Pori

Tämä sivu on tietokide alatyypiltään muuttuja. Sivutunniste: Op_fi3357
Moderaattori:Jouni (katso kaikki) Sivun edistyminen: Raakile. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi3357}}

Kysymys

Miten terveysvaikutusarviointi pitäisi huomioida kaupunkitason päätöksenteossa Porissa? Mitä kehityshankkeita on meneillään?

Perustelut

• Pori: kokoukset
• Terveysvaikutusten arviointi käyttöön päätöksenteon tueksi ja työvälineeksi Porin kaupungissa, valtuustoaloite, Päivi Kolehmainen 3.12.2012
• Porin kaupunginvaltuuston kokous 21.1.2013, esityslistalla terveysvaikutusten arviointi [1]
• Terveysvaikutusten arviointi Salossa (Stakes 2007)

Riippuvuudet

Tärkeitä henkilöitä Porissa:

• Päivi Kolehmainen, kaupunginvaltuutettu
• Timo Aro, kehittämispäällikkö
• Sirpa Kynäslahti, hyvinvointikoordinaattori

Matkakeskuksen pienhiukkaspäästöt

Tämä sivu on tietokide alatyypiltään muuttuja. Sivutunniste: Op_fi3357
Moderaattori:Jouni (katso kaikki) Sivun edistyminen: Luonnos. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi3357}}

<googlemap version="0.9" lat="61.4833" lon="21.800051" type="map" zoom="14"> (L) 61.481462, 21.798688, Oy Matkahuolto Ab Itsenäisyydenkatu 44 Pori, (R) 61.477491, 21.787756, Rautatieasema Pori Finland , </googlemap>

Kysymys

Kuinka suuret ovat pienhiukkaspäästöt Porissa matkakeskukseen liittyen, ja mitä terveysvaikutuksia niillä on?

Vastaus

Ylimääräisiä kuolemantapauksia vuodessa

Vaihtoehto	Tulos
Matkakeskus keskustassa
Matkakeskus rautatieasemalla

Perustelut

⇤#: Käytetty leviämis- ja altistumalli on tarkkuudeltaan vain yksi kilometri. Kilometriresoluutio on riittämätön. Malli antaa vain karkeita arvioita ja luultavasti vähättelee vaihtoehtojen eroja ja kokonaisvaikutuksia. --Jouni Tuomisto 25. lokakuuta 2012 kello 00.24 (EEST)

⇤#: Totta on, että malli vähättelee muutaman sadan metrin säteellä päästölähteestä tapahtuvaa altistumista. Kuitenkin virheen suunta on tiedossa, ja se vähättelee terveyshaittoja tilanteissa, jotka sisältävät enemmän liikennettä tiheämmin asutuilla alueilla. --Jouni Tuomisto 13. maaliskuuta 2013 kello 04.27 (EET)

Laskenta

HUOM! Tällä hetkellä malli laskee ainoastaan pienhiukkaspäästön leviämisen 10-15 km:n säteellä olevaan väestöön. Mallia päivitetään jatkuvasti.

