Hemos desarrollado un caso aplicado de generación de diagramas de Piper para muestras de agua tomadas de piezómetros y manantiales como parte de un Estudio de Impacto Ambiental (EIA) de un proyecto minero. El procedimiento abarca todos los pasos necesarios para formatear las concentraciones y generar el diagrama de Piper en línea utilizando Aquifer App (aquifer.hatarilabs.com). Además, se realiza una discusión sobre la distribución de los puntos basada en los datos químicos, la distribución espacial y la geología.

Gempy es una librería de código abierto para el modelamiento geológico en Python. La librería es capaz de crear modelos geológicos 3D complejos que incluyen estructuras, redes de fallas y discordancias, y puede combinarse con análisis de incertidumbre. Este webinar desarrolla un caso aplicado de un modelo geológico de 5 capas con una falla desarrollada a partir de información de contactos geológicos y orientaciones de superficie. El webinar cubre desde los pasos de la instalación de Gempy en Windows, la configuración y simulación del modelo geológico, hasta la exportación del modelo geológico como VTK.

Este webinar cubre un caso aplicado de una revisión de un modelo numérico en base de su informe y datos abiertos publicados para el Acuífero Rustler, Texas, EE. UU. La revisión se realiza con scripts de Flopy que representan las figuras del informe y abren los datos de salida para extraer las cargas hidráulicas en los pozos seleccionados.

La creación de modelos de aguas subterráneas requiere un conjunto completo de datos espaciales para los diferentes parámetros hidráulicos, condiciones de contorno y otros elementos del modelo. Los datos vectoriales y ráster deben preprocesarse, convertirse y reproyectarse para cumplir con los requisitos de Model Muse. Este webinar cubre un caso aplicado de procesamiento de datos vectoriales y ráster para un modelo de aguas subterráneas en la isla de Oahu (Hawaii, EE. UU.). El webinar muestra los pasos para descargar los datos, extraer la red fluvial e importar los datos espaciales en Model Muse.

Este seminario web cubre el procedimiento completo para crear un ráster de cambio de cobertura terrestre a partir de una comparación de rásteres de índice de vegetación (NDVI) mediante el uso de Python y las bibliotecas Numpy y Rasterio. Los resultados del NDVI para años determinados y el cambio de NDVI se representan en Jupyter Lab como grilla de color y líneas de contorno. Se realiza un análisis de la deforestación basado en los datos de salida e imágenes satelitales en línea.

La calibración de modelos hidrogeológicos se puede definir como el procedimiento para ajustar los parámetros hidráulicos del modelo donde las cargas hidráulicas y flujos resultantes están cerca de los valores observados. Debido a las complejidades de la distribución de parámetros hidráulicos, la geometría del modelo, la conceptualización de las condiciones de borde y otros factores, el procedimiento de calibración puede ser extenso y, a veces, con un éxito limitado. Hemos desarrollado un caso aplicado de calibración de un modelo de flujo de agua subterránea en una ladera donde los parámetros hidráulicos y las condiciones de borde se modifican metódicamente y se comparan las diferentes respuestas hidráulicas para definir los próximos pasos correctos en el procedimiento de calibración. El modelo de agua subterránea se desarrolló en Modflow 6 y Model Muse, mientras que la comparación de las cargas y las estadísticas de calibración se realizaron en Python y Flopy.

La meteorización de pirita es uno de los procesos más importantes del drenaje ácido de minas y un tema clave del desempeño ambiental a largo plazo de las minas recuperadas / abandonadas. Phreeqc es un software desarrollado por el USGS escrito en C++ capaz de modelar una variedad de procesos geoquímicos acuosos y puede simular los principales componentes de la meteorización de la pirita, así como la interacción con otras especies y procesos relacionados con la mina. Hemos desarrollado un caso aplicado de meteorización de pirita en Phreeqc y Python para una concentración fija y una concentración distribuida de oxigeno; el código Python ejecuta una simulación de Phreeqc para una concentración dada y compila la salida como dataframes de Pandas. En el webinar también se va generar gráficas de la concentración de Fe2+ y SO42+ con concentración de oxígeno.

