Uno de los objetivos clave de la modelación de aguas subterráneas en minería es la determinación de los ingresos de agua al tajo y la extensión del cono de depresión. Este tutorial muestra un caso aplicado de determinación de un cono de depresión a partir de un modelo de tajo abierto construido con MODFLOW6, Flopy y mf6Voronoi. El modelo incluye fallas geológicas y el tutorial cubre todos los pasos, desde la importación del modelo, el procesamiento de datos y la exportación de datos geoespaciales del cono de depresión.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
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.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
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.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
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.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Este tutorial muestra el flujo de trabajo completo para determinar las direcciones de flujo a partir de un modelo MODFLOW realizado con Model Muse, utilizando la herramienta Mf6Voronoi FlowVectorGenerator, que representa los vectores de dirección de flujo en una figura de Matplotlib. La función no solo funciona con modelos Dis de Modflow6 normales, como los generados por Model Muse, sino también con modelos Disv de Modflow6 basados en Voronoi. Existe la posibilidad de insertar imágenes de fondo y otras funcionalidades; sin embargo, las opciones de estilo están limitadas para preservar el estilo artístico de la gráfica.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
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.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Ejemplo aplicado de simulación en Phreeqc con múltiples valores de parámetros usando Python y su nueva biblioteca hatariTools. Este ejemplo explora la simulación y el análisis de calcita a partir de diferentes valores de PCO₂(g) en un Jupyter notebook, y crea una representación gráfica de la molalidad de la calcita vs PCO₂(g) utilizando Matplotlib.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
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.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
En este tutorial se presenta una metodología paso a paso para simular el ingreso de agua subterránea a un tajo abierto utilizando MODFLOW 6, el motor de modelado de flujo subterráneo desarrollado por el USGS, en combinación con mv6Voronoi, una herramienta que permite la generación de mallas Voronoi.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
En este tutorial, te guiaremos paso a paso para instalar Rust dentro de tu entorno WSL. Ya sea que seas completamente nuevo en WSL o simplemente quieras una instalación limpia de Rust, esta guía te pondrá en marcha en muy poco tiempo. Cubriremos la instalación de WSL, la configuración de tu distribución de Linux (Ubuntu) y la instalación de Rust.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Porque una imagen vale más que mil palabras, y la visualización 3D es clave para explicar, compartir y analizar los parámetros, condiciones de borde y resultados de un modelo de aguas subterráneas. El paquete de Python mf6Voronoi ofrece herramientas estructuradas para generar archivos espaciales 3D en formato VTK, que permiten representar los parámetros del modelo, el nivel freático, la distribución de cargas y otros elementos que pueden ser visualizados en Paraview. Este es un caso aplicado de representación 3D para un modelo de flujo de aguas subterráneas en una cuenca andina, en el cual exploraremos las herramientas y opciones relevantes de mf6Voronoi y Paraview.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Existe un complemento para Visual Studio Code que mejora la lectura de modelos en MODFLOW 6. El proceso de instalación es bastante sencillo y funciona con cualquier modelo sin necesidad de configuraciones o comandos adicionales. Este es un caso aplicado de la instalación del complemento y la exploración de un modelo en MODFLOW 6 para una cuenca andina.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Puedes trabajar más rápido y tener más tiempo para analizar los resultados del modelo si el proceso de creación del modelo toma menos tiempo. El diseño del paquete mf6Voronoi está orientado a mejorar la experiencia del usuario optimizando las opciones de creación de mallas y mediante la implementación de plantillas de scripts en Python para mallado, construcción de modelos y más.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Este ejemplo desarrolla un modelo de aguas subterráneas en MODFLOW6 DISV que implementa una malla de Voronoi generada a partir del límite de la cuenca y la red fluvial con los paquetes mf6Voronoi, los cuales permiten una malla de alto rendimiento completamente acoplada con datos geoespaciales. En la malla de Voronoi, los niveles de refinamiento se definen mediante un tamaño mínimo de celda, un tamaño máximo de celda y un multiplicador. El caso aplicado cubre todos los pasos en la discretización del modelo, construcción, simulación y visualización 2D.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
El modelamiento de aguas subterráneas con varias condiciones de contorno y configuraciones hidrogeológicas complejas requiere herramientas avanzadas para la discretización de mallas. Estas deben garantizar un refinamiento adecuado en la zona de interés mientras se preserva un mínimo de celdas. El tipo de malla debe diseñarse de manera que conserve los recursos computacionales y represente adecuadamente el régimen de flujo de aguas subterráneas.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Los mapas de elevación que representan la superficie y la batimetría de los ríos son una entrada esencial para el modelamiento de inundaciones en software como HEC-RAS. Incluso con las últimas versiones de software GIS de código abierto de alto perfil, como QGIS, la combinación de un mapa de elevación de la superficie y un mapa de elevación del fondo del río es un desafío que requiere muchos ajustes, conversiones y trabajo manual. Hemos desarrollado un script útil que trabaja con las elevaciones de la superficie y el fondo del río de manera "inteligente" y crea un ráster geoespacial con la elevación topobatimétrica utilizando bibliotecas de Python geoespacial como Shapely y Rasterio. El script también incluye algunos pasos clave para identificar el cuerpo del río y tratar los valores faltantes en el mapa de batimetría.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
La construcción de modelos de aguas subterráneas complejos y de alto rendimiento requiere una distribución adecuada de las unidades hidrogeológicas en profundidad. Hemos desarrollado un caso aplicado de modelado 3D de unidades hidrogeológicas utilizando datos proporcionados en formato raster (*.tiff).
El tutorial cubre todos los pasos, desde el muestreo de orientación y elevación a partir de datos raster, la conceptualización y configuración del modelo de Gempy en Aquifer App, y finalmente, el posprocesamiento de la litología 3D basada en la elevación superficial.
Los datos de entrada provienen de investigaciones del USGS sobre los sistemas acuíferos en las Cuencas de Williston y Powder River, en Estados Unidos y Canadá.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Ejemplo práctico para la construcción de un modelo geológico con Python y Aquifer App realizado desde información geospacial en formato de ESRI Shapefiles y raster en formato Tiff. El tutorial muestra el procedimiento completo de procesamiento de datos espaciales usando librerias como Geopandas, Rasterio y Pyvista para la construcción de archivos de superficies y orientaciones que son ingresadas en Aquifer App. Por último, el proyecto en Gempy es corrido en modo local generando la geometría de la litología y contactos.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Hay muchos temas a tener en cuenta cuando creamos un modelo de flujo de agua subterránea. Uno de los más importantes es representar la información geológica disponible en la distribución de los parámetros hidráulicos. Hemos investigado un flujo de trabajo simple y reproducible para crear un modelo geológico a partir de un shapefile de puntos e insertar las unidades geológicas modeladas en Model Muse con los valores K correspondientes. Este tutorial cubre todo el procedimiento para crear un modelo geológico con Gempy y Aquifer App y los códigos necesarios para crear un archivo de forma xyz que luego se importa en Model Muse con el valor Kx extraído de la tabla de atributos.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.
Este es un caso aplicado en el que construimos un modelo geológico solo con información litológica almacenada como un archivo shapefile de puntos. El tutorial cubre todos los pasos desde la generación de ráster (como array de Numpy) para todas las superficies junto con el muestreo de orientación y el formateo de las superficies/orientaciones como archivos de entrada de Gempy. Los datos generados se insertaron en la aplicación Aquifer App que implementa una interfaz para crear modelos de Gempy. Finalmente, la litología y la geometría de la superficie de la capa se exportaron como Vtk para ser representadas en Paraview con los datos iniciales para evaluar la precisión de la simulación.
Suscríbete a nuestro boletín electrónico
Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros
cursos en recursos hídricos.