Unveiling air quality shifts during Diwali in Chennai using geospatial insights for pollution assessment
Notice bibliographique
Résumé
Air pollution poses a significant challenge to global health, contributing to one in nine fatalities worldwide and causing approximately seven million premature deaths annually, according to the World Health Organization (WHO). In South Asia, air pollution ranks as the sixth leading cause of mortality, exacerbating issues such as poor visibility, respiratory illnesses, and elevated death rates. This study examines the impact of fireworks emissions on air quality in Chennai during the Diwali festival, focusing on particulate matter (PM 2.5 , PM 10 ) and trace gases, including nitrogen oxides (NO 2 ), ammonia (NH 3 ), sulfur dioxide (SO 2 ), carbon monoxide (CO), and ozone (O 3 ). Measurements recorded before and after Diwali festival on October 26, 2022, revealed mean 24-h PM 2.5 and PM 10 concentrations of 93 µg/m 3 and 94 µg/m 3 , respectively—exceeding WHO’s emission limits. During the festival, the peak concentrations of NO 2 , NH 3 , SO 2 , CO, and O 3 were 15.83 µg/m 3 , 5.83 µg/m 3 , 25.50 µg/m 3 , 35.67 µg/m 3 , and 13 µg/m 3 , respectively, surpassing limits established by India’s Central Pollution Control Board (CPCB). Comparisons with pre-Diwali data indicated substantial increases in pollutant levels attributed to fireworks. Geographic Information System (GIS) mapping and trace gas correlation analyses highlighted the spatial and temporal distribution of pollutants. Findings suggest that short-term exposure to these elevated pollutant levels can significantly impact vulnerable populations, particularly infants, children, and individuals with respiratory conditions. To mitigate these adverse effects, the study recommends implementing restrictions on fireworks near sensitive areas such as hospitals and schools, alongside public awareness campaigns to promote sustainable practices during festive celebrations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».