Diferenças econômicas e étnicas no impacto do clima na qualidade do ar no Brasil

Impactos do clima na qualidade do ar (penalidade do clima)

Usamos a estrutura proposta por (Jhun et al. 2015).⁶ Calcular mudanças relacionadas ao clima passado na concentração de poluentes atmosféricos. Essa estrutura deriva uma “penalidade climática” calculando as diferenças nos valores de β entre um modelo ajustado para variáveis ​​meteorológicas e um modelo não ajustado. Qualquer diferença nesses modelos é responsável pelo impacto de longo prazo das variáveis ​​climáticas. Uma penalidade positiva sugere que o aumento da poluição do ar está associado a mudanças climáticas de longo prazo. Junho e outros. (2015) usaram essa abordagem para quantificar mudanças relacionadas ao clima no passado (penalidade climática) no ozônio troposférico.₃) e PM_2.5 Nos Estados Unidos durante o período 1994-2012. Mais tarde, outras investigações usaram essa mesma estrutura em várias análises, incluindo um estudo sobre as influências relacionadas ao clima no PM._2.5 Concentração básica nos EUA¹⁹Um estudo identificou onde a qualidade do ar é afetada pelas mudanças climáticas nos Estados Unidos²⁰Um estudo que mede as mudanças climáticas na poluição do ar na Espanha¹⁷e um estudo recente das influências meteorológicas na qualidade do ar no Brasil²¹. Este trabalho recente do Brasil avalia multas climáticas classificadas por regiões brasileiras (o Brasil tem cinco regiões). Neste estudo atual, estimamos as penalidades climáticas por município porque uma escala espacial mais refinada é necessária para calcular as análises de disparidade com melhor precisão espacial. O Brasil possui 5.572 municípios, representando as menores áreas consideradas pelo sistema político brasileiro. Descrevemos a estrutura que usamos abaixo.

Usamos dois conjuntos de dados, poluição do ar (PM_2.5) e dados meteorológicos. Abordamos o PM_2.5 Concentrações do Serviço de Monitoramento Atmosférico Copernicus (CAMS) – reanálise (do Centro Europeu de Previsões Meteorológicas de Médio Prazo – ECMWF) para 2003-2018. Resolução temporal de 6 horas – Tempo Universal integrado, incluindo o Brasil a 0,125 graus (aproximadamente 12,5 km) e estimativas diárias para 00, 06, 12 e 18 UTC. Calculamos a concentração média diária de cada poluente. Em seguida, agregamos espacialmente os dados de poluição do ar em nível municipal, considerando apenas o valor médio da sede de cada município no Brasil.

Os dados meteorológicos incluem temperatura da superfície (°C), precipitação (mm), umidade relativa (%) e velocidade do vento (m/s). Os dados foram coletados do Modelo ERA-Interim com Reanálise Atmosférica Global realizada pelo ECMWF. O conjunto de dados meteorológicos também é recuperado com resolução de 6 horas e resolução espacial de 12,5 km. Quanto ao primeiro-ministro_2.5Calculamos as médias diárias de todo o período de interesse para cada variável climática e agrupamos os dados por município.

Como mencionamos acima, a penalidade do clima é derivada das diferenças nos valores de β entre dois modelos – um modelo ajustado por variáveis ​​climáticas e um modelo não ajustado. Usamos modelos aditivos generalizados (GAMs) para ajustar os modelos ajustados e não ajustados. Ambos os modelos foram limitados a termos temporais, incluindo variação anual, mensal, dia da semana e diária. Os modelos ajustados e não ajustados descritos nas Eqs. 1 e 2 respectivamente.

Onde Y representa a concentração diária de PM_2.5 no município Eu sou No dia especificado J; A é o intercepto do modelo GAM; β_{não corrigida} e β_corrigido Linear representa PM ajustado e não ajustado ao clima_2.5 As tendências são expressas em μg/m, respectivamente³ por ano; \(\gama\)δ e Ɛ são vetores de coeficientes que explicam a variação mensal, semanal e diária dentro da série temporal, respectivamente; e Erros residuais normais com variância residual homocedástica; E s1, s2, s3 E s4 Funções spline de suavização padrão do pacote MGCVR, que levam em conta relações não lineares entre as concentrações diárias de PM._2.5 e as variáveis ​​meteorológicas, temperatura (temp), velocidade do vento (ws), umidade relativa (rh) e precipitação (prec), respectivamente no modelo ajustado ao clima (Eq. 1).

Então nós usamos \({\beta }_{corrigido}\) E \({\beta }_{não corrigido}\) Valores para calcular mudanças relacionadas ao clima passado (“penalização do tempo”, expresso em µg/m³ por ano) em PM_2.5. Obtivemos as penalidades meteorológicas para cada município tomando as diferenças entre eles \({\beta }_{não corrigido}\) E \({\beta }_{fixo}\) (\({\beta }_{não corrigido}\) – \({\beta }_{fixo}\)) enquanto a influência do clima está incluída nas tendências não ajustadas (Eq. 2), o controle das variáveis ​​meteorológicas no Modelo 1 remove o impacto da variabilidade interanual do clima no PM._2.5 tendências. Portanto, assumimos que as diferenças entre tendências não ajustadas e ajustadas pelo clima são inteiramente atribuíveis a mudanças climáticas de longo prazo. pênalti positivo (\({\beta }_{não corrigido}\) > \({\beta }_{fixo}\)) sugere que um aumento no PM_2.5 Corresponde às mudanças climáticas de longo prazo entre 2003 e 2018. Por outro lado, uma penalidade negativa indica que a variabilidade nas variáveis ​​climáticas durante o período de estudo está associada à redução da poluição.

Finalmente, usamos a análise de bootstrap para calcular os intervalos de confiança para os coeficientes estimados acima. O bootstrap é baseado em subconjuntos aleatórios (pseudoconjuntos de dados) do conjunto de dados de entrada para contabilizar as estruturas de correlação serial entre as observações. Geramos 1000 conjuntos de dados simulados para cada município. Então, para cada pseudoconjunto de dados, aplicamos os mesmos modelos descritos nas Eqs. 1 e 2 (ajustado e não ajustado, respectivamente). Em seguida, estimamos o erro padrão obtendo o desvio padrão de 100 estimativas em uma análise bootstrap.

Análise das diferenças

As análises de disparidade foram divididas em três etapas, incluindo (i) cálculo da penalidade climática ponderada pela população, (ii) cálculo da diferença de exposição entre o grupo mais exposto e o grupo menos exposto e (iii) estimativa do Gini ponderado coeficientes. Todas essas análises foram feitas em nível nacional e regional.

Multas climáticas para a população

As penalidades climáticas ponderadas pela população foram calculadas para dois grupos – raça e renda. Para ambos os grupos, usamos dados censitários fornecidos pelo Instituto Brasileiro de Geografia e Estatística – BIGS (https://www.ibge.gov.br/en/) divide a etnia BIGS em quatro grupos, incluindo brancos e negros. Com licença (usado principalmente para se referir a pessoas de pele morena clara) e Amarelo (Uma tradução literal para o inglês significa “amarelo”; tecnicamente, de acordo com o BIGS, refere-se ao povo asiático). Essas categorias étnicas são escolhas opcionais feitas pelos participantes do censo. Penalidade Nacional de Peso da População para Grupo Étnico k Calculado como:

Onde \({\overline{WP} }_{k}\) Penalidade climática ponderada pela população nacional (WP) para grupo étnico k (branco, preto, Barto ou asiático), medido em µg/m³; \({WP}_{j}\) Multa meteorológica para o município J; \({P}_{k,j}\) Número de pessoas no grupo étnico k Eles moram no município J; E n Número de municípios no Brasil. Para grupos de renda, a penalidade climática baseada na população é calculada da seguinte forma:

Onde \({\overline{WP} }_{i}\) Penalidade climática ponderada pela população nacional (WP) para grupo de renda Eu souAlém disso, medido em µg/m³. Aqui, baixa renda (< காலாண்டு 25வது) என வகைப்படுத்தப்பட்ட குழு மற்றும் அதிக வருமானம் (> Contabilizamos dois grupos de renda, incluindo um grupo definido como quartil 75; \({WP}_{j}\) Multa meteorológica para o município J; \({P}_{j}\) A população total do município J. Observe que a soma ocorre apenas entre os municípios J Pertence ao grupo de renda Eu sou. Por isso, n representando esses municípios.

Diferença na exposição entre o grupo mais exposto e o grupo menos exposto

Na segunda etapa, calculamos a disparidade de expressão com base em três medidas, disparidade absoluta, diferença percentual e disparidade relativa (razão). A disparidade absoluta foi calculada como a diferença entre a exposição do grupo mais exposto (raça e renda) e a exposição do grupo menos exposto (raça e renda). Por exemplo, considerando que os negros estão mais expostos a multas meteorológicas do que os brancos (\({\overline{WP} }_{preto}>{\overline{WP} }_{branco}\)), portanto, é calculado como desigualdade absoluta \({\overline{WP} }_{preto}-{\overline{WP} }_{branco}\). Esta medição está ligada a efeitos de saúde específicos da exposição²². Para a segunda medição, considerando ainda o exemplo acima (\({\overline{WP} }_{preto}>{\overline{WP} }_{branco}\)), calculado como diferença percentual[(\({\overline{WP} }_{black}-{\overline{WP} }_{white}\))/national mean weather penalty]× 100%. Finalmente, a desigualdade relativa é calculada \({\overline{WP} }_{preto} / {\overline{WP} }_{branco}\). Medidas de diferença percentual e disparidade relativa são usadas para quantificar a disparidade nas cargas de exposição.²².

Estimativa dos coeficientes de Gini ponderados

Observe que as métricas descritas no tópico anterior são baseadas em exposições a penalidades climáticas médias ponderadas pela população. Uma limitação dessas métricas é que as disparidades em toda a distribuição de penalidades meteorológicas não são contabilizadas. Portanto, para resolver essa limitação a fim de verificar a consistência de nossas métricas primárias (mencionadas na seção anterior), nesta terceira etapa, calculamos a métrica de desigualdade considerando a distribuição completa da exposição à penalidade climática, estimando os coeficientes de Gini ponderados. Para cada grupo étnico e para o povo como um todo. Calculado usando o coeficiente de Gini ponderadoPeso kg Função “no ácido” do pacote R. Nesse processo, usamos como entradas as multas climáticas e a população de etnias (e população total) de cada município.

Aprovação ética

Todos os experimentos foram realizados de acordo com as diretrizes e regulamentos relevantes.