قرار گرفتن در معرض محیطی افراد نقش مهمی در ارزیابی کیفیت زندگی انسان دارد. اکثر روش‌های موجود که قرار گرفتن در معرض محیطی را تخمین می‌زنند، یا بر سطح فردی تمرکز دارند یا تحرک انسان را در نظر نمی‌گیرند. این مقاله یک میدان برداری ایجاد شده از مکان‌های مشاهده‌شده فعالیت‌های انسانی را برای مدل‌سازی قرار گرفتن در معرض محیطی در سطح جمعیت اتخاذ می‌کند. یک روش بهبود یافته تولید میدان برداری با در نظر گرفتن عوامل تصمیم‌گیری افراد ایجاد شد و ما دو شاخص، یعنی شاخص کل مواجهه (TEI) و نشانگر میانگین مواجهه (AEI) را برای ارزیابی قرار گرفتن در معرض محیطی گروه‌های اجتماعی مختلف پیشنهاد کردیم. . یک مطالعه موردی در مورد قرار گرفتن در معرض خطر محیطی بیماری کروناویروس 2019 (COVID-19) در گوانگژو، چین انجام شد. بیش از 900 شرکت‌کننده با پیش‌زمینه‌های اجتماعی-اقتصادی مختلف در پرسشنامه شرکت کردند و مکان‌های فعالیت مبتنی بر نظرسنجی برای تولید میدان برداری با استفاده از روش بهبودیافته استخراج شد. قرار گرفتن در معرض همه گیر COVID-19 (یا خطر) برای گروه های اجتماعی مختلف برآورد شد. یافته ها نشان می دهد که افراد در گروه کم درآمد 8 تا 10 درصد بیشتر از افراد در گروه پردرآمد در معرض خطر هستند. این روش جدید میدان برداری ممکن است برای جغرافی‌دانان و محققان شهری مفید باشد، زیرا فرصت‌هایی را برای ادغام فعالیت‌های انسانی در معیارهای خطر همه‌گیری، عدالت فضایی و سایر مواجهه‌های محیطی فراهم می‌کند. قرار گرفتن در معرض همه گیر COVID-19 (یا خطر) برای گروه های اجتماعی مختلف برآورد شد. یافته ها نشان می دهد که افراد در گروه کم درآمد 8 تا 10 درصد بیشتر از افراد در گروه پردرآمد در معرض خطر هستند. این روش جدید میدان برداری ممکن است برای جغرافی‌دانان و محققان شهری مفید باشد، زیرا فرصت‌هایی را برای ادغام فعالیت‌های انسانی در معیارهای خطر همه‌گیری، عدالت فضایی و سایر مواجهه‌های محیطی فراهم می‌کند. قرار گرفتن در معرض همه گیر COVID-19 (یا خطر) برای گروه های اجتماعی مختلف برآورد شد. یافته ها نشان می دهد که افراد در گروه کم درآمد 8 تا 10 درصد بیشتر از افراد در گروه پردرآمد در معرض خطر هستند. این روش جدید میدان برداری ممکن است برای جغرافی‌دانان و محققان شهری مفید باشد، زیرا فرصت‌هایی را برای ادغام فعالیت‌های انسانی در معیارهای خطر همه‌گیری، عدالت فضایی و سایر مواجهه‌های محیطی فراهم می‌کند.

کلید واژه ها:

فیلد برداری ; الگوی تحرک ؛ قرار گرفتن در معرض محیطی ؛ عدالت فضایی

1. مقدمه

قرار گرفتن در معرض محیط با سلامت انسان مرتبط است و توجه محققان را به خود جلب کرده است [ 1 و 2 ]. محیط زیست را می توان به دو دسته محیط زیست سالم و مضر طبقه بندی کرد. قرار گرفتن در معرض محیط های مضر خطری برای سلامت افراد است. با این حال، گروه‌های اجتماعی مختلف هنگام مواجهه با یک بحران زیست‌محیطی در معرض خطرات مختلفی قرار می‌گیرند [ 3 ، 4]. افشای این بی عدالتی یکی از اهمیت های مهم مطالعه مواجهه با محیط است. برای بررسی نابرابری دو گروه اجتماعی، ابتدا باید میزان قرار گرفتن در معرض محیطی را کمی کنیم و سپس یک تحلیل مقایسه ای بین گروه های اجتماعی مختلف انجام دهیم. با این حال، شرایط محیطی ممکن است تنها عامل ایجاد نابرابری نباشد. همانطور که سوجا در عدالت فضایی نشان می دهد [ 5]، مکانیسم سیستم شهری کنونی منجر به توزیع مجدد ناعادلانه مزایای اجتماعی می‌شود که بیشتر به سمت ثروتمندان متمایل می‌شود تا فقرا. در مورد مکانیسم، سوجا استدلال می کند که انباشت دو گروه اجتماعی از تصمیمات مکانی (ALD) نقش مهمی ایفا می کند. بنابراین، هنگام تعیین کمیت قرار گرفتن در معرض محیطی، باید ALD را در نظر بگیریم، که شامل سه عنصر کلیدی است: (1) کمی کردن قرار گرفتن در معرض در سطح کل. (2) اندازه گیری با ویژگی های فضایی. و (3) انعکاس تصمیمات مردم. برخی از مطالعات قبلی تلاش کرده اند تا میزان قرار گرفتن در معرض را کمی کنند، اما تعداد کمی از این سه عنصر را به طور همزمان به طور کامل ثبت می کنند، به عنوان مثال، [ 6 ، 7 ، 8 ، 9 ]. برخی از محققین با استفاده از داده های جمعیت شناختی میزان قرار گرفتن در معرض سطح کل را مطالعه کرده اند [10 ، 11 ، 12 ، 13 ]. با این حال، این مطالعات تحرک و تعامل فضایی افراد را در نظر نمی گیرند. مطالعه یانگ و همکاران [ 14 ] فضای فعالیت فردی مردان زایمان را بررسی می کند و عدم تعادل فضایی قرار گرفتن در معرض محیطی را در جنبه های آلودگی هوا و آلودگی صوتی نشان می دهد. با این حال، مطالعه آنها فاقد دیدگاه سطح انبوه است، و ارزیابی نابرابری گروه های اجتماعی مختلف دشوار است. روش میدان برداری دارای مزیت در نظر گرفتن کامل تحرک از منظر جمعیت است [ 15 , 16 , 17]. با این حال، هنوز فاقد عنصر سوم یعنی تصمیمات مردم است و به ندرت از این روش در مطالعات مواجهه محیطی استفاده می شود.
این مقاله با انگیزه شکاف‌های ذکر شده در بالا، یک روش میدان برداری بهبود یافته را با در نظر گرفتن تصمیم‌گیری جمعیت توسعه می‌دهد. بر اساس روش بهبودیافته، ما یک روش کمی را برای ارزیابی قرار گرفتن در معرض محیطی گروه‌های اجتماعی مختلف پیشنهاد می‌کنیم و این روش را در یک مطالعه موردی روی قرار گرفتن در معرض COVID-19 در گوانگژو، چین به کار می‌بریم. سندرم حاد تنفسی شدید کروناویروس 2 (SARS-CoV-2) و انواع آن باعث شعله ور شدن همه گیری COVID-19 شده است. پس از عفونت، ناقلان ویروس قبل از شروع دوره نهفتگی طولانی دارند که باعث گسترش گسترده تر می شود [ 18 ]. در طول این بیماری همه گیر، سفر به سایر کشورها یا مناطق معمولاً طبق مقررات محلی نیازمند قرنطینه اجباری است [ 19 ]]. از منظر سیاست گذاری یا جمعیت، افرادی که از مناطق آلوده می آیند به طور یکسان در معرض خطر ناقل ویروس یا بیمار بودن در نظر گرفته می شوند. بنابراین، آنها باید در قرنطینه اجباری باشند و از نظر ویروس آزمایش شوند. بنابراین، در مورد ما، ما مناطق آلوده به COVID-19 را به عنوان محیط خطر انتخاب می کنیم و قرار گرفتن در معرض محیطی به عنوان بازدید از این مناطق تعریف می شود. سپس قرار گرفتن در معرض گروه های اجتماعی مختلف با روش پیشنهادی ما کمی سازی می شود. کار ما به سه قسمت تقسیم می شود. اولین مورد ساخت فیلدهای برداری است (لطفاً به روش های بخش 3 مراجعه کنیدبرای جزئیات بیشتر). دوم، ما زمینه‌های برداری را با عوامل محیطی ترکیب می‌کنیم تا قرار گرفتن در معرض محیط را در سطح جمعیت مدل کنیم و دو شاخص، یعنی شاخص کل مواجهه (TEI) و شاخص مواجهه متوسط ​​(AEI) را پیشنهاد می‌کنیم تا میزان قرار گرفتن در معرض کلی افراد مختلف اجتماعی را اندازه‌گیری کنیم. گروه ها. در نهایت، ما این روش را برای مطالعه موردی قرار گرفتن در معرض COVID-19 برای بررسی قرار گرفتن در معرض گروه‌های اجتماعی-اقتصادی مختلف اعمال می‌کنیم. یافته ها کاربرد رویکرد مبتنی بر میدان برداری ما را به عنوان یک نمایش بصری بصری برای تجسم نقشه مواجهه نشان می دهد و نتایج نشان می دهد که گروه های مختلف در مواجهه با کووید-19 نابرابری دارند.
اهمیت تحقیق عمدتاً در سه بعد روش شناسی، کاربرد و تأثیر اجتماعی است. تحقیق ما روش میدان برداری را بهبود می بخشد تا برای قرار گرفتن در معرض محیطی مناسب باشد. علاوه بر این، نسبت به سایر روش‌ها بهبود یافته است، زیرا عناصر بیشتری از ALD را در نظر می‌گیرد، که به عنوان منبع یا مکانیسمی که باعث بی‌عدالتی فضایی در نظر گرفته می‌شود، همانطور که توسط Soja [ 5 ] اشاره شد.]. سپس، مطالعه ما کاربرد روش های میدان برداری را برای قرار گرفتن در معرض محیطی گسترش می دهد. ما از روش مبتنی بر شواهد در مطالعه موردی مرحله اولیه همه‌گیری COVID-19 در گوانگژو استفاده می‌کنیم تا تفاوت‌های قرار گرفتن در معرض گروه‌های اجتماعی مختلف را نشان دهیم و توزیع فضایی قرار گرفتن در معرض را بر روی نقشه ترسیم کنیم. کار ما همچنین زاویه جدیدی را برای مشاهده عدم تعادل قرار گرفتن در معرض محیطی بین گروه‌های اجتماعی مختلف فراهم می‌کند که درک بیشتر عدالت فضایی را ارتقا می‌دهد و تمرکز بیشتر بر گروه‌های آسیب‌پذیر را تشویق می‌کند. ساختار باقیمانده این مقاله به شرح زیر است. در بخش 2 ، کارهای قبلی و مرتبط را مرور می کنیم. بخش 3روش‌های اصلی این مطالعه شامل روش تولید میدان برداری و مدل‌سازی مواجهه محیطی در سطح جمعیت را ارائه می‌کند. در بخش 4 ، یک مطالعه موردی شامل منطقه مورد مطالعه، منبع داده و فرآیند آزمایش است. نتایج در بخش 5 ارائه شده است. بحث و نتیجه گیری در بخش 6 آمده است.

