بیماری کرونا (COVID-19) یک بیماری همه گیر بزرگ است که جهان را طوفان کرده است. ^{بیش از 524000 شهروند در جهان تا سومین} روز به این بیماری جان باختند.ژوئیه، 2020. مدل سازی دقیق پویایی گسترش بیماری برای مهار ویروس مورد نیاز است. با در دسترس بودن حجم زیادی از داده ها که توسط آژانس دولتی و همچنین سایر رسانه های جمع سپاری زنده به صورت عمومی در دسترس قرار گرفته است، می توان یک ابزار پیش بینی محلی دقیق ایجاد کرد. در این مطالعه، ما پویایی شیوع های محلی COVID-19 را برای چند ایالت هند با شیوع عمده و برای هند به عنوان یک کل تجزیه و تحلیل می کنیم. حجم زیادی از داده‌های موجود از پلتفرم COVID-19 Tracker India برای تخمین تأثیر قرنطینه در کشور و ایالت‌های دارای شیوع عمده مورد استفاده قرار گرفت. اثربخشی اجرای قفل توسط ایالات مربوطه برای تجزیه و تحلیل مورد مطالعه قرار گرفته است. قرنطینه به سختگیرانه، متوسط ​​و ملایم طبقه بندی شد. این مدل بر روی یک پلت فرم مبتنی بر وب برای انتشار هشدار به عموم مستقر شده است. ما مدل مبتنی بر معادله دیفرانسیل معمولی (ODE) را برای ایجاد شاخص آسیب‌پذیری در سطح منطقه برای کل کشور بر اساس نرخ تغییر افراد آلوده، نقض فاصله اجتماعی و جمعیت گسترش می‌دهیم. حدود 47 درصد ولسوالی های کشور آسیب پذیر نبودند. با این حال، 13 درصد از ولسوالی ها به عنوان پرخطر برای شیوع بیماری شناسایی شدند.

کلید واژه ها

COVID-19 ، کرونا هند ، تجزیه و تحلیل سری زمانی ، مدل SIR ، تجزیه و تحلیل آسیب پذیری

1. مقدمه

کروناویروس جدید اولین بار در ژانویه 2020 در هند گزارش شد. از آن زمان تاکنون، بیش از 628000 نفر در این کشور را درگیر کرده است و بیش از 10993124 نفر در سراسر جهان از این تعداد بیش از 52400 شهروند در 3 ژوئیه 2020 تسلیم بیماری همه گیر شده اند. 1 ]. پس از اولین ظهور در اواخر ژانویه، تعداد افراد آلوده در هند تا اوایل ماه مارس ثابت ماند، پس از آن، رشد تصاعدی مشاهده شد [ 2 ]. از آنجایی که بیماری COVID-19 هنوز درمان دارویی ندارد [ 3 ] [ 4]، یکی از رویکردهای اصلی کشورها برای شکستن زنجیره انتقال در سراسر جهان همچنان «فاصله‌گذاری اجتماعی» و اعمال قرنطینه منطقه‌ای، دولتی یا سراسری است. از زمان شیوع این بیماری در ووهان چین، تقریباً همه کشورهایی که تحت تأثیر این بیماری همه‌گیر قرار گرفته‌اند، برای کنترل این بیماری شرور قرنطینه اعمال می‌کنند. در تاریخ 24 مارس 2020، دولت یک قرنطینه سراسری برای مهار این بیماری همه گیر صادر کرده است. در طول دوره قرنطینه، شهروندان موظف به رعایت فاصله اجتماعی هستند و سفر ممنوع است. قرنطینه در چهار مرحله اعمال شد: فاز 1: 25 مارس 2020-14 آوریل 2020 (21 روز). Phase-2:15 آوریل 2020-3 مه 2020 (19 روز)؛ فاز 3: 4 مه 2020-17 مه 2020 (14 روز)؛ فاز 4: 18 مه 2020 تا 31 مه 2020 (14 روز). تعداد کل مبتلایان به 190 نفر رسیده است.^{در ماه مه 2020.} دولت روند لغو قرنطینه را به عنوان یک ابتکار برای برقراری عادی سازی در سراسر کشور از اول ژوئن 2020 آغاز کرده است. برای اجرای موثر قرنطینه، لازم است دولت نیز پیش بینی های دقیقی داشته باشد. با گسترش پیش بینی های بیماری از جمله شناسایی نقاط داغ و مناطق آسیب پذیر.

در مراحل اولیه شیوع، بیشتر همه‌گیری‌ها از یک منحنی نمایی پیروی می‌کنند که در نهایت در طول مدت زمان صاف می‌شوند. با تغییر در نرخ رشد، منحنی نمایی در نهایت به یک منحنی لجستیک تبدیل می شود. برون یابی روندها بر اساس نرخ رشد فعلی منجر به نتایج نادرست می شود [ 6 ]. مدل حساس-عفونی-بازیابی شده (SIR) [ 7 ] برای شامل ملاحظات حساسیت، عفونی، و بهبودیافته یا فوت شده استفاده می شود. این مدل ها توانایی پیش بینی قابل توجهی برای رشد COVID-19 نشان داده اند [ 6]. فاصله گذاری اجتماعی نقش مهمی در مهار شیوع موارد COVID-19 ایفا می کند. تأثیر قرنطینه را می‌توان با ترسیم گزارش (موارد گزارش‌شده جدید روزانه) در برابر گزارش (موارد تأیید شده تجمعی) مانند شکل 1 مشاهده کرد و به وضوح برای کشورهایی مانند کره جنوبی، چین و استرالیا قابل مشاهده است. کشورهایی مانند آلمان، ایتالیا و اسپانیا نشانه های اولیه از هموار شدن منحنی را نشان داده اند.

WebGIS یک رویکرد موثر برای ارائه اطلاعات جغرافیایی به طیف وسیعی از کاربران است. این روش سنتی استفاده از GIS به عنوان یک پایگاه داده-نقشه برداری و ابزار تحلیل مکانی را اصلاح کرده است. علاوه بر این، WebGIS به اشتراک گذاری و ترکیب داده های چند منبعی را ترویج می کند و به اشتراک گذاری گسترده داده های مکانی و مدل های علوم زمین را امکان پذیر می کند. تجزیه و تحلیل مبتنی بر وب برای فضای زمانی

تجزیه و تحلیل بیش از یک دهه است که وجود دارد. معماری اولیه یک برنامه GIS مبتنی بر وب معمولاً شامل یک وب سرور در سمت سرور است که می تواند درخواست های دریافتی را مدیریت کرده و پاسخ های مربوطه را ایجاد کند.

از زمان ظهور COVID-19، مطالعات بسیاری در مورد پیش‌بینی این بیماری گزارش شده است، با این حال مطالعات بسیار کمی با کمی کردن پارامترهای فاصله‌گذاری اجتماعی با استفاده از اطلاعات جمع‌سپاری، به تأثیر قرنطینه پرداخته‌اند. با توجه به تاثیر پویایی ویروس در کشور، در این تحقیق به اهداف زیر پرداخته شده است.

• تأثیر قرنطینه بر شیوع COVID-19 در هند و پیش بینی سناریوی COVID-19 با استفاده از مدل SIR برای کل کشور.

• محاسبات تجزیه و تحلیل آسیب پذیری منطقه بر اساس اطلاعات جمع آوری شده و مدل اصلاح شده SEIR.

• انتشار اطلاعات با استفاده از چارچوب WebGIS که با استفاده از ابزارها و فناوری های منبع باز توسعه یافته است.

2. روش ها

2.1. شیوع COVID-19 برای سناریوهای چندگانه قفل

مدل SIR یک مدل اپیدمیولوژیک است که تعدادی از افراد مستعد ( S )، تعداد افراد عفونی (I) و تعداد بهبودیافته یا فوت شده (یا ایمنی) ( R ) را محاسبه می کند. کشورهایی که قبلاً در فاز II و فاز III همه‌گیری هستند، از همان مدل برای تخمین شیوع [ 8 ] – [ 14 ] استفاده می‌کنند. در ابتدا، رشد برای کشورهایی که شیوع بیماری در آنها در مراحل اولیه است، به صورت تصاعدی است که با یک منحنی لجستیک برای کشورهایی که نرخ رشد آنها تثبیت شده است (مانند چین و کره جنوبی) دنبال می‌شود. از مدل SIR برای مدل‌سازی شیوع بیماری و پیش‌بینی استفاده شد.

ما بیشتر یک مدل اصلاح‌شده حساس-در معرض-عفونت-بازیابی شده (SEIR) را اجرا می‌کنیم که شامل پارامترهای فاصله‌گذاری اجتماعی برای استخراج مناطق آسیب‌پذیر است. این اطلاعات حیاتی است زیرا نقض فاصله اجتماعی نقش مهمی در شیوع این بیماری دارد. بنابراین لازم است نه تنها تعداد کل عفونت ها بلکه الگوی توزیع در سراسر ولسوالی ها بر اساس جمعیت و میزان تغییر در تعداد افراد آلوده تخمین زده شود. این مطالعه یک مدل کاملاً وابسته به داده را برای تخمین اثربخشی قرنطینه در ایالت‌های هند با شیوع عمده در طول دوره قرنطینه ارائه می‌کند. پیش‌بینی‌ها برای سه سناریوی قرنطینه، یعنی قفل‌سازی ملایم، متوسط ​​و سخت‌گیرانه انجام می‌شود. این مدل همچنین عوامل دیگری مانند مصونیت جمعیت در برابر بیماری را در نظر نمی گیرد.9 ]، تأثیر تغییر آب و هوا بر شیوع بیماری.

اس“= – βاسمنS′=−βSI(1)

من“= βاسمن– γمنI′=βSI−γI(2)

آر“= γمنR′=γI(3)

ن= S+ من+ آرN=S+I+R(4)

که β نرخ انتقال و γ میانگین نرخ بازیابی است. بیشتر از رابطه (2) مشاهده می شود که تغییر در افراد آلوده به β و γ بستگی دارد. تعداد افراد بهبودیافته یا فوت شده (یا مصون) بر اساس رابطه (3) تخمین زده می شود و به میانگین نرخ بهبودی بستگی دارد. مدل فرض می کند که در طول مدت شبیه سازی، جمعیت ثابت می ماند.

در این بخش، مدل SIR را با داده‌های موجود COVID-19 از هند برای ایالت‌های دارای شیوع عمده COVID-19 مطابقت می‌دهیم. ما β و γ را تخمین می زنیم که پارامترهای مهمی در کنترل پویایی شیوع هستند. β و γ با به حداقل رساندن RMSE بین مقادیر پیش بینی شده و مقادیر واقعی تخمین زده می شوند، اما همچنین برای هر کشور خاص هستند.

یکی دیگر از عوامل ضروری برای محاسبات S0 است، یعنی جمعیت اولیه، که مستعد ابتلا به عفونت است. در مطالعه حاضر، ما سه سناریو، یعنی قرنطینه ملایم، قفل شدید و قفل متوسط ​​را در نظر می گیریم. S0 برای سه سناریو به طور جداگانه محاسبه می شود. بر اساس مفروضات زیر برآورد می شود. از آنجایی که اروپا در حال حاضر رو به بهبودی است، به طور مشابه در کشورهای آسیایی، بر اساس اوج موارد فعال و کل جمعیت کشورهای اروپایی، ما 0.5٪ از کل جمعیت را به عنوان بالاترین جمعیت تحت تأثیر قرار می دهیم. کووید-۱۹. با توجه به عواملی مانند قرنطینه زودهنگام و میانگین سنی کل جمعیت کمتر از کشورهای اروپایی است، جمعیت در معرض اولیه از جدول 1 آمده است.. S0 برای قفل متوسط ​​به عنوان 50٪ از جمعیت اولیه در معرض در نظر گرفته می شود در حالی که S0 برای سناریوی قفل شدید به عنوان 25٪ از S0 در نظر گرفته می شود. این اطلاعات به صورت جداگانه برای هر ایالت با شیوع عمده محاسبه شد و در مدل SIR وارد شد.

در نهایت، پیش‌بینی‌ها بر اساس مدل ساخته شده‌اند و ریشه میانگین مربعات خطا (RMSE) برای هر سه سناریو قفل کردن محاسبه می‌شود. برای ارزیابی بیشتر شدت شیوع کووید-19 در ایالت ها، اطلاعات ایالتی برای همه ایالت هایی با شیوع عمده موارد COVID-19 ترسیم شد. سناریویی با حداقل RMSE به عنوان سناریوی قفلی نماینده ایالت در نظر گرفته می شود. ارزیابی تغییر در سناریوی قرنطینه است

با گرفتن تفاوت بین مقدار مشاهده شده و پیش بینی سناریو تخمین زده می شود. سناریویی با حداقل مقدار تفاوت در یک تاریخ خاص به عنوان سناریوی نماینده برای دولت مربوطه در نظر گرفته می شود.

