01 Art Esp TR 2017

28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
Advertisement
GeoSalud / Volume 1, Issue 4
Artículo de investigación  Acceso Abierto    
Mapeo de la exposición a la contaminación por partículas durante el episodio

de bruma severa usando el modelo mejorado de regresión MODIS AOT-PM 10
con clasi cación meteorológica sinóptica
Ketsiri Leelasakultum , Nguyen Thi Kim Oanh 
Primera publicación:23 de mayo de 2017

https://doi.org/10.1002/2017GH000059
Citas: 3
Este artículo se corrigió el 15 de julio de 2019. La versión en línea de este artículo se ha modi cado para
incluir una declaración de con icto de intereses.
Resumen
En el norte de Tailandia, con frecuencia se observa humo de humo severo por la quema
de biomasa durante los meses secos de febrero a abril. Las estaciones de monitoreo
escasamente ubicadas operadas en esta vasta región montañosa no podían
proporcionar su cientes datos de partículas (PM) para la evaluación del riesgo de
exposición. Se pueden utilizar datos de espesor óptico de aerosol satelital (AOT), pero
primero se debe establecer su relación con able con los datos de PM en tierra. Este
estudio tuvo como objetivo mejorar el modelo de regresión entre PM 10y
espectroradiómetro de imágenes de resolución moderada AOT con consideración de
patrones sinópticos para evaluar mejor el riesgo de exposición en el área. Entre cuatro
patrones sinópticos, cada uno representando la totalidad de la meteorología que rige el
norte de Tailandia en un día determinado, los días de bruma más severos pertenecían al
patrón 2 que presentaba condiciones de cielo despejado, aire estancado y altos niveles de
PM 10 . El modelo de regresión AOT ‐ 24 h PM 10 para el patrón 2 mejoró el coe ciente de
determinación a 0.51 de 0.39 del caso combinado. Los mapas de exposición diaria a PM
10 en el período de neblina más severo de febrero a abril de 2007 fueron producidos
para Chiangmai, la provincia más grande y poblada del norte de Tailandia. El modelo de
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 1/30
regresión para el patrón 2 se utilizó para convertir 24 h PM 10rangos de escala de riesgo

modi cada a los rangos AOT correspondientes, y el mapeo se realizó utilizando valores
AOT espacialmente continuos. El mayor riesgo de exposición a PM 10 se mostró en áreas
urbanas pobladas. Se observó un mayor número de puntos calientes de incendios
forestales y vientos más tranquilos en los días de mayor riesgo de exposición. La alerta
temprana y un plan de atención médica adecuado son necesarios para reducir el riesgo
de exposición a futuros episodios de turbidez en el área.
1. Introducción
En los países en desarrollo de Asia, las emisiones intensivas de numerosas fuentes, como la
quema de biomasa, la industria, el trá co y la combustión residencial, causan niveles
alarmantemente altos de contaminación del aire con los consiguientes efectos nocivos para
el medio ambiente local y el clima regional [ Organización Mundial de la Salud (OMS) , 2014 ;
Programa de las Naciones Unidas para el Medio Ambiente - Organización Meteorológica Mundial
, 2011 ]. Especí camente, se ha informado que los niveles de contaminación del aire por
partículas (PM) son altos en muchos lugares de Asia [ Kim Oanh et al. , 2006 ; Hopke y col. ,
2008], por lo que este contaminante es el más preocupado desde el punto de vista de los
efectos sobre la salud. El PM atmosférico, una mezcla compleja de partículas y gotitas que
están suspendidas en el aire, se caracteriza por diversos tamaños, composición y fuentes /
orígenes de emisión. El PM se clasi ca comúnmente en función de su tamaño debido a la
diferencia asociada en los efectos sobre la salud. El PM suspendido total (TSP) incluye
partículas de todos los tamaños, que van desde las partículas más pequeñas hasta las
partículas suspendidas más grandes (normalmente con el diámetro aerodinámico de corte
entre 25 y 50 μm) que son muestreadas por un muestreador de alto volumen. PM 10 es un
subconjunto de TSP que se compone de todas las partículas que tienen diámetros
aerodinámicos no superiores a 10 μm. Estas partículas pueden ingresar a la vía respiratoria
humana o son respirables. PM 10comúnmente se divide en la fracción de partículas nas o
PM 2.5 (partículas con diámetros aerodinámicos no superiores a 2.5 μm) y la fracción de
partículas gruesas o PM 10–2.5 . Estas dos fracciones de PM 10 tienen diferentes fuentes /
orígenes, composición y diferentes efectos potenciales sobre la salud y el medio ambiente.
PM 2.5 consta de partículas primarias que se emiten directamente de las fuentes de
combustión y las partículas secundarias que se forman en la atmósfera como resultado de
reacciones fotoquímicas complejas que involucran gases precursores de óxidos de
nitrógeno y óxidos de azufre, amoníaco y compuestos orgánicos volátiles [ OMS , 2003] El PM
grueso es principalmente de origen geológico, pero también puede contener sal marina,
bioaerosol (pólenes, esporas, partes de plantas, etc.) y partículas de emisiones de
combustión no controladas [ Watson y Chow , 2002 ].
Las partículas nas de PM 2.5 tienen el potencial de penetrar más profundamente en el

sistema respiratorio, causando más riesgo para la salud humana que la fracción gruesa de
PM [ Fann et al. , 2012 ; Tillett , 2012 ]. En general, se ha informado que la exposición a altas
concentraciones de PM 10 (tanto fracciones nas como gruesas) muestra una fuerte

asociación con la mortalidad [ Park et al. , 2013 ; Zhou y col. , 2013 ], síntomas respiratorios,
de ciencia de la función cerebral como el deterioro cognitivo [ Weuve et al. , 2012 ],
trastornos del patrón de sueño en niños [Abou-Khadra , 2013 ], e incluso los resultados
adversos de nacimiento [ Sapkota et al. , 2012 ]. Ostro y col. [ 1999 ] informaron para la
ciudad de Bangkok que un incremento de 10 μg m −3 en la concentración diaria de PM 10 se
asoció con un aumento del 1-2% en la mortalidad natural diaria, un aumento del 1-2% en la
mortalidad cardiovascular y un 3-6% aumento de la mortalidad respiratoria. Brunekreef y
Forsberg [ 2005 ] sostuvieron que debido a sus distintas fuentes y, en consecuencia, a la
composición, el impacto en la salud de las fracciones gruesas (PM 2.5–10 ) y nas (PM 2.5)
debe estudiarse por separado. También encontraron cierta correlación entre las
concentraciones de fracción gruesa y las hospitalizaciones cardiovasculares, mientras que
PM 2.5 se correlacionó más fuertemente con la mortalidad general que la fracción gruesa.
Hay esfuerzos crecientes para monitorear PM ambiental en muchos países. La mayoría de

las mediciones rutinarias de PM en los países en desarrollo todavía se están enfocando en
PM 10 , principalmente debido a la falta de instalaciones para el monitoreo de PM 2.5 [ Kim
Oanh et al ., 2012 ] o PM más nas como partículas ultra nas. La información sobre los
niveles de PM todavía es en gran medida insu ciente y, en general, tiene una cobertura
espacial limitada porque la mayoría de los esfuerzos de monitoreo de la contaminación del
aire se concentran en las áreas urbanas [ Kim Oanh et al ., 2012 , y sus referencias]. Por
ejemplo, la información de PM 2.5 en países en desarrollo de Asia todavía está fragmentada
y generada principalmente por proyectos de investigación internacionalesKim Oanh y col. ,
2006 ; Hopke y col. , 2008 ]. Se ha encontrado mucha menos información sobre la
contaminación por PM en áreas rurales y remotas, aunque los niveles de contaminación en
las áreas remotas pueden ser altos [ Co et al. , 2014 ; Kim Oanh et al ., 2016 ], especialmente
durante los episodios episódicos de quema de biomasa [ Kim Oanh y Leelasakultum , 2011 ].
La cobertura espacial limitada de los datos de monitoreo de MP puede reducir la fuerza
estadística de las relaciones entre los niveles de contaminantes y los efectos sobre la salud
que son esenciales para los estudios de evaluación de la exposición [ Liu et al. , 2009 ].
La teledetección satelital es una herramienta para el monitoreo de MP que ha sido evaluada

y utilizada en varios estudios, especialmente en lugares donde las mediciones en el terreno
son limitadas. Los datos satelitales tienen una gran cobertura espacial y series relativamente
a largo plazo [ Engel-Cox et al. , 2013 ; Lee y col. , 2011 ; Engel-Cox et al. , 2004 ; Gupta y
Christopher , 2008 ], por lo tanto, pueden proporcionar información adecuada para la
evaluación de la exposición, especialmente para los estudios a gran escala [ van Donkelaar et
al. , 2016] El espesor óptico del aerosol satelital (AOT), que es la extinción de la radiación
causada por el aerosol en la columna atmosférica bajo observación, es el principal producto
de datos utilizado para evaluar la contaminación por partículas. AOT caracteriza la cantidad
total de partículas en la columna vertical sobre una cuadrícula / área de la super cie de la
Tierra. Los datos de PM en tierra, producidos en una estación de monitoreo, en cambio
representan los niveles de contaminación medidos en un solo punto ubicado a pocos

metros sobre el suelo. Debido a esta falta de coincidencia, el uso de AOT para estimar los
niveles de PM en tierra no siempre es sencillo. Además, los datos de PM en tierra tienen un
promedio de tiempo, normalmente cada hora o 24 horas, mientras que AOT es una
instantánea producida al pasar el tiempo de un satélite sobre una ubicación. Tanto el AOT
como los datos de PM en tierra contienen incertidumbres de medición que dependen en
gran medida de las condiciones ambientales, como la meteorología o la presencia de
fuentes de emisión en las proximidades de los monitores en tierra; por lo tanto, las
relaciones simples pueden no siempre proporcionar estimaciones satisfactorias. Un análisis
de regresión lineal simple se usa comúnmente en estudios realizados para estimar PM en
base a productos AOT [por ejemplo,Wang y Christopher , 2003 ; Engel-Cox et al. , 2004 ], pero
varios estudios más recientes también se basaron en modelos más complejos, por ejemplo,
Lee et al. [ 2011 ], Tsai et al. [ 2011 ], Liu y col. [ 2009 ], y Chudnovsky et al. [ 2014] Estos
complejos modelos de regresión entre AOT y PM generalmente se desarrollaron con la
inclusión de otros parámetros, como la meteorología local (predictores temporales) y la
información del uso de la tierra (predictores espaciales). Se ha informado que la inclusión de
las variables temporales y espaciales como covariables en la regresión mejora los modelos
para predecir la PM 2.5 basada en tierra a partir de los valores de AOT [ Liu et al. , 2005 , 2007
, 2009 ; Chudnovsky y col. , 2014 ].
Especí camente, se ha demostrado que los parámetros meteorológicos, por ejemplo, la

humedad relativa, la capa límite planetaria y el viento (velocidad y dirección) afectan las
correlaciones ( R ) entre AOT y las mediciones de PM en tierra [ Liu et al. , 2005 ; Chudnovsky y
col. , 2014 ]. Algunas de las variables meteorológicas, por ejemplo, la humedad relativa,
pueden afectar el tamaño de las partículas y la extinción de la radiación en la atmósfera [
Malm et al. , 2000] En realidad, las variables meteorológicas están interrelacionadas; por lo
tanto, en lugar de investigar los efectos de variables meteorológicas / predictores
individuales en el modelo de regresión para estimar PM a partir de datos AOT, una forma
alternativa es considerar la totalidad de las variables meteorológicas asociadas con
diferentes tipos de masas de aire o patrones sinópticos. Yahi y col. [ 2013 ] informaron una
mejora de la AOT (en tierra) y PM 10 (partículas con diámetro aerodinámico no superior a 10
μm) con la consideración de los tipos de clima que se clasi caron utilizando el viento y la
temperatura de mesoescala tridimensional. Zeeshan y Kim Oanh [ 2014] aplicó un esquema
automatizado de clasi cación climatológica sinóptica para identi car el patrón sinóptico que
rige, en un día determinado, el tipo y la tendencia de desarrollo de la masa de aire sobre la
parte central de Tailandia. El estudio encontró un aumento notable en las correlaciones
(entre AOT y PM 10 ) en aquellos patrones que tienen niveles altos de PM y capas de mezcla
poco profundas cuando la mayoría del aerosol apareció cerca del suelo (como se ve desde
los coe cientes de retrodispersión). Estudios previos que pretendían predecir los niveles de
PM utilizando datos de AOT del espectroradiómetro de imagen de resolución moderada
(MODIS) en países desarrollados se habían centrado más en PM 2.5 que PM 10 (Tabla S1 en
la información de apoyo) tal vez debido a la disponibilidad de los datos de monitoreo en
tierra [ Zhang et al. , 2009 ; Engel-Cox et al. , 2004 ; Liu y col. , 2007 , 2009 ; Chudnovsky y col. ,
2014 , y referencias allí]. Sin embargo, la mayoría de los estudios en los países en desarrollo
todavía se enfocaban en PM 10 , y los resultados con rmaron una relación lineal entre AOT y
PM 10 pero con un amplio rango del coe ciente de determinación ( R 2 ) o correlación (Tabla
S1 y más detalladamente en Song et al. [2009 ], Yahi et al. [ 2013 ], Zheng y col. [ 2013 ], Yap y
Hashim [ 2013 ], Zeeshan y Kim Oanh [ 2014 ] y Li et al. [ 2015 ]). La fracción gruesa (PM 10–2.5 )
de PM 10 puede depositarse gravitacionalmente en las super cies, lo que limita su vida útil
atmosférica a unas pocas horas después de las emisiones, y esto los hace menos
homogéneamente distribuidos en una ubicación geográ ca. PM 2.5 , la fracción na de PM 10,
puede permanecer suspendido durante varios días o semanas, dependiendo
principalmente de las condiciones meteorológicas; por lo tanto, tienden a estar más
homogéneamente distribuidos con la distancia desde la fuente de emisión [ Watson y Chow ,
2002 ]. Además, las partículas secundarias que constituyen una gran parte de PM 2.5 en
forma de sulfatos, nitratos y partículas orgánicas están bien distribuidas, ya que son el
resultado de procesos de formación de escalas regionales. El hecho de que las partículas
gruesas se distribuyan más localmente cerca de sus fuentes de emisión podría causar una
mayor incertidumbre en la regresión entre las mediciones a nivel del suelo basadas en
puntos y los datos AOT promediados espacialmente. Esta puede ser una razón para las
correlaciones más bajas encontradas entre AOT ‐ PM 10 que AOT ‐ PM2.5 en varios casos (
Guo et al. [ 2010 ], Zeeshan y Kim Oanh [ 2014 ], y otros enumerados en la Tabla S1 ).
Sin embargo, la relación entre las fracciones nas y gruesas (PM 2.5 / PM 10 ) depende de la
estación y la ubicación de los sitios de monitoreo [ Kim Oanh et al. , 2006 ]. Las emisiones de
combustión abierta de biomasa tienen una pequeña fracción de PM gruesa; por lo tanto, las
concentraciones de PM 10 y PM 2.5 en el humo son bastante cercanas [ Kim Oanh et al. , 2010
]. Las áreas remotas en el sudeste asiático normalmente tienden a tener proporciones más
altas de PM 2.5 / PM 10 (0.70–0.80), especialmente en la estación seca, debido a la
contribución dominante de la quema abierta de biomasa y partículas secundarias
principalmente en la fracción na [ Co et al. ., 2014 ; Kim Oanh et al ., 2016 ].
El norte de Tailandia, una región montañosa ampliamente cubierta por bosques naturales,
comparte la frontera con Myanmar y Laos. La región ha experimentado episodios de bruma
severa durante los meses secos y calurosos, de febrero a abril, todos los años. La quema
abierta de biomasa, especialmente los incendios forestales en Tailandia y los países vecinos,
se identi có como la principal causa de la neblina [ Kim Oanh y Leelasakultum , 2011 ;
Sukitpaneenit y Kim Oanh , 2014] Los altos niveles de contaminación de PM observados
durante los períodos de neblina generan una preocupación pública sobre los efectos en la
salud. Todavía hay una evaluación exhaustiva del riesgo de exposición a PM para las
personas que viven en la región durante eventos de neblina, y esto se debe en parte a la
falta de datos de monitoreo de la contaminación del aire. Los datos de monitoreo
generados por las estaciones de monitoreo automático escasamente distribuidas, solo cinco
estaciones sobre el dominio (Figura S1 en la información de soporte), operado por el
Departamento de Control de la Contaminación (PCD) de Tailandia, no pudo proporcionar la

cobertura espacial necesaria para una evaluación exhaustiva de la exposición. Los registros
de pacientes hospitalizados y ambulatorios normalmente están disponibles en algunos
hospitales grandes y pueden no representar el riesgo de exposición de todas las personas
en cada comuna de una provincia, especialmente aquellas que viven en áreas más remotas.
Además, siempre es difícil separar a los pacientes que padecen enfermedades respiratorias
causadas por la exposición a la contaminación por neblina, por ejemplo, de aquellos que
contrajeron las enfermedades debido a otras causas [ O cina Provincial de Salud Pública de
Chiangmai (CMPHO) , 2008 ]. Una métrica de contaminación de neblina que tenga una mejor
cobertura espacial como el satélite AOT sería muy útil en este caso [ Lee et al., 2011 ].
El objetivo principal de este estudio fue mejorar el modelo de regresión entre PM 10 y el

satélite AOT para evaluar mejor el riesgo de exposición en el norte de Tailandia durante los
períodos propensos a la neblina. Nuestro trabajo anterior [ Kim Oanh y Leelasakultum , 2011 ]
ha desarrollado un esquema automatizado, utilizando una técnica de reconocimiento de
patrones estadísticos, para clasi car las condiciones meteorológicas que rigen sobre el
norte de Tailandia en cuatro patrones sinópticos. Se ha encontrado que cada patrón se
asocia con un rango de contaminación de PM especí co. Como paso de seguimiento, en el
estudio actual, examinamos la posible mejora de los modelos de regresión entre AOT y PM
10 (no hubo MP sistemática 2.5datos disponibles para este propósito) cuando se
consideraron los patrones sinópticos para el período de turbidez más severo en los últimos
16 años (2001-2016). Posteriormente, para ilustrar el enfoque, los mapas de exposición
diaria a la contaminación de PM 10 para el patrón más propenso a la neblina (patrón 2) se
desarrollaron en base a datos satelitales AOT con la ayuda del sistema de información
geográ ca (SIG) para la provincia de Chiangmai, el provincia más grande y poblada del norte
de Tailandia.
2. Metodología
2.1 Área de estudio
La región norte de Tailandia (norte de Tailandia) tiene un área de 93,690 km 2 que está
cubierta principalmente por bosques, mientras que las actividades agrícolas y las áreas
residenciales compartían solo alrededor del 30% del área total. El clima del norte de
Tailandia está in uenciado por los monzones tropicales. El monzón del suroeste produce
clima húmedo y normalmente comienza a mediados de mayo y dura hasta mediados de
octubre. El monzón del noreste suele prevalecer desde mediados de octubre hasta
mediados de febrero y produce un clima relativamente frío y seco en la región. El período
desde mediados de febrero hasta mediados de mayo puede de nirse como un período de
transición con el clima más cálido observado en marzo-abril; por lo tanto, también se
conoce como el verano local. Durante este período de verano local, la mayoría de los
eventos de incendios forestales se informan [ Sukitpaneenit y Kim Oanh, 2014 ].
Para desarrollar la relación entre el satélite AOT y los datos de monitoreo de PM en tierra
(AOT-PM), consideramos los datos de monitoreo recopilados de las estaciones de monitoreo
automático en cinco provincias del norte de Tailandia (Chiang Mai, Chiang Rai, Lampang,
Maehongson y Nan provincias) con las ubicaciones indicadas en la Figura S1 . Estas cinco
provincias colectivamente tenían un área de 61,504 km 2 y una población de 4,275,006 [
O cina Nacional de Estadística de Tailandia (NSO) , 2016 ]. Chiangmai es la provincia más
grande (20,107 km 2 ) y más poblada (más de 1,737,000) en el dominio con su ciudad capital,
la ciudad de Chiangmai, siendo la segunda más grande en Tailandia después de Bangkok. La
provincia de Chiangmai tiene una gran cobertura forestal (FiguraS2 ). Los incendios
forestales a menudo ocurren en la provincia durante el período seco de febrero a abril [
División de Control de Incendios Forestales , 2011 ] y causan altos niveles de contaminación del
aire [ Kim Oanh y Leelasakultum , 2011 ]. La Figura 1 muestra el promedio alto del máximo
mensual de 24 h PM 10 (el valor más alto de 24 h por mes) observado consistentemente
durante los meses secos registrados en dos estaciones de monitoreo automático en
Chiangmai en los últimos 16 años (2001-2016). El episodio de bruma más severo se observó
en marzo de 2007 cuando diariamente (24 h) PM 10 alcanzó los picos de 317 y 396 μg m −3,
respectivamente, en dos estaciones, es decir, muy por encima del promedio de 16 años
(2001–2016) para marzo de aproximadamente 200 μg m −3 . Los registros hospitalarios
también mostraron un fuerte aumento en el número de pacientes respiratorios en marzo
de 2007 en comparación con el mismo mes en otros años precedentes [ CMPHO , 2008 ].
Este estudio, por lo tanto, realizó un mapeo del riesgo de exposición durante este período
de neblina severa, de febrero a abril de 2007, para la provincia de Chiangmai.
Figura 1
Abrir en el visor de guras PowerPoint

