Explainable Machine Learning for Predicting Thermal Discomfort from Multipollutant Exposure on Dhaka Roadways

तकनीकी सारांश: ढाका के सड़क मार्गों पर बहु-प्रदूषक जोखिम से थर्मल डिसकम्फर्ट (तापीय बेचैनी) की भविष्यवाणी के लिए व्याख्यात्मक मशीन लर्निंग

समस्या विवरण
ढाका, बांग्लादेश जैसे तेजी से विकसित होते मेगासिटीज के शहरी सड़क मार्ग जटिल जोखिम वातावरण प्रस्तुत करते हैं जहाँ सड़क उपयोगकर्ता (पैदल यात्री, यात्री, ट्रैफिक पुलिस और अनौपचारिक श्रमिक) एक साथ कई तनावों का सामना करते हैं: गर्मी, वायु प्रदूषण (पार्टिकुलेट मैटर और CO₂) और ट्रैफिक शोर। पारंपरिक अध्ययन अक्सर इन कारकों का अलग-अलग मूल्यांकन करते हैं, जो मानव तापीय धारणा (thermal perception) पर बहु-प्रदूषक जोखिम के सहक्रियात्मक प्रभावों को पकड़ने में विफल रहते हैं। इसके अलावा, मानक सांख्यिकीय विधियाँ इन चरों और व्यक्तिपरक तापीय आराम के बीच गैर-रेखीय अंतःक्रियाओं को मॉडल करने में संघर्ष कर सकती हैं। यह अध्ययन व्याख्यात्मक मशीन लर्निंग (ML) फ्रेमवर्क के साथ बहु-प्रदूषक जोखिम डेटा को एकीकृत करके ढाका के सड़क सूक्ष्म-वातावरणों में तापीय बेचैनी को मापने और भविष्यवाणी करने की आवश्यकता को संबोधित करता है।

कार्यप्रणाली
इस शोध में एक क्रॉस-सेक्शनल, फील्ड-आधारित अवलोकनात्मक डिजाइन का उपयोग किया गया, जिसे ढाका के तीन प्रमुख गलियारों (उत्तरी, मध्य और दक्षिणी) में 17 रणनीतिक निगरानी स्थलों पर आयोजित किया गया। डेटा संग्रह अगस्त 2025 से जनवरी 2026 के दौरान देर मानसून, उत्तर-मानसून और शीतकालीन संक्रमण काल में किया गया।

• डेटा अधिग्रहण:
  • पर्यावरणीय सेंसर: कैलिब्रेटेड इंटेलिजेंट एयर डिटेक्टर्स (JLDC) ने PM₁, PM₂.₅, PM₁₀ और CO₂ सांद्रता को मापा। मिनी साउंड लेवल मीटर (UT353) ने ट्रैफिक शोर स्तर को रिकॉर्ड किया। मौसम संबंधी डेटा (तापमान, सापेक्ष आर्द्रता, वायु वेग) को भी कैप्चर किया गया था।
  • मानव धारणा: 1,109 प्रतिभागियों के साथ संरचित साक्षात्कार ने ASHRAE दिशानिर्देशों के आधार पर व्यक्तिपरक तापीय संवेदना मतों (जैसे 'बहुत ठंडा' से 'गर्म' तक) को एकत्र किया, साथ ही कपड़ों के स्तर, स्वास्थ्य संबंधी शिकायतों (जैसे सिरदर्द) और कथित वायु गुणवत्ता का डेटा भी लिया।
• डेटा प्रीप्रोसेसिंग: कच्चे डेटासेट की कठोर सफाई की गई, जिसमें सेंसर त्रुटियों, डुप्लिकेट और लुप्त मानों को हटाना शामिल था। अंतिम मॉडलिंग डेटासेट में 1,109 अवलोकन शामिल थे।
• मशीन लर्निंग फ्रेमवर्क: तापीय बेचen (discomfort) श्रेणियों की भविष्यवाणी करने के लिए तीन सुपरवाइज्ड क्लासिफिकेशन एल्गोरिदम को प्रशिक्षित किया गया था:
  1. डिसीजन ट्री (DT): एक व्याख्या योग्य बेसलाइन के रूप में उपयोग किया गया।
  2. रैंडम फॉरेस्ट (RF): ओवरफिटिंग को कम करने और स्थिरता में सुधार के लिए एक एन्सेम्बल विधि।
  3. XGBoost: जटिल गैर-रेखीय संबंधों को पकड़ने के लिए एक उन्नत ग्रेडिएंट बूस्टिंग मॉडल।
• व्याख्यात्मकता और सत्यापन: मॉडल प्रदर्शन का मूल्यांकन ROC-AUC, सटीकता (accuracy), प्रिसिजन (precision), रिकॉल (recall), F1-स्कोर और कन्फ्यूजन मैट्रिक्स का उपयोग करके किया गया। व्याख्यात्मकता सुनिश्चित करने के लिए, प्रत्येक भविष्यवक्ता के सापेक्ष योगदान को निर्धारित करने के लिए SHapley Additive exPlanations (SHAP) विश्लेषण लागू किया गया। इनपुट चरों के उतार-चढ़ाव के विरुद्ध मॉडल की मजबूती का आकलन करने के लिए संवेदनशीलता विश्लेषण (sensitivity analysis) किया गया।

मुख्य परिणाम

• जोखिम का बोझ: अध्ययन में बहु-प्रदूषक जोखिम का उच्च बोझ पाया गया। औसत PM₂.₅ सांद्रता 71.37 µg/m³ थी, जबकि PM₁ सांद्रता औसतन 58.35 µg/m³ थी। सड़क किनारे के माप में अध्ययन डेटासेट में अधिकतम PM₂.₅ सांद्रता 100.00 µg/m³ दर्ज की गई, हालांकि पाठ में मिरपुर-10 क्षेत्र में 172.2 µg/m³ का एक विशिष्ट शिखर नोट किया गया है। औसत शोर स्तर 82.96 dB तक पहुँच गया। ये मान विश्व स्वास्थ्य संगठन (WHO) के दिशानिर्देशों से काफी अधिक हैं।
• तापीय बेचैनी की व्यापकता: फील्ड डेटा ने अत्यधिक तापीय बेचैनी को प्रकट किया, जिसमें 99.46% अवलोकनों को "गर्म" (Hot), "गुनगुना" (Warm), या "थोड़ा गर्म" (Slyghtly Warm) के रूप में वर्गीकृत किया गया। केवल एक नगण्य अंश ने तटस्थ या ठंडे अहसास की सूचना दी।
• मॉडल प्रदर्शन: एन्सेम्बल मॉडल ने एकल डिसीजन ट्री की तुलना में काफी बेहतर प्रदर्शन किया। रैंडम फॉरेस्ट और XGBoost दोनों ने 0.96 की सटीकता और 0.96 का F1-स्कोर प्राप्त किया, जबकि ROC-AUC मान उत्कृष्ट भेदभाव (AUC = 0.96) दर्शाते हैं। मॉडल विभिन्न जोखिम परिदृश्यों में तापीय बेचैनी को वर्गीकृत करने में उच्च स्थिरता प्रदर्शित करते हैं।
• भविष्यवक्ता महत्व (SHAP विश्लेषण): इस धारणा के विपरीत कि तापमान एकमात्र चालक है, SHAP विश्लेषण ने वायु वेग (Wind Velocity) और CO₂ सांद्रता को तापीय बेचैनी के सबसे प्रभावशाली भविष्यवक्ताओं के रूप में पहचाना। PM₁₀, कपड़ों का स्तर और आर्द्रता ने भी मध्यम योगदान दिया, जबकि PM₂.₅ और शोर के स्तरों का प्रभाव छोटा लेकिन गैर-नगण्य था। यह सुझाव देता है कि सूक्ष्म जलवायु वायु प्रवाह और यातायात संबंधी उत्सर्जन (जो भीड़भाड़ और खराब वेंटिलेशन का संकेत देते हैं) तापीय बेचैनी के महत्वपूर्ण निर्धारक हैं।
• संवेदनशीलता: संवेदनशीलता विश्लेषण ने पुष्टि की कि जबकि PM और शोर चर अपने प्रभाव में अपेक्षाकृत स्थिर रहे, CO₂ जोखिम में होने वाले बदलावों ने मॉडल की भविष्यवाणियों में अधिक महत्वपूर्ण उतार-चढ़ाव पैदा किए, जो तापीय आराम की वेंटिलेशन स्थितियों और ट्रैफिक घनत्व के प्रति संवेदनशीलता को उजागर करता है।

महत्व और योगदान
यह शोध पत्र शहरी पर्यावरणीय स्वास्थ्य और मशीन लर्निंग के क्षेत्रों में कई महत्वपूर्ण योगदान का दावा करता है:

1. एकीकृत बहु-प्रदूषक दृष्टिकोण: पिछले अध्ययनों के विपरीत, जो गर्मी, शोर या प्रदूषण को अलग-अलग देखते थे, यह शोध एक सघन उष्णकटिबंधीय महानगर में तापीय धारणा पर इन तनावों के संयुक्त प्रभाव को समझने के लिए एक साक्ष्य-आधारित ढांचा प्रदान करता है।
2. व्याख्यात्मक AI अनुप्रयोग: SHAP विश्लेषण का उपयोग करके, यह अध्ययन "ब्लैक बॉक्स" भविष्यवाणियों से आगे बढ़ता है। यह वायु वेग और CO₂ जैसे चरों के विशिष्ट प्रभाव को मात्रात्मक रूप से निर्धारित करता है, जो केवल भविष्य कहनेवाला सटीकता के बजाय नीति निर्माताओं के लिए कार्रवाई योग्य अंतर्दृष्टि प्रदान करता है।
3. सार्वजनिक स्वास्थ्य प्रासंगिकता: निष्कर्षों से पता चलता है कि ढाका में तापीय बेचैनी केवल एक मौसम संबंधी मुद्दा नहीं है, बल्कि गर्मी, पार्टिकुलेट मैटर और शोर के तालमेल से प्रेरित एक सार्वजनिक स्वास्थ्य संकट है। बेचen की उच्च व्यापकता (99.46%) बाहरी श्रमिकों और यात्रियों की संवेदनशीलता को रेखांकित करती है।
4. नीति ढांचा: यह अध्ययन प्रकृति-आधारित समाधानों (सड़क किनारे वृक्षारोपण, छायादार फुटपाथ), यातायात उत्सर्जन नियंत्रण और शोर शमन सहित एक बहु-क्षेत्रीय हस्तक्षेप रणनीति का प्रस्ताव करता है। यह सुझाव देता है कि इन उपायों को स्थानिक विश्लेषण के माध्यम से पहचाने गए विशिष्ट उच्च-जोखिम वाले सड़क खंडों पर लक्षित किया जाना चाहिए।

लेखक निष्कर्ष निकालते हैं कि तापीय बेचैनी को संबोधित करने के लिए एक एकीकृत शहरी नियोजन दृष्टिकोण की आवश्यकता है जो वायु गुणवत्ता, शोर और सूक्ष्म जलवायु को एक साथ प्रबंधित करता हो, जिसे डेटा-संचालित, व्याख्यात्मक भविष्य कहने वाले मॉडलों द्वारा समर्थित किया जाए।