چکیده

رفتار فضا-زمان COVID-19 باید از روی داده های خرد برای درک گسترش ویروس تجزیه و تحلیل شود. از این رو، سطل‌های سه بعدی فضا-زمان و تجزیه و تحلیل نقاط حساس نوظهور مرتبط، روش‌های مفیدی برای آشکار کردن مناطقی هستند که بیشتر در معرض خطر بیماری همه‌گیر هستند. برای پیاده سازی این روش ها، ما سیستم اطلاعات منطقه ای اقدام سریع SITAR را با استفاده از فناوری های ESRI توسعه داده ایم. ما ابتدا نقاط نوظهور موارد ژئوکد شده COVID-19 را برای منطقه کانتابریا (اسپانیا) مدل کردیم، سپس پتانسیل پیش‌بینی این روش را با موارد انباشته برای دو ماه آینده آزمایش کردیم. نتایج تفاوت در خطر مرتبط با مناطق مبتلا به کووید-19 را نشان می دهد. این مطالعه نه تنها تشخیص می دهد که آیا یک bin از نظر آماری معنی دار است یا خیر، بلکه روندهای زمانی را نیز شناسایی می کند: یک الگوی تکراری در 58 شناسایی می شود. 31٪ از سطل های آماری معنی دار (بیشتر با رفتار نوسانی در طول دوره). در مرحله روش آزمایش، با موارد مثبت برای دو ماه آینده، ما متوجه شدیم که تنها 7.37٪ موارد خارج از سطل های سه بعدی اولیه قرار داشتند. علاوه بر این، 83.02 درصد موارد جدید در کانون‌های نوظهور قبلی از نظر آماری معنی‌دار بودند. طبق دانش ما، این اولین مطالعه ای است که سودمندی سطل های سه بعدی و مدل نقاط داغ در حال ظهور GIS ریزداده های COVID-19 را در آشکارسازی الگوهای استراتژیک همه گیری برای برنامه های پیشگیری جغرافیایی نشان می دهد. 02 درصد موارد جدید در کانون‌های نوظهور قبلی از نظر آماری معنی‌دار بودند. طبق دانش ما، این اولین مطالعه ای است که سودمندی سطل های سه بعدی و مدل نقاط داغ در حال ظهور GIS ریزداده های COVID-19 را در آشکارسازی الگوهای استراتژیک همه گیری برای برنامه های پیشگیری جغرافیایی نشان می دهد. 02 درصد موارد جدید در کانون‌های نوظهور قبلی از نظر آماری معنی‌دار بودند. طبق دانش ما، این اولین مطالعه ای است که سودمندی سطل های سه بعدی و مدل نقاط داغ در حال ظهور GIS ریزداده های COVID-19 را در آشکارسازی الگوهای استراتژیک همه گیری برای برنامه های پیشگیری جغرافیایی نشان می دهد.

کلید واژه ها:

نقاط داغ در حال ظهور ; مکان اطلاعاتی ؛ الگوهای فضایی ؛ میکروداده ; روند فضا-زمان ؛ ژئوپیشگیری

1. مقدمه

اسپانیا در دوره پس از کریسمس، موج سوم شیوع کووید-19 را متحمل شده است. در پایان قرنطینه شدید از مارس تا ژوئن 2020، مدیریت همه‌گیری از دولت ملی به سیاست‌گذاران بهداشت منطقه‌ای غیرمتمرکز شد. از آن زمان، هر منطقه در کشور قوانین و محدودیت‌های متفاوتی را برای غلبه بر هر موجی از همه‌گیری وضع کرده است. . در این زمینه، با جمعیتی نزدیک به 47.5 میلیون نفر و با دومین وضعیت اضطراری اعلام شده برای جبران قانون اساسی در مناطق (معروف به “جوامع خودمختار”)، اسپانیا در فوریه 2021 به 3،000،000 مورد COVID-19 رسید. قرنطینه های محیطی منطقه ای، کار می کنند. از خانه و ساعات کاهش یافته، در میان سایر موارد، برای جلوگیری از گسترش همه گیری ناکافی است. مطالعات تشخیصی کافی در مورد این راه حل ها وجود ندارد.
در این زمینه، این تحقیق در چارچوب همکاری ایجاد شده توسط دانشگاه کانتابریا، موسسه تحقیقات بیمارستان والدسیلا (IDIVAL) و وزارت بهداشت دولت منطقه ای کانتابریا تنظیم شده است. از روش‌های مبتنی بر سیستم‌های اطلاعات جغرافیایی (GIS) استفاده می‌کند و هدف اصلی آن تحلیل و مدل‌سازی روند فضا-زمانی موارد COVID-19 از دیدگاهی یکپارچه است. مجموعه داده‌های روزانه موارد، نقشه‌های حرارتی و نقشه‌های متحرک گسترش همه‌گیری برای تعیین کمیت الگوی فضایی COVID-19 و تمایز سطح خطر در بسیاری از مناطق با نرخ‌های بروز تجمعی مشابه در یک زمان معین کافی نیستند. حجم زیاد داده ها و وضوح زمانی بالا (روزانه) می تواند مانع دستیابی به دانش استراتژیک در مورد الگوی فضایی ویروس شود و مهمتر از آن، رفتار فضایی مورد انتظار آن بنابراین این تحقیق به دنبال استفاده از اطلاعات GIS و مکان در موارد همه‌گیری COVID-19، و به طور خاص برای آزمایش پتانسیل سطل‌های سه بعدی فضا-زمان و نقاط داغ در حال ظهور برای ارائه درک و ترسیم الگوی فضایی COVID-19 است.
در راستای چارچوب همکاری تحقیقاتی ما، منطقه مورد مطالعه، جامعه خودمختار کانتابریا (شمال اسپانیا) است. نتایج تحقیقات ما در قالب گزارش های داخلی به مقامات بهداشتی دولت منطقه ای ارائه می شود.
سهم روش‌شناختی ما دارای دو ستون اصلی است: کدگذاری جغرافیایی یک رکورد روزانه ریزداده موارد COVID-19 و پیاده‌سازی یک سیستم اطلاعات منطقه‌ای اقدام سریع (دسک‌تاپ و ابر) به نام SITAR با استفاده از فناوری‌های ESRI [ 1 ].
سهم تجزیه و تحلیل GIS در درک فضایی و کنترل بیماری ها یک زمینه تحقیقاتی گسترده است. از این نظر، بررسی EK Cromley [ 2 ] در مورد استفاده از GIS برای پرداختن به سؤالات تحقیقات اپیدمیولوژیک، ارزش آن را در geocoding و تجزیه و تحلیل الگوهای محلی شرایط سلامت برجسته می کند، که در آن خودهمبستگی و خوشه بندی فضا-زمان دو رویکرد توسعه یافته هستند. در واقع، چشم انداز هوش مکانی به عنوان یک رویکرد مهم برای کمی سازی وقوع بیماری و طراحی اقدامات کنترل بیماری برجسته شده است [ 3 ]. بنابراین GIS و دیدگاه جغرافیایی می توانند به اطمینان از تشخیص و کنترل سریع شیوع COVID-19 در مرحله کاهش خطر کمک کنند [ 4 ].
حجم زیادی از ادبیات در مورد تجزیه و تحلیل فضایی و استفاده از روش های زمین آماری برای مطالعه الگوهای فضایی و تشخیص خوشه ای بیماری ها وجود دارد. بخشی از این پیشینه علمی از دیدگاه جزئی کمک به نرم‌افزارها و روش‌ها قابل توجه است (اگرچه این مطالعات برای بیماری‌هایی غیر از COVID-19 اعمال می‌شوند). نمونه‌ها شامل مطالعه با استفاده از بسته نرم‌افزاری SaTScan برای شناسایی خوشه‌های بیماری حادثه بر اساس روند فضا-زمان برای تنظیم نظارت عملی [ 5 ، 6 ] و استفاده از خوشه‌های فضا-زمان با ترکیب SaTScan برای احتمال پواسون با نرم‌افزار GIS (ArcGIS) برای تعیین است. شاخص خود همبستگی موران و تحلیل الگوهای سل [ 7]. ویروس دنگی نیز با خود همبستگی و آمار SaTScan Kulldorff با خود همبستگی بالا و حرکت خوشه‌بندی ویروس در طول زمان مورد تجزیه و تحلیل قرار گرفت [ 8 ]. در ارتباط با این، مقالات تحقیقاتی زیادی در مورد فرآیندهای گسترش اپیدمی‌ها وجود دارد که از خوشه‌های فضا-زمان استفاده می‌کنند و حتی برخی از مطالعات منابع احتمالی سرایت را ردیابی می‌کنند [ 9 ].
در ارتباط با هدف مدل‌سازی خوشه‌های مکانی-زمانی در مسائل بهداشتی، ما در نظر می‌گیریم که روش‌شناسی سطل‌های سه بعدی و نقاط داغ در حال ظهور دارای مزایای نسبی در بخش 1 است. این موارد عبارتند از: عدم شرطی سازی داده ها با راه اندازی واحدهای اداری (که در هر صورت از مشکلات ناشی از واحد فضایی قابل اصلاح برای تحلیل دیاکرونیک جلوگیری می کند)، امکان کاربردهای مقیاس پذیر از سطوح درون شهری به سطح منطقه ای و بالاتر و در نهایت دقت فضایی. از مراحل اولیه روش گنجانده شده است، زیرا از وقوع موارد از ویژگی های نقطه ای ریزداده های جغرافیایی کدگذاری شده شروع می شود. تعداد قابل توجهی از مطالعات خوشه‌ها با دیدگاه مکانی-زمانی بر اساس موارد جمع‌آوری شده برای استان‌ها، شهرداری‌ها یا سایر واحدها است [ 10 ].]، که در اصل نتایج الگوهای بیماری را به واحدهای پایه ای مشروط می کند که بسته به موضوع بهداشتی مورد توجه، نماینده نیستند. از سوی دیگر، متغیر زمانی خوشه اغلب به پس‌زمینه منتقل می‌شود و به‌عنوان انباشت موارد در یک دوره زمانی درک می‌شود نه به‌عنوان تمایز درونی آنچه در یک فضای معین در بازه‌های زمانی اتفاق می‌افتد (اسلاید). بنابراین، سطل‌های سه‌بعدی را می‌توان به عنوان یکپارچه‌سازی مدل‌های خوشه‌ای از دیدگاه‌های مکانی (اندازه مخزن) و زمانی (خط زمانی عمودی) برای نتیجه‌گیری با آشکار کردن الگوهای روند درک کرد، همانطور که در بخش 2 و بخش 3 توضیح خواهیم داد.
حتی در مقایسه با مطالعات خوشه‌ای که مبتنی بر داده‌های جغرافیایی کدگذاری شده‌اند، مانند تحقیقات جمع‌آوری‌شده در این مقاله، در نظر گرفتن امکان‌های روش سطل‌های سه بعدی برای ترکیب روندهای مکانی و زمانی، در نظر گرفتن یک چشم‌انداز استراتژیک در رابطه با تحلیل خاص در آن، مفید است. چندین جزئیات رسیدن به نتایج الگوی فضایی واضح را دشوار می کند، فراتر از تعریف مناطق پنجره دایره ای و اندازه گیری پراکندگی فضایی از طریق بیضی ها بر اساس سال [ 11 ] یا نقشه های گرمایی بیانگر [ 12 ].]. با این وجود، هر سطل به عنوان یک واحد روند فضا-زمان مصنوعی عمل می‌کند که برای آن سایر متغیرهای محیطی (ساختمان‌ها، تراکم، محتوای اجتماعی، و غیره) تخمین زده می‌شوند و نتایج الگوی به‌دست‌آمده را می‌توان با یک رویکرد مکانی و زمانی مقیاس‌پذیر در عمق مورد بررسی قرار داد. در این راستا، روش پیشنهادی به رویکرد مورد حمایت گریناف و نلسون [ 13 ] پاسخ می‌دهد که اهمیت تجزیه و تحلیل جغرافیایی برای شناسایی نقاط حساس را به عنوان راهی برای درک الگوهای فضایی و بهبود موفقیت برنامه‌ریزی مرتبط با محیط‌های امن و مسائل بهداشتی دارد.
با تمرکز بر مطالعات بهداشتی در مورد توزیع فضایی COVID-19، برخی از مطالعات الگوهای فضایی COVID-19 را با استفاده از GIS نشان می‌دهند. مقالات جالبی وجود دارد که به COVID-19 و عوامل محیطی خارجی، مانند تحرک در مناطق شهری [ 14 ] مربوط می شود. مقالات دیگر به دنبال تجزیه و تحلیل شیوع ویروس به طور غیرمستقیم با استفاده از ویژگی‌های مناطق آسیب‌دیده اصلی از نظر درآمد، فعالیت‌های اقتصادی و تراکم جمعیت هستند [ 15 ، 16 ، 17 ، 18 ، 19 ].]. پروژه‌هایی که رگرسیون وزن‌دار جغرافیایی را در الگوهای فضایی COVID-19 اعمال می‌کنند، دریافتند که اثرات مقیاس ضروری هستند و عوامل اجتماعی جمعیت‌شناختی و تأثیرات آن‌ها بر گسترش COVID-19 بسته به مقیاس، اثرات متفاوتی را ایجاد می‌کنند [ 20 ]. با این حال، روش سطل‌های سه‌بعدی منابع جالبی بر اساس تحلیل رویدادهای نقطه‌ای در زمینه ایمنی (الگوهای جرم [ 21 ] و تصادفات رانندگی [ 22 ])، یا حتی در زمینه سلامت، به‌ویژه در سایر بیماری‌های تنفسی، مانند ریوی دارد. موارد سل [ 23 ] که در بخش 4 به آنها اشاره خواهیم کرد .
در این زمینه، پروژه گزارش شده در اینجا بر اساس تحقیقات میدانی گسترده است، همانطور که در بالا ذکر شد، اما شامل رویکردهای جدید مربوط به دو ویژگی اصلی است: مجموعه داده COVID-19 و یک پیشنهاد روش شناختی مقیاس پذیر. این جزئیات را نمی‌توان به‌طور جداگانه بدیع در نظر گرفت، اما هیچ مقاله قبلی در مورد کاربرد خوشه‌بندی فضا-زمان با استفاده از سطل‌های سه بعدی و نقاط داغ در حال ظهور برای ریزداده‌ها در مورد موارد گزارش‌شده COVID-19 وجود ندارد.
با تمرکز گسترده تر، انتشارات بسیار کمی در مورد کاربرد تجزیه و تحلیل سطل سه بعدی برای همه گیری وجود دارد. یک پروژه وجود دارد که الگوی مکانی-زمانی در چین را بر اساس سطل های سه بعدی در نظر می گیرد، اما مجموعه داده منبع به شهرها اشاره دارد و نویسندگان در مقاله خود نتیجه می گیرند که این مقیاس بزرگ یک محدودیت است [ 24 ].
اصالت رویکرد ما مبتنی بر پتانسیل استفاده از ریزداده در COVID-19 (هر مورد گزارش شده یک نقطه است) به عنوان منبع اصلی برای طراحی روش‌های مقیاس‌پذیر و پیشرفت قابل توجه در درک رفتار فضایی ویروس است. سایر نویسندگان قبلاً نیاز به استفاده از یک لایه نقطه ای با موارد COVID-19 را برای تجزیه و تحلیل شیوع ویروس مشاهده کرده اند. برخی از آنها همچنین روش های اصلی را برای شناسایی مکان های پراکسی برای غلبه بر عدم در دسترس بودن ریزداده های رسمی پیشنهاد کرده اند [ 25 ].
در نهایت، سومین رویکرد اصلی مرتبط با تحقیق خود را معرفی می‌کنیم. مرحله آزمایش پتانسیل پیش‌بینی کوتاه‌مدت تجزیه و تحلیل نقاط نوظهور با استفاده از GIS را نشان می‌دهد: حدود 83 درصد موارد جدید برای دو ماه بعد در یک کانون نوظهور قبلی از نظر آماری معنی‌دار قرار داشتند. با توجه به چالش‌های ناشی از موج سوم و چهارم بالقوه همه‌گیری، تکامل فضا-زمان تمرکز مورد استفاده باید در اولویت قرار گیرد. در این زمینه، استفاده از ژئوتکنولوژی از منظر بین رشته‌ای راه جالبی برای مقابله با COVID-19، همه‌گیری جهانی اوایل قرن بیست و یکم است [ 26 ، 27 ].

