بعد فضایی COVID-19: پتانسیل داده های رصد زمین در حمایت از جوامع زاغه نشین با شواهدی از برزیل

خلاصه

وضعیت اضطراری بهداشتی COVID-19 بر زندگی همه ما تأثیر می گذارد، اما شرایط زندگی و مورفولوژی های شهری که در جوامع فقیر یافت می شود، ساکنان را در مقایسه با شهر رسمی که در آن ساکنان منابع لازم برای پیروی از دستورالعمل های WHO را در اختیار دارند در برابر شیوع COVID-19 آسیب پذیرتر می کند. . به طور کلی، مجموعه داده های فضایی شهرداری برای پشتیبانی از پاسخ های فضایی به شرایط اضطراری بهداشتی، به ویژه در جوامع فقیر، به خوبی مجهز نیستند. در چنین شرایط بحرانی، داده‌های رصد زمین (EO) می‌تواند نقش حیاتی در تصمیم‌گیری به موقع داشته باشد و می‌تواند جان بسیاری از مردم را نجات دهد. این کار با ارجاع به دو منطقه فقیر نشین در سالوادور، برزیل به عنوان یک مورد، مروری بر پتانسیل مجموعه داده‌های جهانی و محلی مبتنی بر EO، و همچنین روش‌های جمع‌آوری داده‌های محلی (به عنوان مثال، هواپیماهای بدون سرنشین)، در حمایت از پاسخ‌های COVID-19 ارائه می‌کند. مطالعه. ما نقش مجموعه داده‌ها و همچنین شکاف‌های داده‌ای را که مانع از پاسخ‌های COVID-19 می‌شوند، مورد بحث قرار می‌دهیم. در سالوادور و سایر شهرهای کشورهای با درآمد کم و متوسط (LMIC)، داده های محلی موجود است. با این حال، آنها به روز نیستند. به عنوان مثال، بسته به منبع، جمعیت مناطق مورد مطالعه در سال ۲۰۲۰ بیش از ۲۰٪ متغیر است. بنابراین، ادغام داده‌های EO می‌تواند در به‌روزرسانی مجموعه داده‌های محلی و در دستیابی به پارامترهای فیزیکی جوامع شهری فقیر، که اغلب به طور سیستماتیک در نظرسنجی‌های محلی جمع‌آوری نمی‌شوند، کمک کند.

کلید واژه ها:

همه گیر ؛ بهداشت شهری ; سنجش از دور شهری ; سکونتگاه های غیررسمی ؛ مناطق محروم

۱٫ معرفی

COVID-19 تا ۱۱ مارس ۲۰۲۰ یک بیماری همه گیر جهانی اعلام شد [ ۱ ]. اخیراً، نرخ عفونت در بسیاری از کشورهای با درآمد کم و متوسط (LMIC) و همچنین نرخ مرگ و میر، که به ویژه در جوامع محروم بالاست، در حال افزایش است [ ۲ ، ۳ ]، که به آسیب پذیری بالای فقرای شهری در LMIC ها اشاره می کند. تفاوت های بزرگ در میزان عفونت و مرگ و میر بین LMIC ها و کشورهای با درآمد بالا (HICs) را می توان به شرایط محیطی و مسکن بد، همراه با مسائل بهداشتی از قبل موجود در LMIC ها نسبت داد، که کانون های عفونت را در جوامع محروم تشکیل می دهد. با گسترش سریع COVID-19 در LMICها، شهرداری ها و جوامع محروم، مانند محله های فقیر نشین، باید فوراً برای پاسخ های مناسب آماده شوند. ۲ . دستاورد بالقوه در تجربه کاهش اثرات منفی بیماری های همه گیر در محله های فقیر نشین برای بسیاری از جمعیت های آسیب پذیر به غیر از زاغه نشینان خارج از شهرها، مانند گروه های بومی نیز اعمال می شود. با توجه به مطالعات موجود، شایان ذکر است که شدیدترین تأثیرات اپیدمی در سایر گروه‌ها مانند افراد بومی نیز رخ می‌دهد و این موارد باید در گروه خطر گنجانده شوند [ ۵ ، ۶ ، ۷ ]. ، ۸ ]. این گروه‌های بومی، که در داخل یا خارج از شهرها واقع شده‌اند، اغلب به‌عنوان جوامعی که دسترسی به آن‌ها سخت است و مستعد دست‌کم گرفتن وضعیت واقعی شناخته می‌شوند. بنابراین، ابزارهای فضایی برای شناسایی نقاط داغ و اعمال اندازه‌گیری‌های فضایی بسیار مورد نیاز هستند [ ۹ ]].

بخش بزرگی از رشد فزاینده شهری در LMICها برنامه ریزی نشده یا غیررسمی است [ ۱۰ ]. ساکنان اغلب از دسترسی به خدمات اساسی ضروری محروم هستند و معمولاً به عنوان بخشی کاملاً شناخته شده از شهر دیده نمی شوند [ ۱۱ ]. به طور کلی، داده های مکانی چنین مناطقی، به عنوان مثال، در مورد زیرساخت ها یا شرایط اجتماعی-اقتصادی، اغلب در پایگاه های اطلاعاتی شهرداری [ ۱۲ ] و نقشه ها [ ۱۳ ] وجود ندارند.]. این طرد اجتماعی و فقدان داده ها مانع از پاسخ های موثر بخش های بهداشت عمومی می شود. برای مقابله موثر با یک وضعیت اضطراری بهداشتی بزرگ ناشی از یک بیماری همه گیر، مانند COVID-19، بعد فضایی خطرات بهداشتی باید از نظر مکان یابی و ارزیابی خطرات در سطح خانه و منطقه به خوبی درک شود. در مورد کووید-۱۹، مشخص کردن بار زمانی-مکانی بیماری‌ها در مقیاس جامعه، حمایت مهمی از مقامات شهری و سازمان‌های مبتنی بر جامعه برای توسعه استراتژی‌های هدفمند برای به حداقل رساندن انتقال ویروس و ارائه مراقبت‌های بهداشتی بهتر فراهم می‌کند. این مشکل مختص همه‌گیری کووید-۱۹ نیست، زیرا UN-Habitat همچنین اذعان می‌کند که در داخل شهرها، «فقدان داده‌ها» در مورد مناطق محروم وجود دارد که امکان پاسخ‌های مؤثر به اکثر موارد اضطراری را فراهم نمی‌کند.۱۴ ]. داده‌های مربوط به چنین مناطقی اغلب فاقد قابلیت اطمینان و اطلاعات در مورد تعداد افراد و شرایط سلامتی آنها هستند. این شکاف‌های داده‌ها منجر به پاسخ‌های نامناسب یا نادرست می‌شود، که در طول شیوع ابولا در سال‌های ۲۰۱۴-۲۰۱۶ در چندین کشور غرب آفریقا مشاهده شده است [ ۱۵ ]. در این شرایط، داده ها و نقشه های سنجش از راه دور، در میان سایر موارد، به فوریت مورد نیاز هستند. با این حال، داده ها، به ویژه در مورد بعد فضایی، معمولا کمیاب هستند و برای پشتیبانی از پاسخ های موثر در دسترس نیستند. بنابراین، شناسایی مجموعه داده‌های مکانی کلیدی برای تعیین موقعیت جغرافیایی خطرات بهداشتی در محله‌های فقیر نشین ضروری است.

ریسک، در زمینه خطرات طبیعی، اغلب به عنوان تابعی از خطر و قرار گرفتن در معرض عناصر آسیب پذیر تعریف می شود ( شکل ۱ ) [ ۱۶ ، ۱۷ ]. در زمینه COVID-19، این مفهوم را می توان برای توضیح ترکیب و تعامل متغیرهای خطرناک محیطی و آسیب پذیری های جوامع زاغه نشین که ممکن است به خطر افزایش عفونت، مرگ و میر و عوارض کمک کند، به کار برد. با COVID-19 به عنوان یک خطر خاص، آسیب‌پذیری تمرکز اصلی برای آمادگی در برابر خطر خواهد بود. نمونه‌های مهم آسیب‌پذیری‌های زیست‌محیطی و اجتماعی که ظرفیت واکنش به COVID-19 را در جوامع زاغه‌نشین به چالش می‌کشد عبارتند از:

(آ): فقدان خدمات اولیه (به عنوان مثال، آب تمیز، سرویس بهداشتی و صابون) که اجازه پایبندی به دستورالعمل های WHO برای بهداشت اولیه را نمی دهد [ ۱۸ ].
(ب): تراکم بالا هم در جمعیت و هم در محیط ساخته شده که فاصله گذاری اجتماعی را از بین می برد [ ۱۹ ].
(ج): دسترسی به کار، معیشت، و تامین غذا ساکنان را ملزم به شکستن توصیه‌های انزوای اجتماعی می‌کند (بخش اقتصادی غیررسمی توسط قرنطینه‌ها در معرض تهدید خاصی قرار گرفته است) [ ۲۰ ].
(د): غلظت شرایط بهداشتی از قبل موجود مانند بیماری های مزمن (به عنوان مثال، دیابت، فشار خون بالا [ ۲۱ ]، و بیماری های تنفسی [ ۲۲ ، ۲۳ ]) و موارد عفونی (مانند مالاریا یا لپتوسپیروز [ ۲۴ ]) به دلیل فقر. چنین آسیب‌پذیری‌هایی منجر به شدت بیماری می‌شود که به بخش مراقبت‌های ویژه (ICU) نیاز دارد و در نهایت منجر به مرگ و میر می‌شود.
(ه): شرایط محیطی ناسالم و خطرناک (به عنوان مثال، تهویه نامناسب داخلی، آلودگی هوا، فاضلاب باز، یا زندگی در مناطق مرطوب، مانند دشت های سیلابی [ ۲۲ ، ۲۳ ، ۲۵ ، ۲۶ ]).
(و): افزایش انباشت زباله (توده های زباله) ناشی از کمبود یا ناکافی بودن سیستم های جمع آوری زباله عمومی و افزایش زباله در طول قرنطینه (افزایش شکنندگی بهداشت به دلیل افزایش انواع بیماری های مرتبط [ ۲۷ ، ۲۸ ]).
(g): دسترسی محدود به اطلاعات، امکانات بهداشت عمومی، و کمک های اجتماعی یا مالی [ ۲۹ ]؛
(ح): سازمان‌های اجتماعی و توانمندسازی از طریق رهبری محلی و زیرساخت‌های موجود برای اقدامات کمک‌های بشردوستانه، مانند مدارس، مراکز اجتماعی و ساختمان‌های مذهبی [ ۴ ].

شکل ۱٫ مفهوم سازی خطرات COVID-19 و نقش داده های مبتنی بر مشاهده زمین (EO) (بر اساس [ ۱۷ ، ۲۹ ]).

این آسیب‌پذیری‌ها به دلیل محرومیت‌های چند بعدی منجر به سطوح مختلفی از خطرات سلامتی، مانند عوارض و مرگ‌ومیر، هنگام تلاقی با رویدادهای شدید مانند همه‌گیری می‌شوند. این تقاطع با بعد فضایی صریح آن ارائه می شود، جایی که مکان یابی چگونگی و مکان استقرار پاسخ ها بسیار مهم است. بنابراین، داده‌های مبتنی بر رصد زمین (EO) این پتانسیل را دارند که علاوه بر اطلاعات در مورد شرایط جمعیتی، اجتماعی و اقتصادی، یک مؤلفه مهم برای درک خطرات بهداشتی COVID-19 در محله‌های فقیر نشین اضافه کنند. شکل ۱ یک چارچوب مفهومی مبتنی بر ارزیابی خطرات مخاطرات طبیعی [ ۱۷ ] و تجربیات فعلی در سالوادور، برزیل [ ۳۰ ] را ارائه می‌کند.]، نقش بالقوه داده های مبتنی بر EO را برای ارزیابی خطر سلامتی COVID-19 تعیین می کند.

