Introducción
La importancia de respirar un aire limpio es crucial para todo ser humano gracias a que este soporta al organismo. Por lo cual es importante que este sea aire limpio. ¿Pero cómo es que se sabe cuándo el aire está limpio? y como es que esto nos afecta a nosotros? La calidad del aire está directamente relacionada con la movilidad de autos, buses, entre otros medios de transporte dentro de las ciudades, por lo tanto, entre más movilidad haya en una ciudad, aumenta el nivel de contaminantes en el aire. Ya que estos vehículos producen contaminantes de manera continua, causando que estos se incorporen en el ambiente y aumenta la concentración de contaminantes en el aire.
Pero no solo es la contaminación que estos producen, sino que la presencia de estos contaminantes en altas cantidades puede ser realmente dañinas para la salud, ya sean afectando enfermedades cardiovasculares y pulmonares (por el inhalar estos contaminantes), y afectar la calidad de vida de la población o incluso causar el fallecimiento.
Se tiene en cuenta que los contaminantes han sido parte de nuestro día a día durante el largo de la historia, sin embargo, esto empeoro cuando la creación de vehículos tuvo lugar, hoy en día se puede relacionar directamente la movilidad y la calidad del aire. Así que nos dimos a la tarea de investigar en el área de Hermosillo y la movilidad urbana para saber qué partes de este está el aire contaminado, como este afecta a los humanos y que tanto está contaminado.
Antecedentes
En Hermosillo sonora, la contaminación del aire es elevada y la población no lo sabe. Existen antecedentes para esta ciudad de medición de PST (Particulas suspendidas totales similares a las PM10) de 1990 a 1995, reportándose que todos esos años se rebasó el máximo permisible anual de 75 μg/m3 con promedios anuales que fluctuaban de 126 hasta 565 μg/m3. En cuanto a metales en aire para esta ciudad, se identificó un estudio de scielo en el que se evaluó que las concentraciones promedio de plomo se encontraban entre 0.28 y 0.37 μg/m3.
Metodología
En este proyecto se utilizo información obetenida de Estación Regional del Noroeste (ERNO), dependencia perteneciente a la UNAM. Los datos utilizados en este trabajo son del periodo de septiembre a noviembre en el año 2019 y 2020. El método de muestre utilizado por Erno es el establecido en las Normas Oficiales Mexicanas NOM-022-SSAA1-2010(SO2),NOM-025-SSAA1-2014(PM10 y O3).(Subsecretaría Gestión Ambiental,2017)
La calidad del aire
Se define la inmisión o calidad del aire como la concentración de contaminantes que llega a un receptor, más o menos lejano de la fuente de emisión, una vez transportado y difundido por la atmósfera. Esto es muy importante ya que al detectar un nivel de contaminates en el aire la calidad del mismo disminuye y afecta de manera directa a los pobladores de la zona, esto puede proporcionar eventualmente enfermedades cronicas y otro tipo de malestares, la calidad del aire es una manera de cuantificar y calificar el indice de contaminantes en el aire.
¿Para qué sirve medir la calidad del aire?
Para conocer la composición y concentración de los múltiples gases y partículas que se encuentran dispersos en la atmósfera. Estos elementos deben hallarse en una proporción determinada, con el fin de cumplir con un equilibrio y una calidad que permita a todos los seres vivos disfrutar de una vida saludable sin contaminantes en el aire.
¿Cómo se sabe si el aire se encuentra limpio?
Se utiliza el microgramo/metro cúbico para cuantificar la calidad del aire. Se verifica que no haya gases nocivos presentes en el aire y se establecen valores límites al aire. También se utilizan la ppm (Partes por millón) para medir el volumen de pequeñas cantidades de elementos dentro de una mezcla. Los contaminantes principales de la calidad del aire son: las partículas suspendidas PM10 y PM2.5, Ozono, Dióxido de azufre, Dióxido de nitrógeno y Monóxido de carbono. Los límites máximos para el aire limpio están en las Normas Oficiales Mexicanas (NOM).
ERNO, al ser una dependencia de la unam ubicada en la ciudad de Hermosillo, Sonora, la manera en la que trabaja es siguiendo las NOM, las cuales son publicadas por la Secretaria de Salud. Las Nom establecen que
Que es el SO2, PM10 y O3
SO2
El Dióxido de azufre es un gas incoloro, irritante, con un olor. Su densidad es el doble que la del aire. Si se combina con agua se transforma en acido sulfúrico.
