Carmen D. Saldiva de André IME-USP

Apresentação em tema: "Carmen D. Saldiva de André IME-USP"— Transcrição da apresentação:

1 Carmen D. Saldiva de André IME-USP
The applications of satellite remote sensing in air pollution exposure modeling and Epidemiology. Carmen D. Saldiva de André IME-USP

2 Por que estudos relacionados à poluição atmosférica são importantes?

3 Aplicação da estatística
Modelos para a descrever a associação entre a poluição atmosférica e a saúde Modelos para prever a concentração de poluentes atmosféricos

4 Associação entre poluição atmosférica e desfechos relacionados à saúde
Mortalidade em idosos Mortalidade em crianças Visitas a pronto socorro de crianças por problemas respiratórios Internações por problemas cardiovasculares

5 Modelos para prever a concentração de poluentes atmosféricos
O desenvolvimento de modelos para acessar a exposição à poluição atmosférica em de pequenas áreas de uma cidade tem sido considerada como uma área prioritária

6 Rede de monitoramento da CETESB na Região Metropolitana de São Paulo

7 Estudos de exposição recentes mostraram que para alguns poluentes associados ao tráfego, como o NO2 e material particulado, a variação de concentrações dentro de uma mesma cidade pode ser maior que a variação entre cidades

8 Utilização de filtros passivos
Uma forma indireta simples de avaliar a concentração de um poluente

9 Resposta observada: refletância = fluxo de luz refletida pela superfície do filtro
Variável de interesse: diferença entre a refletância depois e antes da exposição Usando modelos de calibração apropriados a concentração do poluente durante o período de exposição pode ser prevista a partir da refletância

10 André, C. D. S, André, P. H. , Rocha, F. M. , Saldiva, P. H
André, C.D.S, André, P.H., Rocha, F.M., Saldiva, P.H.N, Carvalho, R.C., Singer, J.M. (2014). Reliability of reflectance measures in passive filters. Atmospheric Environment , 92,

11 Land Use Regression (LUR)
Utiliza dados geográficos, tráfego e fontes emissoras pontuais em torno de estações de monitoramento para construir modelos de regressão que podem ser usados para prever a concentração de poluentes atmosféricos

12 Jerret et al. (2005). A review and evaluation of intraurban air pollution exposure models. Journal of Exposure Analysis and Environmental Epidemiology ,15, 185–204

13 Problema: as variáveis explicativas utilizadas em geral não variam com o tempo e portanto a sua resolução temporal é limitada; os coeficientes das variáveis no modelo são determinados com base em características em torno das estações de monitoramento ambiental e a extrapolação para outras áreas pode acarretar em estimativas viesadas de exposição

14 Monitoramento por satélite
grande cobertura espacial alta confiabilidade das medições ferramenta importante para monitorar aerosois, (material particulado), particularmente em áreas em que não estão disponíveis monitores de PM 2,5

15 AOD : aerosol optical depth
decaimento da intensidade do feixe de luz devido ao espalhamento ótico provocado pela passagem da luz pelo aerosol e sua absorção pela atmosfera

16 baixo a moderado poder preditivo
Vários trabalhos estabeleceram relações quantitativas entre AOD e PM2,5 modelos de regressão linear modelos mistos modelos aditivos generalizados mistos baixo a moderado poder preditivo

17 Fonte: Kloog et al. (2012)

18 Limitação em alguns locais a medida pode ser perdida devido a nuvens ou neve produz previsões para as células da malha e não para endereços

19 Kloog et al (2012) desenvolveram e validaram um modelo para prever concentrações diárias de PM2,5 a uma resolução de 10 km x 10 km (célula) e em endereços localizados na região de New-England nos anos de 2000 a 2008 Incorporating Local Land Use Regression and Satellite Aerosol Optical Depth In a Hybrid Model Of Spatiotemporal PM2.5 Exposures In The Mid-Atlantic States Environmental Science and Technology, 46, – 11921: dx.doi.org/ /es302673e

20 Incorporaram ao modelo variáveis relacionadas à terra (LU) como porcentagem de áreas abertas (parques, florestas, vegetação plantada etc), elevação, densidade de tráfego, temperatura, velocidade do vento, visibilidade e umidade relativa Objetivo: estimar a concentração do PM2,5 em cada célula em um determinado dia

21 Problema: podem ocorrer valores perdidos de PM2,5 e AOD
modelo ajustado em 3 estágios

22 1º estágio São considerados os dias e células nos quais há medida de PM2,5 e AOD modelo misto: variável resposta: PM2,5 variáveis explicativas: AOD e variáveis da terra

23

24 2º estágio O modelo ajustado no 1º estágio é adotado para prever os valores de PM2,5 para cada célula e dia, em células sem monitores de PM2,5, mas com medidas de AOD disponíveis

25 3º estágio São estimadas as concentrações de PM2,5 para todas as células nos dias em que não há medida de AOD disponível. Modelo aditivo generalizado misto variável resposta: valor previsto de PM2,5 no 2º estágio em cada célula e dia variáveis explicativas: média (geral) do PM2,5 no dia e função não paramétrica da latitude e longitude do centróide da célula

26 4º estágio São estimadas as concentrações de PM2,5 em endereços específicos (dadas a latitude e a longitude) em dias fixados Modelo aditivo generalizado misto variável resposta: para cada célula (i) e dia (j) considera-se a diferença entre a concentração de PM2,5 observada no monitor e o valor da concentração prevista no estágio 3 (resíduo PM) .

27 variáveis explicativas: densidade de tráfego, densidade populacional, elevação, % urbanização,
distância a via expressa, distância a fonte emissora (buffer de 50m do monitor). A relação entre a variável resposta e as variáveis explicativas é expressa por meio de funções não especificadas Modelo aditivo generalizado

28 Desafio Proposta, ajuste e validação de um modelo que permita prever concentrações diárias de PM2,5 na cidade de São Paulo a partir de dados de satélite e da terra

29