{"id":1115,"date":"2026-08-19T09:48:33","date_gmt":"2026-08-19T09:48:33","guid":{"rendered":"https:\/\/matforge.org\/?p=1115","raw":"https:\/\/matforge.org\/?p=1115"},"modified":"2026-08-19T09:48:33","modified_gmt":"2026-08-19T09:48:33","slug":"geophysics-applications-with-python-groundwater-flow-and-seismic-modeling","status":"publish","type":"post","link":"https:\/\/matforge.org\/de\/geophysics-applications-with-python-groundwater-flow-and-seismic-modeling\/","title":{"rendered":"Geophysikanwendungen mit Python: Grundwasserstr\u00f6mung und seismische Modellierung","raw":"Geophysikanwendungen mit Python: Grundwasserstr\u00f6mung und seismische Modellierung"},"content":{"rendered":"Reading Time: <\/span> 9<\/span> minutes<\/span><\/span>

Geophysikalische Ph\u00e4nomene – von der Grundwasserstr\u00f6mung bis zur Ausbreitung seismischer Wellen – werden durch partielle Differentialgleichungen bestimmt, die beschreiben, wie sich physikalische Gr\u00f6\u00dfen \u00fcber Raum und Zeit \u00e4ndern. Post 242 f\u00fchrte das breitere PDE-Framework f\u00fcr die Modellierung von Erdsystemen ein, das die Methoden endlicher Volumen und die verf\u00fcgbaren Werkzeuge f\u00fcr die Bew\u00e4ltigung dieser Gleichungen im Ma\u00dfstab abdeckt. Dieser Artikel geht in zwei praktische Bereiche ein, in denen Python geophysikalische Workflows transformiert hat: Grundwasserflussmodellierung <\/strong> und seismische Wellenmodellierung <\/strong>.<\/p>\n

In beiden Bereichen hat Python das Paradigma von propriet\u00e4rer Black-Box-Software auf transparente, reproduzierbare Forschung verlagert. Unabh\u00e4ngig davon, ob Sie eine Modflow-Grundwassersimulation mit Flopy einrichten oder einen Finite-Differenz-Wellen-Gleichungsl\u00f6ser mit DeVito implementieren, bietet Python die gleiche Kombination aus mathematischer Klarheit, \u00d6kosystemflexibilit\u00e4t und Community-Unterst\u00fctzung, die das wissenschaftliche Rechnen \u00fcber alle Disziplinen hinweg umgestaltet hat.<\/p>\n

Wir gehen durch konkrete Python-Codebeispiele, vergleichen Werkzeug-\u00d6kosysteme (Modflow \/ Flopy vs Devito \/ Sweep) und zeigen, wie Sie das richtige Werkzeug f\u00fcr Ihr spezifisches geophysikalisches Problem ausw\u00e4hlen.<\/p>\n

Grundwasser-Str\u00f6mungsmodellierung mit Modflow und Flopy<\/h2>\n

Der Grundwasserfluss durch por\u00f6se Medien ist eine der ausgereiftesten Anwendungen der Computergeophysik. Die ma\u00dfgeblichen Gleichungen kombinieren das Darcysche Gesetz mit der Massenerhaltung und ergeben eine PDE vom Diffusionstyp, die trotz ihrer relativen Einfachheit im Vergleich zur Ausbreitung der seismischen Wellen praktische Herausforderungen in Bezug auf Parametrisierung, Randbedingungen und numerische Stabilit\u00e4t mit sich bringt.<\/p>\n

die ma\u00dfgebliche Gleichung<\/h3>\n

Der Grundwasserfluss folgt dem Darcy’s Law<\/strong> in Kombination mit der Massenerhaltung, wobei die PDE vom Diffusionstyp erzeugt wird:<\/p>\n

\u2202\u2202x(kxx\u2202h\u2202x)+\u2202\u2202y(kyy\u2202h\u2202y) + \u2202\u2202z (kzz\u2202h\u2202z) + w = ss\u2202h\u2202t
. frac{partial}{partial x}left(k_{xx}frac{partial h}{partial x}rechts) + frac{partial}{partial}{partial} y}left(k_{yy}frac{partial h}{partial y}rechts) + frac{partial{partial Z}left(k_{zz}frac{partial h}{partial z}rechts) + w = s_sfrac{partial h}{partial t}<\/p>\n

wo<\/p>\n

HH<\/p>\n

ist hydraulischer Kopf,<\/p>\n

kk<\/p>\n

ist hydraulische Leitf\u00e4higkeit,<\/p>\n

ww<\/p>\n

repr\u00e4sentiert Quellen und Senken (Brunnen, Aufladen) und<\/p>\n

sss_s<\/p>\n

ist ein spezifischer Speicher [1].<\/p>\n

Die finite-Differenz-Diskretisierung, die dem Modflow zugrunde liegt, eignet sich gut f\u00fcr strukturierte Netze und ist damit der Industriestandard f\u00fcr regionale Grundwasserstudien. Die direkte Arbeit mit den Eingabedateien von Modflow ist jedoch m\u00fchsam – hier tritt Flopy ein.<\/p>\n

Erste Schritte mit Flopy<\/h3>\n

Flopy<\/a> ist ein Python-Paket, das Workflows von Modflow 6 automatisiert: Es generiert Eingabedateien, f\u00fchrt Simulationen aus und analysiert die Ausgabe f\u00fcr die Visualisierung. Das \u00d6kosystem hat sich \u00fcber Flopy selbst hinaus erweitert und umfasst modflow-setup<\/code> (USGS, 2022) f\u00fcr die Workflow-Automatisierung, SFRmaker<\/code> f\u00fcr das Routing von Oberfl\u00e4chenwasser und Linesink-Maker<\/code> f\u00fcr das Streamflow-Routing. Zusammen bilden sie ein umfassendes \u00d6kosystem f\u00fcr den Bau und die Automatisierung des Grundwassermodells [2].<\/p>\n

Hier ist ein praktischer Flopy-Schnellstart f\u00fcr ein einfaches Grundwassermodell:<\/p>\n

\n
import flopy\nimport numpy as np\n\n# Define model parameters\nmodel_name = 'simple_groundwater'\ntop = 100.0 # model top elevation\nbotm = 0.0 # bottom elevation\nnlay = 10 # number of layers\nnrow = 50 # number of rows\nncol = 50 # number of columns\n\n# Create model simulation\nsim = flopy.mf6.MFSimulation(sim_name=model_name, exe_name='mf6')\nibs = flopy.mf6.ModIbs(sim)\nsts = flopy.mf6.ModSts(sim)\n\n# Create model domain (discharge package)\ndis = flopy.mf6.MFDischarge(sim, print_flows=True, save_first=True)\n\n# Set up numerical grid\ngrid = flopy.mf6.MFModelGrid((nlay, nrow, ncol), top=top)\n\n# Define hydraulic properties\nk = np.full((nlay, nrow, ncol), 1e-3) # hydraulic conductivity (m\/s)\nhsy = np.full((nrow, ncol), 95.0) # head at surface (head boundary)\nss = np.full((nlay, nrow, ncol), 1e-4) # specific storage\n\n# Create simulation and run\nsim.create_simulation()\n# ... set up stress packages, run simulation<\/code><\/pre>\n<\/div>\n
Der Hauptvorteil von Flopy ist, dass es Dutzende von Modflow-Eingabedateien durch eine einzelne Python-API ersetzt. Sie definieren Gittergeometrie, hydraulische Eigenschaften und Randbedingungen als Python-Objekte und Flopy-Handles f\u00fcr Dateigenerierung, Validierung und Ausf\u00fchrung.<\/p>\n
Visualisierung und Ergebnisse<\/h3>\n
Die Visualisierungsfunktionen von Flopy machen es einfach, Simulationsergebnisse zu interpretieren. Nach dem Ausf\u00fchren einer Simulation:<\/p>\n
\n
# Load model results\nmf = flopy.modflow.Modflow(sim)\nh = mf.hds.get_data()\n\n# Plot head contours and flow vectors\nmodel.plot_head()\nmodel.plot_vector_flow()<\/code><\/pre>\n<\/div>\n
Dies erzeugt Kopfkonturdiagramme und Vektorflussvisualisierung [3] – die Art von Ausgabe, die Hydrogeologen verwenden, um Flussregime zu interpretieren, Flusspfade zu identifizieren und das Modellverhalten zu validieren.<\/p>\n
Die Visualisierungsausgabe von Flopy zeigt hydraulische Kopfkonturen, die mit Str\u00f6mungsvektoren \u00fcberlagert sind, was es leichter macht, Grundwasserbewegungsmuster in komplexen Aquifersystemen zu verstehen. Die Flopy-Quickstart-Visualisierung demonstriert diese F\u00e4higkeit deutlich.<\/p>\n
\"Flopy-Quickstart-Visualisierung
Flopy-Quickstart-Visualisierung mit Kopfkonturen und Vektorfluss. Attribution: ModflowPy.<\/figcaption><\/figure>\n
Attribution<\/strong>: Flopy Quickstart.png \u2014 Modflowpy<\/p>\n
Praktischer Workflow mit Modflow-Setup<\/h3>\n
