ANALISI JURNAL

1. JUDUL
BLEDING FOTES FIRE SMOKE FORECASTS WITH OBSERVED DATA CAN IMPROVE THEIR
UTILITY FOR PUBLIC HEALTH APPICATION
(Memadukan perkiraan asap kebakaran hutan dengan data yang teramati dapat
meningkatkan kegunaannya untuk aplikasi kesehatan masyarakat)
2. PENELITI
Weiran Yuchi,Jiayun Yao,Kathleen E.McLean,Rolan Stull,Radenko Pavlovic,Didier
Davignon,Michael D.Mora,Sarah B.Henderson.
3. IDENTITAS JURNAL
Correponding author.Enviromental Health Services.BC Senter for Disease control,Main
Floor 665 12th Ave W,Vancouver,British Colombia V5Z 4R4,Canada.
4. TEMPAT PENELITIAN
Canada
5. TUJUAN
a) untuk mengurangi kegagalan dalam perkiraan asap dengan mengintegrasikan
pengamatan yang ada.
b) Untuk meningkatkan pemahaman kita tentang paparan asap kebakaran hutan dan
dampak kesehatannya, kita memerlukan alat terbaik untuk analisis retrospektif dan
sistem peringatan prospektif.
c) Untuk membuat alat peramal akan terjadinya asap akibat kebakaran hutan
d) untuk mengevaluasi apakah utilitas kesehatan masyarakat dari prakiraan dapat diperbaiki
dengan memadukannya dengan pengamatan yang tersedia pada saat prakiraan dibuat.

6. HASIL
Bahaya kebakaran hutan adalah campuran kompleks gas dan partikel, yang
selanjutnya terdiri dari berbagai unsur organik dan anorganik. Sebagian besar studi
epidemiologi mengenai dampak kesehatan dari asap kebakaran hutan menggunakan
pengukuran atau perkiraan partikulat halus (PM2.5) untuk menilai pemaparan populasi.
Meskipun PM2.5 dihasilkan langsung oleh proses pembakaran, namun tetap dapat
tersuspensi di atmosfer dalam waktu lama dan dapat diangkut ke daerah yang jauh dari
kebakaran sebe. Paparan akut terhadap PM2.5 yang baik dari asap kebakaran hutan
telah dikaitkan dengan berbagai dampak buruk kesehatan, termasuk eksaserbasi
penyakit pernafasan dan kardiovaskular, penurunan berat badan lahir, dan peningkatan
risiko kematian (Adetona et al., 2016). Paparan asap paling sering dikaitkan dengan
penyakit asma (Dennekamp dan Abramson, 2011; Henderson dan Johnston, 2012),
yang menyumbang sekitar 80% kasus penyakit pernafasan kronis di Kanada (Dinas
Kesehatan Kanada, 2007) Dan mempengaruhi lebih dari 235 juta orang di seluruh dunia
(World Health Organization, 2013). Karena kebakaran hutan meningkat dalam frekuensi
dan intensitas karena perubahan iklim global (Flannigan et al., 2005; Wotton et al.,
2010), kami memperkirakan peningkatan dampak kesehatan masyarakat dari asap
selama beberapa dekade mendatang. Selain paparan PM2.5 akut, asap kebakaran hutan
juga dapat memainkan peran yang semakin meningkat dalam paparan polusi udara
seumur hidup (Yue et al., 2013), yang dapat berkontribusi terhadap perkembangan
penyakit kronis (Paus III et al., 2002).

Potensi paparan asap kebakaran hutan menantang otoritas kesehatan

masyarakat untuk mengevaluasi. Kebakaran dan asap bersifat sporadis, episodik, dan
tidak dapat diprediksi dalam ruang dan waktu. Dengan demikian, tidak ada metode
sempurna untuk menilai eksposur asap secara retrospektif atau untuk
memperkirakannya secara prospektif. Saat ini, paparan populasi terhadap asap
kebakaran hutan biasanya diperkirakan menggunakan tiga metode yang berbeda:

(1) pengukuran kualitas udara yang dilakukan di permukaan;

(2) model empiris yang menggabungkan data dari berbagai sumber, termasuk
pengukuran PM2.5 dan pengukuran penginderaan jauh (Reid, 2014; Yao dan
Henderson, 2014);
(3) model deterministik generasi asap dan dispersi (Larkin et al., 2010).

Stasiun pemantauan kualitas udara dapat memberikan pengukuran PM2.5 yang

akurat pada resolusi temporal yang tinggi. Akhirnya, instrumentasi bisa gagal dalam
kondisi asap tebal (Kolbe dan Gilchrist, 2009; Wu et al., 2006).
Model empiris menggunakan regresi statistik pada berbagai variabel prediktif
untuk memperkirakan PM2.5 dengan resolusi spasial yang tinggi. Model ini
mengintegrasikan data dari jaringan pemantauan kualitas udara dengan pengukuran
penginderaan jarak jauh dan perkiraan meteorologi, dan memungkinkan perkiraan
PM2.5 di daerah berpenduduk dimana tidak ada pengukuran permukaan yang tersedia
(Yao dan Henderson, 2014). Sementara beberapa model empiris berkinerja cukup baik
bila dibandingkan dengan 2,5 pengukuran (Yao dan Henderson, 2014), mereka dibatasi
oleh ketergantungan mereka pada pengukuran satelit yang dapat dikaburkan oleh
penutup awan, dan itu mencerminkan keseluruhan atmosfer daripada kondisi di lapisan
permukaan.
Model deterministik menggabungkan informasi tentang kebakaran dan
meteorologi secara retrospektif atau prospektif memperkirakan pembangkitan dan
penyebaran asap (Larkin et al., 2010; Pavlovic et al., 2016).
Penilaian eksposur yang baik penting untuk epidemiologi lingkungan, dan
prakiraan asap yang baik penting untuk kesiapan kesehatan masyarakat. Untuk
meningkatkan pemahaman kita tentang paparan asap kebakaran hutan dan dampak
kesehatannya, kita memerlukan alat terbaik untuk analisis retrospektif dan sistem
peringatan prospektif.
Di sini kita mempertimbangkan tiga sumber informasi harian berikut tentang
asap kebakaran hutan di seluruh provinsi British Columbia (BC), Kanada pada musim
panas 2014 dan 2015:
(1) perkiraan dari model PM2.5 yang dikembangkan oleh BCCDC, yang Termasuk
pengamatan terukur dari jaringan pemantauan kualitas udara dan beberapa
satelit;
(2) prediksi dari peramalan peramalan asap FireWork yang dioperasikan oleh
Environment and Climate Change Canada;
(3) prediksi dari peramalan peramalan asap BlueSky yang dioperasikan oleh
University of British Columbia. Untuk mengevaluasi kinerja model empiris dan
deterministik, kami membandingkan perkiraan harian mereka dengan
pengukuran harian dari jaringan pemantauan kualitas udara, jika tersedia. Untuk
mengevaluasi utilitas kesehatan epidemiologis dan kesehatan dari perkiraan
tunggal dan campuran, kita membandingkan hubungan antara perkiraan PM2.5
setiap hari dan jumlah indikator kesehatan khusus asma yang sudah diketahui
terkait dengan paparan asap pada populasi BC.
7. SARAN
Akan lebih tepat jika penilaian obyektif utama kami adalah penilaian eksposur retrospektif.
Akhirnya, pencampuran operasional memerlukan metode yang kuat untuk mengatasi nilai yang
hilang, di mana kita memiliki kemewahan untuk menghilangkannya sepenuhnya.
8. METODE
a) Wilayah studi dan periode
Provinsi BC terletak di pesisir barat pegunungan dan berhutan lebat di Kanada, dengan
populasi 4.63 juta penduduk (BC Stats, 2015) tersebar di wilayah geografis yang luas di
wilayah metropolitan yang luas, kota-kota kecil, dan masyarakat pedesaan
b) Metrik paparan tunggal
Model Empiris (EM): Meskipun BC memiliki jaringan pemantauan PM2.5 yang komprehensif,
ada banyak wilayah penduduk di provinsi ini tanpa lokasi pengukuran di dekatnya
c) FireWork (FW): FireWork adalah sistem peramalan asap Lingkungan dan Perubahan Iklim
Kanada (ECCC) (https://weather.gc.ca/firework/index_e.html) untuk Amerika Utara dengan
emisi api hutan mendekati realtime. Menggunakan data saat ini untuk menghasilkan
perkiraan per jam konsentrasi PM2.5 hingga 48 jam sebelumnya pada domain kontinental
dengan jarak grid horizontal 10 km.
d) Evaluasi dengan pengukuran permukaan PM2.5
Jaringan pemantauan kualitas udara provinsi dikelola oleh Kementerian Lingkungan Hidup
BC. Ada 84 stasiun pemantauan PMPM2 yang beroperasi di wilayah studi selama masa studi,
dimana 54 dan 52 telah menyelesaikan data per jam masing-masing (> 75%) per musim api
2014 dan 2015 (Gambar 1). Kami menghitung konsentrasi PM2.5 setiap hari dengan rata-
rata mulai tengah malam hingga tengah malam, Pacific Standard Time.