La principal fuente de emisión de dióxido de azufre a la atmósfera es la combustión de productos petrolíferos y la quema de carbón en centrales eléctricas y calefacciones centrales. Existen también algunas fuentes naturales, como es el caso de los volcanes.
Los principales efectos negativos a nuestro organismo son: la dificultad de respirar, inflamación en las vías respiratorias, irritación ocular, paro cardiaco, colapso circulatorio, etc.
PM10
Las PM10 se pueden definir como aquellas partículas sólidas o líquidas de polvo, cenizas, hollín, partículas metálicas, cemento o polen, dispersas en la atmósfera, y cuyo diámetro varía entre 2,5 y 10 µm (1 micrómetro). Están formadas principalmente por compuestos inorgánicos, metales pesados y material orgánico asociado a partículas de carbono.
La exposición prolongada de estas partículas ocasionas efectos nocivos al sistema respiratorio. Aparte que gracias a que estas partículas luego caen en la tierra se genera una capa de polvo que afecta a la salud de la flora y fauna terrestre y acuática.
O3
El ozono es un gas incoloro y un componente natural de la atmosfera que se encuentra en concentraciones bajas y es vital para nosotros.
La mayor parte de esta se encuentra en la ozonosfera que limita la radiación ultravioleta del sol. A esta se le llama el “ozono bueno”, en el que nos concentraremos mas es el denominado “ozono malo” el cual se encuentra al nivel del suelo y es producido por los automóviles, fabricas y otras reacciones químicas con el sol. Siendo la principal causa del “smog” (Contaminación del aire).
Los principales efectos negativos para el ser humano es que nos provocan efectos nocivos al sistema respiratorio. Como, por ejemplo: tos, bronquitis, asma, etc. Aparte de causar daño a las plantas junto con otros contaminantes ya que el ozono hace que el tejido de las hojas se vuelva más frágiles.
Movilidad
La mobilidad urbana que es a la que nos estamos refieriendo es la cantidad de movimientos que estan parsando en ciertas zonas (Zonas de trabajo, transito, parques, casas, etc.) para saber cuales de estas estan siendo utilizadas mas que otras.
La movilidad en Hermosillo ha estado disminuyendo y aumentando de manera constante, con relacion a la situacion actual sobre la pandemia global, la capital muestra que las tendencias de movilidad de la poblacion han sido menores a comparacion al mismo periodo (durante los primeros meses) de años anteriores, pero hubo ligeros aumentos durante el ultimo periodo (ultimos meses) del mismo.
Efectos sobre la salud
Los impactos a la salud de la contaminación del aire van desde muerte prematura, sobrepeso y obesoinfarto cerebral, enfermedades cardíacas, varios tipos de cáncer, siendo el del pulmón el de mayor prevalencia y enfermedades respiratorias agudas o crónicas, asma, enfermedad pulmonar obstructiva, sobrepeso y obesidad, hasta efectos menos graves pero más comunes como malestares respiratorios, dolor de cabeza, mareo, irritación e inflamación de ojos.
