Aplicación de cálculo interactivo para el análisis de datos hidroquímicos de Cataluña (HidroGeoR-Shiny)
App cuadro de mando web interactivo para el análisis de datos hidroquímicos
HydroGeoR-Shiny v1.0 es un nuevo servicio que ofrece el ICGC, basado en un panel de control web interactivo para el análisis de datos hidroquímicos.
Este servicio se ha desarrollado en el marco del Contrato Programa IV de l’ICGC (2023-2026) [catalán] y del proyecto europeo GSEU (Un Servicio Geológico para Europa) cofinanciado por el programa Horizon Europe GSEU en el paquete de trabajo 4 Evaluación, protección y uso sostenible de los recursos de aguas subterráneas de Europa. El proyecto toma como punto de partida el resultado del trabajo de fin de máster (Orriols, 2023), codirigido por el Área de Recursos Geológicos del ICGC y realizado en el marco de una beca financiada por el ICGC, dentro del Máster Interuniversitario en Estadística e Investigación Operativa Universitat Politècnica de Catalunya (UPC)-Universitat de Barcelona, en colaboración con la UPC.
Basado en el lenguaje de programación estadística R, y en las librerías <shiny>, <shinydashboard> y <leaflet> entre otras, proporciona una interfaz intuitiva y potente para la visualización, análisis e interpretación de facies hidrogeoquímicas, acercando la información técnica a un público amplio, desde profesionales hasta gestores e investigadores.
La integración de un visor SIG interactivo con el geoservicio de cartografía oficial del ICGC, así como la posibilidad de trabajar tanto con datos oficiales como con datos propios, permite un análisis detallado y personalizado de la realidad hidrogeológica del territorio.
Fecha de publicación: Julio, 2025.
Imatge
| Geoinformación sujeta a una licencia Creative Commons de Reconocimiento 4.0 Internacional (CC BY 4.0) Más información |
Esta herramienta versátil mejora el análisis espacial hidrogeoquímico gracias a diversas funcionalidades clave:
- Integración de datos: La herramienta permite armonizar y gestionar grandes volúmenes de datos hidroquímicos, facilitando su compilación y estandarización para un análisis posterior más riguroso y eficiente.
- Visualización interactiva en entorno SIG: El visor SIG integrado permite situar los datos en su contexto espacial, lo que reduce la incertidumbre en la interpretación y ayuda a comprender la distribución y las relaciones entre las facies hidrogeoquímicas y las características del territorio.
- Análisis avanzado y dinámico: La aplicación incorpora funcionalidades de análisis univariante, bivariante y multivariante, actualizando automáticamente los resultados según la selección de datos o grupos detectados mediante modelos de clasificación de mezclas gaussianas. Esto permite identificar patrones y tendencias de manera intuitiva e inmediata.
- Facilidad de uso y accesibilidad: La interfaz web, desarrollada con librerías de R como Shiny y Leaflet, entre otras, hace que la herramienta sea accesible y fácil de utilizar, tanto para expertos como para usuarios menos especializados, favoreciendo la democratización del acceso a la información hidrogeoquímica.
- Apoyo a la toma de decisiones: Al permitir la selección, filtrado y análisis de datos en tiempo real, HydroGeoR-Shiny se convierte en una herramienta de apoyo a la gestión sostenible de los recursos hídricos, facilitando la toma de decisiones basada en datos objetivos y actualizados.
Explotación y uso de la aplicación
Varias imágenes de explotación y uso de la aplicación. En la parte superior izquierda, vista principal; a la derecha, análisis univariante y bivariante de datos hidrogeoquímicos; y en la parte inferior, diferentes vistas de la representación de los datos.
La aplicación integra los datos hidroquímicos provenientes de la base de datos del mapa hidrogeológico del ICGC (BDSIMHCat) y también permite a los usuarios cargar sus propios datos. Una vez dentro de la aplicación, es necesario seguir las instrucciones para descargar y completar una plantilla, la cual, una vez rellenada y subida a la plataforma, permite analizar los datos hidroquímicos aportados por el usuario.
La aplicación trata los datos como composicionales (CoDa, del inglés Compositional Data) y aplica las transformaciones matemáticas necesarias para su análisis e interpretación correctos.
El mapa interactivo permite seleccionar y filtrar datos por atributo o ubicación, cruzándolos con capas vectoriales SIG. Un diagrama de Piper muestra la distribución de facies en las muestras seleccionadas, mientras que el análisis univariante se realiza mediante diagramas de violín interactivos para diversos solutos. El análisis bivariante incluye, por defecto, gráficos de razones iónicas. Para el análisis multivariante, la aplicación utiliza un método de clasificación de mezcla gaussiana, que agrupa las muestras según su similitud, con múltiples opciones de refinamiento por parte del usuario.
Los resultados de la clasificación se exportan directamente al visor SIG de la aplicación para el análisis espacial, con capas de apoyo como la delimitación de Unidades Hidrogeológica 1:50.000 de Cataluña o la base geológica de referencia. Los usuarios pueden generar y exportar informes dinámicos en formato HTML en R Markdown, que proporcionan un resumen completo del análisis realizado.
En conjunto, HydroGeoR-Shiny v1.0 representa un avance en la digitalización y explotación de datos hidroquímicos, ofreciendo una plataforma robusta para su gestión, visualización e interpretación integradas, contribuyendo a la mejor gestión de los recursos de agua subterránea en Cataluña.
Para sugerencias de mejora o cualquier otra cuestión relacionada con el uso y funcionamiento de la aplicación, se puede contactar hidrogeologia@icgc.cat.
Aplicación
Como citar HydroGeoR-Shiny
Orriols, E.; Herms, I.; Arnó, G.; Armengol, S.; Colomer, M.; Camps, V.; Fleta, J. (2025). HydroGeoR-Shiny v1.0: Aplicación de cálculo interactivo para el análisis de datos hidroquímicos de Cataluña. Institut Cartogràfic i Geològic de Catalunya, Generalitat de Catalunya. CC-BY 4.0.
Referencias destacadas
- 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/ (consultado en mayo 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 (consultado en mayo 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.