Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Advertisement
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
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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 ].
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 2/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 3/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 4/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 5/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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 ].
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 6/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 7/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 8/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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).
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 9/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 10/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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 ].
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 11/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
R 2 = 0.02, N = 6, p
= 0.803
8.9)
R 2 = 0.51, N = 128,
p <0.0001
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 12/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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 .
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 13/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 14/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 15/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 16/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
aerosol para proporcionar una mejor explicación de la relación AOT-PM en cada patrón [
Zeeshan y Kim Oanh , 2014 ].
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 17/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
gura 3
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 18/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
un valores de AOT se obtuvieron utilizando el modelo de regresión para el patrón 2 (Tabla 1).
1 (173)
a 15,486 4,855 00 0.4 0.4 79 80 NNE, ENE,
ESE, S, SW
a Dos estaciones en Chiangmai; solo se presenta un valor si falta el otro. Los días con alto riesgo de exposición son
audaces.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 19/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 20/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
Figura 4
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 21/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 22/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
información de soporte
Filename Description
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
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 23/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
Crossref | Web of Science® | Google Scholar
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.
Crossref | CAS | Web of Science® | Google Scholar
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
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.
Crossref | Web of Science® | Google Scholar
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.
Crossref | CAS | Web of Science® | Google Scholar
Hopke, P., et al. (2008), Urban air quality in the Asian region, Sci. Total Environ., 404, 103– 112.
Crossref | CAS | PubMed | Web of Science® | Google Scholar
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 24/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
Crossref | CAS | Web of Science® | Google Scholar
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.
Crossref | CAS | PubMed | Web of Science® | Google Scholar
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.
Crossref | CAS | Web of Science® | Google Scholar
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.
Crossref | CAS | Web of Science® | Google Scholar
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 .
Crossref | Web of Science® | Google Scholar
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.
Crossref | CAS | Web of Science® | Google Scholar
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.
Crossref | Web of Science® | Google Scholar
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.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 25/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
Crossref | Web of Science® | Google Scholar
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.
Crossref | PubMed | Web of Science® | Google Scholar
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.
Crossref | CAS | Web of Science® | Google Scholar
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.
Crossref | CAS | PubMed | Web of Science® | Google Scholar
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
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.
Crossref | CAS | PubMed | Web of Science® | Google Scholar
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
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.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 26/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
Crossref | Web of Science® | Google Scholar
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.
Crossref | CAS | PubMed | Web of Science® | Google Scholar
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.
Crossref | PubMed | Web of Science® | Google Scholar
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.
Crossref | CAS | Web of Science® | Google Scholar
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 27/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
Crossref | CAS | Web of Science® | Google Scholar
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.
Crossref | PubMed | Web of Science® | Google Scholar
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.
Crossref | Web of Science® | Google Scholar
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.
Crossref | Web of Science® | Google Scholar
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.
Crossref | CAS | PubMed | Web of Science® | Google Scholar
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.
Crossref | Web of Science® | Google Scholar
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 28/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
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.
Crossref | CAS | Web of Science® | Google Scholar
Citando literatura
Volver arriba
PUBLICACIONES DE LA AGU
AGU.ORG
MEMBRESÍA AGU
RESOURCES
PUBLICATION INFO
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 29/30
28/4/2020 Mapeo de la exposición a la contaminación por partículas durante un episodio de neblina severa utilizando el modelo mejorado de r…
Servicio de asistencia
Contáctenos
Oportunidades
Agentes de suscripción
Anunciantes y socios corporativos
Copyright © 1999-2020 John Wiley & Sons, Inc . Todos los derechos reservados
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/2017GH000059 30/30