خلاصه
کلید واژه ها:
COVID-19 ؛ GTWR _ MGWR ; تغییرات مکانی – زمانی ; اثر مقیاس ; استان هوبی
۱٫ معرفی
۲٫ مواد و روشها
۲٫۱٫ مروری بر منطقه مورد مطالعه
۲٫۲٫ منابع اطلاعات
۲٫۳٫ روش های پژوهش
۲٫۳٫۱٫ مدل رگرسیون وزندار جغرافیایی و زمانی (GTWR)
گسترش اپیدمی COVID-19 در استان هوبی نه تنها در سطح جغرافیایی متفاوت بود، بلکه از نظر زمانی نیز متفاوت بود. بنابراین، تغییر سریع وضعیت اپیدمی به صورت روزانه، فاکتورهای زمانی را در تحلیل مدل از اهمیت ویژهای برخوردار میکند، اگرچه مدل رگرسیون وزندار جغرافیایی (GWR) این مزیت را دارد که با معرفی پارامتر مکان، مدل تحلیل رگرسیون سنتی را گسترش میدهد، به طوری که فضایی ناهمگونی را می توان در تجزیه و تحلیل COVID-19 منعکس کرد و نتایج تجزیه و تحلیل را معقول تر کرد. مدل GTWR هم زمان و هم ناهمگونی مکانی را در نظر می گیرد و ضرایب رگرسیون را در هر نقطه مشاهده با محاسبه فاصله فضا-زمان به دست می آورد و مدل را از لحاظ نظری به واقعیت نزدیکتر می کند.۲۱ ].
در رگرسیون محلی GTWR، محاسبات نقاط مجاور اطراف نقاط مشاهده به فاصله مکانی و فاصله زمانی بستگی دارد. نتایج جامع با افزودن عملیات به دست می آید. برای متعادل کردن اثرات مختلف روشهای مورد استفاده برای اندازهگیری فاصله مکانی و زمانی در سیستمهای متریک مربوطه، ما به ترتیب ضریب فاصله مکانی و ضریب فاصله زمانی (فرمول ۲) را ارائه کردیم. پس از اینکه ضریب فاصله مناسب داده شد، می توان درجه مجاورت را اندازه گیری کرد.
۲٫۳٫۲٫ رگرسیون وزنی جغرافیایی چند مقیاسی (MGWR)
قانون اول جغرافیای توبلر یک پایه نظری برای تحلیل خودهمبستگی فضایی ایجاد می کند. محدوده مکانی یک نمایش مقیاس معمولی برای تجزیه و تحلیل GIS است [ ۲۲ ]. در GWR، ناهمگونی همه روابط فضایی در یک مقیاس توسط پهنای باند فضایی گرفته میشود، اما محدود کردن مقیاس فضایی یکسان برای همه فرآیندهای فضایی ممکن است نتایج برآورد را منحرف کند. برای مثال، دما ممکن است از نظر مکانی کمی متفاوت باشد، در حالی که فواصل بین جاده های اصلی به تراکم جاده های منطقه ای بستگی دارد که تفاوت های آشکاری دارند. MGWR، با در نظر گرفتن مقیاسهای فضایی مختلف که ممکن است بین متغیرهای مستقل مختلف وجود داشته باشد، میتواند اجازه دهد که روابط شرطی بین متغیرهای مستقل و متغیرهای وابسته در مقیاسهای فضایی مختلف تغییر کند.۲۳ ] و متغیرهای مستقل مختلف، در نتایج رگرسیون، عباراتی از پهنای باند متفاوت دارند. مدل زیر مدل MGWR [ ۲۴ ] است.
