Air pollution की तस्वीर अक्सर कुछ बड़े शहरों के AQI numbers से समझी जाती है। लेकिन अगर एक ही राज्य के अलग-अलग जिलों में रहने वाले लोगों को हवा से मिलने वाला pollution exposure काफी अलग हो, तो पूरे राज्य का एक average इस अंतर को छिपा सकता है। बिहार में हुई एक नई study ने इसी समस्या को करीब से देखने की कोशिश की है।

2 सितंबर 2026 को Nature Communications में प्रकाशित research में researchers ने dense low-cost PM2.5 sensor network, machine learning models और health-related data को एक साथ इस्तेमाल किया। Study का उद्देश्य यह समझना था कि बिहार के अलग-अलग हिस्सों में लोगों का वास्तविक pollution exposure कितना बदलता है और इस variation का short-term mortality risk से क्या संबंध हो सकता है।

इस research की सबसे महत्वपूर्ण बात यह है कि pollution को केवल urban problem मानकर नहीं देखा गया। Sensor network ने उन इलाकों तक भी measurement पहुंचाने में मदद की जहां conventional air-quality monitoring comparatively कम dense है। इससे बिहार के भीतर pollution exposure की एक ज्यादा स्थानीय तस्वीर सामने आई।

बिहार में Pollution का फर्क इतना महत्वपूर्ण क्यों है?

PM2.5 ऐसे बेहद छोटे particulate matter particles होते हैं जिनका diameter 2.5 micrometres या उससे कम होता है। इनके आकार के कारण ये सांस के साथ respiratory system में गहराई तक पहुंच सकते हैं। इसलिए किसी इलाके की air quality को समझते समय केवल दिखाई देने वाला धुआं या शहर का AQI पर्याप्त संकेतक नहीं होता।

किसी व्यक्ति का pollution exposure मौसम, हवा की दिशा, स्थानीय emission sources, जमीन के इस्तेमाल, population density और आसपास होने वाली गतिविधियों के कारण बदल सकता है। यही वजह है कि दो जिलों के बीच कुछ दूरी होने के बावजूद उनकी हवा की quality और लोगों का exposure एक जैसा होना जरूरी नहीं है।

बिहार जैसे बड़े और विविध राज्य में यह अंतर और महत्वपूर्ण हो जाता है। अगर monitoring केवल चुनिंदा शहरों में हो, तो गांवों और छोटे कस्बों में रहने वाली आबादी के exposure की पूरी तस्वीर सामने नहीं आ सकती। नई study ने इसी monitoring gap को address करने की कोशिश की।

Low-cost Sensors ने क्या बदला?

Traditional air-quality monitoring stations high-quality measurements दे सकते हैं, लेकिन इन्हें बड़ी संख्या में अलग-अलग locations पर स्थापित करना महंगा और operationally challenging हो सकता है। इसके विपरीत low-cost sensors relatively कम लागत पर ज्यादा locations में लगाए जा सकते हैं।

बिहार की इस research में ऐसे sensors से PM2.5 measurements का dense network बनाया गया। Researchers ने AMRIT यानी Ambient air quality Monitoring over Rural areas using the Indigenous Technology sensor network का उपयोग किया, जिसे rural और कम-monitored areas में air-quality measurements के लिए स्थापित किया गया था। Study में Bihar के pollution exposure को समझने के लिए इन measurements को दूसरे datasets के साथ जोड़ा गया।

यहां sensor का काम सिर्फ number दिखाना नहीं था। बड़ी संख्या में अलग-अलग locations से data मिलने पर researchers को यह देखने का मौका मिला कि pollution space में कैसे बदल रहा है। यानी सवाल केवल यह नहीं रहा कि 'बिहार में PM2.5 कितना है?', बल्कि यह भी बना कि 'बिहार के किस हिस्से में exposure कितना बदल रहा है?'

Machine Learning ने Sensors के Data को कैसे उपयोगी बनाया?

Dense sensor network से बहुत ज्यादा data मिल सकता है, लेकिन raw measurements को regional exposure map में बदलना आसान नहीं होता। अलग-अलग समय और स्थान पर measurements में variation हो सकता है और हर जगह sensor मौजूद भी नहीं हो सकता।

यहीं machine learning models उपयोगी होते हैं। Researchers ने sensor observations को machine-learning framework के साथ integrate किया ताकि उपलब्ध measurements और दूसरे relevant information sources की मदद से sub-regional pollution exposure को बेहतर तरीके से समझा जा सके।

इस approach का फायदा यह है कि monitoring को केवल fixed stations तक सीमित रखने के बजाय spatial patterns को ज्यादा detail में देखा जा सकता है। लेकिन इसका मतलब यह नहीं है कि machine learning हर location का pollution perfectly बता देता है। ऐसे models की accuracy available observations और underlying data quality पर निर्भर करती है।

बिहार में North-South Pollution Divide सामने आया

Study का एक प्रमुख finding बिहार के भीतर north-south difference है। Researchers के अनुसार उत्तरी जिलों में mean PM2.5 exposure दक्षिणी जिलों की तुलना में लगभग 1.2 गुना अधिक पाया गया।

यह finding खास इसलिए है क्योंकि राज्य का average pollution level इस regional difference को पूरी तरह नहीं दिखा सकता। अगर दो बड़े geographical regions के pollution exposure अलग हैं, तो एक single state-level number दोनों populations की वास्तविक स्थिति को represent नहीं कर पाएगा।

Study ने यह भी दिखाया कि variation केवल north और south के बीच नहीं था। Bihar के भीतर inter-regional और intra-regional exposure inequalities भी मौजूद थीं। यानी एक ही broad region के अंदर अलग-अलग locations पर रहने वाले लोगों का exposure भी अलग हो सकता है।

क्या ज्यादा Pollution का मतलब ज्यादा Mortality Risk भी है?

Research ने PM2.5 exposure को health-related information के साथ जोड़कर district-level mortality impacts का भी assessment किया। Researchers ने पाया कि district-level mortality, जिसे प्रति 100,000 population के आधार पर देखा गया, में 1.7 गुना तक variation था। Daily mortality में variation इससे भी ज्यादा, लगभग 3.2 गुना, दर्ज किया गया।

यहां एक जरूरी सावधानी समझना महत्वपूर्ण है। Study में mortality variation और pollution exposure को statistical framework में assess किया गया है; इसे यह कहने के रूप में नहीं पढ़ना चाहिए कि किसी एक व्यक्ति की मृत्यु का कारण केवल PM2.5 था। Air pollution और mortality के बीच संबंधों का assessment population-level data और relative-risk information के आधार पर किया जाता है, जबकि किसी individual outcome के कई कारण हो सकते हैं।

फिर भी यह finding policy के लिए महत्वपूर्ण है। अगर अलग-अलग districts में exposure और health burden समान नहीं हैं, तो pollution-control strategy भी हर जगह बिल्कुल एक जैसी रखने के बजाय local conditions को ध्यान में रख सकती है।

क्या गांवों में भी Air Pollution गंभीर हो सकता है?

हाँ, और यही इस research के महत्वपूर्ण angles में से एक है। Air pollution को लंबे समय तक मुख्य रूप से Delhi जैसे बड़े urban centres के संदर्भ में discuss किया गया है। लेकिन rural areas में भी particulate pollution के कई sources हो सकते हैं।

घरेलू fuel use, agricultural activities, waste burning, road dust, nearby transport और regional pollution transport जैसे factors किसी इलाके के particulate pollution में योगदान दे सकते हैं। इसके अलावा हवा एक administrative boundary पर रुकती नहीं है। किसी दूसरे इलाके से आने वाले pollutants भी local exposure को प्रभावित कर सकते हैं।

इसलिए किसी गांव में industrial chimney दिखाई न देने का मतलब यह नहीं कि वहां PM2.5 exposure कम ही होगा। वास्तविक स्थिति जानने के लिए measurement जरूरी है। इस वजह से rural और semi-rural locations में low-cost monitoring network उपयोगी हो सकता है।

सिर्फ AQI देखकर पूरी तस्वीर क्यों नहीं समझी जा सकती?

AQI लोगों को air quality को आसान scale में समझाने का उपयोगी तरीका है, लेकिन किसी पूरे राज्य या बड़े geographical region के exposure को एक number से represent करना सीमित हो सकता है। AQI किसी specific location और time के लिए बदल सकता है, जबकि लोगों का long-term exposure अलग-अलग परिस्थितियों से बनता है।

उदाहरण के लिए एक district में monitoring station किसी particular location पर relatively बेहतर हवा दिखा सकता है, जबकि कुछ दूरी पर रहने वाली population का exposure अलग हो सकता है। यदि monitoring network बहुत sparse हो, तो ऐसे local differences data में दिखाई नहीं देते।

बिहार की study इसी वजह से important है: यह pollution monitoring को केवल 'आज AQI कितना है?' के सवाल से आगे ले जाकर 'कौन किस level के pollution के संपर्क में रह रहा है?' जैसे सवालों तक पहुंचाती है।

India में Air Pollution Monitoring के लिए इसका क्या मतलब है?

भारत में air-quality monitoring का विस्तार पिछले वर्षों में हुआ है, लेकिन हर region में monitoring density समान नहीं है। बड़े urban centres में monitoring infrastructure अपेक्षाकृत मजबूत हो सकता है, जबकि rural और छोटे towns में local-scale measurements कम हो सकते हैं।

Low-cost sensors इस gap को पूरी तरह खत्म नहीं करते, लेकिन वे monitoring network को ज्यादा dense बनाने का रास्ता दे सकते हैं। जब sensor observations को calibration, quality control और machine learning जैसे tools के साथ इस्तेमाल किया जाए, तो researchers ज्यादा fine-scale pollution patterns निकाल सकते हैं।

इस approach का अगला फायदा policy targeting में हो सकता है। अगर किसी district या sub-region में exposure लगातार अधिक पाया जाता है, तो वहां emission sources की पहचान, clean-energy interventions, waste-burning control, transport planning या household fuel transition जैसे उपायों को स्थानीय परिस्थितियों के अनुसार प्राथमिकता दी जा सकती है।

इस तरह की Monitoring में Challenges भी हैं

Low-cost sensor का मतलब automatically perfect measurement नहीं है। Sensors को environmental conditions के प्रभाव, calibration और data quality के लिए carefully evaluate करना पड़ता है। अलग-अलग devices के readings में अंतर हो सकता है और लंबे समय तक reliable data बनाए रखना technical challenge है।

Machine learning भी तभी मजबूत परिणाम देता है जब training और validation के लिए पर्याप्त और representative data उपलब्ध हो। अगर किसी इलाके में observations कम हों, तो model uncertainty बढ़ सकती है। इसलिए low-cost sensors को conventional reference-grade monitoring का simple replacement मानने के बजाय complementary network के रूप में देखना ज्यादा उचित है।

इसके अलावा pollution exposure को health outcomes से जोड़ने में demographic, socioeconomic और behavioural factors भी महत्वपूर्ण होते हैं। Bihar study ने family health survey data और India-specific relative-risk information को framework में शामिल करके इसी broader picture को capture करने की कोशिश की।

बिहार की Study का सबसे बड़ा संदेश क्या है?

इस research का सबसे बड़ा संदेश शायद यह है कि air pollution एक uniform problem नहीं है। एक राज्य का average pollution level उसके भीतर मौजूद local differences को छिपा सकता है। बिहार में northern districts का mean PM2.5 exposure southern districts से लगभग 1.2 गुना अधिक पाया जाना इसका स्पष्ट उदाहरण है।

साथ ही district-level mortality में 1.7-fold और daily mortality में 3.2-fold variation यह दिखाता है कि health burden को समझने के लिए high-resolution environmental data की जरूरत है।

यह approach केवल बिहार तक सीमित नहीं रहनी चाहिए। भारत के दूसरे राज्यों में भी rural और semi-urban regions के लिए dense monitoring networks विकसित किए जाएं, तो pollution exposure की कई ऐसी patterns सामने आ सकती हैं जो बड़े शहरों के monitoring data से छूट जाती हैं।

आगे की राह: Pollution को Average नहीं, Location के हिसाब से समझना

Air pollution control की अगली चुनौती केवल monitoring stations की संख्या बढ़ाना नहीं, बल्कि ऐसे data systems बनाना है जो वास्तविक exposure differences को समझ सकें। इसके लिए reference-grade stations, low-cost sensors, satellite observations, meteorological data, machine learning और health datasets को complementary तरीके से जोड़ा जा सकता है।

ऐसे systems policymakers को यह पहचानने में मदद कर सकते हैं कि pollution कहां ज्यादा है, कब बढ़ता है और किन आबादियों पर इसका exposure अधिक पड़ रहा है। इससे resources को उन जगहों तक पहुंचाना आसान हो सकता है जहां intervention की जरूरत सबसे ज्यादा है।

बिहार की नई research इसी दिशा में एक महत्वपूर्ण उदाहरण है। यह बताती है कि भारत में air pollution की असली तस्वीर केवल महानगरों के AQI boards पर नहीं मिलती। छोटे शहरों, गांवों और जिलों के बीच छिपे differences को समझना भी उतना ही जरूरी है।

FAQ

क्या गांवों में भी air pollution बहुत ज्यादा हो सकता है?

हां। Rural areas में भी PM2.5 exposure हो सकता है और local तथा regional emission sources इसके स्तर को प्रभावित कर सकते हैं। इसे समझने के लिए direct monitoring जरूरी है।

PM2.5 pollution को कैसे मापा जाता है?

PM2.5 को air-quality monitoring instruments और sensors की मदद से measure किया जाता है। Low-cost sensors ज्यादा locations पर measurements लेने में मदद कर सकते हैं, लेकिन उनकी calibration और quality control महत्वपूर्ण होती है।

Low-cost air quality sensor कैसे काम करता है?

इन sensors में आमतौर पर particulate matter को detect करने वाली sensing technology होती है, जिससे हवा में fine particles की concentration का estimate प्राप्त किया जाता है। Research-grade applications में measurements की quality और calibration को carefully assess किया जाता है।

बिहार में pollution exposure हर जगह अलग क्यों है?

स्थानीय emission sources, मौसम, हवा की movement, geography, land use और regional pollution transport जैसे factors अलग-अलग locations पर PM2.5 exposure को बदल सकते हैं। नई study ने बिहार में इसी spatial variation को high-density measurements की मदद से देखा।

इस study में Bihar के बारे में सबसे महत्वपूर्ण finding क्या थी?

Study के अनुसार northern Bihar में mean PM2.5 exposure southern districts की तुलना में लगभग 1.2 गुना अधिक था। साथ ही district-level mortality और daily mortality में भी उल्लेखनीय variation पाया गया।

कुल मिलाकर

बिहार की यह research air pollution को देखने का एक महत्वपूर्ण बदलाव दिखाती है। Pollution की समस्या को केवल बड़े शहरों और एक-दो AQI numbers के जरिए समझना पर्याप्त नहीं है। Dense low-cost sensor networks और machine learning जैसे tools pollution exposure को ज्यादा स्थानीय स्तर पर map करने में मदद कर सकते हैं।

सबसे अहम बात यह है कि एक ही राज्य में रहने वाले लोगों को हवा की एक जैसी quality नहीं मिलती। बिहार में सामने आया north-south PM2.5 divide और district-level mortality variation इस बात को स्पष्ट करता है। भविष्य की Indian air-quality policy के लिए ज्यादा granular monitoring जरूरी होगी, ताकि pollution control उन जगहों और समुदायों तक भी पहुंच सके जो अभी बड़े monitoring maps में कम दिखाई देते हैं।

यह भी पढ़ें