Próximos Cursos:
El desarrollo de machine learning y bibliotecas geoespaciales en Python como Scikit Image, Rasterio y Fiona brinda una nueva gama de herramientas para analizar la vegetación de fuentes tradicionales como imágenes de satélite y nuevas fuentes como ortofotos de drones. La aplicación de la programación de Python para la identificación de cultivos depende de muchos factores, como la resolución de la imagen, la etapa de vegetación e incluso la configuración del algoritmo.
Hemos desarrollado un curso de identificación / delimitación de cultivos con herramientas geoespaciales y machine learning con Python, el curso está dirigido a profesionales de SIG o afines que tengan conocimientos básicos de Python. El curso cubre los conceptos introductorios de las bibliotecas geoespaciales y una serie de aplicaciones de aprendizaje automático para la identificación de cultivos en olivos, palmeras, agave y campos de maíz.
Un modelo numérico de agua subterránea puede ser la herramienta más eficiente y efectiva para comprender el régimen de flujos subterráneos y obtener información razonable sobre las relaciones entre el entorno geológico y el flujo superficial. Tener un código para el modelamiento de aguas subterráneas no es suficiente, es necesario conocer tanto la plataforma como entender los procesos físicos que se quieren reproducir, y en este caso particular, la dinámica del agua del sistema hidrogeológico.
Este curso desarrolla las principales funciones y aplicaciones de la última versión del código de modelamiento de aguas subterráneas MODFLOW 6 a través de la interfaz ModelMuse, ambos desarrollados por el Servicio Geológico de los Estados Unidos (USGS). Estas versiones de MODFLOW y Model Muse incluyen herramientas innovadoras para la construcción y simulación de modelos hidrogeológicos, destacando principalmente la incorporación de la opción de discretización para grillas discretizadas por vértices (DISV).