2. کارهای مرتبط

2.1. عدالت فضایی

در عدالت فضایی، سوجا [ 5 ] استدلال می کند که انباشت تصمیمات مکانی (ALD) منبع نابرابری است که به سمت یک گروه اجتماعی خاص متمایل می شود. تصمیمات مکانی مختلف افراد به واسطه نقش های اجتماعی آنها محدود می شود، به عنوان مثال، افراد کم درآمد بیشتر احتمال دارد برای خرج کردن پول به برخی از بازارهای ارزان مراجعه کنند، و ALD های مختلف بیشتر باعث ایجاد فرصت های مختلف برای تماس با مزایا/خطرات اجتماعی یا زیست محیطی می شوند که در نتیجه در تشدید نابرابری
برای ارزیابی نابرابری بین گروه‌های اجتماعی مختلف، سطح جمعیت (یا سطح جمع‌آوری شده) دیدگاه بهتری نسبت به مطالعه مورد یک فرد خاص، یعنی سطح فردی است [ 20 ]. بسیاری از تحقیقات قبلی در سطح جمعیت انجام شده است که شامل موضوعات مختلف تحقیقاتی است. برای مثال، گروس و همکاران. [ 21 ] درباره مرگ و میر قومیت های مختلف از COVID-19 از منظر جمعیت بحث کنید. کوالینا و همکاران [ 22 ] نابرابری های نژادی و خطرات مرتبط با دخانیات را در سطح جمعیت برای ارزیابی خطر تجزیه و تحلیل می کند.
هنگام مطالعه مشکلات شهری باید ویژگی های مکانی را در نظر گرفت. با توجه به توزیع نامتعادل منابع در فضا و الگوهای مختلف فعالیت افراد، افراد فرصت‌های متفاوتی برای استفاده از آن دارند که بیشتر باعث نابرابری می‌شود. به عنوان مثال، ژیان و همکاران. [ 23 ] به نابرابری استفاده از فضای باز عمومی توجه کرده و چارچوبی برای ارزیابی عملکرد عدالت فضایی در مورد فضای باز عمومی پیشنهاد می‌کند. لیو و همکاران [ 24 ] نابرابری دسترسی حمل و نقل عمومی به منابع پزشکی را ارزیابی کرده و همبستگی مثبت آن را با قیمت مسکن آشکار می کند.
تصمیمات مکانی افراد شامل تحرک، مسکن، اشتغال و غیره آنها می شود [ 25 ] و بازتابی واقع بینانه از برنامه های افراد، موقعیت های اجتماعی و دلایل روانی اجتماعی عمیق تر است. به عنوان مثال، برخی از محققان دلایل روانی اجتماعی را بررسی کرده اند که چرا مردم در محله فقیر نشین داکا به دام افتاده و بی حرکت هستند [ 26 ]. برخی از محققان بر روی تصمیم گیری تمرکز کرده اند و آن را برای خدمات تحرک درخواستی به کار می برند [ 27 ].

2.2. مواجهه با محیط زیست

مشکلات قرار گرفتن در معرض محیط با سلامت افراد مرتبط است و بسیاری از مطالعات قبلی سعی کرده اند چگونگی ارزیابی آن، چگونگی پیش بینی آن و تأثیر آن بر جامعه ما را بررسی کنند [ 28 ، 29 ، 30 ]. محققان روش های بسیاری را برای پاسخ به این سؤالات توسعه داده اند. با این حال، هیچ روش منحصر به فردی مناسب برای همه موارد وجود ندارد. روش ها باید با سؤالات تحقیق مربوطه مطابقت داشته باشند. سوال تحقیق ما این است که آیا روش بهتری برای توصیف مواجهه‌های محیطی گروه‌های اجتماعی مختلف و در نتیجه استفاده از آن برای کشف نابرابری‌های موجود وجود دارد؟ بنابراین، روش کمی سازی باید ALD را به طور کامل همانطور که در بخش 1 ذکر شد در نظر بگیرد .
ما روش پیشنهادی خود را برای مطالعه موردی COVID-19 به کار می‌بریم و بسیاری از کارهای قبلی کمی قرار گرفتن در معرض محیطی در همه‌گیری‌ها را بررسی کرده‌اند. هوانگ و کوان [ 31 ] از سه روش برای ارزیابی قرار گرفتن در معرض COVID-19 استفاده کردند، از جمله رویکرد مبتنی بر تحرک، رویکرد مبتنی بر سکونت و رویکرد فضای فعالیت. با این حال، این سه روش، و به ویژه رویکرد فضای فعالیت، عمدتاً افراد را هدف قرار می‌دهند که برای سؤال پژوهش مبتنی بر جمعیت ما مناسب نیست. کارتاکسو و همکاران [ 32] ریسک مواجهه را از طریق 67 شاخص سیاسی، اجتماعی، اقتصادی و طبیعی ارزیابی کرد و بنابراین کشورها را به دو گروه پرخطر و کم خطر طبقه بندی کرد. این روش یک دیدگاه جمعیتی برای مطالعه قرار گرفتن در معرض دارد. با این حال، هیچ ویژگی فضایی وجود ندارد، که تأثیر تصمیم‌گیری‌های مکانی بر عدالت را نادیده می‌گیرد. Kulu و Dorey [ 33 ] الگوهای فضایی آلودگی را بر اساس ناحیه اداری بررسی کردند و از طریق تجزیه و تحلیل رگرسیون فضایی، دریافتند که گروه‌های شهری و کم‌اقتصادی اقتصادی بیشتر تحت تأثیر قرار خواهند گرفت. السون و همکاران [ 34] استدلال می کنند که آمار منطقه اداری کمتر منعکس کننده تغییرات در فضا است، و بنابراین، آنها روش تخمین چگالی هسته را برای تحقق یک تخمین ریسک پیوسته فضایی اتخاذ می کنند. آنها از جمعیت به عنوان وزنه ای در مدل خود استفاده می کنند تا ناهمگونی فضایی تأثیر بر جمعیت را منعکس کنند. این رویکرد تحلیل همپوشانی وزنی می‌تواند به طور موثر محیط و افراد تحت تأثیر قرار گرفتن در معرض محیط را به هم پیوند دهد، که به طور گسترده در سایر جنبه‌های مطالعات مواجهه استفاده می‌شود [ 29 ]]. روش ما همچنین از تفکر فوق برای کشف قرار گرفتن در معرض محیطی بین گروه‌های مختلف اجتماعی استفاده می‌کند. با این وجود، این دو رویکرد بیشتر بر توزیع فضایی استاتیک و کمتر بر تعامل پویا یا فرآیندهای تحرک تمرکز دارند. بنابراین، برای پر کردن شکاف‌ها، میدان برداری را برای درک بهتر قرار گرفتن در معرض محیطی برای بررسی سؤال تحقیق خود معرفی می‌کنیم.

2.3. فیلد برداری

میلر و بریدول [ 15 ] خاطرنشان کردند که نمایش میدانی از فضای پیوسته می تواند مفیدتر و از نظر بصری شهودی باشد و بنابراین بینش های متفاوت و ارزشمندی را در زمینه های مختلف از جمله مهاجرت شهری، مورفولوژی شهری و تحرک انسانی ارائه می دهد. در نتیجه، آنها یک نظریه میدان برداری را برای به تصویر کشیدن ویژگی های مکانی شهری زمانی-جغرافیایی در سطح فردی پیشنهاد می کنند. لیو و همکاران [ 16 ] نظریه میدان را به دیدگاه جمعیتی گسترش داد، که در آن میدان برداری نشان دهنده تکانه تقاضای سفر است و بنابراین میدان بردار حرکت نیز نامیده می شود. این روش بیشتر توسط لیو و همکاران اعمال شده است. [ 17] در تحقیقات حمل و نقل همراه با داده های مکان عظیم سیستم موقعیت یابی جهانی تاکسی (GPS) از پکن، چین. یک میدان برداری به طور کامل فضا را پوشش می دهد، هر مکان شدت و جهت خود را دارد و همچنین محاسبه آن با استفاده از الگوریتم های برداری آسان است.
در اینجا، ما به طور خلاصه ساخت میدان برداری لیو و همکاران را شرح می دهیم. [ 16 ، 17]. در این فرآیند، آنها بردارهای سفر مبتنی بر مسیر را با شکاف زمانی کوچک تقسیم می‌کنند و آنها را در فضای دوبعدی به‌عنوان «تحرک سفر» می‌تابانند، که مدول و جهت بردارها با روش چگالی هسته و جمع بردار تعیین می‌شود. سپس برای مطالعه ازدحام تاکسی، محققان بردارها را بر روی POI در زمان واقعی طرح می‌کنند. بردار سفر دو جزء دارد. یکی قدر تخمین زده شده از تابع چگالی هسته بر اساس شدت مبدا و مقصد (OD) سفرها، و دیگری جهت تعیین شده توسط OD است. تولید میدان برداری از روش‌های فروپاشی فاصله استفاده می‌کند که کل فضای جغرافیایی را پوشش می‌دهد، و میدان برداری بسیار محاسباتی، قابل اجرا است و مزایای نمایش فضای شهری در طبیعت را ارائه می‌کند. علاوه بر این، این روش دارای مزیت در نظر گرفتن دیدگاه جمعیت و ویژگی‌های فضایی برای درک بهتر رفتار گروه است. با این حال، در هنگام ساخت میدان های برداری، تصمیمات مکانی و مبادلات در سفر را در نظر نمی گیرد و استفاده مستقیم از روش ساخت و ساز اصلی ممکن است در مشکلات قرار گرفتن در معرض محیطی قابل اجرا نباشد. بنابراین، ما روش میدان برداری را با در نظر گرفتن کامل ALD بهبود می‌دهیم و آن را به ویژه برای مدل‌سازی قرار گرفتن در معرض محیطی مناسب می‌کنیم. و استفاده مستقیم از روش ساخت و ساز اصلی ممکن است در مشکلات قرار گرفتن در معرض محیطی قابل استفاده نباشد. بنابراین، ما روش میدان برداری را با در نظر گرفتن کامل ALD بهبود می‌دهیم و آن را به ویژه برای مدل‌سازی قرار گرفتن در معرض محیطی مناسب می‌کنیم. و استفاده مستقیم از روش ساخت و ساز اصلی ممکن است در مشکلات قرار گرفتن در معرض محیطی قابل استفاده نباشد. بنابراین، ما روش میدان برداری را با در نظر گرفتن کامل ALD بهبود می‌دهیم و آن را به ویژه برای مدل‌سازی قرار گرفتن در معرض محیطی مناسب می‌کنیم.

3. روش شناسی

برای مدل‌سازی شدت و جهت سفر می‌توان از یک میدان برداری استفاده کرد که می‌توان آن را به ترتیب با مدول و جهت یک بردار نشان داد. در این مطالعه، ما روش بردار-میدان-ساخت را برای تحقیقات قرار گرفتن در معرض محیطی بهبود می‌دهیم و علاوه بر این، آن را با تصمیم‌گیری ادغام می‌کنیم. خوانندگان علاقه مند تشویق می شوند که به مطالعات مرتبط قبلی مراجعه کنند [ 15 ، 16 ، 17 ]. چارچوب روش شناسی ما همانطور که در شکل 1 نشان داده شده است به سه مرحله تقسیم می شود. ابتدا فیلدهای برداری جداگانه را تعریف می کنیم. دوم، ما این فیلدهای برداری مجزا را جمع می کنیم تا تقاضای سفر را در سطح انبوه نشان دهیم. سوم، شاخص‌هایی برای ارزیابی قرار گرفتن در معرض محیطی با ادغام عوامل محیطی و تقاضای سفر مبتنی بر میدان بردار پیشنهاد شده‌اند.

3.1. فیلد برداری در سطح فردی

این بخش تعریف بردار سفر و میدان بردار منفرد را در زمینه یک مطالعه قرار گرفتن در معرض محیطی نشان می‌دهد. در تحقیقات حمل و نقل، لیو و همکاران. [ 17 ] یک بردار سفر را با استفاده از دو مکان متوالی فعالیت انسانی ساخت. پس از تقسیم منطقه مورد مطالعه به سلول ها، این بردارهای سفر بر روی هر مرکز سلولی پیش بینی شدند. از طریق قانون جمع بردار، بردارهای پیش بینی شده در هر سلول را می توان در یک بردار انباشته کرد. همه بردارهای ناحیه مورد مطالعه با هم یک میدان برداری را تشکیل می دهند.
برای مطابقت با زمینه قرار گرفتن در معرض محیطی، ما برخی از تغییرات را هنگام ایجاد یک میدان برداری انجام دادیم. ما آن را بر اساس مفروضات زیر ساختیم:

فرض  1.

اثر قرار گرفتن در معرض محیطی یک فرآیند کوتاه مدت نیست.

فرض  2.

مکان‌های موجود در برنامه‌های سفر ثابت افراد به عنوان مکان‌های آشنا در نظر گرفته می‌شوند و حرکت افراد حول مکان‌های آشنا است. قرار گرفتن در معرض محیطی شاتل بین دو نقطه آشنا در نظر گرفته نمی شود.
بسیاری از مطالعات قبلی قرار گرفتن در معرض محیطی نیز پیش‌شرط‌های غیرواقعی را اتخاذ می‌کنند، به ویژه از دیدگاه جمعیت [ 35 ، 36 ، 37 ]. بنابراین، ما همچنین می توانیم پیش نیاز مشابهی را اتخاذ کنیم، یعنی فرض 1. موریسون و همکاران. [ 38 ] قرار گرفتن در معرض محیطی را بر اساس محل سکونت و فعالیت افراد ارزیابی می کند، و برخی مطالعات قبلی در سطح جمعیت وجود دارد که قرار گرفتن در معرض حمل و نقل درون حمل و نقل را در نظر نمی گیرد [ 29 ، 34 ]. با حمایت از این مطالعات قبلی، فرض 2 را می توان به عنوان پیش نیاز دیگر پذیرفت. بر اساس این دو فرض، رویکرد ما می‌تواند زمینه‌های برداری را بر اساس برخی از نقاط فعالیت نسبتاً ثابت بسازد.
در مورد فرآیند ساخت میدان برداری، ابتدا منطقه مورد مطالعه به سلول ها تقسیم می شود. و دوم اینکه بردار واحدی که جهت آن از محل فعالیت انسان تا مرکز هر سلول است را تعریف می کنیم. سپس، این بردارهای واحد بر روی هر مرکز سلول پیش بینی می شوند. بر اساس فاصله بین این دو نقطه، بردارها با یک تابع واپاشی فاصله محلی مقیاس بندی می شوند. به طور مشابه، سایر نقاط فعالیت انسان نیز می توانند بردارهای مربوطه را در این سلول ایجاد کنند. در نهایت، ما از قانون جمع بردار استفاده می کنیم تا همه بردارهای هم سلولی یک فرد را در یک جمع کنیم. به این ترتیب فیلد برداری یک فرد را به دست می آوریم.
در پاراگراف های بعدی نحوه تعریف فیلدهای برداری برای افراد را به تفصیل توضیح می دهیم. این فرآیند شامل سه مرحله زیر است: (1) تقسیم فضای شهری به سلول. (2) تعریف بردار و میدان برداری. و (3) ایجاد فیلد برداری برای افراد.

3.1.1. فضای شهری را به سلول ها تقسیم کنید

برخلاف کاربرد بلادرنگ در تحقیقات حمل و نقل، قرار گرفتن در معرض محیطی اثرات بلندمدتی دارد. بنابراین در این مطالعه تفکیک زمانی 1 روز است. با توجه به فضا، منطقه مورد مطالعه را به سلول های شش ضلعی با قطر 200 متر تقسیم می کنیم. یک شش ضلعی به عنوان شکل واحدهای فضایی برای مطالعات مربوط به جهت [ 39 ] مناسب است و 200 متر به اندازه یک بلوک مسکونی است. برای ثبات مقیاس، نقاط فعالیت به سلول ها پیش بینی می شود و مرکز هر سلول به جای نقطه واقعی در پرسشنامه به عنوان یک نقطه فعالیت در نظر گرفته می شود. فیلد برداری را بر اساس این سلول ها محاسبه و نمایش می دهیم.
3.1.2. بردار و فیلد برداری را تعریف کنید
فیلد برداری از تعداد زیادی بردار سفر تشکیل شده است. یک بردار دارای مدول و جهت است که توسط سه عنصر تعیین می شود: (1) معنای واقعی یا فیزیکی بردار. (2) طرح برداری برداری (از جمله محدوده موثر، پان و زوم آن)؛ و (3) جمع بردار. در مطالعه ما، بردار ابزاری است که تقاضای یک فرد برای سفر به یک نقطه خاص را نشان می دهد. نیروی محرکه غالب ماهیت میدان برداری است. علاوه بر این، فرض بر این است که مردم بر اساس مکان‌های آشنا حرکت می‌کنند و می‌توانند به هر فضای عمومی دسترسی داشته باشند. بنابراین، بردارهای سفر/سفر بر اساس مکان‌های فعالیت انسانی ایجاد می‌شوند. برای وضوح نمایش، بردارها باید در موقعیت دیگری، به عنوان مثال، هر مرکز سلول نمایش داده شوند. لیو و همکاران [ 17] یک محدوده شعاع معین را تنظیم کرده و بردارهای خارج از این محدوده را هنگام ساختن میدان برداری آنها حذف می کند. با این حال، به دلیل وضوح زمانی گسترده در مورد ما، محدودیت شعاع داده شده را حذف کردیم تا بردارها را به کل منطقه مورد مطالعه اختصاص دهیم. مکان های مختلف فعالیت می توانند به طور جداگانه بردارهای خود را در یک مکان تولید کنند. چندین بردار در یک مکان با استفاده از قانون جمع بردار جمع می شوند. ( برای جزئیات به بخش 3.1.3 مراجعه کنید.) در پاراگراف های بعدی، فرآیند تعریف جهت و مدول یک بردار را به طور مفصل معرفی می کنیم.
جهت یک بردار بر اساس مکان فعالیت انسان است و به مرکز سلولی اشاره می کند. لیو و همکاران [ 16] یک میدان برداری را بر اساس مسیرهای مورد استفاده در مطالعه حمل و نقل خود ساختند. حمل و نقل بیشتر با استقرار منابع در شهر سروکار دارد، و بنابراین مسیر حرکت منطقی است، در حالی که، همانطور که در فرض 1 ذکر شد، تأثیر محیطی بر مردم یک فرآیند طولانی مدت است. مسیرهای نمونه فقط منعکس کننده تصمیمات عملی افراد در آن روز است، اما تصمیمات مسیر آنها ممکن است در روزهای دیگر تغییر کند. مسیرهای نمونه ممکن است برای نمایش یک فرآیند طولانی مدت فعالیت انسانی مناسب نباشد. فرض 2 نشان می دهد که افراد برای مدت طولانی در اطراف مکان های ثابت یا آشنا فعال هستند. بنابراین، ما بر نقش خط سیر بی‌تأکید می‌کنیم و بر نقاط فعالیت تأکید بیشتری می‌کنیم. در دراز مدت، مردم عمدتاً فعالیت‌هایی را در یا اطراف مکان‌های فعالیت آشنا انجام می‌دهند و بنابراین تمایل دارند با شروع از این نقاط آشنا به مکان‌های اطراف سفر کنند. ما بردارهای واحدی ایجاد می‌کنیم که جهت‌هایی از مکان‌های فعالیت انسانی به هر مرکز سلولی دارند. سپس این بردارها را بر روی هر مرکز سلول، همانطور که در نشان داده شده است، نشان می دهیمشکل 2 . هر بردار از نقطه شروع (محل فعالیت) در مرکز به بیرون تابش می کند.
در مورد مدول خود، بردارها با یک تابع واپاشی فاصله مقیاس بندی می شوند، که در این مورد، تابع چگالی احتمال (PDF) توزیع جابجایی گوانگژو است، نه یک تابع واپاشی درجه دوم یا مکعبی ساده. مسافت سفر شهروندان از نظر طول متفاوت است و تعداد سفرها در فواصل مختلف با توزیع خاصی مطابقت دارد که به توزیع جابجایی معروف است. به طور کلی با افزایش مسافت سفر، تعداد افراد کاهش می یابد. توزیع جابجایی الگوهای تحرک انسان را بهتر منعکس می کند [ 40] و برای برآورد روند فعالیت بالقوه شهروندان مناسب است. از این رو، PDF توزیع جابجایی به عنوان تابع واپاشی فاصله در مدل میدان برداری استفاده می شود. در یک مطالعه قبلی، PDF مسافت های سفر را می توان با یک تابع قانون قدرت یا یک تابع نمایی که در سراسر جهان متفاوت است، برازش کرد [ 40 ]. بنابراین، ما به طور کامل از فواصل موجود در سوابق مبدا-مقصد سفر شرکت کنندگان برای به دست آوردن PDF توزیع جابجایی شهر گوانگژو استفاده می کنیم. فرآیند در شکل 3 نشان داده شده است و تابع PDF است ، که x فاصله جابجایی بر حسب کیلومتر است. فرآیند به دست آوردن مدول برداری شامل محاسبه فواصل خط مستقیم بین مکان های فعالیت انسان و هر مرکز سلولی است. سپس فاکتورهای مقیاس از طریق فواصل و تابع به دست می آیند. بردارهای واحد با ضرب آنها در ضرایب مقیاس وزن می شوند که بردارهای نهایی را به دست می دهد. بردارها فیلد برداری را همانطور که در شکل 4 نشان داده شده است تشکیل می دهند .
3.1.3. فیلد برداری را در سطح فردی ایجاد کنید
ما تمام فیلدهای برداری مبتنی بر فعالیت یک فرد را با استفاده از قانون جمع بردار در یک فیلد بردار مجزا جمع می کنیم. همانطور که در شکل 5 نشان داده شده است ، قانون جمع بردار برای ادغام دو بردار برای به دست آوردن یک بردار جدید استفاده می شود. ما استدلال می‌کنیم که برنامه‌ها یا اقدامات افراد هزینه‌های تصمیم‌گیری دارند و مردم تمایل بیشتری به انجام وظایف خود با هزینه کم دارند. بنابراین، افراد تمایل دارند برنامه خود را به شیوه ای معقول ترتیب دهند، به عنوان مثال، ادغام فعالیت های مجاور مکان در یک اجرا همانطور که در شکل 6 نشان داده شده است.. این مثال نشان می دهد که سایر نقاط فعالیت می توانند بر برنامه اولیه و تقاضای سفر تأثیر بگذارند. جمع برداری روش مناسبی برای مدل سازی این نوع تعادل یا مبادله است. در مقایسه با ساخت میدان برداری اصلی، ایده تصمیم گیری در میدان برداری ادغام شده است.

