View
222
Download
0
Category
Preview:
Citation preview
UDARA (Urban hybrid models for AiR pollution exposure Assessment)
UDARADriejana, Ph.D.
Institut Teknologi Bandung
PendahuluanAim and Objectives, Research Team
Pelaksanaan
• Penelitian multidisiplin Indonesia-Inggris dari FTSL ITB, FITB ITB, FK UNPAD, BATAN dengan the University of Manchester dan University of Leeds dengan keahlian dalam bidang Air Quality Monitoring, GIS, Remote Sensing, Chemical Air Pollution Modelling, Epidemiology
• Jangka Waktu: Tahun 2018 – 2020
• Pendanaan bersama Indonesia (Dana Ilmu Pengetahuan Indonesia (DIPI) dan Inggris (Research Council UK/RCUK)
Maksud
.
• Mencari metode assessment pajanan (=tingkat konsentrasi) pencemar udara (WP 1,2,3) yang dapat dipasangkan dengan data outcomes kesehatan (WP4) untuk studi epidemiologi penyakit kronikyang disebabkan oleh pencemaran udara, sesuai dengan kondisi di Indonesia
Tujuan
• Mengembangkan pendekatan baru estimasi pajanan yang dapatdiandalkan berdasarkan analisis spasial tata guna lahan dipadukandengan pengukuran low-cost NO2, O3 serta partikulat kasar dan halus(PM10, PM2.5, PM1.0) dengan metode regresi tata guna lahan (LUR)
• Mengeksplorasi potensi dampak pencemaran udara terhadapoutcome kesehatan dengan basis data outcome kesehatan yang tersedia (Indonesia Family Life Survey/IFLS)
Mengapa Land Use Regression Model?
• Untuk menganalisis hubungan antara kualitas udara dengan penyakit, model spasial dapat mengatasi kelangkaan data time-series
• Data input lebih mudah tersedia tanpa melalui inventarisasi emisi• Dapat mencakup variasi spasial dalam skala lokal• Potensial untuk mengakomodasi perubahan tata guna lahan• Hasil riset hingga saat ini:
• Bentuk kota dan distribusi tata guna lahan menentukan lokasi sumber emisi sehinggamempengaruhi kualitas udara (Borrego et al, 2005)
• Built environment yang menyebabkan peningkatan travel dengan kendaraan bermotordapat menyebabkan polusi udara yang meningkatkan resiko penyakit pernafasan dancardiovaskuler (Frank et al, 2006)
• Data lalulintas, kepadatan penduduk, tata guna lahan dan geografi fisik merupakanprediktor untuk tingkat pajanan pencemar udara (Hoek et al, 2008)
NO2, O3, PM10,PM2.5, PM1.0: WHY UDARA CONCERN ABOUT THESE POLLUTANTS?
• Fine particles and Ozone are air pollutants contribute to GBD• Nitrogen dioxide (NO2) is the ozone precursor.• These are the most commonly violate ambient air quality standards in Indonesia• Research since 1990s till recently confirm that:
• Ozone (O3)contributes to risk of respiratory and circulatory mortality (Turner et al., 2016; Raza, et.al., 2017), increase RR of asthmatic
• NO2, NO and PM2.5 increase RR of cardiovascular, respiratory and lung cancer mortality (Brunekreef et al., 2009, Atkinson et al. 2018)
• Exposures to both PM10 (coarse particles) and PM2.5 (fine particles) were associated with faster cognitive decline of older women (Weuve,; et al, 2012), fine and ultrafine particles can cause incurable degeneration and/or death of nerve cells in children (Suglia, et. al. 2007)
• (fine
Hasil Tahun Pertama (2018)Pengolahan Data Spasial, Analisis Spasial Data Historis Pencemaran Udara, Penentuan Titik Sampling, Pemantauan dengan Metode Low-cost Tahap Pertama, Pemetaan Health Outcomes