2. مواد و روشها

2.1. مروری بر منطقه مورد مطالعه

این تحقیق بر روی جامعه خودمختار کانتابریا (منطقه شمالی اسپانیا) متمرکز است. کانتابریا کمی بیش از 580000 سکنه و مساحت 5300 کیلومتر مربع (2055 مایل مربع) دارد. این میانگین تراکم جمعیت نزدیک به 110/ km2 (285 مایل مربع) را نشان می دهد . با این حال، جمعیت به طور نابرابر بین شهرداری های ساحلی و دره های داخلی توزیع شده است ( شکل 1 ).
شهر پایتخت، سانتاندر، در میانه راه در امتداد ساحل واقع شده است و 172000 نفر جمعیت دارد. این بزرگترین شهر در جامعه کانتابریا و شهر اصلی یک منطقه شهری کاربردی (FUA، شناسایی شده در سطح اروپا) است که شامل Torrelavega، دومین شهر بزرگ است. سانتاندر FUA شامل 25 شهرداری با جمعیت کل 380000 نفر (کمی بیش از 65٪ از کل منطقه) است. مناطق داخلی چند مرکزی اطراف Santander-Torrelavega به دلیل عوامل متعددی از جمله تعداد ساکنان، تراکم جمعیت، تمرکز فعالیت‌ها، زیرساخت‌های اصلی حمل‌ونقل و نقش برجسته در رفت‌وآمدهای روزانه بین نواحی مرکزی و دورافتاده، برجسته است [ 28 ].
تحقیقات ما در مورد تکامل کلی همه‌گیری در کانتابریا بر دو دوره متمرکز است: مرحله روش اول، از آغاز داده‌های گزارش شده رسمی در مورد همه‌گیری (مارس 2020) تا شروع موج دوم (نوامبر 2020) و روش دوم. مرحله، بر اساس موارد گزارش شده به مدت دو ماه از نوامبر 2020 تا ژانویه 2021، مصادف با موج سوم. همانطور که شکل 2 نشان می دهد، داده های تجمعی نشان می دهد که موارد در نوامبر 2020 از 15000 فراتر رفته است (پایان مرحله اول در اینجا تجزیه و تحلیل می شود). در آن زمان، میزان بروز تجمعی بسیار بالا بود، بیش از 500 مورد در هر 100000 نفر.