برای ساخت یک فیلد برداری جداگانه، ابتدا تمام نقاط فعالیت یک فرد را تعیین می کنیم. سپس، همانطور که در بخش 3.1.2 توضیح داده شد، فیلد برداری هر نقطه فعالیت را محاسبه می کنیم . از آنجایی که بردارهای متعدد در هر سلول همپوشانی دارند، در نهایت این بردارهای چندگانه را با قانون جمع بردار در یک بردار جمع می کنیم تا فیلد برداری یک فرد را تشکیل دهیم. شبه کد در الگوریتم 1 فرآیند برداری و تجمع فیلدهای برداری را برای افراد توضیح می دهد. متغیرهای ورودی در الگوریتم به صورت نام کد بیان می‌شوند: مجموعه تمام نقاط فعالیت ap_list است و نقطه فعالیت ap یکی از آنهاست، با ویژگی عرض جغرافیایی ap_lat و طول جغرافیایی ap_lon.; مجموعه ای از مرکز سلول ها (یعنی منطقه مطالعاتی شبکه بندی شده) cp_list است که هر نقطه مرکزی cp دارای ویژگی های عرض جغرافیایی cp_lat ، طول جغرافیایی cp_lon و شناسه شناسه نقطه است . فیلد بردار خروجی که به عنوان خروجی نامگذاری شده است شامل عرض جغرافیایی، طول و شناسه مرکز تمام سلولها و بردارهای مربوطه است.

الگوریتم 1: ساخت فیلد برداری برای افراد
1: مقداردهی اولیه sum_vector ; //یک ساختار داده نمایه شده با شناسه به عنوان شاخص
2:     برای هر نقطه فعالیت ap i در ap_list  3 را انجام دهید : ap_lat i ← ap i ‘s latitude; 4 : ap_lon i ← ap i ’s طول جغرافیایی; 5:          برای هر نقطه مرکزی cp j در cp_list 6 را انجام دهید :                cp_lat j ← cp j ‘s عرض جغرافیایی. 7:                cp_lon 

j ← cp j ‘s طول جغرافیایی;
8:                id j ← cp j ‘s point ID;
9:                فاصله ij، زاویه ij ← راه حل معکوس برای ژئودزیک ( ap_lat i، ap_lon i، cp_lat j، cp_lon j );
10:              ماژول ij ← e ^ (−0.167 * فاصله ij −3.575)؛
11:              وکتور ij ← بسته بندی برداری ( ماژول ij، زاویه ij );
12:              sum_vector (id j ) ← sum_vector ( id j )+ vector ij ; //با استفاده از جمع بردار
13: sum_vector و cp_list را با شناسه شناسه نقطه ادغام کنید تا خروجی ( id );
14:    نهایی ;
15:    خروجی بازگشت  ;

3.2. تقاضای سفر در سطح جمعیت

در این قسمت تقاضای سفر را به صورت تجمیع تعریف کرده و روند ساخت آن را معرفی می کنیم. همانطور که در بخش‌های بالا معرفی شد، ما از یک فیلد برداری برای نشان دادن تقاضای سفر در سطح فردی استفاده می‌کنیم و تقاضای سفر با جمع‌آوری تقاضاهای سفر فردی تشکیل می‌شود. به دلیل استقلال تصمیمات و برنامه های سفر افراد، تقاضای سفر فرد تحت تأثیر دیگران قرار نمی گیرد. بنابراین، منطقی نیست که از قانون جمع بردار برای تجمیع این فیلدهای بردار منفرد استفاده کنیم. تقاضای انباشته از اضافات اسکالر مدول برداری افراد در هر سلول محاسبه می شود. شبه کد می تواند فرآیند را روشن کند، همانطور که در الگوریتم 2 نشان داده شده است. متغیرهای ورودی در الگوریتم به صورت نام کد بیان می شوند: vf_listبه معنی مجموعه ای از فیلدهای برداری همه افراد (یا برخی از آنها) است که فیلد برداری فرد vf یک ساختار داده نمایه شده با نمایه شناسه نقطه و با ویژگی های بردار است . همه شناسه ها در یک لیست جمع آوری می شوند، id_list . بردار دارای ویژگی های ماژول ماژول است. خروجی میدان بردارشامل طول و عرض جغرافیایی، طول و شناسه تمام مرکز سلول ها و مجموع اسکالر مربوطه است. سپس جهت های میدان برداری جمعی با قانون جمع بردار تعیین می شود. با این وجود، جمع آوری تمام امتیازات فعالیت شهروندان غیرممکن است. در این مورد، از یک پرسشنامه برای انجام یک بررسی نمونه‌گیری از کل شهر استفاده می‌کنیم و نتیجه نمونه‌گیری می‌تواند منعکس کننده شخصیت جمعیت (یا یک گروه خاص) نیز باشد.

الگوریتم 2: ساخت فیلد بردار تقاضای سفر برای جمعیت (یا گروه‌های خاص)
1: مقداردهی اولیه خروجی //یک ساختار داده نمایه شده با id به عنوان شاخص
2:     برای شناسه هر نقطه id i در id_list  3:          برای هر فیلد برداری مجزا vf j در vf_list 4 را انجام دهید :               بردار ij ← vf j ( id i )’s vector; // واکشی بردار در آن موقعیت 5:               ماژول ij ← ماژول بردار ij ; 6:               خروجی (
 id i ) ← خروجی ( id i ) + ماژول ij ; //استفاده از جمع اسکالر
7:     نهایی ;
8     : خروجی بازگشت

3.3. ارزیابی قرار گرفتن در معرض محیطی

چندین مطالعه از داده‌های نظرسنجی برای پرداختن به اثرات نابرابر COVID-19 بر گروه‌های اجتماعی مختلف استفاده کرده‌اند [ 42 ، 43 ، 44 ]، اما تعداد کمی از آنها از منظر قرار گرفتن در معرض محیطی هستند. مشکل عدم قطعیت زمینه‌ای مربوط به این موضوع در یک مطالعه بهداشتی اخیر مورد بحث قرار گرفت [ 45 ، 46 ]، که تاکید کرد فعالیت مکانی و زمانی فرد باید هنگام ارزیابی قرار گرفتن در معرض محیطی در نظر گرفته شود. ما با این بیانیه موافقیم و آن را بیشتر به سطح جمعیت گسترش می دهیم. ما فعالیت های جمعیت یا گروه های خاص و عوامل محیطی را در نظر می گیریم و شاخص هایی را برای ارزیابی قرار گرفتن در معرض محیطی پیشنهاد می کنیم.

با استفاده از معادله (1) در هر سلول، یک میدان برداری جدید ایجاد می کنیم. مورد جدید هم تقاضای سفر و هم عوامل محیطی را برای مدل‌سازی قرار گرفتن در معرض محیطی یک گروه (یا جمعیت) خاص ادغام می‌کند. برای مقایسه درجه قرار گرفتن در معرض محیط بین گروه ها، مقادیر نوردهی (یعنی مدول هر میدان برداری جدید) را در همه سلول ها به عنوان یک شاخص جدید جمع می کنیم که نشانگر کل نوردهی (TEI) را نشان می دهیم. TEI نشان دهنده اثرات بر روی جمعیت است، همانطور که در رابطه (2) نشان داده شده است:

جایی که مدول بردار جدید در مورد نوردهی در موقعیت i است. مقدار عامل محیطی در موقعیت i است. مدول بردار تقاضای سفر است. و n تعداد کل سلول ها است.

با این حال، این معیارهای ارزیابی تا حد زیادی تحت تأثیر تعداد افراد در گروه های مختلف قرار می گیرند. برای مقایسه تفاوت‌های این گروه‌ها از نظر توزیع فضایی، تأثیر تعداد افراد مختلف بر نتایج را با میانگین عملیات حذف می‌کنیم. میدان برداری متوسط ​​و نشانگر نوردهی متوسط ​​(AEI) با معادلات (3) و (4) نشان داده شده است:

جایی که تعداد افراد در هر گروه است. بدین ترتیب ما نقشه نوردهی میدان برداری هر گروه را بدست می آوریم و بنابراین می توانیم شباهت ها و تفاوت های آنها را به صورت بصری تجزیه و تحلیل کنیم. تفریق را می توان بین نقشه ها انجام داد تا تفاوت ها را به صورت کمی (و در نتیجه واضح تر) منعکس کند.

ما فرض می‌کنیم که رفتار سفر افراد در یک دوره طولانی (مثلاً 2 یا 3 سال) تغییر قابل‌توجهی نمی‌کند، و از تراکم جوامع با موارد تأیید شده COVID-19 به عنوان مثال برای نشان دادن ساخت یک میدان ناقل استفاده می‌کنیم. نشانگر نوردهی مبتنی بر این مدل همچنین می تواند برای ارزیابی سایر مواجهه ها با جایگزینی عامل محیطی گسترش یابد.

4. مطالعه موردی

4.1. منطقه مطالعه

گوانگژو یکی از پیشرفته ترین شهرهای چین است. منطقه درون شهری گوانگژو که دارای فرهنگ و ترکیب جمعیتی متنوع و بیشترین تراکم فعالیت انسانی است، به عنوان منطقه مورد مطالعه ما انتخاب شد. این منطقه شامل چهار ناحیه – یوکسیو، لیوان، هایزو و تیانهه – و هفتاد و نه ناحیه فرعی است ( شکل 7 ).