2.2. حفظ یکپارچگی مشخصات

مدل SEIR توسعه‌ای از مدل SIR است که یک مدل اپیدمیولوژیک پرکاربرد برای مدل‌سازی بیماری منتشر شده در جمعیت است. این مخفف عبارت Susceptible, Exposur, Infected and Recovered است. این مدل توزیع جمعیت را در چهار دسته که در بالا ذکر شد شبیه‌سازی می‌کند. علاوه بر سه پارامتر اجرا شده یعنی S، I و R، یک پارامتر اضافی به نام E داریم که کل جمعیت در معرض را نشان می دهد. E را می توان از رابطه (6) محاسبه کرد. مدل را می توان از معادله زیر نشان داد.

اس“= – βاسمنS′=−βSI(5)

E“= βاسمن– α EE′=βSI−αE(6)

من“= α E– γمنI′=αE−γI(7)

آر“= γمنR′=γI(8)

ن= S+ E+ من+ آرN=S+E+I+R(9)

هیچ تغییری در برآورد جمعیت مستعد و بهبودیافته وجود ندارد. از رابطه (6) می توان مشاهده کرد که برآورد جمعیت مواجهه شده وابسته به نرخ تماس بوده و بر اساس دوره کمون کاهش می یابد. معادله (7) تغییر در افراد آلوده را به ما می دهد، که به جمعیت در معرض، دوره نهفتگی و میزان انتقال بستگی دارد. بر اساس دوره عفونی کاهش می یابد. علاوه بر پارامترهای β و γ، مدل SEIR یک پارامتر اضافی دارد، α که معکوس دوره جوجه کشی را نشان می دهد.

به منظور مطالعه تاثیر قرنطینه بر گسترش بیماری، پارامتر مقیاس بندی فاصله اجتماعی (ρ) در مدل گنجانده شد. مقدار ρ از 0 تا 1 متغیر است و از تعداد دفعات محاسبه می‌شود، نقض فاصله اجتماعی در طول قرنطینه همانطور که توسط پلتفرم منبع‌جمعی مانند پورتال Covid-19 Map My India گزارش شده است، معادلات (5) و (6) را می‌توان اصلاح کرد. به معادلات (10) و (11) .

اس“= – ρ βاسمنS′=−ρβSI(10)

E“= ρ βاسمن– α EE′=ρβSI−αE(11)

E=γمن–من“αE=γI−I′α(12)

اس= ن– من– R –γمن–من“αS=N−I−R−γI−I′α(13)

V. من= ρ β( ن– من– R –γمن–من“α) ∗من– α (γمن–من“α)V.I=ρβ(N−I−R−γI−I′α)∗I−α(γI−I′α)(14)

با در نظر گرفتن تعداد افراد در معرض آسیب‌پذیری، می‌توان آن را با استفاده از معادله (14) که برگرفته از مدل SEIR است، تخمین زد. تعداد افراد در معرض ابتلا به جمعیت، تغییر تعداد افراد مبتلا و پارامتر فاصله اجتماعی () بستگی دارد. پارامتر فاصله گذاری اجتماعی با عادی سازی مسائل مربوط به قفل گزارش شده از پلتفرم های مختلف جمع آوری شده تعیین می شود. آسیب‌پذیری سطح ناحیه با توزیع وزنی جمعیت در معرض خطر ایالت در سراسر ولسوالی‌ها برآورد می‌شود.

2.3. معماری سیستم

ما معماری سرویس گرا را برای توسعه داشبورد WebGIS دنبال کرده ایم. این یک سه لایه است یعنی کلاینت، سرور و پایگاه داده ( شکل 2). صفحه فرود با ویژگی‌های پخش مستقیم داده‌های نیمه خودکار 1) تا به امروز و به‌روزرسانی روزانه در مورد موارد تأیید شده، فعال، بهبودیافته و مرگ، 2) ایالات نشان‌دهنده نقاط داغ، مناطق غیر آلوده و غیر آلوده، 3) نقشه شاخص آسیب‌پذیری که مناطق را نشان می‌دهد. با حساسیت بسیار کم، کم، متوسط، زیاد و بسیار بالا نسبت به کووید-19، 4) نمودارهای آماری روزانه در نمونه های آزمایش شده با سن و میزان آلودگی جنسی، 5) پیوند به داشبورد Assam، Meghalaya و Tripura (این می تواند سفارشی شود توسط هر ایالت در هند) 6) موارد COVID-19 پیش بینی شده بر اساس مدل SIR. در حال حاضر، سه برنامه وب به طور خاص در بالای داشبورد اصلی COVID-19 برای پشتیبانی طراحی و ادغام شده است.

فعالیت تصمیم گیری با استفاده از ابزارها و خدمات جغرافیایی مجهز به برنامه‌های کاربری خاص دولت با عملکردهای خاص مانند 1) تجسم امکانات برای گسترش احتمالی مراکز قرنطینه به همراه ویژگی‌های جزئیات، 2) پاسخگویی به پرسش‌های چند بعدی در مورد ویژگی‌های امکانات، 3) تجسم آمار بر اساس چند ضلعی سفارشی در پرواز، 4) تاک کردن بیماران قرنطینه در زمان واقعی در یک بستر مبتنی بر وب، 5) شناسایی نقاط حساس بر اساس تعداد بیماران و توزیع جمعیت، 6) نقشه بیماران قرنطینه در سطح روستا.

3. نتایج و بحث

3.1. شیوع COVID-19 در طول قرنطینه

ایالت های دارای شیوع عمده فیلتر شدند و پیش بینی های مدل SIR در آن ایالت ها با به حداقل رساندن RMSE شیوع COVID-19 ترسیم شد. جزئیات پیش بینی ایالت های مربوطه را می توان از جدول 1 مشاهده کرد ، ایالت ها/ قلمروهای اتحادیه مانند گجرات، دهلی و ماهاراشترا شیوع بزرگی را در کشور نشان می دهند. جزئیات پیش بینی ایالت های مربوطه را می توان از جدول 1 مشاهده کرد ، ایالت ها/ قلمروهای اتحادیه مانند گجرات، دهلی و ماهاراشترا شیوع بزرگی را در کشور نشان می دهند. استنتاج را می توان از شکل 3 تایید کرد . که در آن 10 ایالت برتر با بیشترین تعداد موارد تایید شده در 31 می ²⁰²⁰ ترسیم شده است. از شکل 3می توان استنباط کرد که به نظر می رسد منحنی ایالت هایی مانند ماهاراشترا، دهلی و گجرات به طور تصاعدی در حال افزایش است. در مقابل، پنجاب از سوی دیگر شاهد افزایش غیرمنتظره ای در تعداد بیماران به دلیل ورود شهروندانش از ناندد، ماهاراشترا در هفته آخر آوریل بود.

پیش‌بینی‌های مبتنی بر مدل SIR برای کل کشور برای سه سناریوی قرنطینه (سخت، متوسط ​​و ملایم) انجام شد. نتایج را می توان در شکل 4 و شکل 5 مشاهده کرد. بر اساس این سه سناریو، هند تا ماه مه 2020 به اوج تعداد مبتلایان خواهد رسید و تعداد کل موارد فعال در هند کمتر از 70000 مورد فعال گزارش شده است، در صورتی که قرنطینه شدید در سراسر کشور اجرا شود، در یک رویداد متوسط. قرنطینه اجرا شد پیک 100000 و قفل ملایم اوج خواهد بود

200000. همچنین مشاهده می شود که بر اساس سناریوی فعلی، تا پایان تمام مراحل قرنطینه، کشور به طور کلی از قرنطینه ملایم پیروی می کرد. اوج در مورد قرنطینه متوسط ​​و ملایم در ماه ژوئن خواهد بود. پیش‌بینی‌ها همچنین برای درک شدت شیوع بیماری در ایالت‌های کشور با شیوع عمده گسترش یافت. این مدل برای درک پیش‌بینی‌ها در سناریوی قفل یعنی تا 31 می 2020 اجرا می‌شود. پس از اجرای آنلاک‌ها یعنی از 1 ژوئن 2020، پارامترهای دینامیکی مدل‌های SIR افزایش یافته است و امکان کمی سازی نقض در قفل و حرکت وجود دارد. از مسافران

نتایج نشان‌داده‌شده در جدول 1 نشان می‌دهد که ایالت‌هایی مانند راجستان، تامیل نادو، آندرا پرادش و بنگال غربی سناریوی قرنطینه سخت‌گیرانه را دنبال می‌کنند در حالی که دهلی، ماهاراشترا و گجرات از سناریوی قرنطینه متوسط ​​پیروی می‌کنند، این‌ها همچنین ایالت‌هایی هستند که بیشترین تعداد مبتلایان به کووید-کووید را دارند. 19 مورد در کشور تا 06 مه 2020. از طرف دیگر اوتار پرادش ممکن است همبستگی نزدیکی با سناریوی قفل کردن ملایم نشان دهد، اما در بازرسی دقیق‌تر مشاهده می‌شود که تفاوت بین مقدار مشاهده‌شده و مقدار پیش‌بینی‌شده برای سه سناریوی قرنطینه حداقل است. و بنابراین همچنین نشان می‌دهد که مقدار مشاهده‌شده بسیار کمتر از مقدار پیش‌بینی‌شده برای سناریوی قفل سخت است، از این رو اوتار پرادش را می‌توان دنباله‌روی مسیر قفل کردن شدید در نظر گرفت.