Bei gr\u00f6\u00dferen Projekten bietet Modflow-Setup<\/a> einen auf YAML basierenden Konfigurationsansatz, der Erstellt automatisch Gitter aus Quelldaten. Dies stellt die moderne Verschiebung in Richtung Workflow-Automatisierung dar. Sie definieren die Modellstruktur in deklarativen Konfigurationsdateien, und Modflow-Setup \u00fcbernimmt die m\u00fchsame Geometrie und Eigenschaftszuweisung.<\/p>\n
Der praktische Arbeitsablauf sieht so aus:<\/p>\n
    \n
  1. Eigenschaften des Gitters und der Grundwasserleiter<\/strong> (Leitf\u00e4higkeit, Speicherkoeffizienten, Schichtdicken)<\/li>\n
  2. Randbedingungen festlegen<\/strong> (konstante K\u00f6pfe, Brunnen, Wiederaufladeraten)<\/li>\n
  3. Simulation ausf\u00fchren<\/strong> durch die automatisierte Modflow 6-Ausf\u00fchrung von Flopy<\/li>\n
  4. Ergebnisse visualisieren<\/strong> Mit Flopys Plot-Utilities oder Export nach ParaView f\u00fcr 3D-Rendering<\/li>\n<\/ol>\n
    F\u00fcr Hydrogeologen, die mit regulatorischen Grundwassermodellen arbeiten, ist dieser Workflow unerl\u00e4sslich, da Modflow der Industriestandard f\u00fcr angewandte Grundwasserregulierung und -management [4] bleibt. Flopy \u00fcberbr\u00fcckt die L\u00fccke zwischen Prototyping- und Produktionsabl\u00e4ufen \u2013 Sie erhalten die Reproduzierbarkeit und Flexibilit\u00e4t von Python, w\u00e4hrend die regulatorische Akzeptanz der Modflow-Ergebnisse beibehalten wird.<\/p>\n
    Seismische Wellenmodellierung mit Python<\/h2>\n
    Die Modellierung seismischer Wellen unterscheidet sich grundlegend von der Grundwasserstr\u00f6mung. Wenn das Grundwasser Diffusionsgleichungen folgt, die im Laufe der Zeit scharfe Merkmale gl\u00e4tten, folgt die Ausbreitung seismischer Wellen der Elastikwellengleichung<\/strong> – einer hyperbolischen PDE zweiter Ordnung, die scharfe Wellenfronten beibeh\u00e4lt und eine sorgf\u00e4ltige numerische Behandlung erfordert, um eine k\u00fcnstliche Dispersion zu vermeiden.<\/p>\n
    Die Wellengleichung<\/h3>\n
    Die elastische Wellengleichung regelt die Ausbreitung der seismischen Wellen:<\/p>\n
    \u22022\ud835\udc2e\u2202t2=\u2207\u22c5(\ud835\udc02:\u2207\ud835\udc2e)+\ud835\udc1f
     frac{partial^2 nabla cdot (mathbf{c}: nabla mathbf{u}) + mathbf{f}<\/p>\n
    wo<\/p>\n
    \ud835\udc2eMathbf{u}<\/p>\n
    ist Verschiebung,<\/p>\n
    \ud835\udc02Mathbf{c}<\/p>\n
    ist der Steifigkeitstensor und<\/p>\n
    \ud835\udc1fMathbf{f}<\/p>\n
    stellt K\u00f6rperkr\u00e4fte dar.<\/p>\n
    Im Gegensatz zu Grundwasserstr\u00f6mungen (bei denen der Druck diffundiert und scharfe Gradienten gl\u00e4tten) breiten sich seismische Wellen mit minimaler Streuung \u00fcber Tausende von Kilometern aus – was bedeutet, dass numerische Schemata die Sch\u00e4rfe der Wellenfront beibehalten m\u00fcssen, um genaue Ergebnisse zu erzielen. Dies macht die FDTD-Methode (Finite Difference Time-Domain) besonders attraktiv, da sie sowohl effizient als auch f\u00fcr Wellenausbreitungsprobleme sind.<\/p>\n
    Devito: Symbolische DSL f\u00fcr Wellengleichungsl\u00f6ser<\/h3>\n
    Devito<\/a> (Georgia Tech Slim Group) generiert optimierten C-Code f\u00fcr Wellengleichung Finite-Differenz-Simulationen mit symptischer symbolischer Mathematik. Das Framework richtet sich an Forscher, die eine differenzierbare Wellenausbreitung w\u00fcnschen – unerl\u00e4sslich f\u00fcr Workflows (Full-Waveform Inversion, FWI) und Reverse Time Migration (RTM).<\/p>\n