4.2. مجموعه داده و پردازش داده

4.2.1. بررسی تحرک روزانه

یک نظرسنجی پرسشنامه ای در جولای 2017 برای مطالعه زندگی و فعالیت های روزمره ساکنان انجام شد. چین اولین کشوری است که شیوع این بیماری را شناسایی کرده است. در مراحل اولیه شیوع، واکنش دولت و مردم به بحران به تعویق می افتد. هیچ کس تصور نمی کرد که همه گیری وجود دارد، و بنابراین هیچ کس هیچ اقدام متقابلی انجام نداد و فعالیت های خود را طبق معمول انجام داد. با توجه به فرض ذکر شده در بخش 3.1، فعالیت های معمول مردم نسبتاً پایدار است، بنابراین می توانیم از فعالیت های نظرسنجی در سال 2017 برای نشان دادن فعالیت ها در دوره غیرهوشمندی همه گیر استفاده کنیم. شرکت کنندگان به طور تصادفی از جوامع تعیین شده انتخاب شدند و ساکنان کمتر از 18 سال و بزرگتر از 60 سال در نظر گرفته نشدند. تعداد کل شرکت کنندگان 934 نفر بود. از آنها در مورد فعالیت هایشان در نزدیکترین روز هفته و آخر هفته (با فاصله کمتر از 5 روز) سؤال شد. داده های پرسشنامه شامل کلید اصلی (ID)، زمان شروع و پایان، طول و عرض جغرافیایی و انعطاف پذیری برای تغییر مکان فعالیت (تغییر مکان) است. میز 1نمونه ای از سوابق در نظرسنجی را نشان می دهد. سوال در مورد تغییر مکان در نظرسنجی شامل پنج سطح بود. امکان‌های شرکت‌کننده برای تغییر مکان فعالیت برنامه‌ریزی‌شده را ارزیابی کرد. امتیاز 1 یا 2 به این معنی است که شرکت کننده نمی تواند مکان فعالیت برنامه ریزی شده خود را تغییر دهد، امتیاز 3 به این معنی است که ممکن است مکان فعالیت برنامه ریزی شده خود را تغییر دهد یا خیر (یک وضعیت عادی) و امتیاز 4 یا 5 نشان می دهد که او به طور اتفاقی محل فعالیت برنامه ریزی شده خود را تغییر می دهد. علاوه بر این، به برخی از ویژگی‌های دیگر اشاره می‌شود اما در مورد ما استفاده نمی‌شود، از جمله آدرس، انواع شریک، انواع فعالیت و انواع مکان.
طبق فرض 1 و فرض 2، انتظار می رود که مکان های فعالیت، فعالیت های معمول شرکت کنندگان را در یک دوره طولانی منعکس کنند، و ما از آنها برای ساختن فیلد برداری استفاده می کنیم. همانطور که در جدول 1 نشان داده شده است ، نظرسنجی حاوی ویژگی تغییر مکان است که نشان دهنده انعطاف پذیری یک شرکت کننده برای تغییر مکان فعالیت است. بنابراین، ما از مکان‌های فعالیت ثابت در برنامه‌های فعالیت شرکت‌کنندگان (یعنی آن‌هایی که امتیاز 1، 2 یا 3 دارند) برای ساختن فیلد برداری استفاده می‌کنیم که در مجموع 11573 رکورد را شامل می‌شود.
برای امکان بررسی تفاوت‌های قشربندی اجتماعی، پرسشنامه شامل سؤالاتی در مورد درآمد، سن و برخی ویژگی‌های اجتماعی دیگر است. برای هر یک از این ویژگی ها، کل جمعیت را به دو گروه تقسیم کردیم. برای درآمد، هیچ استاندارد مشخصی برای تعریف فقیر و ثروتمند استفاده نشده است، بنابراین از مقدار میانه (5800 RMB) برای تقسیم جمعیت به گروهی با درآمدهای متوسط ​​پایین (463 نفر، 5963 رکورد) و گروهی با درآمد متوسط ​​بالاتر استفاده می کنیم. درآمد (471 نفر، 5610 رکورد). برای آموزش، شرکت کنندگان به ترتیب زیر رتبه بندی می شوند: (1) مدرسه ابتدایی یا پایین تر. (2) دوره راهنمایی. (3) دبیرستان ارشد؛ (4) مدرک دانشگاهی: و (5) مدرک لیسانس و بالاتر. میانگین پیشرفت تحصیلی یک مدرک دانشگاهی (4) است و بنابراین ما (1)، (2) را تعریف می کنیم، و (3) به عنوان گروه آموزش متوسطه پایین (325 نفر، 4203 رکورد) و (4) و (5) به عنوان گروه آموزش عالی متوسط ​​(609 نفر، 7370 سابقه). برای سن، ما از میانگین سنی (35 سال) استفاده می کنیم تا جمعیت را به گروه سنی پایین تا متوسط ​​(463 نفر، 5240 رکورد) و گروه سنی بالاتر (470 نفر، 6333 رکورد) تقسیم کنیم. وضعیت مهاجر نیز مهم است زیرا مردم محلی که از سنین جوانی در گوانگژو زندگی می‌کنند، احساسات متفاوتی نسبت به فضای شهری نسبت به مهاجران دارند، که با تفاوت در الگوهای رفتاری مردم نیز منعکس می‌شود. 5240 رکورد) و گروه سنی بالاتر از میانسال (470 نفر، 6333 رکورد). وضعیت مهاجر نیز مهم است زیرا مردم محلی که از سنین جوانی در گوانگژو زندگی می‌کنند، احساسات متفاوتی نسبت به فضای شهری نسبت به مهاجران دارند، که با تفاوت در الگوهای رفتاری مردم نیز منعکس می‌شود. 5240 رکورد) و گروه سنی بالاتر از میانسال (470 نفر، 6333 رکورد). وضعیت مهاجر نیز مهم است زیرا مردم محلی که از سنین جوانی در گوانگژو زندگی می‌کنند، احساسات متفاوتی نسبت به فضای شهری نسبت به مهاجران دارند، که با تفاوت در الگوهای رفتاری مردم نیز منعکس می‌شود.47 ]. این مطالعه شامل 221 مهاجر با 2869 سابقه و 713 نفر از افراد محلی با 8704 سابقه است.
4.2.2. گزارش های COVID-19
در پاسخ به همه‌گیری کووید-۱۹، بسیاری از دولت‌ها اطلاعات افراد آلوده به ویروس را برای مبارزه با شیوع آن افشا کردند. کمیسیون بهداشت شهرداری گوانگژو از 22 ژانویه 2020 هر روز گزارشی درباره وضعیت همه گیر COVID-19 منتشر کرده است [ 48 ]. این گزارش عمدتاً حاوی اطلاعاتی در مورد تعداد موارد تأیید شده COVID-19، تعداد بستری شدن در بیمارستان، تعداد تماس‌های نزدیک و سایر اطلاعات است. سابقه ای وجود دارد که محققان از داده های استخراج شده از مقالات یا گزارش ها برای مطالعه الگوهای فضایی گسترش یک بیماری همه گیر استفاده کنند [ 49 ]]. قبل از ظهور موارد تایید شده، قبلاً تعدادی از افراد مبتلا به ویروس در دوره غیر هشدار وجود داشتند. بنابراین، افراد سالم در معرض خطر بالقوه سلامتی قرار گرفتن در معرض محیطی قرار گرفتند که عفونت در آن ظاهر شده بود. همانطور که در شکل 8 نشان داده شده است ، موارد تایید شده داخلی قبل از 24 فوریه 2020 به سرعت افزایش یافت و منحنی در 349 تثبیت شد. این نشان می دهد که همه گیری تا حد زیادی در این زمان تحت کنترل بود. در مرحله اولیه گسترش جامعه، اسامی جوامع دارای موارد تایید شده اعلام شد، اما هیچ شماره موردی برای هر جامعه ذکر نشد. ما از Geocode API ارائه شده توسط Amap [ 50 استفاده می کنیم] (در 11 اوت 2020 قابل دسترسی است) تا نام انجمن را با اطلاعات مکان (یعنی طول و عرض جغرافیایی) مطابقت دهد. با انجام تخمین چگالی هسته (KDE) با شعاع 1000 متر، یک نقشه پیوسته از 222 نقطه گسسته (یعنی جوامع) همانطور که در شکل 9 نشان داده شده است، ایجاد کردیم .

4.3. ساخت میدان برداری برای مدل‌سازی تقاضای سفر

در این قسمت به معرفی فرآیند ساخت یک فیلد برداری و روش تجسم می پردازیم. شکل 10 روند ساخت فیلد برداری را نشان می دهد. ابتدا، همه مکان‌های فعالیت را برای هر گروه فیلتر کرده و به‌دست آوردیم، و سپس کل منطقه مورد مطالعه را با سلول‌های شش ضلعی از طریق «QGIS/جعبه ابزار/ ایجاد بردار/ایجاد شبکه با شش‌ضلعی‌های نوع شبکه» شبکه‌بندی کردیم. در مرحله بعد، رابطه تقاطع بین مکان‌های فعالیت و این سلول‌های شش ضلعی را مورد قضاوت قرار دادیم و سپس مختصات مکان‌های فعالیت را با مختصات مرکزهای شش ضلعی مربوطه جایگزین کردیم که با تابع “GeoSeries.centorid” و “GeoSeries” تحقق می‌یابد. تقاطع» در بسته پایتون GeoPandas [ 51]. در نهایت، الگوریتم‌های 1 و 2 ذکر شده در بخش 3.1.3 و بخش 3.2 را برای محاسبه فیلد بردار تقاضای سفر برای هر گروه پیاده‌سازی کردیم.
نکته ای در مورد تجسم: اگرچه به طور طبیعی می توان از شکل فلش برای نشان دادن یک بردار استفاده کرد، اما در یک نقشه با مقیاس بزرگ، جهت و اندازه یک فلش ناخوانا است و بنابراین برای توصیف فیلد برداری از رنگ ها به جای فلش ها استفاده می کنیم. علاوه بر این، رسم یک میدان برداری در سه بعدی (3 بعدی) می تواند دو متغیر را در یک زمان نشان دهد که مدول بردار با ارتفاع آن و جهت بردار با رنگ آن نشان داده می شود. با این حال، یک صفحه نمایش سه بعدی حاوی مقداری اعوجاج و انسداد است که بر چنین مشاهداتی تأثیر می گذارد. بنابراین، ما از خطوط دو بعدی (2 بعدی) برای جایگزینی ارتفاع در تجسم سه بعدی استفاده می کنیم. مراحل به دست آوردن نقشه های شطرنجی و خطوط به شرح زیر است. ما از روش وزنی با فاصله معکوس (IDW) استفاده می کنیم [ 52] برای تولید نقشه های شطرنجی از مدول فیلدهای برداری هر گروه، و از “GDAL/تصویرسازی/کنتور” [ 53 ] در QGIS3 برای تولید نقشه های کانتور از این نقشه های شطرنجی استفاده می کنیم، که پارامتر “فاصله بین خطوط کانتور” برای آنها است. به عنوان 0.005 تنظیم کنید. بخش 5.1 نتایج دقیق تجزیه و تحلیل بصری ما را ارائه می دهد.

4.4. محاسبه قرار گرفتن در معرض همه گیری گروه ها

در اینجا، ما باید روشن کنیم که “معرض محیطی” به طور خاص در این مورد به چه چیزی اشاره دارد. محیط در اینجا نشان دهنده یک محیط پرخطر است که ممکن است به سلامت آسیب وارد کند. به عنوان مثال، فعالیت در مکان‌هایی با آلودگی هوای بالا می‌تواند خطر ابتلا به بیماری‌های ریوی را افزایش دهد، که در آن محیط به مناطقی با آلودگی هوای بالا اشاره دارد و قرار گرفتن در معرض به این معنی است که افراد برای مدت طولانی در آنجا فعال هستند. به طور مشابه، طبق سیاست ورودی فعلی در بسیاری از مناطق، افرادی که در مناطق اپیدمی فعالیت دارند به عنوان ناقل ویروس مشکوک هستند و باید قرنطینه شوند و برای ویروس آزمایش شوند. بنابراین، در این حالت، محیط پرخطر به عنوان مناطق اپیدمی و مواجهه محیطی به بازدید از این مناطق اپیدمی اطلاق می شود. با این حال، قرار گرفتن در یک محیط پرخطر مساوی با آلوده شدن نیست و احتمالی بین آنها وجود دارد که می تواند تحت تأثیر بسیاری از عدم قطعیت ها قرار گیرد. بنابراین، ما بیشتر بر ارزیابی خود قرار گرفتن در معرض محیطی و نابرابری های قرار گرفتن در معرض گروه های مختلف اجتماعی تمرکز می کنیم، در حالی که میزان قرار گرفتن در معرض که می تواند منجر به عفونت شود، دغدغه این مقاله نیست. که دربخش 4.2 ، ما یک نقشه پیوسته از COVID-19 را معرفی کرده ایم که تراکم این جوامع با موارد تایید شده است. و در بخش 4.3 ، یک فیلد برداری برای نشان دادن تقاضاهای سفر گروه های اجتماعی ایجاد کرده ایم. در این بخش، می‌توانیم این دو بخش را با هم ترکیب کنیم تا یک فیلد برداری جدید برای نمایش ناحیه نسبتاً پر نور برای هر گروه به دست آوریم. پردازش شامل بسیاری از عملیات داده‌های مکانی با استفاده از نرم‌افزار GIS است و ما یک نمودار جریان برای نشان دادن کل گردش کار همانطور که در شکل 11 نشان داده شده است رسم می‌کنیم.. این عمدتا شامل سه مرحله اصلی است: (1) تراز داده ها. (2) ساخت میدان ناقل قرار گرفتن در معرض بیماری همه گیر؛ و (3) محاسبه AEI و TEI مناطق فرعی. در رابطه با تراز داده ها، نقشه عامل محیط و میدان برداری باید سیستم شبکه بندی یکسانی داشته باشند. بنابراین، ما نقشه محیط را شبکه بندی می کنیم تا سلول هایی با مقادیر KDE بدست آوریم. برای ساختن مواجهه با بیماری همه گیر، معادلات (1) و (3) ذکر شده در بخش 3.3 را می توان برای ادغام مدول یک میدان برداری و مقدار KDE برای به دست آوردن یک مقدار جدید به عنوان مدول در میدان بردار قرار گرفتن در معرض همه گیر استفاده کرد. برای محاسبه AEI و TEI زیر ناحیه‌ها، ابتدا سلول‌هایی را می‌یابیم که با هر زیر ناحیه تلاقی می‌کنند با استفاده از ابزار “Qgis/جعبه ابزار/بردار کلی/ویژگی‌های پیوستن بر اساس مکان”. با استفاده از معادلات (2) و (4) ذکر شده در بخش 3.3، محاسبه و بدست آوردن مقادیر AEI و TEI از طریق پایتون آسان است. به طور مشابه، مقادیر AEI و TEI برای کل منطقه مورد مطالعه نیز قابل محاسبه است.

5. نتیجه

5.1. تقاضای سفر هر گروه اجتماعی

با توجه به فعالیت های روز هفته/آخر هفته آنها، ما میدان برداری را برای مدل سازی تقاضای سفر برای هر گروه جمعیتی می سازیم ( شکل 12 ). خطوط کانتور بزرگی میدان برداری (یعنی تقاضای سفر) را نشان می دهد و رنگ ها جهت بردار را نشان می دهند. همه نقشه ها الگوی کلی مشابهی از تقاضای سفر نسبتاً بالا در وسط شهر و مقادیر پایین تر از مرکز دارند. مراکز متعدد به ویژه در نقشه های آخر هفته برجسته هستند (به عنوان مثال، شکل 12 د). در روزهای هفته، تفاوت های درون گروهی قابل توجه است. به عنوان مثال، گروه سنی بالاتر از متوسط ​​( شکل 12 الف) پوشش فضایی وسیع تری را نسبت به گروه سنی متوسط ​​پایین نشان می دهد ( شکل 12).ب). در نقشه گروه سنی بالاتر و میانسالی، حلقه های قرمز رنگ در مرکز شهر وجود دارد. حلقه های قرمز به این معنی است که این ناحیه دارای مقدار بسیار بالایی در قسمت برداری است. نقشه گروه سنی پایین و متوسط ​​حلقه های قرمز ندارد. یک جفت توزیع فضایی متقارن شدت فعالیت بالا در گروه‌های با درآمد بالا و پایین و شهروندان بومی و غیر محلی (مهاجر) مشاهده می‌شود، یعنی گروه با درآمد متوسط ​​بالاتر و گروه محلی فعال‌تر هستند. منطقه مرکز، در حالی که گروه با درآمد متوسط ​​پایین و گروه غیر محلی دارای توزیع فضایی مشابهی هستند که عمدتاً در ناحیه شمال غربی فعال هستند، که نشان دهنده رفتارها و ترجیحات فضایی متفاوت آنها است. با این حال، در تعطیلات آخر هفته، تفاوت های درون گروهی اندک است. فعالیت های پرقدرت بیشتر در مرکز شهر (یعنی منطقه 68، منطقه 5 و منطقه 15) واقع شده اند.

5.2. ارزیابی قرار گرفتن در معرض همه گیر و مقایسه برای گروه های مختلف جمعیتی

با استفاده از جریان پردازش داده شرح داده شده در بخش 4.4 ، می توانیم نتایجی را برای AEI و TEI به دست آوریم که منعکس کننده قرار گرفتن در معرض بیماری همه گیر برای همه گروه ها است ( جدول 2 ). به طور کلی، جمعیت محلی در یک روز هفته بیشترین میزان مواجهه را دارند (TEI = 2.624)، و پس از آن افراد دارای تحصیلات عالی در یک روز هفته (TEI = 2.202) قرار دارند. و قرار گرفتن در معرض مهاجران در تعطیلات آخر هفته و روزهای هفته کمترین میزان را دارد (به ترتیب TEI = 0.646 و 0.831). با حذف اثر تعداد افراد در هر گروه، گروه کم سن در آخر هفته و گروه پردرآمد در آخر هفته کمترین مواجهه را دارند (AEI = 3.48 و 3.49 ، به ترتیب). در مقابل، گروه کم درآمد در روزهای هفته و گروه با تحصیلات پایین در روزهای هفته بیشترین مواجهه را دارند (AEI = 3.94 و 3.89 ، به ترتیب). به طور کلی، قرار گرفتن در معرض در تعطیلات آخر هفته کمتر از روزهای هفته است. گروه های کم درآمد، کم تحصیلات، سن بالا و مهاجر در معرض بیشتر قرار دارند. و گروه های پردرآمد و کم سن در معرض کمتری قرار دارند. به طور خاص، در مقایسه با گروه های پردرآمد و کم درآمد در روزهای هفته و آخر هفته، قرار گرفتن در معرض گروه کم درآمد در روزهای هفته حدود 10٪ (9.7٪) بیشتر از گروه پردرآمد است و قرار گرفتن در معرض گروه کم درآمد 8 درصد بیشتر از گروه پردرآمد در تعطیلات آخر هفته است.

5.3. ارزیابی قرار گرفتن در معرض همه گیر و مقایسه در فضا

برای سهولت نمایش، گروه های درآمدی را به عنوان نمونه انتخاب کرده ایم. پس از محاسبه AEI و TEI مناطق فرعی برای چهار گروه، می‌توان مناطقی را که بیشترین و کمترین همه‌گیری را دارند نتیجه‌گیری کرد. به طور تصادفی، همانطور که در جدول 3 نشان داده شده است ، سه گروه بالا و سه پایین در چهار گروه یکسان هستند: رنمین (منطقه 63) بالاترین نوردهی را دارد و پس از آن گوانگتا (منطقه 69) و لونجین (منطقه 22) قرار دارند. و Changxing (منطقه 57) کمترین نوردهی را دارند و پس از آن Dongsha (منطقه 23) و Guanzhou (منطقه 2) قرار دارند. این مناطق با نوردهی بالا (یعنی مناطق 22، 69 و 63) در مرکز شهر به یکدیگر نزدیک هستند. همانطور که در شکل 13 نشان داده شده است ، ما فیلدهای برداری گروه های درآمدی مختلف را در روزهای هفته یا آخر هفته نشان دادیم.
تفاوت های دقیق در توزیع قرار گرفتن در معرض بیماری همه گیر را نمی توان به راحتی از روی نقشه های فردی مشاهده کرد. در شکل 14 ، مقدار سلول گروه با درآمد متوسط ​​پایین را از گروه با درآمد متوسط ​​بالاتر کم می کنیم. مناطق سبز نشان دهنده قرار گرفتن در معرض بیشتر برای گروه کم درآمد و مناطق قهوه ای نشان دهنده قرار گرفتن در معرض بیشتر برای گروه پردرآمد است. ما متوجه شدیم که در روزهای هفته، شهروندان کم‌درآمد به طور کلی در مناطق غربی و مرکزی قرار گرفتن در معرض بیشتری دارند، در حالی که گروه پردرآمد در مناطق دوردست قرار گرفتن در معرض بیشتری دارند، و در آخر هفته، گروه پردرآمد بالاتری ندارند. مناطق در معرض قرار گرفتن

6. بحث و نتیجه گیری

مواجهه با محیط زیست همواره تهدیدی برای سلامتی و جان افراد است و باید آن را کمی کرد. بسیاری از محققان آن را بر اساس دیدگاه فردی ارزیابی می کنند (یانگ و همکاران، 2020؛ هوانگ و کوان، 2021). با این وجود، هنگام مواجهه با قرار گرفتن در معرض محیطی، نابرابری در سطوح مختلف خطر (یا منافع) گروه‌های اجتماعی مختلف وجود دارد. به این ترتیب، کمی سازی نیاز به دیدگاه جمعیت دارد. سوجا استدلال می کند که تجمع گروه های اجتماعی از تصمیمات مکانی (ALD) نابرابری اجتماعی را تعیین می کند [ 5 ]]. با این حال، روش فعلی کمی قرار گرفتن در معرض جمعیت، ویژگی‌های کمی را در مورد تحرک و تصمیم‌گیری در نظر می‌گیرد. بنابراین، یک روش مبتنی بر میدان برداری برای تعیین کمیت قرار گرفتن در معرض محیطی از دیدگاه جمعیت پیشنهاد شده است که سه عنصر را پوشش می‌دهد: دیدگاه جمعیت، تحرک، و تصمیم‌گیری‌ها، و به طور کامل تفکر ALD در عدالت فضایی را منعکس می‌کند. ما آن را برای مطالعه موردی قرار گرفتن در معرض COVID-19 به کار می‌بریم و نابرابری‌های موجود را بررسی می‌کنیم. یافته‌های مطالعه موردی، سهم روش پیشنهادی ما و محدودیت‌ها در زیر مورد بحث قرار می‌گیرند:
از مطالعه موردی قرار گرفتن در معرض COVID-19، نتایج نشان می‌دهد که گروه‌های اجتماعی مختلف در مواجهه با بیماری همه‌گیر متفاوت هستند. گروه های کم درآمد، کم تحصیلات، سن بالا و مهاجر در معرض بیشتر و گروه های پردرآمد و کم سن کمتر در معرض قرار گرفتن هستند. به طور خاص، قرار گرفتن در معرض گروه کم درآمد 8 تا 10٪ (9.7٪) بیشتر از گروه پردرآمد است. از بعد فضایی، گروه کم درآمد در غرب شهر و گروه پردرآمد در شرق شهر در روزهای هفته و در آخر هفته، گروه کم درآمد بیشتر در معرض دید قرار دارند. قرار گرفتن در معرض در غرب شهر، اما هیچ یک از مناطق قرار گرفتن در معرض بالاتر برای گروه های درآمد بالاتر بود. ما متوجه شدیم که آن دسته از گروه هایی که قرار گرفتن در معرض بالاتری دارند، همگی به گروه های آسیب پذیر جامعه تعلق دارند. افراد کم درآمد، گروه‌های با تحصیلات پایین و مهاجر احتمالاً در مشاغلی هستند که نیاز به تحرک مکرر دارند و این امر باعث افزایش بیشتر قرار گرفتن در معرض این بیماری همه‌گیر می‌شود. از آنجایی که دولت‌ها سفر را برای کنترل بیماری‌های همه‌گیر محدود می‌کنند، معیشت آنها بیش از دیگران تحت تأثیر قرار می‌گیرد و سختی و نابرابری بیشتر را افزایش می‌دهد. نتایج مشابهی نیز توسط مطالعات دیگر ارجاع شده است [54]. افرادی که به گروه های پردرآمد، تحصیلات عالی و محلی تعلق دارند، ممکن است کار در مکان ثابت داشته باشند و شغل آنها ممکن است آنها را مجبور به جابجایی نکند، که از آنها در برابر قرار گرفتن در معرض محافظت می کند. در مقایسه با گروه سنی پایین، افراد با سن بالا ممکن است زمان یا فرصت های انعطاف پذیرتری برای سفر به مکان های دیگر داشته باشند که به طور عینی باعث افزایش قرار گرفتن در معرض آن ها می شود. سفرهای جوانان ممکن است توسط کارشان کنترل شود و گروه وقت و انرژی برای سفر اضافی نداشته باشند و باعث تماس کمتر با قرار گرفتن در معرض محیط شوند. از مقایسه مورد در روزهای هفته و آخر هفته، ما می‌توانیم استنباط کنیم که در روزهای کاری، هر دو گروه با درآمد بالا و کم درآمد ممکن است نیاز به بیرون رفتن برای کار داشته باشند، که در نتیجه در برخی مکان‌ها برای گروه‌های پردرآمد بیشتر قرار می‌گیرد. قرار گرفتن در معرض بیشتر برای گروه های کم درآمد در دیگران. در آخر هفته،
با روش پیشنهادی ما، روش ساخت میدان برداری را بهبود بخشیده ایم تا برای مطالعات قرار گرفتن در معرض محیطی مفیدتر باشد [ 16 ]]. قرار گرفتن در معرض را شبیه سازی می کند. با این حال، برای مطالعات مبتنی بر جمعیت به جای مطالعات در سطح فردی مناسب تر است. این روش در مقایسه با روش های دیگر یک پیشرفت است. این مزیت این است که محاسبه آسان و بصری در بازنمایی است، و علاوه بر این، روش تلاش می‌کند تا عناصر کلیدی بیشتری از تفکر ALD را در کمی‌سازی قرار گرفتن در معرض محیطی که با عدالت فضایی مرتبط است، ادغام کند. بر اساس میدان برداری، ما دو شاخص، یعنی TEI و AEI را برای ارزیابی قرار گرفتن در معرض محیطی هر گروه پیشنهاد می‌کنیم. روش ما درک بهتری از قرار گرفتن در معرض محیطی در سطح جمعیت را فراهم می‌کند و تفاوت بین گروه‌های اجتماعی مختلف را در بعد توزیع فضایی و بعد کمی نشان می‌دهد. اگرچه ما قرار گرفتن در معرض COVID-19 را به عنوان مطالعه موردی انتخاب می کنیم، همچنین احتمالات متنوعی وجود دارد که انواع دیگری از قرار گرفتن در معرض محیطی را می توان با حوزه سفر-تقاضا-بردار ادغام کرد، نه تنها قرار گرفتن در معرض همه گیر. نتایج می تواند مرجع مفیدی برای دولت برای انتخاب یک استراتژی کنترلی سفارشی و انعطاف پذیر باشد. این کار می تواند به عنوان راهنمای پیشگیری یا کنترل همه گیری ها در مراحل اولیه شیوع یا در طول مراحل چند موجی باشد. با توسعه سریع فناوری‌های اطلاعات و جامعه، تلفن‌های همراه و برنامه‌های کاربردی اطلاعات موقعیت مکانی کاربران را برای درک تحرک آنها جمع‌آوری می‌کنند. با این حال، این داده ها توسط اپراتورهای مخابراتی و توسعه دهندگان نرم افزار کنترل می شود. به دلیل حفظ حریم خصوصی، برخی از داده ها را نمی توان عمومی کرد و برخی از داده ها نیاز به خریدهای پرهزینه دارند. برای ارتباط تحصیلی منفی است. در مورد ما،
محدودیت های کار ما عمدتا شامل چهار جنبه است. اول، عوامل محیطی ریزدانه تر می تواند دقت نتایج را بهبود بخشد. در مطالعه موردی ما، داده‌های مواجهه با COVID-19 بر اساس جامعه بیماران تأیید شده است. داده‌ها ممکن است سایر مکان‌های احتمالی مبتلا به همه‌گیری را نادیده بگیرند، که ممکن است باعث دست‌کم‌گرفتن خاصی در مورد قرار گرفتن در معرض آن شود. اگر داده‌های تحقیقات اپیدمیولوژیک دقیقی داشته باشیم، نتایج ممکن است بهتر به واقعیت وضعیت پاسخ دهند. دوم، نتایج ما تحت برخی مفروضات به دست می‌آیند، حتی اگر از منظر جمعیت، هنوز عوامل زیادی در نظر گرفته نشده باشند، به عنوان مثال، بافت شهری دنیای واقعی. نادیده گرفتن آن باعث ایجاد مشکل زمینه جغرافیایی نامشخص (UGCoP) می شود [ 45]. سوم، با توجه به مسئله واحد منطقه ای قابل اصلاح (MAUP)، منطقه مورد مطالعه را به سلول های کوچک تقسیم می کنیم و میدان برداری را بر اساس این سلول های کوچک می سازیم. با این حال، اگر یک سلول بسیاری از نقاط فعالیت را پوشش دهد، هنگام ساختن فیلد برداری در یک نقطه جمع می‌شوند، که ممکن است باعث داده‌های ناکافی و برخی خطاها شود. بنابراین، اگر اندازه سلول بزرگ را انتخاب کنیم، روش مشکل MAUP دارد. با این وجود، اگر اندازه سلول کوچکی را انتخاب کنیم، MAUP ممکن است تأثیر محدودی داشته باشد. بسیاری از مقادیر ممکن است تغییرات عمده ای از طریق تنظیم توسط محاسبه برداری نداشته باشند و شاخص های پیشنهادی ما، به عنوان مثال، TEI و AEI، با اعداد سلول به طور میانگین محاسبه شده اند. در مورد ما اندازه سلول 200 متر است که در مقایسه با فاصله نقاط فعالیت قابل قبول است. ما معتقدیم که تحقیقات آینده ممکن است چارچوب تجزیه و تحلیل را با در نظر گرفتن UGCoP و MAUP بهبود بخشد و در برخی زمینه‌های دیگر اعمال شود. چهارم، روش پیشنهادی ما فقط می تواند قرار گرفتن در معرض را ارزیابی کند و نمی تواند بروز بیماری را پیش بینی کند، به عنوان مثال، عفونت COVID-19. از آنجایی که بسیاری از ابهامات در مورد اینکه آیا فردی که در معرض محیط قرار گرفته است ممکن است به این بیماری مبتلا شود یا خیر، دخیل است، تحقیقات ما بیشتر بحث نمی کند که چقدر قرار گرفتن در معرض می تواند منجر به عفونت شود، بلکه ما قرار گرفتن در معرض را به عنوان یک معیار نسبی برای مقایسه تفاوت های بین گروه های اجتماعی مختلف در نظر می گیریم. پیش‌بینی همه‌گیری مبتنی بر قرار گرفتن در معرض ممکن است یکی از کارهای آینده ما باشد. از آنجایی که بسیاری از ابهامات در مورد اینکه آیا فردی که در معرض محیط قرار گرفته است ممکن است به این بیماری مبتلا شود یا خیر، دخیل است، تحقیقات ما بیشتر بحث نمی کند که چقدر قرار گرفتن در معرض می تواند منجر به عفونت شود، بلکه ما قرار گرفتن در معرض را به عنوان یک معیار نسبی برای مقایسه تفاوت های بین گروه های اجتماعی مختلف در نظر می گیریم. پیش‌بینی همه‌گیری مبتنی بر قرار گرفتن در معرض ممکن است یکی از کارهای آینده ما باشد. از آنجایی که بسیاری از ابهامات در مورد اینکه آیا فردی که در معرض محیط قرار گرفته است ممکن است به این بیماری مبتلا شود یا خیر، دخیل است، تحقیقات ما بیشتر بحث نمی کند که چقدر قرار گرفتن در معرض می تواند منجر به عفونت شود، بلکه ما قرار گرفتن در معرض را به عنوان یک معیار نسبی برای مقایسه تفاوت های بین گروه های اجتماعی مختلف در نظر می گیریم. پیش‌بینی همه‌گیری مبتنی بر قرار گرفتن در معرض ممکن است یکی از کارهای آینده ما باشد.