Importacion de datos
library(pacman)
p_load('prettydoc','dplyr','readxl','DT','plotly','gganimate','gifski','DT','readr','gridExtra')
#Marzo 2019
DataMarz2019 <- read_csv("2019-03-ERNO_hora_L1_caire.csv",
col_types = cols(Date = col_date(format = "%d/%m/%Y")),
skip = 7)
#Septiembre 2019
DataSept2019 <- read_csv("2019-09-ERNO_hora_L1_caire.csv",
col_types = cols(Time = col_date(format = "%d/%m/%Y")),
skip = 7)
#Octubre 2019
DataOct2019 <- read_csv("2019-10-ERNO_hora_L1_caire.csv",
col_types = cols(Time = col_date(format = "%d/%m/%Y")),
skip = 7)
#Noviembre 2019
DataNov2019 <- read_csv("2019-11-ERNO_hora_L1_caire.csv",
col_types = cols(Time = col_date(format = "%d/%m/%Y")),
skip = 7)
#Marzo 2020
DataMarz2020 <- read_csv("2020-03-ERNO_hora_L1_caire.csv",
col_types = cols(Date = col_date(format = "%d/%m/%Y")),
skip = 7)## Warning: The following named parsers don't match the column names: Date#Septiembre 2020
DataSept2020 <- read_csv("2020-09-ERNO_hora_L1_caire.csv",
col_types = cols(Time = col_date(format = "%d/%m/%Y")),
skip = 7)
#Octubre 2020
DataOct2020 <- read_csv("2020-10-ERNO_hora_L1_caire.csv",
col_types = cols(Time = col_date(format = "%d/%m/%Y")),
skip = 7)
#Noviembre 2020
DataNov2020 <- read_csv("2020-11-ERNO_hora_L1_caire.csv",
col_types = cols(Time = col_date(format = "%d/%m/%Y")),
skip = 7)
# Movilidad
movilidad <- read_csv("2020_MX_Region_Mobility_Report.csv")## Parsed with column specification:
## cols(
## country_region_code = col_character(),
## country_region = col_character(),
## sub_region_1 = col_character(),
## sub_region_2 = col_logical(),
## metro_area = col_logical(),
## iso_3166_2_code = col_character(),
## census_fips_code = col_logical(),
## date = col_date(format = ""),
## retail_and_recreation_percent_change_from_baseline = col_double(),
## grocery_and_pharmacy_percent_change_from_baseline = col_double(),
## parks_percent_change_from_baseline = col_double(),
## transit_stations_percent_change_from_baseline = col_double(),
## workplaces_percent_change_from_baseline = col_double(),
## residential_percent_change_from_baseline = col_double()
## )Comparaciones
- Comparación de niveles de O3 en Hermosillo entre Marzo 2019 y Marzo 2020
MarzoO3 <- data.frame(DataMarz2019$Date,DataMarz2019$O3,DataMarz2020$O3)
gcov <- ggplot(data = MarzoO3)+
ggtitle("Ozono en el aire")+
geom_line(aes(x=DataMarz2019$Date,y=DataMarz2019$O3,colour = 'O3 año 2019'))+
geom_line(aes(x=DataMarz2019$Date,y=DataMarz2020$O3,colour = 'O3 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)MarzoPM10 <- data.frame(DataMarz2019$Date,DataMarz2019$PM10,DataMarz2020$PM10)
gcov <- ggplot(data = MarzoO3)+
ggtitle("Particulas por millón menores a 10")+
geom_line(aes(x=DataMarz2019$Date,y=DataMarz2019$PM10,colour = 'PM10 año 2019'))+
geom_line(aes(x=DataMarz2019$Date,y=DataMarz2020$PM10,colour = 'PM10 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)- Comparación de niveles de SO2 en Hermosillo entre Marzo 2019 y Marzo 2020
MarzoSO2 <- data.frame(DataMarz2019$Date,DataMarz2019$SO2,DataMarz2020$SO2)
gcov <- ggplot(data = MarzoO3)+
ggtitle("Dioxido de azufre")+
geom_line(aes(x=DataMarz2019$Date,y=DataMarz2019$SO2,colour = 'SO2 año 2019'))+
geom_line(aes(x=DataMarz2019$Date,y=DataMarz2020$SO2,colour = 'SO2 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)- Hermosillo entre Septiembre 2019 y Septiembre 2020.
A continuación se mostrara una grafica de poligonos en la cual se verá reflejado el nivel de ozono O3 en promedio diario, en la ciudad de Hermosillo en el año de 2019 a 2020 en el mes de septiembre.
SeptiembreO3 <- data.frame(DataSept2019$Time,DataSept2019$O3,DataSept2020$O3)
gcov <- ggplot(data = SeptiembreO3)+
ggtitle("Ozono en el aire")+
geom_line(aes(x=DataSept2019$Time,y=DataSept2019.O3,colour = 'O3 año 2019'))+
geom_line(aes(x=DataSept2019$Time,y=DataSept2020.O3,colour = 'O3 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)Observando los resultados obtenidos en las graficas se demuestran los picos en las fechas de septiembre y como despues de las fechas festivas de este mes tiende a subar la cantidad de ozono. Por lo cual podemos deducir que este problema es relacionado con la mobilidad urbana.
- Comparacion de niveles de PM10 en Hermosillo entre septiembre 2019 y septiembre 2020.
SeptiembrePM10 <- data.frame(DataSept2019$Time,DataSept2019$PM10,DataSept2020$PM10)
# O3 Septiembre O3
gcov <- ggplot(data = SeptiembrePM10)+
ggtitle("Particulas por millon menores a 10 en en el aire")+
geom_line(aes(x=DataSept2019.Time,y=DataSept2019.PM10,colour = 'PM10 año 2019'))+
geom_line(aes(x=DataSept2019.Time,y=DataSept2020.PM10,colour = 'PM10 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)Se muestra en esta grafica como el PM10 en el 2020 ha en comparacion crecido y se encuentra mucho mayor que en el 2019.
- Comparacion de niveles de SO2 en Hermosillo entre septiembre 2019 y septiembre 2020.
SeptiembreS02 <- data.frame(DataSept2019$Time,DataSept2019$SO2,DataSept2020$SO2)
# O3 Septiembre O3
gcov <- ggplot(data = SeptiembreS02)+
ggtitle("Dióxido de azufre en el aire")+
geom_line(aes(x=DataSept2019.Time,y=DataSept2019.SO2,colour = 'SO2 año 2019'))+
geom_line(aes(x=DataSept2019.Time,y=DataSept2020.SO2,colour = 'SO2 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)Se muestra como en el 2019 aunque se mantuvieron bajos los niveles de SO2 en comparacion al 2020, estos tuvieron picos extremos que sobrepasaron al 2020.
- Hermosillo entre Octubre 2019 y Octubre 2020.
A continuación se mostrara una grafica de poligonos en la cual se verá reflejado el nivel de ozono O3 en promedio diario, en la ciudad de Hermosillo durante el mes de Octubre entre los años 2019 y 2020
OctubreO3 <- data.frame(DataOct2019$Time,DataOct2019$O3,DataOct2020$O3)
gcov <- ggplot(data = OctubreO3)+
ggtitle("Ozono en el aire")+
geom_line(aes(x=DataOct2019$Time,y=DataOct2019.O3,colour = 'O3 año 2019'))+
geom_line(aes(x=DataOct2019$Time,y=DataOct2020.O3,colour = 'O3 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)Observando los resultados obtenidos en las graficas se puede ver que aunque en el año 2020 empezo un poco mayor fue diminuyendo poco a poco hasta ser un poco menor al 2019 en el Ozono.
- Comparacion de niveles de PM10 en Hermosillo entre Octubre 2019 y Octubre 2020.
OctubrePM10 <- data.frame(DataOct2019$Time,DataOct2019$PM10,DataOct2020$PM10)
# O3 Septiembre O3
gcov <- ggplot(data = OctubrePM10)+
ggtitle("Particulas por millon menores a 10 en en el aire")+
geom_line(aes(x=DataOct2019.Time,y=DataOct2019.PM10,colour = 'PM10 año 2019'))+
geom_line(aes(x=DataOct2019.Time,y=DataOct2020.PM10,colour = 'PM10 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)Se demuestra como en el año 2019 las PM10 fueron menores que en el 2020 si vemos toda la grafica, en el 2019 fue mucho menor por un poco tiempo y despues se estabilizo y quedaron similares ambos años.
- Comparacion de niveles de SO2 en Hermosillo entre Octubre 2019 y Octubre 2020.
OctubreS02 <- data.frame(DataOct2019$Time,DataOct2019$SO2,DataOct2020$SO2)
# O3 Septiembre O3
gcov <- ggplot(data = OctubreS02)+
ggtitle("Dióxido de azufre en el aire")+
geom_line(aes(x=DataOct2019.Time,y=DataOct2019.SO2,colour = 'SO2 año 2019'))+
geom_line(aes(x=DataOct2019.Time,y=DataOct2020.SO2,colour = 'SO2 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)Se muestra que el dioxido de azufre fue bastante mayor en el año 2020 que en el año 2019. Se muestra como cuando se va acercando el fin del año empieza a subir drasticamente el dioxido de azufre.
- Hermosillo entre Noviembre 2019 y Noviembre 2020.