Iteraatioiden määrä: Näytä välivaiheet?: Kyllä Ei + Näytä koodi- Piilota koodi library(OpasnetUtils) library(ggplot2) library(xtable) library(OpasnetUtilsExt) library(rgdal) library(maptools) library(RColorBrewer) library(classInt) library(raster) par(mfrow=c(6,1), mar=c(3,1,0,1), cex=1.5) # Graphics settings # Arvioinnin tulos Tulos <- new("ovariable", name = "Tulos", dependencies = data.frame(Name = c( "Terveysvaikutukset", "Altistuminen", "Pitoisuus", "tieliikennepäästöt", "suorite" ), Ident = c( "", "", "", "", "Op_fi3192/alustus" )), formula = function(dependencies, ...) { ComputeDependencies(dependencies, ...) # Leikataan turhat pois temp <- tieliikennepäästöt@output[tieliikennepäästöt@output$Saaste == "PM", ] # Valitaan vain PM-rivit. temp <- as.data.frame(as.table(tapply( temp$tieliikennepäästötResult, temp[c("LA", "LO", "Vaihtoehto", "Saaste")], # HUOM! Probabilistiset päästöt eivät toimi koska Iter summataan. sum ))) temp <- temp[!is.na(temp$Freq), ] # Pudotetaan tyhjät rivit pois. oprint(temp) # Käydään päästö läpi rivi kerrallaan ja lasketaan pitoisuus, altistuminen ja terveysvaikutus. out <- data.frame() # Tähän taulukkoon kerätään data for(i in 1:nrow(temp)) { Päästö <- temp$Freq[i] LA <- as.numeric(as.character(temp$LA[i])) LO <- as.numeric(as.character(temp$LO[i])) Altistuminen@output <- data.frame() # Nollataan, jotta malli laskee ne uusiksi uudelle päästölle. Pitoisuus@output <- data.frame() # EvalOutput käyttää tilapäisiä, rivikohtaisia tietoja. Kunkin rivin tulos lisätään lopputulokseen. out <- rbind( out, merge( temp[i, ], EvalOutput(Terveysvaikutukset, N = N)@output, by = NULL ) ) } return(out) } ) ## Terveysvaikutukset Terveysvaikutukset <- new( "ovariable", name = "Terveysvaikutukset", dependencies = data.frame( Name = c("Altistuminen") # , "erf", "bg.mort") ), formula = function(dependencies, ...) { ComputeDependencies(dependencies, ...) bg.mort <- 45182 / 5203826 # same values as used in PILTTI erf <- 0.0097 # J. T. Tuomisto, A. Wilson, et al. Uncertainty in mortality response to airborne fine # particulate matter... 2008. unit: m^3 /ug out <- Altistuminen * erf * bg.mort return(out) } ) ## Altistuminen Altistuminen <- new( "ovariable", name = "Altistuminen", dependencies = data.frame( Name = c("Pitoisuus", "LO", "LA") ), formula = function(dependencies, ...) { ComputeDependencies(dependencies, ...) out <- GIS.Exposure(Pitoisuus, LO, LA, ...) return(out) } ) ## Pitoisuus Pitoisuus <- new( "ovariable", name = "Pitoisuus", dependencies = data.frame( Name = c("Päästö", "LO", "LA") ), formula = function(dependencies, ...) { ComputeDependencies(dependencies, ...) temp <- GIS.Concentration.matrix(Päästö, LO, LA, ...) return(temp) } ) Päästö <- 1 LA <- 61.477491 LO <- 21.787756 ################# tieliikennepäästöt: funktio tieliikennepäästön laskemiseen ## suorite = ajoneuvojen kulkemat ajokilometrit. Junien osalta ilmoitetaan tonnikilometrit. tieliikennepäästöt <- new("ovariable", name = "tieliikennepäästöt", dependencies = data.frame(Name = c("suorite")), formula = function(dependencies, ...) { ComputeDependencies(dependencies, ...) päästökerroin <- new("ovariable", name = "päästökerroin", ddata = "Op_fi3192") # Haetaan päästökerrointiedot päästökerroin <- EvalOutput(päästökerroin, N = N, ...) out <- suorite * päästökerroin # Varsinainen laskentakaava return(out) } ) # suorite suorite <- new("ovariable", name = "suorite", data = {temp <- tidy(opbase.data("Op_fi3357")) # Luodaan tilapäiset ovariablet, jotta mahdollinen probabilistisuus menee oikein. lm <- new("ovariable", name = "lm", data = { temp2 <- temp[colnames(temp) != "Pituus"] colnames(temp2)[colnames(temp2) == "Liikennemäärä"] <- "Result" temp2 }) pi <- new("ovariable", name = "pi", data = { temp3 <- temp[colnames(temp) != "Liikennemäärä"] colnames(temp3)[colnames(temp3) == "Pituus"] <- "Result" temp3 }) data <- EvalOutput(lm, N = N) * EvalOutput(pi, N = N) * 365 * 1E-6 # Muutetaan d -> a ja km -> Gm data@output[!colnames(data@output) %in% c("lmSource", "lmResult", "piSource", "piResult", "Description", "Unit")] } ) Tulos <- EvalOutput(Tulos) if(intermediates) { cat("Liikennesuorite.\n") oprint(suorite@data) cat("Kokonaispienhiukkaspäästöt eri pisteistä.\n") oprint(tieliikennepäästöt) cat("Yksityiskohtaiset päästötiedot.\n") oprint(temp) cat("Yksityiskohtainen lopputulos.\n") oprint(Tulos) } #if(N > 10) {ggplot(temp, aes(x = Freq, fill = Vaihtoehto)) + geom_density(alpha = 0.2)} cat("Pienhiukkasten aiheuttamia ylimääräisiä kuolemantapauksia vuodessa.\n") ggplot(Tulos@output, aes(x = TerveysvaikutuksetResult, fill = Vaihtoehto)) + geom_density() oprint(Tulos@output[Tulos@output$Iter == 1, ]) colorstrip <- function(colors, labels) { count <- length(colors) m <- matrix(1:count, count, 1) image(m, col=colors, ylab="", axes=FALSE) axis(1,approx(c(0, 1), n=length(labels))$y, labels) } # Draw a concentration map. cat("Esimerkki yhden päästöpisteen aiheuttamasta pitoisuuskentästä.\n") temp <- Pitoisuus # EvalOutput(Pitoisuus, N = 1) temp2 <- gsub("\\(", "", temp@output$LObin) temp2 <- gsub("\\]", "", temp2) temp2 <- strsplit(temp2, ",") temp3 <- c() for(i in 1:length(temp2)) { a <- as.numeric(temp2[[i]][1]) b <- as.numeric(temp2[[i]][2]) temp3[i] <- ((a + b) / 2) } temp@output$LO <- temp3 temp2 <- gsub("\\(", "", temp@output$LAbin) temp2 <- gsub("\\]", "", temp2) temp2 <- strsplit(temp2, ",") temp3 <- c() for(i in 1:length(temp2)) { a <- as.numeric(temp2[[i]][1]) b <- as.numeric(temp2[[i]][2]) temp3[i] <- ((a + b) / 2) } temp@output$LA <- temp3 #print(temp) data <- data.frame(LO=temp@output$LO, LA=temp@output$LA, concentration=temp@output$PitoisuusResult) data$truncated_concentration <- ifelse(data$concentration > 1, 1, data$concentration) data$log_concentration <- (log10(data$concentration) - log10(0.001)) / 4 print(max(data$log_concentration)) # Plot the data coordinates(data)=c("LO","LA") proj4string(data)<-("+init=epsg:4326") epsg4326String <- CRS("+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs") shp<-spTransform(data,epsg4326String) #Create blank raster rast<-raster() #Set raster extent to that of point data extent(rast)<-extent(shp) #Choose number of columns and rows ncol(rast) <- 41 nrow(rast) <- 41 #cat("<span style='font-size: 1.2em;font-weight:bold;'>PM2.5</span>\n") #Rasterize point data rast2<-rasterize(shp, rast, shp$log_concentration, fun=mean) steps <- c(0.001,0.003,0.01,0.03,0.1,0.3,1,3,10) colors <- rev(rainbow(length(steps), start=0, end=0.50)) colorstrip(colors, steps) #Plot data google.show_raster_on_maps(rast2, col=colors, style="height:500px;")

Ovariablet:

• Terveysvaikutukset: syötteenä Altistuminen * erf * bg.mort
  • erf: vakio, annetaan koodissa
  • bg.mort: vakio, annetaan koodissa
  • Altistuminen: syötteenä Pitoisuus, LO, LA
    • Käytetään funktiota GIS.Exposure(Pitoisuus, LO, LA, ...)
    • LO ja LA: saadaan muuttujan Pitoisuus sarakkeista LO ja LA.
    • Pitoisuus: syötteenä Päästö, LO, LA.
      • LO ja LA: saadaan muuttujan Päästö sarakkeista LO ja LA.
      • Käytetään funktiota GIS.Concentration.matrix(Päästö, LO, LA, ...)
      • Päästö: syötteenä Tieliikennepäästöt (tässä kohdassa lähinnä yksikköskaalausta).
        • Tieliikennepäästöt: käyttää metodia Tieliikennepäästöt ja muuttujaa suorite.
          • suorite: luodaan tämän sivun (Pienhiukkaspäästöt Raumalla) datataulusta.

Data

Ero sivun ”Pori” versioiden välillä(-)

Obs	Vaihtoehto	Ajoneuvo	Ajo	Kuormitusaste	LA	LO	Unit	Liikennemäärä	Pituus	Description
1	Matkakeskus linja-autoasemalla	Täysperävaunuyhdistelmä	Katuajo	70% kuorma	61.481462	22.798688	kpl-km /d	100	2	Päästöpiste oletetaan nykyiselle linja-autoasemalle
2	Matkakeskus rautatieasemalla	Täysperävaunuyhdistelmä	Katuajo	70% kuorma	61.477491	21.787756	kpl-km /d	100	2	Päästöpiste oletetaan rautatieasemalle

Katso myös

• Pienhiukkaspäästöt Raumalla

Aiheeseen liittyviä tiedostoja

<mfanonymousfilelist></mfanonymousfilelist>