    Hier ist das Devito TLE (Time-Lag Ensemble) Vorw\u00e4rtsmodellierungsbeispiel aus dem schlanken Tutorial:<\/p>\n
    \n
    from devito import Grid, TimeAxis, Function, TimeFunction\nfrom devito import Eq, Operator, where\nfrom scipy import sparse\n\n# Define grid dimensions\nnx, nz = 200, 200\nspace_order = 4\ntime_order = 2\ntime_steps = 100\n\n# Create computational grid\ngrid = Grid(shape=(nx, nz))\n\n# Define velocity model (m\/s)\nv = Function(name='velocity', grid=grid, data=1500.0 * np.ones((nx, nz)))\n\n# Initialize wavefield\nu = TimeFunction(name='u', grid=grid, time_order=time_order)\n\n# Set up initial conditions\nsrc = TimeFunction(name='source', grid=grid)\n\n# Define wave equation operator\neq = Eq(u.forward, u.back + src + v**2 * u.laplacian)\n\n# Create and run operator\nop = Operator(eq)\nop()\n\n# Analyze results\nimport matplotlib.pyplot as plt\nplt.imshow(u.data[-1].T, cmap='viridis')\nplt.title('Wavefield snapshot')\nplt.show()<\/code><\/pre>\n<\/div>\n
    Dieser Code demonstriert den wichtigsten Workflow: Definieren Sie ein Gitter, geben Sie ein Geschwindigkeitsmodell an, richten Sie den Operator der Wellengleichung ein und f\u00fchren Sie ihn aus. Die sympy-basierte symbolische Engine von DeVito \u00fcbersetzt die Gleichung auf hoher Ebene in optimierten C-Code, der mit nahezu nativer Leistung ausgef\u00fchrt wird – ein kritisches Merkmal bei der Simulation gro\u00dfer seismischer Datens\u00e4tze.<\/p>\n
    Die Vorw\u00e4rts-\/R\u00fcckw\u00e4rts-Wellenanimation der schlanken Gruppe im Marmousi-Modell zeigt die Art der Ergebnisse, die DeVito liefert: klare Wellenfrontausbreitung durch ein realistisches Geschwindigkeitsmodell [5]. Diese Animation demonstriert sowohl vorw\u00e4rts als auch r\u00fcckw\u00e4rts Wavefield Evolution – dieselben Wellenfelder, die FWI-Workflows untermauern.<\/p>\n
    \"Schlanke
    Schlanke 2D-Welle Animation im Marmousi-Modell. Attribution: Slim Group, Georgia Tech.<\/figcaption><\/figure>\n
    Attribution<\/strong>: Slim Forward.gif \u2014 Slim Group, Georgia Tech<\/p>\n
    Sweep 2026: Automatische Differenzierung f\u00fcr seismische Inversion<\/h3>\n
    Die bedeutendste j\u00fcngste Entwicklung in der seismischen Python-Modellierung ist  sweep <\/a>, ein im April 2026 ver\u00f6ffentlichtes ARXIV-Papier, das die automatische Differenzierung als prim\u00e4re Alternative zu manuellen Ableitungen des Adjoint-State f\u00fcr die seismische Inversion einf\u00fchrt. Dies stellt einen Paradigmenwechsel dar.<\/p>\n
    Die traditionelle seismische Inversion verwendet die Adjoint-State-Methode, bei der Forscher adjungierte Gleichungen manuell ableiten und sie als separate Ausbreitungscodes f\u00fcr die umgekehrte Zeit implementieren. Sweep automatisiert diesen Prozess: Durch die Verwendung der automatischen Differenzierung (AD) mit nativen Zeitschrittschemata k\u00f6nnen die Praktiker Gradienten direkt aus ihrem Vorw\u00e4rtsmodell berechnen, ohne von Hand adjungierte Gleichungen abzuleiten.<\/p>\n
    Sweep unterst\u00fctzt:<\/p>\n