2.2. منبع اصلی: داده‌های کوچک روزانه در مورد موارد گزارش شده

این تحقیق بر اساس ریز داده‌های روزانه در قالب موارد مثبت COVID-19 گزارش شده توسط دولت کانتابریا (اسپانیا) است. مجوز گزارش داده‌ها فقط در زمینه خط تحقیقاتی ما توسط کمیته اخلاق تحقیقات پزشکی کانتابریا (CEIm) در ژوئن 2020 (شناسه: 2020.238) اعطا شد. نویسندگان مایلند توضیح دهند که رکورد ریزداده ناشناس است، به دلیل قوانین حفاظت از داده ها در سطح بین المللی (مقررات اتحادیه اروپا 2016/679 پارلمان اروپا و شورای 27 آوریل 2016) و همچنین در سطح داخلی (قانون چارچوب). 3/2018 در مورد حفاظت از داده های شخصی و تضمین حقوق دیجیتالی 5 دسامبر 2018).
این فایل‌های روزانه دارای ساختار جدولی با داده‌های مربوط به همه افرادی هستند که آزمایش COVID-19 در کانتابریا مثبت بوده است. ریزداده ها همچنین شامل بسیاری از زمینه های مرتبط با حوزه های موضوعی مختلف می شود: مکان (آدرس، شهر، شهرداری و کد پستی)، مشخصات جمعیتی (جنسیت، سن و رده شغلی در مورد پرسنل مراقبت های بهداشتی) و در نهایت، ساختار سلامت و جزئیات ویروس ( تاریخ شروع و پایان، منطقه بهداشتی اختصاص داده شده، وضعیت COVID-19 (مثبت اگر ویروس فعال، درمان شده یا فوت کرده باشد)، نوع آزمایش، زمینه‌های باینری مربوط به بستری شدن در بیمارستان، بخش مراقبت‌های ویژه و خانه‌های مراقبت مسکونی (اگر فرد مبتلا در چنین شرایطی زندگی می‌کند. خانه)). جدای از زمینه های لازم برای هر مورد COVID-19، برخی از ویژگی ها به شرایط خاص بیماری همه گیر در اسپانیا مربوط می شود: داده‌های مربوط به طبقه‌بندی شغلی برای افراد آلوده که در بخش مراقبت‌های بهداشتی کار می‌کنند به شیوع بالای ویروس در بین ارائه‌دهندگان خدمات بهداشتی مرتبط است (بیش از 83000 مبتلا، یعنی حدود 5٪ از کل بیماران COVID-19 در اسپانیا). و زمینه خانه های نگهداری از سالمندان مربوط به شیوع بالای موج اول ویروس در اسپانیا در چنین خانه هایی است. در تحقیق ما، موارد COVID-19 در میان ساکنان خانه‌های سالمندان از هم جدا می‌شوند، زیرا استراتژی‌های ژئوپیشگیری در چنین شرایطی با سایر موارد متفاوت است: اگر آنها در روش‌شناسی ما گنجانده شوند، می‌توانند منجر به اشتباه خواندن نتایج آماری و نقشه‌برداری شوند. حدود 5٪ از کل بیماران COVID-19 در اسپانیا)؛ و زمینه خانه های نگهداری از سالمندان مربوط به شیوع بالای موج اول ویروس در اسپانیا در چنین خانه هایی است. در تحقیق ما، موارد COVID-19 در میان ساکنان خانه‌های سالمندان از هم جدا می‌شوند، زیرا استراتژی‌های ژئوپیشگیری در چنین شرایطی با سایر موارد متفاوت است: اگر آنها در روش‌شناسی ما گنجانده شوند، می‌توانند منجر به اشتباه خواندن نتایج آماری و نقشه‌برداری شوند. حدود 5٪ از کل بیماران COVID-19 در اسپانیا)؛ و زمینه خانه های نگهداری از سالمندان مربوط به شیوع بالای موج اول ویروس در اسپانیا در چنین خانه هایی است. در تحقیق ما، موارد COVID-19 در میان ساکنان خانه‌های سالمندان از هم جدا می‌شوند، زیرا استراتژی‌های ژئوپیشگیری در چنین شرایطی با سایر موارد متفاوت است: اگر آنها در روش‌شناسی ما گنجانده شوند، می‌توانند منجر به اشتباه خواندن نتایج آماری و نقشه‌برداری شوند.
در ارتباط با ارقام اصلی و داده های کلی از منظر مبتنی بر زمان، رکورد ریزداده روزانه تا پایان مرحله اول این تحقیق (نوامبر 2020) بیش از 15000 مورد (ردیف در جدول ریزداده) را از ابتدا (مارس) نشان می دهد. 2020) و نزدیک به 21000 تا پایان مرحله دوم تحقیق (با بیش از 5000 مورد جدید از نوامبر 2020 تا ژانویه 2021). با نگاهی به تعداد کل سوابق در مطالعه ( جدول 1، باید روشن شود که در هر دو مرحله تجزیه و تحلیل، ما داده های جغرافیایی کدگذاری شده مربوطه را از موارد اولیه گزارش شده در قالب جدول برای بیش از 97٪ رکوردها به دست آوردیم. سوابق از دست رفته را می توان به شرایط مختلفی نسبت داد، مانند موارد مثبت از مناطق دیگر که در هنگام بازدید بیماران از کانتابریا یا عدم وجود آدرس های خاص در داده ها شناسایی شد. علاوه بر این، با در نظر گرفتن اینکه در نظر گرفتن مکان برای موارد در خانه های سالمندان ممکن است گمراه کننده باشد، چنین مواردی از لایه پایه فیلتر شدند، بنابراین مطالعه نهایی عمدتاً بر روی موارد جغرافیایی کدگذاری شده افرادی متمرکز شد که در خانه های سالمندان زندگی نمی کردند. مسن.

2.3. روش های پژوهش

روش پیشنهادی مبتنی بر فناوری اطلاعات جغرافیایی و توابع تحلیل فضایی است. ما سیستم اطلاعات منطقه‌ای اقدام سریع SITAR را با استفاده از دو محیط از اکوسیستم فن‌آوری‌های ESRI، که توسط مجوز کاربر متعلق به دانشگاه کانتابریا قابل دسترسی است، پیاده‌سازی می‌کنیم.
به طور خاص، ما از ArcGIS Pro به عنوان یک سیستم اطلاعات جغرافیایی رومیزی (GIS) و ArcGIS Online به عنوان یک ابر GIS با داشبورد عملیات برای ArcGIS، Web AppBuilder و Experience Builder استفاده می کنیم. مزیت اصلی SITAR عادی سازی و یکپارچه سازی پایگاه های جغرافیایی است که شامل داده های بسیاری از منابع مختلف است. جدای از منابع ارائه شده توسط موسسات رسمی، SITAR شامل داده های جغرافیایی، جمعیتی و اجتماعی-اقتصادی از مرکز ESRI COVID-19 GIS [ 30 ]، سرویس ArcGIS GeoEnrichment مبتنی بر فناوری های کلان داده [ 31 ] است.] و در نهایت Web Map Services برای اتصال به نقشه برداری جهانی (تصاویر ماهواره ای یا مشابه). سیستم اطلاعات سرزمینی ما همچنین دارای یک دیدگاه چند مقیاسی در مقیاس دقیق از ساختمان‌ها (لایه کاداستر) و موارد داده‌های کووید-19 تا شهرداری‌ها و کل جامعه خودمختار کانتابریا است. این ساختار GIS چند مقیاسی در پیشنهاد یک روش معتبر ضروری است، زیرا دانش الگوهای فضایی COVID-19 نشان می دهد که مقیاس اساسی است [ 32 ]]. یک عامل یا نظریه ای که در سطح کشور معتبر است، اگر در سطح نهاد دپارتمان یا حتی در سطح محله (مقیاس های تفصیلی) تفکیک شود، ممکن است چنین نباشد. بنابراین، پیاده سازی یک ساختار GIS، مانند SITAR، با داده های دقیق که در صورت لزوم می تواند در سطوح یا موجودیت های بالاتر تجمیع شود، مفید است.
گردش کار روش شناختی در دو مرحله سازماندهی شده است ( شکل 3). هر دو از ریز داده‌های COVID-19 استفاده می‌کنند که توسط چندین فیلد برای تولید مجموعه داده‌های نقطه برداری جغرافیایی کدگذاری شده‌اند. داده های کوچک جدولی ارائه شده توسط مقامات بهداشتی دولت کانتابریا در SITAR گنجانده شده است، جایی که آنها از زمینه های مختلف مرتبط با مکان کدگذاری می شوند: خیابان و شماره پورتال، کد پستی، نام شهر، روستا یا شهر و شهرداری. با این حال، ورودی های داده برای دو مرحله از دو دوره متوالی هستند و اهداف متفاوتی را دنبال می کنند: مرحله اول بر تجزیه و تحلیل الگوی فضا-زمانی COVID-19 از ابتدا تا موج دوم متمرکز است و مرحله دوم به دنبال آزمایش پتانسیل پیش بینی مدل مرحله اول با استفاده از موارد جدید برای یک دوره دو ماهه متوالی.

2.3.1. مرحله اول، از مارس تا نوامبر 2020: سطل های سه بعدی و تجزیه و تحلیل نقاط داغ در حال ظهور

