Modellering av buller från vägtrafik i Skåne

Transkript

1 Modellering av buller från vägtrafik i Skåne Metodbeskrivning Kristoffer Mattisson Institutionen för Laboratoriemedicin, Avdelningen för Arbets- och miljömedicin

2 Innehållsförteckning Inledning... 2 Bakgrund... 2 Syfte... 3 Modellering av vägtrafikbuller i Skåne... 4 Bearbetning av data för bullermodellering... 5 Exponeringsbedömning Övriga exponeringsvariabler Diskussion Användning av resultatet från studien Referenser Bilaga

3 Inledning Denna rapport är en redovisning för medel beviljade av Ljudmiljöcentrum vid Lunds universitet, som delfinansiering av ett projekt med syfte att modellera(beräkna) vägtrafikbuller i Skåne och bedöma exponering på individnivå. Andra delar av finansieringen kommer från länsstyrelsen i Skåne län och externfinansierade forskningsprojekt. Arbetet har utförts av Arbets- och Miljömedicin, Lund. I arbetsgruppen har Jonas Björk 1, Emilie Stroh 2 och Jonas Ardö 3 ingått i diskussion och planering kring arbetet. Resultatet av modelleringarna kommer bland annat att användas för att studera hur vägtrafikbuller inverkar på bland annat hjärt- och kärlsjukdomar, läkemedelskonsumtion och sömnstörningar. Det kommer även att användas till att kartlägga exponering för vägtrafikbuller för Skånes invånare. Bakgrund Ett flertal studier visar att buller har en negativ inverkan på människors hälsa (Barregård et al. 2005, Roswall et al. 2009, Nilsson et al. 2009), exempel på problem som kan uppstå är sömnsvårigheter, hjärt-/kärlsjukdomar och försämrad inlärning (Berglund et al. 1999). Dessa effekter är till men för den enskilda individen och leder i sin tur till kostnader för samhället i stort. Babisch (2006) visar i en metaanalys att risken för ischemisk hjärtsjukdom ökar vid höga bullernivåer (>60 db(a) LAeq24), men att påverkan vid lägre bullernivåer är osäkra. I en senare svensk fall-kontrollstudie var dock risken för hjärtinfarkt förhöjd redan vid låg exponering från trafikbuller (Selander et al. 2009). Medelblodtryck hos barn förefaller öka med bullernivån, medan fynden för vuxna är moltsägelsefulla enligt Babisch (2006) metaanalys. Senare studier talar för en ökning av risken för blodtryckssjukdom men med en mycket stor spridning i riskskattningarna, mellan 3% och 90% för varje 10 db(a) ökning av LAeq24 (Bluhm et al. 2007, Järup 2008, de Kluizenaar et al. 2008). Buller härstammar från ett antal olika källor, varav en stor källa är trafikbuller. Då befolkningen och befolkningstätheten stiger ökar även mängden infrastruktur (vägar etc.), vilket resulterar i en ökad bullerexponering från transporter (Santamato 2009). I en rapport från Naturvårdsverket var antalet människor som var utsatta för buller från transporter över gränsvärdet på 55 db(a) vid fasad, år 2006 runt 2 miljoner i Sverige (Simonsson 2009). 1 FoU-centrum Skåne, Enheten för Medicinsk Statistik och Epidemiologi, Skånes Universitetssjukhus 2 Arbets- och Miljömedicinska kliniken, Skånes Universitetssjukhus 3 Institutionen för Geo- och Ekosystemvetenskaper, Lunds universitet 2

4 Antalet utsatta för vägtrafikbuller var i samma studie 1,73 miljoner, vilket visar på att vägar är den största bidragande faktorn till buller från transport i Sverige. Buller varierar mycket både i tid och rum, vilket gör det svårt att avgöra den genomsnittliga exponeringen under en längre tidsperiod. Mätningar representera endast specifika tidpunkter eller tidsperioder, vilket innebär att det är kostsamt och tidskrävande att kunna mäta en genomsnittlig bullerexponering för en plats under en längre tid. Ett mer kostnadseffektivt sätt är att istället modellera exponeringen. I Sverige används oftast den Nordisk beräkningsmodellen för vägtrafikbuller från 1996, vilket är en gemensam metod för de nordiska länderna att beräkna buller från vägar (Jonasson et al. 1996). Även om det finns en gemensam beräkningsmetod för bullerexponering i hela Sverige så finns det utrymme för olika tolkning och tillämpning av denna modell. I modellen finns det ett antal faktorer vilka man kan välja att ta hänsyn till eller utelämna. Liksom vid all modellering kan det också vara stor skillnad i kvalitet på indata som används vid beräkningen av bullerexponering. Detta sammantaget gör det svårt att jämföra resultaten från olika modelleringar med varandra om inte mycket liknande metoder och indata har använts (Nijland and van Wee 2005). För skattning av hälsoeffekterna från trafikbuller är det av största vikt att kunna modellera bullerexponeringen för större områden och populationer med så hög precision som möjligt. Detta är speciellt av vikt då studier har visat att många individer, bosatta i trafikerade urbana områden, tenderar att vara ligga inom ett exponeringsintervall för LAeq24 på mellan dba och en mindre felmodellering med andra ord kan få stora konsekvenser för andelen individer vilka exponeras över eller under gränsvärdet på 55dBA (Mattisson 2011b). Syfte Syftet med studien är att ta fram en samlad och tillräckligt detaljerad bild av bullerexponering från vägtrafik i Skåne från 2000 till 2010, med utgångspunkt från en detaljerad modellering av bullerexponeringen i Burlövs kommun som gjorts i tidigare projekt (Mattisson 2011a, 2011b, 2011c). I studien identifieras och generaliseras viktiga modelleringsfaktorer. En utvärdering av vilka konsekvenser generalisering får för bullerskattningar inom epidemiologiska studier utförs. 3

5 Baserat på denna generalisering och utvärdering utförs därefter en bullermodellering för Skåne län. Förhoppningen är att projektet ska ge en förbättrad bild av den faktiska bullerexponeringen i Skåne och även möjliggöra jämförelser av bullerexponering för olika delarna av länet. Modelleringarna skall vidare användas för att koppla exponering till hälsoutfall i en prospektiv studie av risk för hjärtkärlsjukdom, sömnstörningar och psykisk sjukdom. Under projektbeskrivning i ansökan finns angivet att en utvärdering av vilka konsekvenser den generaliserade bullermodelleringen har på riskklassificeringen skall genomföras. Då arbetet med att modellera för hela Skåne varit så omfattande har denna del inte kunnat genomföras inom ramarna för detta projekt. I samband med framtida vetenskapliga publikationer baserade på den modellerade bullerexponeringen kommer sådana analyser att genomföras. Modellering av vägtrafikbuller i Skåne För att kvantifiera exponeringen för buller från vägar i Skåne modellerades bullret baserat på den nordiska beräkningsmodellen för vägbuller från 1996 (Jonasson et al. 1996). Denna beräkningsmodell fanns implementerad i mjukvaran SoundPLAN som är ett datorprogram speciellt framtaget för att modellera buller. Då SoundPLAN är en specifik GIS-mjukvara är den känslig för att geografiska data har ett visst format då de importeras till programmet. De geografiska data som låg till grund för modelleringarna bearbetades därför först i mjukvaran ArcGIS, vilket är en mer generell mjukvara som inte är lika känslig. De schablonvärden som användes fördes också på i detta program. Då Skånes befolkning 2010 var ungefär 1,24 miljoner skulle en beräkning av bullernivåer för samtliga dessa personer innebära mycket krävande beräkningar. För att få exponering av buller ifrån vägtrafik i Skåne beräknades därför buller för personer som medverkat i en folkhälsoenkät över Skåne 2000, med uppföljning 2005 och Dessa personer kan ses som representativa för Skåne då 200 män och 200 kvinnor från varje kommun eller stadsdel (för större städer) deltar. Genom viktning av kommunerna, baserat på invånarantal, ges sedan en representativ bild av exponering för hela Skåne. Då bullerberäkningar är mycket beräkningskrävande beräknades buller vid tre tillfällen 2000, 2005 och Dessa bullerberäkningar användes sedan som representativa även för åren 4

6 däremellan. Beräkningen 2000 användes för perioden , beräkningen 2005 användes för och beräkningen 2010 användes för perioden Till grund för att genomföra dessa beräkningar så har tidigare detaljerade modelleringar av vägtrafikbuller genomförts över Burlövs kommun (Mattisson 2011a, 2011b, 2011c) Bearbetning av data för bullermodellering För att kunna genomföra bullermodelleringar krävs tillgång till data. Dessa data används för att ange förutsättningarna för den modell som ligger till grund för beräkningarna. Data som behövs finns beskriven i den beräkningsmodell som används, i detta fall den nordiska (Jonasson et al. 1996). Nedan följer en beskrivning av data och hur denna har förberetts för att ligga till grund för beräkningarna av buller. Vägar Vägtrafikdata med uppgifter om den geografiska spridningen av vägar samt trafikintensitet, hastighet och vägbanans bredd mottogs av Skånes luftvårdsförbund (Figur 1). Data beskrev trafikflöden 2010 för samtliga vägar i Skåne och bygger på en emissionsdatabas som kontinuerligt uppdateras. Kvalitén på uppgifter om trafikflöde skiljer sig inom datalagret. Generellt gäller att kvalitén var högst för större statliga vägar och lägst för mindre kommunala vägar. Den totala osäkerheten i trafikintensiteten på vägarna bedöms vara högst 20 % (Gustafsson 2007). Detta motsvarar generellt en osäkerhet på upptill 1dB vid modellering av vägtrafikbuller (Jonasson 2009) Då buller skulle modelleras för tre tidpunkter och komplett trafikdata för Skåne endast fanns att tillgå för 2010 gjordes en nedräkning av trafikflöden för 2005 och Nedräkningen sattes till en årlig nedräkning av trafiken med 1,5 % från 2010 års värden, baserat på en rapport från Region Skåne. (Region Skåne 2003). Andelen tunga och lätta fordon fanns angivna i den emissionsdatabas som trafikintensiteten hämtades från. Bullermått som tog hänsyn till att buller är olika störande på olika tider av dygnet beräknades och schablonvärden över dygnsfördelning av fordon användes därför. Dessa schablonvärden, framtagna i anvisningar av bullermodellering enligt 2002/49/EG (Jonasson 2010), angav att de lätta fordonen hade dygnsfördelningen 80% dag, 10% kväll och 10% natt. För tunga fordon gällde för motorvägar fördelningen 72,5% dag, 10 kväll och 5

7 17,5% natt och för övriga vägar 80% dag, 7,5% kväll och 12,5% natt. Hastigheten på vägarna angavs som den skyltade hastigheten. Figur 1: Bilden till vänster visar vägar i delar av Malmö 2010 och bilden till höger motsvarande för hela Skåne Byggnader Byggnadsdata bestod av samtliga byggnader i Skåne och innehöll information om typ i fem olika kategorier (Figur 2). Två kategorier var byggnad, en kategori var offentliga byggnader, en kategori var kyrkor och den sista kategorin var uthus. För att reducera beräkningstiden så beräknades buller endast för bostadsbyggnader, där någon av de svarande i enkätundersökningen bott under tiden Dessa identifierades genom att det fanns information om vilka hus som var bostadshus i byggnadslagret. Buller modellerades för de personer som ingick i studien och de identifierades genom att koordinaterna för centroiden av den fastighet de bodde på kopplades till den närmsta bostadsbyggnaden. Byggnader fungerar som skärmar och då faktisk höjd saknades användes schablonhöjder för husen enligt de rekommendationer som finns för bullerkartläggning i enlighet med EUdirektiv 2002/49/EG, med vissa tillägg och ändringar (Jonasson 2010): 6

8 Tätort (Insamlad av kommuner): Enfamiljshus (bottenarea <300m 2 samt klassad som bostad): 6m Flerfamiljshus (bottenarea >300m 2 samt klassad som bostad): 15m Byggnader med byggnadsyta <50m 2 : 3m Övriga byggnader (klassade som offentlig byggnad): 8m Glesbygd (insamlad av Lantmäteriet): Samtliga byggnader: 6m Bostadsbyggnader identifierades baserat på klassning från lantmäteriverket och kommunerna samt att dessa byggnader behövde ha en bottenarea på minst 50m 2. För övriga byggnader beräknades inget buller, men de fungerade som skärmar för ljudet. Alla fasader som var minst två meter valdes ut för att inkluderas i beräkningarna. Beräkningspunkter placerades ut på 4m höjd i mitten på varje fasad. Klassificeringen av Lantmäteriets byggnader 2005 i Örkelljunga var felaktig och samtliga fastigheter på landsbygden med en bottenarea större än 50 m 2 i Örkelljunga klassades därför om till bostäder för att få en bättre beskrivning av exponering. Och befolkningen kopplades istället till dessa byggnader. Figur 2: Bilden till vänster visar byggnader i delar av Malmö 2010 och bilden till höger motsvarande för hela Skåne. 7

9 För byggnader så fanns endast tillgång till data för åren 2010 och Byggnader från 2005 användes därför också för modelleringen 2000, vilket innebär en eventuell överskattning av skärmeffekten för år Markhårdhet Då olika mycket ljud reflekteras mot en yta beroende på dess hårdhet delades marken in i två kategorier, mjuk och hård. För att göra denna indelning användes satellitdata där markens impedans fanns mätt. Impedansen klassades om till hård eller mjuk mark beroende på en artikel av Sohlman et al.(2006) Områden klassade som hård mark innefattade bland annat grusvägar, parkering platser, asfalt, betong och vatten. Figur 3 visar markområden klassade som hårdmark i Skåne. Figur 3: Bilden till vänster visar mark för delar av Malmö 2010 som klassificerats som hård enligt den nordiska beräkningsmodellen för vägtrafikbuller från Till höger visas motsvarande för hela Skåne. Markanvändningsdata fanns tillgänglig för 2000 och 2006 från Europeiska miljöbyrån och har samlats in i projektet CORINE (Europeiska miljöbyrån 2012). Data från 2006 användes därför både för bullermodelleringarna 2005 och 2010 och CORINE data från 2000 användes för Utöver detta klassades samtliga vägbanor som hårdmark. 8

10 Höjddata En viktig faktor att ta hänsyn till vid bullermodellering är topografi. Hög noggrannhet på dessa data är att föredra, men mer detaljerad data innebär mer krävande beräkningar. Satellitdata med en rumslig upplösning på 30*30m användes, vilket kan anses som relativt god upplösning för ett så stort område som Skåne. Befolkningsdata Personnummer kopplades till koordinaterna för centroiden av fastigheten där de var skrivna vid årsskiftena (Figur 4). Bostadskoordinater för varje person var kända för samtliga år från Varje år saknades bostadskoordinater för det fåtal individer med undantag för 2001 då det saknas koordinater för ca 540 personer. Detta berodde på att den bostadskoordinat data som fanns att tillgå för 2001 var sämre än för övriga år. Figur 4: Bilden till visar den geografiska spridningen av byggnaden där deltagarna i folkhälsoenkäten Skåne från 2000 bodde under år och för vilka vägtrafikbuller har modellerats. Uppbyggnad av modellen i SoundPLAN Då alla geografisk data förberetts importerades denna till mjukvaran SoundPLAN, där en tredimensionell modell byggdes upp. Som grund till modellen låg topografisk satellitdata. Alla byggander och vägar tilldelades ett höjdvärde, baserat på geografiskt läge i höjdmodellen. En bild på ett mindre område av den färdiga modellen går att se i figur 5. 9

11 Figur 5: För att modellera vägtrafik buller i SoundPLAN byggs en tredimensionell bild upp. Röda streck är vägar och blåa kuber byggnader. Grön streckad bottenarea innebär att buller beräknats för byggnaden. Modellen byggdes upp tre gånger för att kunna modellera bullret vid de tre åren 2000, 2005 och För att kunna genomföra bullerberäkningar över ett så stort område som Skåne krävdes att projektet delades upp, både vad gäller indata och faktiska beräkningar. Detta gjordes genom att vägar, byggnader och markens hårdhet delades upp i filer på kommunnivå dvs. alla vägar i Malmö i en separat fil, alla byggnader i en och all markhårdhet i en. Detta innebar att de individuella filerna blev hanterbara storleksmässigt (bör inte vara större än 200Mb). Innan beräkningarna genomfördes delades hela Skåne in ett rutmönster med 2500*2500m rutor. När beräkningarna sedan genomfördes gjordes detta för en ruta i taget. Detta innebar att datorn endast behövde ladda upp data i anslutning till varje ruta istället för att ladda upp data för hela Skåne. För att kunna beräkna bullret behöver ett antal parametrar bestämmas i enlighet med den nordiska beräkningsmodellen. För att kunna göra detta användes riktlinjer från statens provnings institut (Jonasson och Gustafsson 2010) och resultat på tidigare gjorda 10

12 modelleringar över ett mindre område som byggde på samma indata (Mattisson 2011a, 2011b, 2011c). Antalet gånger som ljudet reflekteras sattes till 2. Detta efter testkörningar på ett mindre område visat att påverkan på resultatet blev litet i jämförelse med 3 reflektioner. Anledningen till denna begränsning var för att göra modellringen mindre beräkningskrävande. Sökradien, vilken används för att ange på hur stort avstånd ifrån varje enskild beräkningspunkt som man ska ta hänsyn till källor d.v.s. vägtrafik sattes i enlighet med riktvärdena till 2000m. När sökradie bestäms är det viktigt att man får med alla källor som kan tänkas ha ett betydande bidrag för bullernivån i en beräkningspunkt. En för lång sökradie innebär en betydande ökning av beräkningstyngden. En mer utförlig beskrivning av de ingående parametrarna finns i bilaga 1. Exponeringsbedömning Bostadskoordinater fanns tillgängliga för centoriden av fastigheten för enskilda personer. För att på bästa sätt beräkna nivåer vid bostad kopplades denna punkt till närmaste bostadspolygon. För buller kunde sedan den individuella exponeringen plockas ut genom att bullernivåer beräknats för samtliga bostadspolygoner under tidsperioden. Övriga exponeringsvariabler För att kunna ytterligare stärka resultatet av hur vägtrafikbuller påverkar vår hälsa i vidare studier på de modellerade vägtrafikbullernivåerna har ytterligare exponeringar komplats till deltagare i folkhälsoenkäten från 2000 med uppföljning. De ytterligare exponeringsvariabler som kopplades till personerna var avstånd till större(dubbelspåriga) och mindre(enkelspåriga) järnvägar (enkelt mått på buller från järnvägar), kväveoxidhalter (som ett mått på exponering av luftföroreningar) och tillgång till gröna miljöer i närhet till bostad (rekreationsmöjligheter i och i anslutning till hemmet). Diskussion En databas med vägtrafik, byggnader och markhårdhet har sammanställts för hela Skåne i mjukvaran SoundPLAN. Denna har legat tillgrund för beräkningar av vägtrafikbullerexponering för individer som deltagit i folkhälsoenkäten Eftersom en databas tagits fram för hela Skåne finns det också möjlighet att beräkna bullerexponering för personer som inte ingått folkhälsoenkäten. 11

13 Bullermodelleringar på ett så stort område som Skåne blir snabbt mycket beräkningskrävande. Detta innebär att stor datorkapacitet krävs samt kunskap om vilka generaliseringar som kan göras med så liten påverkan på resultatet som möjligt. Beräkningstyngden styrs av flera faktorer t.ex. indata, parameterinställningar och antalet punkter som skall beräknas. För att minimera beräkningstiden så delades projektet upp i delberäkningar. Då Skåne täcker ett stor geografiskt område delades data upp på kommunnivå. När beräkningarna sedan gjordes delades hela beräkningsområdet upp i ett rutnät med 2,5*2,5km rutor, där buller beräknades för en ruta i taget. Indata delades också upp på kommun nivå för att vara hanterabar databehandlingsmässigt. För att kartlägga exponering i Skåne i stort kommer exponeringsnivåer att redovisas för deltagare i folkhälsoenkäten 2000 viktat på kommun i en senare rapport. Detta innebär att en representativ bild av exponering för vägtrafik buller kommer att kunna ges för hela Skåne. För att kunna se hur bullerexponeringen förändrats under perioden kommer exponeringsnivåer vid samtliga av bostäderna för svarande i folkhälsoenkäten användas för åren 2000, 2005 och Det kommer också kunna göras kommunvisa jämförelser för de enskilda åren. Den nordiska beräkningsmodellen som ligger till grund för modelleringarna är framtagen för fordonsemissioner från de lätta och tunga fordon som fanns då. Detta innebär en viss felkälla då emissionerna av buller från fordon har ändrats med tiden. Reglerna för hur mycket buller ett fordon får emittera har skärpts under tidsperioden (Vägverket 2008). Hänsyn tas heller inte till väggbanans underlag eller om bilarna har dubbdäck, vilket påverkar hur mycket buller fordonen släpper ut. Det har inte tagits hänsyn till vegetation och skiftande meterologi i denna studie. En framtida förbättring hade varit att beräkna buller med en nyare beräkningsmodell som Nord2000. Om Nord2000 används finns möjlighet att ta hänsyn till bland annat väder, men det kräver också mer detaljerade data, den existerande databasen hade därför behövts kompletteras. Nord2000 är också en mycket mer beräkningskrävande metod så betydande mer datakapacitet hade krävts. 12

14 De bullernivåer som modellerats i denna studie är A-vägda, vilket innebär att de ljud som vi som människor uppfattar bäst ges ett större inflyttande på den sammanvägda ljudnivån. Detta kan innebära att mycket höga eller mycket låga ljud under eller överskattas. Det är viktigt att koppla rätt bullernivåer till rätt individer. Detta kan göras både på individuell och gruppnivå. I denna rapport kopplades bullernivåer på individnivå, via centoriden av fastigheten och närmast liggande bostadsbyggnad. Detta är en relativt noggrann metod, men i vissa fall innebär den att fel individ kopplas till fel byggnad som därmed ges fel exponering. Problemet bedöms vara störst i områden på landsbygden där fastigheter ofta är större och har flera byggander. För vissa fastigheter inne i städer där man har flera större hus kan det också vara ett problem. Genom att koppla via gatuadress skulle det gå att ytterligare förbättra kopplingen mellan individ och bullernivå. När man modellerar buller så finns det ett antal felkällor som kan bidra till osäkerhet i resultatet. I den teoretiska beräkningsmodellen försöker man på ett så bra sätt som möjligt återge verkligheten, men man behöver ändå göra ett antal förenklingar. Man kan också ha olika grad av noggrannhet på de indata som används. Som hjälp för att kunna göra någon typ av översiktlig osäkerhetsbedömning har det på uppdrag av Naturvårdsverket tagits fram en rapport (Jonasson och Gustafsson 2011). Enligt denna rapport så varierar indata och parameter inställningar i denna rapport från A-klassning till en enstaka D-klassning. En sammanvägning av alla de parameterar och indata som finns angivna ger att den totala skattning bedöms som B-klassning, vilket mosvarar ett minimum för åtgärdsplaner. Generellet anges i metodbeskrivningen en osäkerhet för den nordiska beräkningsmodellen på 3-5dB (Jonasson et al. 1996). Denna osäkerhet är testade upp till 300m, utöver detta avstånd är osäkerheten mer okänd. Användning av resultatet från studien Det som redovisas i denna rapport är endast metoden i en senare rapport kommer resultat på antal exponerade för olika buller nivåer att redovisas. Det kommer också som beskrivits tidigare att publiceras vetenskapliga artiklar där exponeringsdata kopplas till registerdata och olika utfall. 13

15 Resultatet av studien kommer användas som underlag i studier rörande bullerexponering och hälsoeffekter som t.ex. andel bullerexponerade i förhållande till läkemedelsförbrukning, sömnstörningar och psykisk ohälsa. Modelleringen kommer att göra det möjligt att genomföra longitudinella studier för att studera sambandet mellan exponering för vägtrafikbuller och risken att insjukna i hjärt-kärlsjukdomar. Detta i sin tur möjliggör studier av tänkbara kroniska effekter av långvarig bullerexponering. Efter viktning av resultatet på kommunnivå kan resultatet användas som representativt för bullerexponering för hela Skåne. Då bullret är beräknat för tre tillfällen kan resultatet ge en indikation på hur bullret har förändrat sig över tiden i Skåne. Denna årsvisa jämförelse är något osäker då viss data har fått användas som proxy för de enskilda åren. Resultatet av de utförda modelleringarna kan användas till att undersöka geografiska skillnader t.ex. skillnader mellan olika kommuner. De modellerade bullernivåer vid bostad kommer vidare att jämföras med den kartläggning av vägtrafikbuller som Malmö stad genomfört för 2011 i enlighet med EU-direktivet för omgivningsbuller (2002/49/EG). Denna jämförelse kan användas för att göra ytterligare bedömningar av osäkerheter i modelleringen. Databasen som tagits fram över Skåne kan användas för att beräkna olika scenarier t.ex. förändringar av infrastruktur och hur detta skulle kunna påverka exponeringen. 14

16 Referenser Berglund Birgitta, Lindvall Thomas, Schwela H Dietrich (1999), Guidelines for community noise Adverse Health effects of noise, Report, World Health Organization ( Santamato Sandro (2009), The future of transport Focus Groups report, Report, European Commission Mobility and Transport, ( Bluhm Gösta, Nilas Berglind, Nordling Emma, Rosenlund Mats (2007), Road Traffic noise and hypertension, Occup Environ Med, Vol. 64 Europeiska miljöbyrån (2012), Hämtat från: hämtat den Gustafsson Susanna (2007), Uppbyggnad och validering av emissionsdatabas avseende luftföroreningar Kåne med basår 2001, Licenciatavhandling, institutionen för naturgeografi och ekosystemanalys, Lunds universitet Järup Lars (2008), Risky Racket, Good housekeeping, Vol. 247 de Kluizenaar Y. (2008) Residential Exposure to Road Traffic and Cardiovascular Events: The Role of Road Traffic Noise and Air Pollution, Epidemiology, vol. 19 Region Skåne (2003), Strategisk Miljöbedömning av Regionala trafikinfrastrukturplanen för Skåne samt Vägverkets och Banverkets planer i den del de omfattar Skåne, 2002/49/EG (2002). Europaparlamentets och rådets direktiv om bedömning och hantering av omgivningsbuller, Europeiska gemenskapernas officiella tidning Vägverket (2008), Åtgärdsprogram för vägtrafikbuller 2009 och framåt, Rapport Jonasson H. (2009), Känslighetsanalys av bullerkartläggning, SP Sveriges Forskningsinstitut, SP Rapport 2009:27 Jonasson H och Gustafsson A. (2010), Anvisningar för kartläggning av buller enligt 2002/49/EG, SP Sveriges Forskningsinstitut, SP Rapport 2010:77 Sohlman M, Jonasson H och Gustafsson A. (2004), Using satellite data for the determination of the acoustic impedance of ground, SP Sveriges Forskningsinstitut och Metria, Rapport åt Svenska rymdstyrelsen Nijland J. H. and van Wee P. G. (2005), Traffic noise in Europe:A comparison of calculation Methods, Noise Indices and Noise Standards for Road and Railroad Traffic in Europe, Transport Reviews, Vol. 25 Mattisson Kristoffer (2011a), Mapping of Noise exposure from roads Burlöv Municipality, Master thesis, Department of Erath and Ecosystem Science, Lund University Mattisson Kristoffer (2011b), Modellering av buller från vägar och järnvägar I Burlöv kommun, Rapport från Arbets- och Miljömedicin, Lund Mattisson Kristoffer (2011c), Generalizations and Accuracy in Community Noise Modelling A Case Study on Railway Noise in Burlöv Municipality, report for the EUROHEIS WP 7 15

17 Bilaga 1 Parameter inställningar för beräkning av vägtrafikbuller I Skåne. GENERAL] Calculation: Facade Noise Map Title: Scania 2010 Run file: Runfile1.runx Result number: 133 Distributed Calculation Calculation start: 3/29/2012 4:49:13 PM Calculation end: 3/29/2012 6:09:56 PM Kernel version: 1/25/2012 (RKernel7.dll) [PARAMETERS] Calculation in tiles Reflection order 2 Maximal reflection distance to receiver Maximal reflection distance to source Search radius 2000 m Weighting: db(a) Tolerance: db 100 m 25 m Standards: Roads: Road Traffic Noise - Nordic Pred. Method; 1996 Driving on right side Emission according to: RTN - Nordic 1996 Meteo. Corr. C0(6-18h)[dB]=0.0; C0(18-22h)[dB]=0.0; C0(22-6h)[dB]=0.0; Lmax Type: LAFMax,5th Assessment: Lden (SE) - road Facade Noise Map: One receiver in center of facade Calculating in fixed height above ground: Reflection of "own" facade is suppressed 4.00 m 16