۲٫۳٫۳٫ رگرسیون لغزشی داده های پانل
از آنجایی که دانش ما درباره COVID-19 کامل نیست، اگر فقط از دادههای مناطق خاص یا در لحظات خاص استفاده کنیم، نتیجه از آن منحرف میشود. با این حال، داده های تابلویی می توانند اطلاعات افراد را در مورد رفتار پویای افراد ارائه دهند. با استفاده از مقطع و زمان، این دو بعد حجم نمونه را به میزان قابل توجهی افزایش می دهند که می تواند دقت نتایج برآورد شده را به میزان قابل توجهی بهبود بخشد. طبق تحقیقات قبلی، مهاجرت جمعیت عامل مهمی است که بر وضعیت همهگیری COVID-19 تأثیر میگذارد. بنابراین، در این تحقیق، دادههایی را در مورد مهاجرت روزانه جمعیت (نسبت مهاجران هر شهر در هر روز و شاخص مقیاس مهاجرت روزانه هر شهر) در ۱۷ منطقه سطح شهر استان هوبی از ۱ ژانویه ۲۰۲۰ جمعآوری کردیم. تا ۲۹ فوریه ۲۰۲۰٫ با توجه به رسم نزدیک به جشنواره بهار در داخل کشور (که بیشتر مهاجرت ها برای گذراندن جشنواره بهار در شهر خود بوده است) و در دسترس بودن داده های مهاجران شهرستان ها، ما داده های مهاجران روزانه شهرها را بر اساس هر شهرستان به ۱۰۳ منطقه تحقیقاتی تناسب کردیم. جمعیت ثبت نام خانوار به منظور بررسی تأثیر مهاجران ووهان بر سایر مناطق، دادههای مهاجرت را در دو بخش دستهبندی کردیم. یکی در مورد مهاجران از ووهان (فرمول (۴)) و دیگری در مورد مهاجران از مناطق دیگر (فرمول (۵)). ما دادههای روزانه مهاجران شهرها را بر اساس جمعیت ثبت نام خانوار هر شهرستان به ۱۰۳ منطقه تحقیقاتی تناسب کردیم. به منظور بررسی تأثیر مهاجران ووهان بر سایر مناطق، دادههای مهاجرت را در دو بخش دستهبندی کردیم. یکی در مورد مهاجران از ووهان (فرمول (۴)) و دیگری در مورد مهاجران از مناطق دیگر (فرمول (۵)). ما دادههای روزانه مهاجران شهرها را بر اساس جمعیت ثبت نام خانوار هر شهرستان به ۱۰۳ منطقه تحقیقاتی تناسب کردیم. به منظور بررسی تأثیر مهاجران ووهان بر سایر مناطق، دادههای مهاجرت را در دو بخش دستهبندی کردیم. یکی در مورد مهاجران از ووهان (فرمول (۴)) و دیگری در مورد مهاجران از مناطق دیگر (فرمول (۵)).
عدم قطعیت دوره نهفتگی کووید-۱۹ تشخیص دقیق رابطه بین داده های مهاجرت و موارد تایید شده را دشوار کرده است. به عنوان مثال، مطالعات مراحل اولیه نشان داد که میانگین دوره کمون ۵٫۲ روز (۹۵% فاصله اطمینان [CI]، ۴٫۱ تا ۷٫۷٫۰) بود [ ۲۵ ]. تانو سینگال دوره کمون را از ۲ تا ۱۴ روز محاسبه کرد [ ۲۶ ]]. بیمارانی که در دوره مراقبت پزشکی ۱۴ روزه یا ایزوله طبیعی به نظر می رسند و بیماران در دوره های بیماری زایی تا تشخیص همگی می توانند منبع بالقوه عفونت باشند. عدم قطعیت دوره نهفتگی کووید-۱۹ تشخیص دقیق رابطه متناظر بین زمان اولیه داده های مهاجرت و موارد تایید شده در رگرسیون پانل را دشوار می کند. در تحلیلهای خود، ما روز به روز بر روی دادههای عامل مهاجر لغزش میدادیم تا نتایج بهینه را جستجو کنیم. روش تجزیه و تحلیل لغزشی در فرمول های (۶) – (۸) است.
۲٫۴٫ تکامل مهاجرت جمعیت بین شهرها در سطح استان
۲٫۵٫ خودهمبستگی مکانی-سریال زمانی COVID-19
۲٫۶٫ نتایج رگرسیون لغزشی متوالی GWR توسعه یافته
۳٫ بحث
۳٫۱٫ مهاجرت دو طرفه جمعیت
۳٫۲٫ اثرات مشترک ناهمگونی مکانی و ناهمگنی زمانی بر COVID-19
۳٫۳٫ اثرات مقیاس فضایی عوامل مختلف متفاوت است
۴٫ نتیجه گیری
منابع
- یانگ، ZF; Zeng، ZQ; وانگ، ک. وانگ، اس.-اس. لیانگ، WH; زنین، م. لیو، پی. کائو، XD; گائو، ZQ؛ مای، ZT; و همکاران پیش بینی SEIR و AI اصلاح شده از روند اپیدمی COVID-19 در چین تحت مداخلات بهداشت عمومی. جی. توراک. دیس ۲۰۲۰ ، ۱۲ ، ۱۶۵-۱۷۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- آخرین آمار سازمان بهداشت جهانی. ۲۰۲۰٫ در دسترس آنلاین: https://www.who.int/COVID-19 (در ۲۵ ژوئیه ۲۰۲۰ قابل دسترسی است).
- یوئن، KS؛ بله، ZW; Fung، SY; چان، CP; جین، DY SARS-CoV-2 و COVID-19: مهمترین سؤالات تحقیق. سلول بیوسی. ۲۰۲۰ ، ۱۰ ، ۴۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
- هلمی، YA; فاوزی، م. الاسود، ع. سوبیه، ع. کنی، اس پی; شهاتا، AA همه گیر COVID-19: بررسی جامع طبقه بندی، ژنتیک، اپیدمیولوژی، تشخیص، درمان و کنترل. جی. کلین. پزشکی ۲۰۲۰ ، ۹ ، ۱۲۲۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- چانگ، آر جی. وانگ، HW; ژانگ، اس ایکس؛ وانگ، ZZ; دونگ، YQ; ثاملاگ، ال. یو، XY; خو، سی. یو، ی.ال. طولانی، RS; و همکاران برآورد فاز و منطقه اپیدمی تعدیل شده از تعداد موارد بیماری کروناویروس ۲۰۱۹ در چین. جلو. پزشکی ۲۰۲۰ ، ۱۴ ، ۱۹۹-۲۰۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- پل، SK; جانا، س. Bhaumik، P. مدل انتشار چند متغیره فضایی-زمانی COVID-19 با استفاده از مجموعه شبکههای ConvLSTM. MedRxiv ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
- جولیانی، دی. دیکسون، ام.ام. اسپا، جی. سانتی، اف. مدلسازی و پیشبینی گسترش فضایی- زمانی بیماری کروناویروس ۲۰۱۹ (COVID-19) در ایتالیا. ۲۰۲۰٫ در دسترس آنلاین: https://ssrn.com/abstract=3559569 (در ۱۵ ژوئیه ۲۰۲۰ قابل دسترسی است).
- وانگ، ژ. یائو، من؛ منگ، سی جی. کلارامونت، سی. ارزیابی ریسک کووید-۱۹ وارداتی خارج از کشور کشتیهای اقیانوس پیما بر اساس AIS و دادههای عفونت. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۵۱٫ [ Google Scholar ] [ CrossRef ]
- Xiong، YZ; وانگ، YP; چن، اف. زو، آمار فضایی من و عوامل مؤثر بر اپیدمی پنومونی کروناویروس جدید ۲۰۱۹ در استان هوبی، چین. Res. مربع ۲۰۲۰ . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کائو، زد. وانگ، جی اف. گائو، YG; هان، WG; فنگ، XL; Zeng، G. عوامل خطر و ویژگی های خود همبستگی در سندرم تنفسی حاد شدید در گوانگژو. Dili Xuebao/Acta Geogr. Sinica ۲۰۰۸ ، ۶۳ ، ۹۸۱-۹۹۳٫ [ Google Scholar ]
- گلیف، اچ. تعیین اثرات فضایی COVID-19 با استفاده از مدل داده پانل فضایی. تف کردن آمار ۲۰۲۰ , ۳۸ , ۱۰۰۴۴۳٫ [ Google Scholar ] [ CrossRef ]
- ایوان، FP; برایان، MN; فرناندو، RV; لاول، ب. تجزیه و تحلیل فضایی و GIS در مطالعه COVID-19. بازنگری. علمی کل محیط. ۲۰۲۰ , ۷۳۹ , ۱۴۰۰۳۳٫ [ Google Scholar ] [ CrossRef ]
- سیرکچی، آی. Yucesahin، MM Coronavirus و مهاجرت: تجزیه و تحلیل تحرک انسان و گسترش COVID-19. مهاجرت Lett. ۲۰۲۰ ، ۱۷ ، ۳۷۹-۳۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- پریم، ک. لیو، ی. راسل، TW; کوچارسکی، ای جی. Ego, RM; دیویس، ن. جیت، م. Klepac، P. تأثیر استراتژیهای کنترل برای کاهش اختلاط اجتماعی بر پیامدهای اپیدمی COVID-19 در ووهان، چین: یک مطالعه مدلسازی. Lancet Public Health ۲۰۲۰ ، ۵ ، E261–E270. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- سباستینی، جی. ماسا، م. Riboli، E. Covid-19 همه گیر در ایتالیا: تکامل، پیش بینی ها و تاثیر اقدامات دولت. یورو J. Epidemiol. ۲۰۲۰ ، ۳۵ ، ۳۴۱-۳۴۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Boulos، MKN; Geraghty، EM ردیابی و نقشه برداری جغرافیایی بیماری کرونا ویروس کووید-۱۹/سندرم حاد تنفسی ویروس همه گیر ۲ (SARS-CoV-2) و رویدادهای مرتبط در سراسر جهان: چگونه فناوری های GIS قرن بیست و یکم از مبارزه جهانی علیه شیوع و همه گیری ها حمایت می کنند. بین المللی J. Health Geogr. ۲۰۲۰ ، ۱۹ ، ۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- دورلین، AM; رامن، ا. سوانسون، اول. تجزیه و تحلیل عوامل جمعیت شناختی، مکانی و زمانی مؤثر بر الگوهای تماس اجتماعی در ایالات متحده و پیامدهایی برای گسترش بیماری های عفونی. [نسخه خطی منتشر نشده] دانشکده روابط عمومی هامفری، دانشگاه مینه سوتا. در دسترس آنلاین: http://www.audreydorelien.com/wp-content/uploads/2020/04/ATUS_social_contact_latest.pdf (در ۲۵ مارس ۲۰۲۰ قابل دسترسی است).
- آخرین آمار کمیسیون ملی بهداشت چین. ۲۰۲۰٫ در دسترس آنلاین: http://www.nhc.gov.cn (در ۱۵ ژوئیه ۲۰۲۰ قابل دسترسی است).
- Tetro، JA آیا COVID-19 ADE را از سایر کروناویروس ها دریافت می کند؟ میکروب ها عفونی می کنند. ۲۰۲۰ ، ۲۲ ، ۷۲-۷۳٫ [ Google Scholar ] [ CrossRef ]
- اداره آمار استان هوبی؛ تیم بررسی هوبی اداره ملی آمار. سالنامه آماری هوبی ; انتشارات آمار چین: پکن، چین، ۲۰۱۹٫ [ Google Scholar ]
- هوانگ، بی. وو، بی. Barry, M. رگرسیون وزندار جغرافیایی و زمانی برای مدلسازی تغییرات مکانی-زمانی قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۳۸۳-۴۰۱٫ [ Google Scholar ] [ CrossRef ]
- Goodchild، مقیاس MF در GIS: یک مرور کلی. ژئومورفولوژی ۲۰۱۱ ، ۱۳۰ ، ۵-۹٫ [ Google Scholar ] [ CrossRef ]
- یانگ، WB بسط رگرسیون وزندار جغرافیایی با پهنای باند انعطافپذیر. دکتری پایان نامه، دانشگاه سنت اندروز، سنت اندروز، انگلستان، ۲۰۱۴٫ [ Google Scholar ]
- Fotheringham، AS; یانگ، WB; کانگ، دبلیو. رگرسیون جغرافیایی وزن دار چند مقیاسی (MGWR). ان صبح. دانشیار Geogr. ۲۰۱۷ ، ۱۰۷ ، ۱۲۴۷-۱۲۶۵٫ [ Google Scholar ] [ CrossRef ]
- لی، کیو. Guan، XH; وو، پی. وانگ، XY; ژو، ال. تانگ، YQ; رن، آر کیو؛ لئونگ، KSM؛ لاو، EHY; وانگ، جی. و همکاران پویایی انتقال اولیه در ووهان، چین، پنومونی جدید آلوده به ویروس کرونا. N. Engl. جی. مد. ۲۰۲۰ ، ۳۸۲ ، ۱۱۹۹-۱۲۰۷٫ [ Google Scholar ] [ CrossRef ]
- Singhal, T. مروری بر بیماری کروناویروس-۲۰۱۹ (COVID-19). هندی J. Pediatr. ۲۰۲۰ ، ۸۷ ، ۲۸۱-۲۸۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- بریز-ردون، Á. سرانو-آروکا، Á. تجزیه و تحلیل مکانی-زمانی برای بررسی تأثیر دما بر تکامل اولیه COVID-19 در اسپانیا. علمی کل محیط. ۲۰۲۰ , ۷۲۸ , ۱۳۸۸۱۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- گونگ، پی. لی، ایکس سی; Zhang، WH 40 ساله (۱۹۷۸-۲۰۱۷) تغییرات سکونتگاه انسانی در چین که توسط سطوح غیرقابل نفوذ از سنجش از راه دور ماهواره ای منعکس شده است. علمی گاو نر ۲۰۱۹ ، ۶۴ ، ۷۵۶-۷۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- مالاپاتی، اس. چرا ویروس کرونا به راحتی بین مردم پخش می شود؟ Nature ۲۰۲۰ , ۵۷۹ , ۱۸۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- جیا، جی اس. لو، ایکس. یوان، ی. خو، جی. جیا، جی.ام. کریستاکیس، NA جریان جمعیت موجب توزیع مکانی-زمانی COVID-19 در چین می شود. طبیعت ۲۰۲۰ ، ۵۸۲ ، ۳۸۹-۳۹۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- کرژیوینسکی، م. شاین، جی. بیرول، آی. کانرز، جی. گاسکواین، آر. هورسمن، دی. جونز، اس جی. Marra, MA Circos: یک زیبایی شناسی اطلاعاتی برای ژنومیک مقایسه ای. ژنوم Res. ۲۰۰۹ ، ۱۹ ، ۱۶۳۹-۱۶۴۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- گتیس، الف. تأملاتی در مورد خودهمبستگی فضایی. Reg. علمی اقتصاد شهری ۲۰۰۷ ، ۳۷ ، ۴۹۱-۴۹۶٫ [ Google Scholar ] [ CrossRef ]
- کانگ، دی. چوی، اچ. کیم، جی اچ. چوی، جی. پویایی اپیدمی فضایی شیوع COVID-19 در چین. بین المللی ج. عفونی کردن. دیس ۲۰۲۰ ، ۹۴ ، ۹۶-۱۰۲٫ [ Google Scholar ] [ CrossRef ]
- وانگ، HW; وانگ، ZZ; دونگ، YQ; چانگ، آر جی. خو، سی. یو، XY; ژانگ، اس ایکس؛ ثاملاگ، ال. شانگ، ام ال. هوانگ، جی. و همکاران برآورد فاز تعدیل شده تعداد موارد بیماری کروناویروس ۲۰۱۹ در ووهان چین. Cell Discov. ۲۰۲۰ ، ۶ ، ۱-۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- وانگ، HX; وانگ، جی دی. هوانگ، ب. پیشبینی مدلهای مکانی-زمانی با خودرگرسیون در خطاها. J. ناپارامتر. آمار ۲۰۱۲ ، ۲۴ ، ۲۱۷-۲۴۴٫ [ Google Scholar ] [ CrossRef ]
- چن، ZL; ژانگ، کیو. لو، ی. Guo، ZM; ژانگ، ایکس. ژانگ، WJ; گوا، سی. لیائو، CH; لی، QL؛ هان، XH; و همکاران توزیع اپیدمی COVID-19 و ارتباط با مهاجرت جمعیت از ووهان، چین. چانه. پزشکی J. ۲۰۲۰ ، ۱۳۳ ، ۱۰۴۴-۱۰۵۰٫ [ Google Scholar ] [ CrossRef ]
- پنگ، ژ. وانگ، آر اس؛ لیو، LB; Wu, HZ بررسی ویژگیهای فضایی شهری انتقال COVID-19 در ووهان بر اساس دادههای رسانههای اجتماعی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ . [ Google Scholar ] [ CrossRef ]
- Tobler, W. در مورد قانون اول جغرافیا: یک پاسخ. ان دانشیار صبح. Geogr. ۲۰۰۴ ، ۹۴ ، ۳۰۴-۳۱۰٫ [ Google Scholar ] [ CrossRef ]
- سجادی، م.م. حبیب زاده، پ. وینتزیلئوس، ا. شکوهی، س. Miralles-Wilhelm، F. Amoroso، A. تجزیه و تحلیل دما و عرض جغرافیایی برای پیشبینی گسترش احتمالی و فصلی برای COVID-19. SSRN. در دسترس آنلاین: https://ssrn.com/abstract=3550308 (در ۵ مارس ۲۰۲۰ قابل دسترسی است).
- لی، اچ. لیو، ی.ال. او، QS; پنگ، ایکس. یین، CH شبیه سازی گسترش تعاونی شهری در یک منطقه شهری تک هسته ای بر اساس جریان اطلاعات یکپارچه مدل CA بهبود یافته: مطالعه موردی تراکم شهری ووهان در چین. ج. طرح شهری. توسعه دهنده ۲۰۱۸ , ۱۴۴ , ۰۵۰۱۸۰۰۲٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه