Aplicació de càlcul interactiva per a l'anàlisi de dades hidroquímiques de Catalunya (HidroGeoR-Shiny)
App quadre de comandament web interactiu per a l'anàlisi de dades hidroquímiques
HydroGeoR-Shiny v1.0 és un nou servei que ofereix l’ICGC basat en un quadre de comandament web interactiu per a l'anàlisi de dades hidroquímiques.
Aquest servei s’ha desenvolupat en el marc del Contracte Programa IV de l’ICGC (2023-2026) i del projecte europeu GSEU (Un Servei Geològic per Europa) cofinançat pel programa Horizon Europe GSEU dins el paquet de treball 4 Avaluació, protecció i ús sostenible dels recursos d'aigües subterrànies d'Europa. El projecte pren com a punt de partida el resultat del treball de fi de màster (Orriols, 2023), codirigit per l’Àrea de Recursos Geològics de l’ICGC i realitzat en el marc d'una beca finançada per l'ICGC, dins del Màster Interuniversitari en Estadística i Investigació Operativa Universitat Politècnica de Catalunya (UPC)-Universitat de Barcelona, en col·laboració amb la UPC.
Basat en llenguatge de programació estadística R, i en les llibreries <shiny>, <shinydashboard> i <leaflet> entre d’altres, HydroGeoR-Shiny proporciona una interfície intuïtiva i potent per a la visualització, anàlisi i interpretació de fàcies hidrogeoquímiques, apropant la informació tècnica a un públic ampli, des de professionals fins a gestors i investigadors.
La integració d’un visor SIG interactiu amb el geoservei de cartografia oficial de l’ICGC, així com la possibilitat de treballar tant amb dades oficials com amb dades pròpies, permet una anàlisi detallada i personalitzada de la realitat hidrogeològica del territori.
Data de publicació: Juliol, 2025.
Imatge
| Geoinformació subjecta a una llicència de Reconeixement 4.0 Internacional de Creative Commons. Més informació |
Aquesta eina versàtil millora l’anàlisi espacial hidrogeoquímica gràcies a diverses funcionalitats clau:
- Integració de dades: L’eina permet harmonitzar i gestionar grans volums de dades hidroquímiques facilitant la seva compilació i estandardització per a una anàlisi posterior més rigorosa i eficient.
- Visualització interactiva en entorn SIG: El visor SIG integrat permet situar les dades en el seu context espacial, fet que redueix la incertesa en la interpretació i ajuda a comprendre la distribució i les relacions entre les fàcies hidrogeoquímiques i les característiques del territori.
- Anàlisi avançada i dinàmica: L’aplicació incorpora funcionalitats d’anàlisi univariant, bivariant i multivariant, actualitzant automàticament els resultats segons la selecció de dades o grups detectats mitjançant models de classificació de mescles gaussianes. Això permet identificar patrons i tendències de manera intuïtiva i immediata.
- Facilitat d’ús i accessibilitat: La interfície web, desenvolupada amb llibreries d’R com Shiny i Leaflet, entre d’altres, fa que l’eina sigui accessible i fàcil d’utilitzar, tant per a experts com per a usuaris menys especialitzats, afavorint la democratització de l’accés a la informació hidrogeoquímica.
- Suport a la presa de decisions: En permetre la selecció, filtratge i anàlisi de dades en temps real, HydroGeoR-Shiny esdevé una eina de suport a la gestió sostenible dels recursos hídrics, afavorint la presa de decisions basada en dades objectives i actualitzades.
Explotació i ús de l’aplicació
Diverses imatges d’explotació i ús de l’aplicació. A dalt a l’esquerra vista principal, a la dreta anàlisis univariant i bivariant de dades hidrogeoquímiques i a la part inferior diferents vistes de la representació de les dades.
L’aplicació integra les dades hidroquímiques que provenen de la Base de dades del Mapa hidrogeològic de l’ICGC (BDSIMHCat) i també permet als usuaris carregar-hi les seves pròpies dades. Un cop dins l’aplicació, cal seguir les instruccions per descarregar i omplir una plantilla, la qual, un cop completada i pujada a la plataforma, permet analitzar les dades hidroquímiques aportades per l’usuari.
L’aplicació tracta les dades com a composicionals (CoDa, de l’anglès Compositional Data) i aplica les transformacions matemàtiques necessàries per a la seva anàlisi i interpretació correctes.
El mapa interactiu permet seleccionar i filtrar dades per atribut o ubicació, creuant-les amb capes vectorials SIG. Un diagrama de Piper mostra la distribució de fàcies en les mostres seleccionades, mentre que l’anàlisi univariant es realitza mitjançant diagrames de violí interactius per a diversos soluts. L’anàlisi bivariant inclou, per defecte, gràfics de ràtios iòniques. Per a l’anàlisi multivariant, l’aplicació utilitza un mètode de classificació de mescla gaussiana, que agrupa les mostres seleccionades en funció de la seva similitud amb múltiples opcions de refinament per part de l’usuari.
