Representación Espacio-Temporal Interactiva de VOCs y PFAs con Python y Folium - Tutorial

El análisis de la química del agua subterránea es una tarea difícil para el conjunto limitado de puntos de observación, las muestras limitadas y los limitados componentes analizados. Para evaluar la extensión real de una pluma de contaminación o la eficiencia de las técnicas de remediación necesitamos métodos nuevos e innovadores que permitar representar y analizar los datos de la química del agua con software libre. Hemos realizado un caso aplicado de representación interactiva de VOC y PFA en un Jupyter notebook con Python, Folium e Ipywidgets. El conjunto de datos tiene más de 3300 muestras de 127 puntos durante un período de 30 años y corresponde a un sitio contaminado de un antiguo aeropuerto.

Instale Ipywidgets en Jupyterlab siguiendo las instrucciones de este enlace:

ipywidgets.readthedocs.io/en/latest/user_install.html

Video

Animación

Código

import numpy as np
import pandas as pd
import folium
from ipywidgets import interact, fixed, SelectionSlider

obsLoc = pd.read_csv('../Csv/obsLoc_v2.csv', index_col=0)
obsLoc.head()

obsData = pd.read_csv('../Txt/NAWC_GWquality_Filter.txt',delimiter='\t', 
                      parse_dates=[3], na_values=['NA','NS','NR'])
obsData.dtypes

mIndex = pd.MultiIndex.from_frame(obsData[['NWIS_SiteNumber','SampleDate']],
                                 names=['Number','Date'])
obsData.index = mIndex
obsData.head()

#get values for map location
lonMean = obsLoc.lon.mean()
latMean = obsLoc.lat.mean()
print(latMean,lonMean)

#show all monitoring points
m = folium.Map(location=[latMean,lonMean],zoom_start=15)
for index,row in obsData.iterrows():
    try:
        lat, lon = obsLoc.loc[index[0]].values
        folium.CircleMarker(location=[lat, lon], radius=2).add_to(m)
    except KeyError:
        pass
m

# sample of group samples by month
monthData = obsData.groupby(by=['NWIS_SiteNumber',pd.Grouper(freq='M', level=1)]).mean()
monthData.iloc[[0]]

#list of sampling dates
uniqueDates=pd.unique(monthData.index.get_level_values(1))
uniqueDates = np.sort(uniqueDates)
uniqueDates.shape

#list of components
compList = [a for a in monthData.keys().to_list() if 'per_liter' in a]
compList

# filter dataframe by component values
monthData[monthData['PFUnA_nanograms_per_liter']>0]

#plot function for given time
def plotConcentrations(monthData,component,date,zoomLevel):
    #initalize map
    m = folium.Map(location=[latMean,lonMean],zoom_start=zoomLevel)
    #filter by date:
    tempDf = monthData[monthData.index.get_level_values(1) == date]
    tempDf = tempDf[[component]]
    #maxCon = monthData[component].max()
    for index,row in tempDf.iterrows():
        try:
            lat, lon = obsLoc.loc[index[0]].values
            folium.CircleMarker(location=[lat, lon], 
                                radius=np.log(row[component]+0.001), 
                                popup=component +'='+str(row[component]),
                                opacity=0.4,
                                fill=True,
                                fill_opacity=0.8).add_to(m)
        except KeyError:
            pass
    return m

#plot concentration for a given date
plotConcentrations(monthData,'VC_micrograms_per_liter',uniqueDates[30],zoomLevel=15)

#plot function for given time
def plotSelectedConcentrations(monthData,component,zoomLevel):
    tempDf = monthData[monthData[component]>0]
    uniqueDates=pd.unique(tempDf.index.get_level_values(1))
    uniqueDates = np.sort(uniqueDates)

    interact(plotConcentrations, monthData=fixed(monthData), component=fixed(component),
             date=SelectionSlider(options=list(uniqueDates)),
             zoomLevel=fixed(zoomLevel));

# plot one component
plotSelectedConcentrations(monthData,'PFOS_nanograms_per_liter',16)

interact(plotSelectedConcentrations, monthData=fixed(monthData), component=compList, zoomLevel=fixed(16))

Datos de Ingreso

Puede descargar los datos de entrada desde este enlace.