Análisis de niveles de ruido
Yeferson D. Delgado, Sharon Porras, Sophia Patiño Chagüendo, Valeria Gonzales
# Convertir a numérico
datos1$Latitude <- as.numeric(datos1$Latitude)
datos1$Longitude <- as.numeric(datos1$Longitude)
datos1$Measurement_Value <- as.numeric(datos1$X1.Measurement_Value)
datos2$Latitude <- as.numeric(datos2$Latitude)
datos2$Longitude <- as.numeric(datos2$Longitude)
datos2$Measurement_Value <- as.numeric(datos2$X1.Measurement_Value)
# Unir datos
datos_total <- rbind(datos1, datos2)
datos_total <- na.omit(datos_total)INTRODUCCIÓN
El campus de la Universidad del Valle es un entorno en el que se evidencia un gran flujo de personas a diario, las cuales suelen aglomerarse en ciertas zonas en horarios específicos. En estos espacios, el sonido se convierte en una variable ambiental que influye directamente en las personas; en particular, el ruido, entendido como un sonido no deseado que puede presentar variaciones significativas dependiendo de factores como la actividad humana, el tipo de entorno y las características físicas del espacio. En el presente informe se busca analizar los niveles de sonido dentro del campus mediante la captura de datos por sectores, haciendo uso de la aplicación AirCasting. Con este se busca evaluar la variación de los niveles de presión sonora en función del tipo de entorno, incluyendo espacios abiertos y cerrados, como la cafetería de Ingeniería y el restaurante universitario, lugar que en contraste con los espacios abiertos, presenta un nivel de ruido elevado y sostenido debido a la superposición de múltiples fuentes sonoras y a la reflexión del sonido en superficies rígidas, lo que dificulta su disipación. De esta manera, la evaluación busca no solo describir los niveles de ruido registrados, sino también explicar los patrones y las razones observadas a partir de las condiciones ambientales y estructurales del entorno, aportando una mejor comprensión del comportamiento del sonido en espacios universitarios.
library(leaflet)
pal <- colorNumeric(
palette = "YlOrRd",
domain = datos_total$Measurement_Value
)
leaflet(datos_total) %>%
addTiles() %>% # 👈 ESTE ES EL CAMBIO CLAVE
addCircleMarkers(
lng = ~Longitude,
lat = ~Latitude,
radius = 5,
fillColor = ~pal(Measurement_Value),
stroke = FALSE,
fillOpacity = 1,
label = ~paste("Ruido:", Measurement_Value, "dB")
) %>%
addLegend(
position = "bottomright",
pal = pal,
values = ~Measurement_Value,
title = "Nivel de ruido (dB)"
)METODOLOGÍA
El estudio se realizó en el campus de la Universidad del Valle, donde se llevó a cabo un recorrido alrededor de una de sus instalaciones con el objetivo de registrar los niveles de presión sonora en diferentes puntos del área. Se procuró realizar los muestreos en horarios similares entre jornadas, para evitar variaciones importantes asociadas a cambios en la actividad del entorno; sin embargo, en cada recorrido se variaron los sitios de medición con el fin de cubrir una mayor área.
Durante cada recorrido se utilizó la aplicación AirCasting, que permitió registrar de manera continua los niveles de ruido en decibeles (dB). El dispositivo móvil se mantuvo en una posición relativamente constante durante la toma de datos, buscando así reducir posibles variaciones en las mediciones. Cada recorrido consistió en una grabación continua a lo largo del trayecto definido, lo que permitió obtener una serie de datos representativa de las condiciones acústicas del lugar.
Posteriormente, los datos fueron exportados desde la aplicación y organizados para su análisis. Este proceso se realizó utilizando el software R, donde se limpiaron y procesaron los datos obtenidos. Se calcularon algunas medidas descriptivas como el promedio, los valores máximos y mínimos, y la variación de los niveles de ruido entre los diferentes puntos.
Finalmente, con estos resultados se buscó identificar patrones en la distribución del ruido dentro del área de estudio, permitiendo tener una idea más clara de cómo varía el ambiente sonoro en el campus.
EXPLORACIÓN DE DATOS
Con el fín de caracterizar y describir el comportamiento de los datos de sonido recolectados mediante Air Casting, se establecen dos zonas de medición en el campus de la Universidad del Valle donde se concentran dos puntos utilizados como referencia (plazoleta de ingenierías y banderas). Los datos disponibles en el programa se utilizaron para calcular medidas de tendencia central y de dispersión para cada una de las sesiones y el conjunto total de las mediciones.
La tabla se usa como herramienta que agrupa las mediciones de tendencia central más usados como media, mediana, datos mínimos y máximos, etc. De ese modo, se utiliza como una estrategía que permite comparar el comportamiento de las mediciones en cada sesión.
# Sesión 1
media1 <- mean(datos1$Measurement_Value, na.rm = TRUE)
mediana1 <- median(datos1$Measurement_Value, na.rm = TRUE)
sd1 <- sd(datos1$Measurement_Value, na.rm = TRUE)
min1 <- min(datos1$Measurement_Value, na.rm = TRUE)
max1 <- max(datos1$Measurement_Value, na.rm = TRUE)
# Sesión 2
media2 <- mean(datos2$Measurement_Value, na.rm = TRUE)
mediana2 <- median(datos2$Measurement_Value, na.rm = TRUE)
sd2 <- sd(datos2$Measurement_Value, na.rm = TRUE)
min2 <- min(datos2$Measurement_Value, na.rm = TRUE)
max2 <- max(datos2$Measurement_Value, na.rm = TRUE)
# Total
mediaT <- mean(datos_total$Measurement_Value)
medianaT <- median(datos_total$Measurement_Value)
sdT <- sd(datos_total$Measurement_Value)
minT <- min(datos_total$Measurement_Value)
maxT <- max(datos_total$Measurement_Value)
# Tabla final
tabla <- data.frame(
Medicion = c("Sesion 1", "Sesion 2", "Total"),
Media = c(media1, media2, mediaT),
Mediana = c(mediana1, mediana2, medianaT),
Desv_Estandar = c(sd1, sd2, sdT),
Minimo = c(min1, min2, minT),
Maximo = c(max1, max2, maxT)
)
tabla[, -1] <- round(tabla[, -1], 2)
tablaComo se observa en la tabla, la sesión 2 presenta una media (83.15) y mediana (84) notablemente superior a la sesión 1 que corresponde a los valores 79.59 y 80 respectivamente, lo que indica que, en general, las mediciones de sonido fueron mayores en la sesión 2 que fue la zona donde hubo una mejor toma de datos.
En cuanto a la variabilidad de las muestras, se puede observar que la desviación estandar de la sesión 1 es superior a la sesión 2, sugiriendo una mayor dispersión de los datos, lo cual, concuerda con la distribución de datos establecida en el mapa; en cambio, en la sesión 1, los valores se encuentran en un rango más reducido.
Finalmente, los valores mínimos y máximos permiten identificar el rango sobre el cual se posicionan los datos, evidenciando que ambas sesiones se encuentran en un rango de valores moderados y altos.
Los histogramas permiten analizar la distribución de los niveles de sonido alrededor de las zonas de muestreo registradas en el campus.
hist(datos1$Measurement_Value,
main = "Histograma Sesión 1",
xlab = "Decibeles (dB)",
col = "lightgreen")
hist(datos2$Measurement_Value,
main = "Histograma Sesión 2",
xlab = "Decibeles (dB)",
col = "lightcoral")
De acuerdo a la distribución de cada sesión en los histogramas se puede observar que, en la sesión 1 hay una mayor agrupación de esos datos en el intervalo de 75 a 85 decibeles con valores medios cercanos a los 80 dB, indicando que la mayoría de mediciones se agrupan en ese rango. Además de eso, la disposición de los datos sugiere una homogeneidad relativa de las mediciones, sin una presencia marcada de valores extremos.
En cambio, en la sesion 2, se observa una agrupación de datos mayor en el intervalo de 82 y 86 decibeles; es decir, se predomina en valores relativamente altos sin una variabilidad alta.
# Limpiar datos
ruido1 <- na.omit(datos1$Measurement_Value)
ruido2 <- na.omit(datos2$Measurement_Value)
# Definir rango común
limites <- range(c(ruido1, ruido2))
# Histograma sesión 1
hist(ruido1,
col = rgb(0, 0, 1, 0.5), # azul transparente
xlim = limites,
main = "Histogramas superpuestos",
xlab = "Decibeles (dB)")
# Histograma sesión 2 (encima)
hist(ruido2,
col = rgb(1, 0, 0, 0.5), # rojo transparente
add = TRUE)
# Leyenda
legend("topright",
legend = c("Sesion 1", "Sesion 2"),
fill = c(rgb(0,0,1,0.5), rgb(1,0,0,0.5)))
El histograma superpuesto permite hacer una comparación directa de ambas sesiones. Se observa que la sesión 2 presenta una mayor concentración de valores en un intervalo de rangos más altos de decibeles en contraste a la sesión 1.
Esta diferencia sugiere que durante la segunda medición se registraron niveles de ruido más elevados, lo cual se asocia con un aumento en la actividad dentro del campus en el momento de la recolección de datos.
HIPÓTESIS
La diferencia entre las dos sesiones se debe al tipo de espacio y a la cantidad de personas presentes. Mientras que la sesión 1 representa un recorrido por espacios abiertos con sonidos que aparecen y desaparecen (aves, pasos, viento), la sesión 2 captura el ruido constante de un espacio cerrado y lleno de gente (el Comedor Central). La hipótesis es que en el comedor el ruido no baja porque las voces de cientos de personas chocan contra las paredes y el techo, creando un “muro de sonido” que se mantiene siempre alto. Desarrollo de la hipotesis Al comparar los datos de las gráficas, podemos explicar este fenómeno de la siguiente manera: Variación vs. Estabilidad: En la sesión 1, vemos que los datos “saltan” mucho (variabilidad). Esto pasa porque al caminar por la universidad al aire libre, hay momentos de silencio total y ruidos repentinos. En cambio, en la sesión 2 (Comedor), la gráfica es muy estable pero arriba de los 80 dB. Esto sucede por el “Efecto Cóctel”: cuando hay mucha gente hablando en un sitio, todos suben el volumen de su voz para hacerse escuchar por encima de los demás, lo que genera un nivel de ruido base que nunca baja. El papel de la arquitectura: El Comedor Central tiene techos altos y superficies duras (suelos de baldosa, mesas, paredes). Estos materiales no absorben el sonido, sino que lo rebotan. En la sesión 1, la vegetación y el cielo abierto ayudan a que el sonido se escape o se absorba. En la sesión 2, el ruido se queda “atrapado” y se suma entre sí, lo que explica por qué el valor mínimo fue tan alto (77 dB). No hay rincones de silencio. Concentración de la energía sonora: Al analizar el histograma de la sesión 2, casi todas las barras están pegadas hacia la derecha (entre 82 y 86 dB). Esto confirma que en hora pico, el comedor se comporta como una fuente de ruido constante. A diferencia de los senderos o zonas verdes de la universidad, donde el ruido depende de sonidos intermitentes del ambiente, en el comedor el flujo de personas es masivo y continuo. Esto mantiene la presión del sonido en niveles que no dan descanso al oído y que se mantienen estables durante toda la medición.
El diagrama de cajas permite visualizar la distribución de los datos y comparar las dos sesiones de medición.
# Limpiar datos
ruido1 <- na.omit(datos1$Measurement_Value)
ruido2 <- na.omit(datos2$Measurement_Value)
# Boxplot comparativo
boxplot(ruido1, ruido2,
names = c("Sesion 1", "Sesion 2"),
col = c("lightblue", "lightgreen"),
main = "Comparación de niveles de ruido",
ylab = "Decibeles (dB)")
# Agregar medias (puntos rojos)
points(1:2,
c(mean(ruido1), mean(ruido2)),
col = "red",
pch = 19)
Se observa que la sesión 2 presenta una mediana superior a la de la sesión 1, indicando niveles de ruido relativamente mayores.
Asimismo, la dispersión de los datos sugiere una variabilidad moderada en ambas sesiones, aunque con una ligera concentración en la segunda. Estos resultados permiten plantear la hipótesis de que existen diferecias en los niveles de ruido entre las sesiones analizadas.
El gráfico de cajas (boxplot) revela que el ruido se comporta de forma opuesta según el entorno: mientras que en la sesión 1 la caja es alargada y muestra una alta variabilidad, en la sesión 2 es estrecha y se mantiene siempre cerca de los 84 dB. Esta diferencia se confirma con los valores extremos (los puntos fuera de la caja): en las zonas verdes hay puntos que bajan hasta los 65 dB, lo que representa momentos reales de alivio acústico. En cambio, en el comedor esos puntos apenas bajan de los 77 dB, demostrando que la concentración de personas y el rebote del sonido en las paredes eliminan cualquier posibilidad de silencio, manteniendo el ruido en niveles altos y constantes durante toda la medición.
CONCLUSIÓN
A partir de las dos sesiones de medición realizadas en el campus de la Universidad del Valle, se puede confirmar algo que quizás ya se intuía: el entorno físico y la cantidad de personas presentes tienen un impacto directo y considerable en los niveles de ruido de un espacio.
Los datos lo muestran con claridad. La sesión 2, tomada en el Comedor Central, registró niveles de ruido más altos y mucho más estables que la sesión 1, con una media de 83.15 dB y una mediana de 84 dB, frente a los 79.59 dB y 80 dB de la primera sesión. Aunque ambas se ubican en rangos moderados-altos, lo que realmente las diferencia no es solo el número, sino el tipo de ruido que hay detrás.
En la sesión 1, la variabilidad de los datos tiene sentido: caminar por zonas abiertas implica sonidos que aparecen y desaparecen, que se dispersan entre la vegetación y el aire libre. En el comedor, en cambio, la gráfica casi no se mueve porque el ruido no baja. Esto se explica por dos factores que actúan juntos: el Efecto Cóctel, donde cada persona sube la voz para hacerse escuchar por encima de los demás, y la arquitectura del lugar, con sus superficies duras que rebotan el sonido en lugar de absorberlo. El resultado es un nivel de ruido que se mantuvo entre 82 y 86 dB durante casi toda la medición, con un mínimo que ni siquiera bajó de 77 dB.
Estos resultados son consistentes con la hipótesis planteada y con todos los análisis realizados —medidas de tendencia central, histogramas y diagrama de cajas—, lo que da solidez a las conclusiones. El Comedor Central, al menos en hora pico, es un espacio que no ofrece ningún descanso auditivo, lo cual vale la pena considerar a la hora de pensar en el bienestar de quienes lo usan a diario y en cómo se diseñan los espacios colectivos dentro del campus.
BIBLIOGRAFÍA
Broner, N. (Ed.). (2010). The handbook of noise control. CRC Press.
López, M. (2012). Acústica de salas y control de ruido. Editorial Reverté.