e) Penugasan populasi
Provinsi ini dibagi menjadi 89 wilayah kesehatan lokal (LHA) untuk tujuan administrasi
kesehatan (BC Stats, 2011), dan LHA ini menentukan area geografis yang digunakan untuk
analisis indikator kesehatan (Gbr.1). Untuk menetapkan nilai harian untuk setiap metrik ke
setiap LHA, kami mengambil rata-rata tertimbang populasi dengan menggunakan data dari
sensus 2006. Daerah diseminasi (DA) adalah unit sensus geografis terkecil kedua di Kanada,
dengan kebanyakan DA memiliki populasi 400e700 penduduk (Statistics Canada, 2001). Kami
memetakan pusat geografis semua 7469 DA di provinsi ini, dan kemudian menugaskan
perkiraan harian dari model empiris (EM), Firework (FW), dan BlueSky (BS) menggunakan sel
grid yang mendasarinya. Semua centroid DA di dalam masing-masing LHA kemudian
digunakan untuk menghitung rata-rata tertimbang populasi harian untuk LHA tersebut.
f) Ramalan campuran
Kami memadukan perkiraan asap dengan perkiraan model empiris dengan menggunakan
metode sederhana. Pertimbangan pertama kami adalah memastikan perkiraan asap hanya
dicampur dengan perkiraan empiris berdasarkan pengamatan yang akan tersedia pada saat
perkiraan dibuat. Misalnya, perkiraan 2 Juli yang dikeluarkan akhir Juli 1 dicampur dengan
perkiraan model empiris untuk 1 Juli, yang menggunakan data satelit sejak 1 Juli lalu dan
data pemantauan kualitas udara mulai 30 Juni (Gambar 2).

g) Indikator kesehatan pernafasan

Dua indikator kesehatan pernafasan dipertimbangkan. Pertama, penelitian sebelumnya
menunjukkan bahwa paparan asap kebakaran hutan dikaitkan dengan peningkatan
kunjungan rawat jalan untuk asma di BC (Henderson et al., 2011; Moore et al., 2006; Yao et
al., 2014). Kunjungan dokter yang terkait dengan asma diidentifikasi dari database
penagihan BC Medical Services Plan (MSP) menggunakan kode 493 dalam Klasifikasi
Internasional Penyakit, Revisi ke-9 (ICD-9). Dan kedua, salbutamol sulfat adalah obat yang
 diresepkan yang biasa digunakan untuk menghilangkan bronkospasme akut pada kondisi
seperti asma dan penyakit paru obstruktif kronik (COPD). Pekerjaan sebelumnya juga
menunjukkan bahwa paparan asap kebakaran hutan dikaitkan dengan peningkatan
dispensasi salbutamol sulfat di BC (Elliott et al., 2013; Yao et al., 2014). Jumlah harian
dispensasi salbutamol sulfat pada tahun 2014 dan 2015 diambil dari database BC
PharmaNet. Salah satu dari 89 LHA dihilangkan dari analisis karena populasinya yang sangat
kecil.
h) Evaluasi dengan data indikator kesehatan
Analisis dibatasi untuk hari dimana kami memiliki data pemaparan lengkap untuk semua
perkiraan tunggal dan campuran, sehingga hasilnya akan sebanding. Kami menggunakan
Generalized Estimating Equations (GEEs) untuk memodelkan hubungan antara masing-
masing PM2 plus tunggal dan campuran yang meramalkan dua indikator kesehatan.
(Persamaan (1)).

9. HASIL
a) Ringkasan data
Dua puluh dari 184 tanggal pada musim kebakaran 2014 dan 2015 dihilangkan
dari analisis karena data hilang dari satu atau beberapa metrik tunggal. Jumlah
kunjungan dokter asma dan dispensasi salbutamol masing-masing adalah 74.341 dan
227.191. Jumlah kunjungan asma yang berkaitan dengan asma dan dispensasi
salbutamol bervariasi antara LHA dan LHA untuk populasi dengan populasi lebih besar
b) Model PM2.5 dibandingkan dengan nilai terukur
Bila dibandingkan dengan pengukuran PM2.5 permukaan, perkiraan dari model
empiris, FireWork, dan BlueSky memiliki rentang yang luas di empat indikator model
(NRMSE, IOA, r, FB), yang mengindikasikan variabilitas dan inkonsistensi yang tinggi di
seluruh tanggal dan LHA. Model empiris dan FireWork keduanya memiliki kesalahan
yang relatif kecil (2,40 dan 2,60%), indeks kesepakatan yang tinggi (0,80 dan 0,85), dan
korelasi yang relatif kuat (0,68 dan 0,75) dibandingkan dengan BlueSky (NRMSE ¼ 5,50%,
IOA ¼ 0,63, r ¼ 0,58). Bias fraksional untuk model empiris (0,05) lebih kecil dari pada
FireWork dan BlueSky (0,256 dan 0,57). Secara keseluruhan, BlueSky, yang
mencerminkan dampak kualitas udara dari asap api hutan saja, memiliki kinerja paling
buruk dari semua metrik
c) Model indikator kesehatan
Peningkatan satu SD dalam semua perkiraan PM2.5 tunggal dan campuran
dikaitkan dengan peningkatan tingkat kunjungan dokter asma dan dispensasi salbutamol
sulfat. Rasio tingkat suku bunga (RR) dan interval kepercayaan 95% untuk kunjungan
dokter berkisar antara 1,06 [1,05, 1,06] untuk BlueSky (BS) saja sampai 1,11 [1,09, 1,13]
untuk hibrida EM þ FW.
d) Model cocok
The EM þ FW dan EM þ BS dicampur prakiraan memiliki QIC terkecil untuk
kunjungan dokter terkait asma dan dispensasi salbutamol.
e) Diskusi
Asap api liar memiliki dampak signifikan terhadap kesehatan masyarakat pada
skala lokal, regional, dan global. Otoritas kesehatan masyarakat membutuhkan informasi
terbaik tentang ekspos asap asap potensial selama kejadian kebakaran, sehingga mereka
dapat merencanakan intervensi dari pesan publik melalui evakuasi masyarakat (Elliott,
2014).
Kami mengevaluasi kualitas perkiraan asap tunggal dan asap dengan:
1. membandingkan prediksi PM2.5 dengan pengamatan permukaan sesuai waktu di ~
50 lokasi
2. membandingkan prediksi PM2.5 dengan indikator pengamatan kesehatan
pernapasan penduduk. Hasilnya menunjukkan bahwa praduga campuran.
3. memiliki kesepakatan yang lebih baik dengan pengamatan permukaan.
4. lebih baik dalam menggambarkan variabilitas kunjungan dokter yang dilakukan
dengan astrofilatasi dan dispensasi farmasi.

Hasil kami konsisten dengan penelitian sebelumnya. Fuentes and Raftery (2005)
menggabungkan data dari 50 stasiun pemantauan di Clean Air Status and Trends Network
(CASTNet) dengan keluaran dari model kualitas udara skala Model-3 regional.
Menggabungkan konsentrasi yang diukur dengan keluaran model adalah cara yang
menjanjikan untuk memperbaiki prediksi temporal dan spasial, namun ada beberapa
pendekatan yang berbeda.
Dalam penelitian ini kami menggunakan pengamatan terukur dalam bentuk model
empiris yang sebelumnya dikembangkan untuk surveilans dan epidemiologi di BC.
Peramalan Asap tidak unik untuk BC, atau ke Kanada. Kerangka BlueSky yang
digambarkan di sini adalah adaptasi kerangka BlueSky yang dikembangkan oleh US Forest
Service untuk peramalan asap di seluruh Amerika Utara, yang telah beroperasi selama
bertahun-tahun.
Pertama, ada beragam metode untuk mencapai penggabungan data, mulai dari cara
aritmatika sederhana, seperti yang telah kita gunakan, sampai analisis Bayesian yang
kompleks karena tujuan utamanya adalah untuk mengevaluasi utilitas kesehatan umum dari
perkiraan yang tersedia secara prospektif.
Studi kami memiliki dua keterbatasan utama:
1) Mengingat perbedaan antara metrik tunggal dan campuran (lihat Gambar 4 boxplot dan
Tabel 1), interpretasi rasio tingkat (RR) dihasilkan dari ramalan tunggal dan campuran
terbatas berkenaan dengan komparabilitasnya. Model empiris ini mencerminkan semua
sumber PM2.5 namun dioptimalkan untuk asap, sedangkan FireWork menambahkan
PM2.5 yang berkaitan dengan asap ke kontribusi model dari sumber latar belakang
lainnya, dan BlueSky merefleksikan kontribusi dari asap saja.
2) Data pada dua indikator kesehatan pernafasan (kunjungan dokter yang berhubungan
dengan asma dan dispensasi salbutamol) mungkin tidak mewakili kesehatan sebenarnya
dari populasi. Data ini dihasilkan oleh individu yang melakukan kontak dengan sistem
perawatan kesehatan universal, namun kami tidak memiliki cara untuk mengevaluasi
apakah mereka mengalami gejala yang berkaitan dengan asma atau apakah tindakan
tersebut dilakukan dengan hati-hati.

Di sini kita telah menunjukkan bahwa perkiraan asap pencampuran dengan

perkiraan empiris meningkatkan kualitas hubungan antara perkiraan dan indikator
kesehatan pernafasan populasi di BC, di mana ada sejumlah besar penelitian mengenai topik
ini sebelumnya. Mengingat bahwa komunitas kesehatan masyarakat adalah pemangku
kepentingan penting dalam peramalan asap, kami mendorong pemodel untuk
mempertimbangkan hasil ini saat mereka mengembangkan dan menyempurnakan kerangka
peramalan mereka.