{"id":1102,"date":"2026-08-19T09:48:38","date_gmt":"2026-08-19T09:48:38","guid":{"rendered":"https:\/\/matforge.org\/?p=1102","raw":"https:\/\/matforge.org\/?p=1102"},"modified":"2026-08-19T09:48:38","modified_gmt":"2026-08-19T09:48:38","slug":"geophysics-applications-with-python-groundwater-flow-and-seismic-modeling","status":"publish","type":"post","link":"https:\/\/matforge.org\/es\/geophysics-applications-with-python-groundwater-flow-and-seismic-modeling\/","title":{"rendered":"Aplicaciones de geof\u00edsica con Python: flujo de agua subterr\u00e1nea y modelado s\u00edsmico","raw":"Aplicaciones de geof\u00edsica con Python: flujo de agua subterr\u00e1nea y modelado s\u00edsmico"},"content":{"rendered":"Reading Time: <\/span> 11<\/span> minutes<\/span><\/span>

Los fen\u00f3menos geof\u00edsicos, desde el flujo de agua subterr\u00e1nea hasta la propagaci\u00f3n de las ondas s\u00edsmicas, se rigen por ecuaciones diferenciales parciales que describen c\u00f3mo las cantidades f\u00edsicas cambian a trav\u00e9s del espacio y el tiempo. La publicaci\u00f3n 242 introdujo el marco PDE m\u00e1s amplio para el modelado de sistemas de tierra, que cubre los m\u00e9todos de volumen finito y las herramientas disponibles para abordar estas ecuaciones a escala. Este art\u00edculo profundiza en dos dominios pr\u00e1cticos donde Python ha transformado los flujos de trabajo geof\u00edsicos: Modelado de flujo de agua subterr\u00e1nea<\/strong> y Modelado de ondas s\u00edsmicas<\/strong>.<\/p>\n

En ambos dominios, Python ha cambiado el paradigma de un software patentado de caja negra a una investigaci\u00f3n transparente y reproducible. Ya sea que est\u00e9 configurando una simulaci\u00f3n de agua subterr\u00e1nea Modflow con Flopy o implementando un solucionador de ecuaciones de ondas de diferencia finita con DeVito, Python proporciona la misma combinaci\u00f3n de claridad matem\u00e1tica, flexibilidad del ecosistema y apoyo comunitario que ha remodelado la computaci\u00f3n cient\u00edfica en todas las disciplinas.<\/p>\n

Recorreremos ejemplos de c\u00f3digos de Python concretos, compararemos ecosistemas de herramientas (modflow\/flopy vs Devito\/Sweep) y mostraremos c\u00f3mo seleccionar la herramienta adecuada para su problema geof\u00edsico espec\u00edfico.<\/p>\n

Modelado de flujo de agua subterr\u00e1nea con ModFlow y Flopy<\/h2>\n

El flujo de agua subterr\u00e1nea a trav\u00e9s de medios porosos es una de las aplicaciones m\u00e1s maduras de la geof\u00edsica computacional. Las ecuaciones gobernantes combinan la ley de Darcy con la conservaci\u00f3n de masas, lo que produce una PDE de tipo difusi\u00f3n que, a pesar de su relativa simplicidad en comparaci\u00f3n con la propagaci\u00f3n de ondas s\u00edsmicas, presenta desaf\u00edos pr\u00e1cticos en la parametrizaci\u00f3n, las condiciones de contorno y la estabilidad num\u00e9rica.<\/p>\n

La ecuaci\u00f3n de gobierno<\/h3>\n

El flujo de agua subterr\u00e1nea sigue La ley de Darcy<\/strong> combinada con la conservaci\u00f3n de la masa, produciendo el PDE de tipo difusi\u00f3n:<\/p>\n

\u2202\u2202X(Kxx\u2202H\u2202x)+\u2202\u2202Y(Kyy\u2202H\u2202Y) +\u2202\u2202Z(KZZ\u2202H\u2202Z)+W=SS\u2202H\u2202T
frac{parcial}{parcial x}left(k_{xx}frac{parcial h}{parcial x}derecho) + frac{parcial}{parcial y}left(k_{yy}frac{parcial h}{parcial y}derecho) + frac{parcial}{parcial z}left(k_{zz}frac{parcial h}{parcial z}derecho) + w = s_sfrac{parcial h}{parcial t}<\/p>\n

d\u00f3nde<\/p>\n

charl<\/p>\n

es la cabeza hidr\u00e1ulica,<\/p>\n

kar<\/p>\n

es conductividad hidr\u00e1ulica,<\/p>\n

uu<\/p>\n

representa fuentes y sumideros (pozos, recarga), y<\/p>\n

SS_S<\/p>\n

es un almacenamiento espec\u00edfico [1].<\/p>\n

La discretizaci\u00f3n de la discretizaci\u00f3n de diferencias finitas subyacente a Modflow es adecuada para redes estructuradas, lo que lo convierte en el est\u00e1ndar de la industria para estudios regionales de aguas subterr\u00e1neas. Pero trabajar directamente con los archivos de entrada de ModFlow es tedioso: ah\u00ed es donde entra Flopy.<\/p>\n

Primeros pasos con Flopy<\/h3>\n

Flopy<\/a> es un paquete de Python que automatiza los flujos de trabajo de Modflow 6: genera archivos de entrada, ejecuta simulaciones y analiza la salida para la visualizaci\u00f3n. El ecosistema se ha expandido m\u00e1s all\u00e1 de Flopy mismo para incluir modflow-setup<\/code> (USGS, 2022) para la automatizaci\u00f3n del flujo de trabajo, SFRmaker<\/code> para el enrutamiento del agua superficial y Linesink-Maker<\/code> para el enrutamiento de flujo de flujo. Juntos, forman un ecosistema integral para la construcci\u00f3n y automatizaci\u00f3n de modelos de aguas subterr\u00e1neas [2].<\/p>\n

Aqu\u00ed hay un pr\u00e1ctico flopy de inicio r\u00e1pido para un modelo de agua subterr\u00e1nea simple:<\/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
La ventaja clave de Flopy es que reemplaza docenas de archivos de entrada de ModFlow con una sola API de Python. Define la geometr\u00eda de la cuadr\u00edcula, las propiedades hidr\u00e1ulicas y las condiciones de los l\u00edmites como objetos de Python, y Flopy maneja la generaci\u00f3n, validaci\u00f3n y ejecuci\u00f3n de archivos.<\/p>\n
Visualizaci\u00f3n y resultados<\/h3>\n
Las capacidades de visualizaci\u00f3n de Flopy hacen que sea sencillo interpretar los resultados de la simulaci\u00f3n. Despu\u00e9s de ejecutar una simulaci\u00f3n:<\/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
Esto produce gr\u00e1ficos de contorno de cabeza y visualizaci\u00f3n de flujo vectorial [3] \u2014 el tipo de salida que utilizan los hidroge\u00f3logos para interpretar reg\u00edmenes de flujo, identificar trayectorias de flujo y validar el comportamiento del modelo.<\/p>\n
La salida de visualizaci\u00f3n de Flopy muestra los contornos de la cabeza hidr\u00e1ulico superpuestos con vectores de flujo, lo que facilita la comprensi\u00f3n de los patrones de movimiento del agua subterr\u00e1nea en sistemas acu\u00edferos complejos. La visualizaci\u00f3n de inicio r\u00e1pido de flopy demuestra claramente esta capacidad.<\/p>\n
\"Visualizaci\u00f3n
Visualizaci\u00f3n de inicio r\u00e1pido de flopy que muestra los contornos de la cabeza y el flujo vectorial. Atribuci\u00f3n: Modflowpy.<\/figcaption><\/figure>\n
Atribuci\u00f3n<\/strong>: Flopy QuickStart.png \u2014 Modflowpy<\/p>\n
Flujo de trabajo pr\u00e1ctico con ModFlow-Setup<\/h3>\n
Para proyectos m\u00e1s grandes, modflow-setup<\/a> Proporciona un enfoque de configuraci\u00f3n basado en YAML que Construye autom\u00e1ticamente cuadr\u00edculas a partir de datos de origen. Esto representa el cambio moderno hacia la automatizaci\u00f3n del flujo de trabajo: se define la estructura del modelo en los archivos de configuraci\u00f3n declarativos y la configuraci\u00f3n de Modflow se encarga de la geometr\u00eda tediosa y la asignaci\u00f3n de propiedades.<\/p>\n
El flujo de trabajo pr\u00e1ctico se ve as\u00ed:<\/p>\n
    \n
  1. Definir las propiedades de la red y del acu\u00edfero<\/strong> (conductividad, coeficientes de almacenamiento, espesores de capa)<\/li>\n
  2. Establecer condiciones de contorno<\/strong> (cabezas constantes, pozos, tasas de recarga)<\/li>\n
  3. Ejecutar simulaci\u00f3n<\/strong> a trav\u00e9s de la ejecuci\u00f3n de Modflow 6 automatizada de Flopy<\/li>\n
  4. Visualizar resultados<\/strong> con las utilidades de trazado de Flopy o exportar a ParaView para renderizado en 3D<\/li>\n<\/ol>\n
    Para los hidroge\u00f3logos que trabajan con modelos regulatorios de aguas subterr\u00e1neas, este flujo de trabajo es esencial porque ModFlow sigue siendo el est\u00e1ndar de la industria para la regulaci\u00f3n y gesti\u00f3n de aguas subterr\u00e1neas aplicadas [4]. Flopy cierra la brecha entre la creaci\u00f3n de prototipos de investigaci\u00f3n y los flujos de trabajo de producci\u00f3n: obtienes la reproducibilidad y flexibilidad de Python mientras mantienes la aceptaci\u00f3n regulatoria de los resultados de ModFlow.<\/p>\n
    Modelado de ondas s\u00edsmicas con Python<\/h2>\n
    El modelado de ondas s\u00edsmicas es fundamentalmente diferente del flujo de agua subterr\u00e1nea. Donde el agua subterr\u00e1nea sigue las ecuaciones de tipo difusi\u00f3n que suavizan las caracter\u00edsticas n\u00edtidas a lo largo del tiempo, la propagaci\u00f3n de ondas s\u00edsmicas sigue la ecuaci\u00f3n de ondas el\u00e1sticas<\/strong>, una PDE hiperb\u00f3lica de segundo orden que preserva los frentes de onda n\u00edtidos y requiere un cuidado num\u00e9rico cuidadoso para evitar la dispersi\u00f3n artificial.<\/p>\n
    La ecuaci\u00f3n de onda<\/h3>\n
