La interacción de fallas con el régimen de flujo subterráneo en un tajo abierto representa un desafío en su conceptualización y simulación. Tener celdas más pequeñas alineadas con las fallas y con valores mayores de K puede representar el comportamiento general de las fallas, y esto es posible de simular con modelos Voronoi de MODFLOW 6 utilizando Flopy y el paquete mf6Voronoi.

Además de contar cultivos, también podemos delinear plantas y calcular su área foliar utilizando métodos que ajustan splines abiertos o cerrados a líneas o bordes en una imagen. Estos métodos están implementados en la biblioteca de Python Scikit-Image y se aplican para la delineación de copas de árboles sobre una imagen ráster geoespacial. El ejercicio se desarrolla en un Jupyter Notebook y cubre todos los pasos: desde la importación de la imagen, aplicación de escala de grises, exploración del filtro gaussiano, cálculo de contornos activos y exportación de polígonos como shapefile de ESRI. Finalmente, se genera un histograma para determinar la distribución del área foliar de las plantas.

El análisis espacial y el aprendizaje automático a veces requieren una gran cantidad de programación para lograr resultados decentes, como identificar plantas a partir de una ortofoto tomada con dron. Queríamos crear un flujo de trabajo sencillo para usuarios principiantes e intermedios de Python, que les permitiera trabajar con estas bibliotecas sin demasiadas complicaciones ni frustraciones. Este tutorial contiene el procedimiento completo para usar un nuevo paquete de Python llamado hatariTools, que reconoce plantas a partir de una ortofoto basándose en puntos de muestra, genera gráficos intermedios e identifica las plantas como archivos shapefile de puntos.

Este es un análisis aplicado de la dinámica de la cobertura del suelo en algunas regiones de Turquía para la evaluación de la aridificación del suelo y el abandono de tierras debido al cambio climático en la última década. El caso cubre todos los pasos en Python con las bibliotecas geoespaciales relacionadas para procesar imágenes de Sentinel 2 en un área de estudio, considerando condiciones hidrológicas y la reducción de valores atípicos.

Model Muse es una herramienta excelente para la construcción de modelos de agua subterránea y la visualización de resultados, sin embargo, sus capacidades gráficas son bastante limitadas. Dado que siempre estamos en la búsqueda de acercar los modelos de agua subterránea a los interesados, al público general y a las nuevas generaciones, existe un interés especial en proporcionar herramientas complementarias al flujo de trabajo habitual con Model Muse y Modflow6.