Particulates and Gaseous Emission from Indian Agricultural Sector and Health Burden Attributable to Agricultural PM2.5
Notice bibliographique
Résumé
The agricultural sector significantly contributes to atmospheric pollution, impacting air quality through activities such as tillage, planting, fertilizer application, harvesting, crop residue burning (CRB), and grain handling. The outcome of this work is the docu- mentation of emission inventory of particulates (PM10 and PM2.5) and gaseous emission (SO2, CO, NOx, NH3, and volatile organic compounds (VOCs)) from the agricultural industry. Further the emission of EC, OC, and (Polycyclic Aromatic Hydrocarbons) PAHs, which are part of particulate matter (PM), were calculated along with green- house gases (CO2, CH4 and N2O) coming from the agricultural sector for 2021, with projections for 2051. Total greenhouse gas emission in 2021 were 377 Tg, while PM10 and PM2.5 emissions were approximately 2.5 Tg and 1.1 Tg, respectively. The health impact of agricultural PM2.5 was quantified, revealing an estimated approximately 4 million Disability-Adjusted Life Years (DALYs) and 0.14 million deaths attributable to these emissions in 2021. The findings highlight the urgent need for technological advancements to reduce emissions at their source, ensuring sustainable agricultural practices. This study provides critical data for policymakers to address air quality and health challenges. Furthermore, the emission inventory developed will serve as a valuable resource for researchers conducting air quality modeling and environmental impact assessments. Synopsis: Emission inventory for various agricultural activities is not yet available for India. This study of aggregation of emission inventory for India supports efforts to improve public health, reduce pollution, and promote long-term sustainability in agriculture.
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 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 | 0,000 | 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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».