Geopandas es una de las librerías geoespaciales más avanzadas en Python porque combina las herramientas espaciales de Shapely, que puede crear y leer diferentes datos espaciales vectoriales OGC y acoplar las herramientas de Pandas para administrar, filtrar y realizar operaciones sobre las columnas de los metadatos, Geopandas tiene la capacidad de plotear datos geoespaciales en Matplotlib e incluso a Folium entre otras características. Hemos desarrollado el webinar de Geopandas aplicado al análisis de zonas inundadas sobre la ciudad de Boise para un periodo de retorno de 200 años; webinar cubrirá conceptos introductorios de Geopandas, se trabajará con datos vectoriales de puntos, líneas y polígonos, creación de gráficos, se simplificará vértices y se realizará consultas geoespaciales sobre instalaciones y carreteras inundadas.

IMPORTANTE: Necesitará un entorno conda con herramientas geoespaciales para el seminario web. Cree el entorno siguiendo este enlace: https://gidahatari.com/ih-es/como-instalar-python-geopandas-en-windows-bajo-un-entorno-en-conda-tutorial

Hay varias formas de analizar la correlación entre los componentes químicos, sin embargo, los métodos para agrupar muestras de agua para analizar su fuente, grado de contaminación o reacciones químicas no están bien desarrollados o no están bien estandarizados. Hemos desarrollado un caso aplicado de Análisis de Componentes Principales (ACP) para muestras de agua del conjunto de datos utilizado para identificar las causas de la alta concentración de uranio en el Valle de San Joaquín, California, EE. UU. Este seminario web cubrirá todos los pasos involucrados en el análisis de ACP con Python en Jupyter notebook junto con un análisis de agrupamiento aglomerativo, el webinar cubrirá también una comparación de muestras relacionadas en un dendograma con su posición en la gráfica de ACP.

El proceso de vectorización de información de imágenes satelitales puede llevar mucho tiempo y enfrenta desafíos como la resolución de la imagen, el reconocimiento de características y los criterios del usuario. Con el uso de la combinación de bandas junto con herramientas geoespaciales en Python podemos delinear cuerpos de agua como ríos a partir de imágenes pancromáticas / multibanda con resultados como shapefiles geoespaciales. Este webinar cubre la delimitación de cuerpos de agua como ríos a partir de una imagen pancromática de Landsat 8. El webinar muestra un procedimiento mixto que crea una imagen de alto contraste para ríos con Python y Rasterio, luego poligoniza la matriz de la imagen y exporta los bordes del río como un Shapefile georreferenciado.

Los datos de temperatura necesitan evaluarse con herramientas que puedan procesar miles de registros con capacidades para hacer gráficos, regresiones y estadísticas. El presente webinar cubre un ejemplo aplicado al análisis de datos de temperatura con Python, Pandas y librerías relacionadas. El caso de estudio corresponde a la estación meteorológica de Central Park, NY US con datos disponibles de precipitación, nieve y temperatura durante un período de 150 años. El código Python desarrollado para el webinar nos permite la exploración de datos de forma integral, obtención de métricas y diagnostico de parámetros meteorológicos respecto al cambio climático.

Este webinar cubre un caso aplicado de modelamiento de unidades geológicas realizado en el embalse Queens Mary, Londres, Reino Unido, basado en 266 perforaciones. El modelo geológico se realizó en Python con la librería de machine learning Scikit Learn para crear un modelo geológico basado en la litología de las perforaciones. El código genera una nube de puntos de litologías de perforación que se transforman y escalan en un clasificador de red neuronal como el Multi-layer Perceptron classifier implementado por la librería Scikit Learn como sklearn.neural_network.MLPClassifier. Para validar los resultados del modelo geológico se realiza un análisis de la matriz de confusión de la red neuronal. El webinar también incluye una visualización en 3D georreferenciada y una comparación de la litología de pozos y la geología interpolada como formato Vtk en Paraview.

Para comprender la relación entre el flujo de agua subterránea y la estabilidad de un talud se ha seleccionado una área de estudio sobre un hotspot del Inventario de Deslizamientos de los EE.UU. Se analizó la geología, los pozos de agua subterránea, la elevación y las condiciones climáticas para desarrollar un modelo hidrogeológico conceptual que será la base para un modelo numérico del régimen de flujo de agua subterránea. Este webinar trata de la revisión de los datos espaciales disponibles relacionados con el régimen de flujo de agua subterránea en una área de talud en la ciudad de Mukilteo, Washington, EE. UU. La información de la geología, la meteorología, los datos de observación y las condiciones de borde se discutirán en una sesión de QGIS con la perspectiva de una construcción de un modelo numérico de agua subterránea en MODFLOW.

Gempy es una librería de código abierto de Python para generar modelos geológicos estructurales 3D completos. La librería es un desarrollo completo para crear modelos geológicos de interfases, fallas y orientaciones de capas, también relaciona la secuencia de las capas geológicas para representar intrusiones de rocas y órdenes de fallas.

El algoritmo para modelamiento geológico basado en la interpolación universal “cokriging” con el soporte de librerías matemáticas avanzadas de Python como Numpy, PyMC3 y Theano. Gempy crea un modelo grillado que puede ser visualizado en secciones 2D con Matplotlib o como geometrías 3d en VTK que permitirán la representación del modelo geológico en Paraview para divisiones, filtrado, transparencias y estilo.

Una buena representación espacial de las entidades geológicas no sólo requiere de datos de campo de alta calidad, sino también del correcto uso de la simbología y los recursos gráficos adecuados. Podemos definir QGIS como la herramienta que puede crear mapas geológicos impresionantes, pero algunos recursos aún tienen que ser desarrollados para uso masivo. Hemos explorado algunas herramientas de QGIS relacionadas con la representación de unidades geológicas y desarrollado simbología para representar contactos geológicos, fallas y otras características geológicas.

Independientemente del sistema operativo (Windows, Linux o Mac, etc.), Docker puede ser la única o más eficaz forma de implementar un software en particular, o incluso un paquete. Este software de virtualización ha llegado para quedarse en nuestro trabajo diario, sin embargo creemos que la mayoría de los usuarios de recursos hídricos no tuvieron una introducción adecuada a Docker o una primera experiencia guiada.

Este webinar cubre los aspectos principales de Docker para descargar, ejecutar e interactuar con un software en forma de contenedor. Revisaremos también los comandos más habituales de Docker junto con un trabajo práctico sobre una imagen que opera Jupyterlab.

Trabajar en Python nos da mayor control sobre el geoprocesamiento ya que salimos de la Interfaz Gráfica de Usuario (GUI) que se caracteriza por tener iconos, botones y cuadros de diálogo. Python se ejecuta con Jupyter Notebook y permite trabajar con archivos específicos, definir geoprocesos y opciones, realizar gráficos de datos preliminares o finales y exportar los resultados en formato vectorial / raster. Otra ventaja del análisis espacial en Python es la velocidad de procesamiento.

Pysheds es un paquete de Python 3 diseñado para la delimitación de cuencas hidrográficas y la extracción de redes de flujo (ríos). Esta biblioteca requiere un conjunto de bibliotecas avanzadas de procesamiento de datos y análisis espacial como Numpy, Pandas, Scipy, Scikit-Image, Rasterio y otros.

El cambio climático necesitan ser evaluados en los parámetros clave del ciclo hidrológico y la atmósfera durante un largo período de tiempo para determinar correlaciones, incrementos, distancias y varianzas. Los datos climáticos deben evaluarse con el uso de herramientas que puedan procesar miles de registros con capacidades para hacer gráficas, regresiones y estadísticas.

El presente webinar cubre un ejemplo aplicado de análisis de datos sobre el cambio climático con Python, Pandas y librerias relacionadas. El caso de estudio corresponde a la estación meteorológica de Central Park, NY, Estados Unidos, con datos de precipitación, nieve y temperatura durante un período de 150 años. El código Python desarrollado para este webinar nos permite explorar datos de una manera integral, obtener métricas y diagnosticar el desarrollo de los parámetros meteorológicos relacionados con el cambio climático.

