análisis de la relación entre el pm10 y las infecciones respiratorias ...
Transcript of análisis de la relación entre el pm10 y las infecciones respiratorias ...
1
ANÁLISIS DE LA RELACIÓN ENTRE EL PM10 Y LAS
INFECCIONES RESPIRATORIAS EN EL SECTOR MINERO DE LA
BAJA GUAJIRA COLOMBIANA
HELI ALFONSO ARREGOCES REINOSO
INGENIERO AMBIENTAL
MAESTRÍA EN INGENIERÍA (ÉNFASIS AMBIENTAL)
FACULTAD DE INGENIERÍA
UNIVERSIDAD DE ANTIOQUIA
MEDELLÍN
2016
2
ANÁLISIS DE LA RELACIÓN ENTRE EL PM10 Y LAS
INFECCIONES RESPIRATORIAS EN EL SECTOR MINERO DE LA
BAJA GUAJIRA COLOMBIANA
HELI ALFONSO ARREGOCES REINOSO
INGENIERO AMBIENTAL
TRABAJO PRESENTADO COMO REQUISITO PARA OPTAR AL
TÍTULO DE
MAGÍSTER EN INGENIERÍA
ASESOR
GLORIA RESTREPO
PROFESORA TITULAR, UNIVERSIDAD DE ANTIOQUIA
COASESOR
ROBERTO ROJANO
PROFESOR ASOCIADO, UNIVERSIDAD DE LA GUAJIRA
MAESTRÍA EN INGENIERÍA (ÉNFASIS AMBIENTAL)
FACULTAD DE INGENIERÍA
UNIVERSIDAD DE ANTIOQUIA
MEDELLÍN
2016
3
RESUMEN
Se estimaron las relaciones existentes entre las concentraciones de PM10 y las infecciones
respiratorias en el sector de la Baja Guajira Colombiana, debido a las actividades mineras de
explotación de carbón a cielo abierto. Se utilizó el modelo de dispersión CALPUFF como
herramienta para predecir las contribuciones de PM10 en los receptores ambientales seleccionados,
en un dominio de 150 Km por 150 Km con resolución de 1 km2. Los datos de eventos de salud
utilizados en este estudio se obtuvieron analizando las consultas externas y urgencias por
infecciones en las vías superiores respiratorias, reportados por 2 Instituciones Prestadoras de
Servicios de Salud (IPS). Se determinó el Riesgo Relativo de adquisición y prevalencia de la
enfermedad a través de un modelo de regresión. Además, se estimaron el índice de Inhalación
(fracción de emisión que es inhalada) para 10 receptores discretos que representan más del 70% de
la población total de la baja Guajira. El modelo de dispersión de PM10 mostro correlaciones
superiores a 0.72 entre las concentraciones predichas y las observadas. Los resultados muestran que
en receptores ambientales ubicados a 53.01 km desde las fuentes mineras las contribuciones de
PM10 está en el rango de 0.31-6.21 µg/m3 mostrando las magnitudes significativas de las emisiones
mineras. El modelo estadístico determinó que el riesgo relativo, en un radio menor a 6 km, oscila
entre 0.47-1.58% por cada µg/m3 de PM10 recibido con periodos de latencias entre el 6-9 día. Los
mayores valores de ingesta fueron determinados en receptores a menos de 16 km de la zona
industrial minera alcanzándose valores de hasta 0.342. Con supuestos epidemiológicos estándar
utilizados, la relación dosis- respuestas, se estimó que el 10.39% de los casos de infecciones
respiratorias que se registran están directamente relacionado con la explotación minera a cielo
abierto.
Palabras Claves: PM10, Infecciones respiratorias, Índice de Inhalación, Calpuff, Receptores.
4
ABSTRACT
We estimated the relationship between the concentrations of PM10 and respiratory infections in the
area of La Baja Guajira due to the operating activities of opencast coal. CALPUFF dispersion
model was used as a tool to predict the contributions of PM10 in a domain of 150 km by 150 km
with a resolution of 1 km2. With health event data, outpatient and emergency department for
respiratory infections in upper airway, reported by two institutions providing health services (IPS),
we determined the relative risk of acquiring and prevalence of the disease. We estimated the Intake
(fraction of emission is inhaled) in 10 discrete receptors representing more than 70% of the total
population. The PM10 dispersion model showed higher correlations, of 0.72, between predicted and
observed concentrations. The results show that in environmental receptors to 53.01 km from mining
sources the contributions it is in the range of 0.31-6.21 g/m3, showing significant quantities of
mining emissions. The statistical model determined that the relative risk, in less than 6 km radius,
ranging from 0.47-1.58% per µg/m3 of PM10 received with periods of latency between 6-9 days.
The higher intake values were determined recipients within 16 km from the industrial area mining
reaching values of up to 0.342. With standard epidemiological assumptions used, dose-response, it
was estimated that 10.39% of cases of respiratory infections that occur are directly related to the
open-pit mining.
Keywords: PM10, respiratory infections, Intake, Calpuff, Receptors
5
GLOSARIO
Calpuff: Es un avanzado e integrado sistema de modelado lagrangiano para la simulación de
procesos de dispersión de la contaminación atmosférica (Scire et al., 2000).
Índice de Inhalación (IF): Es la cantidad de ingesta de un contaminante con relación a las
emisiones dadas por una fuente. No es una característica fundamental de un contaminante sino que
depende de diversos factores que pueden influir en la ingesta total de una fuente. Cuando la fracción
de la ingesta se utiliza para estimar los riesgos, el supuesto implícito es que el efecto de la salud en
cuestión no es dosis-dependiente de la tasa y tiene una relación dosis-respuesta lineal en todo el
rango de las concentraciones ambientales de la región afectada. Sin embargo, el concepto en si no
se basa en estos supuestos y puede ser modificado de acuerdo con las evidencias de la salud (Tainio
et al., 2009; Levy et al., 2002)
Infecciones en las Vías Respiratorias Superiores (IRAs): se refiere a las enfermedades
localizadas en el tracto respiratorio superior: nariz, senos nasales, faringe o laringe. Es considerada
una de las principales causas de ausentismo laboral o escolar.
Infecciones Respiratorias Agudas: Son padecimientos infecciosos de las vías respiratorias con
evolución menor a 15 días. Constituyen un importante problema de salud pública, pues resultan con
la mortalidad más alta en el mundo. Los factores predisponentes más importantes se relacionan con
exposición ambiental, datos individuales y sociales (Bennett et al., 2014).
IPS: Instituto Prestador de servicios de Salud. En Colombia, estas instituciones prestan los servicios
médicos de consulta, hospitalarios y clínicos, y de cuidados intensivos. Una IPS es contratada por
las entidades promotoras de salud - EPS para que cumpla con los planes y servicios que estas
ofrecen (promueven) a sus usuarios.
PM10: Partículas con diámetro aerodinámico <10µm. Sus concentraciones son frecuentemente
usadas como el indicador para determinar las partículas en suspensión en el aire. América Latina es
considerada, a nivel mundial, una de las áreas donde se alcanzan altos valores de PM10 con
referencia a los estándares de referencias establecidos por la Organización Mundial de la Salud
(WHO., 2006). Por su tamaño, el PM10 es capaz de ingresar al sistema respiratorio del ser humano.
Históricamente, sus efectos han estado asociados a la exacerbación de enfermedades de tipo
respiratorio y más recientemente también se han analizado y demostrado sus efectos sobre dolencias
de tipo cardiovascular (Brunekreef et al., 2002).
Receptores Ambientales y Discretos: Son unidades definidas en espacio y tiempo con
características atribuibles cuyo objetivo esta direccionado a determinar variables de estados o
funciones definidas para el entendimiento de los procesos ambientales.
Riesgo Relativo (RR): En epidemiología, se denomina riesgo a la probabilidad de ocurrencia de un
evento, típicamente enfermar, es decir, la probabilidad de que un individuo, libre de enfermedad y
susceptible de ella por estar expuesto a algún factor, la desarrolle en un periodo determinado,
condicionada a que el individuo no muera a causa de otra enfermedad durante el periodo. Por lo
6
tanto el Riesgo Relativo expresa la razón o probabilidad de que ocurriera el evento (enfermedad) en
el grupo expuesto al factor. (Jiménez H., 2015; Knaus et al., 1991).
7
TABLA DE CONTENIDO
LISTA DE FIGURAS .......................................................................................................................... 9
LISTA DE ANEXOS ......................................................................................................................... 10
1. OBJETIVOS .............................................................................................................................. 11
1.1 Objetivo General ................................................................................................................ 11
1.2 Objetivos Específicos ......................................................................................................... 11
2. INTRODUCCIÓN ..................................................................................................................... 12
3. PLANTEAMIENTO DEL PROBLEMA .................................................................................. 13
4. MARCO TEORICO Y ESTADO DEL ARTE .......................................................................... 15
4.1 Modelación Atmosférica .................................................................................................... 19
4.2 Modelos De Regresión ....................................................................................................... 23
4.3 Índice De Inhalación .......................................................................................................... 25
5. METODOLOGÍA ...................................................................................................................... 30
5.1 Modelación Ambiental PM10 ............................................................................................. 30
5.1.1 Dominio de Modelación ............................................................................................. 30
5.1.2 Meteorología .............................................................................................................. 30
5.1.3 Topografía .................................................................................................................. 32
5.1.4 Inventario y factores de Emisiones ............................................................................ 32
5.1.5 Muestreo en receptores PM10 ..................................................................................... 35
5.1.6 Calibración y Validación ........................................................................................... 37
5.2 Modelo De Regresión ........................................................................................................ 38
5.3 Índice de Inhalación ........................................................................................................... 40
6. RESULTADOS .......................................................................................................................... 41
6.1 Modelación Atmosférica .................................................................................................... 41
6.2 Modelo de Regresión ......................................................................................................... 46
6.3 Índice de Inhalación ........................................................................................................... 49
7. DISCUSIÓN .............................................................................................................................. 52
8. CONCLUSIONES ..................................................................................................................... 57
9. REFERENCIAS ......................................................................................................................... 59
10. ANEXOS ............................................................................................................................... 67
8
LISTA DE TABLAS
Tabla 1. Estaciones en Superficie ............................................................................................... 31
Tabla 2. Identificación de Fuentes de PM10 ............................................................................... 32
Tabla 3.Ecuaciones Factores de Emisión .................................................................................... 34
Tabla 4. Localización Geográfica de los Receptores .................................................................. 35
Tabla 5. Clases de Estabilidad PGT-Zona Minera ...................................................................... 41
Tabla 6. Emisiones de PM10 ...................................................................................................... 42
Tabla 7. Índices estadísticos evaluación del Modelo Calpuff ..................................................... 45
Tabla 8.Número de eventos de salud RD1 y RD7 ...................................................................... 46
Tabla 9. Frecuencias Eventos por IRAs ...................................................................................... 47
Tabla 10. Estadísticos Índice de Inhalación ............................................................................... 49
Tabla 11. % IRA y CAAB .......................................................................................................... 51
9
LISTA DE FIGURAS
Figura 1. Elementos del programa del sistema de modelación .................................................. 22
Figura 2. Dominio de modelación.............................................................................................. 30
Figura 3. Mina a cielo abierto .................................................................................................... 31
Figura 4. Actividades Mineras ................................................................................................... 34
Figura 5. Receptores Ambientales ............................................................................................. 36
Figura 6. Receptores Discretos .................................................................................................. 40
Figura 7. Rosas de vientos ......................................................................................................... 41
Figura 8 .Patrones de Dispersión de los diferentes modelos ....................................................... 42
Figura 9. Serie de tiempo semanal de PM10 ............................................................................. 44
Figura 10. Modelación PM10 .................................................................................................... 46
Figura 11. Contribuciones PM10 - Eventos de Salud (RD1 y RD7) ......................................... 48
Figura 12. Índice de Inhalación en Receptores .......................................................................... 50
10
LISTA DE ANEXOS
Anexo 1. Modelación Meteorológica ................................................................................................. 67
Anexo 2. Resultados Modelos de Regresión - R Project ................................................................... 70
Anexo 3. Índice de Inhalación ........................................................................................................... 77
Anexo 4. Input Calpuff Model-Highlight .......................................................................................... 78
11
1. OBJETIVOS
1.1 Objetivo General
Analizar las relaciones existentes entre el material particulado PM10 y las Infecciones Respiratorias
en el sector minero de La Baja Guajira Colombiana, cuantificar el impacto ambiental directo
producto de la explotación minera de carbón a cielo abierto.
1.2 Objetivos Específicos
Modelar la dispersión de PM10 y predecir las contribuciones de PM10 en los receptores
seleccionados, utilizando el Calpuff para establecer escenarios de Impactos directos a través de un
análisis espacio-temporales del contaminante en la zona.
Estimar las relaciones entre las concentraciones de PM10 e indicadores de infecciones respiratorias
en la zona baja de la Guajira a través de un modelo de regresión.
Calcular los índices de fracción de inhalación de PM10 en la región de dominio y su asociación con
los índices de morbilidad estableciendo factores de riesgos de adquisición de enfermedades
respiratoria en la zona
12
2. INTRODUCCIÓN
Numerosos estudios epidemiológicos han encontrado una fuerte asociación entre la exposición al
material particulado y los efectos adversos a la salud (Yin et al., 2015; Forsen et al., 2015; Pope III
et al., 1992). Los efectos han buscado evaluar los múltiples riesgos asociados con la morbilidad y
mortalidad en zonas donde la calidad del aire se ha convertido en una problemática. Los riesgos
estimados van desde adquisición de cáncer, ingresos hospitalarios, días de pérdida de trabajo, días
de actividad restringida y pérdida escolar, hasta estimar las muertes prematuras (Bryniarski et al.,
2015; Wang et al., 2015; Shanley et al., 2015; Pope 3rd et al., 1999; Pope 3rd et al., 1995). La
minería a cielo abierto es una de las principales fuentes emisoras de partículas a la atmosfera,
especialmente PM10, dando la probabilidad de relaciones de dependencia entre los eventos de salud
a pobladores que se encuentran en el área de influencia. En el norte de Colombia, entre los
Departamento de Cesar y La Guajira, se explotaron en el 2014 aproximadamente alrededor de 81.6
Millones de Toneladas de carbón producto de la minería a cielo abierto. Lo que representa un
92.19% de la producción Anual del país (Minminas, 2015). Aunque los diferentes proyectos
mineros llevan más de 20 años en ejecución, no se han determinados sus impactos directos.
En el presente trabajo se realizó un análisis de los posibles impactos en la salud asociados con la
exposición a los niveles ambientales de PM10 procedentes de un complejo minero ubicado en el
sector de la Baja Guajira en el norte de Colombia. Se determinaron las relaciones de dependencia a
través de un modelo de regresión de Poisson y un índice de inhalación alimentado por las
concentraciones estimadas del modelo de dispersión Calpuff.
Se determinó el riesgo relativo de presentarse un evento respiratorio, urgencias o consultas médicas
por infecciones respiratorias agudas en las vías Superiores (IRAs), en 2 receptores discretos (RD)
ubicados a menos de 6 km de las fuentes mineras. La población dentro del dominio se determinó a
partir de las proyecciones de los datos del censo del 2005 realizado por el Departamento
Administrativo Nacional de Estadística (DANE). Se calculó el índice de Inhalación en todos los
centros urbanos con datos de entrada de los niveles de PM10 estimados en un dominio de 150 x 150
Km con resolución de 1 km2 a partir del modelo de dispersión. Se determinó la probabilidad de
eventos respiratorios en todos los centros urbanos ubicados debido a la exposición de las emisiones
directas de las fuentes mineras. Las estimaciones de los efectos en la salud se basaron en funciones
concentración-respuesta derivada de estudios epidemiológicos publicados relacionados con los
cambios en las concentraciones ambientales, la población afectada y las tasas de incidencia de
referencia.
Los resultados del estudio permiten avances en la determinación de los impactos ambientales de la
minería a cielo abierto en Colombia y de fundamentación en estudios toxicológicos en el área de
estudio.
13
3. PLANTEAMIENTO DEL PROBLEMA
Actualmente, es perceptible el incremento en la demanda de energía en relación con el rápido
crecimiento de las industrias y las necesidades de las poblaciones en todo el mundo. Aunque hubo
una disminución en el uso energías convencionales durante la última década, el carbón sigue siendo
una fuente primaria de producción de energía (Demanda Mundial Energética, 2013).
Colombia es el primer productor de carbón de América Latina, de las cuales las empresas mineras
ubicadas en el norte, departamentos del Cesar y La Guajira, aportan aproximadamente el 92.19% de
la producción anual convirtiéndose en la principal zona productora de obtención de carbón térmico
en el país. Las proyecciones y tendencia de producción son crecientes, lo que implica aumento de
cada una de las actividades en el proceso de exploración, explotación y transporte del producto lo
que lleva inherente el impacto significativo sobre medio ambiente (MInminas, 2015).
Existe una relación de dependencia entre las actividades de operación minería y la emisión de
partículas al medio ambiente. Diferentes estudios han mostrado las relaciones existentes entre los
contaminantes atmosféricos, específicamente partículas menores de 10 micras (PM10), y su efecto
sobre la salud en los seres humanos en cercanía a zonas de influencia minera (Hendryx et al., 2007;
Qu et al., 2007; Howel et al., 2001; Brabin et al., 1994).
Hendryx et al. (2008) observaron un aumento de enfermedades respiratorias del 33% en los niños
que vivían a una milla de una mina de carbón a cielo abierto, un aumento acumulado de 21% a dos
millas e incluso hasta un 12% en menos de tres millas. Otros resultados muestran que cuando la
producción de carbón se incrementa, las tasas de las enfermedades cardiopulmonares, pulmonares,
cardiovasculares, renales y la diabetes aumentan (Hendryx and Zullig, 2009). Qu et al. (2007)
determinaron que la proporción de los casos reportados incluía congestión del pecho (92,9%), tos
crónica (73,9%), y producción de flema (62,5%).
Por otro parte, un aumento de 10 microgramos por metro cúbico en las concentraciones de las
partículas finas se ha asociado con una disminución estimada de la esperanza de vida de 80 a 60
años (Pope, 2006). La probabilidad de hospitalización por enfermedad pulmonar obstructiva crónica
aumentó 1% por cada 1462 toneladas de carbón, según estudios realizados en minas en Estados
Unidos (Hendryx et al., 2007).
A nivel regional, se ha puesto atención al problema de la contaminación atmosférica a raíz de las
actividades mineras, debido a las múltiples quejas de los habitantes en las zonas de influencia de
operaciones, que alegan ser afectados por el polvillo proveniente de las minas. Esta afirmación es
un agravante al contemplar la notificación por parte de las entidades territoriales sobre los casos de
enfermedades respiratoria agudas al ministerio de salud (MinSalud, 2013). A pesar de que los
registros de emisiones de partículas de los muestreadores de la red de monitoreo de aire están dentro
de los límites estipulados por las regulaciones nacionales e internacionales, es evidente el efecto
sobre poblaciones cercanas ubicadas vientos abajo del proyecto.
14
Según informes de la secretaría de salud de la zona, la principal causa de morbilidad es la infección
respiratoria aguda que se manifiesta principalmente en población infantil (Salas, 2004). Aunque no
se han determinado estas relaciones con los efectos del proyecto, se presume que podría haber algún
tipo de causalidad producto de las actividades minera. Las Infecciones Respiratorias Agudas (IRA)
fueron la segunda causa de morbilidad y la primera causa por consultas externas e ingresos por
urgencias en la zona en los últimos años (MinSalud, 2013).
Actualmente, las empresas mineras de la zona están usando como herramienta de modelación y
planeación el AERMOD. En estado estacionario los modelos de dispersión no consideran las
variaciones temporales y espaciales en la dirección de transporte de la pluma, ni limitan el
transporte a favor del viento de un contaminante que se dispersa en función de la velocidad del
viento y el tiempo de viaje. Debido a estas limitaciones, los modelos de dispersión convencionales,
tales como el AERMOD, no se consideran adecuados para predecir los impactos de calidad del aire
en los receptores ubicados a más de 50 km de una fuente de emisión y en terrenos complejos (EPA,
2000). De esta manera, las modelaciones usadas en la minería a cielo abierto del norte de Colombia,
no han podido estimar el impacto ambiental de la minería más allá de su zona de influencia.
Por ende, la EPA designó al modelo de dispersión CALPUFF como modelo preferido (Appendix A
to W of 40 CFR 51, Summaries of Preferred Air Quality Models) para estimar el impacto sobre la
calidad del aire para el transporte de largo alcance (distancias fuente-receptor de 50 a varios cientos
de kilómetros) de las emisiones de fuentes puntuales, de volumen, de área y de línea. Dicho modelo
permite mayor exactitud al determinar los efectos de las diferentes emisiones asociadas a una
actividad en particular y relacionar con indicadores de salud pública.
En el norte de Colombia hasta la fecha, no se han realizado estudios de aplicación de modelos de
dispersión a mesoescala (Impactos regionales) en áreas intervenidas por minería de carbón a cielo
abierto, a diferencia de zonas urbanas y rurales de muchas ciudades y poblaciones alrededor del
mundo donde existe una amplia cantidad de artículos científicos que ilustran el uso de esta
herramienta, sobre todo en zonas alteradas por actividades de transporte e industriales, diferentes a
la minería de carbón.
De lo expuesto anteriormente surgen las siguientes cuestiones, ¿Cómo es la distribución espacio-
temporal del contaminante PM10 en el sector de la baja Guajira?, ¿Cómo se relacionan las
concentraciones de PM10, producto de la actividades minera del Cerrejón, en la adquisición y
prevalencia de Infecciones Respiratorias en los habitantes del sector de la baja Guajira colombiana?,
¿Cómo están determinados los factores de riesgos ambientales y demográficos en subgrupos de la
población, especialmente niños y personas de edad avanzada, aun cuando se alcancen los niveles
máximos permisibles contemplados en la normatividad colombiana?
15
4. MARCO TEORICO Y ESTADO DEL ARTE
Las minas de carbón de superficies o a cielo abierto tienen diferentes características que pueden
influir en las tasas de emisión de polvo fugitivo en las operaciones, a saber la costura de
recubrimiento, la estructura y espesor del carbón, los equipos de minería, los procedimientos
operativos, el terreno, la vegetación, la precipitación, la humedad de la superficie, la velocidad del
viento y la temperatura. Este material fugitivo es transportado viento abajo de las fuentes de
emisión e interactúa con las comunidades aledañas. La exposición de la salud humana a los
contaminantes, especialmente el material particulado, ha sido investigada extensivamente y ha sido
asociada con el incremento en la morbilidad y mortalidad (Brunekreef, 2002; Pope, 2006). La
minería de carbón a cielo abierto generan mayor impacto al medio ambiente que la minería
subterránea; debido a que, las minería a cielo causan mayor deterioro a la calidad del aire debido al
material particulado (Ghose, 2007). Actualmente, la explotación de minas es considerado un
problema emergente de salud pública con pocas evaluaciones formales del impacto en la salud a
pesar de las preocupaciones ampliamente reconocidos por los posibles efectos adversos (Liu et al.,
2013).
Las comunidades en zona de influencia y poblaciones cercanas sufren efectos adversos debido a la
emisión de partículas producto de las operaciones minera a cielo abierto. Dick (2008) concluyó que
el material particulado fino y ultra fino causa un aumento en el asma en las personas. Hendryx et al.
(2008) observaron un aumento de enfermedades respiratorias del 33% en los niños que vivían a una
milla de una mina de carbón a cielo abierto, un aumento acumulado de 21% a dos millas e incluso
hasta un 12% en menos de tres millas. Otros resultados muestran que cuando la producción de
carbón se incrementa, las tasas de las enfermedades cardiopulmonares, pulmonares,
cardiovasculares, renales y la diabetes aumentan (Hendryx and Zullig, 2009). Qu et al. (2007)
estimaron los síntomas respiratorios de silicosis en mineros y poblaciones adyacentes debido a la
exposición de polvo, determinando que la proporción de los casos reportados incluía congestión del
pecho (92.9%), tos crónica (73.9%), y producción de flema (62.5%).
Diversos estudios sugieren que las enfermedades que afectan a poblaciones cercanas a la zona de
producción mineras están relacionadas por la composición y las concentraciones de material
suspendido en el ambiente; donde este se compone típicamente de una mezcla compleja de
productos químicos que es fuertemente dependiente de características de las fuentes de emisión y
sus efectos son tangibles al entrar en exposición los seres humanos. La exposición a PM10 se
correlaciona significativamente con muchas de las causas de mortalidad (Aneja et al., 2012).
Las poblaciones más vulnerables son los niños que viven en comunidades cercanas a yacimientos
mineros. Un estudio realizado al norte de Inglaterra determinó que los eventos de enfermedades
respiratorias registradas mostraban una relación dependiente con los niveles de PM10, y su relación
es más fuerte en minas de carbón a cielo abierto; Las asociaciones encontradas entre los niveles
diarios de PM10 y los síntomas respiratorios en la población fueron con frecuencias pequeñas y
positivas, estas relaciones están dadas por aparecimientos de asma y consultas clínicas (Howel et
16
al., 2001). Un aumento de 10 microgramos por metro cúbico en las concentraciones de las
partículas finas se ha asociado con una disminución estimada de la esperanza de vida entre 80 a 60
años (Pope, 2006). Entre los distintos contaminantes del aire, el material particulado muestra fuerte
evidencia de efectos adversos en la salud (Pope, 2009). Con relación a los infantes pertenecientes a
las poblaciones que viven en influencia en zona minera, Howel et al. (2001) encontró que el mayor
motivo de consultas fue por infecciones en vías respiratorias, piel y problemas oculares (2.1 frente a
1.5 por persona/año; OR = 1.4; 95% IC); específicamente, en condiciones respiratorias fueron
relevantes los resultados al evidenciar una tendencia anual (1.5 frente a 1.1 por persona/año OR =
1.5; 95% IC).
Los estudios ecológicos revelan las incidencias en los síntomas respiratorios de los escolares, en
zonas expuestas al polvo de carbón en un radio de 2 km, comparándolo con los escolares que viven
en zonas sin la influencia de este. Los síntomas respiratorios fueron significativamente más
comunes en la zona expuesta, incluyendo sibilancias (25-0, 20-6, y el 17-5%), exceso de tos (40-0,
23-4, y 25-1 %), y ausencias escolares para los síntomas respiratorios (47-5, 35-9 y 34-9%); estas
diferencias siguen siendo significativas, incluso si los grupos se subdividieran, en función acentuada
por tabaquismo en los padres de los niños de la zona de estudio (Brabin et al., 1994). Por otro lado,
un amplio estudio internacional en ocho Países europeos sobre enfermedades respiratorias crónica
en los niños en relación con la contaminación del aire coordinado por la Organización Mundial de
la Salud mostró claramente una asociación entre la contaminación del aire y diversos índices
respiratorios en los niños (tos, dificultad para respirar, bronquitis) (Colley, 1980).
La exposición de las poblaciones a partículas generadas por las actividades mineras puede estar
vinculadas a un mayor riesgo de enfermedad pulmonar obstructiva crónica (EPOC). La probabilidad
de hospitalización EPOC aumentó 1% por cada 1462 toneladas de carbón según estudios realizados
en minas de carbón en Estados Unidos (Hendryx et al., 2007). Además, se encontró que hubo
efectos negativos significativos relacionados entre la producción de carbón y la hospitalización por
cáncer de pulmón y enfermedad renal. Dicho estudio está limitado por diferentes variables que no
se tuvieron en cuenta, restringiendo la elaboración de una relación causal definitiva entre los casos
de hospitalización y las actividades de extracción de carbón; el ajuste incluyó un conjunto de
indicadores demográficos y espaciales excluyendo variables que tienen un efecto atribuible a
deteriorar el estado de salud. Dentro de esta categorización están el hábito de fumar y el grado de
obesidad de los individuos.
La investigación cuantitativa de consecuencias para la salud en proximidades residenciales a la
minería de carbón no solo está relacionada con enfermedades respiratorias, sino también con
enfermedades cardiopulmonares, cardiovasculares, diabetes y renales. El tipo de enfermedad está
asociada con el tamaño de partículas del ambiente (Hendryx et al., 2008). También, la variación
composicional de los estratos de roca en diferentes zonas de trabajo de las minas determina la traza
de metales y compuestos que pueden causar efectos adversos a la salud (Kumari et al., 2011).
Hajat (2002) enfatizó sobre las infecciones respiratoria aguda superior (IRAs) en Inglaterra,
encontró que “las asociaciones más fuertes se encontraron en el caso de un percentil 10-90% con
cambios (16 a 47 μg/m3) en las partículas finas (PM10) en personas de edad avanzada y en niños
17
principalmente en los meses de invierno para estos dos grupos de edad, y en los meses de verano
para adultos de 15-64 años”. Rosales et al. (2001) a través de un metanálisis concluyen que entre los
efectos de PM10 cabe destacar el efecto en la mortalidad (0.96%), hospitalizaciones (1.39%), visitas
a salas de urgencias (3.11%), síntomas respiratorios (7.72%), parámetros de función pulmonar baja
(1.42%), capacidad vital forzada (CVF) y días de actividad restringida (7.74%). Alteraciones
fisiopatologías por cambios en la función pulmonar han sido observada en niños o personas con
enfermedades preexistentes.
Por otro lado, Dassen et al., (1986) describen un deterioro en la función pulmonar en niños con
relación a un episodio agudo de contaminación por PST, cambios que persistieron hasta por 16 días.
Ostro et al., (1999) con un estudio de análisis de series de tiempo y regresión múltiple, encontraron
una asociación significativa entre PM10 y consultas por infecciones en una zona influenciada por un
alto flujo vehicular, donde un cambio de 50 µg/m3 en PM10 se asoció con un aumento de 4-12% en
lactantes y de 3-9% en infantes en ingresos a centros de salud por infecciones respiratorias. Otro
estudio, en la misma zona, demostró que un aumento de 45µg/m3 de PM2.5 se relacionaba con un
aumento del 2.7% en ingresos por urgencia y del 6.7% por infecciones respiratorias crónicas con
tres días de retraso por consultas prioritarias (Ilabaca et al., 1999).
En zonas de influencia directa por minería a cielo abierto, Hendryx et al. (2007) relaciona el número
de hospitalización coligada a la producción minera para la cual propone un análisis retrospectivo
utilizando modelos lineales jerárquicos, controlando por la edad del paciente, sexo, pobreza y el
capital social al que pertenecen. Además, Hendryx (2008), determino que las tasas de mortalidad
fueron más altas en las zonas de extracción de carbón pesado que en zonas donde no existe o hay
poca minería, luego de ajustar el modelo con variables que considera los efectos del tabaquismo, la
educación, la raza / etnia y zonas rurales o urbanas. Después del ajuste de covarianza, el coeficiente
de 41.39, para el efecto de la minería medido en toneladas se traduce en un incremento de 1607
muertes anuales en las zonas de extracción inferidas a través de análisis realizados con datos
recogidos en un rango de 25 años.
Los estudios de tipo transversales que consideran los impactos de las minas a factores de salud
pública pueden presentar varias limitaciones que pueden aumentar el error en los resultados de la
variable respuesta y atribuir tales efectos a la minera. En primer lugar, variables no medidas, tales
como el hábito de fumar, que por la complejidad del estudio o limitaciones de recursos no son
incluidas en el análisis. En segundo lugar, la tasa de respuesta a las encuestas en caso de que se
aplicase. En tercer lugar, distancias exactas de las comunidades al área fuente más próxima.
Además, factores genéticos asociados. Aunque que, las enfermedades que se asocian con el efecto
del carbón y el material suspendido están ampliamente apoyados en la literatura en la hipótesis que
el riesgo aumenta con la exposición al mineral y sus actividades relacionadas (Hendryx et al.,
2008).
Reyna et al. (2003), sugieren para analizar los efectos de PM10 en poblaciones un estudio de series
de tiempo basándose en un modelo de regresión de Poisson, series temporales, para obtener
coeficientes de relación cruzadas entre las series de tiempos de las enfermedades respiratorias y
entre las series de tiempo de las variables meteorológicas incluyendo el contaminante.
18
De acuerdo con Romero et al. (2004), un estudio ecológico de serie de tiempo que busque
identificar la relación que guardan los índices de morbilidad con los cambios diarios en los niveles
de contaminación atmosférica debería considerar las siguientes variables: fecha y tipo de consulta
(primera vez o subsecuente), edad del paciente, domicilio particular, zona de residencia (<5 km de
las estaciones de monitoreo), diagnósticos de consulta, indicadores meteorológico y niveles de
concentración de los contaminantes. De igual forma, propone como técnica alternativa la regresión
binomial negativa, la cual es una generalización de la regresión Poisson, en caso de que alguna
variable muestre una sobredispersión utilizando medias móviles de cinco días para periodos de
latencias y efectos acumulados.
Ghose (2007ª) y Ghose y Banerjee (2008) utilizaron la técnica de análisis fractal para evaluar la
contribución de los contaminantes atmosféricos en la calidad del aire y los efectos después de la
dispersión hacia los alrededores. Hendryx et al. (2008) utilizo un análisis mediante regresión
múltiple de Poisson con una función de enlace de registro para la prueba de la asociación entre la
residencia en las zonas de extracción de carbón y las tasas de mortalidad y enfermedad con el
control de las covariables. La variable independiente principal de interés fue una medida categórica
de la minería del carbón con la exposición con cuatro niveles: lugar donde no hay minería, el área
geográfica donde no hay minería, minería en la zona hasta 4 millones de toneladas y minería en la
zona con más de 4 millones de toneladas de producción. Dentro de las infecciones respiratorias se
incluyeron de tipos crónicas y agudas, los resultados fueron relevantes al constatar que la influencia
de la actividad afecta significativamente a las enfermedades de tipo crónico. Brabin et al. (1994)
sugirieron que para determinar la incidencia de unas variables sobre una población (zona expuesta)
es necesario tener un punto de comparación (zona control).
Con el propósito de reducir el tiempo de muestreo representativo, diversos autores sugieren un
estudio de series de tiempo basándose en un modelo en la regresión de Poisson (Aneja et al., 2012;
Steenis, 2008; Hendryx, 2008; Qu. et al., 2007; Howel et al., 2001), los análisis de series temporales
ayudan a interpretar el registro de las variables de componentes de variaciones estacionales por
periodos cortos, extrayendo información representativa, tanto referente a los orígenes o relaciones
subyacentes con la posibilidad de extrapolar y predecir su comportamiento futuro.
Para fines de establecimiento de las relaciones existentes en las concentraciones de PM10 y la
adquisición y prevalencia de infecciones respiratoria, diversos investigadores han establecido en sus
modelos y técnicas la estimación de las concentración determinada al monitorear la zona con
equipos gravimétricos o semiautomáticos (Pope, 2009; Banerjee, 2008;Steenis, 2008; Hendryx,
2008; Qu. et al., 2007; Bindhulal et al., 2007; Romero et al., 2004; Reyna et al., 2003; Hajat A.,
2002; Brabin et al., 1994). El uso de herramientas de modelación permite determinar las
concentraciones en espacio y tiempo en zonas donde la ponderación por equipos de campo aumenta
las probabilidades de error. De hecho, el análisis de este tipo de estudio con estas herramientas
informáticas admite la inclusión de zonas mayores y alejadas de las fuentes de emisiones.
19
4.1 Modelación Atmosférica
Estudios han empleado como herramienta de modelación AERMOND con el objeto de estimar las
concentraciones en áreas receptoras cercanas a zonas mineras (Rodríguez et al., 2014; Cerrejón,
2013; Huertas et al., 2012). La Agencia de Protección Ambiental (EPA) propone como modelo de
dispersión idóneo el CALPUFF por su capacidad de manejar componentes de vientos
tridimensionales y estimar la calidad del aire a largas distancias de las fuentes (Appendix A to W of
40 CFR 51, Summaries of Preferred Air Quality Models). Además, instituciones británicas lo
recomiendan por su resolución a escala local en zonas de terrenos complejos (B.C. Ministry of
Environment, 2008). Otros modelos generan mayores incertidumbres al predecir los mecanismos de
transferencias de los contaminantes en los receptores ubicados a más de 50 km de una fuente.
El CALPUFF tiene la capacidad para tratar variables en el tiempo y espacio en fuentes de área,
idoneidad para los dominios de modelado de decenas de metros a cientos de kilómetros de una
fuente, predicción para promediar tiempos que van desde una hora hasta un año, aplicabilidad a
contaminantes inertes y eliminación lineal y química con mecanismo de conversión y la
aplicabilidad en condiciones de terrenos complejos (USEPA, 1998).
En un estudio donde se buscó determinar el rendimiento de la predicción de contaminantes entre
modelos estacionarios (AERMOND e ISC2) y no estacionarios (CALPUFF), los resultados
mostraron que los modelos no estacionarios son más adecuados para la reconstrucción de la dosis y
el transporte a larga distancia. Además, registraban menor varianza, alta correlación, y mayor
número de predicciones de concentraciones diarias (Rood A., 2014).
En las validaciones de tasas de emisión de PM10 de un complejo industrial y varias carreteras, el
CALPUFF ha mostrado una capacidad aceptable de predecir las concentraciones de una zona
utilizando factores de emisión publicados por la EPA y la Agencia de Medio Ambiente de la Unión
Europea (AEMA), reduciendo actividades de campos con métodos convencionales y ha mostrado
gran confiabilidad (Ghannam et al., 2013). Por ende, el modelo permite la aplicabilidad de opciones
de reducciones de emisiones frentes a escenarios propuestos importantes en la toma de decisión
(Barna et al., 2002).
Levy et al. (2002a) utilizaron el modelo Calpuff para cuantificar los posibles beneficios para la
salud en la reducción de emisiones a un conjunto de nueve plantas de energía en Illinois, estimando
las contribuciones adicionales de las plantas de energía a las concentraciones ambientales con una
precisión razonable a largas distancias. Además, aplico el modelo de dispersión atmosférica con
datos meteorológicos derivados del modelo de ciclo de actualización rápida de la National Oceanic
and Atmospheric Administration (NOAA). El grado de incertidumbre en modelado atmosférico no
mostró cambios sobre la incertidumbre total asociada a efectos sobre la salud. El análisis demostró
un enfoque que es aplicable en cualquier lugar donde se evalúen origen o relaciones de
enfermedades de salud pública o la perspectiva de costo-beneficio para una población. Es
importante resaltar que, el modelo estimó que aproximadamente el 40 % total de las partículas
primarias está situado a 50 km de las plantas de energía, con valores que van desde 3% a más del
20
80% a través de estas. Otro 30% de la exposición total se produce entre 50 y 200 km, mientras que
el resto va más allá de 200 kilómetros; la estimación central de un aumento del 0.5% en el riesgo de
mortalidad prematura por cada mg/m3 promedio anual es producto del aumento de las
concentraciones de material particulado derivado de la simulación.
La capacidad del modelo debe proporcionar información útil para la evaluación de la exposición en
áreas topográficas complejas y condiciones meteorológicas que presentan mucha variabilidad a lo
largo del día, propio en áreas mineras comprendidas en regiones geográficas ubicadas en zona
tórrida, para proporcionar un análisis fiable de las evaluaciones de riesgos. Macintosh et al., (2010)
utilizaron el CALPUFF para evaluar la exposición en un ambiente de terrenos complejos y encontró
fuertes correlaciones, desde 0.77 a 0.98, en concentraciones y velocidades de deposición en metales.
Estos hallazgos demuestran que, CALPUFF puede proporcionar predicciones razonablemente
precisas de los patrones de deposición de contaminantes atmosféricos a largo plazo en el campo
asociado a las emisiones de una fuente discreta en terreno con variabilidad en el relieve y en las
geomorfología. Como las estimaciones de deposición son calculadas como una función lineal de
concentraciones en el aire, se espera que las estimaciones del modelo sean fiables en ambiente de
campo cercano en terreno complejo también.
Por otro lado, Yao et al. (2011) para validar la aplicación del CALPUFF en terrenos complejos a
corto alcance, realizaron un experimento con trazadores en un entorno de terreno complejo de
campo cercano para simular las condiciones reales. Sus resultados muestran que el modelo puede
predecir correctamente la trayectoria del centroide y la forma del penacho del trazador, y los
resultados también indicanron que los datos del tiempo observado suficiente sólo pueden desarrollar
un campo de viento bueno para campo cercano.
Un estudio de PM10 en Beijing, China mostró correlaciones altas de los datos observados y
modelados presentando la aplicabilidad del mismo (Yanga, 2007). Incluso el modelo ha sido
utilizado en diversos estudios para estimar concentración de diferentes contaminantes como SO2 y
NOx, además de emisiones de olores, mostrando incertidumbres bajas (Hezhong et al., 2013;
Ranzato et al., 2012). El modelo permite determinar el índice de fracción de admisión para
diferentes contaminantes en cada grilla según los escenarios propuestos.
Huertas et al., (2012) utilizó los modelos ISC3 y AERMOD para determinar el impacto ambiental
en las minas de carbón a cielo abierto del Cesar, departamento que limita con La Guajira ubicado al
norte de Colombia. Los resultados de Huertas mostraron alta correlación entre los resultados
obtenidos y los datos medidos por las estaciones de la red de calidad de aire.
En estado estacionario, los modelos de dispersión no consideran las variaciones temporales y
espaciales en la dirección de la pluma, ni limitan el transporte de un contaminante en función de la
velocidad del viento y el tiempo de permanencia en la atmosfera. Debido a estas limitaciones, los
modelos de dispersión convencionales, tales como el AERMOD, no se consideran adecuados para
predecir los impactos de calidad del aire en los receptores ubicados a más de 50 km de una fuente
de emisión (EPA, 2000). Por esta razón, la modelación usada en la minería a cielo abierto en el
21
norte de Colombia, no han podido estimar el impacto ambiental y de salud más allá de su zona de
influencia directa.
El CALPUFF permite estimar las concentraciones de PM10 en cada grilla o áreas menores del
dominio, teniendo en cuenta la deposición seca y transformación química de las particulas PM10 y el
comportamiento de los flujos de vientos y características geográficas del terreno. El modelo se
calibró recopilando información detallada de la meteorología y de la operación minera, y los
resultados de mediciones de calidad del aire. Se realizaron corridas para el escenario de calibración,
comparando los valores simulados con los valores reales (medidos) de los promedios anuales de
concentración. El impacto a la salud identificado a partir de un factor de riesgo se midió por la
concentración estimada de la grilla por la tasa de emisión de contaminante y finalmente por la tasa
de respiración de una persona. Las concentraciones en espacio y tiempo más los indicadores de
infecciones respiratorias permitieron establecer a través del modelo de regresión las relaciones
existentes entre sí y generaron factores de riesgos plasmados geográficamente.
Los principales componentes del sistema de modelado son CALMET (un modelo diagnóstico
meteorológico en 3 dimensiones), CALPUFF (modelo de dispersión de la calidad del aire), y
CALPOST (un paquete de pos-procesamiento). Cada uno de estos programas tiene una interfaz
gráfica de usuario (GUI). Además de estos componentes, contiene numerosos procesadores que se
pueden usar para procesar la información geofísica (uso de la tierra y el terreno), datos
meteorológicos (superficie, altura de aire, la precipitación, y la boya de datos), y las interfaces a
otros modelos tales como la Penn State/NCAR, modelo de mesoescala (MM5), los Centros
nacionales de Predicción Ambiental (NCEP), modelos RUC Eta/NAM, el tiempo de Investigación y
Prospectiva (WRF) y el modelo RAMS.
Las características del modelo permitieron: (1) la capacidad de tratar en el tiempo las fuentes
puntuales y de área, (2) la idoneidad de los dominios de modelado desde decenas de metros
variando a cientos de kilómetros de una fuente, (3) las predicciones para tiempos que varían de una
hora a un año promedio, (4) aplicabilidad a los contaminantes inertes y sujeción a los mecanismos
de conversión y eliminación química lineal, y (5) aplicabilidad para situaciones de todos los terreno
complejo (Scire et al., 2000). Estos aspectos determinan la idoneidad de la utilización del modelo
para estudios de series temporales y ecológicas en minería a cielo abierto.
Para alcanzar los objetivos el programa manejó tres componentes: en primera instancia, un paquete
de modelización meteorológica con campo de vientos (diagnóstico y pronóstico); un modelo de
dispersión gaussiano por grillas que tiene en cuenta procesos de eliminación química, deposición
húmeda y seca, complejos algoritmos de terrenos, las construcciones de las corrientes descendentes
y otros procesos que se dan en el ambiente. También, realizó campos de salida de datos
meteorológicos, de concentraciones y depósitos de flujos a través de programas de post-
procesamiento. La versatilidad del modelo radica en la ejecución con otros modelos para determinar
las concentraciones en espacio y tiempo y simular situaciones acordes escenarios establecidos para
la relación con covariables para estudios transversales. El Calpuff integra varios modelos
meteorológicos, de dispersión y una amplia gama de procesamiento de datos para una interpretación
idónea de los mismos. La figura 1 es una representación esquemática del modelo general.
22
Figura 1. Elementos del programa del sistema de modelación
Fuente. Scire et al., 2000
El CALMET es un modelo meteorológico que incluye un generador de campo de viento de
diagnóstico que contiene un análisis objetivo y los tratamientos con parámetros de flujos de
pendiente, los efectos cinemáticos del terreno, efectos de bloqueo del terreno, y un procedimiento
de minimización de la divergencia, un micromodelo meteorológico para la tierra y la capa límite
sobre el agua. El CALPUFF es un modelo gaussiano de vientos de Lagrange no estacionario que
contiene módulos para complejos efectos del terreno, el transporte sobre el agua, los efectos de
interacción costeras, la construcción de caída de flujo, eliminación húmeda y seca, y la
transformación química simple. Por otro lado, CALPOST es un programa de posprocesamiento con
opciones para el cálculo de promediados de las concentraciones en el tiempo y flujos de deposición
predichas por el modelo CALPUFF y modelos CALGRID (Scire et al., 2000).
El sistema admite modelos asociados como MM5/MM4 que permiten a los campos de vientos
producidos combinarlos con otras fuentes de datos como parte del procedimiento de análisis.
Además, el CALMET proporciona la idoneidad de uso del CSUMM, una ecuación primitiva de los
modelos de campos de vientos (Kessler, 1989), el cual simula el flujo de aire resultante de las
diferencias de calentamiento de la superficie y los efectos del terreno a nivel mesoescala.
Otros modelos externos pueden utilizar el archivo de salida de CALMET para sus campos
meteorológicos como los son el CALGRID y KSP. El primero, incluye mecanismos fotoquímicos y
módulos horizontales y verticales, así como la deposición seca de las partículas. Por otro lado, El
KSP es un modelo de múltiples capas y de especies que integra las ecuaciones de Lagrange para
representar el transporte de las partículas, su dispersión y la deposición utilizando simulación
cinemática explícita de procesos propios que se dan en la atmósfera.
La versatilidad del modelo permite abordar con mayor eficacia la evaluación del impacto ambiental
proveniente de las minas a cielo abierto a través de diferentes metodologías por la salida de datos
que proporciona la utilización del mismo. Debido a la construcción de los datos, análisis de los
estados y los resultados en la dispersión de contaminantes modelados, asociada con la
incertidumbre, algunos investigadores recomiendan la utilización de CALPUFF para el control de
CALMET
Modelo
Meteorológico
CALPUFF
Modelo dispersión
CALPOST
Postprocesamientos
GALGRID
Modelo Fotoquímicos
Preprocesamientos
Datos
Meteorológicos y
Geofísicos CSUMM
Modelo pronóstico
de vientos
MM5/MM4
Modelo
Meteorológicos
KSP
Modelo de partículas
PRTMET
Postprocesamientos
Modelo Dispersión
Modelo Meteorológicos
Post procesamientos
23
las emisiones desde perspectiva de salud pública para estructuraciones de normas y políticas (Levy
et al., 2002a; MacIntosh et al., 2010).
4.2 Modelos De Regresión
Hendryx et al. (2008) sugiere, bajo el supuesto de datos de concentraciones confiables en la zona, la
utilización de la regresión de Poisson para determinar indicadores de salud pública en sectores de
extracción de carbón. El modelo de regresión de Poisson es ampliamente utilizado en estudios
epidemiológicos para determinar factores que inciden en indicadores de salud sobre la población
con la utilización de diferentes variables con intervalos de confianza del 95% (Lang et al., 2013;
Janjua et al., 2012; Brownstein et al., 2008; Hawker et al., 2003). La distribución de Poisson está en
la familia de los Modelos Lineales Generalizados, los cuales fueron propuestos como una extensión
de los modelos lineales.
Uno de los supuestos que se debe validar en los modelos lineales es la distribución normal de la
varianza, se asume constante. Esta propiedad de la varianza es denominada homocedasticidad, y es
fundamental en el modelo de regresión lineal simple. Cuando no se cumple esta situación, decimos
que existe heterocedasticidad. Este fenómeno suele ser muy común en datos de corte transversal y
series de tiempo. El cálculo de los parámetros lineales es realizado por diferentes métodos, siendo
los más utilizados el método de máxima verosimilitud y el método de mínimos cuadrados.
En el modelo Poisson se parametriza la relación entre la media,µ, y las variables predictoras. Las
variables predictoras (X) están relacionadas a la razón o susceptibilidad de la respuesta al
incremento o decrecimiento en los conteos (Y), para lo cual se tiene:
𝑙𝑜𝑔𝜇𝑖 = 𝜂𝑖 = 𝛽𝑇𝑥𝑖 𝑖 = 1,2, … . , 𝑛 (1 ) Fuente. Vives B., 2002
La idoneidad del modelo radica en el predictor lineal, 𝜂𝑖 = 𝛽𝑇𝑥𝑖, el cual expresa la combinación
lineal de las variables explicativas y proporciona el valor predicho y la función de enlace, 𝑔(𝜇𝑖) =
𝑙𝑜𝑔𝜇𝑖, relacionando η con μ. La respuesta media debe ser positiva, al construirse la relación
μ=exp(η) se asegura que μ será siempre positiva para cualquier η; por tanto, este tipo de modelo de
efectos multiplicativos es confiable al explicar eventos (Vives B., 2002; Szklon et al., 2003). La
función de enlace tiene la propiedad de que:
𝜇𝑖 = exp (∑ 𝑥𝑖𝑗
𝑝
𝑗=1
𝛽) (2)
24
Con este modelo las funciones de las covariables tienen un efecto multiplicativo sobre la respuesta
media μ. En aquellos casos en que los conteos de las observaciones se dan en períodos de tiempo o
espacio no homogéneos entre los valores de las variables explicativas, es recomendable incluir en el
modelo un término adicional: la variable de exposición, también denominada “offset”.
Simbolizando la variable “offset” por 𝑡 se obtiene que:
𝐿𝑜𝑔(𝐸(𝑌𝑖)) = log(𝑡𝐼) + ∑ 𝑥𝑖𝑗
𝑝
𝑗=1
𝛽𝑗 𝑖 = 1,2, … , 𝑛; 𝐸(𝑌𝑖) = 𝑒𝑥𝑖𝑝𝛽𝑝 = 𝜇
(3)
La ventaja del modelo radica en la posibilidad de modelar diversas situaciones donde la variable
respuesta, además de continua, puede ser ordinal o discreta para poder determinar el número de
sucesos o eventos que ocurren en una misma unidad de observación durante un intervalo temporal o
espacial definido. Un supuesto fundamental del modelo es la independencia de las observaciones y
homocedasticidad en la varianza. Sin embargo, en algunos casos la varianza observada es mayor
que la varianza nominal, es decir, la varianza definida por la distribución de probabilidad. En estos
casos se dice que existe sobre-dispersión en el modelo, situación que puede generar una
heterogeneidad no observada una correlación positiva entre respuestas individuales. Para evitar este
sesgo en la estimación se añade un parámetro de dispersión en la varianza.
En muchas situaciones la respuesta o la aparición de una eventualidad está relacionada a las
condiciones que antecedieron el momento de la observación o determinación. La aparición de casos
por enfermedades respiratorias en la población o visitas a centro de salud se presenta después de un
evento de alta contaminación. Muñoz et al. (2009) propone la utilización de una función polinomial
distributiva incluida en un modelo lineal generalizado mediante modelos aditivos generalizados, a
saber:
𝛽𝑝 = 𝑎0 + 𝑎1 𝑝 + 𝑎2 𝑝2 +. . . + 𝑎𝑞 𝑝𝑞 (4)
La función asume que el efecto fijo 𝛽 de cada variable desfasada en el tiempo sigue una función
polinomial de orden 𝑞 y extensión 𝑝 (lag). El retraso o lag del efecto fue definido hasta 6 días
después de ocurrir la exposición. El orden p del polinomio fue determinado a partir de análisis que
comparó el menor error estimado según el criterio de información de Akaike (AIC), la cual es una
función que relaciona el grado de ajuste y el número de parámetros en modelos con polinomios de
segundo, tercer y cuarto orden. El modelo se ajustó al exceso de dispersión de los datos utilizando
el logaritmo de la observación como función de enlace. Dicho estudio, mostró que al cuarto día de
25
retraso de la respuesta, el efecto de la exposición fue mayor, especialmente en lactantes, y vario en
la medida que incremento la concentración atmosférica de PM10. Además, la estructura del efecto de
cada covariable del modelo, evidencio un efecto lineal para la temperatura y mayormente no lineal
para la humedad, en ambos grupos. También, el incremento de consultas diarias por urgencia en
lactantes fue de 3% por cada hora de exposición a niveles sobre los 150 ppm.
La utilización de estos modelos radica es su capacidad de inferir relaciones sobre las variables
estudiadas. Actualmente, son utilizados en estudios de tipos epidemiológicos y relacionan diferentes
enfermedades a factores de riesgos a través de análisis estadísticos. El análisis espacio-temporal de
material particulado emitido en minas de carbón a cielo abierto ajustado a un modelo de regresión
que integre indicadores epidemiológicos de las zonas de influencia proyectan un estimativo
confiable sobre el impacto ambiental producto de las actividades.
4.3 Índice De Inhalación
Dentro de los indicadores epidemiológicos frecuentemente utilizados son aquellos que están
relacionados con las infecciones respiratorias. La organización mundial de la salud ha publicado la
Clasificación internacional de enfermedades (CIE) para fines estadísticos relacionados con
morbilidad y mortalidad en el área de la medicina. La CIE-10, en su última versión, determina la
clasificación y codificación de las enfermedades y una amplia variedad de signos, síntomas,
hallazgos anormales, denuncias, circunstancias sociales y causas externas de daños y/o enfermedad
(WHO, 2010). Cada condición de salud recibe una categoría y una codificación, para las
enfermedades del sistema respiratorio se adoptó la codificación J00-J99, las cuales se encuentran en
el capítulo X. Por otro lado, el establecimiento de índices, relacionados con estas enfermedades,
permite determinar factores de riesgos epidemiológicos en un área determinada y asociarlos a
variables inherentes de la zona.
El concepto de índice o fracción de inhalación o ingesta permite inferir sobre factores de riesgos de
morbilidad en un área, se define como la fracción de material liberado a partir de una fuente que es
finalmente inhalado o ingerido por una población (Bennett et al., 2002). Fracción de inhalación o de
ingesta es una forma simplificada de vincular la exposición de un contaminante en la población a
las emisiones. Para un contaminante y entorno dado, se utiliza un número único para resumir la
relación entre emisiones y la exposición en todo el dominio.
Los índices de Inhalación de contaminantes, usualmente utilizados, presentan estimaciones de los
efectos adversos a la salud y ha sido ampliamente utilizado en la evaluación del impacto sobre los
seres humanos (Curci et al., 2012; van Zelm et al., 2008; Zhou et al., 2003; Bennett et al., 2002). Su
estimación en zonas ha sido determinada a través de la modelación y utilización de herramientas
informáticas con una capacidad alta de resolución. La fracción de inhalación de PM10 está definido
por:
26
𝑖𝐹𝑝𝑚10 =∫ ∫ 𝐵𝑅(𝑖, 𝑡)𝐶𝑝𝑚10(𝑖, 𝑡)
𝑡𝑖𝑚𝑒𝑝𝑒𝑜𝑝𝑙𝑒
𝐸𝑝𝑚10
(5)
Donde 𝐵𝑅 (𝑖, 𝑡) es la tasa de respiración de las personas 𝑖 en el tiempo 𝑡 y 𝐶𝑝𝑚10 es la exposición
gradual de concentración atribuible a las Emisiones 𝐸𝑝𝑚10. El índice no es una característica
fundamental del contaminante, sino que varía en función de la densidad de la población y las
condiciones meteorológicas, especialmente velocidad del viento, temperatura y la altura de mezcla
atmosférica.
Otro factor que influye en el índice de inhalación es el tipo de fuente, Levy et al. (2002b)
encontraron que el consumo primario de fracciones PM2.5 de carbón son por lo menos 4 veces
mayor para móviles (a nivel del suelo) que emisiones de fuentes estacionarias (elevada),
características semejantes en las minas a cielo abierto, utilizando estimaciones de ajustes entre
ingesta y fuentes a través de un modelo de regresión.
La fracción de inhalación suele obtenerse utilizando modelos de dispersión atmosférica que estiman
los niveles de concentración en todos los receptores al multiplicarse por la población asignada a los
mismos. Cuando la fracción de la ingesta, tal como se define anteriormente para estimar los riesgos,
parte del supuesto implícito que el efecto sobre la salud a estimar no depende de la tasa de dosis y
tiene una relación dosis- respuesta lineal en toda la gama de concentraciones de fondo en la región
afectada. Sin embargo, el concepto de determinación del índice no se basa en estos supuestos, y
puede ser modificada de acuerdo con evidencias en la salud. Por ejemplo, Humbert et al. (2011)
proponen un enfoque para determinar el impacto utilizando el índice de la siguiente manera:
𝐼𝑚𝑝𝑎𝑐𝑡 = 𝒆𝒎𝒊𝒔𝒔𝒊𝒐𝒏𝒔 𝑥 𝒊𝒏𝒕𝒂𝒌𝒆 𝒇𝒓𝒂𝒄𝒕𝒊𝒐𝒏 𝑥 𝒕𝒐𝒙𝒊𝒄𝒊𝒕𝒚 (6)
Donde la toxicidad puede relacionarse con el número de enfermedades, efectos adversos o
probabilidad de riesgo por unidad de masa. El número de inclusión de parámetro requiere el análisis
de un diseño factorial para la interpretación fácil del factor principal evitando la complejidad a la
hora de su determinación.
Por otra parte, el cálculo de las concentraciones dentro del índice se ha realizado a través de la
estimación de una matriz de fuente-receptor. Greco et al. (2007), utilizando el inventario nacional
de emisiones realizado por la EPA, determino el índice de inhalación para cada uno de los condados
de los Estados Unidos. La matriz utilizada es una derivación basada en regresión de la producción
del modelo de dispersión climatológico de la zona que proporciona una base de datos de los factores
de transferencia que resumen el impacto de las fuentes. El modelo incorpora procesos
meteorológicos a partir de 100 estaciones en toda América del Norte utilizando un enfoque sectorial
y probabilístico de ocurrencia de combinaciones de viento, deposición húmeda y seca. Los
27
resultados obtenidos deducen la mitad de la exposición total de material se produce por una
distancia media de 150 km de la fuente. Las limitaciones en la utilización de esta matriz radican en
la resolución del modelo de las diferentes áreas estudias porque puede subestimar o sobreestimar
debido a la heterogeneidad geográfica presentada.
El concepto de índice de inhalación ha sido ampliamente utilizado para relacionar la concentración
con diferentes fuentes. Ha sido estimado para determinar la exposición por emisiones de centrales
eléctricas (Levy et al., 2002b), por procesos de transportes vehiculares (Humbert et al., 2011; Greco
et al., 2007) y centrales bioenergéticas (Curci et al., 2012). Dentro de estos estudios se han
comparados diferentes fuentes individuales que pertenecen a la misma categorización de la fuente.
En Europa, se determinó la fracción de inhalación temporal para dos zonas geográficas estimadas a
partir de fuentes industriales, sitios de combustión de madera, resuspensión de material particulado
producto de la agricultura, plantas de energía y otras fuentes antrópicas (Tainio et al., 2009). Las
estimaciones variaban 1.3 veces cuando se calculaba mediante resolución de 5 a 30 kilómetros,
dicha variación es debido a la densidad poblacional y prevalencia atmosférica. La variación de los
valores entre diversos países europeos era sustancial, debido principalmente a la ubicación
geográfica, números de fuentes contempladas en el estudio, distribución espacial de las poblaciones
y la circulación de vientos a escala continental.
La ligereza del modelo utilizado integrado al índice de inhalación proporciona resultados que
permiten inferir situación de impactos ambientales. Marshall et al. (2005) se valieron de tres
modelos para determinar el impacto sobre la salud por contaminante inhalado en un área urbana de
los Estados Unidos.
El primer modelo que utilizó era para combinar los datos meteorológicos, velocidad del viento y
altura de mezcla, con datos demográficos sobre la población urbana y superficie terrestre; las
estimaciones son razonables en la derivación de la hipótesis que el aire en la zona de estudio está
bien mezclado, y que las concentraciones de los contaminantes no se ven afectadas por las
velocidades de los vientos, para lo cual se obtiene que:
𝑖𝐹𝑥1 =𝐵𝑅𝑃[𝐶𝑥]
µ𝐻√𝐴 (7)
Las variables de la ecuación anterior pueden ser agrupadas en tres grupos de parámetros. El primer
grupo de parámetros, densidad lineal de población, 𝑃𝐴0.5 es atribuido a la forma geográfica donde
se realizó el estudio.
El segundo grupo, La tasa de dilución, µ𝐻 es un atributo de la meteorología. El parámetro final es la
frecuencia respiratoria promedio de la población, 𝐵𝑅. En el segundo modelo, Marshall et al. (2005)
utilizaron un modelo empírico que estima las concentraciones ambientales de un contaminante
primario por fuente móviles y lo integraron al índice de ingesta de la siguiente manera:
28
𝐶𝑖,𝑛 = 𝑘𝑛𝐸𝑖,𝑛𝑒𝑥𝑝 (−𝐻𝑖,𝑛
ℎ−
𝑢𝑖,𝑛
𝑢)
(8)
𝑖𝐹𝑥2 = (𝐵𝑅𝑃
𝑉 Ø 𝑘𝑛𝐸𝑖,𝑛𝑒𝑥𝑝 (−
𝐻𝑖,𝑛
ℎ−
𝑢𝑖,𝑛
𝑢)) (9)
Las variables 𝑉 y Ø representan las millas recorridas por vehículos y la fracción atribuidas al motor,
respetivamente; considerando la aplicabilidad de la ecuación solo a fuentes móviles y en ciudades
específicas donde se consideran los parámetros experimentales. Por último, dentro del estudio se
consideró la aplicación del índice de inhalación al considerar fuentes categóricas y utilización de los
factores de emisión de la EPA:
𝑖𝐹𝑥3 = (𝐵𝑅𝐶𝑃
𝐸𝑒𝑚𝑖𝑠𝑖𝑜𝑛 ) (10)
Los modelos anteriores integran diferentes condiciones, parámetros y supuestos que pueden ser
utilizados para determinar fracción de ingestas en zonas determinadas que muestre las
características particulares de los sistemas en los cuales fueron propuestos.
Para evitar incertidumbre en la determinación de variables experimentales de datos y determinación
de las concentraciones para integrarlo al índice de fracción de ingesta. Muchos investigadores
proponen la utilización de modelos de dispersiones por su capacidad de resolución, idoneidad de
reflejar e interpretar los datos, almacenamiento de datos útiles en series temporales y versatilidad de
manejo.
Zhou et al. (2006) utilizaron el CALPUFF, seleccionando 29 fuentes, para estimar la fracción
promedio anual de ingesta para partículas finas primarias; Igualmente, desarrollo un modelo de
regresión para su interpretación y extrapolación de este índice a otros sitios de interés, su
aplicabilidad radica categorizar las poblaciones respecto a las distancias de las fuentes. El modelo
de dispersión de los contaminantes en CALPUFF y destreza en el manejo de la información de
indicadores epidemiológicos permite evaluar el riesgo para la salud pública que plantea las fuentes
de emisiones en cada zona para diferentes compuestos (Zhou et al., 2003). Una de los aspectos
significativos del modelo está en su capacidad de determinar la vida útil de un contaminante en la
atmósfera y la recepción de escenarios de emisiones, lo que permite estimar la dependencia del
consumo en la población. Cuando se consideran escenarios donde existen emisiones discontinuas el
cálculo del índice deberá está dado dependientemente a estos, debido a que puede presentarse
valores altos en periodos de modelado corto y viceversas
30
5. METODOLOGÍA
5.1 Modelación Ambiental PM10
Para modelar la dispersión se estableció un dominio de modelación definido, se estudió la
meteorología de la zona, la topografía del área y las fuentes de emisiones de las actividades mineras
para estimar las concentraciones en los receptores ambientales y discretos. Posteriormente, se corrió
el modelo, se ajustó y se calibro.
5.1.1 Dominio de Modelación
Como dominio de modelación, se seleccionó un área de 150 km por 150 km, que contiene la zona
de influencia de las minas a cielo abierto en el departamento, ubicadas en la zona conocida como la
baja Guajira. Las coordenadas del dominio mínimo y máximo del modelado, en WGS, es 10°25’’
de latitud Norte - 73°18’’ longitud Oeste y 11°11’’ de latitud Norte - 72°30’’ de longitud Oeste.
Resolución del Dominio de 1Km con alturas verticales en 20, 40, 60, 80, 100, 500, 1000, 1500,
3000, 4500 y 5000 metros sobre el nivel del suelo, figura 2.
Figura 2. Dominio de modelación
31
EL Complejo minero en la baja Guajira abarca una mina a cielo abierto de carbón térmico que
produce más de 34 millones de toneladas anuales. La mina a cielo abierto tiene 6 tajos activos de
producción, su área de influencia directa La mina se extiende sobre unas 69.000 hectáreas.
Figura 3. Mina a cielo abierto
5.1.2 Meteorología
Para la caracterización del comportamiento meteorológico de la zona de estudio, se utilizaron los
datos de la estación meteorológica ubicada en superficie dentro de la zona del dominio de
modelación (figura 2). La tabla 1 muestra las características de las estaciones y su fuente de
información.
Tabla 1. Estaciones en Superficie
CATEGORÍAS ID UTM
X (KM)
UTM
Y (KM)
VARIABLES
METEOROLÓGICAS* FUENTE
Meteorológica 800350 726.808 1274.995 WS, WD, Temp, CE,
C, PRES, RH, PREC NCDC
32
Meteorológica 800351 760.389 1232.243 WS, WD, Temp,
RH, PREC Compañía Minera
Radiosondeos 80035 727.148 1275.133 WS, WD, Temp
PRES,CE NOAA
Pluviómetro X001 764.692 1229.304 PREC Compañía Minera
Pluviómetro X002 768.989 1231.994 PREC Compañía Minera
Pluviómetro X003 767.430 1234.093 PREC Compañía Minera
Pluviómetro X004 751.508 1222.967 PREC Compañía Minera
Pluviómetro X005 750.010 1217.019 PREC Compañía Minera
Pluviómetro X006 746.935 1213.807 PREC Compañía Minera
Meteorológica 800352 737.3 1205.3 WS, WD, Temp,
RH. IDEAM
Meteorológica 800353 691.7 1153.7 WS, WD, Temp NOAA
Meteorológica 801000 746.9 1211.4 WS, WD Compañía Minera
Meteorológica 802000 746.7 1219.4 WS, WD Compañía Minera
* WS= velocidad del viento; WD= Dirección del viento; Temp= Temperatura; CE= Altura del techo; C=
Cobertura de nubes; PRES= Presión; RH= Humedad relativa; PREC= Precipitación.
La información de Sondeos Verticales se obtuvo de la estación Almirante Padilla (Lat 11.53-
long72.93; elev 4 msnm) de la ciudad de Riohacha para determinar la altura de mezcla y la
estabilidad atmosférica.
5.1.1 Topografía
La información de entrada para Calpuff se procesó en dos formatos DEM (Digital Elevations
Model) generados por la USGS (United States Geological Survey):
USGS DEM 7.5 Minute: Cubren áreas de 7.5 minutos de latitud (aproximadamente 14 km) por 7.5
minutos de longitud, con una resolución horizontal de 30 m.
USGS DEM 1 Degree: Cubren áreas de 1 grado de latitud (aproximadamente 100 km) por 1 grado
minutos de longitud, con una resolución horizontal de 90 m.
5.1.2 Inventario y factores de Emisiones
La cuantificación de las emisiones de las fuentes en un escenario de minería es de gran relevancia
en la modelación de calidad del aire. Representa la información necesaria para establecer las
características de intensidad y distribuciones espacio-temporal de las emisiones de contaminantes
atmosféricas. Se consideraron las fuentes establecidas en el plan minero del 2013 realizado por la
empresa y definido en la tabla 2:
Tabla 2. Identificación de Fuentes de PM10
CATEGORÍA DE
FUENTES ACTIVIDAD ESPECIFICA
UBICACIÓN DE LA FUENTE
CONTAMINANTE
Tajos (Pit) Remoción (Tractor o Traílla) Área de desarrollo de tajos
Cargue Área de desarrollo de tajos
33
Empuje tractor en áreas pala Área de desarrollo de tajos
Voladura Área de desarrollo de tajos
Manejo de
Meteorizados
Cargue Área de desarrollo de tajos
Acarreo Tajos y vías externas
Pilas Pilas activas de carbón (erosión
eólica y mantenimiento) Pilas
Áreas Expuestas Erosión eólica áreas expuestas Retrollenados y botaderos
Manejo de Estéril
Perforación Tajos
Voladura Tajos
Empuje tractor en áreas pala Tajos
Cargue Tajos
Descargue Botaderos
Vías de acarreo
Tráfico de vehículos pesados Tajos y vías externas
Tráfico de vehículos livianos Tajos y vías externas
Mantenimiento de vías Tajos y vías externas
Vías destapadas de
acceso publico
Tráfico de vehículos livianos vías externas
Mantenimiento de vías vías externas
Diésel Emisiones de vehículos pesados Talleres y mantenimiento
Emisiones de vehículos livianos Talleres y mantenimiento
Las ecuaciones de los factores de emisión relacionadas con las actividades propias de la explotación
minera a cielo abierto fueron tomada de la última actualización del documento “Compilation of
Emission Factors AP-42, Volume I: Stationary and Area Sources”, específicamente, de sus
numerales 11.9 (Western Surface Coal Mining, 1998), 13.2.2 (Unpaved Roads, 2003) y 13.2.4
(Aggregate Handling and Storage Piles, 1995). De igual manera, se utilizó el documento técnico
“Emisión Estimation Technique Manual for Mining”, de Environment Australia (2001) para las
actividades que no están establecidas por la EPA.
34
Figura 4. Actividades Mineras
Tabla 3.Ecuaciones Factores de Emisión
OPERACIÓN
GENERAL
ACTIVIDADES
ESPECIFICA ECUACIÓN DEL FACTOR DE EMISIÓN UNID
Manejo de
Suelo
Remoción con
Tractor 8.44 [(
𝑠1.5
𝑀1.4)] ∗ 0.7 kg/hr
Remoción con
Traílla 0.014 kg/Mg
Cargue 0.048 kg/Mg
Acarreo 𝟐𝟖𝟏. 𝟗 ∗ 𝟏. 𝟓 [(𝒔
𝟏𝟐)
𝟎.𝟗
(𝑾
𝟑)
𝟎.𝟒𝟓
] ∗ [𝑫𝑴 − 𝑫𝑴𝒓𝒂𝒊𝒏𝒇𝒂𝒍𝒍
𝑫𝑴] ∗ [𝟏 −
𝑪𝑬
𝟏𝟎𝟎] g/VKT
Descargue 0.048 kg/Mg
Manejo de
Meteorizado
Cargue 0.012 kg/Mg
Acarreo 𝟐𝟖𝟏. 𝟗 ∗ 𝟏. 𝟓 [(𝒔
𝟏𝟐)
𝟎.𝟗
(𝑾
𝟑)
𝟎.𝟒𝟓
] ∗ [𝑫𝑴 − 𝑫𝑴𝒓𝒂𝒊𝒏𝒇𝒂𝒍𝒍
𝑫𝑴] ∗ [𝟏 −
𝑪𝑬
𝟏𝟎𝟎] g/VKT
Descargue 0.012 kg/Mg
Manejo de
Estéril
Perforación 0.277 Kg/poz
o
Voladura 1.144𝑥 10−4 𝐴1.5 Kg/vol
adura
Empuje Tractor
en Áreas Pala
0.45 [(𝑠1.5
𝑀1.4)] ∗ 0.75
kg/hr
Cargue 0.0006 [((
𝑈2.2
)1.3
(𝑀2
)1.4)] kg/Mg
Acarreo 𝟐𝟖𝟏. 𝟗 ∗ 𝟏. 𝟓 [(𝒔
𝟏𝟐)
𝟎.𝟗
(𝑾
𝟑)
𝟎.𝟒𝟓
] ∗ [𝑫𝑴 − 𝑫𝑴𝒓𝒂𝒊𝒏𝒇𝒂𝒍𝒍
𝑫𝑴] ∗ [𝟏 −
𝑪𝑬
𝟏𝟎𝟎] g/VKT
Descargue 0.0006 [((
𝑈2.2
)1.3
(𝑀2
)1.4)] kg/Mg
Empuje Tractor
en Botaderos 0.45 [(
𝑠1.5
𝑀1.4)] ∗ 0.75 kg/hr
35
Manejo de
Carbón
Empuje Tractor
en Mantos 8.44 [(
𝑠1.5
𝑀1.4)] ∗ 0.75 kg/hr
Cargue [(0.0596
𝑀0.9)] ∗ 0.75 kg/Mg
Acarreo 𝟐𝟖𝟏. 𝟗 ∗ 𝟏. 𝟓 [(𝒔
𝟏𝟐)
𝟎.𝟗
(𝑾
𝟑)
𝟎.𝟒𝟓
] ∗ [𝑫𝑴 − 𝑫𝑴𝒓𝒂𝒊𝒏𝒇𝒂𝒍𝒍
𝑫𝑴] ∗ [𝟏 −
𝑪𝑬
𝟏𝟎𝟎] g/VKT
Descargue [(0.0596
𝑀0.9)] ∗ 0.75 kg/Mg
Otras
Actividades
Tráfico
Vehículos
Livianos
𝟐𝟖𝟏. 𝟗 ∗ 𝟏. 𝟓 [(𝒔
𝟏𝟐)
𝟎.𝟗
(𝑾
𝟑)
𝟎.𝟒𝟓
] ∗ [𝑫𝑴 − 𝑫𝑴𝒓𝒂𝒊𝒏𝒇𝒂𝒍𝒍
𝑫𝑴] ∗ [𝟏 −
𝑪𝑬
𝟏𝟎𝟎] g/VKT
Mantenimiento
de Vías 0.0034 𝑆2
Kg/VK
T
Pilas Activas de
Carbón
(Erosión Eólica
y
Mantenimiento)
0.47 ∗ 1.8 𝑈 Kg/
Ha*hr
Erosión Eólica
Áreas
Expuestas
0.4
Mg/
Ha*yea
r
Donde,
𝑠: Contenido de finos del material de la superficie de las vías (%)
𝑀: Contenido de humedad del material (%)
𝑊: Peso promedio de los vehículos (toneladas cortas)
𝐷𝑀: Número de días modelados
𝐷𝑀𝑟𝑎𝑖𝑛𝑓𝑎𝑙𝑙: Número de días modelado con mínimo 0.254 mm de lluvia.
𝐶𝐸: Eficiencia de control de polvo en vías no pavimentadas (%)
𝐴: Área horizontal de voladura con profundidad menor a 21 m (m2)
𝑈: Velocidad del viento (m/s)
𝑆: Velocidad promedio de la motoniveladora en operación (km/h)
𝑉𝐾𝑇: Kilómetros viajados por un vehículo (km)
5.1.3 Muestreo en receptores PM10
Los receptores ambientales en la modelación de la calidad del aire representan los lugares o sitios
de interés sobre los cuales se enfoca el análisis del impacto atmosférico ocasionado por las fuentes
de emisión. El Método utilizado es el de referencia establecido por la CFR, (1997), adoptado en
Colombia por la resolución 650 de 2010 (MAVDT, 2010). Para el estudio de modelación de la
calidad del aire se consideraron los receptores presentados en la tabla 4, su ubicación se encuentra
en la zona de influencia directa de las actividades mineras (figura 2).
Tabla 4. Localización Geográfica de los Receptores Ambientales
RECEPTORES
AMBIENTALES
NOMBRE DE LA
ESTACION
COORDENADAS ELEVACIÓN
(M.S.N.M.) X UTM
(km)
Y UTM
(km)
RD9 Los Remedios 768.514 1228.057 166
36
RD11 Papayal 743.249 1216.358 155
RD12 Provincial 747.204 1219.554 153
RD14 Barrancas 742.622 1212.412 150
RD15 Casitas 3 746.859 1211.44 162
RD19 Viviendas 761.500 1233.848 96
Figura 5. Receptores Ambientales
RD11 RD9
RD15
RD14 RD12
RD19
37
5.1.4 Calibración y Validación
El modelo se calibró utilizando información detallada de la meteorología de la zona, de la operación
minera, y los resultados de mediciones de calidad del aire. Se realizaron corridas para el escenario
de calibración, comparando los valores simulados con los valores reales (medidos) de los promedios
diarios y mensuales de concentración. Se evaluó a través de un análisis estadístico la confiabilidad
del modelo de dispersión para determinar si los resultados obtenidos de la simulación
computacional (concentraciones simuladas) representan correctamente a los observados
(concentraciones monitoreadas). Los parámetros estadísticos de evaluación fueron (Pielke, 2013):
Bias, que se define como la suma de las concentraciones estimadas (𝐶𝑝) menos las concentraciones
observadas (𝐶𝑜) entre el número de datos. Esta dada por
𝐵𝑖𝑎𝑠 = ∑ 𝐶𝑝 − 𝐶𝑜
𝑁
𝑁
𝑡=1
(11)
Error cuadrático medio (RMSE), es una medida utilizada con frecuencia de las diferencias entre los
valores predichos y los valores realmente observados. El RMSE sirve para sumar las magnitudes de
los errores en las predicciones, es una buena medida de la precisión, pero sólo para comparar los
errores de predicción de los diferentes modelos para una variable particular y no entre las variables,
ya que es dependiente de la escala. La expresión para RMSE está dada por
𝑅𝑀𝑆𝐸 = √(1
𝑛∑(𝐶𝑝 − 𝐶0) 2
𝑛
𝑡=1
) (12)
Error cuadrático medio Normalizado (NMSE), es un estimador de las desviaciones globales entre
los valores observados y pronosticados. Los valores más bajos de RMSE indican un mejor
rendimiento. La expresión de NMSE está dada por
𝑁𝑀𝑆𝐸 =(𝐶𝑜 − 𝐶𝑝) 2
𝐶𝑜 ∗ 𝐶𝑝 (13)
Fraccional Bias (FB), varía entre +2 y -2 y tiene un valor de cero para un modelo ideal. FB está
dada por
𝐹𝐵 = 2 (𝐶𝑜 − 𝐶𝑝
𝐶𝑜 + 𝐶𝑝) (14)
38
Sesgo Media Geométrica, la expresión correspondiente es MG y es una medida de sesgo entre las
concentraciones. Se determina con al siguiente expresión
𝑀𝐺 = 𝑒(ln 𝐶0− ln 𝐶𝑝 ) (15)
Media Geométrica de la Varianza o VG es una medida de las varianza de las concentraciones
estimadas y observadas. Esta dada por
𝑉𝐺 = 𝑒(ln 𝐶𝑜−ln 𝐶𝑝)2 (16)
Index of Agreement (IOA), describe lo bien que se ajusta el modelo a las concentraciones
observadas. El IOA está dada por
𝐼𝑂𝐴 = 1 −∑ (𝐶𝑝 − 𝐶𝑜)
2𝑁𝑖=1
∑ (|𝐶𝑜 − 𝐶𝑜 | + |𝐶𝑝 − 𝐶𝑜
|)2𝑁
𝑖=1
(17)
Coeficiente de Correlación (r) cerca de 1 indica una correlación perfecta entre los valores predichos
y observados. El coeficiente de correlación es dado por
𝑟 =1
𝑛
∑ 𝐶𝑜𝑖𝑛𝐼=1 − 𝐶0
𝐶𝑝𝑖 − 𝐶𝑝
𝜎𝐶𝑝𝜎𝐶𝑜
(18)
5.2 Modelo De Regresión
Se establecieron las relaciones entre la media,µ, y las variables predictoras. Las variables
predictoras o concentraciones de PM10 (X) relacionadas a la razón o susceptibilidad de la respuesta
a los conteos o número de visitas por urgencias en la zona (Y), para lo cual se tiene:
𝑙𝑜𝑔𝜇𝑖 = 𝜂𝑖 = 𝛽𝑇𝑥𝑖 𝑖 = 1,2, … ., (19)
La respuesta media debe ser positiva, al construirse la relación μ=exp(η) se asegura que μ será
siempre positiva para cualquier η; por lo tanto, este tipo de modelo de efectos multiplicativos es
confiable al explicar eventos. La función de enlace tiene la propiedad de que:
𝜇𝑖 = exp (∑ 𝑥𝑖𝑗
𝑝
𝑗=1
𝛽) (20)
39
= 𝑒𝑥𝑖1𝛽1 … . 𝑒𝑥𝑖𝑝𝛽𝑝 (22)
= 𝑔−1(𝑥𝑖1𝛽1) … . 𝑔−1(𝑥𝑖𝑝𝛽𝑝) (22)
Los datos de ingresos por urgencias y visitas al médico por infecciones respiratorias en las vías
superiores se obtuvieron de los reportados por 2 centros hospitalarios (ESE HOSPITAL SAN
RAFAEL DE ALBANIA y ESE HOSPITAL NUESTRA SEÑORA DEL CARMEN DE
HATOONUEVO) ubicados en el área de influencia directa. Estas zonas fueron identificadas por
RD1 y RD7, sobre los supuestos que todos los eventos de salud están relacionados con estas
emisiones recibidas (figura 6). Los criterios de selección de eventualidades serán los enmarcados en
la clasificación estadística internacional de enfermedades y otros problemas de salud (CIE 10) para
las condiciones de salud determinadas por el compendio para las infecciones aguda de las vías
respiratorias superiores. Las categorizaciones de las enfermedades reportadas con sus respectivos
códigos fueron: Rinofaringitis Aguda (J00X), Pansinusitis Aguda (JO14), Sinusitis Agudas ( J018),
Sinusitis Aguda No Especificada (J019), Faringitis (J020), Faringitis Aguda No Especificada
(J029), Amigdalitis (J030), Amigdalitis Aguda (J038), Amigdalitis Aguda No Especificada (J039),
Laringitis Aguda (J040), Laringitis Obstructiva Aguda (J050) e Infección Aguda de las Vías
Respiratorias Superiores No Especificada (J069). Se excluyó las transferencias procedentes de
otros hospitales. El tiempo de la inclusión de los reportes de las eventualidades incluye el tiempo de
escenario del modelado con periodos de latencia de 14 días. Para establecer los modelos de
regresión se utilizó el software estadístico R Project versión 3.0.2
De igual forma, al determinar las variables (varianza>media) se utilizó el método denominado
Cuasi-vero similitud para corregir la sobre-dispersión. Se utilizó la función de enlace logarítmico
para calcular la tasa de riesgo relativo (RR) determinado por el coeficiente y signo de la ecuación de
regresión de Poisson. Coeficientes negativos indica factor de protección y coeficientes positivos
indica factor de riesgo.
Se realizó la evaluación de la bondad de ajuste del modelo a través del coeficiente de determinación
(R2). En general, para el Modelo de Regresión considerando sólo el intercepto la media estimada es
�� , el desvío considerando está dado por:
𝐷 (𝑦, ��) = ∑ 2 𝑦𝑖log(𝑦𝑖
��)
𝑁
𝑖=1
(23)
Por lo tanto, el coeficiente de determinación se determinó por:
𝑅𝐷𝐸𝑉2 = 1 −
∑ {𝑦𝑖log (µ𝑖𝑦𝑖
) − (µ𝑖 − 𝑦𝑖)}𝑁𝑖=1
∑ {𝑦𝑖log (𝑦𝑖𝑦��
)}𝑁𝑖=1
(24)
40
Figura 6. Receptores Discretos
5.3 Índice de Inhalación
Para calcular la fracción de inhalación (masa total de un contaminante que se ingieren o inhalan por
todos los individuos expuestos durante un tiempo dado, por la masa total de contaminante emitido)
en cada grilla del dominio de estudio se multiplicó la población en la grilla por la concentración
estimada de la grilla debido a la tasa de emisión de PM10 y finalmente por la tasa de respiración
promedio de una persona (20 m3/día), matemáticamente se define por:
𝐼𝐹𝑃𝑀10 =𝐵𝑅 𝑥 ∑ (∆𝐶𝑖 𝑥 𝑁𝑖)𝑖
𝑄 (25)
Donde, IF es la fracción de admisión en la grilla i, BR es la tasa promedio de respiración (se asume
de 20 m3/día), ΔC son los cambios de las concentraciones de PM10 en el receptor i debido a las
fuentes seleccionadas (µg/m3), Ni número de personas en el receptor y Q tasas de emisión de las
fuentes de PM10 (µg/día). Si los efectos en la salud de un contaminante tienen una función de dosis-
respuesta lineal, sin umbral por encima de concentraciones ambientales o dependencia de la tasa de
dosis, un cálculo sencillo de una fracción de la ingesta sobre las concentraciones medias diarias
puede ser un buen indicado de los efectos a la salud.
41
6. RESULTADOS
6.1 Modelación Atmosférica
La figura 7 muestra la rosa de vientos simulada por el modelo meteorológico Calmet. El modelo
pronosticado fue comparado con datos de velocidad y dirección del cuento registrada en la estación
IDEAM-La Mina ubicada en la zona industrial del complejo. Los resultados para velocidad de
viento (r=0.97; BIAS= -0.02; RMSE=0.27) muestran confiabilidad en el modelo. También, para la
variable Dirección (r=0.94; BIAS= 12.43; RMSE=15.03).
Figura 7. Rosas de vientos
La mayor frecuencia de las velocidades, en el centro de la mina, estuvo por debajo de los 3.6 m/s
con 74.8%. Las direcciones predominantes fueron en sentido NE. En Calmet, las clases de
estabilidad Pasquill-Gifford-Turner (PGT) se utilizan para clasificar las estratificaciones
atmosféricas en la capa límite. Estas clases van desde inestables (clases 1, 2 y 3), a través de neutro
(Clase 4) a estable (clases 5 y 6). Se determinó la estabilidad PGT para zona donde se da la mayor
explotación de carbón. Los resultados se muestran en la Tabla 5.
Tabla 5. Probabilidad de Clases de Estabilidad PGT-Zona Minera
PGT 1 2 3 4 5 6
% 2.56 14.67 24.36 8.98 13.03 36.4
42
Los resultados muestran que la estabilidad predominante es la 6 debido a las estabilidades que se
dan a lo largo de la noche. Durante el día, la clase 3 o condiciones de inestabilidad fue
predominante. Estas condiciones están asociadas con las flujos de calor a nivel del suelo que genera
turbulencias dentro de la capa limite (Authority V., 2005). Las condiciones estables están asociadas
principalmente con el enfriamiento nocturno que resulta en la supresión de los niveles de
turbulencia y en la disminución de los niveles de temperaturas. Las mayores velocidades de los
vientos y altura de mezcla se alcanzan durante el día debido al incremento de la temperatura local y
poca nubosidad. La altura de mezcla puede alcanzar hasta los 2000 metros sobre el nivel del suelo
en la zona donde se encuentra localizada la mina a cielo abierto. En contraste, en horas nocturnas
disminuye hasta los 100 metros creando condiciones de acumulación de PM10 en la atmosfera
debido a estabilidades neutras asociadas y disminución de las velocidades de vientos (Anexo 1).
El Calpuff es un modelo no estacionario. El modelo calcula la distancia que un penacho puede tener
al viajar en base a la velocidad del viento durante una simulación período de tiempo. La posición de
la pluma al final de cada período de tiempo se convierte en la posición de partida de la pluma para
el próximo período de tiempo (Figura 8). De esta manera, los modelos no estacionarios o Puff
tienen una representación más realista de dispersión de los contaminantes.
Figura 8 .Patrones de Dispersión de los diferentes modelos
(a) Dispersión Modelo Estado Estacionario Gauss (b) Dispersión Modelo Estado No Estacionario
(Xing Y., 2006).
La principal actividad que realiza mayores descargas a la atmosfera es el acarreo de materiales
estériles (tabla 6). No hay actividades agrícolas intensas y las actividades en los municipios se
limitan a fuentes puntuales por actividades comerciales en pequeña escala.
Tabla 6. Emisiones de PM10
OPERACIÓN
GENERAL ACTIVIDADES ESPECIFICA
EMISIONES
(g/s)
Manejo de Suelo
Remoción con Tractor 1
Remoción con Traílla 0.26
Cargue 1.8
43
Acarreo 0.22
Descargue 1.8
Manejo de
Meteorizado
Cargue 20.56
Acarreo 8.96
Descargue 20.55
Manejo de Estéril
Perforación 1.92
Voladura 60.72
Empuje Tractor en Áreas Pala 3
Cargue 5.35
Acarreo 111.73
Descargue 5.35
Empuje Tractor en Botaderos 3
Manejo de Carbón
Empuje Tractor en Mantos 0.62
Cargue 5.92
Acarreo 11.62
Descargue 5.92
Otras Actividades
Tráfico Vehículos Livianos 0
Mantenimiento de Vías 16.33
Pilas Activas de Carbón (Erosión Eólica y
Mantenimiento) 26.79
Erosión Eólica Áreas Expuestas 65.41
El modelos Calpuff se utilizó para representar el transporte de PM10 en el aire, en toda el área de
dominio, a partir de datos de emisión de las fuentes identificas en la industria minera. Mediante
parámetros estadísticos, los resultados de los modelos se compararon con las mediciones de
estación de monitoreo atmosférico de PM10. Se estimaron las concentraciones semanales y fueron
comparadas con los promedios semanales registrados en las estaciones. La figura 9 muestra las
comparaciones entre las concentraciones semanales registradas en cada uno de los receptores y las
estimadas por el modelo.
0
10
20
30
40
50
60
70
80
0 2 4 6 8 10 12 14 16 18 20 22 24 26
RD9 Calpuff
Semanas
PM
10
(μg
/m3)
0
10
20
30
40
50
60
70
80
0 2 4 6 8 10 12 14 16 18 20 22 24 26
RD11 Calpuff
Semanas
PM
10
(μg
/m3)
44
Figura 9. Serie de tiempo semanal de PM10
La tabla 7 muestra los índices estadísticos para la evaluación del modelo. Los valores de correlación
para los receptores son bastantes significativos mostrado la fuerte dependencia del modelo a
describir la variabilidad de las concentraciones de PM10. El IOA calculado durante el periodo de
modelación advierte de la capacidad del modelo para predecir los efectos de las emisiones a las
concentraciones ambientales.
La pendiente de la regresión lineal indica la subestimación en las fuentes de PM10 incluidas en el
modelo. Considerado la exactitud en los datos meteorológicos y geofísicos, la pendiente de
regresión advierte de la inexactitud en el inventario de emisión (Huertas et al., 2012). Bajo este
supuesto, el modelo muestra que las fuentes de emisiones fueron sobrestimadas en RD15 y
subestima para los demás receptores. El modelo aporta alta confiabilidad en la estimación de la
dispersión de los contaminantes y la variabilidad de las concentraciones. La constante de regresión
lineal muestra los background de fondo resultado de la modelación. El mayor valor de background
es para RD19 con 25.56 µg/m3. Los background en receptores están considerandos las fuentes
naturales, fuentes cercanas distintas a las que se están considerando o fuentes no identificables.
Los resultados de la tabla 7 están enmarcados dentro de los criterios de aceptación de los modelos
de dispersión de calidad de aire (Kumar et al., 2006; Ahuja S, 1996; Kumar et al., 1993). Para
determinar la fiabilidad del modelo, los criterios utilizados para el rendimiento de un modelo puede
ser considerará aceptable si:
0
10
20
30
40
50
60
70
80
90
0 2 4 6 8 10 12 14 16 18 20 22 24 26
RD12 Calpuff
Semanas
PM
10
(μg
/m3)
0
10
20
30
40
50
60
70
0 2 4 6 8 10 12 14 16 18 20 22 24 26
RD14 Calpuff
Semanas
PM
10
(μg
/m3)
0
10
20
30
40
50
60
70
80
90
0 2 4 6 8 10 12 14 16 18 20 22 24 26
RD15 Calpuff
Semanas
PM
10
(μg
/m3)
0
10
20
30
40
50
60
70
80
0 2 4 6 8 10 12 14 16 18 20 22 24 26
RD19 Calpuff
Semanas
PM
10
(μg
/m3)
45
NMSE ≤ 0.5
-0.5 ≤ FB ≤ +0.5
0.75 ≤ MG ≤ +1.25
1.00 ≤ VG ≤ +1.25
El NMSE, indicador de varianza, es ˂ 0.5 para el promedio semanal de todas las estaciones,
indicando que las concentraciones observadas y las estimadas están de acuerdo. El FB fue positivo
para todos los receptores ambientales y se encuentra dentro del rango aceptado, indicando que los
resultados estimados están próximos a los registros de monitoreo. El modelo tiende a subestimar las
concentraciones.
Los coeficientes de correlación son consistentemente altos para todas las estaciones mostrando que
la confiabilidad del modelo al estimar concentraciones semanales. Los resultados muestran que el
rendimiento de Calpuff para estimar concentraciones de PM10 en terrenos complejos con múltiples
fuentes emisoras es satisfactorio. Los datos de transportes de PM10 a largas distancias pueden ser
considerados aceptables con incertidumbres mínimas.
Tabla 7. Índices estadísticos evaluación del Modelo Calpuff
RD9 RD11 RD12 RD14 RD15 RD19
Valor
Ideal
ECU y = 0.6138x +
25.556
y = 0.868x +
10.812
y = 0.7556x +
19.093
y = 0.767x +
12.034
y = 1.1812x -
4.3276
y = 0.5976x +
21.65 Bias -13.52 -5.61 -6.79 -2.25 -3.66 -7.77 0
RMSE 15.78 8.47 9.43 6.12 7.42 13.26 0
NMSE 0.42 0.14 0.14 0.06 0.09 0.24 0
FB 0.36 0.13 0.13 0.05 0.08 0.2 0
MG 1.43 1.14 1.13 1.05 1.08 1.23 1
VG 1.14 1.02 1.02 1 1.01 1.04 1
IOA 0.65 0.83 0.83 0.86 0.89 0.78 1
R2 0.6 0.65 0.71 0.61 0.78 0.52 1
R 0.77 0.81 0.84 0.78 0.88 0.72 1
Las PM10 puedes ser transportada a largas distancias (figura 10). El modelo muestra que viento
abajo en receptores ambientales, a 53.01 km desde la zona industrial de la mina, el aporte minero a
las concentraciones ambientales está en el rango de 0.31-6.21 µg/m3. A 46.06 km, los aportes están
en el rango de 0.55-8.28 µg/m3. A 33.91 km, se pueden alcanzar aportes desde 1.61- 32.14 µg/m3.
46
a- b.
Figura 10. Modelación PM10
a. Promedio de Concentraciones b. Día critico durante el modelado.
Se estima que las emisiones recibidas en estos receptores es debida a: 49.95% por emisiones en vías
de acarreos, 24.59% a las actividades en los tajos, 17.36% actividades realizadas en los botaderos,
4.18% actividades en áreas de Retrollenados, 2.59% en áreas de desarrollos de Tajos y 1.33% en
actividades de almacenamientos y erosión en áreas expuesta dentro del área de impacto directo.
6.2 Modelo de Regresión
Durante el periodo de modelación se presentaron 1524 y 3724 eventos de salud para RD1 y RD7,
respectivamente. Estos registros de casos comprenden consultas externas e ingresos a urgencias por
IRAs presentes en estos asentamientos urbanos (tabla 8).
Tabla 8.Número de eventos de salud para RD1 y RD7
VARIABLES RD1 RD7 TASA GLOBAL
Eventos de Salud 1524 3724 5248
Tasa*1000 58.4 155.16 104.75
Reingresos 34 361 395
≤ 5 años 545 1178 1723
≥ 50 años 68 442 510
% Población Femenina 59.62 56.98 57.64
% Población Masculina 40.38 43.02 42.36
La tasa de eventos es superior para RD7 con 155.16 Casos/1000 habitantes donde la frecuencia de
la población infantil representa el 31.63%. En cuanto a la distribución porcentual para el sexo se
observan diferencias significativas, se encontró que para ambas zonas la población femenina
47
registra la mayor frecuencia, 59.62% para RD1 y 56.98% para RD7. La tasa global de consultas
externas y urgencias por enfermedades respiratorias fue de 104.75 casos por cada 1000 habitantes.
Como es de notar, los niños menores presentan la mayor tasa que adultos con relación a los de edad
superior a 50 años.
De acuerdo con las IRAs presentadas, se encontró que el 96.3% de los casos, para la zona RD1, son
por Rinofaringitis Aguda donde la población infantil (≤ 5 años) es la más afectada con una
proporción del 45.5%. En la zona representada por RD7, la mayor tasa de eventos presentados se
debe a Rinofaringitis Aguda con 69.7%, seguida por infecciones respiratorias agudas no
especificadas con 14% y amigdalitis aguda no especificadas con 12.6% (tabla 9). En cuanto al sexo,
sigue presentándose diferencias significativas predominando en mayor proporción el número de
casos en el sexo femenino.
Tabla 9. Frecuencias de Eventos por IRAs
Eventos
salud
RD1 RD7
Fi Fem Mas ≤5 ≥50 Fi Fem Mas ≤5 ≥50
J00X 0.963 0.600 0.400 0.455 0.055 0.697 0.585 0.415 0.345 0.121
JO14 - - - - - 0.001 1 0 0.000 0.000
J018 - - - - - 0.003 0.462 0.538 0.308
0.231
J019 - - - - - 0.003 0.455 0.545 0.273 0.182
J020 0.002 0 1 1 0 - - - - -
J029 - - - - - 0.007 0.586 0.414 0.207 0.034
J030 0.003 0.250 0.750 0.250 0.000 0.021 0.623 0.377 0.182 0.104
J038 - - - - 0.001 0.500 0.500 0.500 0.000
J039 0.032 0.667 0.333 0.282 0.077 0.126 0.618 0.382 0.264 0.086
J040 - - - - - 0.001 1 0 0.000 0.500
J050 - - - - - 0.001 0.667 0.333 0.330 0.000
J069 - - - - - 0.140 0.625 0.375 0.259 0.131
Para la construcción de los modelos explicativos y la estimación del riesgo de incremento en los
eventos de salud por consultas externas e ingresos a urgencias por IRAs asociado a las variaciones
promedios de las contribuciones de PM10 al ambiente que llegan a la zona producto de la
explotación minera, se usó como exposición las contribuciones promedio cada 3 días para PM10
obtenida del modelo de dispersión para la zonas identificadas como RD1 y RD7.
En la gráfica 11 se observa el comportamiento temporal del conteo cada 3 días y las contribuciones
promedios de PM10 estimadas por el modelo de dispersión para RD1 y RD7.
48
Figura 11. Contribuciones PM10 - Eventos de Salud (RD1 y RD7)
.
Para la estimación del riesgo se probaron diferentes modelos generalizados de Poisson con rezagos
de 0 hasta 15 días; de acuerdo a los criterios de selección, el modelo definitivo, para estimar los
riesgos se encuentra ajustado solamente a la variable concentraciones PM10, que representa las
contribuciones recibida en el ambiente estimada por el modelo de dispersión y no a las
concentraciones ambientales. Los resultados que explica la mayor variabilidad, determinada en la
evaluación de la bondad de ajuste del modelo, estima rezagos de 6 días para RD1 y de 9 días para
RD7.
Para establecer los efectos estimados para RD1 se realizó el modelo de regresión de Poisson, con
periodo de latencia de 6 días, dando como resultado la siguiente expresión matemática:
LN(ES)= 0.7302 + 0.0158*[PM10] (26)
Donde, LN(ES) es la probabilidad de ocurrencia de Eventos de Salud en la zona RD1 y [PM10] son
las concentraciones de PM10 aportadas al ambiente producto de las emisiones de la mina de carbón a
cielo abierto.
El Modelo final fue realizado con un nivel de significancia de 0.05, evidenciando que los términos
de interacción entre las variables de estudios son significativos. Según el modelo, las contribuciones
de PM10 producto de la explotación minera es un factor de riesgos para la adquisición y prevalencia
de IRAs, considerando que este factor incide en los casos reportados en los grupos poblacional
estudiado. A través de los coeficientes estimados por el modelo, y particularmente evaluando el
riesgo relativo ocasionado por PM10, se tiene que por cada 1 µg/m3 de PM10 producto de las
emisiones mineras, se genera un incremento de los casos de eventos de salud en un 1.58% seis días
después, con un intervalo de confianza del 95%. Por ende, debido a la variabilidad de los cambios
de PM10 recibidos en esta zona entre los días simulados por Calpuff, se tiene un promedio semanal
de 7.92 µg/m3 de PM10, dichas concentraciones generaría por cada 100 eventos, 13 eventos
adicionales. El modelo para eventos de urgencias relacionadas por PM10, está dada por:
LN(ES-Urg)= 0.066 + 0.0019*[PM10] (27)
49
Donde, LN(ES-Urg) es la probabilidad de ingresos por urgencias debido a IRAs en la zona RD1 y
[PM10] son las concentraciones de PM10 aportadas al ambiente producto de las emisiones de la mina
de carbón a cielo abierto. Estimando el riesgo relativo ocasionado por PM10, se tiene que por cada 1
µg/m3 de PM10 producto de las emisiones mineras, se genera un incremento en los casos de
urgencias en un 0,19 % con periodo de latencia de 6 días, con un intervalo de confianza del 95%. Es
decir, por cada 100 visitas a urgencias, 2 visitas están relacionadas por las emisiones de PM10 en
estos receptores discretos.
Para establecer los efectos estimados para RD7 se realizó el modelo lineal generalizado Poisson,
con periodo de latencia de 9 días, dando como resultado la siguiente ecuación:
LN(ES)= 0.4489 + 0.0047*[PM10] (28)
Con nivel de significancia de 0.05 y promedios semanales estimados de 5.57 de µg/m3 de PM10 se
valora que por cada 100 eventos de salud semanales, 3 casos están relacionados con las
concentraciones de PM10. Dichas variabilidad, advierte que las concentraciones de PM10 recibidas
se convierten en un factor de riesgo.
6.3 Índice de Inhalación
Nuestro dominio de estudio contiene aproximadamente 225 496 habitantes según las proyecciones
realizadas (DANE, 2005). Se identificaron 10 zonas, donde se encuentra la mayor aglomeración de
habitantes por cada municipio, para determinar la fracción de Ingesta (figura 12). Los mayores
valores para IF fueron determinados para receptores ubicados a menos de 15.71 Km de las fuentes
del complejo minero; RD14 y RD2, registraron medias de 0.342 y 0.274, respectivamente. El menor
valor lo presento el receptor RD22 con un promedio de 2.20 x 10-03, ubicado a un radio aproximado
de 62.29 km de la fuentes emisoras.
Tabla 10. Estadísticos Índice de Inhalación
RECEPTORES �� 𝝈𝟐 𝝈 𝑪𝑽 𝑴Í𝒏 𝑴Á𝒙 BIAS
RD1 9.27E-02 3.55E-02 1.88E-01 2.03E+00 0.00E+00 9.89E-01 9.38E+00
RD2 2.74E-01 2.55E-02 1.60E-01 5.83E-01 0.00E+00 6.42E-01 5.45E-01
RD6 1.59E-02 8.08E-05 8.99E-03 5.65E-01 0.00E+00 3.27E-02 -2.62E-01
RD7 4.52E-02 6.08E-03 7.80E-02 1.73E+00 0.00E+00 3.41E-01 8.26E+00
RD14 3.42E-01 3.19E-02 1.79E-01 5.23E-01 0.00E+00 7.02E-01 -1.78E-01
RD22 2.20E-03 1.79E-06 1.34E-03 6.07E-01 1.81E-04 4.96E-03 6.07E-01
RD23 6.70E-02 1.85E-03 4.30E-02 6.41E-01 2.87E-03 1.47E-01 8.14E-01
RD24 6.87E-02 2.60E-03 5.10E-02 7.42E-01 3.74E-03 1.67E-01 1.57E+00
RD25 2.30E-02 1.46E-04 1.21E-02 5.26E-01 2.16E-03 4.59E-02 -5.18E-01
RD26 5.53E-02 9.18E-04 3.03E-02 5.47E-01 4.46E-03 1.16E-01 -2.13E-01
50
Las mayores variaciones estimadas fueron para RD1, RD7 y RD24 con coeficientes estadísticos de
2.03, 1.72, 0.74, la heterogeneidad de los datos se debe a su posición geográfica con respecto a las
fuentes y la dirección predominante del viento. Por otra parte, se presentaron mínimos donde la
fracción de ingesta fue nulos para los receptores RD1, RD2, RD6, RD7 y RD14. Hubo días en que
se estimaron la fracción de ingesta cercana a la unidad, RD1 presento un máximo de 0.99 (tabla 10).
Figura 12. Índice de Inhalación en Receptores
La figura 12 muestra valores de promedio diario de IF para cada uno de los receptores. Los mayores
valores se alcanzan en receptores cercanos a las minas. Los resultados representan factores de
riesgos en cada una de las áreas que conforman el dominio donde se realizó la modelización. Para
demostrar la magnitud aproximada de efectos en la salud asociados con estas fuentes y para ilustrar
la importancia relativa de los diversos constituyentes de partículas, se realizó un cálculo de una
estimación puntal para efectos de morbilidad por infecciones respiratorias utilizando supuestos
epidemiológicos estándar. Seleccionamos una función concentraciones PM10 – respuestas de
investigaciones realizadas (Tecer et al., 2008; Analitis et al., 2006; Romero et al., 2004; Zanobetti et
al., 2003; Pope III et al., 1995; Schwartz J., 1994), donde se estima que en promedio un incremento
de 30 µg/m3 de PM10 produciría un aumento de 2.5% consultas por infecciones respiratorias agudas
y 1.5% de crisis aguda por asma bronquial con rezago de 5 días. Aunque los autores reportar
múltiples valores alternativos, esta estimación se basa en los datos promedio de concentración
ambientales diarios a través de todo el período de estudio y está limitada por la función
concentración-respuesta sobre la cohorte poblacional de estudio. Para estos cálculos ilustrativos,
suponemos que todos los tipos de partículas tienen igualdad de toxicidad y que la receptividad de
las PM10 en los receptores está acorde con las concentraciones ambientales de la zona según los
parámetros de incertidumbres estimadas por el modelo de dispersión.