Máximo mensual 24 h PM 10 medido en dos sitios en Chiangmai en 2007 en comparación con
el promedio de 2001–2016 (basado en datos sin procesar de PCD [ 2017 ]).
2.2 Recolección y análisis de datos

Las concentraciones de PM 10 se obtuvieron de febrero a abril de 2007 de cinco estaciones de
monitoreo de PCD que tenían los datos durante el período de estudio: dos estaciones en
Chiangmai, una estación en Chiangrai, una estación en Lampang y una estación en Mae
Hong Son (Figura S1 ) Dos estaciones en Chiangmai (ayuntamiento de Chiangmai y
Yupparaj) y la estación en Lampang (estación del ayuntamiento de Lampang) utilizaron los
instrumentos de microbalanza oscilante de elementos cónicos para la grabación de PM 10
por hora , mientras que las estaciones en Chiangrai y Mae Hong Son utilizaron el método de
atenuación beta (indicador beta). Estos dos métodos equivalentes se especi can en los
Estándares del aire ambiente de Tailandia y se han evaluado para la comparabilidad de los
datos [ Departamento de Control de la Contaminación (PCD) ,2017 ]. El procedimiento QA / QC
aplicado para las estaciones PCD está bien establecido ( http://info le.pcd.go.th/air/ ).
Este estudio utilizó el producto AOT del espectroradiómetro de imágenes de resolución

moderada (MODIS) a bordo de los satélites Terra y Aqua, descargado del sitio web de la
NASA ( http://ladsweb.nascom.nasa.gov ). Los datos AOT fueron los datos procesados
MOD04 y MYD04 de las variables "Optical_Depth_Land_And_Ocean", que son productos de
nivel 2 de los satélites Terra y Aqua, respectivamente. El producto MODIS tiene una
resolución espacial de 10 × 10 km 2 , y los tiempos de medición son aproximadamente a las
10:30 a.m. y a la 1:30 p.m., hora estándar local (LST) para cualquier ubicación en la Tierra de
acuerdo con el tiempo que pasan los satélites [ Engel-Cox et al. , 2006] Los datos MODIS AOT
se descargaron para el dominio de estudio de 17–21 ° N y 97–100 ° E, 2 veces por día (Terra
AOT y Aqua AOT) para cada día en el período del 1 de febrero al 30 de abril de 2007, es
decir, el mismo período que el monitoreo de tierra de datos de PM 10 .
Un píxel de MODIS AOT cubre un área de 10 × 10 km 2 ; por lo tanto, para hacer coincidir los
datos espacialmente, el radio de búsqueda para la recuperación de AOT se estableció en
0.05 ° (aproximadamente 6 km) desde la ubicación de la estación terrestre respectiva [
Sohrabinia y Khorshiddoust , 2007 ]. Temporalmente, intentamos que cada hora (1 h) y 24 h
PM 10 coincidan con cada uno de los valores de Terra AOT y Aqua AOT del día. La PM 10 de 24
h , como se muestra más adelante, mostró una mejor correlación con los datos MODIS AOT
que la PM 10 por hora . Además, 24 h PM 10 se considera más relevante para la evaluación
de la exposición que los valores medidos con un tiempo promedio más corto, como cada
hora o 2 horas.
Como el satélite MODIS AOT se mide desde el espacio, generalmente se recomienda validar
los datos utilizando el AOT terrestre producido por el fotómetro solar. Este estudio utilizó
los datos del fotómetro Sun (nivel 2 de calidad controlada) medidos en el sitio de Chiangmai
(18.81 ° N; 98.99 ° E) descargados del sitio web de Aerosol Robotic Network (AERONET) para
este propósito. Los datos del fotómetro solar para Chiangmai, aquí llamado AERONET AOT,
solo estuvieron disponibles durante 12 días, principalmente en abril de 2007, durante el
período de estudio; por lo tanto, solo un pequeño conjunto de datos estaba disponible para
la validación del MODIS AOT. Tenga en cuenta que el AERONET AOT se registró en varias
longitudes de onda, que van desde 0,34 μm a 1,6 μm, pero ninguna es igual a ninguna
longitud de onda de MODIS AOT. Por lo tanto, el método de interpolación cuadrática [ O'Neill
et al. ,2003 ] se utilizó para calcular el AERONET AOT a 0,55 μm a partir de los datos de todas
las longitudes de onda proporcionadas. Además, utilizamos el AERONET AOT observado
durante el período de tiempo de 10:30 ± 15 y 13:30 ± 15 para comparar con el Terra y Aqua
AOT, respectivamente [ Hyer et al. , 2011 ]. Los resultados mostraron una buena relación
lineal con R 2 de 0.93, pero los valores de AERONET AOT fueron consistentemente más altos
que el MODIS AOT con una pendiente de línea de regresión de 0.76 (Figura S3 ). En un
estudio previo [ Zeeshan y Kim Oanh , 2014], la regresión de MODIS AOT versus AERONET
AOT para la parte central de Tailandia usando un conjunto de datos mucho más grande (2
veces al día durante más de 5 años) tuvo una pendiente mayor de la línea de regresión
(0.91) pero menor R 2 (0.81).
2.3 Efectos de los patrones sinópticos sobre AOT-PM 10 Relaciones

2.3.1 Aclaración del patrón sinóptico
Las condiciones meteorológicas (situaciones climáticas sinópticas) que rigen sobre el norte
de Tailandia se habían clasi cado en cuatro patrones homogéneos en nuestro estudio
anterior [ Kim Oanh y Leelasakultum , 2011] utilizando un esquema automatizado de
clasi cación de meteorología desarrollado para tal n. La clasi cación se realizó utilizando
los datos meteorológicos de super cie a las 7:00 LST (00:00 UTC) en los meses de febrero-
marzo-abril de 8 años (2001-2008) de las estaciones meteorológicas regionales: cuatro
estaciones en Tailandia (Chiangmai, Bangkok, Nongkhai y Nakhonpanom) y tres estaciones
en China (Yibin, Wuhan y Haikou). También se incluyó la altura de mezcla matutina en
Chiangmai, determinada por el método del paquete de aire. Se proporciona más
información sobre las 18 variables meteorológicas incluidas en el conjunto de datos nal
utilizado para la clasi cación meteorológica, extraído de Kim Oanh y Leelasakultum [ 2011 ],
en el cuadro de texto S1 en la información de apoyo.. El análisis del componente principal
se aplicó a la matriz de correlación de las variables meteorológicas estandarizadas. La
rotación Varimax se realizó para que cada componente principal representara la máxima
varianza posible en el conjunto de datos original. Los puntajes de los componentes
resultantes se segregaron para producir categorías meteorológicamente homogéneas
utilizando un enfoque de agrupamiento de dos etapas, el agrupamiento jerárquico (enlace
promedio) seguido de la técnica de agrupamiento de medios k [ Steinbach et al. , 2000 ]. Se
espera que la clasi cación de patrones sinópticos utilizando este esquema automatizado
tenga más objetividad en comparación con la clasi cación mediante el uso de la
comparación visual de grá cos sinópticos, por ejemplo.
Las características meteorológicas promedio observadas en las estaciones meteorológicas

de Chiangmai y Bangkok en los cuatro patrones sinópticos se presentan en la Tabla S2 . La
descripción detallada y los cuadros sinópticos de cada patrón se proporcionan en nuestro
estudio anterior [ Kim Oanh y Leelasakultum , 2011 ]. A modo de ejemplo, en la Figura S4 se

muestran los cuadros sinópticos de días que pertenecen a diferentes patrones .
Brevemente, el patrón 1 tiene la nubosidad promedio más alta (6/10), altura de mezcla,
punto de rocío y visibilidad y los segundos valores más altos de presión a nivel del mar y
velocidad del viento (1.1 m s −1) El patrón 2 se caracteriza por un cielo despejado con la
nubosidad más baja (1/10), la altura de mezcla más baja, la presión más baja al nivel del mar
(debido a la presencia de varias bajas térmicas sobre el norte de Tailandia que indujeron el
clima cálido en el área de estudio), y segunda velocidad de viento más baja (promedio de 0.2
ms −1 ) y punto de rocío. El patrón 3 se caracteriza por la velocidad del viento más alta (1.9 m
s −1 ), los segundos valores más altos de altura de mezcla, punto de rocío y visibilidad, con
condiciones de cielo relativamente despejado (nubosidad: 2.4 / 10). El patrón 4 también
muestra condiciones de cielo relativamente despejado (nubosidad: 2/10), el viento más débil
(0.1 m s −1), y la presión más alta a nivel del mar (con una fuerte cresta de alta presión
observada sobre el norte de Tailandia en las cartas sinópticas). Tenga en cuenta que el
patrón 2 fue el patrón más frecuente durante el período de estudio cuando se registraron
episodios de turbidez.
Zeeshan y Kim Oanh [ 2014 ] mejoraron la correlación ( R ) entre las series temporales AOT y
PM 10 para la parte central de Tailandia al incorporar patrones sinópticos. Especí camente,
el estudio produjo valores R más altos (que el caso de la suma global) para dos patrones
sinópticos que se caracterizaron por altas PM 10 y capas de mezcla más super ciales. Por lo
tanto, en el presente estudio, también analizamos las relaciones AOT y PM 10 con
consideraciones de los patrones sinópticos para producir modelos de regresión mejorados
para su uso en el mapeo de exposición a PM.
2.4 Mapeo del riesgo de exposición a PM 10 para la provincia de

Chiangmai
Los niveles de riesgo de exposición a las 24 h PM 10 se clasi caron incorporando las escalas
del Índice de Calidad del Aire (AQI) de Tailandia [ PCD , 2017 ] y la Agencia de Protección
Ambiental de EE. UU . ( Https://airnow.gov/index.cfm?action=pubs. aqguidepart ). De
acuerdo con PCD [ 2017 ], si 24 h PM 10 está por debajo del estándar nacional de calidad del
aire ambiente (NAAQS) de Tailandia de 120 μg m −3 , entonces se asigna un AQI ≤ 100 y un
riesgo de salud bajo (no) al área bajo consideración (Tabla S3 ). Si 24 h PM 10 está entre 120
μg m −3 y 350 μg m −3, entonces la calidad del aire es reconocida como poco saludable. Los
niveles de PM en este rango pueden causar efectos en personas de grupos sensibles, es
decir, con enfermedades respiratorias (personas asmáticas), personas mayores y niños; por
lo tanto, deben evitar actividades prolongadas al aire libre. Si 24 h PM 10 está por encima de
350 μg m −3 , la calidad del aire se reconoce como poco saludable y el público en general
debe evitar las actividades al aire libre.
La principal diferencia en la escala de riesgo entre la EPA de EE. UU. Y la PCD tailandesa se
encuentra en el rango de AQI de 100 a 200, para el cual la EPA de EE. UU. Tenía dos
categorías (no saludable para grupos sensibles: AQI de 101–150 y no saludable para todas
las personas con AQI: 151–200 ), mientras que PCD [ 2017 ] tiene solo una categoría (Tabla
S3 ). Por lo tanto, en este estudio, usamos una escala modi cada de riesgos para la salud
mediante la introducción de un "riesgo moderado" con un rango de concentración de 121–
254 μg m −3 , es decir, incorporando el Thai 24 h PM 10 NAAQS (120 μg m −3 ) como el límite
inferior y el valor superior EPA 24 h PM 10 del rango no saludable (254 μg m −3) Por lo tanto,
la escala de riesgo nal utilizada en nuestro mapeo de riesgo para 24 h PM 10 fue (1) <120 μg
m −3 : sin riesgo / bajo; (2) 121–254 μg m −3 : riesgo moderado (poco saludable); y (3)> 254 μg
m −3 : alto riesgo (muy poco saludable). Los valores AOT correspondientes a estos valores
límite de 24 h PM 10 se estimaron primero utilizando el modelo de regresión (mejorado con
la consideración de patrones meteorológicos), luego se realizó el mapeo basado en los
valores AOT que tienen una cobertura espacial mucho mejor (que 24 h PM 10 datos en
nuestro dominio). El detalle de la escala de riesgo para PM 10 se presenta más adelante, en
la Tabla 2, junto con los resultados de regresión AOT correspondientes. Para mejorar la
resolución espacial de los datos MODIS AOT, la función espacial, es decir, la interpolación en
Arcview GIS, se utilizó para desarrollar un conjunto continuo de datos de AOT en el dominio
del estudio durante el período propenso a la turbidez. Para esta interpolación, se utilizó el
método de distancia inversa ponderada, que supone que los datos cercanos contribuyen
más al punto que se está interpolando que los datos más alejados [ Li y Heap , 2008 ].
El mapeo de exposición se realizó para la provincia de Chiangmai, la provincia más grande y

poblada del dominio, como se mencionó anteriormente. Las capas de niveles de riesgo
clasi cados se superpusieron sobre la provincia de Chiangmai para mapear el riesgo que se
considera junto con la capa de densidad de población. Los mapas obtenidos se analizaron
con los datos del viento (parcelas de windrose) para revelar el posible transporte de
contaminación desde los lugares de viento arriba con incendios forestales intensivos a las
diferentes partes de la provincia. Las parcelas de windrose en este estudio fueron
generadas por el software Wind Rose Plots View ™ , que se puede descargar de
http://www.weblakes.com , utilizando los datos de viento observados por hora (velocidades
y direcciones) en la estación de Chiang Mai proporcionada por el Departamento
Meteorológico de Tailandia.
3. Resultados y discusión
3.1 Regresión AOT y PM 10
3.1.1 Niveles PM 10
En la Tabla 1 se presenta un resumen de los niveles de PM 10 observados en cuatro
estaciones en el norte de Tailandia durante el período de febrero a abril de 2007 , por
separado para diferentes patrones meteorológicos sinópticos y combinados en el caso de
suma global para todos los patrones. Además, los niveles medidos en dos estaciones de
Chiangmai durante febrero-abril de 8 años (2001-2008) también se presentan por separado
para comparación. Otras estaciones no tenían datos antes de 2007 para tal comparación. El
máximo mensual de 24 h PM 10 de marzo (el nivel diario más alto del mes) superó el NAAQS
de Tailandia casi en 13 años durante el período de 16 años. El máximo mensual de 24 h PM
10 medido en Chiangmai (Figura 1) tuvieron los valores más altos en 2007 en comparación
con otros años durante el período 2001-2016, como se mencionó anteriormente; por lo
tanto, marzo de 2007 fue seleccionado para un mapeo de riesgos adicional.
Tabla 1. Resumen de los niveles de PM 10 (μg m −3 ) y AOT ‐ PM 10 Regresión con y sin

consideración de patrones sinópticos, febrero-abril en diferentes años
Parámetros Frecuencia Periodo promedio y Periodo promedio y AOT ‐ PM 10

de máximo 24 h PM 10 máximo 24 h PM 10 Regresión de
ocurrencia (paréntesis) en (paréntesis) en dos febrero a abril de
en febrero- cuatro estaciones a , estaciones de Chiangmai 2007 (las cuatro
abril de 2007 b , 2001–2008 estaciones)
2007
Aver ± SD (Máx.) Aver ± SD (Máx.) Modelos con
estadísticas
Patrón 1 12% 43 ± 16 (93) 40 ± 15 (107) PM 10 = - (14.8 ±
55.4) AOT + (54.1 ±

26.2)
R 2 = 0.02, N = 6, p
= 0.803
Patrón 2 56% 137 ± 72 (396) 97 ± 54 (396) PM 10 = (128.9 ±

11.4) AOT + (39.4 ±
8.9)
R 2 = 0.51, N = 128,
p <0.0001
Patrón 3 8% 102 ± 38 (188) 79 ± 41 (249) PM 10 = (96.5 ±

22.4) AOT + (37.5 ±
15 3)
a No se incluyeron datos de la estación de Lampang debido a la fuerte in uencia potencial de las emisiones
relacionadas con la industria y la nubosidad.

b Datos de 2 estaciones de Chiangmai solamente, ya que otras estaciones no fueron operadas antes de 2007.
c El nivel máximo se observó en la estación de Mae Hong Son.
Los resultados del esquema de clasi cación meteorológica presentado en nuestro estudio
anterior [ Kim Oanh y Leelasakultum , 2011 ] mostraron que durante el período de estudio
(febrero-abril de 2007), el patrón 2 se observó con mayor frecuencia, en 50 días (56%). Los
patrones 1, 3 y 4 se observaron en 11 días (12%), 7 días (8%) y 21 días (24%),
respectivamente (Tabla 1 ). Los niveles promedio de PM 10 (3 meses: febrero-abril) fueron
notablemente diferentes entre los patrones sinópticos: el patrón 2 tenía los niveles más
altos seguidos por el patrón 4. El patrón 1 tenía los niveles más bajos de PM 10 de los cuatro
patrones. El PM 10los niveles en diferentes patrones sinópticos en 2007 son consistentes con
los resultados para un período más largo (2001-2008) reportados en el estudio anterior [
Kim Oanh y Leelasakultum , 2011 ] y también para 2001-2016 analizados en este estudio
(Figura 1 ). Tenga en cuenta que ambos patrones (2 y 4) con mayor PM 10 fueron más
frecuentes durante febrero-abril de 2007; por lo tanto, la suma global combinada de PM 10
promedio (de los cuatro patrones) durante el período de 3 meses también fue alta, 121 ± 52
μg m −3 .
3.1.2 Análisis de regresión sin considerar patrones sinópticos

El MODIS AOT (validado contra AERONET AOT) se usó para el análisis de regresión con PM 10
observado . Primero, se analizaron regresiones lineales simples entre 24 h PM 10 y MODIS
AOT (tanto Terra como Aqua) para cada una de las cinco estaciones PCD en el dominio. Los
coe cientes de correlación ( R , calculados como la raíz cuadrada del coe ciente de
determinación R 2 ) de AOT y 24 h PM 10 medidos en cuatro estaciones del Ayuntamiento de
Chiangmai, Chiangmai Yupparaj, Chiangrai y Mae Hong Son fueron 0.62, 0.66, 0.64, y 0,73,
respectivamente. Sin embargo, el coe ciente de correlación entre el satélite AOT y los datos
de PM de monitoreo en tierra en la estación de Lampang fue bastante bajo ( R = 0.26). La
presencia de una gran central eléctrica de carbón (Mae Moh, indicada en la Figura S1 )
puede ser una razón de esta pobre correlación porque el PM contribuido por las emisiones
de gases de la pila puede inducir una relación AOT-PM diferente [ Mallet et al. , 2003 ] que la
del humo de combustión de biomasa, la principal fuente de in uencia en nuestro dominio
de estudio. Sukitpaneenit y Kim Oanh [ 2014 ], quienes analizaron la relación entre MODIS
AOT y PM 10 durante los meses secos de 2008-2010 para el norte de Tailandia, también
observaron una observación similar . Esto sugiere además que los parámetros espaciales
como los factores de uso de la tierra, por ejemplo, la ubicación de las fuentes puntuales, la
red de carreteras y otros [ Liu et al., 2009 ], sería importante tener en cuenta para mejorar
las relaciones AOT-PM. Sin embargo, en nuestro dominio de estudio, esta planta de energía
parece ser una fuente puntual más grande; por lo tanto, este factor no puede incluirse
directamente en el análisis de regresión. Además, durante los días de mayor neblina (10-15
de marzo de 2007), el cielo nublado (alta nubosidad) prevaleció en Lampang, lo que afectó la
recuperación de MODIS AO; por lo tanto, el número de puntos de datos fue pequeño para
un análisis de regresión adecuado. Por lo tanto, los datos de PM 10 de la estación Lampang
no se incluyeron en el análisis adicional de este estudio.
En el caso de la suma global, utilizamos todos los datos diarios de PM 10 (24 h) medidos en
cuatro estaciones (excepto Lampang) y los datos MODIS AOT (Terra y Aqua) disponibles
durante el período de estudio para el análisis de regresión, es decir, sin segregar en el
Patrones sinópticos. Los resultados se resumen en la Tabla 1 , mientras que la Figura 2
presenta un diagrama de dispersión que muestra un R 2 valor de 0,37, es decir, un
coe ciente de correlación correspondiente ( R ) de 0,61 para este caso suma global. A modo
de comparación, el análisis de regresión entre MODIS AOT y PM 10 por hora (coincide con los
tiempos de paso del satélite: PM 10entre las 10: 00-11: 00 AM para las 10:30 AM de Terra y
13: 00–14: 00 para las 13:30 tiempo de paso Aqua) también se presenta. El modelo de
regresión entre AOT y 24 h PM 10 es mejor que el entre AOT y 1 h PM 10 en términos de R 2 y
con más puntos de datos (en muchos casos faltaban datos de 1 h PM 10 en el tiempo de
paso del satélite, mientras que todos los días los datos aún podrían calcularse utilizando las
observaciones a otras horas del día). Para el propósito de la evaluación de la exposición,
como se mencionó anteriormente, los datos de 24 h PM 10 también son más relevantes; por
lo tanto, este estudio se centró en 24 h PM 10 para este propósito.
Figura 2

Diagramas de dispersión de MODIS AOT (Terra y Aqua) versus 24 h PM 10 y 1 h PM 10 (cuatro
estaciones terrestres), febrero-abril de 2007.
3.1.3 Análisis de regresión con consideración de patrones sinópticos

Los días de febrero a abril de 2007 se separaron por primera vez en cuatro grupos
meteorológicos homogéneos o patrones sinópticos [ Kim Oanh y Leelasakultum , 2011 ] con
la frecuencia de ocurrencia dada en la Tabla 1 .
Las relaciones MODIS AOT y 24 h PM 10 se analizaron para los días que pertenecen a cada
patrón por separado. La regresión se realizó utilizando todos los datos de PM 10 disponibles
de cuatro estaciones en el norte de Tailandia, y los coe cientes de correlación resultantes
entre AOT y PM 10 (raíz cuadrada de los valores de R 2 dados en la Tabla 1 ) para los
patrones 2 y 3 fueron 0.71, respectivamente, que aparentemente más alto que el caso de
suma global ( R = 0.61). La regresión para el patrón 4 tuvo una R más baja(0,47) que en el
caso de la suma global, mientras que el patrón 1 (con solo 6 puntos de datos) tenía una
correlación pobre e incluso una pendiente negativa. La desviación estándar de la pendiente
y la intersección para cada modelo de regresión también se presentan en la Tabla 1 junto
con la importancia ( p ) de la regresión lineal producida por el análisis de varianza. Los
valores de signi cación ( p ) mostraron que, excepto para el patrón 1 ( p = 0,80), todos los
demás casos presentados en la Tabla 1 muestran evidencia estadística su ciente para
concluir que existe una relación lineal entre MODIS AOT y 24 h PM 10a nivel de signi cancia
<0.0005. De particular interés es la mejora del modelo de regresión para el patrón 2, que
tuvo una frecuencia de ocurrencia predominantemente alta durante el período propenso a
la turbidez. El modelo mejorado obtenido para el patrón 2 es especí camente útil para la
estimación de PM 10 de 24 h utilizando datos de MODIS AOT espacialmente más disponibles
en el dominio.
Las condiciones meteorológicas del patrón 2, comúnmente presentaban una presencia de

una inversión de temperatura basada en el suelo [ Kim Oanh y Leelasakultum , 2011 ], tenían
la altura de mezcla más baja entre los cuatro patrones (330 m) y bajas velocidades del viento
(Tabla S2 ), por lo tanto debería mejorar la acumulación de contaminación en la capa límite.
Este patrón tuvo el terreno más alto medido 24 h PM 10 durante el período de febrero a abril
de 2007, es decir, con un máximo de 396 μg m −3 (observado en Chiangmai) y un promedio
de PM 10 en cuatro estaciones del norte de 137 μg m −3 (Tabla 1) Debido a sus condiciones
de cielo despejado (la nubosidad más baja de los cuatro patrones: 1/10), el patrón 2 tenía
más puntos de datos AOT disponibles para el análisis de regresión ( N = 128; Tabla 1 ). El
cielo despejado y el bajo contenido de humedad, es decir, el segundo punto de rocío más
bajo de los cuatro patrones, reducirían el sesgo de los valores de AOT causados por los
efectos higroscópicos de las nubes. Un valor R alto para la relación AOT-PM 10 encontrado
para el patrón 2, junto con su frecuencia de ocurrencia predominantemente alta durante el
período propenso a la turbidez (Tabla 1 ), había in uido en el valor R general para el caso de
suma global combinada. Como resultado, la REl valor para el caso de la suma global de 0,61,
incluso sin detección de nubes adicional (es decir, adicional al algoritmo de detección de
nubes incorporado de las recuperaciones MODIS AOT), fue mayor en comparación con otros
estudios que informaron valores de R generalmente inferiores a 0,5 ([ Zeeshan y Kim Oanh ,
2014 ; Dinoi et al. , 2010 ] como se ve en la Tabla S1 ) encontraron la regresión con PM 10 . El
mayor valor de R encontrado en nuestro estudio en comparación con Zeeshan y Kim Oanh [
2014] para Bangkok también puede atribuirse a una in uencia más homogénea del humo
de combustión de biomasa en nuestro dominio de estudio en comparación con las
múltiples fuentes de emisión urbana de la ciudad de Bangkok.
El valor R para el patrón 3 también mostró una mejora a 0.71 en comparación con el caso de
suma global. Este patrón tuvo mejores condiciones de dispersión con la mayor velocidad del
viento en Chiangmai (Tabla S2 ). En este patrón, el promedio de PM 10 durante el período de

febrero a abril de 2007 y el máximo de 24 h PM 10 fueron 102 y 188 μg m −3 ,
respectivamente, que ocuparon el tercer lugar de todos los patrones (Tabla 1 ). La razón de
la mejora del valor R en este patrón aún debe analizarse junto con los per les verticales [
Zeeshan y Kim Oanh , 2014] y las fuentes in uyentes de emisión de aerosoles. En general, el
número total de puntos de datos disponibles para el análisis de regresión para este patrón
todavía era bastante pequeño ( N = 21); por lo tanto, aún se requiere un período de estudio
más largo para producir resultados más inferidos estadísticamente.
Dos patrones, el patrón 1 y el patrón 4, mostraron una reducción en los valores de R en

comparación con el caso combinado. El patrón 1 tenía solo un pequeño número de puntos
de datos disponibles para el análisis ( N = 6; Tabla 1 ) que hicieron que el resultado de la
regresión no se in riera estadísticamente, es decir, una pendiente negativa con una
desviación estándar alta (−14.8 ± 55.4) y un signi cado Valor P de 0,80 (que muestra una alta
probabilidad de cometer un error al inferir que existe una relación lineal entre AOT y 24 h
PM 10, muy por encima de un nivel de signi cancia comúnmente usado de 0.05 en los
estudios ambientales). Este patrón ocurrió solo en 11 días durante el período de estudio de
3 meses, y debido a sus condiciones de nubosidad, el algoritmo de detección de nubes
incorporado de las recuperaciones de MODIS AOT eliminó los días nublados, dejando solo 6
días con datos de MODIS AOT. Este patrón tiene los niveles más bajos de PM durante el
período de estudio con un promedio de 43 μg m −3 y el máximo de 24 h PM 10 de 93 μg m −3
. La alta altura de mezcla (la más alta en todos los patrones) y las velocidades moderadas del
viento (1.1 m s −1, el segundo más alto) observado en este patrón conduciría a una mejor
dilución de la emisión de PM (que el patrón 2, por ejemplo). Por lo tanto, la alta nubosidad
observada en este patrón redujo el número de puntos de datos disponibles para un análisis
de regresión más inferido estadísticamente. La nubosidad también puede dar lugar a un
cierto sesgo de los niveles de PM pronosticados utilizando valores AOT [ Lee et al. , 2011 ].
El valor R para el patrón 4 fue 0,47, es decir, inferior al caso de suma global (0,61). Este
patrón era bastante similar al patrón 2 en términos de condiciones meteorológicas
promedio en Chiangmai, pero tenía diferentes gradientes de presión horizontal entre
Chiangmai y las estaciones regionales. El patrón 4 se produce principalmente en febrero, y
muestra la in uencia de un refuerzo de la cresta de alta presión sobre el norte de Tailandia [
Kim Oanh y Leelasakultum , 2011 ]. Los niveles de PM 10 durante el período de febrero a abril
de 2007, promediados en cuatro estaciones, fueron de 128 μg m −3 , mientras que el
máximo de 24 h PM 10 fue de 353 μg m −3 , que se observó fuera de la provincia de
Chiangmai (en la estación de Mae Hong Son ; Figura S1 ). El número total de puntos de datos
disponibles para el análisis de regresión fue moderado ( N = 59). Se demostró que el patrón
4 en nuestro estudio anterior [ Kim Oanh y Leelasakultum , 2011 ] presentaba una presencia
de una fuerte inversión basada en el suelo que puede causar que una cantidad excesiva de
PM quede atrapada cerca del suelo. Otros estudios deben analizar los per les verticales de
aerosol para proporcionar una mejor explicación de la relación AOT-PM en cada patrón [
Zeeshan y Kim Oanh , 2014 ].
3.2 Mapeo de riesgo de exposición

Como estudio de caso para ilustrar este enfoque, el mapeo del riesgo de exposición se
realizó para la provincia de Chiangmai durante el período de neblina más severo de febrero
a abril de 2007 de todo el período de 16 años (2001–2016). La provincia está más poblada y
tuvo los niveles más altos de 24 h PM 10 medidos durante el período de neblina en 2007.
Como se mencionó anteriormente, el patrón 2 ocurrió con mayor frecuencia durante el
período propenso a la neblina y tuvo los niveles más altos de 24 h PM 10 en Chiangmai; por
lo tanto, la mejora en la regresión de AOT-PM para el patrón 2 fue especí camente útil para
el mapeo del riesgo de exposición. Los diagramas de dispersión de MODIS AOT versus PM 10
medidos en cuatro estaciones en el norte de Tailandia para los días que pertenecen al
patrón 2 se muestran en la Figura 3 . En cuanto a la estación, elEl valor R fue el más alto
(0,95) para la estación Mae Hong Son, un sitio rural de fondo, que generalmente tenía
niveles más altos de PM 10 durante el período de estudio. Este sitio puede estar más
in uenciado por el humo de los incendios forestales, como lo demuestra la gran cantidad de
puntos calientes de incendios durante la temporada de incendios [ Sukitpaneenit y Kim Oanh
, 2014 ]. El resto de las tres estaciones, incluidos dos sitios urbanos de Chiangmai y un sitio
de fondo rural de Chiangrai, tenían casi un AOT ‐ PM 10Líneas de regresión. La mejora del
modelo de regresión para la estación Mae Hong Son sugiere además que los predictores
espaciales relacionados con los tipos de uso de la tierra deberían considerarse en futuros
estudios para dominios más grandes como todo el norte de Tailandia y los países vecinos.
Este estudio utilizó el modelo de regresión desarrollado para el patrón 2 utilizando datos de
las cuatro estaciones, reconociendo el hecho de que la provincia de Chiangmai tiene
diferentes tipos de uso de la tierra (Figura S2 ); por lo tanto, una consideración de todas las
estaciones (que representan diferentes tipos de uso del suelo) proporcionaría resultados
más representativos.
gura 3