این بخش از روش پیشنهادی بر شناسایی روندهای COVID-19 در مکان و زمان متمرکز است. بر این اساس، با توجه به اینکه منبع اصلی ما یک رکورد بسیار دقیق از مکان‌های موارد مثبت COVID-19 است، ما یک طرح روش‌شناختی را انتخاب کردیم که دانه‌بندی بالای مکانی و زمانی مجموعه داده اولیه را برجسته می‌کند و به موازات آن قادر به تولید یک مدل بیانی برای شناسایی مناطق خطر که توسط نهادهای اداری چند ضلعی مشروط نشده است. این دلیل اصلی طراحی روشی مبتنی بر سطل های سه بعدی و تجزیه و تحلیل نقاط نوظهور است. این تجزیه و تحلیل‌های GIS توسط محققان برای سایر بیماری‌ها به کار گرفته شده‌اند، با نتایج جالبی، زیرا می‌توانند مناطق دقیقی را که در طول دوره مورد بررسی بیشتر در معرض خطر بیماری همه‌گیر هستند، نشان دهند [ 33 ].]. در واقع، کانون های اضطراری می توانند (بسته به دانه بندی مکانی و زمانی) نه تنها برای تجزیه و تحلیل، بلکه برای پیش بینی الگوی فضایی ویروس با دیدگاه چند مقیاسی مفید باشند [ 34 ]. با این حال، همانطور که در مقدمه ذکر شد، روش ما در مطالعه خاص الگوهای فضایی COVID-19 نوآورانه است.
قبل از اینکه جزئیات روش را ارائه کنیم، باید به این نکته اشاره کنیم که تجزیه و تحلیل 3D bin شامل پارامترهایی (برای زمان یا اسلایدهای زمانی و فاصله یا اندازه مکعب) است که می تواند نتایج را تغییر دهد. بسیاری از نویسندگان هشدار می دهند که این روش می تواند خوشه های اخیراً در حال ظهور را پنهان کند، به خصوص اگر تحقیق شامل یک دوره زمانی طولانی باشد [ 35 ].
روش شناسی مرحله اول با یک تحلیل اکتشافی آغاز می شود که ما را قادر می سازد تا اهمیت آماری الگوهای فضایی همه گیری را تأیید کنیم. این کار اکتشافی همچنین پارامتر فاصله را برای مدل سطل های سه بعدی به ما می دهد.
تجزیه و تحلیل خودهمبستگی فضایی COVID-19 نشان می دهد که توزیع 13907 مورد تصادفی نیست. علاوه بر این، شاخص موران تأیید می کند که الگوی فضایی موارد COVID-19 از نظر آماری معنادار است و توزیع خوشه ای را نشان می دهد. در واقع، امتیاز Z 6.56 (تا 2.58) حاکی از احتمال کمتر از 1٪ از توزیع تصادفی موارد COVID-19 است.
شایان ذکر است که با بررسی شاخص موران شامل موارد در منازل سالمندان دریافتیم که اگرچه الگوی فضایی تصادفی نبود، مقدار p از 0 به 0.19 افزایش یافت و احتمال توزیع غیرتصادفی کمتر بود (زیر 5٪). به جای کمتر از 1٪ بدون مورد در خانه های سالمندان). این نتایج مقایسه ای (با و بدون موارد منازل مسکونی) اهمیت حذف چنین مواردی را برای جلوگیری از تحریف نتایج آماری تایید می کند. علاوه بر این، در موارد خانه های سالمندان، شیوع کووید-19 و تمرکز فضایی به هم پیوسته یا مرتبط هستند، در حالی که در بقیه موارد چنین ارتباط فضایی وجود ندارد.
علاوه بر این، نزدیک‌ترین فاصله همسایه، الگوی فضایی غیرتصادفی COVID-19 را تأیید می‌کند که با توزیع خوشه‌ای مطابقت دارد. همانطور که در جدول 2 نشان داده شده است ، در تحلیل نزدیکترین همسایه، میانگین فاصله مشاهده شده بین موارد 38.7 متر (0.02 مایل) و امتیاز Z (انحراف استاندارد) 201.58- (زیر 2.58-) است، بنابراین الگوی فضایی خوشه ای و غیر است. -تصادفی بار دیگر با سطح اطمینان بیش از 99٪.
تجزیه و تحلیل زمین آماری اولیه در ارائه پشتیبانی از مراحل تحقیقاتی زیر اساسی است. این واقعیت که الگوی فضایی COVID-19 از نظر آماری معنی‌دار است، تجزیه و تحلیل عمیق‌تری را بر اساس سطل‌های فضا-زمان سه‌بعدی و نقاط داغ در حال ظهور امکان‌پذیر می‌سازد. علاوه بر این، در صورت عدم وجود آستانه های استاندارد تعیین شده از زمان و مسافت (اندازه مکعب ها) برای ایجاد سطل های سه بعدی COVID-19، ما دوره های زمانی 4 هفته و فاصله پایه را بر اساس تجزیه و تحلیل آماری اولیه تعیین کردیم و به عنوان یک مرجع یک مورد انتظار را در نظر گرفتیم. آستانه فاصله 538.5 متر (334.6 مایل) به دست آمده از تجزیه و تحلیل میانگین فضایی نزدیکترین همسایه (همانطور که در جدول 2 نشان داده شده است)). این بعد فاصله از آنجایی مناسب است که از در نظر گرفتن نقاطی که موارد ابتلا به کووید در آنها وجود داشته است (در آدرس و شماره خیابان) شروع می شود و تعداد مواردی را که در طول زمان در همان موقعیت رخ داده اند به عنوان وزن در نظر می گیرد. بنابراین، ابزار ما فاصله‌ها را براساس مکان‌های منحصربه‌فردی که در آن موارد COVID-19 وجود داشته است، بدون از دست دادن شدت وقوع از وزن (تعداد موارد در یک جفت مختصات جغرافیایی) از نظر آماری شبیه‌سازی می‌کند. با این وجود، تجزیه و تحلیل اکتشافی بر اساس I موران دارای مقداری انحراف است زیرا فاصله‌های مشاهده شده و مورد انتظار را هنگام در نظر گرفتن مکان‌های منحصربه‌فرد کاهش می‌دهند، اگرچه این مکان‌ها دقیقاً با یک جفت مختصات جغرافیایی مطابقت دارند.
  • سازماندهی فواصل زمانی از سه اصل اساسی شروع می شود. اولین مورد، مراجع موقتی است که توسط مقامات بهداشتی استفاده می شود، که اغلب اصطلاحات نزدیک به دو هفته را بررسی می کنند (به عنوان مثال، برای محدود کردن تماس های نزدیک و برای تخمین حوادث انباشته 14 یا، در صورت لزوم، 7 روز برای پیروی از روند). ثانیاً، ما باید محدودیت روش شناختی ابزار ایجاد سطل های سه بعدی را در نظر بگیریم که به حداقل ده بازه زمانی نیاز دارد و در نهایت، تعداد بازه های تنظیم شده نزدیک به 10 به عنوان مازاد فواصل در آزمایش های انجام شده باعث ایجاد گشتاورهای مکعبی بیش از حد و بدون ایجاد شده است. موارد یا تعداد بسیار کم تأثیر تقسیم‌بندی زمان بیش از حد، کشورهای نوظهور را از الگوی عمومی موج همه‌گیری جدا می‌کند. در نتیجه سه معیار شرح داده شده، فاصله 4 هفته ای مناسب است زیرا شامل 2 دوره از زمان مرجع معمول برای مطالعه حوادث انباشته شده (یعنی 14 روز) است و شرایطی را برآورده می کند که روشی به کار گرفته شود که حداقل 10 لحظه را در زمان تعیین می کند. توسعه سطل زباله همانطور که قبلا ذکر شد، تجزیه و تحلیل اکتشافی اسلایدها بر اساس یک دوره (2 هفته به جای 4 هفته) تعداد زیادی سطل (بسیاری از آنها با 0 مورد) تولید کرد و نتایج کافی نبود.
  • اندازه سطل یک متریک بر اساس فاصله مورد انتظار (تحلیل نزدیکترین همسایه) از لایه نقاط دارای موارد COVID-19 و شمارش میدان وزن مکان معادل تعداد موارد مثبت در همان مختصات جغرافیایی است. این یک اندازه هدف است که نتایج را برای فاصله مشاهده شده بهبود می بخشد (سطل های بسیار کوچک و با 0 مورد یا فقط 1 مورد) و یک پارامتر هدف را برای بازتولید این روش در زمان های دیگر و جاهای دیگر می دهد، با تجزیه و تحلیل نزدیکترین همسایه که باید ابتدا محاسبه شود. . اندازه مکعب ها بر اساس فاصله مورد انتظار از اعوجاج ناشی از اندازه های مکعبی که بسیار کوچک هستند (که یک الگوی فضایی با توجه به لایه نقطه ژئوکد شده ارائه نمی دهد) و همچنین از لغو یا پنهان کردن احتمالی تفاوت های فضایی در صورتی که مکعب ها بسیار بزرگ بودند.
با استفاده از این پارامترها، این روش شامل ایجاد سطل های سه بعدی فضا-زمان در یک لایه فرم داده مشترک شبکه (NetCDF) است که در آن نقاط در ساختاری بزرگتر، منظم تر و ثابت با ابعاد مکانی و زمانی فوق الذکر (ESRI) انباشته می شوند. هر bin یک مکان منظم (با یک منطقه و حجم خاص) را نشان می دهد که در آن موارد در طول زمان در یک ساختار سه بعدی شمارش و جمع می شوند، بنابراین تعداد موارد در روش از بین نمی رود. در هر مکان سطل (جزء مکانی)، شامل تعداد موارد در طول مراحل زمانی به عنوان اسلاید (مولفه زمانی) می شود. بنابراین، مدل سطل‌های سه‌بعدی فضا-زمان بر جزئیات بیش از حد هر مکان غلبه می‌کند تا یک مدل زبانه متقاطع ساده‌شده را نشان دهد که اجزای مکانی و زمانی را ادغام می‌کند. این مدل داده جدید برای مرحله بعدی ضروری است، جایی که ما یک تجزیه و تحلیل نقاط نوظهور را برای شناسایی روندها معرفی می کنیم. این ابزار بر اساس آمار Getis-Ord Gi* برای شناسایی نقاط داغ و آمار Mann-Kendall برای تعیین روندها است.36 ]. این روش بر اساس تعداد فیلدهای کلیدی (موارد انبوه) هر سطل ثبت شده در طول زمان است.
مقایسه زوجی هر مقدار bin با مقدار مرحله زمانی بعدی برای شناسایی روند به صورت افزایشی، کاهشی یا بدون تغییر ضروری است. در ارتباط با این، این روش شامل پارامترهای دیگری برای بررسی روندهای فعلی است (مجموع موارد مورد انتظار و مشاهده شده، امتیاز Z برای یادگیری علامت روند و مقدار p برای بررسی اهمیت آماری) [ 26 ]. بر این اساس، روش Mann-Kendall یک نوع روند جالب برای سطل‌های کاهش (نقاط سرد) و سطل‌های افزایش (نقاط داغ)، با هشت نتیجه طبقه‌بندی شده بر اساس روند (هم افزایش و هم کاهش) تولید می‌کند.
2.3.2. مرحله دوم، از نوامبر 2020 تا ژانویه 2021: بررسی پتانسیل پیش بینی نقاط داغ در حال ظهور
یکی از فرضیه های روش پیشنهادی پتانسیل استفاده از نقاط داغ در حال ظهور به عنوان یک مدل پیش بینی است. بنابراین، مرحله دوم روش به دنبال بررسی موقعیت نسبی موارد جدید COVID-19 در برابر انواع نقاط داغ در حال ظهور است. این مرحله شامل کدگذاری مجدد یک دوره دو ماهه متوالی و تجزیه و تحلیل توزیع این موارد در مقایسه با نتایج در حال ظهور است.
برای این منظور لازم است موارد کووید-19 نقطه ای یا جغرافیایی جدید به صورت مکانی به چند ضلعی یا سطل ها ملحق شوند. مطابق با نتایج مورد انتظار، گزارش ها شامل این شرایط ممکن است:
  • موارد جدید خارج از کانون های نوظهور مدل شده است.
  • موارد جدید در نقاط داغ در حال ظهور قبلی، که در آن دو ترکیب ممکن وجود دارد: یکی مربوط به “هیچ الگوی شناسایی شده” است، زیرا به اهمیت آماری رسیده نیست، و دیگری شامل نقاط داغ با اهمیت آماری است.
علاوه بر این، همانطور که در بالا ذکر شد، روش پیشنهادی می تواند در مقیاس های مکانی دیگر و در دوره های زمانی دیگر تکرار شود. با توجه به روش تکرارپذیر، در مرحله دوم، سطل های سه بعدی و تجزیه و تحلیل نقاط نوظهور را از نوامبر 2020 تا ژانویه 2021 معرفی می کنیم. این با همان پارامتر فاصله (فاصله مورد انتظار از تجزیه و تحلیل نزدیکترین همسایه) و اسلایدهای زمانی دقیق تر به دلیل محاسبه می شود. محدودیت روش شناختی ده بازه زمانی (در این مورد برای پنج روز در دو ماه محاسبه می شود).
کانون نوظهور جدید برای مرحله دوم با مرحله اول با اتصال فضایی مقایسه می شود. تحلیل تکامل گونه‌شناسی‌های خاص از مدل اول مفید است.
مهم است که این مرحله را استراتژیک ببینیم، زیرا به آزمایش سودمندی روش از نظر چارچوب ژئوپیشگیری در یک دوره کوتاه مدت کمک می کند.

3. نتایج

این بخش تجزیه و تحلیل سطل های سه بعدی و نقاط داغ در حال ظهور برای جامعه خودمختار کانتابریا را در دو دوره (مرحله)، همانطور که در بخش روش شناسی ارائه شده است، ارائه می دهد.

