Environmental Business Intelligence
NEA
La herramienta NanoEnvi
®Analyst desarrollada por Ingenieros Asesores S.A.
es una potente aplicación de cálculo que permite representar de manera
gráfica millones de datos segmentados de muy diversas formas y combinados
de diferentes maneras. Este hecho cobra especial relevancia cuando se trata
de analizar largas series históricas de datos donde las variables temporales
resultan especialmente críticas.
NanoEnvi Analyst (NEA) se presenta como un módulo software opcional
ofrecido por Ingenieros Asesores S.A., para el tratamiento masivo de datos de
contaminación en aire.
NEA se basa en un código estadístico para obtener un modelo de
conoci-miento, analizando los patrones de comportamiento de los contaminantes
atmosféricos.
NanoEnvi
®
Analyst
Además, NEA posee la capacidad de relacionar, de innumerables maneras, los
contaminantes atmosféricos con datos meteorológicos, datos procedentes del
tráfico o de otras fuentes (aeropuertos, industrias, etc.) En otras palabras, NEA
ofrece a nuestros clientes un sistema inteligente de evaluación e
interpreta-ción de los datos de calidad del aire. NEA facilita la toma de decisiones y/o
la elaboración de planes eficientes para la reducción de la contaminación
atmosférica.
NEA permite explotar series masivas de calidad de aire (tablas con más de
1 millón de líneas) con independencia del origen de los datos. NEA dispone
de conectores con la mayoría de fuentes de origen de datos como: consultas
a base de datos SQL, archivos en texto plano, conexión a fuentes de datos
on-line, etc.
Diagrama de la estructura básica de NEA.
Datos Medioambientales
Calidad de aire
Calidad de agua
Meteorología
NEA Suite
Informes PDF
Aplicaciones Web
Presentaciones
Aplicaciones de Escritorio
Características técnicas
•
Integración total en centros de explotación de datos de Ingenieros
Asesores.
•
Implantación fácil y sencilla en centros de explotación de datos de
terceros.
•
Análisis masivo de series históricas de calidad de aire. No existe límite
práctico para el procesamiento de datos.
•
Visualizaciones optimizadas para la extracción directa de conocimiento
•
Análisis de las tendencias globales desestacionalizadas de contaminantes
•
Análisis de los focos de contaminación combinando datos meteorológicos
•
Segmentación temporal de las series históricas para el análisis de los
días típicos, patrones diurnos y nocturnos de contaminantes, evolución
estacional, etc.
•
Análisis visual de las superaciones mediante visualización en calendarios
avanzados combinando meteorología.
Principales beneficios
•
Herramienta para la inteligencia de negocio medioambiental
•
Evita la necesidad de reinventar el análisis de la calidad de aire
•
Simplifica la toma de decisiones para los gestores de calidad ambiental
•
Optimiza las redes de calidad de aire mediante el análisis específico de
situaciones
•
Escalable. Implantación desde una red completa de calidad de aire como
para una instalación concreta como una fábrica, puerto, aeropuerto, etc
NEA consiste en un interfaz gráfico sencillo y amigable que permite al usuario generar
espectaculares representaciones gráficas como resúmenes numéricos muy diversos del
conjunto de datos.
Casos de estudio
•
Plan de mejora de calidad de aire del Principado de Asturias 2013
•
Automatización de informes mensuales/anuales de la red automática de
la Agencia Estatal de Meteorología AEMET. 2012
•
Análisis de la calidad de aire en la Ciudad de Leganes en el última década.
2011
•
Informe anual de la calidad de aire en el Aeropuerto de Madrid Barajas
AENA. 2013
Premios y reconocimientos
Driving R to the air quality industry. NanoEnvi Analyst: a tool for designing
large-scale air quality plans for improvement in ambient air quality. A. Alija et
al. Premio a la mejor ponencia en la conferencia mundial UseR2013!
Otorga-do por CYTEMA-Energy and Environment Science and Technology Campus
http://www.cytema.es/en/
Ejemplos de las principales salidas gráficas:
NEA
1. Tendencias globales de contaminantes.
Figura 2.
Tendencia global del ozono calculada con NEA haciendo uso de la opción desestacionalizar.
Ajuste lineal de la tendencia global y obtención de parámetros cuantitativos.
