Premature Mortality Due to PM<sub>2.5</sub> Over India: Effect of Atmospheric Transport and Anthropogenic Emissions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle