Qualité de l’air et impact sur la santé

Myrto Valari

National Exposure Research LaboratoryU.S. Environmental Protection Agency

• Thèse: LMD, Palaiseau, Oct 2009• Post-doc: U.S. EPA, Jan 2010-aujourd’hui

Sources Transport & Chimie Exposition Vulnérabilité Effet

sanitaire

Qualité de l’air Exposition Epidémio

• Contre la pollution de proximité, quelle source contrôler ?• Quel risque pour quelle population ?• Quel est l’effet des multi-polluants ?

Atmosphère Population Statistique/medicine

? ?

Effets à court termepopulation “fragile”

Effets à moyen terme population générale

jours d’exposition

Etat de l’art

Valari et al. 2011b

Décomposition en échelles temporelles

risque intégré,toutepop.

% C

han

gem

en

t d

e m

ort

alit

é p

our

10 µ

g/m

3

Vulnérabilité

Démographie

Pollution de proximité

Activités/transport

Normes nationales, européennes...

Modélisation de qualité de l’air

Epidémiologie

Contrôle d’émissions

Mitigation à moyen terme

Problématique scientifique

Analyse en ondelettes

Qualité de l’airModélisation à petite échelle‣ CHIMERE: 3km collab: LMD (L.Menut)‣ CMAQ: 1km collab: US EPA (ST Rao)‣ WRF: 1km collab: US EPA (R. Gilliam)

Modèle de proximité‣ CHIMERE: développement, validation

collab: LMD, INERIS (B.Bessagnet)‣ CMAQ: développement, validation en cours

collab: US EPA (R. Marthur, J.Pleim)

Valari et Menut 2008, Valari, Rao et al. (en préparation) Valari et Menut 2010

Exposition‣ INSEE: activité, transport collab: ORS, E.

Chatignoux‣ SHEDS: âge, logement collab: J. Burke, H.

OzkaynakValari, Chatignoux et al. 2011a

Epidémio

‣ Mortalité collab: ORS, InVS (C. Declercq)‣ Hospitalisations pour de causes respiratoires

collab: Emory University (J. Sarnat)

Valari, Crooks et al., 2011b

Atlanta, GA

Baltimore, MD

New Haven, CT Ile-de-France, FR

Recherche effectuée & en cours

Qualité de l’air à petite échelle

26 em october 2009 awma.orgCopyright 2009 Air & Waste Management Association

em • feature

by Panos Georgopoulos,UMDNJ – RWJ MedicalSchool and Environmentaland Occupational HealthSciences Institute (EOHSI);Sastry Isukapalli, UMDNJ– RWJ Medical School;Janet Burke, U.S. Environ-mental Protection AgencyNational Exposure ResearchLaboratory; Sergey Napelenok, U.S. Environ-mental Protection AgencyAtmospheric Modeling Division; Ted Palma andJohn Langstaff, U.S. Environmental ProtectionAgency Office of Air Qual-ity Planning and Standards;Mohammed Majeed,State of Delaware Depart-ment of Natural Resourcesand Environmental Control;Shan He, New Jersey Department of Environ-mental Protection Divisionof Air Quality; DaewonByun and Mark Cohen,National Oceanic and Atmospheric Administra-tion; and Robert Vautard,Laboratory of Climate andEnvironment Sciences(CEA/CNRS/UVSQ). Con-tact Panos Georgopoulos:panosg@fidelio.rutgers.edu.

Air Quality Modeling Needsfor Exposure Assessment from theSource-to-Outcome PerspectiveHumans are exposed continuously to mixtures of air pollutants. The compositionsof these mixtures vary with time and location and their components originate frommany types of sources, both local and distant, including industrial facilities, vehicles,consumer products, and more. Exposure characterization is often the weakest linkin the “source-to-outcome” sequence of processes and events affecting humanand ecological health risks from environmental pollutants (see Figure 1).

It is recognized1 that it is generally easier to char-acterize exposures for ecosystems than for humanpopulations, as in the latter case exposures can beparticularly sensitive to high-resolution spatial andtemporal variations in ambient concentrations andthe “micoenvironmental” adjustments imposed bya variety of indoor and outdoor settings (occupational,residential, recreational, commuting, etc.). Ultimately, quantifying inhalation exposures of humans to atmospheric contaminants, such as cri-teria air pollutants and air toxics, requires charac-terization of the air flow that enters the humanrespiratory tract, i.e. “personal air”. Assessing per-sonal air concentrations, in turn, requires charac-terization of concentrations in residential andoccupational microenvironments as well as at localneighborhood ambient scales. The constituents ofthe local outdoor air may originate from a varietyof distances, from regional to continental and beyond. Exposure modeling, therefore, involvesprocesses spanning a wide range of spatial andtemporal scales.

The last decade has seen an evolution in the practiceof exposure assessment, with the focus changingfrom considering potential exposures to a singlepollutant that would occur outdoors at a given location or across an area of concern, to “personoriented” multi-pollutant exposure assessments.Current assessments take into account the behav-ioral and physiological dynamics of contact withvarious contaminants, as individuals (actual or “virtual” in the case of computer simulations) movein different indoor and outdoor “microenviron-ments” while engaged in activities that determinerates of contact and uptake of multiple pollutants.To characterize inhalation intakes, airborne con-centrations of co-occurring pollutants have to bedetermined for each individual at the spatial andtemporal scales defined by the microenvironmentsand exposure activity events. This progress wasmade possible by the availability of enhanced computational modeling resources, widespreadGIS applications, new databases on human activi-ties, demographics, microenvironmental attributes,

Modèle1km

Expo100m

météo chimie

• Land-use• Canopée urbaine• Assimilation

12 14

10%

8%

12%

48 36 24 12 4

5%

0%

2%

Résolution du modèle (Km)

[O3]

Bia

is r

elat

if (%

)

14%

Campagne de mesuresMEGAPOLI...

ParamétrizationsUCP (COST)

Bases de donnéesINS, CORINE...

collab: AIRPARIF, INERIS, LISA

• Régime chimique• Emissions

Valari et al. 2008

CHIMERE

CMAQ

•Sensibilité aux données d’entrée

•Résolution du modèle vs. représentativité de la mesure

Mesure de profils verticaux

AIRPARIF, Jussieu

Large Eddy Simulations

collab: AIRPARIF

Modèle de proximité

RoutierMoyenneMesure

Valari et al., 2010

∂ci∂t

+ U j∂ci∂xj

= −∂(u�

jc�)

∂xj+Ei + P (ci) + L(ci) · ci −

(ci − c)

TmixParcs

Routier

Résidentiel

+ Traitement statistique des données

à haute résolution

+ Paramétrisation du mélange sous-maille

PM10 (µg/m3)

Variabilité verticale ?

Sources ponctuelles ?

!"#$%&'()*%+,-./,%0123-4%5-6-78-.%9*:*%;<17-=2>=0.23%?187@3-<%%%%

!"#$%&'#()*+),-./*#01234#5*6789:/*+#;*<=4>=?.,2/9<'7 >@AB7

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

Mélange sous-maille ?

plume-in-gridcollab: CEREA, ENPC

Description statistique de l'hétérogénéité de

surface

Modélisation stochastique du

mélange

Valari et al., 2011a

Risque pour différents co-polluants

Fraction de population

Niveaux d’exposition à NO2 µg/m3

Vulnérabilité: facteurs d’exposition

24

12

3

6

915

18

21

24

12

3

6

915

18

21

24

12

3

6

915

18

21

Maison

Travail

Transport

Activités/Transport

Risque

Vulnérabilité ?

Pollution de proximité ✓Démographie ✓ Activités/transport ✓

Niveau socio-économique ?Santé ?Logement ? Cartographie du risque

‣ par groupe de population‣ par type de pollutionSources: Observatoire de la qualité

de l’air intérieur, INSEE, InVs, ORS

Vulnérabilité Exposition

Rural

Mélange de pop.

Etat de l’art

Risque combiné

O3

PM

NO2

Risque désagrégé

ville

Projet 1: Pollution de proximité

Modèle de proximité

Simulation rétrospective : Europe 1990-2010

Emissions par secteur

Occupation du sol

Météo

Validation du modèle à l’échelle de l’Europe

Création d’une base de données de pollution de proximité

20 40 60 80 100

-0.2

-0.1

0.0

0.1

0.2

NO2

s(NO2,1.73)

Ex

cè

s d

e r

isq

ue

re

lati

f (%

)

[NO2] (µg/m3)Pollution [NO2] (µg/m3)

Plus de 40% de la population des grandes agglomérations réside ici [Health Effects Institute 2010]

Excès de mortalité (%)

Rural

??

TraficMoyenne

Projet 2: Intégration du modèle, Fonctions d’exposition-risque

Qualité de l’air Exposition Epidémio

Santé

• Mortalité respiratoire• Hospitalisations• Crises d’asthme

Projet 1) Pollution de proximité

Facteurs d’exposition

•Démographie• Transport• Logement• Niveau socio-économique

Fonctions d’exposition-risque de proximité

Cartographie 3-D de l’exposition et du risque

Collaborateurs: INERIS, InVS, ORS, Airparif

Modèle intégré

Projet GIS Climat-Environnement-Santé :“Air Pollution and Climate Change Health Impact Assessment”

Projet 3: Impact sanitaire de la pollution à l’horizon 2050

Projections

Climat Global

Climat régional

Modèle Intégré

Scénarios IPCC

Scénarios d’adaptation

Downscaling

Emissions régionales

Impact

• Facteurs d’exposition• Santé

Scénarios d’adaptation

Fonctions exposition-risque (Projet 1, 2)

Activités de modélisation et de service

1) Assurer et Coordonner la continuité du développement du modèlemaintenir le modèle à l’état de l’art technique et scientifique

Equipe CHIMERE- 1 IR CNRS- 1 CR CNRS- 1 IG INERIS

Technologie

- Veille : algorithmes, langages, parallélisation collab. D. Khvorostiyanov IR CNRS- Contrôle : méthodes statistiques de validation collab. H. Chepfer UPMC, LMD INTRO- Outils : post-traitement, visualisation

Recherche

Développement de processus, paramétrisations :- rétroactions + couplage • chimie-végétation CHIMERE-ORCHIDEE Projets MORCE-Med, CIRCE• chimie-météo CHIMERE-WRF nuages, aérosols, dynamique de la couche limite

- re-suspension des aérosols par la circulation routière- profil verticaux- mélange sous-maille

+ 1 CNAP

2) Mettre CHIMERE à disposition de la communauté, communiquer

Utilisateurs de CHIMERE

CNAPValorisation

Projets

Prev’Air(LMD/INERIS)

Site internetprévi opérationnelle

Liste utilisateurs

Formations,Workshops

- SALUT’AIR-APHEKOM

Santé et environnement(GIS)- prématurés + pollution- allergies + pollen- changement climatique-santé

Grand Public

Recherche

Travaux pratiques license et master

Modélisation de la qualité de l’airThéorie, simulations, validation

Modélisation du risqueConcept, mise en place des régressions, interprétation des résultatscollab. H. Chepfer, (Prof. UPMC) S. Turquety (MdC), J-C Dupont (CNAP)

Encadrement de stagiaires niveau master

Etudes de sensibilitéNouvelles paramétrisations, scénarios de contrôle d’émissions

Formation continue chercheurs et ingénieurs

- Journées de formation CHIMERE- Parcours d’initiation à la modélisation des concentrations de polluants

Projet d’enseignement