3.1. مرحله اول: سطل های سه بعدی و نقاط داغ در کانتابریا از مارس تا نوامبر 2020

دوره در نظر گرفته شده در این تجزیه و تحلیل از ابتدای ثبت ریز داده های COVID-19 (1 مارس 2020) تا موج دوم در سوابق روزانه پیوسته است که به طور موقت در تجزیه و تحلیل در 20 نوامبر 2020 متوقف می شود. بنابراین، این توالی شامل COVID- 19 مورد (13907 رکورد) از موج اول و دوم و دور تا سوم.
نتیجه ارائه شده توسط مدل سطل‌های سه‌بعدی از این جهت آشکار است که اطلاعات را از نقاط شروع و نقشه حرارتی مربوط به آن‌ها ساده می‌کند و سلسله مراتب اثرات همه‌گیری را در قلمرو مورد تجزیه و تحلیل به نمایش می‌گذارد ( شکل 4).). موارد COVID-19 در کانتابریا در 1414 سطل با شدت و توزیع متفاوت نشان داده شده است. سطل‌ها دو سطح برجسته از تفکیک فضایی را نشان می‌دهند: اولی تفاوت بین مناطق داخلی و ساحلی، با مفصل بندی واضح در شهرداری‌های ساحلی، و دوم تمرکز در مناطق با تراکم جمعیت و تحرک بالا مانند سانتاندر است. – سرزمین داخلی Torrelavega در Santander FUA و به ویژه قوس غربی خلیج Santander، جایی که شهر سانتاندر در حال حاضر به شدت در حال گسترش است.
مکعب ها در ناحیه ساحلی شرقی بسیار بزرگتر از ناحیه ساحلی غربی هستند. دلیل اصلی این اختلاف غرب و شرق نزدیکی بیلبائو، دهمین شهر بزرگ اسپانیا است (جمعیت خود شهر تقریباً 350000 نفر است، اما منطقه شهری آن بیش از 1 میلیون نفر است). بیلبائو 100 کیلومتر (62 مایل) از سانتاندر فاصله دارد و نقش مهمی به عنوان یک قطب جاذبه اقتصادی در شمال اسپانیا دارد و در بخش شرقی کانتابریا اعمال نفوذ می کند. جریان گسترده مردم بین جوامع همسایه عامل دیگری است که در این نتایج باید در نظر گرفته شود. در سطح اروپا، FUA بیلبائو فراتر از مرزهای جامعه خودمختار کشور باسک گسترش یافته و بخش شرقی کانتابریا را شامل می شود.
در مقابل، کانتابریا داخلی دارای طرحی مبتنی بر مکعب های کوچک در بیشتر قلمرو خود است، به جز سرچشمه های منطقه ای دره های داخلی.
اولین نتیجه قابل توجه برای نقاط داغ در حال ظهور این است که از 1414 مکعب شناسایی شده در منطقه، 812 (57.43٪) هیچ الگوی آماری معنی داری را نشان نمی دهند که بتواند با یک نقطه گرم یا سرد خاص مرتبط باشد ( جدول 3 ). در واقع، از توزیع COVID-19 و در نظر گرفتن الگوی فضایی آن در طول زمان، هیچ نقطه سردی را نمی توان به دست آورد.
تجزیه و تحلیل نقاط نوظهور از نقطه نظر ژئوپیشگیری آشکار است، زیرا به طور قابل توجهی قلمروی را که در آن تمرکز تجزیه و تحلیل و در نتیجه سیاست گذاری مهم است، کاهش می دهد. در واقع، با وجود تعداد زیاد مکعب‌های بدون الگوی ذکر شده، لازم به ذکر است که تنها 24.89 درصد موارد COVID-19 در این مناطق رخ داده است.
اهمیت آماری مکعب ها به همسایگی مکانی و زمانی به طور همزمان اشاره دارد. فقدان یک الگوی واضح به این معنی است که مناطقی که در یک یا چند لحظه از زمان در طول دوره مورد بررسی موارد کووید-19 داشته‌اند، چه از نظر زمانی نسبت به بازه قبلی و چه از نظر مکانی به مناطق مجاور مرتبط نبوده‌اند. در مورد نقشه‌های حرارتی و کارتوگرافی متحرک، می‌توان راهی برای تفکیک این نقاط در نقشه گرمایی همه‌گیر به‌عنوان مناطق مشکل‌دار درک کرد و برعکس، کدام مناطق تحت پوشش طیف رنگی در یک نقشه حرارتی باید به پس‌زمینه بروند. دیدگاه رفتار فضایی COVID-19. به طور خلاصه،
نگاهی به 602 مکعب با اهمیت آماری (الگوهای جدید، نوسانی، پراکنده و متوالی) نشان می‌دهد که همگی با الگوی نقطه داغ مطابقت دارند. بسته به تعداد موارد، نتایج به شرح زیر است:
  • دویست و پنجاه و یک سطل (41.69٪) هات اسپات های جدید هستند، به عنوان مثال، این هات اسپات ها با اهمیت آماری تنها در بخش پایانی دوره مورد تجزیه و تحلیل (اکتبر تا نوامبر) هستند. این سطل ها شامل 2190 مورد (15.75 درصد از سری های تجزیه و تحلیل شده، 20.96 درصد موارد در نقاط داغ با معنی داری آماری) است.
  • صد و هفتاد و هشت سطل (29.57 درصد) هات اسپات های نوسانی هستند. اینها نقاط داغ هستند که در پایان دوره (اکتبر تا نوامبر) قابل توجه هستند اما روند قبلی را نشان می دهند که در آن نقاط سرد قابل توجهی بودند. کمتر از 90 درصد از فواصل زمانی در این موارد نقاط مهمی را نشان داده اند. در کانتابریا، این نوع نه تنها از نظر تعداد سطل‌های زباله، بلکه از نظر تعداد موارد نیز با 3163 مورد مثبت گزارش شده کووید-19 در رتبه دوم قرار دارد (22.74 درصد از سری‌های تحلیل شده، 30.28 درصد موارد در نقاط داغ با اهمیت آماری). این نوع نیز جایی است که کمترین میانگین سنی موارد تشخیص داده شده است (41.7 سال).
  • نود و هشت سطل (16.28٪) نقاط پراکنده هستند. این نوع مربوط به مکان هایی است که چندین بار در دوره در نظر گرفته شده از وضعیت هات اسپات به وضعیت غیرهات اسپات تغییر می کنند. آنها در کمتر از 90 درصد فواصل زمانی به عنوان نقاط داغ قابل توجه و هرگز به عنوان نقاط سرد قابل توجه ظاهر نمی شوند. این نوع از این نظر قابل توجه است که در 16.28 درصد از مکعب های آماری معنی دار، با مجموع 3988 مورد (28.68 درصد از سری های تجزیه و تحلیل شده، 38.18 درصد موارد در نقاط داغ با اهمیت آماری) دارای بیشترین موارد COVID-19 است. . علاوه بر این، احتمالاً مربوط به تعداد زیاد موارد است، در این الگوی کانونی است که بیشترین مرگ و میرها زمانی مشاهده می شود که کسانی که در خانه های مسکونی هستند حذف می شوند (42 مرگ، معادل 31٪).
  • هفتاد و پنج سطل (12.46 درصد) هات اسپات متوالی هستند. اینها مناطقی با نقاط مهم در یک اجرا بدون وقفه در بازه های زمانی نهایی در نظر گرفته شده هستند. این مکعب ها قبل از آخرین اجرا نقاط مهم مهمی نبودند. این هات اسپات ها از نظر تعداد موارد نیز کمترین شیوع را دارند و در مجموع 1105 مورد (7.95 درصد از سری های تجزیه و تحلیل شده، 10.58 درصد موارد در کانون های با اهمیت آماری) را به خود اختصاص داده اند.
بنابراین، مهم است که تأکید کنیم که این مطالعه نه تنها تشخیص می دهد که آیا سطل از نظر آماری معنادار است، بلکه روندهای زمانی را نیز شناسایی می کند: یک الگوی تکراری در 58.31٪ از سطل های آماری معنی دار (بیشتر با رفتار نوسانی (29.57٪) و 16.28٪ شناسایی می شود. پراکنده در طول دوره و 12.46% متوالی در پایان دوره).
علاوه بر دستورالعمل های آماری کلی، الگوی فضایی نیز بسیار جالب است ( شکل 5 ). کانون‌های جدید مناطقی از موارد جدید ایجاد می‌کنند که در مناطق شهری که قبلاً تحت تأثیر موج اول همه‌گیری قرار گرفته‌اند، پیکربندی محیطی به شکل حلقه‌هایی در اطراف مناطقی دارند که قبلاً غلظت بالایی از موارد داشتند. به نظر می رسد که این روند فضایی گسترش COVID-19 در منطقه ساحلی مرکزی و شرقی را منعکس می کند. در مقابل، در نواحی روستایی، بیشتر نقاط داغ مربوط به مکان‌های جدید در شهرهای اصلی در مناطق روستایی منطقه است.
انواع با موارد متناوب در طول زمان در مناطق شهری دو شهر اصلی، Santander و Torrelavega، و در لبه‌های Santander در قوس شهری خلیج متمرکز شده‌اند. قابل توجه است که این گونه‌ها با هم مخلوط نمی‌شوند، بلکه در جهت شرق به غرب در سانتاندر و شمال به جنوب در Torrelavega جدا می‌شوند، با نقاط داغ پراکنده که با مناطق مرفه‌تر منطبق هستند و کانون‌های نوسانی با مناطق متوسط‌تر.
از این رو، با توجه به الگوهای فضایی به‌دست‌آمده، تأکید می‌کنیم که سطل‌های فضا-زمان سه‌بعدی و تجزیه و تحلیل کانون‌های نوظهور مرتبط، روش‌های مفیدی برای آشکار کردن مناطقی هستند که بیشتر در معرض خطر بیماری همه‌گیر هستند.

3.2. آزمایش پتانسیل پیش‌بینی مدل اولیه در حال ظهور: گسترش همه‌گیری دو ماه بعد

دوره در نظر گرفته شده در این مرحله بررسی پس از پایان مرحله اول شروع می شود و از رکورد ریز داده های COVID-19 به مدت دو ماه (از 21 نوامبر 2020 تا 21 ژانویه 2021) استفاده می کند. ما توزیع 5766 مورد جدید COVID-19 را در رابطه با مدل نقاط داغ در حال ظهور که قبلا ارائه شده بود تجزیه و تحلیل می‌کنیم.
همانطور که در بخش روش‌شناسی توضیح داده شد، مرحله دوم این تحقیق شامل دو رویکرد است: مکان‌های نسبی موارد جدید COVID-19 در خارج/داخل کانون‌های نوظهور از مرحله یک؛ و سپس سطل های سه بعدی جدید و مدل نقاط نوظهور فقط برای موارد این دوره اعمال می شود. ما به نتایج جالبی دست یافتیم که در زیر گزارش شده است.