¿Está interesado en aplicar las diversas herramientas de Python para recursos hídricos, pero sus capacidades de Python son limitadas? Aproveche este webinar gratuito que abarca la aplicación de herramientas y procedimientos de las principales librerías de Python para la programación de datos relacionados con los recursos hídricos. El webinar ofrecerá una visión general de Python con Scipy, Matplotlib y Numpy con ejercicios aplicados a la visualización y análisis de datos de temperatura y precipitación.

Rasterio es una librería de Python que permite la lectura, inspección visualización y edición de ráster geoespaciales. La librería utiliza rasters en formato GeoTIFF y otros formatos ráster y es capaz de trabajar con imágenes satelitales, modelos de elevación digitales (DEM) e imágenes de drones. Rasterio permite importar un raster geoespacial de una banda y multibanda y permite trabajar en un entorno interactivo como un Jupyter notebook. La librería conserva la “dualidad” del georaster, eso significa que puede manejar los parámetros de localización y resolución del raster tanto como los valores matriciales de los elementos grillados.

La evaluación de procesos de precipitación, escorrentía, enrutamiento, así como la infiltración requieren de datos de precipitación, caudal, temperatura y radiación a escala diaria. Los datos requeridos por los modelos hidrológicos deben ser confiables y estar completos en el periodo de estudio. Muchas veces los datos de estaciones de precipitación, aforo, entre otros se presentan incompletos en varias partes siendo posible su completación mediante mediante el uso de algoritmos como Scikit-Learn en Python3.

Este webinar tiene por objetivo mostrar el procedimiento de la ejecución de un script para completar datos de precipitación proveído de dos estaciones cercanas. El script se ejecutará en Python 3 en el entorno de Anaconda Prompt.

La actividad minera y el cierre de minas tiene particular interés porque se ubica en la mesoescala, es decir, es lo suficientemente grande para tener un impacto local, pero lo suficientemente pequeña para tener un impacto regional. El cierre de minas es la fase de abandono de los componentes mineros donde tendrían que volver a interactuar sosteniblemente con el medio ambiente, pero esta interacción es compleja en el aspecto espacial y temporal, y también en aspecto de flujo y calidad del agua, en especial del agua subterránea.

MODFLOW es el código para el modelamiento de agua subterránea en 3D basado en diferencias finitas desarrollado por el Servicio Geológico de Estados Unidos (USGS). MODEL MUSE es la plataforma de pre y postprocesamiento también desarrollada por la USGS que implementa MODFLOW.

Esta plataforma tiene una alta performance debido a su "diseño por objetos" que optimiza la conceptualización de condiciones de bordes y otros elementos del modelo, disminuyendo el tiempo de construcción y mejora la interpretación de los datos de salida.

Las decisiones deben tomarse en función de datos, y el impacto de esas decisiones (o la falta de estas) también se analizan con datos. Hoy en día nos enfrentamos a una pandemia mundial del Coronavirus que ha cambiado nuestros estilos de vida con casos confirmados y muertes relacionadas en todo el mundo.

La distribución temporal y espacial de los casos de Coronavirus debe evaluarse en una plataforma interactiva para un mejor filtrado, clasificación, trazado y análisis comparativo de datos. Hemos desarrollado un seminario web para el análisis de tendencias de casos de Coronavirus realizado con Python y Pandas en un entorno de Jupyter Lab.

La cantidad de software libre que se está produciendo y las nuevas versiones de programas existentes hacen que cada año se dispongan de una mayor variedad de herramientas informáticas. Comprender, utilizar y comparar los nuevos softwares libres es una tarea interesante pero enorme. Esta conferencia tiene el objetivo de mostrar los nuevos software libre para el estudio de los recursos hídricos, incluso con software publicado el 2018. Se hablará sobre la forma de instalarlos, su capacidades, documentación, y consejos para su uso. 

Los participantes podrán hacer preguntas sobre los casos que están evaluando o la problemática que quieran evaluar.