Els resultats de la classificació s’exporten directament al visor SIG de l’aplicació per a l’anàlisi espacial, amb capes de suport com la delimitació d’Unitats Hidrogeològiques 1:50.000 de Catalunya o la base geològica de referència. Els usuaris poden generar i exportar informes dinàmics en format HTML en R Markdown, que proporcionen un resum complet de l’anàlisi realitzada.
En conjunt, HydroGeoR-Shiny v1.0 representa un avenç en la digitalització i explotació de dades hidrogeoquímiques, oferint una plataforma robusta per a la seva gestió, visualització i interpretació integrades , contribuint a la millor gestió dels recursos d’aigua subterrània a Catalunya.
Per a suggeriments de millora o qualsevol altre qüestió relacionada amb l’ús i el funcionament de l’aplicació, podeu contactar amb hidrogeologia@icgc.cat.
Aplicació
Com citar HydroGeoR-Shiny
Orriols, E.; Herms, I.; Arnó, G.; Armengol, S.; Colomer, M.; Camps, V.; Fleta, J. (2025). HydroGeoR-Shiny v1.0: Aplicació de càlcul interactiva per a l’anàlisi de dades hidroquímiques de Catalunya. Institut Cartogràfic i Geològic de Catalunya, Generalitat de Catalunya. CC-BY 4.0.
Referències destacades
- Chris, F., & Adrian, E. R. (2006). Some Applications of Model-Based Clustering in Chemistry. R news. https://journal.r-project.org/articles/RN-2006-022/ (consultat el maig de 2024).
- Egozcue, J. J., Pawlowsky-Glahn, V., & Mateu-Figueras, G. (2003). Isometric Logratio Transformations for Compositional Data Analysis. 35. https://doi.org/10.1023/A:1023818214614.
- Filzmoser, P., Hron, K., & Reimann, C. (2009). Univariate statistical analysis of environmental (compositional) data: Problems and possibilities. Science of the Total Environment. https://doi.org/10.1016/j.scitotenv.2009.08.008.
- Fraley, C., & Raftery, A. E. (2002). Model-based clustering, discriminant analysis, and density estimation. Journal of the American Statistical Association. https://doi.org/10.1198/016214502760047131.
- Fraley, C., & Raftery, A. (2007). Model-based Methods of Classification: Using the mclust Software in Chemometrics. Journal of Statistical Software, 18 (6): 1-13. https://doi.org/10.18637/jss.v018.i06.
- Fraley, C., Raftery, A. E., Murphy, T. B., & Scrucca, L. (2012). mclust Version 4 for R: Normal Mixture Modeling for Model-Based Clustering, Classification, and Density Estimation. Washington. https://www.researchgate.net/publication/257428214_MCLUST_Version_4_for_R_Normal_Mixture_Modeling_for_Model-Based_Clustering_Classification_and_Density_Estimation#fullTextFileContent (consultat el maig de 2024).
- Martin, A. T., & Wing, H. W. (2009). The Calculation of Posterior Distributions by Data Augmentation. Journal of the American Statistical Association. https://doi.org/10.2307/2289457.
- Orriols, E. (2023). Anàlisi, disseny i implementació d’un quadre de comandament (dashboard) interactiu a la web basat en R-Shiny per l’anàlisi i explotació de la Base de Dades del Mapa Hidrogeològic de Catalunya. Projecte Final de Màster, Màster universitari en Estadística i Investigació Operativa (UPC-UB). https://hdl.handle.net/2117/390724.
- Palarea-Albaladejo, A. & Martín-Fernández, J.A. (2014). A bootstrap estimation scheme for chemical compositional data with nondetects. Journal of Chemometrics, 585-599. https://doi.org/10.1002/cem.2621.
- Palarea-Albaladejo, A. & Martín-Fernández, J.A. (2015). zCompositions – R package for multivariate imputation of left-censored data under a compositional approach. Chemometrics and Intelligence Laboratory Systems, 143: 85-96. ScienceDirect. https://doi.org/10.1016/j.chemolab.2015.02.019.
- Piper, A. (1944). A Graphic Procedure in the Geochemical Interpretation of Water-Analyses. Eos. Transactions American Geophysical Union, 25: 914-928. http://dx.doi.org/10.1029/TR025i006p00914.
- Scrucca, L. (2010). Dimension reduction for model-based clustering. Stat Comput, 20: 471-484. https://doi.org/10.1007/s11222-009-9138-7.
- Scrucca, L (2018). Graphical Tools for Model-based Mixture Discriminant Analysis. https://doi.org/10.48550/arXiv.1508.01695.
- Stiff, H. A. (1951). The interpretation of chemical water analysis by means of patterns. Journal of Petroleum Technology, 3 (10): 15-17. https://doi.org/10.2118/951376-G.