Post on 17-Sep-2018
Qualité de l’air et impact sur la santé
Myrto Valari
National Exposure Research LaboratoryU.S. Environmental Protection Agency
• Thèse: LMD, Palaiseau, Oct 2009• Post-doc: U.S. EPA, Jan 2010-aujourd’hui
Sources Transport & Chimie Exposition Vulnérabilité Effet
sanitaire
Qualité de l’air Exposition Epidémio
• Contre la pollution de proximité, quelle source contrôler ?• Quel risque pour quelle population ?• Quel est l’effet des multi-polluants ?
Atmosphère Population Statistique/medicine
? ?
Effets à court termepopulation “fragile”
Effets à moyen terme population générale
jours d’exposition
Etat de l’art
Valari et al. 2011b
Décomposition en échelles temporelles
risque intégré,toutepop.
% C
han
gem
en
t d
e m
ort
alit
é p
our
10 µ
g/m
3
Vulnérabilité
Démographie
Pollution de proximité
Activités/transport
Normes nationales, européennes...
Modélisation de qualité de l’air
Epidémiologie
Contrôle d’émissions
Mitigation à moyen terme
Problématique scientifique
Analyse en ondelettes
Qualité de l’airModélisation à petite échelle‣ CHIMERE: 3km collab: LMD (L.Menut)‣ CMAQ: 1km collab: US EPA (ST Rao)‣ WRF: 1km collab: US EPA (R. Gilliam)
Modèle de proximité‣ CHIMERE: développement, validation
collab: LMD, INERIS (B.Bessagnet)‣ CMAQ: développement, validation en cours
collab: US EPA (R. Marthur, J.Pleim)
Valari et Menut 2008, Valari, Rao et al. (en préparation) Valari et Menut 2010
Exposition‣ INSEE: activité, transport collab: ORS, E.
Chatignoux‣ SHEDS: âge, logement collab: J. Burke, H.
OzkaynakValari, Chatignoux et al. 2011a
Epidémio
‣ Mortalité collab: ORS, InVS (C. Declercq)‣ Hospitalisations pour de causes respiratoires
collab: Emory University (J. Sarnat)
Valari, Crooks et al., 2011b
Atlanta, GA
Baltimore, MD
New Haven, CT Ile-de-France, FR
Recherche effectuée & en cours
Qualité de l’air à petite échelle
26 em october 2009 awma.orgCopyright 2009 Air & Waste Management Association
em • feature
by Panos Georgopoulos,UMDNJ – RWJ MedicalSchool and Environmentaland Occupational HealthSciences Institute (EOHSI);Sastry Isukapalli, UMDNJ– RWJ Medical School;Janet Burke, U.S. Environ-mental Protection AgencyNational Exposure ResearchLaboratory; Sergey Napelenok, U.S. Environ-mental Protection AgencyAtmospheric Modeling Division; Ted Palma andJohn Langstaff, U.S. Environmental ProtectionAgency Office of Air Qual-ity Planning and Standards;Mohammed Majeed,State of Delaware Depart-ment of Natural Resourcesand Environmental Control;Shan He, New Jersey Department of Environ-mental Protection Divisionof Air Quality; DaewonByun and Mark Cohen,National Oceanic and Atmospheric Administra-tion; and Robert Vautard,Laboratory of Climate andEnvironment Sciences(CEA/CNRS/UVSQ). Con-tact Panos Georgopoulos:panosg@fidelio.rutgers.edu.
Air Quality Modeling Needsfor Exposure Assessment from theSource-to-Outcome PerspectiveHumans are exposed continuously to mixtures of air pollutants. The compositionsof these mixtures vary with time and location and their components originate frommany types of sources, both local and distant, including industrial facilities, vehicles,consumer products, and more. Exposure characterization is often the weakest linkin the “source-to-outcome” sequence of processes and events affecting humanand ecological health risks from environmental pollutants (see Figure 1).