A continuación se mostrara una grafica de poligonos en la cual se verá reflejado el nivel de ozono O3 en promedio diario, en la ciudad de Hermosillo durante el mes de Noviembre entre los años 2019 y 2020
NoviembreO3 <- data.frame(DataNov2019$Time,DataNov2019$O3,DataNov2020$O3)
gcov <- ggplot(data = NoviembreO3)+
ggtitle("Ozono en el aire")+
geom_line(aes(x=DataNov2019$Time,y=DataNov2019.O3,colour = 'O3 año 2019'))+
geom_line(aes(x=DataNov2019$Time,y=DataNov2020.O3,colour = 'O3 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)Ocurre algo similar a la grafica de las PM10 donde se ve que empezaron basicamente iguales, en el 2019 hubo un declive extremo y en el 2020 un aumento extremo por unos dias y despues se estabilizan.
Observando los resultados obtenidos en las graficas se puede deducir
- Comparacion de niveles de PM10 en Hermosillo entre Noviembre 2019 y Noviembre 2020.
NoviembrePM10 <- data.frame(DataNov2019$Time,DataNov2019$PM10,DataNov2020$PM10)
# O3 Septiembre O3
gcov <- ggplot(data = NoviembrePM10)+
ggtitle("Particulas por millon menores a 10 en en el aire")+
geom_line(aes(x=DataNov2019.Time,y=DataNov2019.PM10,colour = 'PM10 año 2019'))+
geom_line(aes(x=DataNov2019.Time,y=DataNov2020.PM10,colour = 'PM10 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)Se muestra como empieza un poco mas alto en el año 2019 pero mientras pasa el tiempo en el mes, en el 2020 queda siedo mas alto que en el 2019.
Comparacion de niveles de SO2 en Hermosillo entre Noviembre 2019 y Noviembre 2020.
NoviembreS02 <- data.frame(DataNov2019$Time,DataNov2019$SO2,DataNov2020$SO2)
# O3 Septiembre O3
gcov <- ggplot(data = NoviembreS02)+
ggtitle("Dióxido de azufre en el aire")+
geom_line(aes(x=DataNov2019.Time,y=DataNov2019.SO2,colour = 'SO2 año 2019'))+
geom_line(aes(x=DataNov2019.Time,y=DataNov2020.SO2,colour = 'SO2 año 2020'))+
ylab("Contaminantes en el aire")+xlab("Fecha")+
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Año") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")
ggplotly(gcov)En esta grafica del dioxido de azufre se muestra como es que hay un cambio muy diferente entre los dos años siendo que el 2019 es mucho mas bajo en comparacion al del 2020.
Creacion de diagrama de movilidad en tiendas y ventas del año 2020.
gMR1 <- ggplot(data=movilidad) +
geom_line(aes(x=date, y=retail_and_recreation_percent_change_from_baseline), size=1, colour="orange") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("a) Ventas al por menor y recreación")Creacion de diagrama de movilidad en farmacias del año 2020.
gMR2 <- ggplot(data=movilidad) +
geom_line(aes(x=date, y=grocery_and_pharmacy_percent_change_from_baseline), size=1, colour="darkgreen") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("b) Farmacias")Creacion de diagrama de movilidad en parques del año 2020.
gMR3 <- ggplot(data=movilidad) +
geom_line(aes(x=date, y=parks_percent_change_from_baseline), size=1, colour="purple") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("c) Parques")Creacion de diagrama de movilidad en estaciones de transito del año 2020.
gMR4 <- ggplot(data=movilidad) +
geom_line(aes(x=date, y=transit_stations_percent_change_from_baseline), size=1, colour="brown") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("d) Estaciones de tránsito")Creacion de diagrama de movilidad en areas de trabajo del año 2020.
gMR5 <- ggplot(data=movilidad) +
geom_line(aes(x=date, y=workplaces_percent_change_from_baseline), size=1, colour="red") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("e) Espacios de trabajo")Creacion de diagrama de movilidad en areas residenciales del año 2020.
gMR6 <- ggplot(data=movilidad) +
geom_line(aes(x=date, y=residential_percent_change_from_baseline), size=1, colour="blue") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("f) Hogares")Organizacion de los diagramas creados anteriormente.
- Visualizacion de diagrama de mobilidad
- Visualizacion de la cantidad particulas, ozono y SO2 en el aire en comparacion a las personas en casa. Septiembre a Noviembre 2019
Fecha <- seq(from = as.Date("2020-09-01"), to = as.Date("2020-11-29"), by= "day")
#2019
vectorO32019 <- c(DataSept2019$O3,DataOct2019$O3,DataNov2019$O3[1:29])
vectorPM102019 <- c(DataSept2019$PM10,DataOct2019$PM10,DataNov2019$PM10[1:29])
vectorSO22019 <- c(DataSept2019$SO2,DataOct2019$SO2,DataNov2019$SO2[1:29])
#2020
vectorO32020 <- c(DataSept2020$O3,DataOct2020$O3,DataNov2020$O3[1:29])
vectorPM102020 <- c(DataSept2020$PM10,DataOct2020$PM10,DataNov2020$PM10[1:29])
vectorSO22020 <- c(DataSept2020$SO2,DataOct2020$SO2,DataNov2020$SO2[1:29])
VectorResidencial <- c(movilidad$residential_percent_change_from_baseline[200:289])
sepoc2019 <- data.frame(Fecha,vectorO32019,vectorPM102019,vectorSO22019,VectorResidencial)
sepoc2020 <- data.frame(Fecha,vectorO32020,vectorPM102020,vectorSO22020,VectorResidencial)
movilidadMarzo <- c(movilidad$residential_percent_change_from_baseline[16:46])
sepocMarzo <- data.frame(DataMarz2019$Date,DataMarz2019$O3,DataMarz2019$PM10,DataMarz2019$SO2,DataMarz2020$O3,DataMarz2020$PM10,DataMarz2020$SO2,movilidadMarzo)
# Comparativa Marzo 2019 - 2020
gPrueb0 <- ggplot(data=sepocMarzo) +
ggtitle("Particulas en el aire/Personas en casa. Marzo 2019-2020") +
geom_line(aes(x=DataMarz2019.Date,y=DataMarz2019.O3, colour = 'O3 año 2019'), size = 0.5) +
geom_line(aes(x=DataMarz2019.Date,y=DataMarz2019.SO2, colour = 'SO2 año 2019'), size = 0.5) +
geom_line(aes(x=DataMarz2019.Date,y=DataMarz2019.PM10, colour = 'PM10 año 2019'), size = 0.5) +
geom_line(aes(x=DataMarz2019.Date,y=DataMarz2020.O3, colour = 'O3 año 2020'), size = 0.5) +
geom_line(aes(x=DataMarz2019.Date,y=DataMarz2020.SO2, colour = 'SO2 año 2020'), size = 0.5) +
geom_line(aes(x=DataMarz2019.Date,y=DataMarz2020.PM10, colour = 'PM10 año 2020'), size = 0.5) +
geom_line(aes(x=DataMarz2019.Date,y=movilidadMarzo, colour = 'Porcentaje residencial'), size = 1) +
ylab('Cantidad') + xlab('Fecha') +
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Particula/Personas en casa") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")+
transition_reveal(DataMarz2019.Date)
ggplotly(gPrueb0)Se demuestra como el ozono(O3) va disminuyendo conforme el porcentaje residencial va aumentando. El dioxido de azufre(SO2) fue menor en el año 2020 en comparación al año 2019. Las particulas por millón menores a 10(PM10) se vieron afectadas de la misma manera que el dioxido de azufre, lo cual significa, que en el año 2020 fueron menores en comparación al año 2019. Se encontró que al inicio no hubo mucho cambio hablando del porcentaje residencial y las PM10, pero conforme al tiempo se fue estabilizando y reaccionando de manera reciproca al porcentaje residencial.