51
De acuerdo a las fracciones de inhalación determinada para cada uno de los receptores y supuestos
epidemiológicos establecidos para una cohorte poblacional, los posibles impactos resultantes de las
emisiones del complejo minero para los receptores son significativos (Tabla 11).
Tabla 11. % IRA y CAAB
RECEPTORES
DISCRETOS % IRA* % CAAB+
RD1 2.82 1.69
RD2 8.33 5
RD6 0.48 0.29
RD7 1.37 0.82
RD14 10.39 6.23
RD22 0.07 0.04
RD23 2.04 1.22
RD24 2.09 1.25
RD25 0.7 0.42
RD26 1.68 1.01
*Probabilidad Anual Infecciones Respiratorias Agudas + Probabilidad Anual Crisis aguda por Asma bronquial
Los valores de la tabla 11 son probabilidades que implican condiciones bajo supuestos
circunstanciales estimando probabilidades de eventos de IRA y CAAB. Como resultado, se estima
que en RD14 el 10.39% de los casos por IRA presentados anualmente están relacionados por las
emisiones de fuentes mineras. Las menores probabilidades están para los receptores RD22 y RD6.
El riesgo relativo para RD1 según el modelo de regresión es de 1.58% con periodo de latencia de
seis días y según la fracción de ingesta el riesgo probabilístico es de aproximadamente 2.82% con 5
días de rezagos. Por otra parte, para RD7 según el modelo de regresión estima un riesgo relativo de
0.47% con rezagos de 9 días y 0.82% de riesgos probabilísticos con rezago de 5 días estimado
según la fracción de inhalación. En ambos casos, el modelo de regresión y las estimaciones dadas
por índice de inhalación, advierte de un efecto de las concentraciones de PM10 en cada uno de los
receptores de interés.
52
7. DISCUSIÓN
El objetivo de la presente investigación fue determinar las relaciones existentes y los posibles
riesgos de adquisición y desarrollo de IRA debido a las emisiones de PM10 en un complejo minero
ubicado en el norte de Colombia. Es importante señalar que concentraciones ambientales de PM10
de fondo no se incorporan en la cuantificación del riesgo. Los posibles riesgos de presentarse
eventos por IRA solo tienen en cuenta la inhalación de partículas de PM10. Esto es porque los
estudios han demostrado que las contribuciones de riesgo por otras vías de exposición, como la
ingestión, son insignificantes en relación con la vía de inhalación.
El modelo de dispersión de PM10, conformado por el modelo meteorológico Calmet, demostró ser
adecuado en la simulación de los efectos locales del terreno y flujos de vientos que ´pueden afectar
las concentraciones. Esto es particularmente importante en este estudio, ya que las fuentes de
emisiones mineras están ubicadas dentro de una planicie aluvial bordeada por macizos montañosos
que se estima que alcanza los 5390 m.s.n.m. (Bartels G., 1984). El dominio de estudio se considera
una zona compleja que incluye zonas montañosas, planicies e influencia costeras. Los vientos en
superficie fueron muy variables con las características del terreno influenciada por flujos
direccionados en la planicie aluvial y los macizos montañosos. En el complejo minero, los vientos
son más ligeros y fluyen en dirección NE aumentando sus velocidades en toda la planicie (Figura
7). La disminución de las velocidades de los vientos se estiman en horas nocturnas donde disminuye
la capa de mezcla dando la posibilidad de mayor de acumulación de PM10.
Los resultados del modelo de dispersión y transporte de las PM10 fueron la entrada al modelo lineal
generalizado que estimo la probabilidad de ocurrencias de un evento de salud pública. Los
receptores utilizados para la validación del modelo están ubicados dentro del área de influencia
directa de las actividades mineras. El modelo de regresión lineal considerado para cada receptor,
producto de la modelación del Calpuff, estima concentración de background diferentes (tabla 7). La
figura 10 muestra las isopletas de las concentraciones de PM10 para todas las fuentes de emisiones
de partículas inventariadas en las minas a cielo abierto. Como se puede ver, las comunidades que se
encuentran asentadas viento debajo de la mina, dirección NE, se expone a riesgos potenciales de
sufrir enfermedades relacionadas con las PM10. Las mayores concentraciones se alcanzan en
cercanía a los tajos y adyacentemente a las vías de acarreos de materiales.
El modelo aporta alta confiabilidad en la estimación de la dispersión de los contaminantes y la
variabilidad de las concentraciones. La constante de regresión lineal muestra los background de
fondo resultado de la modelación. Los valores de concentraciones de fondo son diferentes y se
encuentran en un rango desde 10.82 µg/m3 a 25.56 µg/m3. Los background en receptores están
considerandos las fuentes naturales, fuentes cercanas distintas a las que se están considerando o
fuentes no identificables, su variabilidad está dado debido asentamiento humanos ubicados a pocos
metros.
53
Las PM10 emitidas alcanzaron distancias superiores a 50 km desde la zona minera. Se estimaron
que, en promedio, las emisiones recibidas en estos receptores se deben a actividades de acarreos.
Diversos estudios han demostrado el transporte a largas distancias de las PM10 (Song et al., 2006;
Rodrıguez et al., 2001; Prospero J., 1999). Lo que implica que, el impacto minero no debe ser
considerado de escala local sino de magnitud regional. Además, existen otros factores que pueden
contribuir a la sinergia de los efectos de las emisiones mineras como la meteorología subyacente,
composición química del material particulado y características demográfica de los receptores
humanos.
Nuestro dominio de estudio contiene aproximadamente 225.496 habitantes según las proyecciones
realizadas (DANE, 2005). La mayor aglomeración de se encuentra distribuidas principalmente en
10 zonas (figura 6). Los receptores RD1 y RD7 se encuentran ubicados a 2.63 km y 5.06 km,
respectivamente, de las fuentes mineras consideradas para la modelación de los impacto por eventos
respiratorios. En cuanto a RD1, el modelo que más se ajustó a explicar la variabilidad de los
eventos presentados debido a las concentraciones promedios semanales (LN(ES)= 0.7302 +
0.0158*[PM10]) estima que las emisiones de PM10 son significativas y representa un factor de riesgo
para la aparición de eventos por infecciones agudas en las vías superiores altas para la población de
la zona. El riesgo relativo estima que por cada 1 µg/m3 de PM10 se genera un incremento de
presentarse un evento, consultas externas o urgencias, de 1.58% seis días después. Por ende, se
estima que por cada 100 eventos presentados, la receptividad de PM10 está generando 13 eventos
adicionales. En cuanto a RD7, la ecuación (LN(ES)= 0.4489 + 0.0047*[PM10]) explica la relación
existente entre las PM10 y los eventos de salud con periodos de latencia de 9 días. Estas relaciones
sugieren que por cada 1 µg/m3 el riesgo relativo de presentarse visitas por consultas externa o
urgencias es de 0.47% para la población de la zona. Debido a las concentraciones estimadas se
valora que por cada 100 eventos de salud, 3 casos adicionales están relacionados por las
contribuciones de PM10 a la zona provenientes de las actividades mineras. Estas estimaciones dadas
por los modelos fueron interpretadas con los valores determinados por el índice de inhalación.
Los mayores riesgos estimados por índice de Inhalación están ubicados en los receptores menores a
15.71 km de las fuentes. Los índices de inhalación fueron calculados para todos los municipios de
la zona de La baja Guajira.
La magnitud de las emisiones y la ubicación del complejo minero (especialmente tajos abiertos y
vías de acarreos) dan lugar a diferentes niveles de las exposiciones en la comunidad. En la tabla 10,
figura 12 y el anexo 3, se muestran las contribuciones al riesgo general de cada de las comunidades
impactadas en la baja Guajira. La topografía del terreno es determinante en la dispersión de las
PM10 debido a que determina, a escala regional, la dirección del viento y el asentamiento de
material aumentando la exposición a los residentes que viven vientos abajo. Dentro del inventario
de emisiones, las emisiones en vías de acarreos de materiales constituyen la mayor fuente de
emisión de la zona. Aunque no se cuantifico las emisiones en estas vías por el flujo de vehículo
liviano debido a las limitaciones en la disponibilidad de datos que describen la magnitud y la
intensidad de las operaciones de transporte de vehículo liviano en estas vías destapadas. Estas
limitaciones de los datos pueden haber dado lugar a una subestimación de la magnitud global de las
54
emisiones y los riesgos atribuibles. Aunque aumentan las probabilidades de subestimación, los
resultados de la evaluación de riesgos son claros. Las emisiones totales de las actividades en la zona
minera de La Baja Guajira son la mayor fuente de riesgos para la salud de las comunidades. Por otra
parte, se infiere que la toxicidad y composición química de las emisiones son variables, aumentando
la probabilidad del riesgo.
Utilizando los datos demográficos de proyecciones, se estimó la población dentro de los límites de
la mayor ingesta promedio diaria. Alrededor de 105.620 personas, de las 144.465 personas que
viven dentro de los límites de dominio, están expuestas a niveles de inhalación dentro del rango de
2.33e-03 a 1.61e-01. Esto representa el 73.11% de la población total de la región de dominio del
modelado. Su distribución geográfica en el dominio es aproximadamente 1.85% de la superficie en
tierra demostrando que los impactos de las emisiones en las mina a cielo abierto son significativos.
De la tabla 11 se puede inferir que, anualmente 5.991 personas presentaran eventos de infecciones
respiratorias debido a la ingesta de material.
Para RD1 y RD7, receptores discretos donde se estimó el riesgo relativo, los valores del IF
presentaron altas variabilidades y días donde sus valores fueron nulos. Los efectos asociados para
estos receptores por eventos de infecciones respiratorias está determinado por el riesgo
probabilístico es de 2.82% y 0.82% con periodos de latencia de 5 días, respectivamente. En ambos
casos, el modelo de regresión e índice de inhalación, advierte de un efecto de las concentraciones de
PM10 en cada uno de los receptores de interés.
Varias hipótesis se utilizaron en nuestras estimaciones. Dentro de las cuales están la selección y
aplicación de las funciones de concentración-respuesta a los datos de estudios anteriores (Tecer et
al., 2008; Analitis et al., 2006; Romero et al., 2004; Zanobetti et al., 2003; Pope III et al., 1995),
estimación de la exposición, estimación de la subpoblación, las tasas de incidencia de línea de base,
y el umbral.
Cálculos de infecciones respiratorias se basaron en la función de concentración-respuesta para la
adquisición y prevalencia de infecciones respiratorias (Analitis et al., 2006; Romero et al., 2004). Se
sabe que la composición de MP puede variar según la región, y no todos los constituyentes de MP
tienen los mismos efectos en la salud. Sin embargo, numerosos estudios han demostrado que los
efectos en morbilidad de MP en una zona pueden compararse con los resultados de otras con
tendencias y patrones diferenciables (Pingkuan D., 2008). Por otra parte, se asumió que las
estimaciones a la exposición pronosticada podrían aplicarse a toda la población dentro de cada
cuadrícula de modelado. Es decir, se asumió la densidad población por áreas urbanas y rurales
considerando estar expuesto uniformemente a la concentración de modelado. Esta suposición es
típica en este tipo de estimaciones. Además, se incluyó solo las PM10 emitidas del complejo minero
y no se consideraron otras fuentes comerciales o domésticas.
Se asumió que las tasas de incidencia de referencia eran uniformes en cada cuadrícula del modelo.
Este supuesto es consistente con los métodos utilizados por los EPA para su evaluación de impacto
regulatorio (Fann et al., 2009; Pingkuan D., 2008; EPA1999a). Es de resaltar que, debido a que las
estimaciones se aplican a un dominio de modelado limitada (150 km x 150 km), la población
55
afectada es pequeña, y por lo tanto los impactos globales de salud estimados son menores que las
estimaciones realizadas a nivel departamental. Además, en la medida en que sólo un subconjunto
de los resultados de salud se considera aquí, las estimaciones deben considerarse una subestimación
del impacto total en salud pública de la región.
La evaluación de riesgos es un proceso complejo que requiere la integración de muchas variables y
supuestos. Debido a estas variables y supuestos, hay incertidumbres y limitaciones con los
resultados. Sin embargo, los resultados son aproximaciones a la realidad que nos permite entender
diversos procesos de impactos. Por un lado, existen las incertidumbres asociadas a los valores de
salud derivados del riesgo potencial para el público en general debido a que hay una gran variedad
de respuestas entre todos los individuos y el tiempo de exposición real a las concentraciones
emitidas.
Como se mencionó anteriormente, este análisis utiliza modelos de dispersión de aire para estimar
las concentraciones a las que está expuesta la población por unas fuentes de PM10 identificadas. Por
lo tanto, hay incertidumbre asociadas con el modelo de dispersión. El modelo CALPUFF fue
seleccionado para llevar a cabo este estudio, debido a su idoneidad por el tipo de terreno y el
tratamiento de las fuentes. Actualmente, es el modelo recomendado por Agencias Británicas y por
la EPA. Por otra parte, las entradas del modelo incluyen las tasas de emisión, los parámetros de
liberación de emisiones, las condiciones de salida del modelo meteorológico Calmet, y los
coeficientes de dispersión. Cada una de las entradas al modelo de dispersión tiene una
incertidumbre asociada. Entre estos insumos, las tasas de emisión y las condiciones meteorológicas
tienen el mayor efecto en los resultados de los modelos.
La incertidumbre total de la integración de los modelos fue calculada a través de las expresiones
utilizadas por Valderrama et al. (2005), para determinar promedio porcentual de desviación entre
modelos de predicción y datos experimentales de variables que involucren ecuaciones de estados.
Las relaciones de la incertidumbre total están dadas por las desviaciones en el modelo de dispersión
para estimar las concentraciones reales y los efectos significativos de las concentraciones de PM10
estimadas para explicar la tendencia estadística de los eventos de salud registrados. Dichas
relaciones, determinadas, expresan que la confiabilidad del modelo para determinar un evento por
IRAs debido a las emisiones mineras está en 75.4%.
En este estudio, las emisiones mineras de PM10 se asociaron con un aumento en las visitas de
urgencia hospitalaria y consultas externas por IRAs en poblaciones cercanas al complejo. En la Baja
Guajira, el mayor problema de contaminación atmosférica por material particulado está dado por la
explotación de carbón a cielo abierto, que en el presente estudio 5 estaciones receptoras excedieron
la norma en 2.5% de los días. Son múltiples las actividades realizadas en un complejo minero que
generan emisiones de PM10 (Tabla 6). Sin duda alguna, son una de las fuentes más significativas
que influye en la calidad de aire de la zona.
No se han documentados estudios en la zona sobre el impacto minero en la salud de los habitantes.
Los resultados del presente estudio muestran que Las PM10 se asocia con los casos de IRAs; esta
relación es consistente con otros estudios realizados en diferentes partes del mundo, los cuales
56
refieren un efecto adverso de la contaminación atmosférica sobre el sistema respiratorio humano.
En una investigación realizada en Virginia Occidental-Estados Unidos se observó un aumento de
enfermedades respiratorias del 33% en los niños que vivían a 1.6 km de una mina de carbón a cielo
abierto, un aumento acumulado de 21% a 3.2 km e incluso hasta un 12% en menos de 4.8 km
(Hendryx et al., 2008). Otros resultados muestran que, cuando la producción de carbón se
incrementa las tasas de las enfermedades cardiopulmonares (Hendryx y Zullig, 2009).
Los resultados de esta investigación sugieren efectos significativos de las emisiones de PM10 en la
zona minera de La Baja Guajira sobre las IRA. Estos problemas de contaminación del aire producen
un gran impacto en la salud pública por la demanda de servicio que generan. Se estima que un
mayor control sobre las emisiones repercutiría en una disminución de la demanda de servicios de
salud.
57
8. CONCLUSIONES
El impacto de las emisiones de PM10 debido a la extracción de carbón a cielo abierto en el norte de
Colombia es bastante significativo. Las contribuciones de las emisiones de PM10 en receptores
ubicados a más de 50 Km oscilan en un rango de 0.31 a 6.21 µg/m3 donde los mayores aportes es
debido a las actividades de acarreo, mostrando así la magnitud de las emisiones. Los niveles de
concentraciones diarios no superaron los límites máximos permisibles, establecido por la
normatividad colombiana, en los receptores ambientales. Las características de la dispersión están
determinadas por la dirección de los vientos y la topografía del terreno. Las direcciones
predominantes del viento es NE. Las mayores velocidades del viento y altura de mezcla se alcanzan
durante el día debido al incremento de la temperatura local y a la poca nubosidad. La altura de
mezcla puede alcanzar hasta los 2000 metros sobre el nivel del suelo en zonas donde se encuentra
localizados los tajos de producción. Por otra parte, la altura de mezcla disminuye hasta los 100
metros en horas nocturnas creando condiciones de acumulación de PM10 en la atmosfera. Estas
características meteorológicas influyen significativamente en el aumento de las concentraciones
ambientales en cercanías a tajos y zonas de acarreos, así como los patrones de dispersión viento
abajo.
Las emisiones de PM10 son significativas y representa un factor de riesgo para la aparición de
eventos por infecciones agudas en las vías superiores altas para la población de la zona. El riesgo
relativo de adquirir y desarrollar infecciones respiratorias en las vías superiores determinado en un
radio menor a 3 km desde las fuentes mineras, está dado por cada aumento de 1 µg/m3 de PM10 a las
concentraciones ambientales se genera un incremento de presentarse un evento, consultas externas o
urgencias, de 1.58% seis días después en la población residente. Por lo tanto, debido a las
contribuciones de PM10 dadas en esta zona se infiere que por cada 100 eventos presentados se está
generando 13 eventos adicionales que están directamente relacionados con la polución de la mina a
cielo abierto. Por otra parte, el riesgo relativo en un radio mayor a 5 km desciende a 0.47%, La tasa
de PM10 a las concentraciones ambientales muestran que por cada 100 eventos de salud, 3 casos
adicionales con periodo de latencia de 9 días están relacionados directamente con las emisiones
mineras. La población más vulnerable son los infantes, en especial los de género femenino.
En nuestro dominio de estudio, los valores de IF para las emisiones de la mina de carbón a cielo
abierto están en el rango de 2.20 x 10-03 a 0.342 para una población de 225 496 habitantes. Los
mayores valores se alcanzan en un radio de 15.71 km de las fuentes. Los resultados representan
factores de riesgos en los centro urbanos ubicados viento abajo. Bajo supuestos epidemiológicos, en
el receptor discreto RD14, donde se alcanzó el mayor valor de IF, se estima que el 10.39% de los
casos por IRA presentados anualmente están relacionados por las emisiones de fuentes mineras. En
un radio menor a 3 km, el riesgo probabilístico de adquirir y desarrollar IRA debido a la ingesta de
las emisiones mineras es de 2.82% con un periodo de latencia de 5 días. Por otro lado, en un radio
entre 5 a 7 km, el riesgo probabilístico es de 0.82% con el mismo periodo de latencia.
58
En el presente trabajo, se analizaron las relaciones existentes entre el PM10 y las infecciones
respiratorias en el sector minero de La Baja Guajira Colombiana a través de la utilización de
modelos atmosféricos, estadísticos y matemáticos. Aunque la utilización de los mismos implique la
aplicación de supuestos en la formulación, no lejanos a la realidad, se advierte de un efecto
significativo de las concentraciones de PM10 en la población. A pesar de estas limitaciones
acompañadas de las incertidumbres en la utilización de modelos, podemos sacar algunas
conclusiones acerca de la magnitud de las emisiones de PM10 por actividades minera en la zona. El
modelo de regresión y la estimación de la fracción de ingesta integrada a la modelización
atmosférica advierte de los efectos significativos de la minería a cielo abierto sobre adquisición y
prevalencia de las infecciones respiratorias. En la región, no se había cuantificado el impacto
ambiental a nivel regional lo que generaba carencias en las políticas de salud pública. Desde una
perspectiva política más amplia, nuestros resultados pueden ser utilizados como insumos o base
para evaluar las consecuencias de la extracción de carbón a cielo abierto desde una perspectiva de
salud más profunda. Esta información puede ayudar en el establecimiento de prioridades entre las
autoridades competentes para establecer estrategias de control de la contaminación ambiental en
Colombia, tales como el establecimiento de prioridades regionales y en la realización de la política
nacional del país.
Prospectiva: El uso de modelos de contaminación y la realización de estudios ecológicos
transversales cada vez toma más importancia debido a la inferencia y las aproximaciones que
permite estimar sobre la base de datos existentes. La realización de los mismos, versátiles
económicamente y factibles, permite seleccionar nuevas hipótesis para estudios más profundos en
cuanto a los efectos de la contaminación sobre la salud humana. Sus limitaciones implican la
inherencia de una falacia ecológica que no se convierte precisamente en un obstáculo determinante
para observar posibles relaciones entre variables ambientales e indicadores de salud. Las
formulaciones encontradas en este trabajo muestran el efecto significativo de las emisiones de PM10
realizadas por fuentes mineras en la zona de la Baja Guajira, este estudio probabilístico, no
determinísticos, permite inferir una clara relación. Se recomienda un mejoramiento del modelo de
dispersión como herramienta para una mayor gestión por parte de las empresas mineras. De igual
forma, se recomienda un estudio epidemiológico cuasiexperimiental que permita una mayor
compresión de los impactos mineros en el área de salud pública en la zona.
59
9. REFERENCIAS
Analitis, A., Katsouyanni, K., Dimakopoulou, K., Samoli, E., Nikoloulopoulos, A. K., Petasakis,
Y., ... & Pekkanen, J. (2006). Short-term effects of ambient particles on cardiovascular and
respiratory mortality. Epidemiology, 17(2), 230-233.
Aneja, Viney P., Aaron Isherwood & Peter Morgan (2012). "Characterization of particulate matter
(PM10) related to surface coal mining operations in Appalachia." Atmospheric Environment 54:
496-501
Authority, V. P. (2005). Environmental Assessment Application for the Deltaport Third Berth
Project, Roberts Bank, Delta, BC.
Axetell, K. (1978). Survey of fugitive dust from coal mines. US Environmental Protection Agency.
B.C. Ministry of Environment (2008). Guidelines for air quality dispersión modelling in British
Columbia. Tech. rep., Environmental Protection Division, Victoria.
Barna, M. G., & Gimson, N. R. (2002). Dispersion modelling of a wintertime particulate pollution
episode in Christchurch, New Zealand. Atmospheric Environment, 36(21), 3531-3544.
Bartels, G. (1984). Los pisos morfoclimáticos de la Sierra Nevada de Santa Marta (Colombia). La
Sierra Nevada de Santa Marta (Colombia), transecto Buritaca—La Cumbre. Cramer, Berlin. Studies
on Tropical Andean Ecosystems, 2, 99-129.
Bennett, D.H., McKone, T.E., Evans, J.S., Nazaroff, W.M., Margni, M.D., Jolliet, O., Smith, K.R.,
(2002). Defining intake fraction. Environmental Science and Technology 36, 206–211.
Bennett, J. E., Dolin, R., & Blaser, M. J. (2014). Mandell, Douglas, and Bennett's principles and
practice of infectious diseases. Elsevier Health Sciences.
Boshell, J., A. Molina & D. Herrera (2001). Una primera visión sobre el impacto del cambio
climático en la epidemiología de las infecciones respiratorias agudas en Colombia. Meteorol.
Colomb. 4:77-86. ISSN 0124-6984. Bogotá, D.C. Colombia.
Brabin, B., Smith, M., Milligan, P., Benjamin, C., Dunne, E., & Pearson, M. (1994). Respiratory
morbidity in Merseyside schoolchildren exposed to coal dust and air pollution. Archives of Disease
in Childhood, 70(4), 305.
Brownstein, J. S., & Mandl, K. D. (2008). Pediatric population size is associated with geographic
patterns of Acute Respiratory Infections among adults. Annals of emergency medicine, 52(1), 63-
68.
Brunekreef, B., & Holgate, S. T. (2002). Air pollution and health. The lancet, 360(9341), 1233-
1242.
60
Bryniarski, K. L., Dębski, G., Gawlik, I., Marchewka, J., Badacz, R., Marchewka, I., ... & Guzik, T.
(2015). Risk of hypertension and chronic low grade inflammation amoung healthy young subjects
living in the cities with different air pollution. Journal of the American Society of Hypertension,
9(4), e123.
Cerrejón. Modelación de Calidad del Aire Plan Minero (2013). Departamento Gestión Ambiental
Carbones del Cerrejón Limited.
Colley JRT, Brasser U. (1980 ) Chronic respiratory diseases in children in relation to air pollution.
Copenhagen: World Health Organisation, (EURO reports and studies No 28).
Curci, G., Cinque, G., Tuccella, P., Visconti, G., Verdecchia, M., Iarlori, M., & Rizi, V. (2012).
Modelling air quality impact of a biomass energy power plant in a mountain valley in Central Italy.
Atmospheric Environment.
DANE, Colombia. Departamento Administrativo Nacional de Estadística. Colombia. Proyecciones
de población, por área, según municipios. Disponible en www.dane.gov.co.
Dassen, W., Brunekreef, B., Hoek, G., Hofschreuder, P., Staatsen, B., Groot, H. D., ... & Biersteker,
K. (1986). Decline in children’s pulmonary function during an air pollution episode. Journal of the
Air Pollution Control Association, 36(11), 1223-1227.
Demanda Mundial Energética. BuenasTareas.com. Recuperado 02, 2013, de
http://www.buenastareas.com/ensayos/Demanda-Mundialenergtica/7231575.html
EPA1999a, U. S. Regulatory Impact Analysis-Control of Air Pollution from New Motor Vehicles:
Tier 2 Motor Vehicle Emissions Standards and Gasoline Sulfur Control Requirements. Washington,
DC: US Environmental Protection Agency, Office of Air and Radiation.
Fann, N., Fulcher, C. M., & Hubbell, B. J. (2009). The influence of location, source, and emission
type in estimates of the human health benefits of reducing a ton of air pollution. Air Quality,
Atmosphere & Health, 2(3), 169-176.
Forsen, A., Strand, M., Cicutto, L., & James, K. (2015). Pm10 Concentrations And Asthma Related
Health Services Use In A Rural Community In Colorado. Am J Respir Crit Care Med, 191, A3902.
Ghannam, K., & El-Fadel, M. (2013). Emissions characterization and regulatory compliance at an
industrial complex: an integrated MM5/CALPUFF approach. Atmospheric Environment.
Ghose M.K., Banerjee S.K., 2008. Analyzing Sources of Air Pollution with Factal Analysis: Case
Study from a Coal Washery in India. Environmental Quality Management, 75-88.
Ghose, M.K and S. R. Majee. (2007). Characteristics of Hazardous Airborne Dust Around an Indian
Surface Coal Mining Area. Environmental Monitorting Assessment, 130, 17-25.
61
Ghose, M.K., 2007. Generation and Quantification of Hazardous Dusts from Coal Mining in the
Indian Context. Environmental Monitoring Assessment 130, 35-45.
Greco, S. L., Wilson, A. M., Spengler, J. D., & Levy, J. I. (2007). Spatial patterns of mobile source
particulate matter emissions-to-exposure relationships across the United States. Atmospheric
Environment, 41(5), 1011-1025.
Hajat A, et al. Effects of air pollution on general practitioner consultations for upper respiratory
diseases in London. Occup Environ Med. 2002; num 59: pág. 294–299
Hawker, J. I., Olowokure, B., Sufi, F., Weinberg, J., Gill, N., & Wilson, R. C. (2003). Social
deprivation and hospital admission for respiratory infection:: an ecological study. Respiratory
medicine, 97(11), 1219-1224.
Hendryx Michael, O’Donnell Kathryn, Horn Kimberly. (2008). Lung cancer mortality is elevated in
coal-mining areas of Appalachia. Lung Cancer, 62(1), 1-7.
Hendryx Michael, Zullig Keith J. (2009). Higher coronary heart disease and heart attack morbidity
in Appalachian coal mining regions. Preventive Medicine, 49(5), 355–359.
Hendryx, M. (2008). Mortality rates in Appalachian coal mining counties: 24 years behind the
nation. Environmental Justice, 1(1), 5-11.
Hendryx, M., & Ahern, M. M. (2008). Relations between health indicators and residential proximity
to coal mining in West Virginia. American Journal of Public Health, 98(4), 669-671.
Hendryx, M., Ahern, M. M., & Nurkiewicz, T. R. (2007). Hospitalization patterns associated with
Appalachian coal mining. Journal of Toxicology and Environmental Health, Part A, 70(24), 2064-
2070.
Hezhong T, Peipei Q, Ke Cheng, Jiajia G, Long Lu. (2013). Current status and future trends of SO2
and NOx pollution during the 12th FYP period in Guiyang city of China. Atmospheric
Environment, 44(38), 4850-4858.
Howel, D., Darnell, R., & Pless-Mulloli, T. (2001). Children's respiratory health and daily
particulate levels in 10 nonurban communities. Environmental Research, 87(1), 1-9.
Howel, D., Pless-Mulloli, T., & Darnell, R. (2001). Consultations of children living near open-cast
coal mines. Environmental health perspectives, 109(6), 567.
Humbert, S., Marshall, J. D., Shaked, S., Spadaro, J. V., Nishioka, &, Preiss, P., & Jolliet, O.
(2011). Intake fraction for particulate matter: recommendations for life cycle impact assessment.
Environmental science & technology, 45(11), 4808-4816.
Ilabaca, M., Olaeta, I., Campos, E., Villaire, J., Tellez-Rojo, M. M., & Romieu, I. (1999).
Association between levels of fine particulate and emergency visits for pneumonia and other
62
respiratory illnesses among children in Santiago, Chile. Journal of the Air & Waste Management
Association, 49(9), 154-163.
Janjua, N. Z., Mahmood, B., Dharma, V. K., Sathiakumar, N., & Khan, M. I. (2012). Use of
biomass fuel and acute respiratory infections in rural Pakistan. Public Health.
Jiménez Hernández, L. (2015). Efectos de la contaminación atmosférica por PM10 sobre las
consultas a urgencias por enfermedades respiratotias en menores de 15 años y mayores de 60 años y
mortalidad general en Cali, durante 2010 y 2011 [recurso electrónico] (Doctoral dissertation).
Kessler, R. & Douglas, S. (1988). User's guide to the diagnostic wind field model (Version 1.0).
Systems Applications. Inc., San Rafael, CA, 48.
Knaus, W. A., Wagner, D. P., Draper, E. A., Zimmerman, J. E., Bergner, M., Bastos, P. G., ... &
Damiano, A. (1991). The APACHE III prognostic system. Risk prediction of hospital mortality for
critically ill hospitalized adults. Chest Journal, 100(6), 1619-1636.
Kumari, S., Kumar, R., Mishra, K. K., Pandey, J. K., Udayabhanu, G. N., & Bandopadhyay, A. K.
(2011). Determination of quartz and its abundance in respirable airborne dust in both coal and metal
mines in India. Procedia Engineering, 26, 1810-1819.
Lang, J. E., Dozor, A. J., Holbrook, J. T., Mougey, E., Krishnan, S., Sweeten, S., ... & Lima, J. J.
(2013). Biologic Mechanisms of Environmental Tobacco Smoke in Children with Poorly Controlled
Asthma: Results from a Multicenter Clinical Trial. The Journal of Allergy and Clinical
Immunology: In Practice.
Levy, J. I., Spengler, J. D., Hlinka, D., Sullivan, D., & Moon, D. (2002). Using CALPUFF to
evaluate the impacts of power plant emissions in Illinois: model sensitivity and implications.
Atmospheric Environment, 36(6), 1063-1075.
Levy, J. I., Wolff, S. K., & Evans, J. S. (2002). A Regression‐Based Approach for Estimating
Primary and Secondary Particulate Matter Intake Fractions. Risk Analysis, 22(5), 895-904.
Liu, A. Y., Curriero, F. C., Glass, T. A., Stewart, W. F., & Schwartz, B. S. (2013). The contextual
influence of coal abandoned mine lands in communities and type 2 diabetes in Pennsylvania. Health
& place, 22, 115-122.
MacIntosh, D. L., Stewart, J. H., Myatt, T. A., Sabato, J. E., Flowers, G. C., Brown, K. W., &
Sullivan, D. A. (2010). Use of CALPUFF for exposure assessment in a near-field, complex terrain
setting. Atmospheric Environment, 44(2), 262-270.
Marshall, J. D., Teoh, S. K., & W Nazaroff, W. (2005). Intake fraction of nonreactive vehicle
emissions in US urban areas. Atmospheric Environment, 39(7), 1363-1371.
Ministerio de Minas y Energías, 2015. Comportamiento de la Producción Minera en Colombia,
[Online]. Available: https://www.minminas.gov.co/analisis-minero.
63
Ministerio de Relaciones Exteriores República de Colombia (Ene., 2011). Colombia: un país con
diversidad energética. [En línea].
Ministerio de Salud y Protección Social (May., 2013). Sistema de salud en Colombia. No. 27 [en
línea ].
Muñoz, F., & Carvalho, M. S. (2009). Effect of exposure time to PM10 on emergency admissions
for acute bronchitis. Cadernos de Saúde Pública, 25(3), 529-539.
Ostro, B. D., Eskeland, G. S., Sanchez, J. M., & Feyzioglu, T. (1999). Air pollution and health
effects: a study of medical visits among children in Santiago, Chile. Environmental Health
Perspectives, 107(1), 69.
Pielke Sr, R. A. (2013). Mesoscale meteorological modeling (Vol. 98). Academic press.
Pingkuan, D. (2008). Diesel Particulate Matter Health Risk Assessment for the West Oakland
Community. California Air Resources Board, Sacramento, CA
Pope 3rd, C. A., Bates, D. V., & Raizenne, M. E. (1995). Health effects of particulate air pollution:
time for reassessment?. Environmental health perspectives, 103(5), 472.
Pope 3rd, C. A., Hill, R. W., & Villegas, G. M. (1999). Particulate air pollution and daily mortality
on Utah's Wasatch Front. Environmental Health Perspectives, 107(7), 567.
Pope CA III, Dockery DW. (2006). Health effects of fine particulate air pollution: lines that
connect. J Air Waste Management Association. 56 (6), 709 –742.
Pope III, C. A., Schwartz, J., & Ransom, M. R. (1992). Daily mortality and PM10 pollution in Utah
Valley. Archives of Environmental Health: An International Journal, 47(3), 211-217.
Pope, C.A. III Ezzati, Majid. Dockery Douglas W (2009). Fine-Particulate Air Pollution and Life
Expectancy in the United States. New England Journal of Medicine.; (360): 376-386.
Prospero, J. M. (1999). Long-range transport of mineral dust in the global atmosphere: Impact of
African dust on the environment of the southeastern United States. Proceedings of the National
Academy of Sciences, 96(7), 3396-3403.
Qu Y, Tang Y, Cao D, Wu F, Liu J, Lu G, Zhang Z, Xia Z. Genetic polymorphisms in alveolar
macrophage response-related genes, and risk of silicosis and pulmonary tuberculosis in Chinese
iron miners. Int J Hyg Environ Health. 2007
Ranzato, L., Barausse, A., Mantovani, A., Pittarello, A., Benzo, M., & Palmeri, L. (2012). A
comparison of methods for the assessment of odor impacts on air quality: Field inspection (VDI
3940) and the air dispersion model CALPUFF. Atmospheric Environment.
Reyna Carranza, Marco. Quintero Núñez, Margarito (2003). Análisis de la relación del PM10 con
las enfermedades respiratorias en la población urbana de mexicali, baja california: un estudio de
64
series de tiempo. En: Revista Mexicana de Ingeniería Biomédica. Vol. XXIV, Núm. 2 (Sep.,) pp
116 – 125
Rood, A. S. (2014). Performance evaluation of AERMOD, CALPUFF, and legacy air dispersion
models using the Winter Validation Tracer Study dataset. Atmospheric Environment, 89, 707-720.
Rodrıguez, S., Querol, X., Alastuey, A., Kallos, G., & Kakaliagou, O. (2001). Saharan dust
contributions to PM10 and TSP levels in Southern and Eastern Spain. Atmospheric Environment,
35(14), 2433-2447.
Romero-Placeres, M., Más-Bermejo, P., Lacasaña-Navarro, M., Rojo-Solís, M. M. T., Aguilar-
Valdés, J., & Romieu, I. (2004). Air pollution, bronchial asthma, and acute respirator and infections
in children less years of age, Habana City. Salud Pública de México, 46(3), 222-233.
Rood, A. S. (2014). Performance evaluation of AERMOD, CALPUFF, and legacy air dispersion
models using the Winter Validation Tracer Study dataset.Atmospheric Environment, 89, 707-720.
Rosales-Castillo, José Alberto, Torres-Meza, Víctor Manuel, Olaiz-Fernández, Gustavo, & Borja-
Aburto, Víctor H.. (2001). Los efectos agudos de la contaminación del aire en la salud de la
población: evidencias de estudios epidemiológicos. Salud Pública de México, 43(6), 544-555
Salas Bahamon, Jaime. El Cerrejón y sus efectos. Una perspectiva socioeconómica y ambiental.
Bogotá. (Jun., 2004).
Salinas-Rodríguez, A., Manrique-Espinoza, B., & Sosa-Rubí, S. G. (2009). Análisis estadístico para
datos de conteo: aplicaciones para el uso de los servicios de salud. salud pública de méxico, 51(5),
397-406.
Schwartz, J. (1994). PM10 ozone, and hospital admissions for the elderly in Minneapolis-St. Paul,
Minnesota. Archives of Environmental Health: An International Journal, 49(5), 366-374.
Scire, J. S., Strimaitis, D. G., & Yamartino, R. J. (2000). A user’s guide for the CALPUFF
dispersion model. Earth Tech, Inc, 521.
Shanley, R. P., Hayes, R. B., Cromar, K. R., Ito, K., Gordon, T., & Ahn, J. (2015). " Particulate Air
Pollution and Clinical Cardiovascular Disease Risk Factors". Epidemiology (Cambridge, Mass.).
Shearer D L, Dougherty R A and Easterbrook CC (1981). Coal mining e mission factor
development and modeling study. Englewood, CO: TRC Environmental Consultants
Song, Y., Zhang, M., & Cai, X. (2006). PM10 modeling of Beijing in the winter. Atmospheric
Environment, 40(22), 4126-4136.
Szklo, M., & Nieto, J. (2003). Epidemiología intermedia. Ediciones Díaz de Santos.269-274
Tainio, M., Sofiev, M., Hujo, M., Tuomisto, J. T., Loh, M., Jantunen, M. J., ... & Kukkonen, J.
(2009). Evaluation of the European population intake fractions for European and Finnish
65
anthropogenic primary fine particulate matter emissions. Atmospheric Environment, 43(19), 3052-
3059.
Tecer, L. H., Alagha, O., Karaca, F., Tuncel, G., & Eldes, N. (2008). Particulate matter (PM2. 5,
PM10-2.5, and PM10) and children's hospital admissions for asthma and respiratory diseases: A
bidirectional case-crossover study. Journal of Toxicology and Environmental Health, Part A, 71(8),
512-520.
Duoxing Yanga, Yongwei Hanb, Jixi Gaob, Jesse Théc (2007). Transport of airborne particulate
matters originating from Mentougou, Beijing, China. China Particuology, 6, 007.
USEPA, 2008. Clarification of regulatory status of CALPUFF for near-field applications.
U.S.Environmental Protection Agency, Research Triangle Park, NC.
Valderrama, J. O., & Alvarez, V. H. (2005). Correct way of reporting results when modelling
supercritical phase equilibria using equations of state. The Canadian Journal of Chemical
Engineering, 83(3), 578-581.
Van Zelm, R., Huijbregts, M. A., den Hollander, H. A., van Jaarsveld, H. A., Sauter, F. J., Struijs,
J., ... & van de Meent, D. (2008). European characterization factors for human health damage of
PM10 and ozone in life cycle impact assessment. Atmospheric Environment, 42(3), 441-453.
Vives Brosa, J. (2002). El diagnóstico de la sobredispersión en modelos de análisis de datos de
recuento. Phd Thesis – Universidad Autónoma de Barcelona. Departamento de Psicología y
metodología de ciencias de la salud. 23-46.
Wang, M., Gehring, U., Hoek, G., Keuken, M., Jonkers, S., Beelen, R., ... & Brunekreef, B. (2015).
Air Pollution and Lung Function in Dutch Children: A Comparison of Exposure Estimates and
Associations Based on Land Use Regression and Dispersion Exposure Modeling Approaches.
Environmental health perspectives.
WHO. (2006). Air Quality Guidelines: Global Update 2005. Particulate Matter, Ozone, Nitrogen
Dioxide and Sulfur Dioxide. World Health Organization.
WHO. International statistical classification of diseases and related health problems (2010). 10th
revision ed. Geneva; 2010.ISBN: 978-92-4-154834-2
Yao, R., Xu, X., & Xin, C. (2011). A tracer experiment study to evaluate the CALPUFF real time
application in a near-field complex terrain setting. Atmospheric Environment, 45(39), 7525-7532.
Yin, H., Xu, L., & Cai, Y. (2015). Monetary Valuation of PM10-Related Health Risks in Beijing
China: The Necessity for PM10 Pollution Indemnity. International journal of environmental
research and public health, 12(8), 9967-9987.
66
Zanobetti, A., Schwartz, J., Samoli, E., Gryparis, A., Touloumi, G., Peacock, J., ... & Katsouyanni,
K. (2003). The temporal pattern of respiratory and heart disease mortality in response to air
pollution. Environmental health perspectives, 111(9), 1188.
Zhou, Y., Levy, J. I., Evans, J. S., & Hammitt, J. K. (2006). The influence of geographic location on
population exposure to emissions from power plants throughout China. Environment International,
32(3), 365-373.
Zhou, Y., Levy, J. I., Hammitt, J. K., & Evans, J. S. (2003). Estimating population exposure to
power plant emissions using CALPUFF: a case study in Beijing, China. Atmospheric Environment,
37(6), 815-826.
José L. Rodríguez, Luis C. Angulo, Gloria M. Restrepo, Roberto Rojano. (2014). Evaluation of the
models CALMET and CALPUFF in two sites topographically different in the coal mining zone of
department of Cesar, Colombia. ProScience vol 1, (2014), 94-99
67
10. ANEXOS
Anexo 1. Modelación Meteorológica
VELOCIDAD Y DIRECCIÓN DEL VIENTO
a-. Velocidad del viento en horas solares. 12 LST. Dia de modelacion 23.
b-. Velocidad del viento en horas solares. 22 LST. Dia de modelacion 23.
68
ESTABILIDAD ATMOSFERICA
a- Estabilidad Pasquill Gifford en horas solares
b- Estabilidad Pasquill Gifford en horas nocturnas
70
Anexo 2. Resultados Modelos de Regresión - R Project
Modelo de Regresión para RD1
Call:
glm(formula = ES.RD1 ~ PM10.RD1, family = poisson(log), data =
Datos)
Deviance Residuals:
Min 1Q Median 3Q Max
-7.0241 -3.4161 -0.4928 2.1703 7.2262
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.730217 0.045115 60.55 <2e-16 ***
PM10.RD1 0.015783 0.003526 16.72 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance: 936.02 on 57 degrees of freedom
Residual deviance: 685.81 on 56 degrees of freedom
AIC: 960.25
71
Grafica de Diagnósticos
Eventos de Salud
PM10
0 5 10 15 20 25 30
Regresion Poisson
Model 95%
0
20
40
60
80
100
72
Grafica de influencias
3.0 3.5 4.0
-50
5
Predicted values
Resid
uals
Residuals vs Fitted
17
4655
-2 -1 0 1 2
-50
5
Theoretical Quantiles
Std
. devia
nce r
esid
. Normal Q-Q
46
17
55
3.0 3.5 4.0
0.0
1.5
3.0
Predicted values
Std
. devia
nce r
esid
. Scale-Location46
17 55
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35
-50
510
Leverage
Std
. P
ears
on r
esid
.
Cook's distance
10.5
0.51
Residuals vs Leverage
46
24
55
glm(ES.RD1 ~ PM10.RD1)
0.05 0.10 0.15 0.20 0.25 0.30 0.35
-50
5
Hat-Values
Stu
de
ntize
d R
esid
ua
ls
17
24
45
46
73
Pruebas de Razón de Verosimilitud
Factor Chi-
Cuadrada
Gl Valor-P
RD1 250.207 1 0.0000
Estadístico Durbin-Watson
= 1.56979 (P=0.0438)
Modelo de Regresión para RD7
Call:
glm(formula = ES.RD7 ~ PM10.RD7, family = poisson(log), data =
Datos)
Deviance Residuals:
Min 1Q Median 3Q Max
-11.4676 -3.5843 0.2128 2.1554 7.0021
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.448903 0.028228 137.69 <2e-16 ***
PM10.RD7 0.004702 0.003535 11.51 <2e-16 ***
---
74
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance: 1087.93 on 56 degrees of freedom
Residual deviance: 962.24 on 55 degrees of freedom
(1 observation deleted due to missingness)
AIC: 1295.5
Number of Fisher Scoring iterations: 5
Grafica de Diagnósticos
Eventos de Salud
PM10
Regression Poisson
Model 95%
0 4 8 12 16 20 24
0
30
60
90
120
150
75
Grafica de influencias
4.0 4.2 4.4 4.6
-10
05
Predicted values
Resid
uals
Residuals vs Fitted
48
55
7
-2 -1 0 1 2
-10
05
Theoretical Quantiles
Std
. devia
nce r
esid
. Normal Q-Q
48
55
7
4.0 4.2 4.4 4.6
0.0
1.5
3.0
Predicted values
Std
. devi
ance r
esid
. Scale-Location48
55 7
0.00 0.10 0.20 0.30
-10
05
10
Leverage
Std
. P
ears
on r
esid
.
Cook's distance
10.5
0.51
Residuals vs Leverage
54
27
glm(ES.RD7 ~ PM10.RD7)
76
Pruebas de Razón de Verosimilitud
Factor Chi-Cuadrada Gl Valor-P
RD7 125.686 1 0.0000
Estadístico Durbin-Watson
= 1.66681 (P=0.0997)
0.00 0.05 0.10 0.15 0.20 0.25 0.30
-10
-50
5
Hat-Values
Stu
de
ntize
d R
esid
ua
ls
2
48
54
55
78
Anexo 4. Input Calpuff Model-Highlight CALPUFF MODEL CONTROL FILE
--------------------------
-------------------------------------------------------------------------------
INPUT GROUP: 3a, 3b -- Species list
-------------------
------------
Subgroup (3a)
------------
The following species are modeled:
! CSPEC = PM10 ! !END!
Dry OUTPUT GROUP
SPECIES MODELED EMITTED DEPOSITED NUMBER
NAME (0=NO, 1=YES) (0=NO, 1=YES) (0=NO, (0=NONE,
(Limit: 12 1=COMPUTED-GAS 1=1st CGRUP,
Characters 2=COMPUTED-PARTICLE 2=2nd CGRUP,
in length) 3=USER-SPECIFIED) 3= etc.)
! PM10 = 1, 1, 2, 0 !
!END!
Note: The last species in (3a) must be 'BCON' when using the
boundary condition option (MBCON > 0). Species BCON should
typically be modeled as inert (no chem transformation or
removal).
-------------
Subgroup (3b)
-------------
The following names are used for Species-Groups in which results
for certain species are combined (added) prior to output. The
CGRUP name will be used as the species name in output files.
Use this feature to model specific particle-size distributions
by treating each size-range as a separate species.
Order must be consistent with 3(a) above.
-------------------------------------------------------------------------------
INPUT GROUP: 4 -- Map Projection and Grid control parameters
--------------
Projection for all (X,Y):
-------------------------
Map projection
(PMAP) Default: UTM ! PMAP = UTM !
UTM : Universal Transverse Mercator
TTM : Tangential Transverse Mercator
LCC : Lambert Conformal Conic
PS : Polar Stereographic
EM : Equatorial Mercator
LAZA : Lambert Azimuthal Equal Area
False Easting and Northing (km) at the projection origin
(Used only if PMAP= TTM, LCC, or LAZA)
(FEAST) Default=0.0 ! FEAST = 0.000 !
(FNORTH) Default=0.0 ! FNORTH = 0.000 !
UTM zone (1 to 60)
(Used only if PMAP=UTM)
(IUTMZN) No Default ! IUTMZN = 18 !
Hemisphere for UTM projection?
(Used only if PMAP=UTM)
79
(UTMHEM) Default: N ! UTMHEM = N !
N : Northern hemisphere projection
S : Southern hemisphere projection
Latitude and Longitude (decimal degrees) of projection origin
(Used only if PMAP= TTM, LCC, PS, EM, or LAZA)
(RLAT0) No Default ! RLAT0 = 0N !
(RLON0) No Default ! RLON0 = 0E !
TTM : RLON0 identifies central (true N/S) meridian of projection
RLAT0 selected for convenience
LCC : RLON0 identifies central (true N/S) meridian of projection
RLAT0 selected for convenience
PS : RLON0 identifies central (grid N/S) meridian of projection
RLAT0 selected for convenience
EM : RLON0 identifies central meridian of projection
RLAT0 is REPLACED by 0.0N (Equator)
LAZA: RLON0 identifies longitude of tangent-point of mapping plane
RLAT0 identifies latitude of tangent-point of mapping plane
Matching parallel(s) of latitude (decimal degrees) for projection
(Used only if PMAP= LCC or PS)
(XLAT1) No Default ! XLAT1 = 0N !
(XLAT2) No Default ! XLAT2 = 0N !
LCC : Projection cone slices through Earth's surface at XLAT1 and XLAT2
PS : Projection plane slices through Earth at XLAT1
(XLAT2 is not used)
----------
Note: Latitudes and longitudes should be positive, and include a
letter N,S,E, or W indicating north or south latitude, and
east or west longitude. For example,
35.9 N Latitude = 35.9N
118.7 E Longitude = 118.7E
Datum-region
------------
The Datum-Region for the coordinates is identified by a character
string. Many mapping products currently available use the model of the
Earth known as the World Geodetic System 1984 (WGS-84). Other local
models may be in use, and their selection in CALMET will make its output
consistent with local mapping products. The list of Datum-Regions with
official transformation parameters is provided by the National Imagery and
Mapping Agency (NIMA).
NIMA Datum - Regions(Examples)
------------------------------------------------------------------------------
WGS-84 WGS-84 Reference Ellipsoid and Geoid, Global coverage (WGS84)
NAS-C NORTH AMERICAN 1927 Clarke 1866 Spheroid, MEAN FOR CONUS (NAD27)
NAR-C NORTH AMERICAN 1983 GRS 80 Spheroid, MEAN FOR CONUS (NAD83)
NWS-84 NWS 6370KM Radius, Sphere
ESR-S ESRI REFERENCE 6371KM Radius, Sphere
Datum-region for output coordinates
(DATUM) Default: WGS-84 ! DATUM = BOO !
METEOROLOGICAL Grid:
Rectangular grid defined for projection PMAP,
with X the Easting and Y the Northing coordinate
No. X grid cells (NX) No default ! NX = 150 !
No. Y grid cells (NY) No default ! NY = 150 !
No. vertical layers (NZ) No default ! NZ = 10 !
Grid spacing (DGRIDKM) No default ! DGRIDKM = 1.0 !
Units: km
Cell face heights
(ZFACE(nz+1)) No defaults
Units: m
! ZFACE = .0, 20.0, 40.0, 80.0, 100.0, 500.0, 1000.0, 1500.0, 3000.0, 4500.0,
5000.0 !
80
Reference Coordinates
of SOUTHWEST corner of
grid cell(1, 1):
X coordinate (XORIGKM) No default ! XORIGKM = 636.291 !
Y coordinate (YORIGKM) No default ! YORIGKM = 1134.036 !
Units: km
COMPUTATIONAL Grid:
The computational grid is identical to or a subset of the MET. grid.
The lower left (LL) corner of the computational grid is at grid point
(IBCOMP, JBCOMP) of the MET. grid. The upper right (UR) corner of the
computational grid is at grid point (IECOMP, JECOMP) of the MET. grid.
The grid spacing of the computational grid is the same as the MET. grid.
X index of LL corner (IBCOMP) No default ! IBCOMP = 1 !
(1 <= IBCOMP <= NX)
Y index of LL corner (JBCOMP) No default ! JBCOMP = 1 !
(1 <= JBCOMP <= NY)
X index of UR corner (IECOMP) No default ! IECOMP = 150 !
(1 <= IECOMP <= NX)
Y index of UR corner (JECOMP) No default ! JECOMP = 150 !
(1 <= JECOMP <= NY)
SAMPLING Grid (GRIDDED RECEPTORS):
The lower left (LL) corner of the sampling grid is at grid point
(IBSAMP, JBSAMP) of the MET. grid. The upper right (UR) corner of the
sampling grid is at grid point (IESAMP, JESAMP) of the MET. grid.
The sampling grid must be identical to or a subset of the computational
grid. It may be a nested grid inside the computational grid.
The grid spacing of the sampling grid is DGRIDKM/MESHDN.
Logical flag indicating if gridded
receptors are used (LSAMP) Default: T ! LSAMP = T !
(T=yes, F=no)
X index of LL corner (IBSAMP) No default ! IBSAMP = 1 !
(IBCOMP <= IBSAMP <= IECOMP)
Y index of LL corner (JBSAMP) No default ! JBSAMP = 1 !
(JBCOMP <= JBSAMP <= JECOMP)
X index of UR corner (IESAMP) No default ! IESAMP = 150 !
(IBCOMP <= IESAMP <= IECOMP)
Y index of UR corner (JESAMP) No default ! JESAMP = 150 !
(JBCOMP <= JESAMP <= JECOMP)
Nesting factor of the sampling
grid (MESHDN) Default: 1 ! MESHDN = 1 !
(MESHDN is an integer >= 1)
!END!
-------------------------------------------------------------------------------
INPUT GROUP: 5 -- Output Options
--------------
* *
FILE DEFAULT VALUE VALUE THIS RUN
---- ------------- --------------
Concentrations (ICON) 1 ! ICON = 1 !
Dry Fluxes (IDRY) 1 ! IDRY = 1 !
Wet Fluxes (IWET) 1 ! IWET = 1 !
81
2D Temperature (IT2D) 0 ! IT2D = 0 !
2D Density (IRHO) 0 ! IRHO = 0 !
Relative Humidity (IVIS) 1 ! IVIS = 0 !
(relative humidity file is
required for visibility
analysis)
Use data compression option in output file?
(LCOMPRS) Default: T ! LCOMPRS = T !
INPUT GROUP: 12 -- Misc. Dispersion and Computational Parameters
---------------
Horizontal size of puff (m) beyond which
time-dependent dispersion equations (Heffter)
are used to determine sigma-y and
sigma-z (SYTDEP) Default: 550. ! SYTDEP = 5.5E02 !
Switch for using Heffter equation for sigma z
as above (0 = Not use Heffter; 1 = use Heffter
(MHFTSZ) Default: 0 ! MHFTSZ = 0 !
Stability class used to determine plume
growth rates for puffs above the boundary
layer (JSUP) Default: 5 ! JSUP = 5 !
Vertical dispersion constant for stable
conditions (k1 in Eqn. 2.7-3) (CONK1) Default: 0.01 ! CONK1 = .01 !
Vertical dispersion constant for neutral/
unstable conditions (k2 in Eqn. 2.7-4)
(CONK2) Default: 0.1 ! CONK2 = .1 !
Factor for determining Transition-point from
Schulman-Scire to Huber-Snyder Building Downwash
scheme (SS used for Hs < Hb + TBD * HL)
(TBD) Default: 0.5 ! TBD = .5 !
TBD < 0 ==> always use Huber-Snyder
TBD = 1.5 ==> always use Schulman-Scire
TBD = 0.5 ==> ISC Transition-point
Range of land use categories for which
urban dispersion is assumed
(IURB1, IURB2) Default: 10 ! IURB1 = 10 !
19 ! IURB2 = 19 !
Site characterization parameters for single-point Met data files ---------
(needed for METFM = 2,3,4,5)
Land use category for modeling domain
(ILANDUIN) Default: 20 ! ILANDUIN = 20 !
Roughness length (m) for modeling domain
(Z0IN) Default: 0.25 ! Z0IN = .25 !
Leaf area index for modeling domain
(XLAIIN) Default: 3.0 ! XLAIIN = 3.0 !
Elevation above sea level (m)
(ELEVIN) Default: 0.0 ! ELEVIN = .0 !
Latitude (degrees) for met location
(XLATIN) Default: -999. ! XLATIN = -999.0 !
Longitude (degrees) for met location
(XLONIN) Default: -999. ! XLONIN = -999.0 !
Specialized information for interpreting single-point Met data files -----
Anemometer height (m) (Used only if METFM = 2,3)
(ANEMHT) Default: 10. ! ANEMHT = 10.0 !
Form of lateral turbulance data in PROFILE.DAT file
(Used only if METFM = 4,5 or MTURBVW = 1 or 3)
(ISIGMAV) Default: 1 ! ISIGMAV = 1 !
0 = read sigma-theta
1 = read sigma-v
Choice of mixing heights (Used only if METFM = 4)
82
(IMIXCTDM) Default: 0 ! IMIXCTDM = 0 !
0 = read PREDICTED mixing heights
1 = read OBSERVED mixing heights
Maximum length of a slug (met. grid units)
(XMXLEN) Default: 1.0 ! XMXLEN = 1.0 !
Maximum travel distance of a puff/slug (in
grid units) during one sampling step
(XSAMLEN) Default: 1.0 ! XSAMLEN = 1.0 !
Maximum Number of slugs/puffs release from
one source during one time step
(MXNEW) Default: 99 ! MXNEW = 99 !
Maximum Number of sampling steps for
one puff/slug during one time step
(MXSAM) Default: 99 ! MXSAM = 99 !
Number of iterations used when computing
the transport wind for a sampling step
that includes gradual rise (for CALMET
and PROFILE winds)
(NCOUNT) Default: 2 ! NCOUNT = 2 !
Minimum sigma y for a new puff/slug (m)
(SYMIN) Default: 1.0 ! SYMIN = 1.0 !
Minimum sigma z for a new puff/slug (m)
(SZMIN) Default: 1.0 ! SZMIN = 1.0 !
Maximum sigma z (m) allowed to avoid
numerical problem in calculating virtual
time or distance. Cap should be large
enough to have no influence on normal events.
Enter a negative cap to disable.
(SZCAP_M) Default: 5.0e06 ! SZCAP_M = 5.0E06 !
Default minimum turbulence velocities sigma-v and sigma-w
for each stability class over land and over water (m/s)
(SVMIN(12) and SWMIN(12))
---------- LAND ---------- --------- WATER ----------
Stab Class : A B C D E F A B C D E F
--- --- --- --- --- --- --- --- --- --- --- ---
Default SVMIN : .50, .50, .50, .50, .50, .50, .37, .37, .37, .37, .37, .37
Default SWMIN : .20, .12, .08, .06, .03, .016, .20, .12, .08, .06, .03, .016
! SVMIN = 0.500, 0.500, 0.500, 0.500, 0.500, 0.500, 0.370, 0.370, 0.370, 0.370, 0.370, 0.370!
! SWMIN = 0.200, 0.120, 0.080, 0.060, 0.030, 0.016, 0.200, 0.120, 0.080, 0.060, 0.030, 0.016!
Divergence criterion for dw/dz across puff
used to initiate adjustment for horizontal
convergence (1/s)
Partial adjustment starts at CDIV(1), and
full adjustment is reached at CDIV(2)
(CDIV(2)) Default: 0.0,0.0 ! CDIV = .0, .0 !
Search radius (number of cells) for nearest
land and water cells used in the subgrid
TIBL module
(NLUTIBL) Default: 4 ! NLUTIBL = 4 !
Minimum wind speed (m/s) allowed for
non-calm conditions. Also used as minimum
speed returned when using power-law
extrapolation toward surface
(WSCALM) Default: 0.5 ! WSCALM = .5 !
Maximum mixing height (m)
(XMAXZI) Default: 3000. ! XMAXZI = 3000.0 !
Minimum mixing height (m)
(XMINZI) Default: 50. ! XMINZI = 50.0 !
Default wind speed classes --
5 upper bounds (m/s) are entered;
the 6th class has no upper limit
83
(WSCAT(5)) Default :
ISC RURAL : 1.54, 3.09, 5.14, 8.23, 10.8 (10.8+)
Wind Speed Class : 1 2 3 4 5
--- --- --- --- ---
! WSCAT = 1.54, 3.09, 5.14, 8.23, 10.80 !
Default wind speed profile power-law
exponents for stabilities 1-6
(PLX0(6)) Default : ISC RURAL values
ISC RURAL : .07, .07, .10, .15, .35, .55
ISC URBAN : .15, .15, .20, .25, .30, .30
Stability Class : A B C D E F
--- --- --- --- --- ---
! PLX0 = 0.07, 0.07, 0.10, 0.15, 0.35, 0.55 !
Default potential temperature gradient
for stable classes E, F (degK/m)
(PTG0(2)) Default: 0.020, 0.035
! PTG0 = 0.020, 0.035 !
Default plume path coefficients for
each stability class (used when option
for partial plume height terrain adjustment
is selected -- MCTADJ=3)
(PPC(6)) Stability Class : A B C D E F
Default PPC : .50, .50, .50, .50, .35, .35
--- --- --- --- --- ---
! PPC = 0.50, 0.50, 0.50, 0.50, 0.35, 0.35 !
Slug-to-puff transition criterion factor
equal to sigma-y/length of slug
(SL2PF) Default: 10. ! SL2PF = 10.0 !
---------------
Subgroup (14b)
---------------
a
AREA SOURCE: CONSTANT DATA
----------------------------
b
Source Effect. Base Initial Emission
No. Height Elevation Sigma z Rates
(m) (m) (m)
------- ------ ------ -------- ---------
1! SRCNAM = BOTN1 !
1! X = 70.0, 120.0, 32.558139, 3.35E-06 ! !END!
2! SRCNAM = BOTN2 !
2! X = 40.0, 120.0, 18.604651, 1.73E-06 ! !END!
3! SRCNAM = TTAB !
3! X = 120.0, -140.0, .0, 1.02E-05 ! !END!
4! SRCNAM = TLAPU !
4! X = 80.0, -40.0, .0, 6.3E-06 ! !END!
5! SRCNAM = RETRN !
5! X = 20.0, -80.0, 9.3023255, 1.34E-05 ! !END!
6! SRCNAM = ADTN !
6! X = .0, -40.0, .0, 3.76E-06 ! !END!
7! SRCNAM = TPAT !
7! X = 100.0, .0, .0, 6.14E-06 ! !END!
8! SRCNAM = RETPA !
8! X = 40.0, -40.0, 18.604651, 3.37E-07 ! !END!
9! SRCNAM = BOTPA !
9! X = 30.0, 120.0, 13.953488, 1.4E-06 ! !END!
10! SRCNAM = ADTPA !
10! X = .0, .0, .0, 3.07E-06 ! !END!
11! SRCNAM = RETP2 !
11! X = 50.0, -60.0, 23.255813, 2.05E-07 ! !END!
12! SRCNAM = TCOM1 !
12! X = 80.0, 20.0, .0, 6.13E-06 ! !END!
13! SRCNAM = TCOM2 !
13! X = 20.0, 60.0, .0, 5.27E-06 ! !END!
14! SRCNAM = BOTCO !
14! X = 60.0, 120.0, 27.906976, 2.73E-06 ! !END!
15! SRCNAM = ADTCO !
15! X = .0, 40.0, .0, 4.03E-06 ! !END!
16! SRCNAM = T100 !
84
16! X = 40.0, .0, .0, 1.27E-05 ! !END!
17! SRCNAM = AD100 !
17! X = .0, 60.0, .0, 4.4E-06 ! !END!
18! SRCNAM = BT100 !
18! X = 30.0, 120.0, 13.953488, 5.01E-06 ! !END!
19! SRCNAM = TREGA !
19! X = 60.0, 40.0, .0, 6.94E-06 ! !END!
20! SRCNAM = ADTOR !
20! X = .0, 80.0, .0, 8.44E-06 ! !END!
21! SRCNAM = BTOR1 !
21! X = 50.0, 160.0, 23.255813, 6.75E-07 ! !END!
22! SRCNAM = PILAS !
22! X = 10.0, 90.0, 4.74, 3.6E-05 ! !END!
23! SRCNAM = BOTC1 !
23! X = 26.0, 200.0, 12.093023, 3.03E-06 ! !END!
--------
a
Data for each source are treated as a separate input subgroup
and therefore must end with an input group terminator.
b
An emission rate must be entered for every pollutant modeled.
Enter emission rate of zero for secondary pollutants that are
modeled, but not emitted. Units are specified by IARU
(e.g. 1 for g/m**2/s).
---------------
Subgroup (14c)
---------------
COORDINATES (km) FOR EACH VERTEX(4) OF EACH POLYGON
--------------------------------------------------------
Source a
No. Ordered list of X followed by list of Y, grouped by source
------ ------------------------------------------------------------
1 ! SRCNAM = BOTN1 !
1 ! XVERT = 767.325, 770.502, 771.56, 768.445!
1 ! YVERT = 1230.077, 1233.28, 1231.88, 1229.034!
!END!
2 ! SRCNAM = BOTN2 !
2 ! XVERT = 762.286, 763.035, 765.844, 765.038!
2 ! YVERT = 1227.284, 1229.087, 1227.93, 1226.135!
!END!
3 ! SRCNAM = TTAB !
3 ! XVERT = 763.986, 765.65, 766.896, 765.033!
3 ! YVERT = 1231.12, 1232.136, 1230.512, 1229.372!
!END!
4 ! SRCNAM = TLAPU !
4 ! XVERT = 765.882, 767.126, 767.782, 766.431!
4 ! YVERT = 1233.278, 1234.215, 1233.447, 1232.374!
!END!
5 ! SRCNAM = RETRN !
5 ! XVERT = 766.238, 767.065, 767.721, 766.828!
5 ! YVERT = 1232.196, 1232.755, 1231.975, 1231.373!
!END!
6 ! SRCNAM = ADTN !
6 ! XVERT = 765.336, 765.814, 766.262, 765.837!
6 ! YVERT = 1232.81, 1233.073, 1232.438, 1232.242!
!END!
7 ! SRCNAM = TPAT !
7 ! XVERT = 750.546, 751.667, 752.183, 751.07!
7 ! YVERT = 1223.904, 1224.914, 1224.373, 1223.273!
!END!
8 ! SRCNAM = RETPA !
8 ! XVERT = 751.701, 752.128, 753.027, 752.491!
8 ! YVERT = 1225.342, 1225.885, 1225.228, 1224.661!
!END!
9 ! SRCNAM = BOTPA !
9 ! XVERT = 749.127, 750.303, 751.121, 750.089!
9 ! YVERT = 1224.941, 1225.805, 1224.851, 1223.82!
!END!
10 ! SRCNAM = ADTPA !
10 ! XVERT = 750.309, 750.52, 750.931, 750.815!
10 ! YVERT = 1223.595, 1223.739, 1223.218, 1223.085!
!END!
11 ! SRCNAM = RETP2 !
11 ! XVERT = 752.435, 753.419, 754.232, 753.42!
85
11 ! YVERT = 1226.25, 1227.167, 1226.277, 1225.45!
!END!
12 ! SRCNAM = TCOM1 !
12 ! XVERT = 754.063, 754.481, 754.564, 754.092!
12 ! YVERT = 1220.209, 1220.313, 1220.049, 1219.954!
!END!
13 ! SRCNAM = TCOM2 !
13 ! XVERT = 754.593, 755.376, 755.404, 754.64!
13 ! YVERT = 1220.593, 1220.703, 1220.211, 1220.067!
!END!
14 ! SRCNAM = BOTCO !
14 ! XVERT = 754.486, 755.261, 755.352, 754.602!
14 ! YVERT = 1221.141, 1221.321, 1220.827, 1220.703!
!END!
15 ! SRCNAM = ADTCO !
15 ! XVERT = 753.845, 753.984, 754.014, 753.904!
15 ! YVERT = 1220.186, 1220.205, 1219.951, 1219.951!
!END!
16 ! SRCNAM = T100 !
16 ! XVERT = 748.51, 748.819, 749.207, 748.911!
16 ! YVERT = 1214.748, 1215.122, 1214.792, 1214.441!
!END!
17 ! SRCNAM = AD100 !
17 ! XVERT = 748.519, 748.656, 748.842, 748.711!
17 ! YVERT = 1214.32, 1214.552, 1214.4, 1214.187!
!END!
18 ! SRCNAM = BT100 !
18 ! XVERT = 748.508, 749.58, 750.092, 749.158!
18 ! YVERT = 1213.799, 1214.856, 1214.365, 1213.13!
!END!
19 ! SRCNAM = TREGA !
19 ! XVERT = 745.86, 746.651, 747.01, 746.253!
19 ! YVERT = 1214.648, 1215.55, 1215.179, 1214.233!
!END!
20 ! SRCNAM = ADTOR !
20 ! XVERT = 745.679, 745.877, 746.259, 746.023!
20 ! YVERT = 1214.422, 1214.536, 1214.135, 1213.942!
!END!
21 ! SRCNAM = BTOR1 !
21 ! XVERT = 746.701, 748.051, 748.553, 747.348!
21 ! YVERT = 1216.155, 1218.436, 1217.536, 1215.766!
!END!
22 ! SRCNAM = PILAS !
22 ! XVERT = 758.48, 758.759, 758.955, 758.726!
22 ! YVERT = 1230.213, 1230.422, 1230.176, 1229.919!
!END!
23 ! SRCNAM = BOTC1 !
23 ! XVERT = 752.8, 752.908, 754.044, 753.515!
23 ! YVERT = 1219.297, 1219.891, 1219.702, 1218.931!
!END!
--------
a
Data for each source are treated as a separate input subgroup
and therefore must end with an input group terminator.
---------------
Subgroup (14d)
---------------
a
AREA SOURCE: VARIABLE EMISSIONS DATA
--------------------------------------
Use this subgroup to describe temporal variations in the emission
rates given in 14b. Factors entered multiply the rates in 14b.
Skip sources here that have constant emissions. For more elaborate
variation in source parameters, use BAEMARB.DAT and NAR2 > 0.
IVARY determines the type of variation, and is source-specific:
(IVARY) Default: 0
0 = Constant
1 = Diurnal cycle (24 scaling factors: hours 1-24)
2 = Monthly cycle (12 scaling factors: months 1-12)
3 = Hour & Season (4 groups of 24 hourly scaling factors,
where first group is DEC-JAN-FEB)
4 = Speed & Stab. (6 groups of 6 scaling factors, where
first group is Stability Class A,
86
and the speed classes have upper
bounds (m/s) defined in Group 12
5 = Temperature (12 scaling factors, where temperature
classes have upper bounds (C) of:
0, 5, 10, 15, 20, 25, 30, 35, 40,
45, 50, 50+)
--------
a
Data for each species are treated as a separate input subgroup
and therefore must end with an input group terminator.
-------------------------------------------------------------------------------
INPUT GROUPS: 15a, 15b, 15c -- Line source parameters
---------------------------
---------------
Subgroup (15a)
---------------
Number of buoyant line sources
with variable location and emission
parameters (NLN2) No default ! NLN2 = 0 !
(If NLN2 > 0, ALL parameter data for
these sources are read from the file: LNEMARB.DAT)
Number of buoyant line sources (NLINES) No default ! NLINES = 0 !
Units used for line source
emissions below (ILNU) Default: 1 ! ILNU = 1 !
1 = g/s
2 = kg/hr
3 = lb/hr
4 = tons/yr
5 = Odour Unit * m**3/s (vol. flux of odour compound)
6 = Odour Unit * m**3/min
7 = metric tons/yr
8 = Bq/s (Bq = becquerel = disintegrations/s)
9 = GBq/yr
Number of source-species
combinations with variable
emissions scaling factors
provided below in (15c) (NSLN1) Default: 0 ! NSLN1 = 0 !
Maximum number of segments used to model
each line (MXNSEG) Default: 7 ! MXNSEG = 1 !
The following variables are required only if NLINES > 0. They are
used in the buoyant line source plume rise calculations.
Number of distances at which Default: 6 ! NLRISE = 6 !
transitional rise is computed
Average building length (XL) No default ! XL = 1782.0 !
(in meters)
Average building height (HBL) No default ! HBL = .0 !
(in meters)
Average building width (WBL) No default ! WBL = 30.0 !
(in meters)
Average line source width (WML) No default ! WML = 1.0 !
(in meters)
Average separation between buildings (DXL) No default ! DXL = .0 !
(in meters)
Average buoyancy parameter (FPRIMEL) No default ! FPRIMEL = .0 !
(in m**4/s**3)
!END!
87
---------------
Subgroup (15b)
---------------
BUOYANT LINE SOURCE: CONSTANT DATA
----------------------------------
a
Source Beg. X Beg. Y End. X End. Y Release Base Emission
No. Coordinate Coordinate Coordinate Coordinate Height Elevation Rates
(km) (km) (km) (km) (m) (m)
------ ---------- ---------- --------- ---------- ------- --------- ---------
--------
a
Data for each source are treated as a separate input subgroup
and therefore must end with an input group terminator.
b
An emission rate must be entered for every pollutant modeled.
Enter emission rate of zero for secondary pollutants that are
modeled, but not emitted. Units are specified by ILNTU
(e.g. 1 for g/s).
---------------
Subgroup (16b)
---------------
a
VOLUME SOURCE: CONSTANT DATA
------------------------------
b
X Y Effect. Base Initial Initial Emission
Coordinate Coordinate Height Elevation Sigma y Sigma z Rates
(km) (km) (m) (m) (m) (m)
---------- ---------- ------ ------ -------- -------- --------
1! SRCNAM = V1A !
! X = 763.1493, 1232.0157, 3.0, 92.0, 46.5, 1.4,7.37E-01 ! !END!
2! SRCNAM = V1C !
! X = 763.2396, 1231.842, 3.0, 93.0, 46.5, 1.4,7.37E-01 ! !END!
3! SRCNAM = V1E !
! X = 763.3349, 1231.641, 3.0, 92.0, 46.5, 1.4,7.37E-01 ! !END!
4! SRCNAM = V1G !
! X = 763.3904, 1231.439, 3.0, 94.0, 46.5, 1.4,7.37E-01 ! !END!
5! SRCNAM = V1I !
! X = 763.4345, 1231.24, 3.0, 101.0, 46.5, 1.4,7.37E-01 ! !END!
6! SRCNAM = V1K !
! X = 763.482, 1231.036, 3.0, 106.0, 46.5, 1.4,7.37E-01 ! !END!
7! SRCNAM = V1M !
! X = 763.5337, 1230.831, 3.0, 105.0, 46.5, 1.4,7.37E-01 ! !END!
8! SRCNAM = V1O !
! X = 763.6231, 1230.646, 3.0, 101.0, 46.5, 1.4,7.37E-01 ! !END!
9! SRCNAM = V1Q !
! X = 763.7273, 1230.443, 3.0, 101.0, 46.5, 1.4,7.37E-01 ! !END!
10! SRCNAM = V1S !
! X = 763.828, 1230.251, 3.0, 101.0, 46.5, 1.4,7.37E-01 ! !END!
11! SRCNAM = V1U !
! X = 763.9414, 1230.065, 3.0, 102.0, 46.5, 1.4,7.37E-01 ! !END!
12! SRCNAM = V1W !
! X = 763.9887, 1229.971, 3.0, 104.0, 46.5, 1.4,7.37E-01 ! !END!
13! SRCNAM = V1Y !
! X = 764.1042, 1229.781, 3.0, 106.0, 46.5, 1.4,7.37E-01 ! !END!
14! SRCNAM = V2A !
! X = 763.9745, 1229.831, 3.0, 107.0, 46.5, 1.4,1.86E00 ! !END!
15! SRCNAM = V2C !
! X = 763.9269, 1229.621, 3.0, 107.0, 46.5, 1.4,1.86E00 ! !END!
16! SRCNAM = V2E !
! X = 763.8703, 1229.411, 3.0, 111.0, 46.5, 1.4,1.86E00 ! !END!
17! SRCNAM = V2G !
! X = 763.8192, 1229.12, 3.0, 110.0, 46.5, 1.4,1.86E00 ! !END!
18! SRCNAM = V3A !
! X = 769.7579, 1233.967, 3.0, 103.0, 46.5, 1.4,2.54E00 ! !END!
19! SRCNAM = V3C !
! X = 769.8789, 1233.785, 3.0, 107.0, 46.5, 1.4,2.54E00 ! !END!
20! SRCNAM = V3E !
! X = 769.9984, 1233.606, 3.0, 105.0, 46.5, 1.4,2.54E00 ! !END!
21! SRCNAM = V3G !
88
! X = 770.1215, 1233.428, 3.0, 106.0, 46.5, 1.4,2.54E00 ! !END!
22! SRCNAM = V3I !
! X = 770.2395, 1233.259, 3.0, 108.0, 46.5, 1.4,2.54E00 ! !END!
23! SRCNAM = V3K !
! X = 768.1912, 1231.671, 3.0, 118.0, 46.5, 1.4,2.54E00 ! !END!
24! SRCNAM = V4A !
! X = 763.241, 1232.115, 3.0, 92.0, 46.5, 1.4,2.36E-01 ! !END!
25! SRCNAM = V4C !
! X = 763.4384, 1232.193, 3.0, 93.0, 46.5, 1.4,2.36E-01 ! !END!
26! SRCNAM = V4E !
! X = 763.6283, 1232.27, 3.0, 95.0, 46.5, 1.4,2.36E-01 ! !END!
27! SRCNAM = V4G !
! X = 763.8268, 1232.338, 3.0, 94.0, 46.5, 1.4,2.36E-01 ! !END!
28! SRCNAM = V4I !
! X = 764.0231, 1232.429, 3.0, 94.0, 46.5, 1.4,2.36E-01 ! !END!
29! SRCNAM = V4K !
! X = 764.2193, 1232.504, 3.0, 94.0, 46.5, 1.4,2.36E-01 ! !END!
30! SRCNAM = V4M !
! X = 764.4133, 1232.59, 3.0, 93.0, 46.5, 1.4,2.36E-01 ! !END!
31! SRCNAM = V4O !
! X = 764.625, 1232.65, 3.0, 90.0, 46.5, 1.4,2.36E-01 ! !END!
32! SRCNAM = V4Q !
! X = 764.828, 1232.728, 3.0, 93.0, 46.5, 1.4,2.6213E-01 ! !END!
33! SRCNAM = V4S !
! X = 765.0348, 1232.82, 3.0, 90.0, 46.5, 1.4,2.36E-01 ! !END!
34! SRCNAM = V4U !
! X = 765.2423, 1232.902, 3.0, 89.0, 46.5, 1.4,2.36E-01 ! !END!
35! SRCNAM = V4W !
! X = 765.3021, 1233.107, 3.0, 90.0, 46.5, 1.4,2.36E-01 ! !END!
36! SRCNAM = V4Y !
! X = 765.2526, 1233.296, 3.0, 88.0, 46.5, 1.4,2.36E-01 ! !END!
37! SRCNAM = V5A !
! X = 765.264, 1233.465, 3.0, 89.0, 46.5, 1.4,2.36E-01 ! !END!
38! SRCNAM = V5C !
! X = 765.3943, 1233.609, 3.0, 95.0, 46.5, 1.4,2.36E-01 ! !END!
39! SRCNAM = V5E !
! X = 765.3676, 1233.836, 3.0, 91.0, 46.5, 1.4,2.36E-01 ! !END!
40! SRCNAM = V5G !
! X = 765.4563, 1234.038, 3.0, 91.0, 46.5, 1.4,2.36E-01 ! !END!
41! SRCNAM = V5I !
! X = 765.6423, 1234.145, 3.0, 88.0, 46.5, 1.4,2.36E-01 ! !END!
42! SRCNAM = V5K !
! X = 765.803, 1234.305, 3.0, 85.0, 46.5, 1.4,2.36E-01 ! !END!
43! SRCNAM = V5M !
! X = 765.947, 1234.496, 3.0, 88.0, 46.5, 1.4,2.36E-01 ! !END!
44! SRCNAM = V5O !
! X = 766.0713, 1234.678, 3.0, 84.0, 46.5, 1.4,2.36E-01 ! !END!
45! SRCNAM = V5Q !