It is recognized1 that it is generally easier to char-acterize exposures for ecosystems than for humanpopulations, as in the latter case exposures can beparticularly sensitive to high-resolution spatial andtemporal variations in ambient concentrations andthe “micoenvironmental” adjustments imposed bya variety of indoor and outdoor settings (occupational,residential, recreational, commuting, etc.). Ultimately, quantifying inhalation exposures of humans to atmospheric contaminants, such as cri-teria air pollutants and air toxics, requires charac-terization of the air flow that enters the humanrespiratory tract, i.e. “personal air”. Assessing per-sonal air concentrations, in turn, requires charac-terization of concentrations in residential andoccupational microenvironments as well as at localneighborhood ambient scales. The constituents ofthe local outdoor air may originate from a varietyof distances, from regional to continental and beyond. Exposure modeling, therefore, involvesprocesses spanning a wide range of spatial andtemporal scales.
The last decade has seen an evolution in the practiceof exposure assessment, with the focus changingfrom considering potential exposures to a singlepollutant that would occur outdoors at a given location or across an area of concern, to “personoriented” multi-pollutant exposure assessments.Current assessments take into account the behav-ioral and physiological dynamics of contact withvarious contaminants, as individuals (actual or “virtual” in the case of computer simulations) movein different indoor and outdoor “microenviron-ments” while engaged in activities that determinerates of contact and uptake of multiple pollutants.To characterize inhalation intakes, airborne con-centrations of co-occurring pollutants have to bedetermined for each individual at the spatial andtemporal scales defined by the microenvironmentsand exposure activity events. This progress wasmade possible by the availability of enhanced computational modeling resources, widespreadGIS applications, new databases on human activi-ties, demographics, microenvironmental attributes,
Modèle1km
Expo100m
météo chimie
• Land-use• Canopée urbaine• Assimilation
12 14
10%
8%
12%
48 36 24 12 4
5%
0%
2%
Résolution du modèle (Km)
[O3]
Bia
is r
elat
if (%
)
14%
Campagne de mesuresMEGAPOLI...
ParamétrizationsUCP (COST)
Bases de donnéesINS, CORINE...
collab: AIRPARIF, INERIS, LISA
• Régime chimique• Emissions
Valari et al. 2008
CHIMERE
CMAQ
•Sensibilité aux données d’entrée
•Résolution du modèle vs. représentativité de la mesure
Mesure de profils verticaux
AIRPARIF, Jussieu
Large Eddy Simulations
collab: AIRPARIF
Modèle de proximité
RoutierMoyenneMesure
Valari et al., 2010
∂ci∂t
+ U j∂ci∂xj
= −∂(u�
jc�)
∂xj+Ei + P (ci) + L(ci) · ci −
(ci − c)
TmixParcs
Routier
Résidentiel
+ Traitement statistique des données
à haute résolution
+ Paramétrisation du mélange sous-maille
PM10 (µg/m3)
Variabilité verticale ?
Sources ponctuelles ?
!"#$%&'()*%+,-./,%0123-4%5-6-78-.%9*:*%;<17-=2>=0.23%?187@3-<%%%%
!"#$%&'#()*+),-./*#01234#5*6789:/*+#;*<=4>=?.,2/9<'7 >@AB7
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
Mélange sous-maille ?
plume-in-gridcollab: CEREA, ENPC
Description statistique de l'hétérogénéité de
surface
Modélisation stochastique du
mélange
Valari et al., 2011a
Risque pour différents co-polluants
Fraction de population
Niveaux d’exposition à NO2 µg/m3
Vulnérabilité: facteurs d’exposition
24
12
3
6
915
18
21
24
12
3
6
915
18
21
24
12
3
6
915
18
21
Maison
Travail
Transport
Activités/Transport
Risque
Vulnérabilité ?
