Impact of sanitation and socio-economy on groundwater fecal pollution and human health towards achieving sustainable development goals across India from ground-observations and satellite-derived nightlight
Notice bibliographique
Résumé
Abstract Globally, ~1 billion people, mostly residing in Africa and South Asia (e.g. India), still lack access to clean drinking water and sanitation. Resulting, unsafe disposal of fecal waste from open-defecation to nearby drinking water sources severely endanger public health. Until recently, India had a huge open-defecating population, leading declining public health from water-borne diseases like diarrhoea by ingesting polluted water, mostly sourced to groundwater. However, in recent past, sanitation development to achieve Sustainable Development Goals (SDGs) has been encouraged throughout India, but their effect to groundwater quality and human health conditions are yet-unquantified. Here, for the first time, using long term, high-spatial resolution measurements (>1.7 million) across India and analyses, we quantified that over the years, groundwater fecal coliform concentration (2002–2017, −2.56 ± 0.06%/year) and acute diarrheal cases (1990–2016, −3.05 ± 0.01%/year) have significantly reduced, potentially influenced by sanitation development (1990–2017, 2.63 ± 0.01%/year). Enhanced alleviation of groundwater quality and human health have been observed since 2014, with initiation of acceletated constructions of sanitation infrastructures through Clean India (Swachh Bharat) Mission. However, the goal of completely faecal-pollution free, clean drinking water is yet to be achieved. We also evaluated the suitability of using satellite-derived night-time light (NLan, 1992–2013, 4.26 ± 0.05%/year) as potential predictor for such economic development. We observed that in more than 80% of the study region, night-time light demonstrated to be a strong predictor for observed changes in groundwater quality, sanitation development and water-borne disease cases. While sanitation and economic development can improve public health, poor education level and improper human practices can strongly influence on water-borne diseases loads and thus health in parts of 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».