Diagrama de dispersión de MODIS AOT versus 24 h PM 10 (cuatro estaciones) para los días
que pertenecen al patrón 2, febrero-abril de 2007.
El modelo de regresión entre MODIS AOT y 24 h PM 10 (usando datos de PM 10 de las cuatro

estaciones) para el patrón 2 se utilizó para convertir los rangos de concentración de PM 10
especi cados en las escalas de riesgo de exposición modi cadas a los rangos MODIS AOT
correspondientes (Tabla 2 ) . El mapeo se realizó utilizando los valores MODIS AOT, que
estaban más disponibles y eran espacialmente continuos, lo que permitió la identi cación
del riesgo de exposición en cada parte del área de estudio. Las categorías de riesgo de
exposición se determinaron para cada día del patrón 2 durante el período de estudio y se
analizaron comparativamente con las heladas diarias. Un resumen de las áreas (km 2) de la
provincia de Chiangmai que se identi caron en las tres categorías de riesgo de exposición se
presenta en la Tabla 3 junto con los parámetros relacionados (recuentos de vientos y
puntos calientes) para los días del patrón 2 en marzo de 2007. Tenga en cuenta que en este
mes se identi có el patrón 2 en 26 días (de 31 días). Los niveles de 24 h PM 10 en estos 26
días del patrón 2 observados en Chiangmai oscilaron entre 77 y 396 μg m −3 . Se observa
además que, principalmente, la clasi cación del patrón debe hacerse a priori y la ecuación
de regresión para el patrón 2 debe aplicarse solo para los días que pertenecen a este
patrón. Sin embargo, la prevalencia casi absoluta del patrón 2 en marzo de 2007, el mes con
mayor PM 10en Chiangmai, sugiere que el modelo de regresión obtenido para el patrón 2
puede usarse generalmente para la estimación de PM 10 para todo el mes de marzo.
Tabla 2. Rangos de valores AOT correspondientes a 24 h PM 10 en niveles de riesgo bajo,

medio y alto
Escala No. Categoría 24 h PM 10 (μg m −3 ) AOT Límites superior e inferior a
1 Riesgo bajo 0-120 (moderado) 0-0.625
2 Riesgo medio 121–254 (no saludable) 0.626–1.665
3 Alto riesgo > 254 (muy poco saludable) > 1.665
un valores de AOT se obtuvieron utilizando el modelo de regresión para el patrón 2 (Tabla 1).
Tabla 3. El área de diferentes niveles de riesgo de la provincia de Chiangmai y factores

relacionados para los días del patrón 2 en marzo de 2007
Fecha 24 h PM 10 Área propensa al riesgo Viento Frecuencia Hot Spot Direccion

marzo en (km )2 promedio del viento cuenta de viento
de 2007 Chiangmai, diario (m en dentro de frecuente
μg m −3 s −1 ) calma,% un radio del día
de 150 km
Bajo Medio Alto
de
Chiangmai
1 (173)
a 15,486 4,855 00 0.4 0.4 79 80 NNE, ENE,
ESE, S, SW
2 (176,191) 18,821 1,520 00 1.4 50 212 SO
3 (141,169) 18,061 2,280 00 0.9 54 122 E, W, SW
44 (184) 17,543 2,798 00 0.4 0.4 83 585 S
55 (240) 9.498 10,844 00 0.9 58 23 SSW
66 (213,219) 11,054 9.288 00 0.8 54 606 S
77 (127,159) 19,271 1,070 00 2.3 38 370 W
8 (150) 15,331 5,011 00 2,0 38 462 WSW
99 (129) 19,746 596 00 2,0 33 601 SO
10 (190,195) 4.960 15,345 37 1.0 50 244 WNW, WSW

SW SE
a Dos estaciones en Chiangmai; solo se presenta un valor si falta el otro. Los días con alto riesgo de exposición son
audaces.
El uso de los valores de AOT, por lo tanto, ayudó a obtener una interpolación espacialmente
continua de los niveles de riesgo de exposición en la provincia de Chiangmai para el mapeo
de la exposición para todos los días. De hecho, solo 1 día (23 de marzo) presentado en la
Tabla 3 tuvo un riesgo de exposición bajo, mientras que los 25 días restantes del patrón 2
mostraron algunas áreas de la provincia al menos en la categoría de riesgo medio. Cuatro
días tuvieron algunas áreas, principalmente zonas urbanas, que se clasi caron en la
categoría de alto riesgo, es decir, 10, 11, 12 y 13 de marzo (en negrita en la Tabla 3 ) con un
área de alto riesgo de exposición de 37, 47, 1053 y 1211 km 2, respectivamente. La
característica más llamativa de estos cuatro días con la categoría de alto riesgo de
exposición fue el alto porcentaje de viento en calma (50–88%) y velocidades de viento
promedio muy bajas, es decir, <1 m s -1 (Tabla 3 ). Las direcciones del viento variaron
ampliamente en cada día, principalmente debido a las bajas velocidades del viento. De
hecho, la provincia de Chiangmai tiene una gran cubierta forestal y la provincia está rodeada
de áreas forestales de las provincias vecinas; por lo tanto, los vientos de todas las
direcciones pueden generar emisiones de incendios forestales. Los puntos calientes se
pueden usar para presentar incendios [ FIRMS Web Fire Mapper , 2008 ], y este estudio utilizó
los recuentos de puntos calientes dentro de un círculo de 150 km alrededor de la ciudad de
Chiangmai, y los recuentos también se proporcionan en la Tabla 3.
El mapa de exposición del 13 de marzo, el día con un máximo de 24 h PM 10 y el área más

grande bajo la categoría de alto riesgo de exposición especi cada para la provincia de
Chiangmai, se presenta en la Figura 4 . El 13 de marzo hubo una gran cantidad de puntos
calientes (464; Tabla 3 ) que se vieron densamente distribuidos en el área de estudio (Figura
S2 ), el porcentaje de viento en calma fue el más alto (88%) y la velocidad del viento fue muy
baja (promedio de 0.2 ms −1 ). Estas fueron las principales razones para el mayor 24 h PM
10nivel medido en la provincia con el área más grande bajo la categoría de alto riesgo de
exposición en el día. De hecho, los grandes recuentos de puntos calientes también se
registraron durante el período del 6 al 9 de marzo, pero las velocidades del viento fueron
más altas con un viento menos tranquilo (alrededor del 38%) que tal vez redujo los niveles de
PM 10 . El 1 de marzo también tuvo un gran porcentaje de viento en calma (79%) y baja
velocidad del viento (0.4 m s −1 ) pero con un recuento bajo de puntos calientes (80) y bajos
niveles de PM 10 . El mapa de exposición al riesgo para el 1 de marzo de 2007 también se
presenta en la Figura 4 para la comparación que mostró que la mayoría del área de la
provincia se clasi có en la categoría de bajo riesgo (24 h PM 10 <120 μg m −3 ), y el resto fue
bajo riesgo medio (24 h PM10 : 121–254 μg m −3 ); es decir, ningún área estaba bajo el alto
riesgo de exposición (24 h PM 10 > 254 μg m −3 ).
Figura 4

Mapa de riesgo de exposición a la contaminación de 24 h PM 10 para Chiangmai el 1 de
marzo (sin alto riesgo de exposición) y el 13 de marzo de 2007 (principalmente riesgo de
exposición medio y alto). El rango de 24 h PM 10 para diferentes categorías de riesgo: 0–120
µg m −3 para bajo riesgo; 121–254 µg m −3 para riesgo medio; y> 254 µg m −3 para alto riesgo.
Por lo tanto, parecía que las bajas velocidades del viento junto con los grandes recuentos de
puntos calientes (incendios forestales) fueron factores importantes que causaron la alta
contaminación de PM durante el período del 10 al 13 de marzo. Se especula que bajo las
condiciones de aire estancado (viento tranquilo), las emisiones de los incendios forestales
no se dispersarían lejos de los lugares de combustión, por lo tanto, permanecerían en el
área durante varios días, por lo que continuaron contribuyendo a altos niveles de PM 10 . Por
otro lado, las áreas con un alto riesgo de exposición se observaron principalmente en las
zonas urbanas de la provincia con una mayor densidad de población (se inserta un mapa de
densidad de población en la Figura S2), por lo tanto, causaría más casos de exposición. En
términos de fuentes de emisión, esto también sugirió que las actividades urbanas también
contribuyeron al alto nivel de contaminación en estas condiciones de aire estancado. Kim
Oanh y Leelasakultum [ 2011 ] informaron que las industrias estacionales también pueden
ser una fuente de emisión importante que contribuye a la alta contaminación durante el
episodio de bruma en marzo de 2007, junto con el principal contribuyente de la quema
abierta de biomasa (incendios forestales y agrícolas).
4. Conclusiones
La aplicación de los datos MODIS AOT del satélite podría ayudar a superar la limitación en la
cobertura espacial de los datos de PM 10 de monitoreo en tierra con el propósito de evaluar la
exposición. Las relaciones MODIS AOT-PM 10 se ven afectadas por los patrones
meteorológicos sinópticos que representan la totalidad de la meteorología que rige sobre el
área de estudio. La consideración de patrones sinópticos había mejorado el modelo de
regresión MODIS AOT-PM 10 para el patrón sinóptico 2, que fue el más frecuente durante el
período propenso a la neblina de febrero a abril en el norte de Tailandia. El coe ciente de
correlación (0.71) entre MODIS AOT y 24 h PM 10 para el patrón 2 fue mayor que el caso de
suma global (para todos los patrones sinópticos), y la regresión lineal es estadísticamente
signi cativa.
El modelo de regresión MODIS AOT-PM 10 mejorado del patrón 2 se utilizó para convertir los
rangos de concentración de PM 10 de 24 h correspondientes de tres categorías de riesgo a los
valores MODOT AOT que posteriormente se utilizaron para el mapeo de riesgo de
exposición. El mapa de exposición de Chiangmai, la provincia más grande y poblada del
norte de Tailandia durante el mes de bruma más severo de marzo de 2007, mostró que las
zonas urbanas más pobladas de la provincia estaban bajo mayor riesgo de exposición a PM
10contaminación. Los incendios forestales intensivos en el área de estudio, indicados por
una gran cantidad de recuentos de puntos calientes, y las condiciones de viento en calma
fueron factores importantes que condujeron a los altos niveles de contaminación de PM,
por lo tanto, el alto riesgo de exposición en la provincia durante el período propenso a la
neblina. Los estudios futuros deberían cubrir un período de estudio más largo (más años) y
deberían analizar los per les de aerosoles verticales para explicar mejor la mejora de las
relaciones MODIS AOT y PM 10 en patrones sinópticos dados. Se deben considerar los
factores espaciales de la cobertura del suelo y los tipos de uso del suelo (área forestal, área
urbana, red de carreteras, ubicaciones de fuentes puntuales, etc.) para mejorar aún más los
modelos de regresión entre AOT y PM cuando un dominio más grande como el norte de
Tailandia y Se consideran áreas vecinas.
Se debe desarrollar un plan concreto para la atención de salud pública con sistemas de
alerta temprana para reducir la exposición de la población local durante los episodios de
turbidez. Se deben aplicar controles de emisiones más estrictos para todas las fuentes en el
mes de marzo, cuando se espera una alta frecuencia de presencia del patrón de aire
estancado (patrón 2: clima cálido y viento tranquilo) y un mayor potencial de incendios
forestales en el norte de Tailandia y los territorios circundantes.
Expresiones de gratitud
Todos los datos utilizados en el análisis se enumeran en las referencias y en la información
de respaldo . Especí camente, los autores desean agradecer al Departamento de Control de
Contaminación de Tailandia por proporcionar los datos de monitoreo del aire ambiente, el
Departamento de Meteorología de Tailandia para datos meteorológicos y los Datos del
Centro de Vuelo Espacial Goddard para datos MODIS. El agradecimiento también se
extiende al FIRMS Web Fire Mapper por proporcionar los datos de puntos calientes en línea.
Nos gustaría agradecer a Muhammad Zeeshan de la Universidad Nacional de Ciencias y
Tecnología de Islamabad, Pakistán, por su ayuda en la interpretación de los datos de
AERONET AOT para compararlos con MODIS AOT. Se reconoce especí camente la gran
ayuda de Dang Anh Nguyet y Didin Permadi Agustian, del grupo de investigación de calidad
del aire en AIT, en la revisión de las cifras.
Con icto de intereses