Pollution de proximité ✓Démographie ✓ Activités/transport ✓
Niveau socio-économique ?Santé ?Logement ? Cartographie du risque
‣ par groupe de population‣ par type de pollutionSources: Observatoire de la qualité
de l’air intérieur, INSEE, InVs, ORS
Vulnérabilité Exposition
Rural
Mélange de pop.
Etat de l’art
Risque combiné
O3
PM
NO2
Risque désagrégé
ville
Projet 1: Pollution de proximité
Modèle de proximité
Simulation rétrospective : Europe 1990-2010
Emissions par secteur
Occupation du sol
Météo
Validation du modèle à l’échelle de l’Europe
Création d’une base de données de pollution de proximité
20 40 60 80 100
-0.2
-0.1
0.0
0.1
0.2
NO2
s(NO2,1.73)
Ex
cè
s d
e r
isq
ue
re
lati
f (%
)
[NO2] (µg/m3)Pollution [NO2] (µg/m3)
Plus de 40% de la population des grandes agglomérations réside ici [Health Effects Institute 2010]
Excès de mortalité (%)
Rural
??
TraficMoyenne
Projet 2: Intégration du modèle, Fonctions d’exposition-risque
Qualité de l’air Exposition Epidémio
Santé
• Mortalité respiratoire• Hospitalisations• Crises d’asthme
Projet 1) Pollution de proximité
Facteurs d’exposition
•Démographie• Transport• Logement• Niveau socio-économique
Fonctions d’exposition-risque de proximité
Cartographie 3-D de l’exposition et du risque
Collaborateurs: INERIS, InVS, ORS, Airparif
Modèle intégré
Projet GIS Climat-Environnement-Santé :“Air Pollution and Climate Change Health Impact Assessment”
Projet 3: Impact sanitaire de la pollution à l’horizon 2050
Projections
Climat Global
Climat régional
Modèle Intégré
Scénarios IPCC
Scénarios d’adaptation
Downscaling
Emissions régionales
Impact
• Facteurs d’exposition• Santé
Scénarios d’adaptation
Fonctions exposition-risque (Projet 1, 2)
Activités de modélisation et de service
1) Assurer et Coordonner la continuité du développement du modèlemaintenir le modèle à l’état de l’art technique et scientifique
Equipe CHIMERE- 1 IR CNRS- 1 CR CNRS- 1 IG INERIS
Technologie
- Veille : algorithmes, langages, parallélisation collab. D. Khvorostiyanov IR CNRS- Contrôle : méthodes statistiques de validation collab. H. Chepfer UPMC, LMD INTRO- Outils : post-traitement, visualisation
Recherche
Développement de processus, paramétrisations :- rétroactions + couplage • chimie-végétation CHIMERE-ORCHIDEE Projets MORCE-Med, CIRCE• chimie-météo CHIMERE-WRF nuages, aérosols, dynamique de la couche limite
- re-suspension des aérosols par la circulation routière- profil verticaux- mélange sous-maille
+ 1 CNAP
2) Mettre CHIMERE à disposition de la communauté, communiquer
Utilisateurs de CHIMERE
CNAPValorisation
Projets
Prev’Air(LMD/INERIS)
Site internetprévi opérationnelle
Liste utilisateurs
Formations,Workshops
- SALUT’AIR-APHEKOM
Santé et environnement(GIS)- prématurés + pollution- allergies + pollen- changement climatique-santé
Grand Public
Recherche
Travaux pratiques license et master
Modélisation de la qualité de l’airThéorie, simulations, validation
Modélisation du risqueConcept, mise en place des régressions, interprétation des résultatscollab. H. Chepfer, (Prof. UPMC) S. Turquety (MdC), J-C Dupont (CNAP)
Encadrement de stagiaires niveau master
Etudes de sensibilitéNouvelles paramétrisations, scénarios de contrôle d’émissions
Formation continue chercheurs et ingénieurs
- Journées de formation CHIMERE- Parcours d’initiation à la modélisation des concentrations de polluants
Projet d’enseignement