EO ثابت کرده است که در استخراج اطلاعات مکانی به موقع و پر کردن شکاف های داده های مکانی کارآمد است [ ۳۱ ، ۳۲ ]. تصاویر ماهواره ای در سطح جهانی با وضوح های مختلف در دسترس هستند و برای اهداف مختلف قابل استفاده هستند. وضوح زمانی فزاینده داده های تصاویر ماهواره ای همچنین امکان نظارت بر پویایی در طول روز، هفته، ماه و سال را فراهم می کند. در حال حاضر، ارائه دهندگان داده های تجاری، مخازن خود را در دسترس عموم قرار داده اند، به عنوان مثال، Digital Globe دسترسی به داده های با وضوح بسیار بالا را در چندین شهر بزرگ در پاسخ به شیوع COVID-19 فراهم می کند [ ۳۳ ]]. بنابراین در مواقع بحران، منابعی برای پوشش برنامه های کاربردی فوری با وضوح بالا هم در مکان و هم در زمان وجود دارد. برای مثال، نقشه‌های پایه از داده‌های تصاویر ماهواره‌ای برای ردیابی ابولا در غرب آفریقا [ ۳۴ ، ۳۵ ] استخراج شده‌اند.

سودمندی داده های ماهواره ای برای پاسخ های اضطراری برای سال ها ثابت شده است. با این حال، چنین داده هایی دارای تفکیک پذیری ثابت در مکان و زمان هستند، و اگر در دسترس نباشند، می توانند گران باشند. بنابراین، وسایل نقلیه هوایی بدون سرنشین (پهپادها) اخیراً به عنوان یک پلت فرم جایگزین قابل انعطاف که می تواند اطلاعات مکانی را در موقعیت های بحرانی ارائه دهد، مورد بررسی قرار گرفته است [ ۱۲ ، ۳۴ ، ۳۵ ]. اخیراً پهپادها با موفقیت برای استفاده در کشاورزی [ ۳۶ ]، نقشه برداری [ ۳۷ ]، نقشه برداری و کاربردهای کاداستر [ ۳۸ ]، معماری و باستان شناسی [ ۳۹ ] و میراث فرهنگی [ ۴۰ ] استفاده شده اند.]، بین دیگران. تحقیقات اخیر پتانسیل پهپادها را در ردیابی منبع بیماری هایی مانند مالاریا و سل در اسپانیا نشان داده است [ ۳۴ ]. مزیت اصلی استفاده از پهپادها این است که پروازها را می توان در ارتفاع کم انجام داد که امکان دستیابی به داده های با وضوح فضایی بسیار بالا (۲ تا ۱۰ سانتی متر) را فراهم می کند. علاوه بر این، آنها مقرون به صرفه، اندازه کوچک و آسان برای کار هستند. بنابراین، آنها برای جمع آوری سریع، ارزان و دقیق داده ها مناسب هستند و امروزه به طور فزاینده ای در تحقیقات بهداشتی مورد استفاده قرار می گیرند [ ۴۱ ]. برای COVID-19، پهپادها می توانند به طور موثر اطلاعات فیزیکی لازم را در مورد محیط ساخته شده ارائه دهند. بسته به در دسترس بودن حسگرهای داخل هواپیما، پهپادها همچنین می توانند برای ردیابی تغییرات زمانی دما، تشعشع، نویز یا آلودگی استفاده شوند [ ۴۲ ].]. علاوه بر این، پهپادها را می توان برای حمل و نقل تجهیزات پزشکی به مناطقی که در معرض آلودگی جدی هستند استفاده کرد [ ۴۳ ]. پهپادها با داشتن توانایی پردازش ویدیوها در زمان واقعی، اصولاً می توانند در نظارت بر استرس در بین افراد و پیروی از الگوهای حرکتی آنها نیز استفاده شوند [ ۴۴ ]. در میان بسیاری از مزایای استفاده از پهپادها، موضوعات ایمنی و حریم خصوصی را نباید نادیده گرفت [ ۴۵ ]. امروزه بسیاری از کشورها مقررات مربوط به استفاده از پهپاد را دارند [ ۴۶]؛ با این حال، در اکثر LMICها، چنین مقرراتی هنوز وجود ندارد. به طور کلی، جمع آوری داده های پهپاد برای مناطق کوچک با هزینه نسبتاً کم نسبتاً آسان است. چنین داده هایی همراه با تصویر EO کم هزینه یا رایگان امکان به روز رسانی مناطق کوچکی را که در آن تغییرات رخ داده است را فراهم می کند.

علاوه بر داده‌های به‌دست‌آمده از ماهواره‌ها و پهپادها، LiDAR که مخفف Light Detection and Ranging داده است، می‌تواند برای استخراج اطلاعات عمودی بسیار دقیق نیز استفاده شود. اطلاعات ابر نقطه ای و داده های ارتفاعی به دست آمده را می توان برای مدل های سه بعدی، ارزیابی جابجایی خاک، شبیه سازی سیل، تشخیص اجسام متحرک و غیره استفاده کرد. همچنین می توانند برای استراتژی های کاهش در صورت وقوع بلایا ارزشمند باشند [ ۴۷ ].

قدرت داده های مبتنی بر EO را می توان به ویژه با اطلاعات فضایی کمکی برای به دست آوردن تصویری کامل از تولید و انتقال بیماری ها بزرگ کرد. بنابراین، همانطور که الدن [ ۴۸]، یک نمای زمینی با در نظر گرفتن بعد عمودی می تواند کمک بزرگی باشد. بسیاری از حسگرها و روش‌های زمینی برای به دست آوردن داده‌های مکانی مفید، مانند Google Street View، تصاویر از دوربین‌های وب یا ویدیویی، جمع‌سپاری، یا پست‌های رسانه‌های اجتماعی توسعه یافته‌اند. دیدگاه زمینی Google Street View ممکن است داده های تاریخی ارزشمندی را ارائه دهد که می تواند برای ردیابی الگوهای بیماری خاص، از جمله بعد سوم، استفاده شود و می تواند به طور موثر در ترکیب با روش های EO ذکر شده در بالا استفاده شود. یکی دیگر از منابع مفید اطلاعات برای ردیابی تحرک انسان، همانطور که در بالا مورد بحث قرار گرفت، داده های جمع سپاری شده است، مانند نقشه خیابان باز (OSM). در دهه های اخیر، استفاده از رسانه های اجتماعی رشد چشمگیری داشته است. الگوریتم هایی که پست های مثبت و منفی را برای فیس بوک، توییتر،۴۹ ، ۵۰ ، ۵۱ ]. در مواقع همه‌گیری یا بلایا، ترکیب منابع ذکر شده در بالا از اطلاعات مکانی و استفاده از قابلیت‌های تحلیلی سیستم‌های GIS می‌تواند نقش بزرگی ایفا کند [ ۵۲ ، ۵۳ ، ۵۴ ]. با این حال، کاربردهای موجود داده‌های مبتنی بر EO در جامعه سلامت هنوز برای پوشش کامل پتانسیل مجموعه داده‌های مکانی در کمک به پاسخ‌ها به یک بیماری همه‌گیر، مانند پاسخ‌های COVID-19، و همچنین در حمایت از سلامت عمومی به طور کلی، بسیار محدود است. این شکاف نیز توسط ابتکار نقشه های گمشده [ ۵۵ ] توسط صلیب سرخ تاکید شده است.

بنابراین، هدف این مقاله این است که چگونه مجموعه داده‌های مبتنی بر EO می‌توانند به طور بالقوه از ارزیابی خطر COVID-19 از بعد فضایی پشتیبانی کنند. ما از اطلاعات جوامع زاغه‌نشین منتخب در سالوادور، برزیل، به‌عنوان یک مورد مطالعه از نقش داده‌های EO در حمایت از وزیر بهداشت، کمیته بحران و جوامع شهر برای مقابله با همه‌گیری COVID-19 استفاده می‌کنیم. علاوه بر این، ما پتانسیل داده‌های EO را برای تشویق مدیریت عمومی، مراکز تحقیقاتی و جامعه مدنی نشان می‌دهیم، و آنها را تشویق می‌کنیم تا با هم فکر کنند و در قلمرو عمل کنند. می بینیم که این رویکرد چندان رایج نیست. معمولاً کارشناسان بهداشت فقط با داده های اپیدمیولوژیک از ثبت بیمارستان ها کار می کنند. ما یک رویکرد تکمیلی را پیشنهاد می‌کنیم که برای هدایت اقداماتی مانند محدودیت‌های حرکتی، ضدعفونی محلی، تأیید تامین آب، ضروری است.۵۶ ]، کمک های بشردوستانه، و غیره. در اینجا، ما بر روی طیفی از عوامل تعیین کننده اجتماعی-محیطی که به طور بالقوه با انتقال و مرگ و میر COVID-19 مرتبط هستند، تمرکز خواهیم کرد. مثال‌هایی برای نشان دادن اهمیت و پتانسیل داده‌های مکانی مناسب برای پاسخ‌های COVID-19 در سطح شهر و جامعه ارائه شده‌اند. بنابراین، این مقاله یک چارچوب مفهومی از راه‌حل‌های چندمنبعی جغرافیایی برای واکنش‌های کافی در موقعیت‌های بهداشتی اضطراری را نشان می‌دهد. ما از کلمه زاغه به عنوان ترجمه فاولا استفاده می کنیم که در هر دو سطح دولتی و اجتماعی شناخته شده است [ ۵۷ ، ۵۸ ].

در بخش‌های بعدی، بحث‌های خود را با پاسخ به یک سوال تحقیقاتی کلی ادامه می‌دهیم: چگونه داده‌های EO می‌توانند به شناسایی آسیب‌پذیری‌های خاص درون شهری در طول یک بیماری همه‌گیر کمک کنند؟ این سوال در بخش ۲ به تفصیل بیان شده است.

۲٫ مواد و روشها

این بخش مفهوم شکاف‌های اطلاعات مکانی را نشان می‌دهد که مانع از پاسخ‌های مؤثر COVID-19 می‌شوند و پتانسیل داده‌های مبتنی بر EO برای پر کردن این شکاف‌های رایج در جوامع فقیر نشین را نشان می‌دهد. این مفهوم از نیازهای اطلاعاتی و داده‌های EO مبتنی بر ادبیات بررسی شده پاسخ‌های COVID-19 [ ۳ ، ۴ ، ۹ ، ۱۲ ، ۲۹ ، ۳۰ ، ۳۱ ] و صداهایی از جوامع زاغه‌نشین در سالوادور و مکان‌های مختلف جهان است [ ۵۸ ، ۵۹ ] ، ۶۰] در مورد مشکلات مبارزه با همه گیری و پیروی از توصیه های بهداشتی شمال جهانی. در سالوادور، آن صداها از رهبران جامعه محله‌های آلتو دو کابریتو، مارشال رودون، و شبه جزیره د ایتاپاگیپ، و از Comitê Comunitário Virtual de Monitoramento das Ações de Enfrentamento da COVID-19 nos Bairros Populares de Salvador بود. اطلاعات در مورد مشکلات آنها از طریق انتشارات در رسانه های اجتماعی، مصاحبه در اخبار محلی، سازماندهی وبینارهای محلی، و از طریق تماس های تلفنی و کنفرانس های ویدئویی که از ماه آوریل توسط یکی از نویسندگان این مقاله برگزار شده است، جمع آوری شده است. ما بر روی محصولات داده مبتنی بر EO تمرکز کردیم که به راحتی در دسترس هستند و همچنین امکان دسترسی به کارشناسان غیر EO را فراهم می‌کنند.

۲٫۱٫ چارچوب مفهومی نیازهای اطلاعاتی و داده‌های مکانی برای حمایت از پاسخ‌های COVID-19

بر اساس نیازهای اطلاعات مکانی و شکاف‌های داده‌های مکانی یافت شده در جوامع زاغه‌نشین، سه بعد اصلی خلاصه شد، یعنی، تراکم، امکانات و داده‌های مرتبط با محیط (ما همچنین اهمیت ابعاد دیگر، به عنوان مثال، داده‌های اجتماعی-اقتصادی، که استخراج از داده‌های EO آسان نیست، اما برای پاسخ‌های COVID-19 ضروری هستند). در این سه بعد، دو سطح از اطلاعات را نیز دیدیم:

ایستا: توزیع فضاها مانند ساختمان‌های متراکم، مسیرهای پیاده‌روی باریک و خانه‌ها در مناطق سیل‌زده (سینک‌های آب). اینها شرایط فیزیکی و محیطی (متغیرهایی) هستند که به طور بالقوه با خطر بالاتر انتقال COVID-19 یا عوارض مرتبط هستند.
پویا: توزیع حرکات بالقوه، به عنوان مثال، رابطه فضایی بین ساکنان و کار/پول/آب/غذا عرضه می‌شود که منجر به قرار گرفتن در معرض احتمالی COVID-19 می‌شود.

جدول ۱ نمای کلی از داده های مکانی مربوطه را ارائه می دهد که اغلب برای محله های فقیر نشین وجود ندارد. به عنوان مثال، تراکم بالای جمعیت باعث ایجاد مشکلات جدی برای رعایت دستورالعمل های فاصله گذاری اجتماعی می شود. در بسیاری از محله های فقیر نشین، در یک خانه بسیار کوچک، مانند آنچه در شکل ۲ آمده است، بیش از سه نفر در یک اتاق مشترک هستند [ ۶۱ ]. فضاهای باز کمیاب هستند و بسیاری از مسیرهای پیاده‌روی کمتر از ۲ متر عرض دارند، که رعایت فاصله اجتماعی را هنگام عبور از کنار مردم دشوار می‌کند [ ۱۹ ]]. برای مدیریت همه‌گیری کووید-۱۹، جداسازی اعضای جامعه علامت‌دار و همچنین اطمینان از تامین مراقبت‌های بهداشتی، غذا و نیازهای اولیه ضروری است. برای این منظور، شناسایی فضاهای باز، امکانات اجتماعی و غیره، که ممکن است بتوانند به عنوان واحدهای جداسازی عمل کنند، هم در داخل و هم در محیط نزدیک جوامع حیاتی است [ ۴ ]. از سوی دیگر، نظارت بر جریان های اطلاعاتی مربوط به سطح دینامیکی فوق مهم است. بسیاری از اوقات، اتصال ممکن است بیشتر از تراکم برای انتشار ویروس مهم باشد [ ۲۰ ، ۶۲ ].

برای تحقیق فعلی، داده های جهانی و نمونه هایی از مجموعه داده های محلی برای شهر سالوادور مورد بررسی قرار گرفت. شهر به عنوان نمونه مورد استفاده قرار گرفت (لطفاً به بخش ۳ در مورد منطق انتخاب این مورد مراجعه کنید). بنابراین، جدول ۲ فهرستی از داده های مکانی مبتنی بر EO و سایر داده های مهم با پتانسیل ارائه اطلاعات مرتبط COVID-19 را ارائه می دهد. مجموعه داده ها شامل داده های اولیه پوشش زمین (رزولوشن ۱۰ متر)، دسترسی به جاده ها، مناطق مسکونی و داده های جمعیت است. داده های جهانی معمولاً یک ارزیابی کلی از کل مناطق شهری و نشانی از داده های اولیه سکونت ارائه می دهند. در مقابل، داده‌های محلی اطلاعات مکانی دقیقی مانند مدل سطحی مبتنی بر LiDAR را ارائه می‌دهند.

۲٫۲٫ مورد استفاده از داده های مکانی برای پشتیبانی از پاسخ های COVID-19 در سالوادور، برزیل

برای تجزیه و تحلیل پتانسیل داده‌های فضایی، به‌ویژه EO، برای حمایت از پاسخ‌های COVID-19، از یک مورد محلی از جوامع زاغه‌نشین در سالوادور، برزیل استفاده کردیم، جایی که چندین نویسنده دانش محلی دقیقی دارند. این امکان ارزیابی سه سوال اصلی را فراهم کرد:

داده‌های کلیدی فضایی (EO) مورد نیاز برای درک تغییرات فیزیکی (الگوهای فضایی) عفونت‌های COVID-19 چیست؟
داده‌های کلیدی مکانی (EO) مورد نیاز برای حمایت از پاسخ‌های محلی (شهرداری اما همچنین مبتنی بر جامعه) برای پیشگیری و پاسخ به موارد COVID-19 چیست؟
داده‌های مکانی خاص (EO) مورد نیاز برای حمایت از جوامع زاغه‌نشین (مثلاً برای حمایت از سازمان‌های مبتنی بر جامعه) چیست؟

این سؤالات در بخش ۳ مطرح می‌شوند و برای بررسی داده‌های موجود در شهر سالوادور (برزیل) و پتانسیل آنها برای پر کردن شکاف‌های داده‌های موجود در پاسخ‌های COVID-19 و همچنین بحث انتقادی محدودیت‌های آنها استفاده می‌شوند.

۳٫ مورد سالوادور در برزیل

۳٫۱٫ زمینه کلی سالوادور

شهر سالوادور در ساحل شمال شرقی برزیل واقع شده است ( شکل ۳ ). این شهر که در سال ۱۵۴۹ تأسیس شد، مهم‌ترین گسترش خود را بین دهه‌های ۱۹۵۰ و ۱۹۷۰ داشت و در سال ۲۰۱۹ به جمعیت تخمینی ۲,۸۷۲,۳۴۷ میلیون نفر در شهرداری سالوادور ( شکل ۴ ) و ۳,۹۲۹,۲۰۹ میلیون نفر در منطقه شهری آن رسید .

سالوادور دارای شاخص توسعه انسانی (HDI) 0.743 [ ۶۴ ] و تولید ناخالص داخلی ۶۶۳۴ میلیون دلار [ ۶۴ ] است که می تواند برای واقعیت برزیل (نهم کشور) خوب در نظر گرفته شود. با این حال، این شهر دارای ناهمگونی اجتماعی زیادی است. در دسامبر ۲۰۱۹، مؤسسه جغرافیا و آمار برزیل (IBGE) محاسبه کرد که ۴۱٫۸۳٪ از واحدهای مسکونی در سالوادور در مجتمع‌های غیرعادی یا در مناطق ناامن هستند [ ۵۷ ]. در چنین مناطقی، ساکنان با شرایط زندگی محروم مواجه هستند، و این شهر را با تعداد مطلق واحدهای مسکونی در محله های فقیر نشین، پس از سائوپائولو و ریودوژانیرو، سومین شهر می کند. با ارزیابی دیگری به نام LIT (ارزیابی اطلاعات سرزمینی) [ ۶۵گومز و پدراسولی [ ۶۶ ]، که توسط IBGE در سال ۲۰۱۳ با استفاده از نتایج سرشماری ۲۰۱۰ و داده های EO از سال ۲۰۱۰ تا ۲۰۱۳ ساخته شد، اشاره کردند که حدود ۵۰ درصد از خانوارها در محله های فقیر نشین سالوادور مناطقی با شیب بالاتر از ۳۰ درصد را اشغال می کنند. علاوه بر این، ۸۷ درصد از خانوارهای زاغه نشین دو طبقه یا بیشتر داشتند و ۹۴ درصد از خانوارها عملاً هیچ فضایی بین آنها نداشتند.

۳٫۲٫ بحران COVID-19 در سالوادور

اولین مورد COVID-19 در این شهر در ۱۳ مارس ثبت شد و یک مورد وارداتی از اسپانیا بود. گسترش این بیماری در سالوادور بدتر از سائوپائولو و ریودوژانیرو است، اما نه به بدی مانائوس، جایی که سیستم بهداشتی در حال حاضر سقوط کرده است. وقتی منحنی سالوادور را با دو شهر بزرگ دیگر که به دلیل نرخ بالای انتقال شهرت دارند مقایسه می‌کنیم، می‌توان دریافت که شهرهای برزیل در ابتدا در مهار رشد بیماری به خوبی عمل کردند، اما نرخ‌ها به رشد خود ادامه دادند و از نیویورک گذشتند. نرخ تثبیت سیتی و رسیدن نه چندان دور از شیب منحنی میلان. به لطف ICU های جدید در بیمارستان پردیس، نرخ اشتغال به ۱۰۰٪ نرسید. با این حال، در ۲۶ ژوئن، آنها در ۸۳٪ بودند. پس از ماه ژوئن، در ایام تعطیلات، بسیاری از مردم به دیدار خانواده های خود در حومه شهر می روند. از این رو،شکل ۵ ).

۳٫۳٫ نمونه هایی از داده های مکانی برای پشتیبانی از پاسخ های COVID-19

برای تجزیه و تحلیل نیازهای داده‌های مکانی خاص برای جوامع محروم در زمینه COVID-19، از مثال دو منطقه استفاده کردیم که در آن گروه تحقیقات طولانی‌مدتی را در مورد بیماری‌های عفونی [ ۶۷ ، ۶۸ ] و مشارکت با نمایندگان جامعه ایجاد کرده است. محله‌های آلتو دو کابریتو (AC) و Marechal Rondon (MR) در یک منطقه حاشیه‌ای از شهر هستند ( شکل ۳)). بر اساس داده‌های سرشماری IBGE در سال ۲۰۱۰، در مجموع ۳۶۵۲۱ ساکن دارد که ۱۹۴۷۰ نفر در MR و ۱۷۰۵۱ نفر در AC ساکن هستند. اگرچه محله ها از لحاظ درونی دارای درجات محرومیت متفاوتی هستند، اما این تفاوت ها در مقایسه با محله های دیگر شهر نسبتاً ناچیز است. در سال ۲۰۱۰، این دو محله دارای شاخص توسعه انسانی (HDI) در نظر گرفته شده متوسط بودند، با مقادیری از ۰٫۶۴۷ تا ۰٫۷۱۲ [ ۶۹ ]. این دو منطقه دارای ۳۱ درصد خانوارها با درآمد نصف حداقل دستمزد سرانه یا کمتر بود که معادل ۹٫۷۰ دلار در روز برای هر نفر بود. حدود ۹۹ درصد از خانوارها به منبع آب و ۹۸ درصد به سیستم های فاضلاب دسترسی داشتند [ ۷۰ ]. جمعیت بالای ۶۰ سال ۳۳۳۰ (۸٫۵٪) بود، نرخ بی سوادی در بین جوانان ۷ تا ۱۸ سال ۹۵٪ بود.۷۰ ] و ۳۴ درصد از خانوارها بیش از دو نفر در هر اتاق خواب داشتند [ ۶۹ ]. همانطور که نمودار شکل ۵ نشان می دهد، نرخ بروز COVID-19 در دو محله بالاتر از میانگین شهر سالوادور بود. ۷۸ روز پس از ثبت اولین مورد در منطقه به طول انجامید. این مجموع به ۲۰۸ مورد و نرخ بروز ۵۶۹٫۵ مورد در هر ۱۰۰۰۰۰ نفر می رسد.

این دو محله دارای چهار انجمن اجتماعی هستند که مطابق با دستورالعمل‌های WHO، دولت ایالتی و شهرداری عمل می‌کنند. با این حال، رهبران از گردش گسترده مردم و موقعیت های شلوغ در مراسم مذهبی، تجارت، یا حتی در رویدادها و مهمانی های فوتبال خبر دادند. علاوه بر این، خدمات آبرسانی متناوب، مشکلات مالی جدی برای کارگران غیررسمی، و وجود خانواده‌های بیشتری که به دلیل شیوع بیماری همه‌گیر، برای تغذیه خود به کمک‌های اهدایی وابسته هستند، با توجه به تأخیر و مشکل در دسترسی به کمک‌های اضطراری دولت افزایش یافته است. شکل ۶تراکم جمعیت را بر اساس داده های سرشماری سال ۱۳۸۹ برای دو شهرک نشان می دهد. به طور کلی مناطق نسبت به آخرین سرشماری تغییر چندانی نکرده است. با این حال، در مناطق برجسته ۱، ۲، و ۳، تغییرات مشاهده شده است. علاوه بر این، برای تجسم این تغییرات، قطعاتی از تصاویر Google Earth مربوط به سال های ۲۰۰۸ و ۲۰۱۹ نشان داده شده است.

از شکل ۶ ، مشخص شد که بیشترین تغییرات در ناحیه نشان داده شده در تصویر ۲ رخ داده است. برای بررسی جزئیات بیشتر این تغییرات، از تصاویر پهپاد استفاده کردیم ( شکل ۷ ، شکل ۸ و شکل ۹).) با اطلاعات مدل رقومی ارتفاع (DEM) مربوطه. این تصاویر با پهپاد Mavic Pro در دو پرواز بعدی به دست آمد: یکی به صورت خطی با دوربین در ۹۰ درجه (نادیر)، و پرواز دوم با دوربین پیکربندی شده در نمای مایل (۴۵ درجه). در نتیجه، ۵۵۷ تصویر برای هر دو محله Alto do Cabrito و Marechal Rondon در ژوئن و جولای ۲۰۱۹ به دست آمد و توسط نرم افزار Agisoft Photoscan Pro با استفاده از الگوریتم Structure from Motion (SfM) پردازش شد. نتایج مدل ابر نقطه سه بعدی و ارتفتو با وضوح فضایی ۲٫۸ سانتی متری در شکل ۸ نشان داده شده است. علاوه بر این، نمای گسترده ای از تصاویر مایل در شکل ۸ به تصویر کشیده شده است.

داده‌های پهپاد با کم کردن مقادیر مدل سطح دیجیتال از مقادیر مدل زمین دیجیتال به تخمین طبقات در هر ساختمان کمک کردند. نماهای ساختمان ها با داشتن تصاویر اریب نمایان بود. بنابراین، بر اساس تعداد پنجره‌ها، تراکم ساختمان و تعداد طبقات تخمینی، می‌توان تخمین جمعیت را انجام داد [ ۷۱ ]. این یک جنبه مهم است که باید در نظر گرفته شود، زیرا تعداد جمعیت از منابع داده های مختلف متفاوت است، به ویژه زمانی که داده های جهانی و محلی مقایسه می شوند. چنین تخمین‌های جمعیتی از پایین به بالا معمولاً تعداد واقعی جمعیت زاغه‌ها را در مقایسه با تخمین‌های بالا به پایین (معمولاً بر اساس داده‌های سرشماری که دارای دانه‌بندی زمانی کم و اغلب شکاف داده‌های بزرگ در زاغه‌ها هستند) بهتر منعکس می‌کنند [ ۷۲ ، ۷۳]. نتایج یک مدل جهانی از بالا به پایین در شکل ۱۰ نشان داده شده است. این مجموعه داده جمعیتی در دسترس جهانی به کاربران امکان می دهد مناطق مورد علاقه را نشان دهند و تعداد جمعیت و توزیع سنی را ارائه دهند، که هر دو جنبه های مربوط به ارزیابی آسیب پذیری ها هستند. با این حال، داده های جمعیتی برای مناطق زاغه نشین معمولاً دارای عدم قطعیت بالایی هستند.

داشتن تعداد دقیق ساکنان و توزیع فضای آنها در محله های فقیر نشین برای ابعاد صحیح کمک های بشردوستانه مانند تهیه مواد غذایی اولیه و کیت های بهداشتی یا ماسک مهم است. همچنین برای برنامه ریزی کمپین های آزمایش COVID-19 مهم است زیرا تعداد آزمایش ها بسیار محدود است و نیاز به محاسبه نمونه آماری دارد. با مقایسه آمار سرشماری با مجموعه داده های جمعیت جهانی ( شکل ۷ )، تفاوت ها را می توان مشاهده کرد. در منطقه ارائه شده برای این تحقیق، بسته به منبع اطلاعات، کل جمعیت منطقه در سال ۲۰۲۰ ممکن است بیش از ۲۰٪ (۷۰۶۴ نفر) تغییر کند، همانطور که در جدول ۳ نشان داده شده است.. در این محله‌ها، افزایش جمعیت عمدتاً در آپارتمان‌های مسکونی رخ داده است که به عنوان محله‌های فقیر نشین شناخته نمی‌شوند.

جزئیات مربوط به جمعیت شناسی و مورفولوژی محله های فقیر نشین نیز برای درک آسیب پذیری آنها بسیار مرتبط است. به عنوان مثال، جوامع با تراکم جمعیت بالا و تعداد زیادی از افراد بالای ۶۰ سال در مقایسه با مناطق کم تراکم با ساکنان مسن تر آسیب پذیرتر هستند [ ۷۵ ]. در شکل ۱۰ ، تغییرات فضایی در دو سکونتگاه از نظر تغییرات تراکم ساخته شده قابل مشاهده است. افزودن اطلاعات ارتفاع به ما امکان می دهد مناطقی از آب راکد (سینک) را نشان دهیم که می تواند مخازن چندین پاتوژن و مکان های تکثیر بیماری های ناقل باشد [ ۷۶ ]]. این مکان‌ها جایی هستند که آب باران معمولاً در آن جمع می‌شود، و مناطق مستعد سیل را علامت‌گذاری می‌کند، رطوبت و عدم شوری را به فضای داخلی خانه اضافه می‌کند [ ۲۳ ]. از شکل ۹ d، می‌توان بلوک‌هایی از خانه‌ها را شناسایی کرد که کمتر از ۲ متر از هم فاصله دارند، و نزدیکی آنها یکی دیگر از اجزای ضروری برای انتقال ویروس است [ ۱۹ ]. این اطلاعات ممکن است به عوامل بهداشتی محلی کمک کند تا مناطق نظارتی اولویت‌دار را برای آزمایش و نظارت بر کووید-۱۹ در زمانی که ساکنین مبتلا به این بیماری تشخیص داده می‌شوند، تعریف کنند.

بنابراین، برای حمایت از پاسخ‌های COVID-19، داده‌های دقیق و به‌روز مکان، فیزیکی، زیست‌محیطی، اجتماعی-اقتصادی و جمعیت مورد نیاز است. با این حال، داده‌های مبتنی بر سرشماری موجود در شهرهایی که به سرعت در حال رشد هستند، معمولاً در زمان استفاده قدیمی هستند و اغلب دارای عدم قطعیت‌ها و شکاف‌های داده‌ای بسیار بالاتر در زاغه‌ها هستند. داده‌های EO معمولاً برای به‌روزرسانی داده‌های منسوخ جمعیت مبتنی بر سرشماری استفاده می‌شوند. با این حال، برآوردهای جمعیتی از بالا به پایین (به عنوان مثال، WorldPop یا LandScan) داده‌های سرشماری، مکانی و EO را ترکیب می‌کنند [ ۷۷ ، ۷۸ ]]، و در نتیجه از شکاف داده ها در محله های فقیر نشین نیز رنج می برند. رویکردهای بالا به پایین معمولاً از داده‌های سرشماری استفاده می‌کنند (به عنوان مثال، جمعیت بخش انبوه)، که با استفاده از داده‌های جانبی (مثلاً پوشش زمین) به واحدهای فضایی کوچک‌تر تفکیک می‌شوند، که منجر به نمایش‌های فضایی تفکیک شده از توزیع جمعیت سرشماری می‌شود. بنابراین، مدل‌های تخمین جمعیت از پایین به بالا اغلب برای ارائه داده‌های جمعیتی واقعی برای بافت محلی محله‌های فقیر نشین مناسب‌تر هستند. مدل‌های پایین به بالا معمولاً داده‌های مکانی (مانند خطوط کلی ساختمان و ارتفاع ساختمان‌ها، مانند استخراج‌شده از پهپادها) را با داده‌های محلی (مثلاً از سازمان‌های غیر دولتی، نظرسنجی‌ها و اطلاعات جغرافیایی داوطلبانه (VGI)) ترکیب می‌کنند تا تنوع نسبت مساحت ساخته شده به ازای هر نفر در سراسر شهر. خروجی ها برآوردهای محلی از تراکم جمعیت را تولید می کنند.

چنین مدل‌هایی از پایین به بالا به‌عنوان رویکردهای مکمل برای پر کردن شکاف‌های داده‌ای مهم در واکنش به بحران کووید در سالوادور توسط گروه‌های غیردولتی و دانشگاهی مورد استفاده قرار گرفته‌اند. یک مثال GeoCombate COVID-19 BA است که از داده‌های مسیر عابر پیاده OSM مرتبط با داده‌های مدل دیجیتال زمین سالوادور برای محاسبه زمان پیاده‌روی افراد مسن یا ناتوان به نزدیک‌ترین واحد مراقبت‌های بهداشتی عمومی استفاده کرده است. این مطالعه تقاضای فوری برای حمل و نقل جایگزین ایمن برای حمایت از بیماران مشکوک به کووید-۱۹ را نشان داده است زیرا این جمعیت وسیله نقلیه شخصی خود را ندارند و نباید از وسایل حمل و نقل عمومی استفاده کنند [ ۲۹ ]]. همین گروه همچنین کمپینی را در مدیریت وظایف نقشه خیابان باز بشردوستانه (HOT) آغاز کرده است تا اطلاعات ساختمان‌های تجاری و خدماتی غیررسمی طبقه‌بندی شده به عنوان نقاط تجمع جاذبه‌های سفر محلی را به OSM اضافه کند. تمرکز مکان‌های بازار، فروشگاه‌های رفاه، و آژانس‌های بانکی، در میان سایر موارد، باید با موقعیت مراکز بهداشتی، توزیع جمعیت، و جاده‌ها ترکیب شود که مناطق اولویت‌دار برای نصب تجهیزات بهداشت عمومی، ضدعفونی خیابان‌ها، کمپین‌های حساس‌سازی، تست COVID-19 را نشان می‌دهد. کاربرد و غیره [ ۲۹ ]. این اقدامات از راهبردها و پاسخ های بهداشتی مناسب در محله های فقیر نشین حمایت می کند.

۴٫ بحث

مهم است که به مفهوم اولیه خطرات COVID-19 برگردیم که خطرات و اثرات COVID-19 را مشخص می کند. ساکنان فاولا در برابر افزایش انتقال این بیماری آسیب پذیرترین هستند. آن‌ها به‌دلیل بی‌ثباتی قبلی که بر سلامت ساکنان و دسترسی به خدمات و منابع برای مبارزه با این بیماری منعکس می‌شود، آسیب‌پذیرتر هستند. در محله های فقیر نشین، اکثریت ساکنان نمی توانند یک رژیم اداری خانگی را انجام دهند. اکثر ساکنان نیاز به ادامه کار دارند. به عنوان مثال، بسیاری از ساکنان کارگران ضروری هستند و امرار معاش آنها به ارتباط با مردم بستگی دارد. از این رو، ساکنان موظفند به فعالیت های معیشتی خود برای تغذیه خانواده خود ادامه دهند. این، همراه با نیاز به استفاده از وسایل حمل و نقل عمومی، خطر ابتلا به این بیماری را افزایش می دهد. داده‌های مبتنی بر EO می‌توانند به آشکار شدن این شرایط کمک کنند و اطلاعاتی را در مورد زمینه فضایی و نیازهای استرس برای کمک از نهادهای عمومی و درخواست‌های حمایت بشردوستانه ارائه دهند. این بیماری از محله های فقیر نشین منشأ نمی گیرد و زاغه ها نیز این بیماری نیستند. «مبارزه با همه‌گیری به چیزی بیش از راه‌حل‌های فنی مبتنی بر داده‌ها نیاز دارد. ایجاد یک تعهد سیاسی که کل جامعه را برای حفاظت از جمعیت پیرامونی در طول و پس از همه گیری درگیر کند، ضروری است.»۷۹ ].

یافته‌های حاصل از بررسی شکاف‌های داده‌ها و منابع داده مبتنی بر EO در دسترس برای مطالعه موردی در شکل ۱۱ خلاصه شده است.. به طور کلی، در سالوادور و سایر شهرداری های برزیل، آخرین سرشماری ۱۰ سال پیش انجام شد و روش غیرهمگن رشد شهر اولین مانع برای توسعه اقدامات مؤثر و صریح فضایی است. مانع دوم عدم منطقه بندی است، جایی که مشخص می شود مناطقی وجود دارد که توسط ساکنان اشغال شده است که در شرایط مختلف ناامنی زندگی می کنند. ثالثاً، مهم است که مناطقی را که در آن مسکن وجود ندارد، از محدوده سرشماری حذف کنیم. این امکان ارزیابی بهتر تراکم ها را فراهم می کند. چهارم، عدم آگاهی از مکان فعالیت‌های کوچک یا غیررسمی نیز مانعی برای شناسایی مکان‌هایی است که احتمالاً در معرض ویروس قرار دارند. این مکان ها نیاز به ساماندهی، ضدعفونی خیابان ها، تجهیزات بهداشتی، آزمایش انبوه، و سایر اقدامات حفاظتی تا حد امکان باید از بستن چنین مکان هایی خودداری شود، زیرا این امر با اقتصاد محلی و توانبخشی مالی جامعه مقابله می کند. برای مثال، همانطور که در بسیاری از شهرهای آفریقا مشاهده شد، بحران گرسنگی ناشی از اندازه‌گیری‌های قرنطینه COVID-19 بسیار جدی است.۸۰ ]. با توجه به ویژگی توپوگرافی ناهموار شهر، اطلاعات استخراج شده از مدل زمین دیجیتال برای دسترسی عابران پیاده به امکانات بهداشتی و برای شناسایی دره هایی که ساکنان آن بیشتر در معرض شرایط ناسالم هستند، مرتبط است. یک آژانس مقررات عمومی، برنامه‌های مراقبت‌های بهداشتی اولیه شهرداری، و سازمان‌های مبتنی بر جامعه علاقه زیادی به استفاده از شاخص‌های آسیب‌پذیری نشان داده‌اند، از جمله اطلاعات دیگری که با پشتیبانی از داده‌های EO تولید شده‌اند. داده‌های EO به ما امکان می‌دهد مکان‌های اولویت‌دار را برای کمپین‌های سلامت چندبخشی تعریف کنیم، و بررسی‌های پیشگیرانه را در مورد خدمات ضروری، مانند تامین آب، جمع‌آوری زباله، و مبارزه با بیماری‌های منتقله از طریق ناقلین انجام دهیم، که به آسیب‌پذیری در محله‌های فقیر نشین می‌افزاید.

در اصل، داده‌های مبتنی بر EO، همراه با اطلاعات مکانی کمکی، شکاف‌های داده را با تکمیل بعد فضایی و کمک به شناسایی کانون‌های فضایی برای اندازه‌گیری‌های کنترل COVID-19 پر می‌کنند. بنابراین، این امکان را فراهم می‌کند که بدانیم گروه‌ها و افراد آسیب‌پذیر کجا هستند، چه کسانی هستند و چگونه افراد در معرض قرار می‌گیرند. به طور خاص، رویکرد مبتنی بر EO با ارائه اطلاعات مکانی-زمانی که جنبه‌های مختلف آسیب‌پذیری را رمزگذاری می‌کند، از پاسخ به «چگونگی مواجهه افراد» پشتیبانی می‌کند. به عنوان مثال، اطلاعات ثابت را می توان در مورد مکان گروه ها و افراد، تراکم واحدهای مسکونی و جمعیت، بافت محیطی خانوارها و جوامع، و همچنین اطلاعات پویا از جابجایی های بالقوه، همراه با شبکه های جاده ای، دسترسی به تسهیلات و جابجایی و توسعه خانوارها مهمتر از همه، اطلاعات مبتنی بر EO را می توان با دسترسی به موقع تضمین کرد و برای مدیریت پس از همه گیری یا آمادگی خطر در آینده استفاده کرد. به طور خلاصه، مورد مطالعه نشان داده و/یا مورد بحث قرار گرفته است که رویکردهای مبتنی بر EO می‌توانند پشتیبانی کنند:

(۱): اکتساب سریع داده مبتنی بر مشکل؛
(۲): دسترسی سریع و به موقع به اطلاعات رمزگذاری پویایی مکانی و زمانی قرار گرفتن در معرض بیماری در یک خانواده یا منطقه؛
(۳): ارزیابی سطح آسیب پذیری یک منطقه یا خانوار از نظر اطلاعات مربوط به تراکم، دسترسی به تسهیلات، و زمینه محیطی؛
(۴): اندازه گیری جنبه های مختلف آسیب پذیری؛
(۵): برآورد و پیش بینی جمعیت در معرض خطر.

نقاط قوت نشان داده شده در اینجا همچنین به سوالات مطرح شده در بخش ۲٫۲ پاسخ می دهد. علاوه بر این، محصولات مبتنی بر EO می توانند به طور منطقی در سطوح مختلف، به عنوان مثال، از سطح خانوار تا سطح جامعه جمع شوند، و بنابراین برای نقشه برداری در سطح منطقه نیز مناسب هستند، و بنابراین، برای حمایت از مداخلات مبتنی بر منطقه بسیار مرتبط هستند. باید به مشکلات کلیدی مرتبط با شرایط بهداشتی، محیطی و اجتماعی-اقتصادی رسیدگی کند [ ۸۱]. چنین نقشه‌برداری مبتنی بر منطقه تکمیل کننده اطلاعات سطح خانوار در مورد محرومیت (فقر) است، به عنوان مثال، به دست آمده توسط بررسی‌ها. برای هدف قرار دادن مؤثر جمعیت‌های آسیب‌پذیر در زمینه COVID-19، باید هم آسیب‌پذیری‌های «خانوارهای زاغه‌نشین» و هم خطرات سطح منطقه را که ساکنان هنگام زندگی در محله‌های فقیر نشین با آن مواجه هستند، درک کنیم. بنابراین، نقشه‌ها و تصاویر با دسترسی آزاد، به‌روز و دقیق از محله‌های فقیر نشین در LMICها برای اطمینان از پاسخ‌های مرتبط COVID-19 ضروری است. با این حال، اکثر شهرهای LMIC هنوز سیستم‌های داده‌های مکانی عملیاتی ندارند که بتواند پاسخ‌ها را پشتیبانی کند. برای مکان یابی مناطق زاغه نشین و حمایت از پاسخ های COVID-19 توسط مقامات محلی، سازمان های جامعه مدنی و آژانس های امدادی، داده های مکانی فوری مورد نیاز است. پس از پایان اندازه گیری های قرنطینه، زمانی که اقتصادها دوباره باز می شوند، نقشه‌های محله‌های فقیرنشین برای توسعه استراتژی‌های بازیابی (به عنوان مثال، بهبود اقتصادی) و مدیریت شیوع موج S COVID-19 با مداخلات مرتبط با زمینه و در عین حال تضمین دسترسی محلی به مراقبت‌های بهداشتی، غذا و نیازهای اولیه بسیار ارزشمند خواهد بود. برای ایجاد نقشه‌هایی که از پاسخ‌ها و بازیابی COVID-19 پشتیبانی می‌کنند، جامعه جهانی EO می‌تواند از دولت‌های محلی در توسعه پایگاه‌های اطلاعاتی فضایی که برای همه گروه‌های ذینفع قابل دسترسی است، اما به حفظ حریم خصوصی و اخلاق داده‌ها نیز احترام بگذارد، حمایت کند. مهم است که چنین پایگاه‌های اطلاعاتی فضایی شامل نقشه‌های پایه و همچنین اطلاعات جمعیتی و اجتماعی-اقتصادی باشد. استفاده از پلتفرم‌های VGI و مشارکت‌های اجتماعی، مانند نقشه خیابان باز، می‌تواند کمک بزرگی برای تبدیل داده‌های EO به داده‌های آماده استفاده طبقه‌بندی شده بردار، به ویژه در مکان‌هایی مانند شهرها و محله‌های فقیر نشین LMIC، با سرمایه‌گذاری اندک در نقشه‌برداری باشد. [ بهبود اقتصادی) و مدیریت شیوع موج S COVID-19 با مداخلات مرتبط با زمینه و در عین حال اطمینان از دسترسی محلی به مراقبت های بهداشتی، غذا و نیازهای اولیه. برای ایجاد نقشه‌هایی که از پاسخ‌ها و بازیابی COVID-19 پشتیبانی می‌کنند، جامعه جهانی EO می‌تواند از دولت‌های محلی در توسعه پایگاه‌های اطلاعاتی فضایی که برای همه گروه‌های ذینفع قابل دسترسی است، اما به حفظ حریم خصوصی و اخلاق داده‌ها نیز احترام بگذارد، حمایت کند. مهم است که چنین پایگاه‌های اطلاعاتی فضایی شامل نقشه‌های پایه و همچنین اطلاعات جمعیتی و اجتماعی-اقتصادی باشد. استفاده از پلتفرم‌های VGI و مشارکت‌های اجتماعی، مانند نقشه خیابان باز، می‌تواند کمک بزرگی برای تبدیل داده‌های EO به داده‌های آماده استفاده طبقه‌بندی شده بردار، به ویژه در مکان‌هایی مانند شهرها و محله‌های فقیر نشین LMIC، با سرمایه‌گذاری اندک در نقشه‌برداری باشد. [ بهبود اقتصادی) و مدیریت شیوع موج S COVID-19 با مداخلات مرتبط با زمینه و در عین حال اطمینان از دسترسی محلی به مراقبت های بهداشتی، غذا و نیازهای اولیه. برای ایجاد نقشه‌هایی که از پاسخ‌ها و بازیابی COVID-19 پشتیبانی می‌کنند، جامعه جهانی EO می‌تواند از دولت‌های محلی در توسعه پایگاه‌های اطلاعاتی فضایی که برای همه گروه‌های ذینفع قابل دسترسی است، اما به حفظ حریم خصوصی و اخلاق داده‌ها نیز احترام بگذارد، حمایت کند. مهم است که چنین پایگاه‌های اطلاعاتی فضایی شامل نقشه‌های پایه و همچنین اطلاعات جمعیتی و اجتماعی-اقتصادی باشد. استفاده از پلتفرم‌های VGI و مشارکت‌های اجتماعی، مانند نقشه خیابان باز، می‌تواند کمک بزرگی برای تبدیل داده‌های EO به داده‌های آماده استفاده طبقه‌بندی شده بردار، به ویژه در مکان‌هایی مانند شهرها و محله‌های فقیر نشین LMIC، با سرمایه‌گذاری اندک در نقشه‌برداری باشد. [ برای ایجاد نقشه‌هایی که از پاسخ‌ها و بازیابی COVID-19 پشتیبانی می‌کنند، جامعه جهانی EO می‌تواند از دولت‌های محلی در توسعه پایگاه‌های اطلاعاتی فضایی که برای همه گروه‌های ذینفع قابل دسترسی است، اما به حفظ حریم خصوصی و اخلاق داده‌ها نیز احترام بگذارد، حمایت کند. مهم است که چنین پایگاه‌های اطلاعاتی فضایی شامل نقشه‌های پایه و همچنین اطلاعات جمعیتی و اجتماعی-اقتصادی باشد. استفاده از پلتفرم‌های VGI و مشارکت‌های اجتماعی، مانند نقشه خیابان باز، می‌تواند کمک بزرگی برای تبدیل داده‌های EO به داده‌های آماده استفاده طبقه‌بندی شده بردار، به ویژه در مکان‌هایی مانند شهرها و محله‌های فقیر نشین LMIC، با سرمایه‌گذاری اندک در نقشه‌برداری باشد. [ برای ایجاد نقشه‌هایی که از پاسخ‌ها و بازیابی COVID-19 پشتیبانی می‌کنند، جامعه جهانی EO می‌تواند از دولت‌های محلی در توسعه پایگاه‌های اطلاعاتی فضایی که برای همه گروه‌های ذینفع قابل دسترسی است، اما به حفظ حریم خصوصی و اخلاق داده‌ها نیز احترام بگذارد، حمایت کند. مهم است که چنین پایگاه‌های اطلاعاتی فضایی شامل نقشه‌های پایه و همچنین اطلاعات جمعیتی و اجتماعی-اقتصادی باشد. استفاده از پلتفرم‌های VGI و مشارکت‌های اجتماعی، مانند نقشه خیابان باز، می‌تواند کمک بزرگی برای تبدیل داده‌های EO به داده‌های آماده استفاده طبقه‌بندی شده بردار، به ویژه در مکان‌هایی مانند شهرها و محله‌های فقیر نشین LMIC، با سرمایه‌گذاری اندک در نقشه‌برداری باشد. [ مهم است که چنین پایگاه‌های اطلاعاتی فضایی شامل نقشه‌های پایه و همچنین اطلاعات جمعیتی و اجتماعی-اقتصادی باشد. استفاده از پلتفرم‌های VGI و مشارکت‌های اجتماعی، مانند نقشه خیابان باز، می‌تواند کمک بزرگی برای تبدیل داده‌های EO به داده‌های آماده استفاده طبقه‌بندی شده بردار، به ویژه در مکان‌هایی مانند شهرها و محله‌های فقیر نشین LMIC، با سرمایه‌گذاری اندک در نقشه‌برداری باشد. [ مهم است که چنین پایگاه‌های اطلاعاتی فضایی شامل نقشه‌های پایه و همچنین اطلاعات جمعیتی و اجتماعی-اقتصادی باشد. استفاده از پلتفرم‌های VGI و مشارکت‌های اجتماعی، مانند نقشه خیابان باز، می‌تواند کمک بزرگی برای تبدیل داده‌های EO به داده‌های آماده استفاده طبقه‌بندی شده بردار، به ویژه در مکان‌هایی مانند شهرها و محله‌های فقیر نشین LMIC، با سرمایه‌گذاری اندک در نقشه‌برداری باشد. [۵۵ ، ۸۲ ، ۸۳ ]. پتانسیل زیادی برای مشارکت در موقعیت‌های بحرانی دارد و به‌عنوان یک پیامد خارجی، ممکن است به افزایش آگاهی از خطر، توانمندسازی شهروندان و تاب‌آوری جامعه کمک کند [ ۵۴ ، ۸۴ ، ۸۵ ]]. داده‌های کافی و به‌روز از پاسخ‌های کووید-۱۹ بسیار متناسب‌تر در مقایسه با پاسخ‌های فعلی پشتیبانی می‌کند. در حال حاضر، از محله‌های فقیر نشین درخواست می‌شود دستورالعمل‌های بهداشتی کلی را که در اروپا یا آمریکای شمالی ایجاد شده‌اند، بدون درک روشنی از چگونگی سازگاری با شرایط محلی و همچنین بین انواع مختلف زاغه‌ها (مثلاً با در نظر گرفتن تفاوت در مرحله توسعه، محیطی، شرایط فیزیکی و اجتماعی-اقتصادی). در این رابطه، توجه بسیار کمی به ترکیب داده‌های مبتنی بر جامعه با محصولات داده موجود برای تطبیق توصیه‌ها با جوامع، یا حتی، به‌طور مناسب‌تر، برای توسعه اندازه‌گیری‌ها با جوامع داده شده است. از این رو،

۵٫ نتیجه گیری ها

با نشان دادن مورد سالوادور، برزیل، شهری با تعداد زیادی از جوامع زاغه‌نشین، نشان دادیم که شکاف‌های داده‌ای گسترده در مکان و ویژگی‌های فیزیکی، محیطی، اجتماعی-اقتصادی و جمعیتی زاغه‌ها وجود دارد. این مانع از پاسخ‌های مؤثری می‌شود که متناسب با نیازها و واقعیت‌های جوامع باشد. بنابراین، پتانسیل داده‌های EO را بررسی کردیم که می‌تواند داده‌های پایه فوری مورد نیاز را فراهم کند. با این حال، مجموعه داده های فضایی جهانی موجود به اندازه کافی مجهز نیستند تا برای پاسخ های محلی کاملاً عملیاتی باشند. مخزن داده های باز بسیار غنی محلی که برای بسیاری از شهرهای برزیل موجود است، پتانسیل بسیار زیادی برای پاسخ به سؤالات کلیدی دارد. چنین سوالاتی مربوط به خطرات فیزیکی (مثلاً محل تراکم بالا)، دسترسی به خدمات، خطرات زیست محیطی، و فضاهای باز و امکان به روز رسانی داده های سرشماری بسیار قدیمی را فراهم می کند. در حالت مطلوب، این داده‌های مبتنی بر EO باید با داده‌های مبتنی بر جامعه ترکیب شوند، که می‌تواند از روش‌های VGI (به عنوان مثال، داده‌های جمع‌آوری‌شده از طریق تلفن‌های همراه) برای جلوگیری از خطرات در طول جمع‌آوری داده‌ها استفاده کند. چنین داده‌های غنی، به‌روز و با جزئیات مکانی اولین گام به سوی پاسخ‌های مبتنی بر جامعه کووید-۱۹ خواهد بود.