Los autores declaran no tener con ictos de interés relevantes para este estudio.
información de soporte 
Filename Description
gh231-sup-0001-Data_S1.pdf PDF document, 925.5 KB Supporting Information S1
Please note: The publisher is not responsible for the content or functionality of any supporting
information supplied by the authors. Any queries (other than missing content) should be directed
to the corresponding author for the article.
Referencias 
Abou‐Khadra, M. K. (2013), Association between PM10 exposure and sleep of Egyptian school
children, Sleep Breath., 17(2), 653– 657.
Crossref | PubMed | Web of Science® | Google Scholar
Brunekreef, B., and B. Forsberg (2005), Epidemiological evidence of e ects of coarse airborne
particles on health, Eur. Respir. J., 26(2), 309– 318.
Crossref | CAS | PubMed | Web of Science® | Google Scholar
Chiangmai Provincial Public Health O ce (CMPHO) (2008), http://www.chiangmaihealth.com ,

(accessed November 2015).
Google Scholar
Chudnovsky, A. A., P. Koutrakis, I. Kloog, S. Melly, F. Nordio, A. Lyapustin, Y. Wang, and J. Schwartz
(2014), Fine particulate matter predictions using high resolution aerosol optical depth (AOD)
retrievals, Atmos. Environ., 89, 189– 198.
Crossref | CAS | Web of Science® | Google Scholar
Co, H. X., N. T. Dung, N. T. Kim Oanh, N. T. Hang, N. H. Phuc, and H. A. Le (2014), Levels and
composition of ambient particulate matter at a mountainous rural site in Northern Vietnam,
Aerosol Air Qual. Res., 14, 1917– 1928.
Crossref | Web of Science® | Google Scholar
Dinoi, A., M. R. Perrone, and P. Burlizzi (2010), Application of MODIS products for air quality
studies over southeastern Italy, Remote Sens. (Basel), 2(7), 1767– 1796.
Engel‐Cox, J. A., C. H. Holloman, B. W. Coutant, and R. M. Ho (2004), Qualitative and quantitative

evaluation of MODIS satellite sensor data for regional and urban scale air quality, Atmos. Environ.,
38, 2495– 2509.
Engel‐Cox, J. A., R. M. Ho , R. Rogers, F. Dimmick, A. C. Rush, J. J. Szykman, J. Al‐Saadi, D. A. Chu,

and E. R. Zell (2006), Integrating lidar and satellite optical depth with ambient monitoring for 3‐
dimensional particulate characterization, Atmos. Environ., 40, 8056– 8067.
Engel‐Cox, J. A., N. T. Kim Oanh, A. Van Donkelaar, R. V. Martin, and E. Zell (2013), Toward the next
generation of air quality monitoring: Particulate matter, Atmos. Environ., 80, 584– 590.
Fann, N., A. D. Lamson, S. C. Anenberg, K. Wesson, D. Risley, and B. J. Hubbell (2012), Estimating
the national public health burden associated with exposure to ambient PM2.5 and ozone, Risk
Anal., 32(1), 81– 95.
Wiley Online Library | PubMed | Web of Science® | Google Scholar
FIRMS Web Fire Mapper (2008), https:// rms.modaps.eosdis.nasa.gov , (accessed 15 May 2012).
Google Scholar
Forest Fire Control Division (2011), http://www.dnp.go.th/forest re/2546/ restatistic%20Th.htm ,

(accessed 15 August 2015).
Google Scholar
Guo, J., X. Zhang, C. Cao, H. Che, H. Liu, P. Gupta, H. Zhang, M. Xu, and X. Li (2010), Monitoring haze
episodes over the yellow sea by combining multisensor measurements, Int. J. Remote Sens., 31,
4744– 4755.
Gupta, P., and S. A. Christopher (2008), Seven year particulate matter air quality assessment from
surface and satellite measurements, Atmos. Chem. Phys., 8, 3311– 3324.
Hopke, P., et al. (2008), Urban air quality in the Asian region, Sci. Total Environ., 404, 103– 112.
Hyer, E. J., J. S. Reid, and J. Zhang (2011), An over‐land aerosol optical depth data set for data
assimilation by ltering, correction, and aggregation of MODIS collection 5 optical depth retrievals,
Atmos. Meas. Tech., 4, 379– 408.
Kim Oanh, N. T., and K. Leelasakultum (2011), Analysis of meteorology and emission in haze
episode prevalence over mountain‐bounded region for early warning, Sci. Total Environ., 409,
2261– 2271.
Kim Oanh, N. T., et al. (2006), Particulate air pollution in six Asian cities: Spatial and temporal
distributions, and associated sources, Atmos. Environ., 40, 3367– 3380.
Kim Oanh, N. T., L. B. Thuy, D. Tipayarom, B. R. Manadhar, P. Pongkiatkul, C. D. Simpson, and L.‐J.
Liu Sally (2010), Source characterization of aerosol emission from eld burning of rice straw,
Atmos. Environ., 45(2), 493– 502.
Kim Oanh, N. T., P. Didin Agustian, N. H. Phuc, and Y. H. Zhuang (2012), Chapter 1: Current status
of air quality and management practices in Asian developing countries, in “ Integrated Air Quality
Management: Asian Case Studies”, edited by N. T. Kim Oanh, pp. 1– 60, CRC Press, Taylor and
Francis, Boca Raton, Fla.
Crossref | Google Scholar
Kim Oanh, N. T., N. Thanh Hang, T. Aungsiri, T. Worrarat, and T. Danutawat (2016),
Characterization of particulate matter measured at remote forest site in relation to local and
distant contributing sources, Aerosol Air Qual. Res., 16, 2671– 2684,
doi:10.4209/aaqr.2015.12.0677 .
Lee, H. J., Y. Liu, B. A. Coull, J. Schwartz, and P. Koutrakis (2011), A novel calibration approach of
MODIS AOD data to predict PM2.5 concentrations, Atmos. Chem. Phys., 11, 7991– 8002.
Li, J., and A. D. Heap (2008), A review of spatial interpolation methods for environmental scientists,
Geoscience Australia, Record, 2008/23.
Google Scholar
Li, L., J. Yang, and Y. Wang (2015), Retrieval of high‐resolution atmospheric particulate matter
concentrations from satellite‐based aerosol optical thickness over the Pearl River Delta Area,
China, Remote Sens. (Basel), 2015(7), 7914– 7937.
Liu, Y., J. Sarnat, V. Kilaru, D. Jacob, and P. Koutrakis (2005), Estimating ground‐level PM2.5 in the
eastern United States using satellite remote sensing, Environ. Sci. Technol., 39, 3269– 3278.
Liu, Y., M. Franklin, R. Kahn, and P. Koutrakis (2007), Using aerosol optical thickness to predict
ground‐level PM2.5 concentrations in the St. Louis area: A comparison between MISR and MODIS,
Remote Sens. Environ., 107, 33– 44.
Liu, Y., C. J. Paciorek, and P. Koutrakis (2009), Estimating regional spatial and temporal variability of
PM2.5 concentrations using satellite data, meteorology, and land use information, Environ. Health
Perspect., 117, 886– 892.
Mallet, M., J. C. Roger, S. Despiau, O. Dubovik, and J. P. Putaud (2003), Microphysical and optical
properties of aerosol particles in urban zone during ESCOMPTE, Atmos. Res., 69, 73– 97.
Malm, W. C., D. E. Day, and S. M. Kreidenweis (2000), Light scattering characteristics of aerosols as
a function of relative humidity: Part I—A comparison of measured scattering and aerosol
concentrations using the theoretical models, J. Air Waste Manag. Assoc., 50, 686– 700.
National Statistical O ce of Thailand (NSO) (2016), Thailand‐Population and Housing Census 2010.
[Available at http://www.ilo.org/surveydata/index.php/catalog/1127/accesspolicy . (Accessed Jan
2017).]
Google Scholar
O'Neill, N. T., T. F. Eck, A. Smirnov, B. N. Holben, and S. Thulasiraman (2003), Spectral

discrimination of coarse and ne mode optical depth, J. Geophys. Res., 108(D17), 4559,
doi:10.1029/2002JD002975 .
Wiley Online Library | Web of Science® | Google Scholar
Ostro, B., L. Chestnut, N. Vichit‐Vadakan, and A. Laixuthai (1999), The impact of particulate matter
on daily mortality in Bangkok, Thailand, J. Air Waste Manag. Assoc., 49, 100– 107.
Park, H. Y., S. Bae, and Y. Hong (2013), PM10 exposure and non‐accidental mortality in Asian
populations: A meta‐analysis of time‐series and case‐crossover studies, J. Prev. Med. Public Health,
46(1), 10– 18.
Crossref | PubMed | Google Scholar
Pollution Control Department (PCD) (2017), http://www.pcd.go.th , (accessed March 2017).