3.2.1. قدرت پیش بینی تجزیه و تحلیل نقاط داغ در حال ظهور تأیید شده است

مکان‌های موارد جدید COVID-19 در رابطه با کانون‌های نوظهور از مرحله اول نشان می‌دهد که 92.63٪ موارد جدید (که مربوط به موج سوم است) در داخل سطل قبلی قرار دارند، به این معنی که تنها 7.37٪ موارد در خارج از خانه قرار داشته‌اند. سطل های سه بعدی اولیه، همانطور که در چکیده برجسته کردیم. علاوه بر این، 83.02 درصد موارد جدید در کانون‌های نوظهور قبلی از نظر آماری معنی‌دار بودند. این نتایج ضریب تکرار فضایی و ارزش نقشه نقاط نوظهور (بر اساس موارد موج اول و دوم) را به عنوان مقدمه موج سوم تأیید می کند. در واقع، تجزیه و تحلیل فاصله اقلیدسی موارد جدید در خارج از کانون‌های نوظهور نشان می‌دهد که اکثر آنها در مدل ما مناطق بسیار نزدیک هستند (میانگین 250 متر، 0.16 مایل است).
در رابطه با توزیع موارد جدید در داخل کانون‌های نوظهور قبلی ( جدول 4 )، ذکر نقش ثانویه مناطقی که هیچ الگوی در آن‌ها وجود ندارد، مهم است: آنها از نظر مساحت (57.43%) بزرگترین هستند، اما تنها 16.98 را به خود اختصاص داده‌اند. درصد موارد جدید این دومین نتیجه اصلی مرحله بررسی ما است: 83.02٪ موارد جدید در نقاط داغ در حال ظهور قبلی با الگوهای نوظهور قابل توجه همزمان است.
انواع نوظهور که شامل کانون های موقت تکرار شونده در مرحله اول بودند، 55.48 درصد موارد جدید را تشکیل می دهند (25.37 درصد در نوسان و 30.11 در سطل های پراکنده). مجدداً، یک الگوی تکرار نشان داده شده است، و انواعی که در روندها به عنوان نقاط مهم مهم (جدید و متوالی) نشان داده شده‌اند، میزبان 27.54 درصد موارد موج سوم COVID-19 جدید هستند.
3.2.2. الگوهای در حال ظهور دو ماه بعد شناسایی شدند
استفاده از سطل‌های سه بعدی جدید و مدل نقاط نوظهور فقط برای موارد از نوامبر 2020 تا ژانویه 2021 منجر به 900 سطل سه بعدی و یک الگوی در حال ظهور جالب می‌شود، جایی که نوع جدیدی از کانون تشدیدکننده ظاهر می‌شود. ما فرض می‌کنیم که این اثر در نظر گرفتن یک دوره کوتاه‌تر است، که با آن نتایج روندهای دقیق‌تری را نشان می‌دهند.
با این حال، در مرحله بررسی، ما به دنبال تجزیه و تحلیل تغییرات مرتبط در الگوهای در حال ظهور از نقطه نظر ژئوپیشگیری هستیم. برای این منظور، ما از اتصال فضایی برای تجزیه و تحلیل متقاطع نقاط داغ نوظهور جدید با مدل مرحله اول استفاده می کنیم و 27 ترکیب را به دست می آوریم ( جدول 5 ). یک سوم سطل ها نوع خود را تغییر نمی دهند.
با تمرکز بر تغییرات، ما پیشنهاد می‌کنیم بر روی پرخطرترین الگوهای مرتبط با پیشگیری جغرافیایی تمرکز کنید، یعنی مناطقی که آخرین روند نشان‌دهنده تشدید الگوها یا مناطق جدید COVID-19 است. این انواع در جدول 5 با علامت ** مشخص شده اند. مناطقی که قبلا پراکنده بودند اما در مرحله دو به کانون‌های تشدیدکننده تغییر یافته‌اند، از جذابیت خاصی برخوردار هستند. آنها عمدتاً در مرکز شهر سانتاندر قرار دارند، جایی که بیش از 1400 مورد جدید در این دو ماه اخیر وجود دارد. این روند یکپارچه سازی نقاط داغ در حال ظهور را در رابطه با روند زمانی اخیر نشان می دهد.
در مقابل، 651 مورد جدید در نقاط داغ قرار دارند که از حالت نوسانی به تشدید (326 مورد) یا متوالی (325 مورد) تغییر کرده اند. توزیع آنها با مناطق کمتر ثروتمند در نزدیکی شهرهای اصلی کانتابریا (سانتاندر و تورلاوگا) مرتبط است.
برای نتیجه گیری، ما تأکید می کنیم که توزیع نوع دوم از نظر تعداد موارد (1013)، یعنی آن چیزی که در آن هیچ الگوی در هر یک از مراحل تشخیص داده نمی شود، در کانتابریا با مناطق کم تراکم (پیرامون شهری و دره های ساحلی و داخلی روستایی با مدل مسکونی مبتنی بر خانه های تک خانواری).

4. بحث

یافته‌های ما نشان می‌دهد که ریزداده‌های COVID-19 روش مفیدی برای تفسیر روندهای پشت نقاط نوظهور با چشم‌انداز چند مقیاسی ارائه می‌کنند. علاوه بر این، روش مبتنی بر سطل های فضا-زمان دارای پتانسیل بالایی برای به دست آوردن الگوهای فضایی قابل توجهی از نقاط داغ با هر دو دیدگاه مکانی و زمانی است.
این امر ضروری است زیرا داده‌های COVID-19 با سطح بالایی از تفکیک مکانی (نقاطی مانند مختصات پس از کدگذاری جغرافیایی) و با دانه‌بندی بالا (روزانه) باید به درستی تجزیه و تحلیل شوند تا بتوان آنها را به اطلاعات مکانی استراتژیک تبدیل کرد. به عبارت دیگر، توالی داده‌های بهینه می‌تواند بی‌فایده باشد (غیر از نقشه‌های گرمایی بیانی یا نرخ‌های وقوع تجمعی برای مناطق یا مناطق بهداشتی) اگر با استفاده از تحلیل زمین آماری بیانی تحلیل نشوند.
در این راستا، مرحله اول مطالعه ما مشارکت تشخیصی ارائه شده توسط ترکیبی از تجزیه و تحلیل اکتشافی اهمیت آماری، محاسبات سطل‌های فضا-زمان و نقاط داغ در حال ظهور را نشان می‌دهد. فیلترهای بازگشتی از مکعب‌ها وجود دارد که از نظر آماری نسبت به مکعب‌هایی که هستند، معنی‌دار نیستند و در درون مکعب‌ها، نوعی فیلتر وجود دارد که ممکن است مناطق خاصی را که در آن انجام عمل مفید است نشان دهد. بنابراین ما پتانسیل بالای چنین تحلیلی را برای برنامه ریزی اقدامات ژئوپیشگیری دوره ای در مناطق آسیب دیده تایید می کنیم.
این نتایج برای کاهش گسترش و تمایز یک تمرکز مشکل‌ساز از سایرین مهم هستند و به سوال کلیدی «کجا؟» پاسخ می‌دهند. به‌عنوان هدف اصلی از نظر کامل و گراتی [ 37 ]. در رابطه با این، علوم زمین فضایی نقش استراتژیک در کوتاه کردن زمان پاسخ برای مدیریت اجتماعی دارند [ 38 ].
همانطور که در مقدمه ذکر شد، پشتیبانی علمی قابل توجهی برای روش های خوشه فضایی به کار رفته در تحقیقات بهداشتی وجود دارد. با این حال، می‌دانیم که یکی از محدودیت‌های تحقیق ما این است که نمی‌توانیم نتایج خود را با نتایج سایر مطالعات در مقیاس‌های مشابه برای موضوع مشابه، COVID-19 مقایسه کنیم، همانطور که قبلاً در مورد سایر نویسندگان با الگوهای شناسایی شده در موارد دیگر اتفاق افتاده است. بیماری های تنفسی مانند موارد سل ریوی، که در آن نویسندگان از حدود 1000 پرونده به عنوان یک مطالعه کلیدی برای اجرای برنامه های پیشگیری مناسب استفاده می کنند [ 23 ]]. با این حال، تا آنجا که شباهت‌هایی در رویکرد استفاده از سطل‌های فضا-زمان سه‌بعدی در تحقیقات دیگر مشاهده می‌شود، می‌توان قرابت موضوعی را شناسایی کرد که، مانند ما، به دنبال کمک به طرح‌های پیشگیری جغرافیایی هستند. این مفهوم فراتر از تحقیقات بهداشتی است و می تواند به موضوعات مورد علاقه دیگر مانند ایمنی [ 21 ، 22 ] تعمیم داده شود، جایی که شباهت هایی با روش مورد استفاده ما برای تجزیه و تحلیل لایه نقطه وجود دارد، در مورد ما با یک رویکرد جدید به پیشگیری جغرافیایی در سلامت و به طور دقیق تر در رابطه با یک هدف تحقیقاتی اولویت دار: COVID-19.
درست است که سودمندی نتایج ما از نظر زمانی محدود است و می‌توانند به عنوان تابعی از روندها در طول زمان و پارامترهای مرتبط با مقیاس فضایی تحلیل، دستخوش تغییرات شوند. در واقع، زمانی که از دوره‌های زمانی طولانی استفاده می‌شود (که با سری‌های روزانه و با فعال بودن کامل ویروس COVID-19 می‌تواند به معنای بیش از یک ماه در نظر گرفته شود)، انواع خاصی از نقطه‌های مهم وجود دارند که در دوره‌هایی در مجموعه‌ای از مجموعه‌ها حذف یا پوشانده می‌شوند. دوره های زمانی در نظر گرفته شده، همانطور که توسط Kulldorff برجسته شده است [ 34] در تحقیقات خود با دانه بندی زمانی متفاوت برای سال ها. این همان چیزی است که با تشدید نقاط در مطالعه ما اتفاق می‌افتد: آنها در نه ماه مرحله اول ظاهر نمی‌شوند، بلکه در مرحله دوم تحقیق در کانون‌های نوظهور در دو ماه گذشته، مطابق با موج سوم، یافت می‌شوند. چنین مقوله هایی که برای اقدامات ژئوپیشگیری بسیار مورد توجه قرار می گیرند، به دلیل طولانی بودن دوره در نظر گرفته شده می توانند در مرحله اول پنهان شوند. این جنبه حیاتی در سطح روش شناختی برای تحقیقات آتی مورد اشاره قرار می گیرد، اما ما را بی اعتبار نمی کند یا ما را به زیر سوال بردن نتایج به دست آمده سوق نمی دهد. ما به سادگی این فرصت را برای استفاده مداوم از این روش در طول زمان و در فواصل زمانی کوتاه‌تر یا گام‌های زمانی به‌عنوان یک اقدام پیگیری برای سیاست‌گذاران در زمینه پیشگیری جغرافیایی پیشنهاد می‌کنیم. این مفهوم،39] در زمینه بهداشت و به طور خاص برای طراحی اقدامات بهداشت عمومی برای مقابله با همه گیری قابل استفاده است. بنابراین، لازم به ذکر است که در اسپانیا، در حال حاضر، مدیریت بیماری همه‌گیر با دولت‌های منطقه‌ای، هماهنگ‌شده در سطح ملی توسط شورای بین‌سرزمینی مطابقت دارد و هیچ سطح مدیریتی با اختیارات زیر جامعه خودمختار وجود ندارد. با این حال، در جایی که نقاط حساس آماری با الگوهای تکراری شناسایی می شود، جالب است که مقامات منطقه ای با شهرداری ها هماهنگ شوند تا آنها در اجرای استراتژی های ژئوپیشگیری مرتبط با پاکسازی (ضد عفونی کردن فضاهای عمومی و ساختمان ها در مناطق مختلف) کمک کنند. ریسک ویژه با توجه به مدل‌های نقاط داغ در حال ظهور) و هوشیاری (به عنوان مثال، رعایت قوانین فاصله‌گذاری اجتماعی، استفاده از ماسک، رعایت ساعات شب و غیره). علاوه بر این، مقامات بهداشتی در سطح منطقه‌ای همچنین می‌توانند از الگوهای فضایی ناشی از سطل‌های سه بعدی و نقاط داغ برای شناسایی مناطقی که در آن اقدامات پیشگیرانه انجام می‌دهند، مانند غربالگری گسترده برای شناسایی موارد بدون علامت، یا بازرسی ساختمان‌ها (سیستم‌های گردش هوا) استفاده کنند. به عنوان مثال در حمام های داخلی) در نقاط داغ در حال ظهور که در آن تعداد زیادی عفونت در دوره های زمانی کوتاه و به طور مکرر در طول زمان اتفاق می افتد (مثلاً الگوهای نوسانی و پراکنده).
برگردیم به بحث نتایج، ما باید دشواری رابطه کانون با شیوع را در نظر بگیریم. در برخی موارد، نقاط داغ جدید با شیوع شناسایی می شوند (همانطور که در خانه های سالمندان رخ می دهد، جایی که محل علت و محل زندگی افراد آلوده یکسان است). با این حال، در بیشتر موارد، شیوع بیماری در بسیاری از مکان‌ها (به دلیل مکان‌های مختلف سکونت افراد آلوده) بروز فضایی دارد. همچنین نسبت بالایی از موارد مثبت وجود دارد که منشا سرایت ناشناخته است. در این راستا، تجزیه و تحلیل سطل های سه بعدی برای شناسایی و ارزیابی سطوح مختلف خطر مرتبط با کانون فعال و برای تجزیه و تحلیل نقش محله ها در گسترش بیماری همه گیر از دیدگاه تاریخی بسیار مهم است.
با توجه به ریسک ذهنیت، باید توضیح دهیم که اگرچه روش دارای پارامترهایی است که باید توسط محقق تعیین شود، اما در مطالعه ما، استفاده از آستانه های فاصله را بر اساس تحلیل نزدیکترین همسایه انتخاب کرده ایم. این امر طراحی روش‌شناختی را قادر می‌سازد تا عینیت یابد و به عنوان یک عنصر استاندارد عمل می‌کند که می‌تواند برای تکرار روش در سایر مطالعات موردی با استفاده از دوره‌های زمانی دیگر یا مقیاس‌های مختلف تحلیل گسترش یابد.
در واقع، مرحله دوم چارچوب روش‌شناختی ما را قادر می‌سازد تا مدل جدید در حال ظهور را از مرحله اول به دلیل استفاده از همان پارامتر آستانه‌های فاصله مقایسه کنیم. ما بر این باوریم که این واقعیت که 92.63 درصد از 5341 مورد جدید در یک کانون نوظهور قبلی قرار دارند، یک نتیجه آشکار از نظر رسیدگی به موج بعدی همه‌گیری و کمک به سیاست‌گذاران برای طراحی استراتژی‌هایی است که با ویژگی‌های خاص هر منطقه سازگار است. علاوه بر این، دانش مبتنی بر رشته در مورد هر قلمرو، محتوای اجتماعی جمعیت‌شناختی و پیشرفت‌های بهداشتی می‌تواند به استفاده از فرصت‌های مرتبط با ژئوتکنولوژی برای غلبه بر اثرات COVID-19 بر جامعه کمک کند [ 40 ].
این خط از تحقیقات احتمالاً با رویکردهای دیگری مرتبط است که در نشریات ذکر شده در کتابشناسی به آنها اشاره شده است، و به ویژه با رویکردهایی که به دنبال تجزیه و تحلیل چارچوب های اجتماعی-اقتصادی، جمعیتی و عملکردی مناطقی هستند که موارد COVID-19 در آنها یافت می شود. بنابراین، ما در نظر داریم تا شرایط و متغیرهای محیطی را که در انواع مختلف کانون‌ها پدید می‌آیند را مطالعه کنیم تا الگوهای اجتماعی را پیدا کنیم که می‌توانند همبستگی داشته باشند و در نهایت الگوهای فضایی ارائه‌شده در این مقاله را توضیح دهیم.

5. نتیجه گیری ها

تا جایی که ما می دانیم، این اولین مطالعه ای است که سودمندی سطل های فضا-زمان سه بعدی برای COVID-19 و تجزیه و تحلیل نقاط نوظهور بر اساس ریزداده های جغرافیایی کدگذاری شده را در درگیر کردن اقدامات پیشگیرانه جغرافیایی پیشنهاد شده توسط سیاست گذاران نشان می دهد. بنابراین، از منظر ارتباط ضروری بین اقدامات و ویژگی‌های الگوی فضایی COVID-19 در هر قلمرو، برای تصمیم‌گیرندگان در مسائل مربوط به ژئوپیشگیری پشتیبانی می‌کند.
در واقع، با توجه به هشت نوع روند، سطوح مختلف اهمیت را می‌توان تشخیص داد: نگران‌کننده‌ترین آن‌ها کانون‌های جدید، متوالی، تشدیدکننده و نوسانی هستند و در سطح دوم اهمیت، کانون‌های رو به کاهش، پراکنده و تاریخی هستند. در این راستا، سیستم SITAR GIS پیاده‌سازی شده ما را قادر می‌سازد تا الگوهای فضایی COVID-19 را در طول زمان در مقیاس‌های دقیق تجزیه و تحلیل کنیم و گزارش‌هایی را در زمان واقعی مربوط به منابع سرایتی که ممکن است در زمان خاصی ایجاد شوند، تولید کنیم.
لازم به یادآوری است که این روش به حداقل 10 لحظه برای تجزیه و تحلیل نقاط ظهور نیاز دارد. با یک سری موارد روزانه کووید-19، ما معتقدیم که می‌توان آن را هر 20 یا 30 روز به عنوان تشخیص در سطح درون شهری به کار برد. همچنین می‌تواند به تصمیم‌گیری با اطلاعات استراتژیک کمک کند، زیرا تشخیص نقاط نوظهور را برجسته می‌کند، که ممکن است هنگام شناسایی نقاط داغ در موقعیت‌های مرتبط با سطوح شدید خطر و پویایی (نقاط داغ جدید، در حال رشد یا پایدار، از جمله موارد دیگر) مورد توجه ویژه قرار گیرد. .
این تحقیق پتانسیل پیش‌بینی این روش و امکان تکرار آن را در جای دیگر از منظر چند مقیاسی (مکانی و زمانی) تأیید می‌کند. بر این اساس، محققان برای دسترسی به سوابق میکروداده‌ها، که منبع ضروری برای بکارگیری این روش هستند، باید با مقامات بهداشتی همکاری کنند.
در نهایت، نتایج ما روندهای فضا-زمانی قابل توجهی را گزارش می‌کنند. این می تواند به دلیل ماهیت پیش بینی کوتاه مدت آنها به عنوان پشتیبان عمل کند، زیرا وقتی شدت به دلیل انباشت موارد و روند آنها و فرآیندهای انتشار فضایی مرتبط تغییر می کند، انواع کانون های نوظهور را می توان به عنوان مقدمه ای برای آنچه رخ خواهد داد در روزها و هفته های آینده تفسیر کرد.

منابع

  1. دی کوس، او. کاستیلو، وی. کانتارو، دی. مواجهه با موج دوم از دیدگاه منطقه‌ای: الگوهای فضایی کووید-19 به‌عنوان عامل تعیین‌کننده کلیدی برای برنامه‌های بهداشت عمومی و ژئوپیشگیری. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 8468. [ Google Scholar ]
  2. کراملی، EK استفاده از سیستم اطلاعات جغرافیایی برای پرداختن به سوالات تحقیقات اپیدمیولوژیک. Curr. اپیدمیول. Rep. 2019 , 6 , 162-173. [ Google Scholar ] [ CrossRef ]
  3. گربر، TD; پینگ، دی. آرمسترانگ-براون، جی. مک نات، لس آنجلس؛ کول، FB ترسیم مسیری به اطلاعات مکان برای کنترل STD. بهداشت عمومی ، 2009 ، 124 ، 49-57. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. جیندال، سی. کومار، اس. شارما، اس. چوی، YM; Efird، JT پیشگیری و مدیریت COVID-19: به دنبال یک راه حل عملی و به موقع. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 3986. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. کلاینمن، KP; آبرامز، AM; کولدورف، ام. پلات، آر. یک آمار اسکن فضا-زمان با مدل تنظیم شده با کاربرد در نظارت سندرمی. اپیدمی. آلوده کردن 2005 ، 133 ، 409-419. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  6. کولدورف، ام. هفرنان، آر. هارتمن، جی. آسونکائو، آر. مستشاری، ف. آمار اسکن جایگشت فضا-زمان برای تشخیص شیوع بیماری. PLoS Med. 2005 ، 2 ، e59. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  7. ژائو، اف. چنگ، اس. او، جی. هوانگ، اف. ژانگ، اچ. خو، بی. موریموا، تی سی؛ چنگ، جی. هو، دی. وانگ، L. ویژگی های خوشه بندی فضا-زمان سل در چین، 2005-2011. PLoS ONE 2013 ، 8 ، e83605. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. Pangilinan، MA; گونزالس، DP; لئونگ، RN; شرکت، FF تجزیه و تحلیل فضایی از توزیع گزارش بروز دنگی در منطقه پایتخت ملی، فیلیپین. Acta Med. فیلیپ 2017 ، 51 ، 126-132. [ Google Scholar ] [ CrossRef ]
  9. Tzai-Hung، W. تجزیه و تحلیل الگوهای فواصل فضا-زمان برای ردیابی انتشار یک بیماری همه گیر. در کتاب ادغام فضا-زمان در جغرافیا و علم GIS ; Mei-Po, K., Douglas, R., Donggen, W., Chenghu, Z., Eds. Springer: Dordrecht، هلند، 2015; صص 269-282. [ Google Scholar ] [ CrossRef ]
  10. الاحمدی، ک. احمدی، س. الزهرانی، الف. خوشه بندی فضایی-زمانی بروز کروناویروس سندرم تنفسی خاورمیانه (MERS-CoV) در عربستان سعودی، 2012-2019. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2019 ، 16 ، 2520. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. مالا، س. Jat، MK سیستم اطلاعات جغرافیایی مبتنی بر تجزیه و تحلیل خوشه ای و نقشه برداری تب دنگی فضایی-زمانی. مصر. J. Remote Sens. Space Sci. 2019 ، 22 ، 297–304. [ Google Scholar ] [ CrossRef ]
  12. هیگی، اس ام. کاچینسکی، AT; پورتر، دی. هیبرت، جی. ترنر-مک گریوی، جی. لیو، جی. الگوهای خوشه بندی فضایی وضعیت وزن کودک در یک شهرستان جنوب شرقی ایالات متحده. Appl. Geogr. 2018 ، 99 ، 12-21. [ Google Scholar ] [ CrossRef ]
  13. گریناف، PG; نلسون، EL فراتر از نقشه برداری: موردی برای تجزیه و تحلیل جغرافیایی در سلامت بشردوستانه. Conflict Health 2019 ، 13 ، 50. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. نیو، ایکس. یو، ی. ژو، ایکس. ژانگ، X. چگونه عوامل شهری بر توزیع فضایی و زمانی بیماری های عفونی علاوه بر جابجایی جمعیت بین شهری در چین تأثیر می گذارد. ISPRS Int. J. Geo Inf. 2020 ، 9 ، 615. [ Google Scholar ] [ CrossRef ]
  15. ویتل، RS; Díaz-Artiles، A. یک مطالعه اکولوژیکی از پیش‌بینی‌کننده‌های اجتماعی-اقتصادی تشخیص موارد COVID-19 در سراسر محله‌ها در شهر نیویورک. BMC Med. 2020 ، 18 ، 271. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. داوال، تراکم‌های شهری DD و همه‌گیری کووید-19: تغییر افسانه پایداری کلان شهرهای جهانی. ORF Occas. پاپ 2020 ، 244 ، 1-42. [ Google Scholar ]
  17. حمیدی، س. صبوری، س. یوینگ، آر. آیا تراکم همه‌گیری COVID-19 را تشدید می‌کند؟ یافته ها و درس های اولیه برای برنامه ریزان. مربا. طرح. دانشیار 2020 . [ Google Scholar ] [ CrossRef ]
  18. بامویانا، آی. Okello، DA; Ssengendo، R. آسیب پذیری اجتماعی-اقتصادی در برابر COVID-19: مورد فضایی منطقه شهری بزرگ کامپالا (GKMA). J. GIS 2020 ، 12 ، 302-318. [ Google Scholar ] [ CrossRef ]
  19. Borjas، GJ عوامل جمعیتی تعیین کننده بروز آزمایش و عفونت های COVID-19 در محله های شهر نیویورک ؛ کارنامه: 26952; دفتر ملی تحقیقات اقتصادی: کمبریج، MA، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  20. لیو، ی. سلام.؛ Xia، Z. تنوع فضا-زمان و تمایز فضایی موارد تایید شده COVID-19 در استان هوبی بر اساس GWR توسعه یافته. ISPRS Int. J. Geo Inf. 2020 ، 9 ، 536. [ Google Scholar ] [ CrossRef ]
  21. هاشم، ح. Wan-Mohd، WMN; Sadek، ESSM; دیمیاتی، KM مدلسازی الگوهای جرم شهری با استفاده از تحلیل رگرسیون و زمان فضایی. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2019 ، XLII-4/W16 ، 247–254. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. کانگ، ی. چو، ن. پسر، S. ویژگی‌های مکانی-زمانی حوادث ترافیکی جمعیت سالمند در سئول با استفاده از تخمین چگالی هسته فضا-زمان و مکعب فضا-زمان. PLoS ONE 2018 , 13 , e0196845. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. سید، م.ح. مسعود، پ. مسعود، ب. منوچهر، ک. میثم، او. تحلیل الگوی کاوی موارد سل ریوی در استان همدان: با استفاده از مکعب فضا-زمان. بین المللی J. Epidemil. Res. 2017 ، 4 ، 111-117. [ Google Scholar ]
  24. چونبائو، ام. دچان، تی. تینیو، ام. چونهوا، بی. ژیان، Q. وییی، پی. Zhiyong، Z. تحلیلی از الگوی مکانی-زمانی برای COVID-19 در چین بر اساس مکعب فضا-زمان. جی. مد. ویرول. 2020 ، 92 ، 1587-1595. [ Google Scholar ]
  25. Thakar, V. آشکار شدن رویدادها در فضا و زمان: بینش های جغرافیایی در مورد انتشار COVID-19 در ایالت واشنگتن در مرحله اولیه شیوع. ISPRS Int. J. Geo Inf. 2020 ، 9 ، 382. [ Google Scholar ] [ CrossRef ]
  26. فرانک-پاردو، آی. ناپلتانو، بی.ام. روزت ورجز، اف. Billa, L. تجزیه و تحلیل فضایی و GIS در مطالعه COVID-19. بازنگری. علمی کل محیط. 2020 , 739 , 140033. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. همانت، بی. انجم، س. کومار، اس. گوتام، اس. گوپتا، ا. کومبهاره، اچ. انشول، ع. Kumar, R. درک انتقال COVID-19 از طریق مدل‌سازی احتمالی بیزی و رویکرد Voronoi مبتنی بر GIS یک دیدگاه سیاست. محیط زیست توسعه دهنده حفظ کنید. 2020 . [ Google Scholar ] [ CrossRef ]
  28. باتیستا، اف. پولمن، اچ. نقشه برداری تراکم جمعیت در مناطق شهری کاربردی. روشی برای کاهش مقیاس آمار جمعیت به چند ضلعی های اطلس شهری . گزارش های فنی JRC; کمیسیون اروپا: لوکزامبورگ، 2016; در دسترس آنلاین: https://tinyurl.com/y9r2mbkt (در 10 مه 2020 قابل دسترسی است).
  29. دی کوس، او. کاستیلو، وی. Cantarero، D. تجزیه و تحلیل مقیاس پذیر الگوهای فضایی-زمانی COVID-19 بر اساس ابزارهای داده کاوی: استفاده از سطل های سه بعدی برای پیش بینی مکان های فوکوس کوتاه مدت. Res. مربع آماده سازی 2020 . [ Google Scholar ] [ CrossRef ]
  30. مرکز GIS COVID-19 ESRI. در دسترس آنلاین: https://coronavirus-resources.esri.com/ (دسترسی در 15 ژوئن 2020).
  31. سرویس غنی سازی زمین ArcGIS REST API. در دسترس آنلاین: https://developers.arcgis.com/rest/geoenrichment/api-reference/geoenrichment-service-overview.htm (در 10 اوت 2020 قابل دسترسی است).
  32. مولالو، ع. واحدی، ب. Rivera، مدل‌سازی فضایی مبتنی بر KM GIS نرخ بروز COVID-19 در قاره ایالات متحده. علمی کل محیط. 2020 , 728 , 138884. [ Google Scholar ] [ CrossRef ]
  33. عبدالرخمانوف، اس.کی. Mukhanbetkaliyev، YY; کورننوی، فی. کاراتایف، BS; Mukhanbetkaliyeva، AA; Abdrakhmanova، تحلیل فضایی-زمانی و تجسم وضعیت اپیدمی سیاه زخم در دام در قزاقستان طی دوره 1933-2016. ژئوسپات. سلامت 2017 ، 12 ، 316-329. [ Google Scholar ]
  34. ژائو، ی. Ge، L. لیو، جی. لیو، اچ. یو، ال. وانگ، ن. ژو، ی. دینگ، ایکس. تحلیل تب خونریزی دهنده با سندرم کلیوی در استان هوبی، چین: رویکردی مبتنی بر مکعب فضا-زمان. J. Int. پزشکی Res. 2019 ، 47 ، 3371-3388. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. Kulldorff، M. زمان آینده نگر دوره ای بیماری های جغرافیایی با استفاده از آمار اسکن. JR Statist. Soc. A 2001 ، 164 Pt 1 ، 61-72. [ Google Scholar ] [ CrossRef ]
  36. Ogneva-Himmelberger، Y. تجزیه و تحلیل فضایی مرگ و میر ناشی از مسمومیت با مواد مخدر و دسترسی به درمان اختلال مصرف مواد در ایالات متحده. در مجموعه مقالات پنجمین کنفرانس بین المللی نظریه، کاربردها و مدیریت سیستم های اطلاعات جغرافیایی (GISTAM)، کرت، یونان، 3 تا 5 مه 2019؛ صص 315-321. [ Google Scholar ] [ CrossRef ]
  37. کامل، MN; Geraghty، EM ردیابی و نقشه برداری جغرافیایی بیماری کرونا ویروس کووید-19/سندرم حاد تنفسی ویروس همه گیر 2 (SARS-CoV-2) و رویدادهای مرتبط در سراسر جهان: چگونه فن آوری های GIS قرن بیست و یکم از مبارزه جهانی علیه شیوع و همه گیری ها حمایت می کنند. بین المللی J. Health Geogr. 2020 ، 19 ، 8. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  38. ژو، سی. سو، اف. پی، تی. ژانگ، ا. دو، ی. لو، بی. کائو، ز. وانگ، جی. یوان، دبلیو. زو، ی. و همکاران COVID-19: چالش های GIS با داده های بزرگ. Geogr. حفظ کنید. 2020 ، 1 ، 77-87. [ Google Scholar ] [ CrossRef ]
  39. هرناندو، F. La seguridad en las ciudades: El nuevo enfoque de la geoprevención. Scr. Nova 2008 , 12 , 270. [ Google Scholar ]
  40. سرور، س. وحید، ر. سرور، س. خان، ای. چالش های COVID-19 برای پاکستان: آیا تجزیه و تحلیل GIS برای ترسیم راه حل مفید است؟ علمی کل محیط. 2020 , 730 , 139089. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 10 00261 g001 550
شکل 1. منطقه مورد مطالعه کانتابریا در بافت ملی: سکونتگاه ها، منطقه شهری کاربردی (FUA) و زیرساخت های ارتباطی اصلی. منبع: کار شخصی بر اساس ESRI (نقشه پایه اداری)، موسسه نشنال جئوگرافیک (پایگاه ملی کارتوگرافی 200) و دولت کانتابریا (مدل ارتفاعی دیجیتال).
Ijgi 10 00261 g002 550
شکل 2. روند روزانه و تجمعی موارد COVID-19 در جامعه کانتابریا (مرحله روش اول: مارس تا نوامبر 2020). طرح 19 [ 29 ]. در کانتابریا (داده های باز از دولت کانتابریا).
Ijgi 10 00261 g003 550
شکل 3. طراحی روش شناسی تحقیق بر اساس دو مرحله.
Ijgi 10 00261 g004 550
شکل 4. سطل های سه بعدی فضا-زمان COVID-19 در جامعه خودمختار کانتابریا (مارس تا نوامبر 2020). منبع: کار شخصی بر اساس سوابق روزانه ریز داده های COVID-19 از مقامات بهداشتی (دولت کانتابریا، اسپانیا).
Ijgi 10 00261 g005 550
شکل 5. نقاط داغ در حال ظهور برای COVID-19 در منطقه خودمختار کانتابریا (مارس تا نوامبر 2020). طرح 22 [ 29 ]. منبع: کار شخصی بر اساس سوابق روزانه ریز داده های COVID-19 از مقامات بهداشتی (دولت کانتابریا، اسپانیا).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید