DOI: https://doi.org/10.3389/fenvs.2025.1589991
تاريخ النشر: 2025-05-12
المؤلف: Pradeep Kumar وآخرون
الموضوع الرئيسي: مراقبة جودة الهواء وتوقعاته
نظرة عامة
تستكشف هذه الدراسة مستويات الملوثات المعايير والمخاطر الصحية المرتبطة بها في تالشر وبراجراجناغار، وهما منطقتان صناعتان في أوديشا، الهند، تأثرتا بتعدين الفحم وتوليد الطاقة الحرارية. تسلط الضوء على الحاجة الملحة لتقدير دقيق للملوثات الهوائية، وخاصة الجسيمات الدقيقة (PM10)، وثاني أكسيد النيتروجين (NO2)، وثاني أكسيد الكبريت (SO2)، والتي ثبت أنها أعلى بكثير في تالشر مقارنة ببراجراجناغار. تستخدم البحث نماذج تعلم الآلة المتقدمة، ولا سيما شجرة معززة (BT)، التي تتفوق على الانحدار المكون المستقل (ICR) وElasticNet (ENET) في تقدير تركيزات الملوثات. تؤكد التحليلات الإحصائية على قوة نموذج BT، خاصة في تالشر، حيث جودة الهواء أسوأ باستمرار.
تكشف النتائج عن تفاوتات مكانية كبيرة في جودة الهواء، حيث تظهر تالشر مستويات مرتفعة من الملوثات والمخاطر الصحية المرتبطة بها – تصل إلى 6% أعلى بالنسبة لـ PM10، و5% لـ NO2، و3% لـ SO2 – مقارنة ببراجراجناغار. يشير مؤشر جودة الهواء القائم على المخاطر الصحية (HAQI) إلى أن مقاييس AQI الحالية قد تقلل من تقدير المخاطر الصحية، خاصة في المناطق التي تتعرض لملوثات متعددة. وهذا يبرز ضرورة تحسين مقاييس جودة الهواء والتدخلات المستهدفة لحماية الفئات الضعيفة، خاصة خلال مواسم التلوث الشديدة. تدعو الدراسة إلى دمج تعلم الآلة مع تقييمات المخاطر الصحية لتطوير استراتيجيات فعالة للتخفيف من آثار تلوث الهواء في هذه النقاط الساخنة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثيرات الصحية الشديدة لتلوث الهواء في الدول الآسيوية، وخاصة الهند، حيث أدى التصنيع السريع واستهلاك الفحم إلى معدلات وفيات كبيرة مرتبطة بالجسيمات الدقيقة (PM2.5). في عام 2010، ارتبط تلوث الهواء بحوالي 3.3 مليون وفاة على مستوى العالم، مع مساهمة الهند بـ 0.65 مليون حالة وفاة. تؤكد الدراسة على الحاجة الملحة للتحولات المستدامة في الطاقة بسبب المخاطر الصحية التي يسببها احتراق الفحم، بما في ذلك انبعاثات ثاني أكسيد الكبريت (SO2) وأكاسيد النيتروجين (NOx)، التي تتواجد بكثرة في عمليات تعدين الفحم ومحطات الطاقة الحرارية.
تقترح الورقة تطبيق تقنيات تعلم الآلة (ML) لتحليل آثار تلوث الهواء في مجمعات مناجم الفحم في الهند، حيث غالبًا ما تكون الامتثال التنظيمي غير كافٍ. تناقش نماذج ML المختلفة، بما في ذلك الانحدار المكون المستقل (ICR)، وElasticNet (ENET)، ونماذج شجرة معززة (BT)، التي أظهرت وعدًا في التنبؤ بتركيزات الملوثات الهوائية. تهدف الدراسة إلى التحقيق في التغيرات في الملوثات المعايير من 2019 إلى 2023، وتقدير هذه الملوثات باستخدام نماذج ML المذكورة، وتقييم المخاطر الصحية البشرية المرتبطة بها. من خلال الاستفادة من البيانات المحلية حول تركيزات الملوثات، تسعى البحث إلى إبلاغ استراتيجيات التخفيف المستهدفة لتقليل التعرض والمخاطر الصحية المرتبطة بتلوث الهواء في المناطق المتأثرة.
الطرق
توضح قسم المواد والمنهجية تصميم التجربة والإجراءات المستخدمة في الدراسة. تتفصل في اختيار المواد، بما في ذلك الكواشف والمعدات المحددة المستخدمة لجمع البيانات وتحليلها. تم هيكلة المنهجية لضمان إمكانية إعادة الإنتاج، مع أوصاف واضحة للإعدادات التجريبية، وتحضير العينات، والبروتوكولات المتبعة خلال التجارب.
بالإضافة إلى ذلك، قد يتضمن القسم طرقًا إحصائية مستخدمة لتحليل البيانات، مثل نماذج الانحدار أو اختبار الفرضيات، للتحقق من النتائج. إن الاختيار الدقيق للمواد والمنهجية الصارمة أمران حاسمان لتحقيق نتائج موثوقة واستخلاص استنتاجات ذات مغزى من البحث. بشكل عام، يعمل هذا القسم كأساس لفهم كيفية إجراء الدراسة والأساس لنتائجها.
المناقشة
تركز الدراسة على مناطق تعدين الفحم في تالشر وبراجراجناغار في أوديشا، الهند، مسلطة الضوء على أنشطتها الصناعية الكبيرة والتحديات الناتجة عن جودة الهواء. تُعرف تالشر، التي تتميز بإعدادها الصناعي الكثيف، بما في ذلك العديد من مناجم الفحم ومحطات الطاقة الحرارية، كنقطة انبعاث رئيسية عالمية، حيث تشير بيانات جودة الهواء إلى تركيزات عالية من PM10، PM2.5، NOx، SO2، وO3 من 2019 إلى 2023. تكشف التحليلات أن مستويات PM10 تتجاوز غالبًا 300 ميكروغرام/م³ في تالشر و250 ميكروغرام/م³ في براجراجناغار، مع تباينات موسمية تتأثر بالانبعاثات الصناعية والظروف الجوية. من الجدير بالذكر أن الانخفاض التدريجي في تركيزات NOx يشير إلى تحسينات تنظيمية محتملة.
تستخدم البحث نماذج تعلم الآلة المتقدمة، بما في ذلك الانحدار المكون المستقل (ICR)، وElasticNet (ENET)، ونماذج شجرة معززة (BT)، لتقدير مقاييس جودة الهواء بشكل فعال. يتم تقييم هذه النماذج باستخدام مقاييس الأداء مثل متوسط الخطأ الجذري التربيعي (RMSE) ومعاملات الارتباط، مما يظهر فعاليتها في التعامل مع مجموعات البيانات عالية الأبعاد مع التعدد الخطي. بالإضافة إلى ذلك، تقدم الدراسة مؤشر جودة الهواء القائم على المخاطر الصحية (HAQI) الذي يتضمن علاقات التعرض والاستجابة لتقييم آثار الملوثات الهوائية على الصحة بشكل أفضل، مما يكشف أن تركيزات الملوثات غالبًا ما تتجاوز إرشادات منظمة الصحة العالمية، مما يبرز الحاجة الملحة لاستراتيجيات فعالة للسيطرة على الانبعاثات في هذه المناطق الصناعية.
DOI: https://doi.org/10.3389/fenvs.2025.1589991
Publication Date: 2025-05-12
Author(s): Pradeep Kumar et al.
Primary Topic: Air Quality Monitoring and Forecasting
Overview
This study investigates the levels of criteria pollutants and their associated health risks in Talcher and Brajrajnagar, two industrial regions in Odisha, India, affected by coal mining and thermal power generation. It highlights the critical need for accurate estimation of air pollutants, particularly particulate matter (PM10), nitrogen dioxide (NO2), and sulfur dioxide (SO2), which are found to be significantly higher in Talcher compared to Brajrajnagar. The research employs advanced machine learning models, notably boosted tree (BT), which outperforms independent component regression (ICR) and ElasticNet (ENET) in estimating pollutant concentrations. Statistical analyses confirm the robustness of the BT model, particularly in Talcher, where air quality is consistently poorer.
The findings reveal substantial spatial disparities in air quality, with Talcher exhibiting elevated pollutant levels and associated health risks—up to 6% higher for PM10, 5% for NO2, and 3% for SO2—compared to Brajrajnagar. The health risk-based air quality index (HAQI) indicates that current AQI metrics may underestimate health risks, particularly in areas with multi-pollutant exposure. This underscores the necessity for improved air quality metrics and targeted interventions to protect vulnerable populations, especially during peak pollution seasons. The study advocates for integrating machine learning with health risk assessments to develop effective strategies for mitigating air pollution impacts in these hotspots.
Introduction
The introduction of this research paper highlights the severe health impacts of air pollution in Asian countries, particularly India, where rapid industrialization and coal consumption have led to significant mortality rates associated with particulate matter (PM2.5). In 2010, air pollution was linked to approximately 3.3 million deaths globally, with India contributing 0.65 million fatalities. The study emphasizes the urgent need for sustainable energy transitions due to the health risks posed by coal combustion, including emissions of sulfur dioxide (SO2) and nitrogen oxides (NOx), which are prevalent in coal mining and thermal power plant operations.
The paper proposes the application of machine learning (ML) techniques to analyze air pollution impacts in coal mine complexes in India, where regulatory compliance is often inadequate. It discusses various ML models, including Independent Component Regression (ICR), ElasticNet (ENET), and Boosted Tree (BT) models, which have shown promise in predicting air pollutant concentrations. The study aims to investigate the variations in criteria pollutants from 2019 to 2023, estimate these pollutants using the mentioned ML models, and assess the associated human health risks. By leveraging localized data on pollutant concentrations, the research seeks to inform targeted mitigation strategies to reduce exposure and health risks linked to air pollution in affected regions.
Methods
The section on materials and methodology outlines the experimental design and procedures employed in the study. It details the selection of materials, including specific reagents and equipment used for data collection and analysis. The methodology is structured to ensure reproducibility, with clear descriptions of experimental setups, sample preparation, and the protocols followed during the experiments.
Additionally, the section may include statistical methods used for data analysis, such as regression models or hypothesis testing, to validate the findings. The careful selection of materials and rigorous methodology are crucial for achieving reliable results and drawing meaningful conclusions from the research. Overall, this section serves as a foundation for understanding how the study was conducted and the basis for its findings.
Discussion
The study focuses on the Talcher and Brajrajnagar coal mining regions in Odisha, India, highlighting their significant industrial activities and the resultant air quality challenges. Talcher, characterized by its dense industrial setup, including multiple coal mines and thermal power plants, is identified as a major global emission hotspot, with air quality data indicating high concentrations of PM10, PM2.5, NOx, SO2, and O3 from 2019 to 2023. The analysis reveals that PM10 levels frequently exceed 300 µg/m³ in Talcher and 250 µg/m³ in Brajrajnagar, with seasonal variations influenced by industrial emissions and meteorological conditions. Notably, a progressive decrease in NOx concentrations suggests potential regulatory improvements.
The research employs advanced machine learning models, including Independent Component Regression (ICR), ElasticNet (ENET), and Boosted Tree (BT) models, to estimate air quality metrics effectively. These models are evaluated using performance metrics such as Root Mean Square Error (RMSE) and correlation coefficients, demonstrating their efficacy in handling high-dimensional datasets with multicollinearity. Additionally, the study introduces a health risk-based Air Quality Index (HAQI) that incorporates exposure-response relationships to better assess the health impacts of air pollutants, revealing that pollutant concentrations often exceed WHO guidelines, underscoring the urgent need for effective emission control strategies in these industrial regions.