Investigación, Planificación urbana, medio ambiente y salud

El Proyecto CHAI desarrolla por primera vez un modelo para estimar la contaminación del aire en una zona rural de la India

Los investigadores han usado un método de predicción basado en datos del uso del terreno para estimar la exposición a partículas finas y carbono negro en el sur del país

07.05.2018

El 87% de las muertes que se atribuyen a la contaminación atmosférica —más de tres millones de personas al año— se producen en países de renta media y baja. A pesar de esto, la mayoría de los estudios científicos sobre los efectos de la contaminación del aire sobre la salud se realizan en ciudades de países de ingresos altos. Para contribuir a corregir esta desigualdad, un equipo internacional liderado por el Instituto de Salud Global de Barcelona (ISGlobal), centro impulsado por la Fundación Bancaria ”la Caixa”, ha desarrollado un modelo de predicción de la exposición a la contaminación del aire en una zona rural del sur de la India.

El Proyecto CHAI, coordinado por ISGlobal, aplicó el método estadístico de regresión del uso del terreno (LUR, por sus siglas en inglés) –frecuentemente utilizado en zonas urbanas de países de renta alta— para predecir los niveles de partículas finas (partículas suspendidas en el aire con diámetro inferior a 2,5 μm) y a carbono negro en una zona rural cercana a Hyderabad (India). Margaux Sanchez, primera autora del estudio e investigadora de ISGlobal, destaca que “esta es la primera vez que se utiliza este método para estimar la contaminación del aire en una zona rural de India”.

El estudio, publicado en Science of the Total Environment, estimó la contaminación del aire partiendo de mediciones hechas en el área para obtener niveles de referencia de partículas finas y carbono negro. Estas mediciones se efectuaron en 23 viviendas de 16 municipios, a través de sensores colocados en los tejados, durante 21 días y en dos estaciones diferentes.

Posteriormente, se usaron datos del uso del terreno, como la longitud de las calles, la densidad de edificios, la densidad de población o la prevalencia de industrias y de espacios verdes para desarrollar el modelo estadístico (LUR). Dada la dificultad para obtener este tipo de datos en países como la India, se combinaron imágenes de satélite con un mapa de las características del terreno especialmente trazado por técnicos in situ. El modelo consiguió predecir el 58% y el 79% respectivos de la distribución espacial de las partículas finas y del carbono negro en el área, unas cifras que el equipo de investigación considera “de moderadas a buenas” y que son similares a las que registra este mismo método estadístico en ciudades de países de renta alta.

“A pesar de que en la zona en la que se realizó el estudio no hay grandes volúmenes de tráfico rodado, la calidad del aire es mala, con concentraciones de partículas finas por encima del nivel máximo recomendado por la Organización Mundial de la Salud (OMS). Esto se debe, sobre todo, a contaminación de carácter regional. La combustión de biomasa para la cocina en el hogar y la industria son las principales fuentes de emisión a nivel local, aportando alrededor de una cuarta parte de la contaminación”, explica Cathryn Tonne, investigadora de ISGlobal que coordina el estudio y el Proyecto CHAI.

“Hay una gran brecha en cuanto la evidencia epidemiológica disponible sobre la exposición a la contaminación del aire en países de ingresos bajos y medios, por lo que es esencial desarrollar y aplicar modelos de predicción en estas zonas para conocer el impacto en la salud de estas poblaciones”, concluye Cathryn Tonne. Tonne subraya que “este estudio demuestra que el modelo LUR es una metodología valiosa para estimar la contaminación del aire en zonas rurales de países de renta baja y media”.

 

Referencia

 

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