估计与PM2.5结合重金属相关的地理模式和健康风险,以指导基于机器学习算法在中国的PM2.5控制目标
Tong Lyu1, Yilin Tang1, Hongbin Cao1
1Beijing Area Major Laboratory of Protection and Utilization of Traditional Chinese Medicine, Beijing Normal University, Beijing, 100875, China; Faculty of Geographical Science, Beijing Normal University, Beijing, 100875, China.
与颗粒物 (PM2.5) 结合的重金属对健康构成风险. 控制PM2.5可以降低这些风险,但其他来源也需要注意,以确保安全.
科学领域:
- 环境科学 环境科学
- 毒理学 毒理学 毒理学
- 公共卫生 公共卫生
背景情况:
- 颗粒物 (PM2.5) 是雾的主要组成部分,而PM2.5结合的重金属 (PBHMs) 在吸入时会产生毒性作用.
- 缺乏对PBHM度和相关健康风险进行大规模,全面的分析.
研究的目的:
- 在中国各城市编制了八个PBHMs (As,Cd,Cr,Cu,Mn,Ni,Pb,Zn) 的大量数据集.
- 为了预测PBHM度,分析地理模式,并在不同的PM2.5控制场景下评估健康风险.
- 增强传统的土地利用回归 (LUR) 模型,使用排放源变量和机器学习来提高准确性.
主要方法:
- 编制了中国城市PBHM度的大数据集.
- 通过纳入排放源变量,改进了土地利用回归 (LUR) 模型.
- 应用机器学习算法用于预测和风险评估.
主要成果:
- 改进的模型准确地预测了PBHM度,与测量值密切匹配.
- 在99.4%的估计区域中发现了非致癌风险;在全国范围内,致癌风险处于可接受范围之内.
- 控制PM2.5降低了健康风险,但风险仍然高于可接受的水平,突出了其他排放来源.
结论:
- 有效的PM2.5控制对于减轻PBHM健康风险至关重要.
- 尽管减少了PM2.5,但仍然存在显著的非致癌和一些致癌风险,这表明需要解决其他排放源.
- 在人口密地区,有针对性的控制PBHMs是必不可少的,以减少癌症发病率.
更多相关视频
09:33Visualizing Field Data Collection Procedures of Exposure and Biomarker Assessments for the Household Air Pollution Intervention Network Trial in India
Published on: December 23, 2022
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Steps in Outbreak Investigation
Statistical Methods for Analyzing Epidemiological Data
Sampling Plans
Random sampling is a method where each member of the population has an equal chance of being selected for the sample. It involves selecting individuals randomly, often using random number generators or lottery-type methods. For example, when analyzing the properties of a...