# Comparativa 2019
gPrueb <- ggplot(data=sepoc2019) +
ggtitle("Particulas en el aire/Personas en casa. Sep-Nov 2019") +
geom_line(aes(x=Fecha,y=vectorO32019, colour = 'O3 año 2019'), size = 0.5) +
geom_line(aes(x=Fecha,y=vectorSO22019, colour = 'SO2 año 2019'), size = 0.5) +
geom_line(aes(x=Fecha,y=vectorPM102019, colour = 'PM10 año 2019'), size = 0.5) +
geom_line(aes(x=Fecha,y=VectorResidencial, colour = 'Porcentaje residencial'), size = 1) +
ylab('Cantidad') + xlab('Fecha') +
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Particula/Personas en casa") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")+
transition_reveal(FechaEne)
ggplotly(gPrueb)- Visualización de la cantidad particulas, ozono y SO2 en el aire en comparación a las personas en casa. Septiembre a Noviembre 2020
# Comparativa 2020
gPrueb2 <- ggplot(data=sepoc2020) +
ggtitle("Particulas en el aire/Personas en casa. Sep-Nov 2020")+
geom_line(aes(x=Fecha,y=vectorO32020, colour = 'O3 año 2020'), size = 0.5) +
geom_line(aes(x=Fecha,y=vectorSO22020, colour = 'SO2 año 2020'), size = 0.5) +
geom_line(aes(x=Fecha,y=vectorPM102020, colour = 'PM10 año 2020'), size = 0.5) +
geom_line(aes(x=Fecha,y=VectorResidencial, colour = 'Porcentaje residencial'), size = 1) +
ylab('Cantidad') + xlab('Fecha') +
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Particula/Personas en casa") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")+
transition_reveal(FechaEne)
ggplotly(gPrueb2)## DataMarz2019.O3 DataMarz2019.PM10 DataMarz2019.SO2
## DataMarz2019.O3 1.00000000 -0.5527541 -0.4283096
## DataMarz2019.PM10 -0.55275411 1.0000000 0.7487732
## DataMarz2019.SO2 -0.42830958 0.7487732 1.0000000
## DataMarz2020.O3 0.02638899 0.4985484 0.4111168
## DataMarz2020.PM10 0.07772005 0.2914589 0.4224365
## DataMarz2020.SO2 0.07007725 0.5043272 0.5434978
## DataMarz2020.O3 DataMarz2020.PM10 DataMarz2020.SO2
## DataMarz2019.O3 0.02638899 0.07772005 0.07007725
## DataMarz2019.PM10 0.49854836 0.29145886 0.50432716
## DataMarz2019.SO2 0.41111683 0.42243648 0.54349777
## DataMarz2020.O3 1.00000000 0.24704602 0.73221787
## DataMarz2020.PM10 0.24704602 1.00000000 0.60953586
## DataMarz2020.SO2 0.73221787 0.60953586 1.00000000
## vectorO32019 vectorPM102019 vectorSO22019 VectorResidencial
## vectorO32019 1.00000000 0.08063809 0.1666616 0.01657505
## vectorPM102019 0.08063809 1.00000000 0.4915666 -0.30932310
## vectorSO22019 0.16666160 0.49156660 1.0000000 -0.17025526
## VectorResidencial 0.01657505 -0.30932310 -0.1702553 1.00000000
## vectorO32020 vectorPM102020 vectorSO22020 VectorResidencial
## vectorO32020 1.0000000 0.24340350 0.22807415 -0.14066668
## vectorPM102020 0.2434035 1.00000000 0.61643220 -0.04089615
## vectorSO22020 0.2280741 0.61643220 1.00000000 -0.09481263
## VectorResidencial -0.1406667 -0.04089615 -0.09481263 1.00000000
Se puede apreciar en el conjunto de diagramas que al inicio de el año las personas no estaban usualmente en su casa, mas sin embargo, una vez empezo la pandemia del COVID-19 se empezo a disminuir la cantidad de personas circulando en las calles y por ende empezaron a reducir el nivel de 03, CO2 y PM10 en el aire. Dando paso a una mejor calidad de aire que la anterior por un tiempo.
- Referencias
Pérez Vidal, H., Lunagómez Rocha, M. A., & Acosta Pérez, L. (2010). Evaluación de la calidad del aire respecto de partículas suspendidas totales (PST) y metales pesados (Pb, Cd, Ni, Cu, Cr) en la ciudad de Hermosillo, Sonora, México, durante un periodo anual. scielo. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0188-49992013000400005
Subsecretaría Gestión Ambiental. (2017, noviembre).Principales Clases de Contaminantes del aire. sema. https://www.sema.gob.mx/SGA-MONITOREO-CLASES.htm
Google. (2020, 8 diciembre). Descubre cómo han cambiado los desplazamientos de tu comunidad debido al COVID‑19. Google mobility report. https://www.google.com/covid19/mobility/
Erno. (2020). datos de calidad del aire. Erno. ftp://132.248.8.31/caire/erno/L1/hora
CÁLCULO DEL ÍNDICE DE CALIDAD DEL AIRE TOMANDO EN CUENTA LAS RECIENTES MODIFICACIONES A LAS NOM-020-SSA1-2014 Y NOM-025-SSA1-2014. (2014). aire.cdmx. http://www.aire.cdmx.gob.mx/default.php?opc=%27ZaBhnmI=&dc=%27aQ