    La ecuaci\u00f3n de onda el\u00e1stica gobierna la propagaci\u00f3n de ondas s\u00edsmicas:<\/p>\n
    \u22022\ud835\udc2e\u2202t2=\u2207\u22c5(\ud835\udc02:\u2207\ud835\udc2e)+\ud835\udc1f
     frac{parcial^2 mathbf{u}}{parcial t^2} = nabla cdot (mathbf{c} : nabla mathbf{u}) + mathbf{f}<\/p>\n
    d\u00f3nde<\/p>\n
    \ud835\udc2emathbf{u}<\/p>\n
    es el desplazamiento,<\/p>\n
    \ud835\udc02Matem\u00e1ticas{c}<\/p>\n
    es el tensor de rigidez, y<\/p>\n
    \ud835\udc1fmathbf{f}<\/p>\n
    representa las fuerzas del cuerpo.<\/p>\n
    A diferencia del flujo de agua subterr\u00e1nea (donde la presi\u00f3n se difunde y los gradientes agudos), las ondas s\u00edsmicas se propagan con una dispersi\u00f3n m\u00ednima en miles de kil\u00f3metros, lo que significa que los esquemas num\u00e9ricos deben preservar la nitidez del frente de onda para producir resultados precisos. Esto hace que los m\u00e9todos de dominio del tiempo de diferencia finita (FDTD) sean particularmente atractivos porque son eficientes y precisos para los problemas de propagaci\u00f3n de ondas.<\/p>\n
    DeVito: DSL simb\u00f3lico para solucionadores de ecuaciones de onda<\/h3>\n
    devito<\/a> (Grupo Slim de Georgia Tech) genera un c\u00f3digo C optimizado para Simulaciones de diferencia finita de onda-ecuaci\u00f3n utilizando matem\u00e1ticas simb\u00f3licas simpy. El marco est\u00e1 dise\u00f1ado para investigadores que desean propagaci\u00f3n de ondas diferenciables, esencial para los flujos de trabajo de inversi\u00f3n de forma de onda completa (FWI) y de migraci\u00f3n de tiempo inverso (RTM).<\/p>\n
    Aqu\u00ed est\u00e1 el ejemplo de modelado directo de Devito TLE (conjunto de tiempo de retraso) del tutorial delgado:<\/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
    Este c\u00f3digo demuestra el flujo de trabajo clave: Defina una cuadr\u00edcula, especifique un modelo de velocidad, configure el operador de ecuaci\u00f3n de onda y ejec\u00fatelo. El motor simb\u00f3lico basado en Sympy de DeVito traduce la ecuaci\u00f3n de alto nivel en un c\u00f3digo C optimizado que se ejecuta a un rendimiento casi nativo, una caracter\u00edstica cr\u00edtica cuando se simulan grandes conjuntos de datos s\u00edsmicos.<\/p>\n
    La animaci\u00f3n de propagaci\u00f3n de ondas hacia adelante y hacia atr\u00e1s del grupo delgado en el modelo Marmousi muestra el tipo de resultados que produce DeVito: clara propagaci\u00f3n del frente de onda a trav\u00e9s de un modelo de velocidad realista [5]. Esta animaci\u00f3n demuestra la evoluci\u00f3n de campo de onda hacia adelante y hacia atr\u00e1s, los mismos campos de onda que sustentan los flujos de trabajo de FWI.<\/p>\n
    \"Animaci\u00f3n
    Animaci\u00f3n delgada hacia adelante\/atr\u00e1s de onda 2D en el modelo Marmousi. Atribuci\u00f3n: Slim Group, Georgia Tech.<\/figcaption><\/figure>\n
    Atribuci\u00f3n<\/strong>: Slim Forward.gif \u2014 Slim Group, Georgia Tech<\/p>\n
    Barrido 2026: Diferenciaci\u00f3n autom\u00e1tica para inversi\u00f3n s\u00edsmica<\/h3>\n
    El desarrollo reciente m\u00e1s significativo en el modelado s\u00edsmico de Python es Sweep<\/a>, un art\u00edculo de ARXIV publicado en abril de 2026 que introduce la diferenciaci\u00f3n autom\u00e1tica como alternativa principal a las derivaciones manuales adjuntas para la inversi\u00f3n s\u00edsmica. Esto representa un cambio de paradigma.<\/p>\n
    La inversi\u00f3n s\u00edsmica tradicional utiliza el m\u00e9todo del estado adjunto, donde los investigadores derivan manualmente ecuaciones adjuntas y las implementan como c\u00f3digos de propagaci\u00f3n de tiempo inverso separados. Sweep automatiza este proceso: al usar la diferenciaci\u00f3n autom\u00e1tica (AD) con esquemas de pasos de tiempo nativos, los profesionales pueden calcular gradientes directamente desde su modelo directo sin derivar ecuaciones adjuntas a mano.<\/p>\n
    Soportes de barrido:<\/p>\n