Caso de estudio: Calidad del aire

INTRODUCCIÓN

El ozono es un gas que está presente de forma natural en la atmósfera a muy bajas concentraciones. En las ciudades puede formarse en grandes concentraciones debido a la reacción química entre los óxidos de nitrógeno (NOx) y los compuestos orgánicos volátiles (COV) en presencia de luz solar.

El ozono se considera un contaminante ambiental, ya que a elevadas concentraciones puede provocar daños en la salud como irritar el sistema respiratorio, agravar el asma y las enfermedades pulmonares crónicas, reducir la función pulmonar, disminuir la esperanza de vida.

ANTECEDENTES

En la ciudad de Hermosillo, Sonora, México, la población ha manifestado desde hace años su inquietud respecto de la calidad del aire que se respira, principalmente por la visible capa de polvo que cubre gran parte de la ciudad durante la mañanas y muy marcadamente durante los períodos de otoño e invierno. Existen antecedentes para esta ciudad de medición de PST de 1990 a 1995 (SEMARNAP 1996), 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 en el que se evaluó Pb cuyas concentraciones promedio se encontraban entre 0.28 y 0.37 μg/m3.

Link para conocer la calidad del aire

JUSTIFICACIÓN

Las mayores concentraciones de ozono ocurren en donde la radiación solar ultravioleta encuentra la cantidad suficiente de oxígeno, generalmente a una altitud de 25 a 32 km. La concentración de ozono disminuye gradualmente al descender en la tropósfera.

A concentraciones elevadas de ozono se puede agravar el asma, debido a que el ozono favorece la suceptibilidad del organismo a los alérgenos. Puede empeorar las enfermedades pulmonares crónicas tales como el enfisema y la bronquitis y reducir la capacidad del sistema inmulogógico para defenderse de las infecciones bacterianas.

MÉTODO

Análisis de calidad del aire del estado de Sonora

Importar

Importar paquetes

library(pacman)
p_load("readr", "tidyverse", "DT","gridExtra")
setwd("~/EAMJ1130")

Importar datos

datos <- read.csv("marzo.csv")

Transformar

Fecha = as.Date(datos$Fecha)
NO2 <- as.numeric(datos$NO2)
O3 <- as.numeric(datos$O3)
calidad <- data.frame(Fecha, NO2, O3)
no2o3 <- data.frame(NO2, O3)

Visualizar

#Tabla
datatable(datos)

Movilidad en Sonora

DatosMobilityReport  <- read_csv("sonora2.csv")
## 
## -- Column specification --------------------------------------------------------
## cols(
##   country_region_code = col_character(),
##   country_region = col_character(),
##   sub_region_1 = col_character(),
##   sub_region_2 = col_logical(),
##   iso_3166_2_code = col_character(),
##   census_fips_code = col_logical(),
##   date = col_character(),
##   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()
## )
datatable(DatosMobilityReport)

RESULTADOS

#Gráfico
ggplot(data=calidad) +
  geom_point(aes(Fecha, O3, colour = "O3")) +
  geom_point(aes(Fecha, NO2, colour = "NO2")) +
  xlab("Tiempo") +
  ylab("Concentración") +
  ggtitle("Calidad del aire para marzo de 2020 en Hermosillo (ERNO, UNAM")

Análisis de correlación

Gráfico de disperión

names(no2o3)
## [1] "NO2" "O3"
#Gráfico pairs
pairs(no2o3)

Grado de correlación lineal

Para cuantificar el grado de correlación lineal calculamos la matriz de correlación

cor(no2o3)
##           NO2        O3
## NO2 1.0000000 0.1962837
## O3  0.1962837 1.0000000

El coeficiente de correlación es muy bajo, no representa causalidad

Regresión lineal

regresion <- lm(O3 ~ NO2, data=datos)
summary(regresion)
## 
## Call:
## lm(formula = O3 ~ NO2, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -37.396 -10.833  -0.734  11.105  40.673 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  29.2650     0.9492  30.831  < 2e-16 ***
## NO2          21.8560     4.0718   5.368 1.08e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 14.01 on 719 degrees of freedom
## Multiple R-squared:  0.03853,    Adjusted R-squared:  0.03719 
## F-statistic: 28.81 on 1 and 719 DF,  p-value: 1.078e-07

  • ¿Cómo varió la calidad del aire en Hermosillo durante los primeros días de la cuarentena por COVID-19? La calidad del aire fue en aumento, ya que se observa en los primeros días una cantidad de ozono mayor a la habitual.

  • ¿Mejoró la calidad del aire? Sí, debido a que se registró un incremento en la cantidad de ozono.

  • ¿Por qué mejoró la calidad del aire? Debido a que en estas fechas comenzó el confinamiento y la movilidad de personas comenzó a disminuir.

  • ¿Qué es y que produce el NO2? El NO2 es dióxido de nitrogeno,el cual es considerado como contaminante en la átmosfera, ya que este irrita los pulmones, causa bronquitis y neumonía.

