Publicador de continguts

Recerca, Planificació urbana, medi ambient i salut

El Projecte CHAI desenvolupa per primera vegada un model per estimar la contaminació de l'aire en una zona rural de l'Índia

Els investigadors han usat un mètode de predicció basat en dades de l'ús del terreny per estimar l'exposició a partícules fines i carboni negre en el sud del país

07.05.2018

El 87% de les morts que s'atribueixen a la contaminació atmosfèrica —més de tres milions de persones a l'any— es produeixen en països de renda mitjana i baixa. Malgrat això, la majoria dels estudis científics sobre els efectes de la contaminació de l'aire en la salut es realitzen en ciutats de països d'ingressos alts. Per contribuir a corregir aquesta desigualtat, un equip internacional liderat per l'Institut de Salut Global de Barcelona (ISGlobal), centre impulsat per la Fundació Bancària ”la Caixa”, ha desenvolupat un model de predicció de l'exposició a la contaminació de l'aire en una zona rural del sud de l'Índia.

El Projecte CHAI, coordinat per ISGlobal, va aplicar el mètode estadístic de regressió de l'ús del terreny (LUR, per les seves sigles en anglès) –freqüentment utilitzat en zones urbanes de països de renda alta— per predir els nivells de partícules fines (partícules suspeses en l'aire amb diàmetre inferior a 2,5 μm) i a carboni negre en una zona rural propera a Hyderabad (Índia). Margaux Sanchez, primera autora de l'estudi i investigadora d'ISGlobal, destaca que “aquesta és la primera vegada que s'utilitza aquest mètode per estimar la contaminació de l'aire en una zona rural de l'Índia”.

L' estudi, publicat en Science of the Total Environment, va estimar la contaminació de l'aire partint de mesuraments fets a l'àrea per obtenir nivells de referència de partícules fines i de carboni negre. Aquests mesuraments es van efectuar en 23 habitatges de 16 municipis, a través de sensors col·locats en les teulades, durant 21 dies i en dues estacions diferents.

Posteriorment, es van usar dades de l'ús del terreny, com la longitud dels carrers, la densitat d'edificis, la densitat de població o la prevalença d'indústries i d'espais verds per desenvolupar el model estadístic (LUR). Donada la dificultat per obtenir aquest tipus de dades en països com l'Índia, es van combinar imatges de satèl·lit amb un mapa de les característiques del terreny especialment traçat per tècnics in situ. El model va aconseguir predir el 58% i el 79% de la distribució espacial respectiva de les partícules fines i del carboni negre a l'àrea, unes xifres que l'equip de recerca considera “de moderades a les bones” i que són similars a les quals registra aquest mateix mètode estadístic en ciutats de països de renda alta.

“Malgrat que a la zona en la qual es va realitzar l'estudi no hi ha grans volums de trànsic rodat, la qualitat de l'aire és dolenta, amb concentracions de partícules fines per sobre del nivell màxim recomanat per l'Organització Mundial de la Salut (OMS). Això es deu, sobretot, a contaminació de caràcter regional. La combustió de biomassa per a la cuina en la llar i la indústria són les principals fonts d'emissió a nivell local, aportant al voltant d'una quarta part de la contaminació”, explica Cathryn Tonne, investigadora d'ISGlobal que coordina l'estudi i el Projecte CHAI.

“Hi ha una gran bretxa pel que fa a l'evidència epidemiològica disponible sobre l'exposició a la contaminació de l'aire en països d'ingressos baixos i mitjans, per la qual cosa és essencial desenvolupar i aplicar models de predicció en aquestes zones per conèixer l'impacte en la salut d'aquestes poblacions”, conclou Cathryn Tonne. Tonne subratlla que “aquest estudi demostra que el model LUR és una metodologia valuosa per estimar la contaminació de l'aire en zones rurals de països de renda baixa i mitjana”.

 

Referència

 

Margaux Sanchez, Albert Ambros, Carles Milà, Maëlle Salmon, Kalpana Balakrishnan, Sankar Sambandam, V. Sreekanth, Julian D. Marshall, Cathryn Tonne. Development of land-use regression models for fine particles and black carbon in peri-urban South India. Science of The Total Environment. April 2018. https://doi.org/10.1016/j.scitotenv.2018.03.308