Patrón estacional típico del ozono. Tendencia Global estacionaria.
2. Calendario de superaciones de contaminantes.
Calendario de superaciones de PM10 en el año 2009 en una estación de calidad de aire.
Figura 3.
La cifra sobre impresionada en el calendario es la concentra-ción media diaria de PM10 ese día. Para aquellos días que la concentración media diaria supera los 50 µg m-3 la cifra se
sobreimpresiona en tamaño superior y negrita. Permitiendo así visualizar de manera muy sencilla y rápida los días de superación. S S M T W T F
August
28 3 4 5 6 7 29 30 31 25 34 1 2 16 33 26 28 23 19 20 30 23 29 31 33 24 30 18 27 41 39 28 17 25 27 3054
43 35Figura 4.
De la misma manera que en la figura anterior, en este caso, solamente para aquellos días de superación, se ha sobreim-presionado sobre el día del calendario el vector de viento. Se permite así obtener una correlación visual entre los días de superación y el efecto del viento. Notar que el módulo del vector representa cualitativamente la velocidad promedio del viento y la dirección de la flecha la dirección promedio del viento.
NEA
Visualizaciones optimizadas para la extracción
directa de conocimiento
3. Segmentación temporal de la serie histórica.
Obtención de los patrones: diarios, semanales ,diurnos, nocturnos, etc
Figura 5.
En este caso se presenta una serie histórica de 5 años de datos horarios de calidad de aire desacoplados según sus pa-trones, semanal, horario, mensual, diario, diurno y nocturno. Cada curva de las diferentes gráficas representa la evolución del PM10 para cada una de las estaciones de calidad de aire de una red concreta.
hora 20 30 40 0 6 12 18 23 Monday 0 6 12 18 23 Tuesday 0 6 12 18 23 Wednesday 0 6 12 18 23 Thursday 0 6 12 18 23 Friday 0 6 12 18 23 Saturday 0 6 12 18 23 Sunday
Argentina Castilla Constitucion Felgueroso
hora 20 25 30 35 40 0 6 12 18 23 mes Concentr ación µg m -3 25 30 35 40 J F M A M J J A S O N D dia_de_la_semana Concentr ación µg m -3 25 30 35
Mon Tue Wed Thu Fri Sat Sun
Concentr ación µg m -3 Concentr ación µg m -3
4. Representación gráfica geo-espacial de los datos de la red.
Figura 6.
Valores medios mensuales de O3 para una red de ozono nacional.
La escala de colores representa el valor de la concentración media mensual de O3 en µg m-3.
NEA
Simplifica la toma de decisiones para los
gestores de la calidad ambiental
5. Análisis de la frecuencia de los vientos para una estación de calidad de aire.
Frecuencias de viento predominantes en una localización determinada para 4 años de datos.
Figura 7.
5 años de datos de meteorología representados en una rosa de vientos mejorada. La escala de colores representa en el número de horas que sopla el viento en una dirección y velocidad dadas. Los anillos concéntricos crecientes indican la velocidad del viento en m s-1.
5. Análisis de la frecuencia de los vientos para una estación de calidad de aire.
Frecuencias de viento predominantes en una localización determinada para 4 años de datos.
0
5
0
6. Rosas de contaminantes combinando datos de calidad de aire y meteorología
Identificación de un focos de contaminación en un entorno industrial mediante representación polar
de contaminante y meteorología
En la figura se representa con un circulo azul sobre el plano la situación de una estación de calidad de aire. También se indican las principales industrias colindantes.
Figura 9.
En la figura de la izquierda se ha representado la concentra-ción promedio del contaminante en funconcentra-ción de la direcconcentra-ción del viento. Además los ejes de la gráfica se dividen en las horas del día de 0h a 23h. De esta manera se puede observar el patrón de emisión del contaminante en función de la dirección del viento y de la hora del día.
Identificación de un foco de SO2 en un entorno industrial me-diante representación polar de contaminante y meteorología. Concentración de SO2 por µg m-3
Figura 10.
Identificación de un foco de PM10 en un entorno industrial
me-diante representación polar de contaminante y meteorología. Concentración de PM10 por µg m-3
Figura 11.
Resúmenes numéricos de la serie histórica de 4 años de datos. Agrupando por años o por estaciones.