.: Errores de omisión y comisión (Er.Omi, Er. Com), exactitud de la clasificación (Ex.clas), pendientes (pen), planicies (plan), totales clasificados (T.Clas), totales de clases reales (T.Reales), exactitud global (Ex.Global).

En este caso las principales variables que cobran una mayor importancia son: el Índice de Rugosidad del Terreno (TRI), el área corregida (ModifiecCarchmenárea), el Índice de Posición Topográfica (TPI) o el índice de altiplanicie (MRRTF).

4.2. Predicción y validación cualitativa

La cartografía resultante (Figura 5) refleja los amplios sistemas de abanicos aluviales y glacis que aparecen en la cuenca. La red hidrográfica obtenida está compuesta por los cauces en U y en V, reflejando la complejidad y densidad de la misma. En la parte más occidental se advierte un sistema compuesto de conos de deyección, abanicos y glacis. A pesar de que el área clasificada es amplia, es posible utilizar el resultado como apoyo para crear una cartografía geomorfológica de calidad.

7

Figura 4. Ranking de importancia del modelo final.

Figura 5. Clasificación de geoformas en la Cuenca del Guadalentín.

Se distingue en el sector centro-norte una compleja trama de la red hidrográfica de la cuenca y, consecuentemente, el mismo sector alberga un conjunto de abanicos aluviales y glacis. También en el sector centro se dispone de una amplia extensión de badland. Estas formaciones abarcan desde Lorca,

8

hacia el Norte, hasta salirse de los límites de la cuenca en la zona de la Sierra de las Cabras, y, desde el Oeste, Sierra del Perica y hasta Aledo (Este).

La depresión del Valle del Guadalentín domina la sección Este en dirección Sur-Noreste, uniendo las extensas planicies del Campo de Cartagena con el Valle del Segura. Es una zona conformada por un graben ampliamente afectado por la neotectónica en combinación con los procesos morfogenéticos, que le proporcionan grandes aportes sedimentarios derivados de las elevaciones marginales.

Se disponen en paralelo (Figura 6) la ampliación de la Sierra del Madroño, representada en el modelo generado, y la imagen de la ortofotografía de 2013 en la que se puede diferenciar un abanico aluvial, cauces en U, algunas secciones de cauces en U, crestas, el glacis y una sucesión de conos de deyección, que se puede ver ampliado en la (Figura 6 a) bastante bien clasificados. Se aprecia la existencia de partes del abanico que se clasifican como glacis (Figura 6 b), debido a la similitud en cuanto a la curvatura, debido a que un glacis se compone de una sucesión de abanicos formando un glacis de acumulación.

Figura 6. Ampliación de la S. del Madroño.

Además, algunos cauces en V y en U aparecen cortados dentro del glacis y del abanico, lo cual se podría mejorar filtrando el MDE y obteniéndose una reconstrucción de la red hidrográfica de buena calidad. Las pendientes estructurales, los conos de deyección y las crestas se clasifican muy bien.

5. CONCLUSIONES

Se ha conseguido una exactitud de en torno al 85% al clasificar las geoformas del área de estudio utilizando Random Forest a partir de 260 variables geomorfométricas. El proceso de selección de variables permitió reducir el número a 17 sin merma en la exactitud de la clasificación. De este modo puede obtenerse un modelo adecuado y al mismo tiempo manejable sin necesidad de prejuzgar que variables son las más relevantes.

9

Los errores encontrados se producen mayoritariamente entre abanicos aluviales y glacis, geoformas similares y cuya distinción puede depender de la escala. En todo caso los errores de omisión o comisión de estas geoformas llegan como mucho al 33.33%.

6. BIBLIOGRAFÍA

Alonso-Sarría, F., y Cánovas-García, F. (2016): Modelos predictivos para el estudio del abandono agrícola. En: Romero Díaz, A. (Coord.): Abandono de cultivos en la Región de Murcia. Consecuencias Ecogeomorfológicas. Murcia, EDITUM, pp. 161-180.

Breiman, L. (2001): Random Forest. Machine Learning 45, 5-32.

Conrad, O. (2017, 07 11): SAGA System for Autamted Geoscienctific Analysis. Retrieved from http://www.saga-gis.org/en/index.html

Dikau, R., Brabb, E. E., y Mark, R. M. (1991): Landform Classification of New Mexico by computer. Open File Report 91-634. U.S. Geological Survey, 15.

Dikau, R., Brabb, E. E., Mark, R. K., y Pike, R. J. (1995): Morphometric Landform Analysis of New Mexico. Zeitschriftfür Geomorphologie, Supplementband 101, 109-126.

Evans, I. S. (1972): General geomorphometry, derivatives of altitude, and descriptive statistics. Spatial Analysis in Geomorphology. Harper & Row, 17-90.

García-Marín, R. (2008): Riesgo de Sequía y Vulnerabilidad Socioeconómica en la Cuenca del Gadalentín. Tesis. Murcia: Universidad de Murcia.

Hengl, T., y Reuter, H. I. (2009): Geomorphometry. Amsterdam: Elservier, 765p.

Iwahashi, J., y Pike, R. J. (2007): Automated classifications of topography from DEMs bi an unsupervise nested-means algorihm and a three-part geometric signature. Geomorphology 86, 409-440.

Liaw, A., y Wiener, M. (2002): Classification and Regression by randomForest. R News 2(3), 18-22.

MacMillan, R. A., y Shary, P. A. (2009): Landforms and Landform Elements in Geomorphometry. En Hengl, T., y Reuter, H. I. (Eds.): Geomorphometry. Concepts, Software, Applications Amsterdam: (Elservier), pp. 227-254.

Neteler, M., y Mitasova, H. (2008): Open source GIS: a GRASS GIS approach. Springer, New York.

Pike, R. J., Evans, I. S., y Hengl, T. (2009): Geomorphometry: A Brief Guide. En Hengl, T., y Reuter, H. I. (Eds.): Geomorphometry. Concepts, Software, Applications Amsterdam: (Elservier), pp. 3-30.

Quantum Developement Team (07 de 10 de 2015): Obtenido de http://www.qgis.org/

Richter, H. (1962): Eine neue Methode der grobmabstäbigen Kartierung des Reliefs. Petermanns Geographisches Mitteilungen 104, 309-312.

Romero, A., Sarría, F. A., Pérez, A., y Gomariz, F. (2016): Riesgos naturales de las cuencas de los Ríos Mula y Guadalentín. XV Coloquio Ibérico de Geografía. Murcia: Asociación de Geógrafos Españoles (AGE), pp. 55-121.

Shary, P. A. (1995): Land surface in gravity poits classification by a complete system of curvatures. En Mathematical Geology, pp. 373-390.

Stepinski, & Jasiewicz. (2011): Geomorphons - a new approach to classification of landforms. Geomorphometry, 109-112.

Wood, J. (1996): The geomorpholigical characteristation of digital elevation models. Tesis doctoral, Universidad de Leicester, Reino Unido.

10