##
Retail_Recreation_Percentage <- DatosMobilityReport$retail_and_recreation_percent_change_from_baseline
###
Grocery_Pharmacy_Percentage <-  DatosMobilityReport$grocery_and_pharmacy_percent_change_from_baseline
###
Parks_Percentage <- DatosMobilityReport$parks_percent_change_from_baseline
###
TransitStations_Percentage <- DatosMobilityReport$transit_stations_percent_change_from_baseline
###
Workplaces_Percentage <- DatosMobilityReport$workplaces_percent_change_from_baseline
###
Residential_Percentage <- DatosMobilityReport$residential_percent_change_from_baseline


###
Porcentaje_VR <- DatosMobilityReport$retail_and_recreation_percent_change_from_baseline
###
Porcentaje_F <-  DatosMobilityReport$grocery_and_pharmacy_percent_change_from_baseline
###
Porcentaje_P <- DatosMobilityReport$parks_percent_change_from_baseline
###
Porcentaje_ET <- DatosMobilityReport$transit_stations_percent_change_from_baseline
###
Porcentaje_AT <- DatosMobilityReport$workplaces_percent_change_from_baseline
###
Porcentaje_H <- DatosMobilityReport$residential_percent_change_from_baseline

# Data frame

FechaMR = seq(from = as.Date("2020-03-01"), to = as.Date("2020-03-31"), by = 'day')

dataMR <- data.frame(x=FechaMR,y=Retail_Recreation_Percentage)
  • Gráficas de movilidad del mes de marzo de 2020
gMR1 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_VR), size=1, colour="orange") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("a) Comercio y recreación")
gMR2 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_F), size=1, colour="darkgreen") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("b) Farmacias y abarrotes")

gMR3 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_P), size=1, colour="purple") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("c) Parques")

gMR4 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_ET), size=1, colour="brown") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("d) Estaciones de tránsito")

gMR5 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_AT), size=1, colour="red") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("e) Espacios de trabajo")

gMR6 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_H), size=1, colour="blue") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("f) Hogares")
grid.arrange(gMR1,gMR2,gMR3,gMR4,gMR5,gMR6)

ANEXO

Calidad actual del aire en Hermosillo

CO2 en el mundo

CO2 en México

Análisis de series de tiempo

Obtenido de: https://datos.bancomundial.org/indicator/EN.ATM.CO2E.KT?type=shaded&view=map

Datos anuales de emisión de dióxido de carbono en México, desde 1960 hasta 2016.

emision <- read.csv("co2.csv")
plot(emision)

De esta forma no se puede representar el tiempo en los datos.

Por lo tanto, se utiliza el comando ts:

emision.ts <- ts(emision, start= c(1960,1), frequency = 1)
print(emision.ts)
## Time Series:
## Start = 1960 
## End = 2016 
## Frequency = 1 
##        Cantidad
##  [1,]  63116.40
##  [2,]  65305.60
##  [3,]  63809.47
##  [4,]  66361.70
##  [5,]  74278.75
##  [6,]  75246.84
##  [7,]  80930.69
##  [8,]  90101.86
##  [9,]  93988.88
## [10,] 102287.30
## [11,] 114073.04
## [12,] 126339.15
## [13,] 132459.37
## [14,] 144292.78
## [15,] 155007.76
## [16,] 164472.28
## [17,] 184138.40
## [18,] 192847.53
## [19,] 222649.24
## [20,] 240874.23
## [21,] 268453.74
## [22,] 284529.86
## [23,] 304837.71
## [24,] 278442.64
## [25,] 277624.90
## [26,] 288501.22
## [27,] 294559.11
## [28,] 307356.94
## [29,] 307067.25
## [30,] 361877.90
## [31,] 318427.61
## [32,] 331958.84
## [33,] 334698.09
## [34,] 339468.86
## [35,] 352780.07
## [36,] 332816.92
## [37,] 346417.82
## [38,] 369769.28
## [39,] 389087.03
## [40,] 391591.60
## [41,] 398382.88
## [42,] 412977.54
## [43,] 414389.34
## [44,] 440208.68
## [45,] 441308.78
## [46,] 466361.73
## [47,] 479251.23
## [48,] 480520.01
## [49,] 493251.84
## [50,] 475950.93
## [51,] 464308.21
## [52,] 484429.03
## [53,] 496324.78
## [54,] 490340.24
## [55,] 481499.10
## [56,] 482947.57
## [57,] 486405.55
plot(emision.ts)

Ahora ya podemos analizar los datos en relación al tiempo.

Los datos se encuentran por año, entonces no se puede realizar un análisis de series mensuales.

CONCLUSIÓN

Normalmente cuando se escucha la palabra Ozono pensamos en algo bueno para el planeta ya que nos protege, pero esto solo sucede cuando esta en el lugar que debe ir, en este caso, el ozono queda atrapado en cierto punto con el que sin darnos cuenta nos va afectando en nuestra vida diaria. Tal vez sea dificil notarlo a simple vista pero en este analisis, se puede observar como se relacionan los gases, siendo que es muy poco el dióxido de nitrógeno que se necesita para generar una elevada cantidad del ozono. De tal modo que nos estamos danando y tal vez esto no lo detengamos hasta que todos presentemos sintomas que seran provocados por esta contaminacion. Finalmente observando los datos más a detalle, se puede decir que no tienen mucha relación ya que el coeficiente de correlación es muy bajo, pero esto con el paso de los anos puede que se valla correlacionando en un modo exponencial hasta niveles en los que seran irremediables.

BIBLIOGRAFÍA