Pengolahan Data Spatial: Model Distribusi Penduduk
Analisis Spasial Data HistorisPencemar UdaraVariasi Spasial Konsentrasi Pencemar Udara data 2011 – 2017)
Konsentrasi Rata-Rata Harian PM10 di SemuaLokasi Pemantauan
Jumlah DataDKI1 : Data selama 8 tahunDKI2 : Data selama 7 tahunDKI3 : Data selama 7 tahunDKI4 : Data selama 7 tahunDKI5 : Data selama 5 tahun
Konsentrasi Rata-Rata Harian SO2 di SemuaLokasi Pemantauan
Jumlah DataDKI1 : Data selama 8 tahunDKI2 : Data selama 7 tahunDKI3 : Data selama 7 tahunDKI4 : Data selama 7 tahunDKI5 : Data selama 5 tahun
Konsentrasi Rata-Rata Harian CO di SemuaLokasi Pemantauan
Jumlah DataDKI1 : Data selama 8 tahunDKI2 : Data selama 7 tahunDKI3 : Data selama 7 tahunDKI4 : Data selama 7 tahunDKI5 : Data selama 5 tahun
Konsentrasi rata-rata 8 jam harian O3 pada semua lokasi
pemantauan
Konsentrasi rata-rata harian NO2 pada semua lokasi
pemantauan
Konsentrasi rata-rata harian NO pada semua lokasi
pemantauan
Konsentrasi rata-rata harian NO pada semua lokasi
pemantauan (data sampai dengan 2015)
Konsentrasi rata-rata harian NOX pada semua lokasi
pemantauan
Konsentrasi rata-rata harian NOX pada semua lokasi
pemantauan (data sampai dengan 2015)
Konsentrasi rata-rata harian CH4 pada semua lokasi
pemantauan
Jumlah Data
DKI1: Data Selama 8 Tahun
DKI3: Data Selama 5 Tahun
DKI5: Data Selama 5 Tahun
Konsentrasi rata-rata harian CH4 pada semua lokasi
pemantauan
Jumlah Data
DKI1: Data Selama 8 Tahun
DKI3: Data Selama 5 Tahun
DKI5: Data Selama 5 Tahun
Konsentrasi rata-rata harian CH4 pada semua lokasi
pemantauan
Jumlah Data
DKI1: Data Selama 8 Tahun
DKI3: Data Selama 5 Tahun
DKI5: Data Selama 5 Tahun
Scatterplot SO2
DKI1 DKI2
DKI3 DKI4
DKI5
GRAFIK PERAMALANPM10
Data hanya tersedia 5 tahun
GRAFIK PERAMALANSO2
Data hanya tersedia 5 tahun
Penentuan Titik Sampling 50 titik pemantauan gas, 26 titik pemantauan partikulat
WP 2: Design of monitoring network in Jakarta• Site selection based on spatial model based on several criterias of
population, land use grids and traffic density, distance from road kernel, security, etc.
81potential locations Final Location
WP2: Design of PM Measurement Locations
SAMPLING SITES26 SITES OPC+PS 21 SITES PS ONLY
• 26 OPCs installed at 5 Administrative Cities of DKI Jakarta, at selected locations among 50 locations
• Exposure duration of each OPC varies due to different installation date
Pemantauan dengan MetodeLow-CostKonsentrasi PM, Spesiasi PM Musim Pertama
AIR POLLUTANT MEASUREMENTS• Installation: NO2 and O3 Passive Diffusion Tubes and OPC-N2
Lab Setting Shelter Installation
Sampling Site
PARTICULATE MEASUREMENT• Pre-analysis
• Around 500,000 data for each PM size were collected from August to October and it is on going until next year
• Preliminary statistical analysis has been initiated
• Size Distribution Ratio• PM1.0 ≈ 0.83 PM2.5• PM2.5 ≈ 0.74 PM10
Relatively larger than what were found in Europe (Querol et al, 2004)
Average 30-minutePM1.0, PM2.5, & PM10 Concentration (µg/m3)
15 September 2018 16 September 2018
17 September 2018 18 September 2018
• Diurnal Fluctuation and daily concentrations
• PM2.5 Standard• WHO : 25 µg/m3
• WHO Interim 1 : 37.5µg/m3
• PP 41 tahun 1999 : 65 µg/m3
• PM2.5 24hr Average• 15 Sept 2018 : 56.2 µg/m3
• 16 Sept 2018 : 44.8 µg/m3
• 17 Sept 2018 : 41.7 µg/m3
• 18 Sept 2018 : 46.6 µg/m3
• Pre-analysis
Heavy metals cause harmful
effects on human health
Source Apportionment of (a) PM2,5-10 and (b) PM2,5 in DKI Jakarta
(a) (b)
Ratio PM10:PM2.5 similar to OPC2 results
10-20% BC in file particles
Analisis Awal Sebaran SpasialPenyakitEkstraksi data IFLS
Prevalensi Beberapa Penyakit Pernafasan danKardiovaskuler
Persiapan Model LURPeta LandUse dan Distribusi Penduduk, Karakteristik Lalu Lintas
Eksplorasi Waze traffic big data analysis untuk LUR input (prototype)
1. Gambaran sebaran spasialkecepatan real-time
2. Memerlukan data lalulintasuntuk melengkapi profil emisidari sumber transportasi untukinput pada model LUR
Kesimpulan Tahun 1 dan RencanaSelanjutnya
Kesimpulan
• Ditemukan variasi spasial konsentrasi pencemar udara yang dipengaruhi oleh sumber-sumber lokal→ detail variasi konsentrasidiperlukan
• Terdapat variasi dalam komposisi partikulat mengindikasikankontribusi sumber lokal dan regional, adanya partikulat sekunder yang dipengaruhi oleh iklim dan kondisi lingkungan
• Ditemukan variasi spasial dari health outcomes dan sumber-sumberemisi potensial
• Potensi variasi skala lokal pada sumber emisi transportasi yang dapatberpengaruh pada kualitas udara
Rencana Tahun 2019
• Sampling musim kedua
• Pengolahan data pencemar gas dan partikulat lebih lanjut
• Validasi model dengan data pengukuran AQMS tahun 2018
• Pengolahan data input untuk LUR
• Pemodelan (LUR dan CTM)
Work PlanWP1 WP2 WP3 WP4
LUR Model Manual and example to be tested in Indonesia (Feb ’19)
Second Seasons of NO2 and O3 monitoring in Jakarta (Feb’19), PM speciation, BTEX and secondary pol (HCHO)
CTM model refinement with local data input
Jakarta Health Outcomes Mapping (Jan’19)
LUR modeling for 3 pollutants (May ‘19)
Validation of NO2 and O3 for annual concentration (Jakarta) April ‘19
Sentinel and AOD data of Jakarta ready by Feb’19 for hybrid model
Review of Banjarmasin IFLS data (starting Jan’19)
Hybrid model ofJakarta
Validation, collation, averagingand analysis of PM data in Jakarta (June’19)
Banjarmasin Health Outcomes Mapping (Jul’19)
Preparation and site location selection in Banjarmasin (Mar’19)
Installment of equipment in Banjarmasin (mid ‘19)
Manfaat Lanjutan
Potensi Pemanfaatan
• Estimasi sebaran spatial pencemar udara dapat digunakan untuk kebijakanpengelolaan kualitas udara dan penurunan emisi
• Lokasi pemantauan yang dihasilkan dari pemodelan dapat dimanfaatkan untukmenempatan stasiun pemantauan permanen
• Metode pemantauan low-cost dapat digunakan untuk melengkapi/sebagaialternatif pengukuran dengan AQMS
• Metode pemodelan berbasis data spasial dapat direplikasi di kota-kota lain dengan kelangkaan data emisi dan pemantauan
• Rekomendasi pada dinas terkait untuk perencanaan survey dan pendataanoutcomes kesehatan yang dapat dimanfaatkan untuk mengevaluasi dampakkesehatan akibat pencemaran udara
• Menjadi baseline untuk studi lanjutan seperti cost/benefit analysis daripengendalian pencemaran udara dan kesehatan, perencanaan jaminan kesehatan
UDARA (Urban hybrid models for AiR pollution exposure Assessment)
Terimakasihdriejana@tl.itb.ac.id
Recommended