Premature Mortality Due to PM<sub>2.5</sub> Over India: Effect of Atmospheric Transport and Anthropogenic Emissions
Notice bibliographique
Résumé
Abstract The annual premature mortality in India attributed to exposure to ambient particulate matter (PM 2.5 ) exceeds 1 million (Cohen et al., 2017, https://doi.org/10.1016/S0140‐6736(17)30505‐6 ). Studies have estimated sector‐specific premature mortality from ambient PM 2.5 exposure in India and shown residential energy use is the dominant contributing sector. In this study, we estimate the contribution of PM 2.5 and premature mortality from six regions of India in 2012 using the global chemical‐transport model. We calculate how premature mortality in India is determined by the transport of pollution from different regions. Of the estimated 1.1 million annual premature deaths from PM 2.5 in India, about ~60% was from anthropogenic pollutants emitted from within the region in which premature mortality occurred, ~19% was from transport of anthropogenic pollutants between different regions within India, ~16% was due to anthropogenic pollutants emitted outside of India, and ~4% was associated with natural PM 2.5 sources. The emissions from Indo Gangetic Plain contributed to ~46% of total premature mortality over India, followed by Southern India (13%). Indo Gangetic Plain also contributed (~8%) to the most premature mortalities in other regions of India through transport. More than 50% of the premature mortality in Northern, Eastern, Western, and Central India was due to transport of PM 2.5 from regions outside of these individual regions. Our results indicate that reduction in anthropogenic emissions over India, as well as its neighboring regions, will be required to reduce the health impact of ambient PM 2.5 in India.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».