! X = 766.251, 1234.733, 3.0, 84.0, 46.5, 1.4,2.36E-01 ! !END!
46! SRCNAM = V6A !
! X = 766.5398, 1234.665, 3.0, 83.0, 46.5, 1.4,1.24E00 ! !END!
47! SRCNAM = V6C !
! X = 766.7386, 1234.607, 3.0, 84.0, 46.5, 1.4,1.24E00 ! !END!
48! SRCNAM = V6E !
! X = 766.9525, 1234.536, 3.0, 82.0, 46.5, 1.41,1.24E00 ! !END!
49! SRCNAM = V6G !
! X = 767.0944, 1234.384, 3.0, 83.0, 46.5, 1.4,1.24E00 ! !END!
50! SRCNAM = V6I !
! X = 767.3025, 1234.271, 3.0, 90.0, 46.5, 1.4,1.24E00 ! !END!
51! SRCNAM = V6K !
! X = 767.4316, 1234.463, 3.0, 88.0, 46.5, 1.4,1.24E00 ! !END!
52! SRCNAM = V6M !
! X = 767.5302, 1234.688, 3.0, 88.0, 46.5, 1.4,1.24E00 ! !END!
53! SRCNAM = V6O !
! X = 767.6844, 1234.897, 3.0, 90.0, 46.5, 1.4,1.24E00 ! !END!
54! SRCNAM = V6Q !
! X = 767.912, 1234.909, 3.0, 88.0, 46.5, 1.4,1.24E00 ! !END!
55! SRCNAM = V7A !
! X = 768.1698, 1234.872, 3.0, 89.0, 46.5, 1.4,1.24E00 ! !END!
56! SRCNAM = V7C !
! X = 768.3724, 1234.855, 3.0, 92.0, 46.5, 1.41,1.24E00 ! !END!
57! SRCNAM = V7E !
! X = 768.5715, 1234.801, 3.0, 94.0, 46.5, 1.4,1.24E00 ! !END!
58! SRCNAM = V7G !
! X = 768.6423, 1234.588, 3.0, 96.0, 46.5, 1.4,1.24E00 ! !END!
59! SRCNAM = V7I !
! X = 768.8341, 1234.58, 3.0, 99.0, 46.5, 1.4,1.24E00 ! !END!
60! SRCNAM = V7K !
89
! X = 769.0433, 1234.688, 3.0, 100.0, 46.5, 1.4,1.24E00 ! !END!
61! SRCNAM = V7M !
! X = 769.2629, 1234.727, 3.0, 100.0, 46.5, 1.4,1.24E00 ! !END!
62! SRCNAM = V7O !
! X = 769.4014, 1234.561, 3.0, 101.0, 46.5, 1.4,1.24E00 ! !END!
63! SRCNAM = V7Q !
! X = 769.5331, 1234.369, 3.0, 103.0, 46.5, 1.4,1.24E00 ! !END!
64! SRCNAM = V7S !
! X = 769.656, 1234.158, 3.0, 102.0, 46.5, 1.4,1.24E00 ! !END!
65! SRCNAM = V8A !
! X = 763.0316, 1232.029, 3.0, 91.0, 46.5, 1.4,9.99E-01 ! !END!
66! SRCNAM = V8C !
! X = 762.8279, 1231.947, 3.0, 93.0, 46.5, 1.4,9.99E-01 ! !END!
67! SRCNAM = V8E !
! X = 762.6142, 1231.86, 3.0, 95.0, 46.5, 1.4,9.99E-01 ! !END!
68! SRCNAM = V8G !
! X = 762.4215, 1231.776, 3.0, 93.0, 46.5, 1.4,9.99E-01 ! !END!
69! SRCNAM = V8I !
! X = 762.2262, 1231.7, 3.0, 94.0, 46.5, 1.4,9.99E-01 ! !END!
70! SRCNAM = V8K !
! X = 762.0131, 1231.62, 3.0, 95.0, 46.5, 1.4,9.99E-01 ! !END!
71! SRCNAM = V8LL !
! X = 761.8122, 1231.535, 3.0, 95.0, 46.5, 1.4,9.99E-01 ! !END!
72! SRCNAM = V8N !
! X = 761.624, 1231.435, 3.0, 94.0, 46.5, 1.4,9.99E-01 ! !END!
73! SRCNAM = V8P !
! X = 761.4441, 1231.313, 3.0, 93.0, 46.5, 1.4,9.99E-01 ! !END!
74! SRCNAM = V8R !
! X = 761.2774, 1231.176, 3.0, 94.0, 46.5, 1.4,9.99E-01 ! !END!
75! SRCNAM = V8T !
! X = 761.1239, 1231.041, 3.0, 95.0, 46.5, 1.4,9.99E-01 ! !END!
76! SRCNAM = V8V !
! X = 760.9691, 1230.906, 3.0, 95.0, 46.5, 1.4,9.99E-01 ! !END!
77! SRCNAM = V8X !
! X = 760.8125, 1230.767, 3.0, 95.0, 46.5, 1.4,9.99E-01 ! !END!
78! SRCNAM = V8Z !
! X = 760.6645, 1230.625, 3.0, 95.0, 46.5, 1.4,9.99E-01 ! !END!
79! SRCNAM = V8AB !
! X = 760.501, 1230.485, 3.0, 96.0, 46.5, 1.4,9.99E-01 ! !END!
80! SRCNAM = V8AD !
! X = 760.3439, 1230.348, 3.0, 95.0, 46.5, 1.4,9.99E-01 ! !END!
81! SRCNAM = V8AF !
! X = 760.1703, 1230.192, 3.0, 96.0, 46.5, 1.4,9.99E-01 ! !END!
82! SRCNAM = V8AH !
! X = 759.9752, 1230.034, 3.0, 97.0, 46.5, 1.4,9.99E-01 ! !END!
83! SRCNAM = V8AJ !
! X = 759.8221, 1229.888, 3.0, 97.0, 46.5, 1.4,9.99E-01 ! !END!
84! SRCNAM = V8AL !
! X = 759.6376, 1229.754, 3.0, 98.0, 46.5, 1.4,9.99E-01 ! !END!
85! SRCNAM = V8AN !
! X = 759.4419, 1229.727, 3.0, 97.0, 46.5, 1.4,9.99E-01 ! !END!
86! SRCNAM = V9A !
! X = 759.3132, 1229.755, 3.0, 97.0, 46.5, 1.4,1.07E00 ! !END!
87! SRCNAM = V9C !
! X = 759.1522, 1229.889, 3.0, 98.0, 46.5, 1.4,1.07E00 ! !END!
88! SRCNAM = V9E !
! X = 758.9066, 1229.959, 3.0, 103.0, 46.5, 1.4,1.07E00 ! !END!
89! SRCNAM = V10A !
! X = 758.5779, 1229.573, 3.0, 113.0, 46.5, 1.4,5.58E-01 ! !END!
90! SRCNAM = V10C !
! X = 758.5669, 1229.364, 3.0, 107.0, 46.5, 1.4,5.58E-01 ! !END!
91! SRCNAM = V10E !
! X = 758.5499, 1229.15, 3.0, 110.0, 46.5, 1.4,5.58E-01 ! !END!
92! SRCNAM = V10G !
! X = 758.4637, 1228.949, 3.0, 116.0, 46.5, 1.4,5.58E-01 ! !END!
93! SRCNAM = V10I !
! X = 758.3792, 1228.762, 3.0, 112.0, 46.5, 1.4,5.58E-01 ! !END!
94! SRCNAM = V10K !
! X = 758.2927, 1228.574, 3.0, 111.0, 46.5, 1.4,5.58E-01 ! !END!
95! SRCNAM = V10M !
! X = 758.1941, 1228.384, 3.0, 111.0, 46.5, 1.4,5.58E-01 ! !END!
96! SRCNAM = V10O !
! X = 758.0883, 1228.196, 3.0, 110.0, 46.5, 1.4,5.58E-01 ! !END!
97! SRCNAM = V10Q !
! X = 757.8957, 1228.113, 3.0, 110.0, 46.5, 1.4,5.58E-01 ! !END!
98! SRCNAM = V10S !
! X = 757.6871, 1228.078, 3.0, 109.0, 46.5, 1.4,5.58E-01 ! !END!
99! SRCNAM = V11A !
90
! X = 757.494, 1228.076, 3.0, 109.0, 46.5, 1.4,5.99E-01 ! !END!
100! SRCNAM = V11C !
! X = 757.3019, 1227.97, 3.0, 106.0, 46.5, 1.4,5.99E-01 ! !END!
101! SRCNAM = V11E !
! X = 757.1742, 1227.8, 3.0, 108.0, 46.5, 1.4,5.99E-01 ! !END!
102! SRCNAM = V11G !
! X = 757.0224, 1227.65, 3.0, 108.0, 46.5, 1.4,5.99E-01 ! !END!
103! SRCNAM = V11I !
! X = 756.8696, 1227.512, 3.0, 110.0, 46.5, 1.4,5.99E-01 ! !END!
104! SRCNAM = V11J !
! X = 756.7241, 1227.383, 3.0, 106.0, 46.5, 1.4,5.99E-01 ! !END!
105! SRCNAM = V11K !
! X = 756.5697, 1227.244, 3.0, 106.0, 46.5, 1.4,5.99E-01 ! !END!
106! SRCNAM = V11L !
! X = 756.4077, 1227.127, 3.0, 107.0, 46.5, 1.4,5.99E-01 ! !END!
107! SRCNAM = V11M !
! X = 756.2277, 1227.012, 3.0, 107.0, 46.5, 1.4,5.99E-01 ! !END!
108! SRCNAM = V11N !
! X = 756.0585, 1226.894, 3.0, 107.0, 46.5, 1.4,5.99E-01 ! !END!
109! SRCNAM = V11O !
! X = 755.886, 1226.765, 3.0, 104.0, 46.5, 1.4,5.99E-01 ! !END!
110! SRCNAM = V11P !
! X = 755.7454, 1226.623, 3.0, 104.0, 46.5, 1.4,5.99E-01 ! !END!
111! SRCNAM = V11Q !
! X = 755.6057, 1226.485, 3.0, 101.0, 46.5, 1.4,5.99E-01 ! !END!
112! SRCNAM = V11R !
! X = 755.4802, 1226.35, 3.0, 104.0, 46.5, 1.4,5.99E-01 ! !END!
113! SRCNAM = V11S !
! X = 755.3184, 1226.217, 3.0, 103.0, 46.5, 1.4,5.99E-01 ! !END!
114! SRCNAM = V11T !
! X = 755.1225, 1226.162, 3.0, 107.0, 46.5, 1.4,5.99E-01 ! !END!
115! SRCNAM = V11U !
! X = 754.934, 1226.088, 3.0, 104.0, 46.5, 1.4,5.99E-01 ! !END!
116! SRCNAM = V11V !
! X = 754.7487, 1226.013, 3.0, 105.0, 46.5, 1.4,5.99E-01 ! !END!
117! SRCNAM = V11W !
! X = 754.559, 1225.928, 3.0, 107.0, 46.5, 1.4,5.99E-01 ! !END!
118! SRCNAM = V11X !
! X = 754.355, 1225.877, 3.0, 107.0, 46.5, 1.4,5.99E-01 ! !END!
119! SRCNAM = V12A !
! X = 754.1316, 1225.839, 3.0, 104.0, 46.5, 1.4,4.46E-01 ! !END!
120! SRCNAM = V12B !
! X = 753.9409, 1225.786, 3.0, 104.0, 46.5, 1.4,4.46E-01 ! !END!
121! SRCNAM = V12C !
! X = 753.7735, 1225.669, 3.0, 107.0, 46.5, 1.4,4.46E-01 ! !END!
122! SRCNAM = V12D !
! X = 753.6681, 1225.494, 3.0, 105.0, 46.5, 1.4,4.46E-01 ! !END!
123! SRCNAM = V12E !
! X = 753.5708, 1225.317, 3.0, 105.0, 46.5, 1.4,4.46E-01 ! !END!
124! SRCNAM = V12F !
! X = 753.4753, 1225.139, 3.0, 106.0, 46.5, 1.4,4.46E-01 ! !END!
125! SRCNAM = V12G !
! X = 753.3316, 1225.01, 3.0, 108.0, 46.5, 1.4,4.46E-01 ! !END!
126! SRCNAM = V12H !
! X = 753.1664, 1224.901, 3.0, 109.0, 46.5, 1.4,4.46E-01 ! !END!
127! SRCNAM = V12I !
! X = 753.0103, 1224.775, 3.0, 112.0, 46.5, 1.4,4.46E-01 ! !END!
128! SRCNAM = V12J !
! X = 752.8565, 1224.654, 3.0, 116.0, 46.5, 1.4,4.46E-01 ! !END!
129! SRCNAM = V12K !
! X = 752.7011, 1224.538, 3.0, 113.0, 46.5, 1.4,4.46E-01 ! !END!
130! SRCNAM = V12L !
! X = 752.538, 1224.408, 3.0, 113.0, 46.5, 1.4,4.46E-01 ! !END!
131! SRCNAM = V12M !
! X = 752.3765, 1224.275, 3.0, 115.0, 46.5, 1.4,4.46E-01 ! !END!
132! SRCNAM = V12N !
! X = 752.2124, 1224.151, 3.0, 114.0, 46.5, 1.4,4.46E-01 ! !END!
133! SRCNAM = V12O !
! X = 752.0467, 1224.029, 3.0, 115.0, 46.5, 1.4,4.46E-01 ! !END!
134! SRCNAM = V12P !
! X = 751.8845, 1223.904, 3.0, 116.0, 46.5, 1.4,4.46E-01 ! !END!
135! SRCNAM = V12Q !
! X = 751.7352, 1223.786, 3.0, 115.0, 46.5, 1.4,4.46E-01 ! !END!
136! SRCNAM = V12R !
! X = 751.5685, 1223.669, 3.0, 111.0, 46.5, 1.4,4.46E-01 ! !END!
137! SRCNAM = V12S !
! X = 751.3945, 1223.547, 3.0, 113.0, 46.5, 1.4,4.46E-01 ! !END!
138! SRCNAM = V12T !
91
! X = 751.2768, 1223.376, 3.0, 116.0, 46.5, 1.4,4.46E-01 ! !END!
139! SRCNAM = V12U !
! X = 751.1628, 1223.205, 3.0, 117.0, 46.5, 1.4,4.46E-01 ! !END!
140! SRCNAM = V12V !
! X = 751.0474, 1223.056, 3.0, 116.0, 46.5, 1.4,4.46E-01 ! !END!
141! SRCNAM = V12X !
! X = 750.9272, 1222.901, 3.0, 116.0, 46.5, 1.4,4.46E-01 ! !END!
142! SRCNAM = V12Y !
! X = 750.8022, 1222.741, 3.0, 119.0, 46.5, 1.4,4.46E-01 ! !END!
143! SRCNAM = V12Z !
! X = 750.6844, 1222.56, 3.0, 120.0, 46.5, 1.4,4.46E-01 ! !END!
144! SRCNAM = V12AA !
! X = 750.5359, 1222.349, 3.0, 119.0, 46.5, 1.4,4.46E-01 ! !END!
145! SRCNAM = V12AB !
! X = 750.4036, 1222.18, 3.0, 114.0, 46.5, 1.4,4.46E-01 ! !END!
146! SRCNAM = V13A !
! X = 750.046, 1221.776, 3.0, 117.0, 46.5, 1.4,1.68E-01 ! !END!
147! SRCNAM = V13B !
! X = 749.9313, 1221.551, 3.0, 121.0, 46.5, 1.4,1.68E-01 ! !END!
148! SRCNAM = V13C !
! X = 749.9754, 1221.311, 3.0, 120.0, 46.5, 1.4,1.68E-01 ! !END!
149! SRCNAM = V13D !
! X = 750.0546, 1221.116, 3.0, 119.0, 46.5, 1.4,1.68E-01 ! !END!
150! SRCNAM = V13E !
! X = 750.0798, 1220.876, 3.0, 120.0, 46.5, 1.4,1.68E-01 ! !END!
151! SRCNAM = V13F !
! X = 750.0108, 1220.633, 3.0, 119.0, 46.5, 1.4,1.68E-01 ! !END!
152! SRCNAM = V13G !
! X = 749.9921, 1220.416, 3.0, 119.0, 46.5, 1.4,1.68E-01 ! !END!
153! SRCNAM = V14A !
! X = 749.492, 1219.71, 3.0, 123.0, 46.5, 1.4,1.57E-01 ! !END!
154! SRCNAM = V14B !
! X = 749.6478, 1219.851, 3.0, 120.0, 46.5, 1.4,1.57E-01 ! !END!
155! SRCNAM = V14C !
! X = 749.7907, 1219.99, 3.0, 122.0, 46.5, 1.4,1.57E-01 ! !END!
156! SRCNAM = V14D !
! X = 749.9118, 1220.174, 3.0, 122.0, 46.5, 1.4,1.57E-01 ! !END!
157! SRCNAM = V14E !
! X = 750.0523, 1220.307, 3.0, 119.0, 46.5, 1.4,1.57E-01 ! !END!
158! SRCNAM = V14F !
! X = 750.2661, 1220.405, 3.0, 120.0, 46.5, 1.4,1.57E-01 ! !END!
159! SRCNAM = V14G !
! X = 750.4494, 1220.527, 3.0, 121.0, 46.5, 1.4,1.57E-01 ! !END!
160! SRCNAM = V14H !
! X = 750.673, 1220.635, 3.0, 122.0, 46.5, 1.4,1.57E-01 ! !END!
161! SRCNAM = V14I !
! X = 750.8797, 1220.777, 3.0, 121.0, 46.5, 1.4,1.57E-01 ! !END!
162! SRCNAM = V15A !
! X = 751.0645, 1220.874, 3.0, 117.0, 46.5, 1.4,1.04E-01 ! !END!
163! SRCNAM = V15B !
! X = 751.1744, 1220.691, 3.0, 119.0, 46.5, 1.4,1.04E-01 ! !END!
164! SRCNAM = V15C !
! X = 751.2799, 1220.502, 3.0, 123.0, 46.5, 1.4,1.04E-01 ! !END!
165! SRCNAM = V15D !
! X = 751.3828, 1220.323, 3.0, 124.0, 46.5, 1.4,1.04E-01 ! !END!
166! SRCNAM = V16A !
! X = 751.4145, 1220.2, 3.0, 125.0, 46.5, 1.4,1.16E-01 ! !END!
167! SRCNAM = V16B !
! X = 751.6158, 1220.183, 3.0, 125.0, 46.5, 1.4,1.16E-01 ! !END!
168! SRCNAM = V16C !
! X = 751.8098, 1220.141, 3.0, 131.0, 46.5, 1.4,1.16E-01 ! !END!
169! SRCNAM = V16D !
! X = 752.0145, 1220.119, 3.0, 138.0, 46.5, 1.4,1.16E-01 ! !END!
170! SRCNAM = V16E !
! X = 752.2355, 1220.093, 3.0, 146.0, 46.5, 1.4,1.16E-01 ! !END!
171! SRCNAM = V16F !
! X = 752.4619, 1220.067, 3.0, 153.0, 46.5, 1.4,1.16E-01 ! !END!
172! SRCNAM = V17A !
! X = 755.732, 1220.63, 3.0, 135.0, 46.5, 1.4,3.97E-01 ! !END!
173! SRCNAM = V17B !
! X = 755.5879, 1220.774, 3.0, 139.0, 46.5, 1.4,3.97E-01 ! !END!
174! SRCNAM = V17C !
! X = 755.4637, 1220.987, 3.0, 138.0, 46.5, 1.4,3.97E-01 ! !END!
175! SRCNAM = V18A !
! X = 754.5822, 1219.792, 3.0, 210.0, 46.5, 1.4,9.0E-01 ! !END!
176! SRCNAM = V18B !
! X = 754.4164, 1219.631, 3.0, 220.0, 46.5, 1.4,9.0E-01 ! !END!
177! SRCNAM = V19A !
92
! X = 749.4938, 1219.523, 3.0, 126.0, 46.5, 1.4,2.15E-01 ! !END!
178! SRCNAM = V19B !
! X = 749.5083, 1219.32, 3.0, 125.0, 46.5, 1.4,2.15E-01 ! !END!
179! SRCNAM = V19C !
! X = 749.5204, 1219.108, 3.0, 121.0, 46.5, 1.4,2.15E-01 ! !END!
180! SRCNAM = V19D !
! X = 749.6253, 1218.915, 3.0, 65.0, 46.5, 1.4,2.15E-01 ! !END!
181! SRCNAM = V19E !
! X = 749.6738, 1218.726, 3.0, 58.0, 46.5, 1.4,2.15E-01 ! !END!
182! SRCNAM = V19F !
! X = 749.7504, 1218.504, 3.0, 62.0, 46.5, 1.4,2.15E-01 ! !END!
183! SRCNAM = V20A !
! X = 749.7311, 1218.355, 3.0, 75.0, 46.5, 1.4,2.5E-01 ! !END!
184! SRCNAM = V20B !
! X = 749.6314, 1218.179, 3.0, 101.0, 46.5, 1.4,2.5E-01 ! !END!
185! SRCNAM = V20C !
! X = 749.5281, 1218.01, 3.0, 119.0, 46.5, 1.4,2.5E-01 ! !END!
186! SRCNAM = V20D !
! X = 749.413, 1217.799, 3.0, 128.0, 46.5, 1.4,2.5E-01 ! !END!
187! SRCNAM = V20E !
! X = 749.2808, 1217.628, 3.0, 135.0, 46.5, 1.4,2.5E-01 ! !END!
188! SRCNAM = V21A !
! X = 749.4158, 1214.943, 3.0, 177.0, 46.5, 1.4,2.02E00 ! !END!
189! SRCNAM = V21B !
! X = 749.5628, 1215.14, 3.0, 177.0, 46.5, 1.4,2.02E00 ! !END!
190! SRCNAM = REMED !
! X = 771.5392, 1232.296, 3.0, 121.0, 46.5, 1.4,2.02E00 ! !END!
191! SRCNAM = V22A !
! X = 747.5979, 1214.931, 3.0, 147.0, 46.5, 1.4,2.66E-01 ! !END!
192! SRCNAM = V22B !
! X = 747.4319, 1215.14, 3.0, 143.0, 46.5, 1.4,2.66E-01 ! !END!
193! SRCNAM = V22C !
! X = 747.324, 1215.356, 3.0, 142.0, 46.5, 1.4,2.66E-01 ! !END!
194! SRCNAM = V22D !
! X = 747.8488, 1215.207, 3.0, 142.0, 46.5, 1.4,2.66E-01 ! !END!
195! SRCNAM = V23A !
! X = 749.105, 1217.712, 3.0, 156.0, 46.5, 1.4,7.36E-01 ! !END!
196! SRCNAM = V23B !
! X = 748.9508, 1217.859, 3.0, 166.0, 46.5, 1.4,7.36E-01 ! !END!
197! SRCNAM = V23C !
! X = 748.731, 1218.032, 3.0, 179.0, 46.5, 1.4,7.36E-01 ! !END!
198! SRCNAM = V24 !
! X = 749.6496, 1223.81, 3.0, 129.0, 46.5, 1.4,7.36E-01 ! !END!
--------
a
Data for each source are treated as a separate input subgroup
and therefore must end with an input group terminator.
b
An emission rate must be entered for every pollutant modeled.
Enter emission rate of zero for secondary pollutants that are
modeled, but not emitted. Units are specified by IVLU
(e.g. 1 for g/s).
---------------
Subgroup (16c)
---------------
a
VOLUME SOURCE: VARIABLE EMISSIONS DATA
----------------------------------------
Use this subgroup to describe temporal variations in the emission
rates given in 16b. Factors entered multiply the rates in 16b.
Skip sources here that have constant emissions. For more elaborate
variation in source parameters, use VOLEMARB.DAT and NVL2 > 0.
IVARY determines the type of variation, and is source-specific:
(IVARY) Default: 0
0 = Constant
1 = Diurnal cycle (24 scaling factors: hours 1-24)
2 = Monthly cycle (12 scaling factors: months 1-12)
3 = Hour & Season (4 groups of 24 hourly scaling factors,
where first group is DEC-JAN-FEB)
4 = Speed & Stab. (6 groups of 6 scaling factors, where
first group is Stability Class A,
and the speed classes have upper
bounds (m/s) defined in Group 12
93
5 = Temperature (12 scaling factors, where temperature
classes have upper bounds (C) of:
0, 5, 10, 15, 20, 25, 30, 35, 40,
45, 50, 50+)
--------
a
Data for each species are treated as a separate input subgroup
and therefore must end with an input group terminator.
-------------------------------------------------------------------------------
INPUT GROUPS: 17a & 17b -- Non-gridded (discrete) receptor information
-----------------------
---------------
Subgroup (17a)
---------------
Number of non-gridded receptors (NREC) No default ! NREC = 21 !
!END!
---------------
Subgroup (17b)
---------------
a
NON-GRIDDED (DISCRETE) RECEPTOR DATA
------------------------------------
X Y Ground Height b
Receptor Coordinate Coordinate Elevation Above Ground
No. (km) (km) (m) (m)
-------- ---------- ---------- --------- ------------
1 ! X = 763.391, 1234.467, 145.000, 4.500! !END!
2 ! X = 741.619, 1212.24, 160.000, 4.500! !END!
3 ! X = 735.817, 1189.626, 252.000, 4.500! !END!
4 ! X = 740.991, 1192.797, 276.000, 4.500! !END!
5 ! X = 761.214, 1237.155, 110.000, 4.500! !END!
6 ! X = 730.919, 1185.873, 243.000, 4.500! !END!
7 ! X = 744.948, 1224.732, 198.000, 4.500! !END!
8 ! X = 746.689, 1211.251, 175.000, 4.500! !END!
9 ! X = 768.514, 1228.057, 166.000, 4.500! !END!
10 ! X = 754.041, 1222.834, 126.000, 4.500! !END!
11 ! X = 743.249, 1216.358, 155.000, 4.500! !END!
12 ! X = 747.204, 1219.554, 153.000, 4.500! !END!
13 ! X = 731.595, 1193.684, 225.000, 4.500! !END!
14 ! X = 742.622, 1212.412, 150.000, 4.500! !END!
15 ! X = 746.859, 1211.44, 162.000, 4.500! !END!
16 ! X = 754.409, 1222.55, 115.000, 4.500! !END!
17 ! X = 746.726, 1219.386, 156.000, 4.500! !END!
18 ! X = 771.481, 1232.89, 118.000, 4.500! !END!
19 ! X = 761.5, 1233.848, 96.000, 4.500! !END!
20 ! X = 739.497, 1209.014, 150.000, 4.500! !END!
21 ! X = 757.982, 1225.626, 119.000, 4.500! !END!
-------------
a
Data for each receptor are treated as a separate input subgroup
and therefore must end with an input group terminator.
b
Receptor height above ground is optional. If no value is entered,
the receptor is placed on the ground.