El desarrollo de web geoespaciales siempre fue de nuestro interés y siempre estuvimos en la búsqueda de herramientas eficientes para la gestión / representación web de datos y eso significa una investigación de un conjunto de web frameworks, bases de datos, estándares, configuración de computadoras y otros.

Hemos desarrollado un tutorial que cubre un caso aplicado de la implementación de una base de datos Postgis de los ríos y cuencas de África que se implementa bajo una aplicación Django.

Creemos que las tareas / estudios que involucran el análisis masivo de datos espaciales vectoriales y ráster se volverían más populares en el futuro cercano. Con el análisis masivo se hicieron más relevantes algunos factores como la memoria del ordenador, el tipo de procesador, el sistema operativo y el lenguaje de programación o plataforma utilizada para el cálculo.

Presentamos un caso de estudio de análisis ráster en Windows donde se instalaron Python y R con sus librerías espaciales desde repositorios conda. Nuestras habilidades informáticas no nos permiten tener una idea de las diferencias en el rendimiento de estos scripts en Linux.

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 tutorial de Geopandas aplicado al análisis de zonas inundadas sobre la ciudad de Boise para un periodo de retorno de 200 años; el tutorial 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.

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.