Spatio-temporal association of physic characteristics and chemical composition of the atmosphere with human mortality data

Abstract

Air pollution is an environmental challenge that has an important influence on the life of human beings. Therefore, the development, implementation, and evaluation of new statistical approaches will improve the numerical modeling of the spatial distribution of air pollutants and their socio-economic impact. Demography statistically evaluates the change in human populations over time (temporal models). Mortality is a factor that influences the human population, and its definition in the short, medium and long term is of utmost importance for government health and economic plans. Air pollution directly influences human mortality, and it should be incorporated into the structure of demographic mortality models. Air pollution data is collected from satellite information or ground-level monitoring, which needs statistical models to obtain pollution levels in places with no monitoring stations. Air pollution data description uses the aggregate form (mean values over a large geographical level) and the spatially-structured form (values at local territories). In addition, air pollution data could be statistically treated using both traditional and compositional approaches. This thesis assesses the addition of air pollution data using both forms of descriptions separately under both statistical treatment approaches on the useful demographic Farrington-Like model. For this purpose, a generalized linear modelling framework was proposed assuming that the human mortality data has a negative binomial distribution. The mortality data used both total and disaggregated forms. The disaggregation used three demographic aspects sex, age, and location. Air pollutants were modelled using Dynamic Linear Models (DLM) and spatially extended with Gaussian and Gaussian-Mattern Fields under traditional and compositional approaches. For instance, the spatial distribution of concentration of PM2.5 in wildfires event with a limited number of monitoring stations was featured with a Gaussian-Mattern Field; and the spatial distribution of concentrations of SO2, CO, O3, NO2, and PM2.5 was featured using a Gaussian Field. The results obtained in each stage of this doctoral thesis presented adequate quality-model indexes (NSE = 0.5, RMSE ˜0, and Pearson correlation coefficients ˜ 1)

La contaminación del aire es un desafío ambiental que tiene una influencia en la vida de los seres humanos. Por lo tanto, el desarrollo, implementación y evaluación de nuevos enfoques estadísticos mejorará el modelado numérico de la distribución espacial de los contaminantes del aire y su impacto socioeconómico. En el ámbito de la demografía, es común evaluar estadísticamente el cambio en las poblaciones humanas a lo largo del tiempo (modelos temporales). La mortalidad es un factor que influye en la población humana, y su definición en el corto, mediano y largo plazo es de suma importancia para los planes de salud y económicos del gobierno. La contaminación del aire influye directamente en la mortalidad humana y debe incorporarse a la estructura de los modelos demográficos de mortalidad. Los datos de contaminación del aire se recopilan a partir de información satelital o monitoreo a nivel del suelo que necesita modelos estadísticos para obtener los niveles de contaminación en lugares sin estaciones. La descripción de los datos de contaminación del aire se realiza de forma agregada (valores medios en una gran escala geográfica) y de forma espacialmente estructurada (territorios locales). Además, los datos de contaminación del aire se tratan estadísticamente utilizando enfoques tanto tradicionales como de composición. Esta tesis evalúa la adición de datos de contaminación del aire utilizando ambas formas de descripciones por separado bajo ambos enfoques de tratamiento estadístico en el modelo demográfico Farrington-Like. Para este propósito, se propuso un marco de modelado lineal generalizado asumiendo que los datos de mortalidad humana tienen una distribución binomial negativa. Los datos de mortalidad se usaron como totales y desagregados. La desagregación utilizó tres aspectos demográficos: sexo, edad y ubicación. Los contaminantes del aire se modelaron utilizando modelos lineales dinámicos (DLM) y se ampliaron espacialmente con los campos Gaussiano-Mattern y Gaussiano bajo enfoques tradicionales y de composición. Por ejemplo, la distribución espacial de la concentración de PM2.5 en un evento de incendios forestales con un número limitado de estaciones de monitoreo se presentó con un campo Gaussian-Mattern; y la distribución espacial de las concentraciones de SO2, CO, O3, NO2 y PM2.5 se presentó utilizando un campo gaussiano. Los resultados obtenidos en cada etapa de esta tesis doctoral presentaron índices de calidad de modelado adecuados (NSE = 0,5, RMSE ≈0 y coeficientes de correlación de Pearson ≈1).