علاوه بر این، غواصی عمیق در انتقال بین سناریوهای قرنطینه نشان می‌دهد که حتی اگر ایالت‌هایی مانند دهلی، پنجاب و مادهیا پرادش ممکن است با سناریوهای قرنطینه سخت یا متوسط ​​نشان داده شوند، این ایالت‌ها از هفته اول ماه مه 2020 به سناریوی قرنطینه ملایم تبدیل شده‌اند. منحنی تفاوت دهلی همچنین نشان می دهد که ایالت تا هفته دوم آوریل 2020 از سناریوی سختگیرانه قرنطینه منحرف شده است. تراکم جمعیت دهلی نسبتاً بیشتر از سایر ایالت ها است. ماهاراشترا نیز از هفته گذشته آوریل 2020 انحراف برای قرنطینه شدید را به تصویر کشیده است.

از سوی دیگر، انتقال برای همه حالت‌های دیگر همبستگی نزدیک بین هر سه سناریو را با مقادیر مشاهده‌شده نشان می‌دهد، این پیش‌بینی‌ها در ماه مه، 2020 همانطور که در شکل 4 و شکل 5 نشان داده شده است، واگرا خواهند شد . تامیل نادو یکی از ایالت هایی است که منحنی را صاف کرده بود و تعداد موارد فعال شروع به کاهش کرده بود، اما در هفته آخر آوریل 2020 این ایالت تحت تأثیر موج دوم کووید-19 قرار گرفت، این را می توان در شکل 6. انحراف این ایالت از قرنطینه شدید در هفته آخر آوریل 2020 نماینده موج دوم است. پیش‌بینی‌های ارائه‌شده در سه سناریو براساس وضعیت فعلی جمعیت آلوده و وضعیت قرنطینه در سراسر کشور است، اما در صورت تغییر سناریو، پیش‌بینی‌ها دستخوش تغییر می‌شوند.

3.2. شاخص آسیب پذیری

شاخص آسیب پذیری ناحیه ای بر اساس رابطه (14) تولید می شود. شاخص آسیب پذیری عمدتاً به 3 عامل وابسته است. یعنی میزان تغییر افراد مبتلا، فاصله گذاری اجتماعی و جمعیت ولسوالی. شکل 6 نشان داده شده در زیر، شاخص آسیب‌پذیری ایجاد شده بر اساس داده‌های تایید شده را تا 7 مه 2020 نشان می‌دهد. نقض فاصله‌گذاری اجتماعی با تخمین تعداد کل مسائل قرنطینه گزارش‌شده در هر ایالت از طریق جمع‌سپاری، کمیت‌سازی می‌شود. از شکل 6 می توان مشاهده کرد که اکثر مناطق در ماهاراشترا، راجستان و همچنین گجرات آسیب پذیری بالایی را نشان می دهند. این را می‌توان به‌عنوان جایی که مناطقی با تعداد بالای افراد آلوده گزارش کرده‌اند، تعداد بیشتری از موارد نقض فاصله اجتماعی را گزارش کرده‌اند.

توزیع هشدارها در سراسر کشور در جدول 2 نشان داده شده است . به وضوح می توان مشاهده کرد که نزدیک به 47 درصد از ولسوالی ها هیچ هشداری علیه آنها صادر نشده است، نزدیک به 13 درصد از کل ولسوالی ها هشدارهای متوسط ​​​​بالا علیه آنها را نشان می دهند. باقیمانده بین هشدارهای کم و هشدارهای بالا به اشتراک گذاشته می شود. مناطقی که هشدارهای بسیار بالایی علیه آنها صادر شده است، عمدتاً شهرهایی هستند که پرجمعیت هستند یا در رعایت فاصله اجتماعی مشکلات زیادی داشته اند.

در مجموع 15 منطقه دارای خطر آسیب پذیری بسیار بالایی هستند. اینها عمدتاً مناطق پرجمعیتی هستند که نقض فاصله اجتماعی از طریق پلتفرم crowdsourced گزارش شده است. برخی از مکان های اصلی در بخش مرکزی بمبئی، دهلی نو، احمدآباد هستند. این مناطق همچنین به عنوان مناطق قرمز برای مهار COVID-19 اعلام شده است. جدول 3 تعداد کل مسائل مربوط به قفل را نشان می دهد که از ژئوپورتال کرونایی MapMyIndia استخراج شده است. به وضوح می توان مشاهده کرد که ایالت هایی مانند دهلی و ماهاراشترا تعداد بیشتری از موارد نقض فاصله اجتماعی گزارش شده را دارند، بنابراین مناطق ایالت های مربوطه هشدارهای بالایی علیه آنها صادر کرده اند.

3.3. وب داشبورد GIS برای انتشار هشدار

در حال حاضر، سه برنامه وب به طور خاص در بالای داشبورد اصلی COVID-19 طراحی و یکپارچه شده اند تا از فعالیت تصمیم گیری با استفاده از ابزارها و خدمات مکانی پشتیبانی کنند. داشبورد طراحی شده برای ایالت

Assam می تواند جزئیات مدارس در حوزه فضایی را ارائه دهد که ممکن است در بدترین سناریو برای اردوگاه قرنطینه مناسب باشد. از سوی دیگر، برنامه داشبورد Meghalaya داده‌های زنده را از برنامه تلفن همراه ردیابی توسعه‌یافته توسط موسسه فناوری هند بمبئی دریافت می‌کند و تصویرسازی را در Geo-Xplorer با قابلیت‌های GIS ارائه می‌کند. پایگاه داده جغرافیایی در مقیاس بزرگ که برای شهرداری شیلونگ تهیه شده است برای شناسایی افراد مشکوک به کرونا در خانه استفاده می شود. داشبورد Tripura تجسم زنده مکان‌های دارای برچسب جغرافیایی بیماران مشکوک را که در طول بررسی توسط کارکنان بهداشت گرفته شده‌اند، ارائه می‌کند. طرح‌بندی اپلیکیشن داشبورد GeoXplorer شیلونگ در شکل 7 نشان داده شده است.. داشبورد برای تجسم پیش بینی، نقاط داغ و وضعیت فعلی COVID-19 در سراسر کشور استفاده می شود. این دستگاه مجهز به کتابخانه‌های نمودار پویا و ابزارهای تجسم برای ارائه اطلاعات سریع و جامع در مورد سناریوی فعلی و آینده COVID-19 است.

4. نتیجه گیری

مدل‌سازی و پیش‌بینی دقیق شیوع COVID-19 بسیار چالش برانگیز است، زیرا یک بیماری عفونی است که پارامترهای ناشناخته زیادی بر شیوع آن دارد. سیاست و مسئولیت اجتماعی کشور تا حد زیادی بر شیوع این بیماری تأثیر می گذارد. مطالعه حاضر یک رویکرد دو مرحله ای برای ارزیابی شیوع COVID-19 در هند است. فاز اول به تأثیر قرنطینه در شیوع بیماری می‌پردازد

COVID-19 در ایالت های هند با شیوع عمده و فاز دوم به هدف صدور هشدار برای مناطق مختلف در سراسر کشور بر اساس شاخص آسیب پذیری محاسبه شده می پردازد. این مدل برای درک پیش‌بینی‌ها در سناریوی قفل یعنی تا 31 مه 2020 اجرا می‌شود. پارامترهای دینامیکی مدل SIR به دلیل اجرای آنلاک (1 ژوئن 2020) افزایش یافته است. در نتیجه نمی توان میزان نقض در قفل و جابجایی مسافران را اندازه گیری کرد. پیش‌بینی مدل برای سه سناریو را می‌توان با مقداردهی اولیه پارامترهای مدل با استفاده از هوش مصنوعی بهبود بخشید. بنابراین آرامش مبهم در قرنطینه برای اطمینان از مهار همه گیری پیشنهاد می شود. ما مشاهده کردیم که بسیاری از ایالت ها در حال گذار از قرنطینه شدید به قرنطینه متوسط ​​هستند. اجرای کنترل‌شده قرنطینه می‌تواند وضعیت را با سناریوی سختگیرانه قرنطینه بازگرداند و شیوع بیماری را به شدت مهار کند. یافته های گزارش شده در اینجا کاملاً دلگرم کننده است. با این حال، این ممکن است به عنوان مرجع برای هر نوع فعالیت عملیاتی استفاده شود، زیرا این منحصراً بر اساس داده‌های جمع‌سپاری است.

نماد قراردادی

COVID-19: بیماری ویروس کرونا در سال 2019

SIR: حساس آلوده و بهبود یافته است

SEIR: حساس در معرض آلوده و بهبود یافته است

ODE: معادله دیفرانسیل معمولی

RMSE: ریشه میانگین مربعات خطا

منابع

[ 1 ]	سازمان جهانی بهداشت (2020) بیماری کروناویروس 2019 (COVID-19) گزارش وضعیت-47. https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200307-sitrep-47-covid-19.pdf?sfvrsn=27c364a4_2
[ 2 ]	Kumar, P., Singh, RK, Nanda, C., Kalita, H., Patairiya, S., S., Sharma, YD, Rani, M. and Bhagavathula, AS (2020) پیش بینی تأثیر COVID-19 در هند با استفاده از امواج فراگیر غیرخطی مدل های رشد https://doi.org/10.1101/2020.03.30.20047803
[ 3 ]	Corman, VM, Landt, O., Kaiser, M., et al. (2020) تشخیص کروناویروس جدید 2019 (nCoV 2019) توسط Real-Time RT-PCR. یورو نظارت، 25، 23-30. https://doi.org/10.2807/1560-7917.ES.2020.25.3.2000045
[ 4 ]	Ma, JL, Dushoff, J., Bolker, BM and Earn, DJD (2014) تخمین نرخ رشد اولیه اپیدمی. بولتن زیست شناسی ریاضی، 76، 245-260. https://doi.org/10.1007/s11538-013-9918-2
[ 5 ]	سیر موارد تایید شده جهانی COVID-19. https://aatishb.com/covidtrends/
[ 6 ]	Hethcote، HW (2000) ریاضیات بیماری های عفونی. بررسی SIAM، 42، 599-653. https://doi.org/10.1137/S0036144500371907
[ 7 ]	Wu, ZY and McGoogan, JM (2020) ویژگی ها و درس های مهم شیوع بیماری کروناویروس 2019 (COVID-19) در چین: خلاصه گزارش 72 314 مورد از مرکز چین برای کنترل و پیشگیری از بیماری. جاما، 23، 1239-1242.
[ 8 ]	سلمان، اس و سالم، ام ال (2020) راز پشت پرهیز از دوران کودکی توسط کووید-19. مجله بین المللی سرطان و تحقیقات زیست پزشکی، 5، 11-13. https://doi.org/10.21608/jcbr.2020.79888
[ 9 ]	Ranjan, R. (2020) پیش‌بینی شیوع COVID-19 در هند برای مدل‌های اپیدمیولوژیک. https://doi.org/10.1101/2020.04.02.20051466
[ 10 ]	Singhal, TA (2020) بررسی بیماری کروناویروس-2019 (COVID-19). مجله اطفال هندی، 87، 281-286. https://doi.org/10.1007/s12098-020-03263-6
[ 11 ]	Read, JM, Bridgen, JRE, Cummings, DAT, Ho, A. and Jewell, CP (2020) Novel Coronavirus 2019-nCoV: تخمین اولیه پارامترهای اپیدمیولوژیک و پیش‌بینی‌های اپیدمی. https://doi.org/10.1101/2020.01.23.20018549
[ 12 ]	Rothe, C., Schunk, M. and Sothmann, P. (2020) انتقال عفونت 2019-nCoV از یک تماس بدون علامت در آلمان. مجله پزشکی نیوانگلند، 382، 970-971. https://doi.org/10.1056/NEJMc2001468
[ 13 ]	Wu, JT, Leung, K. and Leung, GM (2020) Nowcasting و پیش‌بینی گسترش بالقوه داخلی و بین‌المللی شیوع 2019-nCoV با منشأ ووهان چین: یک مطالعه مدل‌سازی. Lancet, 395, 689-697. https://doi.org/10.1016/S0140-6736(20)30260-9
[ 14 ]	Anastassopoulou, C., Russo, L., Tsakris, A. and Siettos, C. (2020) تجزیه و تحلیل مبتنی بر داده، مدل‌سازی و پیش‌بینی شیوع COVID-19. https://doi.org/10.1101/2020.02.11.20022186