منابع

سخنان افتتاحیه Ghebreyesus، مدیر کل TA WHO در کنفرانس رسانه ای در مورد COVID-19-11 مارس ۲۰۲۰٫ در دسترس آنلاین: https://www.who.int/dg/speeches/detail/who-director-general-s-opening -Remarks-at-the-media-briefing-on-covid-19—11-مارس-۲۰۲۰ (در ۲۰ ژوئیه ۲۰۲۰ قابل دسترسی است).
هولدن، ام. میزان مرگ و میر COVID-19 در مناطق محروم در انگلستان دو برابر مکان‌های بهتر: ONS. در دسترس آنلاین: https://www.usnews.com/news/world/articles/2020-05-01/covid-19-death-rate-in-deprived-areas-in-england-double-that-of-better -off-places-ons (در ۱۳ ژوئیه ۲۰۲۰ قابل دسترسی است).
Iacobucci, G. COVID-19: مناطق محروم بالاترین نرخ مرگ و میر را در انگلستان و ولز دارند. BMJ ۲۰۲۰ , ۳۶۹ , m1810. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کوربرن، جی. ولاهوف، دی. امبرو، بی. رایلی، ال. Caiaffa، WT; رشید، اس.ف. کو، هوش مصنوعی؛ پاتل، اس. جوکور، س. مارتینز-هررا، ای. و همکاران بهداشت زاغه: دستگیری COVID-19 و بهبود رفاه در سکونتگاه های غیررسمی شهری. J. Urban Health ۲۰۲۰ ، ۹۷ ، ۳۴۸-۳۵۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Codeço، CT; ویللا، دی. کوئیلو، اف. باستوس، LS; کاروالیو، ال.ام. گومز، MFC؛ کروز، OG; Lana, RM Risco de Espalhamento da COVID-19 در جمعیت بومی: موارد اولیه آسیب پذیری جدی جغرافیایی و اجتماعی اجتماعی را در نظر بگیرید. در دسترس آنلاین: https://agencia.fiocruz.br/sites/agencia.fiocruz.br/files/u91/relatorios_tecnicos_-_covid-19_procc-emap-ensp-covid-19-report4_20200419-indigenas.pdf (دسترسی در اوت۲۰۲۰۶ ).
فرانته، ال. Fearnside، PM از مردم بومی در برابر COVID-19 محافظت کنید. Science ۲۰۲۰ , ۳۶۸ , ۲۵۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
تری، اچ. چگونه کووید-۱۹ می‌تواند جوامع بومی را نابود کند-بی‌بی‌سی آینده. در دسترس آنلاین: https://www.bbc.com/future/article/20200727-how-covid-19-could-destroy-indigenous-communities (در ۲۶ اوت ۲۰۲۰ قابل دسترسی است).
اداره امور اقتصادی و اجتماعی مردم بومی و همه گیری COVID-19: ملاحظات. در دسترس آنلاین: https://www.un.org/development/desa/indigenouspeoples/wp-content/uploads/sites/19/2020/04/COVID19_IP_considerations.pdf (در ۲۶ اوت ۲۰۲۰ قابل دسترسی است).
لاینهارت، دبلیو. دوتاری، ال سی; روویرا، جی آر. Sucupira، IMC; Povoa، MM; کان، جی. Loaiza، JR همه گیر و نقاط داغ غیر اپیدمی انتقال مالاریا در Comarcas بومی پاناما رخ می دهد. PLoS Negl. تروپ دیس ۲۰۱۶ , ۱۰ , e0004718. [ Google Scholar ] [ CrossRef ]
بخش جمعیت وزارت امور اقتصادی و اجتماعی سازمان ملل متحد. چشم انداز شهرنشینی جهان بازبینی ۲۰۱۸ ؛ سازمان ملل متحد: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۹؛ جلد ST/ESA/SER.A/420.
سالنامه UN-Habitat Slums 2015-16. ردیابی بهبود در زندگی ساکنان زاغه . UN-Habitat: ریودوژانیرو، برزیل، ۲۰۱۶٫ [ Google Scholar ]
Gevaert، CM; کهلی، د. کوفر، M. زاغه ها، مناطق غیررسمی، یا شهرهای نامرئی؟ Mapping the “Missing Spaces”—JURSE 2019. موجود به صورت آنلاین: http://jurse2019.org/special-session-slums-informal-areas-or-invisible-cities-mapping-the-missing-spaces/ (در ۱۳ ژوئیه قابل دسترسی است. ۲۰۲۰).
موکنیک، اف. راپوسو، پی. فرینگا، دبلیو. کراک، ام.-جی. Köbben، B. اپیدمی ها و همه گیری ها در نقشه ها – مورد COVID-19. J. Maps ۲۰۲۰ , ۱۶ , ۱۴۴–۱۵۲٫ [ Google Scholar ] [ CrossRef ]
Wilkinson, A. پاسخ محلی در شرایط اضطراری بهداشتی: ملاحظات کلیدی برای رسیدگی به همه‌گیری COVID-19 در سکونتگاه‌های غیررسمی شهری. محیط زیست شهری. ۲۰۲۰ ، ۰۹۵۶۲۴۷۸۲۰۹۲۲۸۴۳٫ [ Google Scholar ] [ CrossRef ]
Coltart، CEM; لیندزی، بی بی. غینایی، آی. جانسون، AM; هیمن، دی.ال. شیوع ابولا، ۲۰۱۳-۲۰۱۶: درس های قدیمی برای همه گیری های جدید. فیلوس ترانس. R. Soc. B Biol. علمی ۲۰۱۷ , ۳۷۲ , ۲۰۱۶۰۲۹۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
فیلد، CB; Barros، VR Climate Change 2014: Impacts, Adaption, and Vulnerability—IPCC WGII AR5 خلاصه ای برای سیاست گذاران. در دسترس آنلاین: https://www.researchgate.net/publication/272150376_Climate_change_2014_impacts_adaptation_and_vulnerability_-_IPCC_WGII_AR5_summary_for_policymakers (در ۱۳ ژوئیه ۲۰۲۰ قابل دسترسی است).
اشنایدرباوئر، اس. Ehrlich، D. خطر، خطر و آسیب پذیری مردم در برابر خطرات طبیعی. یک کشیش تعریف کنید. داده های مفاهیم یورو Comm. Jt. Res. مرکز. EUR ۲۰۰۴ ، ۲۱۴۱۰ ، ۴۰٫ [ Google Scholar ]
توصیه WHO بیماری کرونا (COVID-19) برای عموم. در دسترس آنلاین: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/advice-for-public (در ۵ مه ۲۰۲۰ قابل دسترسی است).
چئونگ، ال. داسیلوا، ای. گیبسون، ال. راش، دی. کروناویروس جدید در سکونتگاه‌های غیررسمی کیپ‌تاون: امکان‌پذیری استفاده از طرح‌های سکونتگاه غیررسمی برای شناسایی مناطق پرخطر برای انتقال COVID-19 از منظر فاصله‌گذاری اجتماعی. نظارت بر سلامت عمومی JMIR. ۲۰۲۰ ، ۶ ، e18844. [ Google Scholar ] [ CrossRef ]
مارینو، آ. کلینتویتز، دی. بریتو، جی. رولنیک، آر. سانتورو، PMP Circulação Para Trabalho Explica Concentração de Casos de Covid-19-LabCidade. در دسترس آنلاین: http://www.labcidade.fau.usp.br/circulacao-para-trabalho-inclusive-servicos-essenciais-explica-concentracao-de-casos-de-covid-19/ (در تاریخ ۱۳ ژوئیه ۲۰۲۰ قابل دسترسی است) .
باربر، اس. روکس، AVD؛ کاردوسو، ال. سانتوس، اس. توست، وی. جیمز، اس. بارتو، اس ام. اشمیت، ام. جیاتی، ال. Chor, D. در تقاطع مکان، نژاد و سلامت در برزیل: جداسازی مسکونی و عوامل خطر قلبی-متابولیک در مطالعه طولی برزیل سلامت بزرگسالان (ELSA-Brasil). Soc. علمی پزشکی ۲۰۱۸ ، ۱۹۹ ، ۶۷-۷۶٫ [ Google Scholar ] [ CrossRef ]
اونگر، ا. رایلی، LW Slum Health: از درک تا اقدام. PLoS Med. ۲۰۰۷ ، ۴ ، e295. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
هود، ای. نابرابری های مسکن: چگونه مسکن فقیر منجر به سلامت ضعیف می شود. محیط زیست چشم انداز سلامتی ۲۰۰۵ ، ۱۱۳ ، ۱۱۳٫ [ Google Scholar ] [ CrossRef ]
بریتو، PL; آرناس، اچ. لام، NSN; Quintanilha، JA شناسایی الگوهای شهری مرتبط با خطرات آلودگی لپتوسپیروز با استفاده از طبقه‌بندی مبتنی بر شیء عکاسی هوایی. مناطق آزمایشی: سکونتگاه های غیررسمی حومه راه آهن سالوادور، برزیل. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE (IGARSS 2008)، بوستون، MA، ایالات متحده آمریکا، ۷ تا ۱۱ ژوئیه ۲۰۰۸٫ [ Google Scholar ]
پاسترناک، S. Habitação e saúde. استود. آوانچادوس ۲۰۱۶ ، ۳۰ ، ۵۱–۶۶٫ [ Google Scholar ] [ CrossRef ]
سیسیلیا، بی. گونزالس، اس. مقاومت، EDE; ام، م. کام، ا. Mellitus, D. Condições ambientais como fator de risco para doenças em comunidade carente na zona sul de sao Paulo. کشیش آتن. Primária Saúde ۲۰۰۵ ، ۱۳ ، ۲۰-۲۸٫ [ Google Scholar ]
Catapreta، CAA؛ Heller، L. Associação entre coleta de resíduos sólidos domiciliares e saúde، Belo Horizonte (MG)، برزیل. کشیش پانام. Salud Pública ۱۹۹۹ ، ۵ ، ۸۸-۹۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Boadi، KO; Kuitunen، M. اثرات زیست‌محیطی و بهداشتی شیوه‌های مدیریت و دفع زباله‌های جامد خانگی در شهرهای جهان سوم: مورد منطقه شهری آکرا، غنا. جی. محیط زیست. سلامت ۲۰۰۵ ، ۶۸ ، ۳۲-۳۶٫ [ Google Scholar ]
بریتو، PL; ویانا، ام اس; دلگادو، JPM؛ برنداو، AC؛ پدراسولی، جی سی. پدریرا جونیور، JU; Souza, FA Nota Técnica 04—Alertas e Propostas de Ações para Península de Itapagipe Baseadas em Análises Geoespaciais de Suporte ao Combate à COVID-19 ; GeoCombate: سالوادور، برزیل، ۲۰۲۰٫ [ Google Scholar ]
پدریرا، JJU؛ دلگادو، JPM؛ پدراسولی، جی سی. سوزا، FA; بریتو، PL; ویانا، ام اس; گالیندو، ای. براتا، ا. کاسیانو، آ. فریتاس، JCA; و همکاران Nota Técnica 1 — Risco dos Bairros de Salvador ao Espalhamento do COVID-19 Decorrente da Circulação de Pessoas e Condições Socioeconômicas ; GeoCombate: سالوادور، برزیل، ۲۰۲۰٫ [ Google Scholar ]
کوفر، م. تامسون، DR; بو، جی. مهابیر، ر. گریپا، تی. وان هویس، اس. انگستروم، آر. ندوگوا، آر. ماکائو، جی. دارین، ای. و همکاران نقش رصد زمین در “سیستم” نقشه برداری یکپارچه مناطق محروم برای کشورهای کم درآمد تا متوسط. Remote Sens. ۲۰۲۰ , ۱۲ , ۹۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوفر، م. پففر، ک. Sliuzas, R. Slums from Space-15 سال نقشه برداری زاغه با استفاده از سنجش از دور. Remote Sens. ۲۰۱۶ , ۸ , ۴۵۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فرصت داده های باز دیجیتال گلوب. در دسترس آنلاین: https://www.digitalglobe.com/ecosystem/open-data/covid19 (در ۲۶ اوت ۲۰۲۰ قابل دسترسی است).
پکهام، آر. Sinha، R. Satellites and the New War on Infection: Tracking Ebola in Western Africa. Geoforum ۲۰۱۷ ، ۸۰ ، ۲۴-۳۸٫ [ Google Scholar ] [ CrossRef ]
شوتمن، م. نلسون، ای جی. ورنر، KB; شاچام، ای. الیوت، مگابایت؛ Ratnapradipa، KL; لیان، م. McVay، A. فناوری های نوظهور برای اندازه گیری شرایط همسایگی در سلامت عمومی: پیامدهای مداخلات و مراحل بعدی. بین المللی J. Health Geogr. ۲۰۱۶ ، ۱۵ ، ۲۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Grenzdörffer، GJ; Niemeyer, F. Uav بر اساس brdf اندازه گیری سطوح کشاورزی با pfiffikus. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۲ ، ۲۲۹-۲۳۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کووا، م. مونزا، م. Gevaert، CM; گرکه، ام. Nex, F. استفاده از پهپاد برای ایجاد و به روز رسانی نقشه. مطالعه موردی در رواندا Surv. Rev. ۲۰۱۶ , ۵۰ , ۳۱۲-۳۲۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کووا، م. استوکر، سی. کروملینک، اس. هو، اس. چیپوفیا، م. جان، اس. بنت، آر. زونبرگن، جی. ووسلمن، جی. لمن، سی. و همکاران روش‌های نوآورانه سنجش از دور برای نقشه‌برداری زمین‌های کنیا. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۷۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چیابراندو، اف. نکس، اف. پیاتی، دی. سیستم‌های Rinaudo، F. UAV و RPV برای بررسی‌های فتوگرامتری در مناطق باستان‌شناسی: دو آزمایش در منطقه Piedmont (ایتالیا). J. Archaeol. علمی ۲۰۱۱ ، ۳۸ ، ۶۹۷-۷۱۰٫ [ Google Scholar ] [ CrossRef ]
رینادو، اف. چیابراندو، اف. لینگوا، ا. Spanò، A. نظارت بر سایت باستان شناسی: فتوگرامتری Uav می تواند یک پاسخ باشد. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۲ ، ۳۹ ، ۵۸۳-۵۸۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آکپان، ان. پهپادها عکس‌هایی می‌گیرند که می‌توانند موج مالاریا را ابهام کنند: بزها و سودا: NPR. در دسترس آنلاین: https://www.npr.org/sections/goatsandsoda/2014/10/22/357637900/drones-are-taking-pictures-that-could-demystify-a-malaria-surge (در ۱۴ ژوئیه ۲۰۲۰ قابل دسترسی است ).
مالاور، ا. موتا، ن. کورک، پی. گونزالس، اف. توسعه و ادغام یک وسیله نقلیه هوایی بدون سرنشین با انرژی خورشیدی و یک شبکه حسگر بی سیم برای نظارت بر گازهای گلخانه ای. سنسورها ۲۰۱۵ ، ۱۵ ، ۴۰۷۲-۴۰۹۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Eninger، RM; جانسون، RL سیستم‌های هوایی بدون سرنشین در بهداشت شغلی – یادگیری از رشته‌های متفقین. ان اشغال کنید. هیگ ۲۰۱۵ ، ۵۹ ، ۹۴۹-۹۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دوهرتی، پی. Rudol, P. یک سناریوی جستجو و نجات پهپاد با تشخیص بدن انسان و مکان‌یابی زمین . Springer Science and Business Media LLC: برلین/هایدلبرگ، آلمان، ۲۰۰۷; جلد ۴۸۳۰، ص ۱-۱۳٫ [ Google Scholar ]
Gevaert، CM نقشه برداری وسایل نقلیه هوایی بدون سرنشین برای ارتقای سکونتگاه . کتابخانه دانشگاه/دانشگاه توئنته: Enschede، هلند، ۲۰۱۸٫ [ Google Scholar ]
استوکر، سی. بنت، آر. نکس، اف. گرکه، ام. Zevenbergen، J. بررسی وضعیت فعلی مقررات پهپاد. Remote Sens. ۲۰۱۷ , ۹ , ۴۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
LiDAR در واکنش به بلایا کاربرد دارد. در دسترس آنلاین: https://www.harrisgeospatial.com/Support/Self-Help-Tools/Help-Articles/Help-Articles-Detail/ArtMID/10220/ArticleID/16108/LiDAR-Uses-in-Disaster-Response (دسترسی در ۱۴ جولای ۲۰۲۰).
الدن، اس. حجم را ایمن کنید: ژئوپلیتیک عمودی و عمق قدرت. Politi Geogr. ۲۰۱۳ ، ۳۴ ، ۳۵-۵۱٫ [ Google Scholar ] [ CrossRef ]
ریولی، نیوجرسی؛ Pilkington، PD استفاده از توییتر برای نظارت بر نگرش نسبت به افسردگی و اسکیزوفرنی: یک مطالعه اکتشافی. PeerJ ۲۰۱۴ , ۲ , e647. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تره فرنگی.؛ آگراوال، ا. Choudhary، A. نظارت بر بیماری در زمان واقعی با استفاده از داده های توییتر. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGKDD؛ انجمن ماشین‌های محاسباتی (ACM)، شیکاگو، IL، ایالات متحده آمریکا، ۱۱ تا ۱۴ اوت ۲۰۱۳٫ ص ۱۴۷۴-۱۴۷۷٫ [ Google Scholar ]
کوئرسیا، دی. شیفانلا، آر. Aiello، LM; McLean، K. Smelly Maps: The Digital Life of Urban Smellscapes. arXiv ۲۰۱۵ ، arXiv:1505.06851. [ Google Scholar ]
Zastrow، M. نقشه‌برداران بحران به شهروندان دانشمند مراجعه می‌کنند. Nature ۲۰۱۴ , ۵۱۵ , ۳۲۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Wukich، C. استفاده از رسانه های اجتماعی در مدیریت اضطراری. J. Emerg. مدیریت ۲۰۱۵ ، ۱۳ ، ۲۸۱-۲۹۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Boulos، MNK; رسچ، بی. کراولی، دی.ان. برسلین، جی جی. سون، جی. برتنر، آر. پایک، WA; جزیرسکی، ای. Chuang، K.-YS Crowdsourcing، فناوری‌های وب حسگر و حسگر شهروندان برای نظارت بر سلامت عمومی و محیط زیست و مدیریت بحران: روندها، استانداردهای OGC و نمونه‌های کاربردی. بین المللی J. Health Geogr. ۲۰۱۱ ، ۱۰ ، ۶۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
نقشه های گم شده قرار دادن افراد آسیب پذیر جهان روی نقشه. در دسترس آنلاین: https://www.missingmaps.org/ (در ۲۶ اوت ۲۰۲۰ قابل دسترسی است).
Magalhaes، T. Chalegre، KDM; براگا، ام سی؛ فوی، بی. چالش های بی پایان بیماری های آربوویروسی در برزیل. تروپ پزشکی آلوده کردن دیس ۲۰۲۰ ، ۵ ، ۷۵٫ [ Google Scholar ] [ CrossRef ]
IBGE. Aglomerados Subnormais ; IBGE: برازیلیا، برزیل، ۲۰۱۰٫
سیلوا، جی. باربوسا، جی. بیتتی، م. فرناندز، F. O Que é a Favela، Afinal؟ Observatório de Favelas: ریودوژانیرو، برزیل، ۲۰۰۹; ISBN 9788598881072. [ Google Scholar ]
شبکه IdeaMaps در پاسخ به COVID-19 در LMIC Cities: Citizens—Documentos Google. در دسترس آنلاین: https://docs.google.com/document/d/19fsQAJZp7DpZT4f5qfcYnNylYMDP_EtmC4hoO7jtJro/edit (در ۱۴ ژوئیه ۲۰۲۰ قابل دسترسی است).
JEI Corona Diaries of the Urban Poor. در دسترس آنلاین: https://www.justempower.org/coronadiaries (در ۲۰ ژوئیه ۲۰۲۰ قابل دسترسی است).
سازمان بهداشت جهانی. رهنمودهای مسکن و بهداشت WHO ; WHO: ژنو، سوئیس، ۲۰۱۸٫ [ Google Scholar ]
حمیدی، س. صبوری، س. یوینگ، آر. آیا تراکم همه‌گیری COVID-19 را تشدید می‌کند؟ مربا. طرح. دانشیار ۲۰۲۰ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
IBGE. Estimativas de população para os municípios e para as Unidades da Federação brasileiros, com data de referência em 1° de julho de 2019. Diário União 28 Agosto 2019. در دسترس آنلاین: https ://agenciadenoticias.govnoticias/ibgeen. -press-room/2185-news-agency/releases-en/25283-ibge-divulga-as-estimativas-da-populacao-dos-municipios-para-2020 (دسترسی در ۲۰ ژوئیه ۲۰۲۰).
IBGE. Produto Interno Bruto dos Municípios 2017 ; IBGE: برازیلیا، برزیل، ۲۰۱۷؛ پ. ۱۶٫
IBGE. آگلومراهای غیرعادی-درباره انتشار-۲۰۱۰-اطلاعات سرزمینی. در دسترس آنلاین: https://www.ibge.gov.br/en/geosciences/full-list-geosciences/17553-subnormal-agglomerates.html?edicao=17588&t=sobre (در ۱۶ ژوئیه ۲۰۲۰ قابل دسترسی است).
گومز، جی. پدراسولی، J. Levantamento de Características de Moradias Em Favelas com o Uso de Drone: Um Experimento na Comunidade do Alto das Pombas, Salvador/Ba. در مجموعه مقالات سومین سمینار ملی sobre Urbanização de Favelas—UrbFavelas، سالوادور، برزیل، ۲۱ تا ۲۳ نوامبر ۲۰۱۸٫ [ Google Scholar ]
هاگان، جی. موراگا، پ. کاستا، اف. کاپیان، ن. ریبیرو، جی اس. Wunder، EA، Jr. فلزمبورگ، RDM; ریس، RB; نری، ن. سانتانا، اف اس. و همکاران عوامل تعیین کننده فضایی-زمانی انتقال لپتوسپیروز شهری: مطالعه کوهورت آینده نگر چهار ساله ساکنان زاغه در برزیل. PLoS Negl. تروپ دیس ۲۰۱۶ , ۱۰ , e0004275. [ Google Scholar ] [ CrossRef ]
اسنایدر، RE; راجان، JV; کاستا، اف. لیما، HCAV؛ Calcagno، JI; کوتو، RD; رایلی، LW; دوس ریس، ام جی. کو، هوش مصنوعی؛ ریبیرو، تفاوت های GS در شیوع بیماری های غیرواگیر بین ساکنان زاغه و جمعیت عمومی در یک منطقه شهری بزرگ در برزیل. تروپ پزشکی آلوده کردن دیس ۲۰۱۷ ، ۲ ، ۴۷٫ [ Google Scholar ] [ CrossRef ]
IPEA Atlas da Vulnerabilidade Social. در دسترس آنلاین: http://ivs.ipea.gov.br/index.php/pt/ (در ۱۶ ژوئیه ۲۰۲۰ قابل دسترسی است).
IBGE Censo Demográfico 2010. در دسترس آنلاین: https://portaldemapas.ibge.gov.br/portal.php#homepage (در ۲۰ ژوئیه ۲۰۲۰ قابل دسترسی است).
مهابیر، ر. کرویتورو، آ. کروکس، آ. آگوریس، پ. استفانیدیس، A. بررسی انتقادی رویکردهای سنجش از دور با وضوح بالا و بسیار بالا برای شناسایی و نقشه برداری زاغه ها: روندها، چالش ها و فرصت های در حال ظهور. علوم شهری ۲۰۱۸ ، ۲ ، ۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کوفر، م. پرسلو، سی. پففر، ک. اسلیوزاس، آر. رائو، وی. Itc, KP آیا ما جمعیت جهان زاغه را دست کم می گیریم؟ در مجموعه مقالات رویداد مشترک سنجش از دور شهری (JURSE 2019)، وان، فرانسه، ۲۲ تا ۲۴ مه ۲۰۱۹؛ IEEE: Vannes، فرانسه، ۲۰۱۹؛ صص ۱-۴٫ [ Google Scholar ]
کار هیل، آر. میلیون‌ها گمشده و اندازه‌گیری پیشرفت توسعه. توسعه دهنده جهانی ۲۰۱۳ ، ۴۶ ، ۳۰-۴۴٫ [ Google Scholar ] [ CrossRef ]
SEI. Projeções Populacionais Para a Bahia 2010–۲۰۳۰ ; Governo do Estado da Bahia: سالوادور، برزیل، ۲۰۱۳٫
کاستا، MA; لویی، ال. سانتوس، RMD؛ Curi، RLC; آلبوکرک، CGD؛ تاوارس، اس آر. Krause, C. Nota Técnica Abril de 2020 Apontamentos Sobre a Dimensão Territorial da Pandemia da COVID-19 e os Fatores que Contribuem Para Aumentar a Vulnerabilidade Socioespacial nas Unidades desenvolvimento Humano de Áreas . IPEA: برزیل، برزیل، ۲۰۲۰٫
فورناس، KM؛ دریکلی، سی. ویلیام، تی. اسپینو، اف. کاکس، جی. نقشه برداری از مناظر بیماری های عفونی: وسایل نقلیه هوایی بدون سرنشین و اپیدمیولوژی. روند پارازیتول. ۲۰۱۴ ، ۳۰ ، ۵۱۴-۵۱۹٫ [ Google Scholar ] [ CrossRef ]
استیونز، FR; Gaughan، AE; لینارد، سی. Tatem، AJ تفکیک داده‌های سرشماری برای نقشه‌برداری جمعیت با استفاده از جنگل‌های تصادفی با داده‌های سنجش از دور و کمکی. PLoS ONE ۲۰۱۵ ، ۱۰ ، e0107042. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کیت، او. لودکه، م. ریکین، دی. تعریف چشم گاو: ارزیابی جمعیت زاغه‌نشین به کمک تصاویر ماهواره‌ای در حیدرآباد، هند. جئوگر شهری. ۲۰۱۳ ، ۳۴ ، ۴۱۳-۴۲۴٫ [ Google Scholar ] [ CrossRef ]
رولنیک، آر. مارینو، آ. کلینتویتز، دی. بریتو، جی. Resende، P. نیسیدا، وی. Cavalcante، L. Mapas do Coronavirus Escondem Informações — LabCidade. در دسترس آنلاین: http://www.labcidade.fau.usp.br/mapas-do-coronavirus-escondem-informacoes/ (در ۱۶ ژوئیه ۲۰۲۰ قابل دسترسی است).
رویترز آفریقا با «همه‌گیری گرسنگی» مواجه می‌شود زیرا ویروس کرونا مشاغل را از بین می‌برد و فقر را تقویت می‌کند. در دسترس آنلاین: https://www.reuters.com/article/us-health-coronavirus-africa-hunger-feat/africa-faces-hunger-pandemic-as-coronavirus-destroys-jobs-and-fuels-poverty-idUSKCN22629V (در ۱۶ ژوئیه ۲۰۲۰ قابل دسترسی است).
تامسون، DR; کوفر، م. بو، جی. هاتی، بی. گریپا، تی. السی، اچ. لینارد، سی. مهابیر، ر. کیوبوتانگی، سی. ماویتی، جی. و همکاران نیاز به یک سیستم نقشه برداری یکپارچه “زاغه نشینی” مناطق محروم (IDEAMAPS) در کشورهای با درآمد کم و متوسط (LMIC). Soc. علمی ۲۰۲۰ ، ۹ ، ۸۰٫ [ Google Scholar ] [ CrossRef ]
هاچمن، اس. ارسنجانی، ج. Vaz, E. داده های فضایی برای ارتقاء زاغه: اطلاعات جغرافیایی داوطلبانه و نقش دانش شهروندی. Habitat Int. ۲۰۱۸ ، ۷۲ ، ۱۸-۲۶٫ [ Google Scholar ] [ CrossRef ]
مهابیر، ر. استفانیدیس، ا. کرویتورو، آ. کروکس، آ. Agouris، P. اطلاعات جغرافیایی معتبر و داوطلبانه در یک کشور در حال توسعه: مطالعه موردی مقایسه ای مجموعه داده های جاده ها در نایروبی، کنیا. ISPRS Int. J. Geo Inf. ۲۰۱۷ ، ۶ ، ۲۴٫ [ Google Scholar ] [ CrossRef ]
مونی، پی. گرینبرگر، AY; مینگینی، ام. کوتزی، اس. جوهاس، ال. Yeboah، G. موارد استفاده از داده‌های OpenStreetMap در ماه‌های اولیه همه‌گیری COVID-19 2020. arXiv ۲۰۲۰ ، arXiv:2008.02653. [ Google Scholar ]
د آلبوکرک، جی پی; ایکل، ام. هرفورت، بی. Zipf، A. جمع سپاری اطلاعات جغرافیایی برای مدیریت بلایا و بهبود تاب آوری شهری: مروری بر تحولات اخیر و درس های آموخته شده. در کتاب راهنمای اروپایی اطلاعات جغرافیایی جمع‌سپاری شده ; Ubiquity Press: لندن، انگلستان، ۲۰۱۶; صص ۳۰۹-۳۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل ۲٫ صحنه‌هایی از محله‌های فقیرنشین سالوادور، برزیل: ( الف ) کودکانی که با پای برهنه یا بدون لباس در حال بازی در یک منطقه باز دشت و تماشای برخاستن هواپیمای بدون سرنشین (UAV) هستند. ( ب ) مسیرهای باریک و اشغال معمولی شیب ها. ( ج ، د ) آرشیو داده عکس زمین باز Mapillary که یک مسیر مرطوب و سنگفرش نشده و گونه‌شناسی خانه را نشان می‌دهد (عکس‌های a و b توسط پاتریشیا بریتو).

شکل ۳٫ نمای کلی منطقه مورد مطالعه. نقشه Alto do Cabrito و Marechal Rondon شهر سالوادور. برزیل (بالا سمت چپ)؛ سالوادور (پایین سمت چپ)؛ محله های مورد مطالعه (سمت راست). تولید شده توسط نویسندگان. منبع داده: موسسه جغرافیا و آمار برزیل (IBGE) و شهرداری سالوادور.

شکل ۴٫ روند رشد جمعیت شهرداری سالوادور (در مراحل ۱۰ ساله، از ۱۹۵۹ تا ۲۰۱۹) (منبع داده: Brasil.io).

شکل ۵٫ موارد تایید شده COVID-19 در سالوادور، در منطقه مورد مطالعه، و در شهرهای دیگر. منابع داده های موارد COVID-19: شهرداری های برزیل — Brasil.io؛ محله های سالوادور – وزیر بهداشت سالوادور؛ شهرداری های ایتالیا-Dipartimento della Protezione Civile de Italian; شهرداری های ایالات متحده – جان هاپکینز CSSE GIS و داده.

شکل ۶٫ تراکم آلتو دو کابریتو و مارشال رودون در سال ۲۰۱۰ و رشد شهری.

شکل ۷٫ قطعاتی از ( A ) مدل ارتفاعی دیجیتال و ( B ) orthophoto Alto do Cabrito.

شکل ۸٫ تصاویر مورب پهپاد از محله آلتو دو کابریتو.

شکل ۹٫ ( الف ) مرزهای دو سکونتگاه انتخاب شده در سالوادور (برزیل) که تصویری از PlanetScope با وضوح ۳ متر را نشان می دهد. ( ب ) مدل مبتنی بر ابر نقطه سه بعدی. ( ج ) تصویر مورب ۴۵ درجه پهپاد از یک منطقه پرخطر به دلیل تراکم بالای ساخته شده در سینک. ( د ) بلوک های خانه بر اساس مجاورت آنها با یکدیگر.

شکل ۱۰٫ پایگاه داده های جمعیتی Ciesin و مرکز داده های اقتصادی و اجتماعی (SEDAC) برای پاسخ های COVID-19، نشان دهنده تراکم جمعیت، شمارش و تخمین های گروه سنی برای دو جامعه منتخب در سالوادور، برزیل (منبع: SEDAC، Ciesin، دانشگاه کلمبیا).

شکل ۱۱٫ خلاصه کردن پتانسیل داده های مشاهده زمین (EO) برای مورد سالوادور، برزیل.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام