Modelluppsättning
Vi simulerar global PM för att uppskatta effekten av skogsbränder i Arktiska rådet på mänsklig dödlighet.2.5 Under två scenarier:
-
”FIRE ON”, styrsimulering med Quick Fire Emissions Dataset (QFED, version 2.5)35 Datauppsättning av brandutsläpp. Inkluderar dagliga brandutsläpp från alla bränder (skogsbränder och jordbruk) och alla regioner.
-
”ARCTIC WILDFIRE OFF” är ett kontrafaktiskt scenario som inte inkluderar utsläpp av skogsbränder inom Arktiska rådet, utan inkluderar andra typer av bränder i Arktis och alla typer av bränder utanför Arktis. Detta scenario eliminerar skogsbränder orsakade av både mänskligt inducerad och naturlig förbränning.
Det finns åtta medlemsländer i Arktiska rådet: Kanada, Danmark, Island, Norge, Sverige, Finland, Ryssland och USA. Eftersom vi fokuserar på skogsbränder på höga breddgrader, inkluderar vi inte angränsande USA eller Danmark som regioner i Arktiska rådet (även om vi inkluderar Grönland).
Simuleringarna utförs med hjälp av Community Earth System Model (CESM) version 2.2.51 En gemenskapsatmosfärsmodell med kemi (CAM-Chem) för att simulera kemin i troposfären och stratosfären, i en konfiguration som inkluderar förenklade representationer av andra komponenter på jorden (hav, havsis, etc.). Versionen av CAM-chem i CESM v2.2 är CAM6-chem, som använder MOZART-TS1, den senaste versionen av kemimekanismen Model of Ozone and Related Chemical Tracers (MOZART).52, Volatilitetsbas Ställ in scheman för att representera gasarter och för att representera åldrande av organiska aerosoler. Aerosolstorleksfördelningen representeras med en fyralägesversion av den modala aerosolmodellen (MAM4).53, ytterligare metoder har lagts till för att förbättra representationen av kolhaltiga aerosoler, svart kol (BC) och primärt organiskt material (POM). Vi använder MERRA2-omanalysdata för att finjustera meteorologin och köra CESM med en standardrutnätsupplösning på 0,9° x 1,25° (latitud x longitud).
Eftersom kemiska och meteorologiska processer är kopplade i CESM, resulterar förändringar i brandutsläpp mellan de två scenarierna i små variationer i meteorologiska parametrar (t.ex. temperatur, vindhastighet), vilket påverkar sekundär PM.2.5 Koncentrationerna är höga och kan spridas till områden långt från Nordpolen. Dessa fluktuationer kan felaktigt tillskrivas direkt till PM från skogsbränder.2.5 När man jämför två scenarier. För att fokusera på den direkta påverkan av skogsbränder, beräknar vi PM på grund av skogsbränder.2.5 Det är skillnaden i andelen POM och BC mellan de två scenarierna, som inte påverkas av sekundär aerosolbildning eller meteorologiska återkopplingar. Dessa arter står för i genomsnitt >99,9 % av den primära aerosolmassan som släpps ut av skogsbränder i Arktiska rådet, så denna metod täcker de flesta av de förväntade källorna till partiklar.2.5– Hänförbara hälsoeffekter.
Vi utesluter även regioner där POM + BC PM ökar.2.5 Brandutbrottsscenariot är inte statistiskt signifikant jämfört med scenariet för dämpning av skogsbränder i Arktis. För att göra detta, kör ett ensidigt parat prov. t Tester vid varje CESM-nätcell mellan de månatliga medelkoncentrationerna av de två scenarierna för perioden 2001-2020. Signifikansgränserna är: sid = 0,01. Om ingen signifikant ökning hittas, ställ in termen ”FIRE FRACTION” i bias-korrigeringsekvationen till noll (avsnittet ”Korrektion för simulerad PM”)2.5 ), det fanns inga hälsoeffekter från skogsbränderna på den platsen. Detta säkerställer att statistiskt obetydliga skillnader mellan de två scenarierna i tätbefolkade områden långt från Nordpolen inte i onödan bidrar till de beräknade hälsoeffekterna.resultat av t Testet visas i tilläggsbild 4.
Utveckling av ett utsläppsscenario för ”skogsbränder”.
Båda CESM-modellsimuleringarna inkluderar brandutsläpp från QFED-datauppsättningen35. I QFED mäts emissioner av gasformiga och partikelformiga arter som emitteras av biomassaförbränning på en satellit, tillsammans med biomspecifika emissionsfaktorer som kalibreras genom att jämföra modellerade och observerade aerosoloptiska djup (AODs Baserat på detekterad brandstrålningseffekt). observationer. Vi valde QFED framför andra inventeringar av biomassaförbränningsutsläpp (BBEI) eftersom användning av AOD-observationer kan minska underskattning av utsläpp.35,45har visat sig ha den lägsta negativa biasen för AOD bland de sex vanligast använda BBEI.44Därför är det mindre sannolikt att underskatta PM.2.5 Huvudfokus för denna analys är koncentration.
QFED-utsläppsberäkningar gör dock ingen skillnad mellan jordbruksbränder och skogsbränder. För att konstruera ett scenario för utsläpp av biomassaförbränning utan skogsbränder, anta därför att utsläppen från jordbruksmark inte är skogsbränder, och att utsläpp från annan markanvändning är skogsbränder.
Den använda QFED-utsläppsupplösningen är omriden till CESM-upplösning (0,9° x 1,25°), medan MODIS markanvändningsdata är tillgänglig vid 0,01° x 0,01°. Vi använder MODIS-data i sin ursprungliga rumsliga upplösning (kompletterande figur 5) för att beräkna andelen jordbruksmark inom varje QFED-rutnätscell. Detta används för att delvis dela upp QFED-utsläpp mellan skogsbränder och utsläpp från jordbruket. Utsläpp hänförliga till skogsbränder och jordbruksmark visas i tilläggsbild 6. Fel orsakade av upplösningsfel mellan QFED- och MODIS-data har en relativt liten inverkan på analysen, eftersom endast en liten del av landområdet i Arktis är täckt av jordbruksmark. Råd. De flesta av dem är grupperade i separata områden.
Modifiering av simulerad PM2.5 Till observation
Jämförelse med få tillgängliga PM2.5 Observationer i den arktiska regionen visar att simulerade luftföroreningskoncentrationer konsekvent underskattas av observationer i båda regionerna.54 och global modell55,56,57. Detta beror delvis på svårigheten att representera plymen vid låg upplösning, eftersom plymen är utspädd i modellens rutnätsceller.Dessutom underskattas ofta utsläppen från biomassaförbränning.43,44,47. En speciell orsak till detta i arktiska områden kan vara torvjordar. Utsläppsrika glödbränder förekommer ofta i torvmarker, men återspeglas vanligtvis dåligt i utsläppsinventeringar eftersom de är svåra att upptäcka via satellit.58,59. Dessutom tillåter satellitbaserade produkter för brända områden ofta att bränder utelämnas på grund av deras höga detektionsgränser och begränsade transporttid.60.
Vi jämförde CESM-modellen med en datauppsättning av PM:er av referensgrad.2.5 Monitorer från AIRNOW-nätverket (norr om 55 grader nordlig latitud). Detta inkluderar övervakning av de amerikanska ambassaderna i Alaska, Kanada och Almaty, Kazakstan. Den normaliserade medelbias (NMB) för CESM är negativ 0,61, medan den geografiskt viktade regression (GWR) PM är negativ.2.533 NMB är -0,05 (kompletterande figur 7). Liknande resultat hittades när man jämförde CESM-modellen med en lågkostnadsdatauppsättning.Purple Air” CESM är negativt partisk i förhållande till monitorer belägna norr om 55°N. lila luft data (kompletterande figur 8), NMB är -0,72. GWR PM2.5 Produkten är mer förenlig med lila luftÖvervaka med NMB på 0,1. Från dessa resultat drar vi slutsatsen att GWR PM:2.5 Kan bättre uttrycka storleken på PM i Arktis2.5 Högre koncentration än PM simulerad i CESM2.5 koncentration.
Använd GWR PM2.5 För att få en mer exakt uppskattning av PM2.5 koncentrerad till områden som drabbats av skogsbränder. Denna datauppsättning använder satellit-AOD-observationer och modellhärledda vertikala profiler och ytövervakningsmätningar för att uppskatta månadsmedelvärde för PM.2.5 Med en upplösning på 10 km. Emellertid är FIRE ON-simuleringen underskattad jämfört med GWR PM.2.5 De förekommer i de flesta regioner och årstider, inte bara de som drabbats av skogsbränder. Därför använder vi ARCTIC WILDFIRE OFF CESM-simuleringen som det kontrafaktiska scenariot jämfört med GWR PM.2.5 Överskattning av andelen PM2.5 Arktiska skogsbränder kan vara boven.
Uppskatta PM-fraktionen med hjälp av CESM-simulering.2.5 Detta beror på bränderna i Arktiska rådet och vi hänvisar till detta som ”eldfraktionen” (Ekvation 1). Applicera FIRE FRACTION på GWR PM2.5 Data för att uppskatta kontrafaktiska PM2.5 Ett scenario där inga arktiska skogsbränder inträffar. Vi kallar detta scenariot ”BIAS CORECTED WILDFIRE OFF” (Ekvation 2).
$${{{{{\boldsymbol{FIRE}}}}}\,{{{{{\boldsymbol{FRACTION}}}}}}=\frac{{{{{\boldsymbol{FIRE}}} } }}\,{{{{{\boldsymbol{ON}}}}}}-{{{{{\boldsymbol{Arctic}}}}}}\,{{{{{\boldsymbol{WILDFIRE}}} } }}\,{{{{{\boldsymbol{OFF}}}}}}}{{{{{\boldsymbol{FIRE}}}}}}\,{{{{{\boldsymbol{ON}} } } }}}$$
(1)
$${{{{{\boldsymbol{bias}}}}}\,{{{{\boldsymbol{fixed}}}}}}\,{{{{{\boldsymbol{Wildfire}}}} } } \,{{{{\boldsymbol{OFF}}}}}}= {{{{{\boldsymbol{GWR}}}}}}\,{{{{{{\boldsymbol{PM}}} } } }}_{{{{{\bf{2.5}}}}}}}\\ \times (1-{{{{{\boldsymbol{FIRE}}}}}}\,{{{{ { \ fetsymbol{fraktion}}}}}})$$
(2)
GWR PM2.5 Omanalysen görs endast upp till 68°N, så FIRE ON CESM-simuleringar används för nordligare breddgrader. Linjärt interpolera GWR PM för att undvika hårda gränser.2.5 Använd FIRE ON-simulering norr om 68°N.
Hälsokonsekvensbedömning
Hälsoeffekter av långvarig (kronisk) exponering för omgivande PM2.5 Koncentrationer uppskattas med hjälp av Global Exposure Mortality Model (GEMM).tjugotre Följ den metod som användes i föregående arbete61,62,63och andra bedömningar av hälsoeffekterna av brandrök.46,64. Kortfattat använder GEMM data från 41 epidemiologiska kohortstudier för att uppskatta den ökade relativa risken för hälsoeffekter från kronisk miljöförstöring.2.5 Exponering över den kontrafaktiska nivån på 2,4 µg m-3 Vuxna 25 år och uppåt indelade i 5 årsgrupper. Vi använde en relativ riskfunktion för icke-oavsiktlig dödlighet (inklusive icke-smittsamma sjukdomar och nedre luftvägsinfektioner) och använde parametrar inklusive den kinesiska kohorten.tjugotre. Vi använder GEMM eftersom det för närvarande inte finns några modeller i litteraturen som specifikt tar hänsyn till de kroniska hälsoeffekterna av brandrök. Vi överväger kroniska hälsoeffekter eftersom brandrök på många höga breddgrader regelbundet försämrar den lokala luftkvaliteten och står för en hög andel av det årliga genomsnittliga PM.2.565,66.
Uppsättningen Gridded Population of the World (GPW) version 4 användes för befolkningsräkningar och distribution.67. GPW-datauppsättningen innehåller befolkningsuppskattningar för fem år och är linjärt interpolerad för att ge tidigare år.Global Burden of Disease 2019 undersökningsdata68 Årliga åldersstrukturer för befolkningen och utgångsdödligheten från 2001 till 2019 användes, och hälsoeffekterna för 2020 beräknades med 2019 års data.
Beräkna överdödlighet på grund av kronisk PM med GEMM2.5 Exponering i båda kontrollscenarierna (GWR PM)2.5) och ett kontrafaktiskt scenario där kontamineringen av skogsbränder från Arktiska rådet tas bort (”bias-corrected wildfire off”, ekvation 2). Skillnaden i överdödlighet i dessa två scenarier är skillnaden i dödlighet på grund av rök från arktiska skogsbränder.Uppskattning av trender
Trender beräknas med hjälp av trenduppskattningsverktyget Theil-Sen.69, som är en icke-parametrisk trenduppskattare som är robust mot extremvärden. Betydelsen av trender testades med Mann-Kendall-testet, som upptäcker monotont ökande eller minskande trender.70.
Rapportöversikt
För mer information om studiens design, se sammanfattningen av Naturportfolio Reporting som länkas i den här artikeln.