Google Scholar
Steinbach, M., G. Karypis, and V. Kumar (2000), A comparison of document clustering techniques,
Proc. Workshop on Text Mining, 6th ACM SIGKDD Int. Conf. on Knowledge Discover and Data
Mining.
Google Scholar
Sohrabinia, M., and A. M. Khorshiddoust (2007), Application of satellite data and GIS in studying air
pollutants in Tehran, Habitat Int., 31, 268– 275.
Sukitpaneenit, M., and N. T. Kim Oanh (2014), Satellite monitoring for carbon monoxide and
particulate matter during forest re episodes in Northern Thailand, Environ. Monit. Assess., 186,
2495– 2504.
Sapkota, A., A. P. Chelikowsky, K. E. Nachman, A. J. Cohen, and B. Ritz (2012), Exposure to

particulate matter and adverse birth outcomes: A comprehensive review and meta‐analysis, Air
Qual. Atmos. Health, 5(4), 369– 381.
Song, C., C. Ho, R. J. Park, Y. Choi, J. Kim, D. Gong, and Y. Lee (2009), Spatial and seasonal variations
of surface PM10 concentration and MODIS aerosol optical depth over china, Asia‐Pac. J. Atmos. Sci.,
45(1), 33– 43.
Web of Science® | Google Scholar
Tillett, T. (2012), Hearts over time: Cardiovascular mortality risk linked to long‐term PM2.5
exposure, Environ. Health Perspect., 120(5), a205.
Tsai, T., Y. Jeng, D. A. Chu, J. Chen, and S. Chang (2011), Analysis of the relationship between
MODIS aerosol optical depth and particulate matter from 2006 to 2008, Atmos. Environ., 45(27),
4777– 4788.
United Nation Environment Program‐World Meteorological Organization (2011), Integrated

Assessment of Black Carbon and Tropospheric Ozone, 249 pp., UNON/Publishing Services Section,
Nairobi.
Google Scholar
van Donkelaar, A., R. V. Martin, M. Brauer, N. C. Hsu, R. A. Kahn, R. C. Levy, A. Lyapustin, A. M.

Sayer, and D. M. Winker (2016), Global estimates of ne particulate matter using a combined
geophysical‐statistical method with information from satellites, models, and monitors, Environ. Sci.
Technol., 50(7), 3762– 3772, doi:10.1021/acs.est.5b05833 .
Wang, J., and S. A. Christopher (2003), Intercomparison between satellite‐derived aerosol optical
thickness and PM2.5 mass: Implications for air quality studies, Geophys. Res. Lett., 30(21), 2095,
doi:10.1029/2003GL018174 .
Wiley Online Library | CAS | Web of Science® | Google Scholar
Watson, J. G., and J. C. Chow (2002), Review of PM2.5 and PM10 apportionment for fossil fuel
combustion and other sources by the chemical mass balance receptor model, Energy Fuel, 16(2),
222– 260.
Weuve, J., R. C. Puett, J. Schwartz, J. D. Yanosky, F. Laden, and F. Grodstein (2012), Exposure to
particulate air pollution and cognitive decline in older women, Arch. Intern. Med., 172(3), 219– 227.
World Health Organization (WHO) (2003), Health aspects of air pollution with particulate matter,
ozone and nitrogen dioxide, Bonn, Germany 2003. [Available at
http://www.euro.who.int/__data/assets/pdf_ le/0005/112199/E79097.pdf , (Accessed February
2016).]
Google Scholar
World Health Organization (WHO) (2014), Air pollution estimates, 2014. [Available at
http://www.who.int/mediacentre/news/releases/2014/air‐pollution/en/ , (Accessed 20 February
2016).]
Google Scholar
Yahi, H., B. Marticorena, S. Thiria, B. Chatenet, C. Schmechtig, J. L. Rajot, and M. Crepon (2013),
Statistical relationship between surface PM10 concentration and aerosol optical depth over the
Sahel as a function of weather type, using neural network methodology, J. Geophys. Res. Atmos.,
118, 13,265– 13,281.
Wiley Online Library | CAS | Web of Science® | Google Scholar
Yap, X. Q., and M. Hashim (2013), A robust calibration approach for PM10 prediction from MODIS
aerosol optical depth, Atmos. Chem. Phys., 13, 3517– 3526.
Zhang, H., R. M. Ho , and J. A. Engel‐Cox (2009), The relation between moderate resolution
imaging spectroradiometer (MODIS) aerosol optical depth and PM2.5 over the United States: A
geographical comparison by U.S. environmental protection agency regions, J. Air Waste Manage.,
59(11), 1358– 1369.
Zeeshan, M., and N. T. Kim Oanh (2014), Assessment of the relationship between satellite AOD
and ground PM10 measurement data considering synoptic meteorological patterns and lidar data,
Sci. Total Environ., 473–474, 609– 618.
Zheng, J., W. Che, Z. Zheng, L. Chen, and L. Zhong (2013), Analysis of spatial and temporal
variability of PM10 concentrations using MODIS aerosol optical thickness in the Pearl River Delta
Region, China, Aerosol Air Qual. Res., 13, 862– 876.
Zhou, B., B. Zhao, X. Guo, R. Chen, and H. Kan (2013), Investigating the geographical heterogeneity
in PM10‐mortality associations in the China air pollution and health e ects study (CAPES): A
potential role of indoor exposure to PM10 of outdoor origin, Atmos. Environ., 75, 217– 223.
Citando literatura 
Volver arriba
  
PUBLICACIONES DE LA AGU
AGU.ORG
MEMBRESÍA AGU
RESOURCES 
PUBLICATION INFO 
© 2020 American Geophysical Union
Acerca de la biblioteca en línea de Wiley

Política de privacidad
Términos de Uso
Galletas
Accesibilidad
Servicio de asistencia
Contáctenos
Oportunidades
Agentes de suscripción
Anunciantes y socios corporativos
Conectar con Wiley

La red de Wiley
Sala de prensa de Wiley
Copyright © 1999-2020 John Wiley & Sons, Inc . Todos los derechos reservados

01 Art Esp TR 2017

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

01 Art Esp TR 2017

Cargado por

Copyright:

Formatos disponibles

28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…

GeoSalud / Volume 1, Issue 4

Artículo de investigación  Acceso Abierto    

Mapeo de la exposición a la contaminación por partículas durante el episodio

Ketsiri Leelasakultum , Nguyen Thi Kim Oanh 

Primera publicación:23 de mayo de 2017

regresión para el patrón 2 se utilizó para convertir 24 h PM 10rangos de escala de riesgo

Las partículas nas de PM 2.5 tienen el potencial de penetrar más profundamente en el

concentraciones de PM 10 (tanto fracciones nas como gruesas) muestra una fuerte

Hay esfuerzos crecientes para monitorear PM ambiental en muchos países. La mayoría de

La teledetección satelital es una herramienta para el monitoreo de MP que ha sido evaluada

representan los niveles de contaminación medidos en un solo punto ubicado a pocos

Especí camente, se ha demostrado que los parámetros meteorológicos, por ejemplo, la

Departamento de Control de la Contaminación (PCD) de Tailandia, no pudo proporcionar la

El objetivo principal de este estudio fue mejorar el modelo de regresión entre PM 10 y el

Abrir en el visor de guras PowerPoint

2.2 Recolección y análisis de datos

Este estudio utilizó el producto AOT del espectroradiómetro de imágenes de resolución

2.3 Efectos de los patrones sinópticos sobre AOT-PM 10 Relaciones

Las características meteorológicas promedio observadas en las estaciones meteorológicas

estudio anterior [ Kim Oanh y Leelasakultum , 2011 ]. A modo de ejemplo, en la Figura S4 se

2.4 Mapeo del riesgo de exposición a PM 10 para la provincia de

El mapeo de exposición se realizó para la provincia de Chiangmai, la provincia más grande y

Tabla 1. Resumen de los niveles de PM 10 (μg m −3 ) y AOT ‐ PM 10 Regresión con y sin

Parámetros Frecuencia Periodo promedio y Periodo promedio y AOT ‐ PM 10

Patrón 1 12% 43 ± 16 (93) 40 ± 15 (107) PM 10 = - (14.8 ±

55.4) AOT + (54.1 ±

Patrón 2 56% 137 ± 72 (396) 97 ± 54 (396) PM 10 = (128.9 ±

Patrón 3 8% 102 ± 38 (188) 79 ± 41 (249) PM 10 = (96.5 ±

relacionadas con la industria y la nubosidad.

3.1.2 Análisis de regresión sin considerar patrones sinópticos

Abrir en el visor de guras PowerPoint

3.1.3 Análisis de regresión con consideración de patrones sinópticos

Las condiciones meteorológicas del patrón 2, comúnmente presentaban una presencia de

viento en Chiangmai (Tabla S2 ). En este patrón, el promedio de PM 10 durante el período de

Dos patrones, el patrón 1 y el patrón 4, mostraron una reducción en los valores de R en

3.2 Mapeo de riesgo de exposición

Abrir en el visor de guras PowerPoint

El modelo de regresión entre MODIS AOT y 24 h PM 10 (usando datos de PM 10 de las cuatro

Tabla 2. Rangos de valores AOT correspondientes a 24 h PM 10 en niveles de riesgo bajo,

Escala No. Categoría 24 h PM 10 (μg m −3 ) AOT Límites superior e inferior a

1 Riesgo bajo 0-120 (moderado) 0-0.625

2 Riesgo medio 121–254 (no saludable) 0.626–1.665

3 Alto riesgo > 254 (muy poco saludable) > 1.665

Tabla 3. El área de diferentes niveles de riesgo de la provincia de Chiangmai y factores

Fecha 24 h PM 10 Área propensa al riesgo Viento Frecuencia Hot Spot Direccion

2 (176,191) 18,821 1,520 00 1.4 50 212 SO

3 (141,169) 18,061 2,280 00 0.9 54 122 E, W, SW

44 (184) 17,543 2,798 00 0.4 0.4 83 585 S

55 (240) 9.498 10,844 00 0.9 58 23 SSW

66 (213,219) 11,054 9.288 00 0.8 54 606 S

77 (127,159) 19,271 1,070 00 2.3 38 370 W

8 (150) 15,331 5,011 00 2,0 38 462 WSW

99 (129) 19,746 596 00 2,0 33 601 SO

10 (190,195) 4.960 15,345 37 1.0 50 244 WNW, WSW

El mapa de exposición del 13 de marzo, el día con un máximo de 24 h PM 10 y el área más

Abrir en el visor de guras PowerPoint

Con icto de intereses

gh231-sup-0001-Data_S1.pdf PDF document, 925.5 KB Supporting Information S1

Chiangmai Provincial Public Health O ce (CMPHO) (2008), http://www.chiangmaihealth.com ,

Engel‐Cox, J. A., C. H. Holloman, B. W. Coutant, and R. M. Ho (2004), Qualitative and quantitative

Engel‐Cox, J. A., R. M. Ho , R. Rogers, F. Dimmick, A. C. Rush, J. J. Szykman, J. Al‐Saadi, D. A. Chu,

Forest Fire Control Division (2011), http://www.dnp.go.th/forest re/2546/ restatistic%20Th.htm ,