El 18 de mayo de 2022 se lanzó la versión principal de Model Muse después de más de un año desde el lanzamiento anterior. Esta versión tiene algunos cambios como la capacidad de elegir la creación de archivos de modelos, opciones para seleccionar objetos por nombre, admite pasos de tiempo adaptativos para MODFLOW 6, tiene soporte adicional para paquetes MODFLOW pero lo más importante tiene capacidades para ejecutar PEST para todas sus funcionalidades. : predicción, regularización y Pareto.

Model Muse es capaz de ejecutar simulaciones de Pest en Modflow 2005, Sutra y Modflow 6 creados con Model Muse y otros tipos de Modflow 6 discretizados por vértices y modelos de grilla no estructurados. Los parámetros de Pest, los controles Pest y la configuración de los nombres de los parámetros están completamente integrados en Model Mus

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 tutorial cubre todos los pasos involucrados en el análisis de ACP con Python en Jupyter notebook junto con un análisis de agrupamiento aglomerativo, también abarca el analisis de comparación de muestras relacionadas en un dendograma con su posición en una gráfica de ACP.

Los datos de temperatura necesitan evaluarse con herramientas que puedan procesar miles de registros con capacidades para hacer gráficos, regresiones y estadísticas. El presente tutorial 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.

El análisis geoespacial no se limita a un solo software de escritorio o un kernel de Python; si usa un análisis espacial masivo o si trabaja en un equipo que quiere un resultado espacial específico, el uso de un Rest Api puede ser conveniente. Hemos desarrollado un tutorial básico, introductorio pero claro de una Rest Api geoespacial que implementa el método Post y el método Get y devuelve el centroide de un polígono y la lista de elementos con sus coordenadas respectivamente. El tutorial se realiza en Windows, sin embargo, se espera que un servidor Rest real que ejecuta varias consultas espaciales de alta energía se ejecute en Linux.

La calidad de un modelo de aguas subterráneas como herramienta para la gestión sostenible de nuestros recursos hídricos subterráneos no depende de la calidad de los datos de entrada, la precisión de la calibración, sino también de la visualización de los datos de salida y el análisis del balance hídrico. Hay varias opciones para exportar contornos desde MODFLOW GUIs como Model Muse, sin embargo, al analizar varios períodos de requerimiento (stress periods), los pasos pueden llevar mucho tiempo, por lo que un script de Python sería útil para exportar cargas hidráulicas o niveles freáticos como shapefiles.

Al analizar datos climáticos o cualquier otro dato geoespacial en Jupyter Notebook, necesitamos plotear puntos, líneas y polígonos de forma interactiva. Basándonos en nuestra propia forma de aprender Python, lo más probable es que usemos una librería que encontremos en Google o Stackoverflow, sin embargo, hay algunos problemas encubiertos en la selección de la librería que discutiremos en este artículo.

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 tutorial 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 3.9 en el entorno de Anaconda Prompt.

Por lo general, recibíamos algunos correos electrónicos y mensajes sobre libros de referencia y publicaciones en hidrogeología y no teníamos ninguna referencia de material gratuito y de alta calidad hasta que supimos sobre el Grundwater Project. Es cierto que encontramos la web del proyecto hace unos meses, pero fue en la última conferencia de la IAH donde tuvimos una presentación con un panorama completo del programa.