منابع

  1. براون-فاهرلندر، سی. ریدلر، جی. هرز، یو. ادر، دبلیو. وازر، م. گریز، ال. مایش، اس. کار، دی. گرلاخ، اف. بوفه، ا. و همکاران قرار گرفتن در معرض محیطی با اندوتوکسین و ارتباط آن با آسم در کودکان سن مدرسه N. Engl. جی. مد. 2002 ، 347 ، 869-877. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  2. ساتاروگ، اس. گرت، SH; Sens، MA; سنس، DA کادمیوم، قرار گرفتن در معرض محیطی و پیامدهای سلامتی. محیط زیست چشم انداز سلامتی 2010 ، 118 ، 182-190. [ Google Scholar ] [ CrossRef ]
  3. تمپلتون، ای. Guven، ST; هورست، سی. وسترگرن، اس. دیویدسون، ال. بالنتین، اس. مدسن، اچ. Choudhury، S. نابرابری ها و فرآیندهای هویت در بحران ها: توصیه هایی برای تسهیل پاسخ ایمن به همه گیری COVID-19. برادر J. Soc. روانی 2020 ، 59 ، 674-685. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. ردوندو-سما، جی. ماتولیک، وی. مونته-پاسکوال، آ. de Vicente, I. مددکاری اجتماعی در طول بحران COVID-19: پاسخگویی به نیازهای فوری اجتماعی. Sustainability 2020 , 12 , 8595. [ Google Scholar ] [ CrossRef ]
  5. سوجا، ای. شهر و عدالت فضایی. تف کردن عدالت 2009 ، 1 ، 1-5. [ Google Scholar ]
  6. ویزنر، ام آر. Lowry، GV; جونز، KL; Hochella، MF، Jr. دی جولیو، RT; کازمن، ای. برنهارت، ES کاهش عدم قطعیت در ارزیابی قرار گرفتن در معرض محیطی، خطر، و پیامدهای اکولوژیکی نانومواد. محیط زیست علمی تکنولوژی 2009 ، 43 ، 6458-6462. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. ژانگ، ال. ژو، اس. کوان، نماینده مجلس؛ چن، اف. لین، آر. تأثیرات قرار گرفتن در معرض فضای سبز روزانه فردی بر سلامت بر اساس فضای فعالیت فردی و مدل‌سازی معادلات ساختاری. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 2323. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  8. کوان، ام.-پی. وانگ، جی. تیبورسکی، ام. اپستاین، دی اچ. Kowalczyk، WJ; پرستون، KL عدم قطعیت در زمینه جغرافیایی رفتارهای سلامت: مطالعه قرار گرفتن مصرف کنندگان مواد در معرض استرس روانی اجتماعی با استفاده از داده های GPS. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 1176-1195. [ Google Scholar ] [ CrossRef ]
  9. Coccia، M. شاخصی برای تعیین کمیت خطر زیست محیطی قرار گرفتن در معرض اپیدمی های آینده COVID-19 و عوامل ویروسی مشابه: تئوری و عمل. محیط زیست Res. 2020 ، 191 ، 110155. [ Google Scholar ] [ CrossRef ]
  10. Rodes، CE; Kamens، RM; وینر، RW اهمیت و ویژگی‌های ابر فعالیت شخصی در اندازه‌گیری‌های ارزیابی قرار گرفتن در معرض برای آلاینده‌های داخلی. هوای داخلی 1991 ، 1 ، 123-145. [ Google Scholar ] [ CrossRef ]
  11. سو، جی جی; مورلو-فروش، آر. Jesdale، BM; کایل، AD; شاماسندر، بی. جررت، ام. شاخصی برای ارزیابی نابرابری های جمعیتی در مخاطرات زیست محیطی تجمعی با کاربرد در لس آنجلس، کالیفرنیا. محیط زیست علمی تکنولوژی 2009 ، 43 ، 7626-7634. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  12. پادیلا، سی ام؛ کیهال تالانتیکیت، دبلیو. ویرا، VM؛ روسلو، پی. لو نیر، جی. زمیرو نویر، دی. Deguen، S. کیفیت هوا و محرومیت اجتماعی در چهار منطقه کلان شهر فرانسه – تحلیل نابرابری محیطی مکانی-زمانی محلی. محیط زیست Res. 2014 ، 134 ، 315-324. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  13. میلوویچ، آ. Niedzwiedz، CL; پیرس، جی. میلنر، جی. مکنزی، IA; Doherty، RM; Wilkinson، P. تفاوت های اجتماعی و اقتصادی و شهری-روستایی در قرار گرفتن در معرض آلودگی هوا و بار مرگ و میر در انگلستان. محیط زیست Health 2017 , 16 , 104. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. یانگ، ن. فو، آر. چائو، ی. لیو، اچ. Ma، X. ارزیابی کمی قرار گرفتن در معرض محیطی مردان زایمان در ووهان. قوس. محیط زیست اشغال کنید. Health 2020 , 75 , 445-463. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. میلر، اچ جی; Bridwell, SA یک نظریه میدانی برای جغرافیای زمانی. ان دانشیار صبح. Geogr. 2009 ، 99 ، 49-75. [ Google Scholar ] [ CrossRef ]
  16. لیو، ایکس. Yan، WY; Chow، JYJ روابط زمانی-جغرافیایی بین زمینه های برداری الگوهای فعالیت و سیستم های حمل و نقل. J. Transp. Geogr. 2015 ، 42 ، 22-33. [ Google Scholar ] [ CrossRef ]
  17. لیو، ایکس. چاو جی، جی. لی، اس. نظارت آنلاین حرکت تاکسی محلی و اثرات ازدحام با استفاده از پیش‌بینی میدان‌های برداری مبتنی بر GPS تاکسی. جی. جئوگر. سیستم 2018 ، 20 ، 253-274. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. مک آلون، سی. کالینز، Á. هانت، ک. باربر، ا. بیرن، AW; باتلر، اف. کیسی، ام. گریفین، جی. لین، ای. مک اوی، دی. و همکاران دوره نهفتگی COVID-19: بررسی سیستماتیک سریع و متاآنالیز تحقیقات مشاهده ای. BMJ Open 2020 , 10 , e039652. [ Google Scholar ] [ CrossRef ]
  19. تانگ، بی. شیا، اف. تانگ، اس. Bragazzi، NL; لی، کیو. سان، ایکس. لیانگ، جی. شیائو، ی. Wu, J. اثربخشی قرنطینه و انزوا روند اپیدمی COVID-19 را در مرحله نهایی شیوع فعلی در چین تعیین می کند. بین المللی ج. عفونی کردن. دیس 2020 ، 95 ، 288-293. [ Google Scholar ] [ CrossRef ]
  20. Goldthorpe، JH جامعه شناسی به عنوان یک علم جمعیت . انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 2016. [ Google Scholar ]
  21. ناخالص، CP; اسین، UR; پاشا، س. گراس، جی آر. وانگ، سی. Nunez-Smith، M. تفاوت های نژادی و قومی در سطح جمعیت مرگ و میر Covid-19. J. Gen. Intern. پزشکی 2020 ، 35 ، 3097–3099. [ Google Scholar ] [ CrossRef ]
  22. کوالینا، SN; ایهناچو، یو. بارکر، جی. اسمایلی، اس ال. پنتز، MA; Wipfli، H. پیشبرد برابری نژادی و عدالت اجتماعی برای جوامع سیاه پوست در سیاست کنترل دخانیات ایالات متحده. تاب کنترل 2021 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. جیان، آی.ای. لو، جی. چان، EH عدالت فضایی در برنامه ریزی فضای باز عمومی: دسترسی و فراگیری. Habitat Int. 2020 ، 97 ، 102122. [ Google Scholar ] [ CrossRef ]
  24. لیو، ایکس. لین، ز. هوانگ، جی. گائو، اچ. Shi, W. ارزیابی نابرابری دسترسی به خدمات پزشکی با استفاده از داده های کارت هوشمند. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 , 18 , 2711. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. چان، CS; Shek، KF آیا شهرهای منطقه خلیج گوانگدونگ-هنگ کنگ-ماکائو برای دانشجویان دانشگاه در هنگ کنگ جذاب هستند؟ هدایت سرمایه انسانی بالقوه از ادراک تصویر به تصمیمات مکانی. J. Place Manag. توسعه دهنده 2021 ، 14 ، 404-429. [ Google Scholar ] [ CrossRef ]
  26. ایب-کارلسون، اس. Kniveton، D.; کانن، تی. به دام افتاده در زندان ذهن: مفاهیم تصمیم گیری و رفاه تحرک (غیرغیر) ناشی از آب و هوا از یک سکونتگاه غیررسمی شهری در بنگلادش. کمون پالگریو 2020 ، 6 ، 62. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. زی، ی. داناف، م. آزودو، CL; Akkinepally، AP; آتاسوی، بی. جونگ، ک. سه شادری، ر. بن‌آکیوا، ام. مدل‌سازی رفتاری خدمات تحرک درخواستی: چارچوب کلی و کاربرد برای مشوق‌های سفر پایدار. حمل و نقل 2019 ، 46 ، 2017–2039. [ Google Scholar ] [ CrossRef ]
  28. اولدن کمپ، آر. هوکس، اس. چنگیک، م. بارباروسا، وی. Burns، EE; Boxall، AB; Ragas، AM یک مدل فضایی با وضوح بالا برای پیش‌بینی قرار گرفتن در معرض داروها در آب‌های سطحی اروپا: EPiE. محیط زیست علمی تکنولوژی 2018 ، 52 ، 12494-12503. [ Google Scholar ] [ CrossRef ]
  29. خو، ی. جیانگ، اس. لی، آر. ژانگ، جی. ژائو، جی. آببر، س. گونزالز، MC کشف عدالت زیست محیطی در قرار گرفتن در معرض PM2.5 محیط در پکن: یک رویکرد داده های بزرگ. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 75 ، 12-21. [ Google Scholar ] [ CrossRef ]
  30. آهنگ، ی. چن، بی. کوان، نماینده پارلمان چگونه گسترش شهری بر قرار گرفتن مردم در معرض محیط‌های سبز تأثیر می‌گذارد؟ مطالعه تطبیقی ​​290 شهر چین جی. پاک. تولید 2020 ، 246 ، 119018. [ Google Scholar ] [ CrossRef ]
  31. هوانگ، جی. Kwan، MP عدم قطعیت در ارزیابی خطر COVID-19: مطالعه قرار گرفتن افراد در محیط های پرخطر با استفاده از داده های فعالیت در سطح فردی. ان صبح. دانشیار Geogr. 2021 ، 1-20. [ Google Scholar ] [ CrossRef ]
  32. Cartaxo، ANS; باربوسا، FIC; د سوزا برمجو، پی اچ. موریرا، MF; Prata, DN خطر قرار گرفتن در معرض COVID-19 در اکثر کشورهای آسیب دیده: یک مدل ارزیابی آسیب پذیری. PLoS ONE 2021 , 16 , e0248075. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. کولو، اچ. Dorey, PS میزان آلودگی کووید-19 در بریتانیا بر اساس واحدهای جغرافیایی: یک تخمین مبتنی بر مدل از داده‌های مرگ و میر. Health Place 2021 , 67 , 102460. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. السون، آر. دیویس، TM; دریاچه، IR; ویوانکوس، آر. بلومکوئیست، PB; چارلت، ای. Dabrera, G. توزیع مکانی-زمانی عفونت COVID-19 در انگلستان بین ژانویه و ژوئن 2020. Epidemiol. آلوده کردن 2021 ، 149 ، 1-19. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  35. سلندر، جی. نیلسون، من؛ بلوم، جی. روزنلوند، ام. لیندکویست، م. نیسه، جی. پرشاگن، جی. مواجهه طولانی مدت با صدای ترافیک جاده و انفارکتوس میوکارد. اپیدمیولوژی 2009 ، 20 ، 272-279. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  36. وانگ، ام. هارون، CP; مادریگانو، جی. هافمن، EA؛ آنجلینی، ای. یانگ، جی. لاین، ا. Vetterli، TM; Kinney، PL; سامپسون، PD; و همکاران ارتباط بین قرار گرفتن طولانی مدت در معرض آلودگی هوای محیط و تغییر در آمفیزم و عملکرد ریه ارزیابی شده از نظر کمی JAMA 2019 ، 322 ، 546–556. [ Google Scholar ] [ CrossRef ]
  37. لارسن، ک. سیاه، پ. رایدز، ای. نیکول، AM; پیترز، CE استفاده از سیستم های اطلاعات جغرافیایی برای برآورد قرار گرفتن در معرض آفت کش ها در سطح جمعیت در کانادا. محیط زیست Res. 2020 ، 191 ، 110100. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. موریسون، CN; بیرنز، اچ اف. میلر، کارشناسی; کانر، ای. Wiehe، SE; پونیکی، WR; Wiebe، DJ ارزیابی قرار گرفتن افراد در معرض شرایط محیطی با استفاده از اقدامات مبتنی بر سکونت، اقدامات مبتنی بر مکان فعالیت، و اقدامات مبتنی بر مسیر فعالیت. اپیدمیولوژی 2019 ، 30 ، 166. [ Google Scholar ] [ CrossRef ]
  39. وانگ، جی. کوان، نماینده مجلس؛ Chai، Y. روش فضایی فعالیت رشد کریستال مبتنی بر زمینه نوآورانه برای ارزیابی قرار گرفتن در معرض محیطی: مطالعه ای با استفاده از داده های مسیر GIS و GPS جمع آوری شده در شیکاگو. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 703. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  40. ژائو، پی. لیو، ایکس. شی، دبلیو. جیا، تی. لی، دبلیو. چن، ام. یک مطالعه تجربی در مورد الگوهای حرکت کالاهای درون شهری با استفاده از کلان داده لجستیک. بین المللی جی. جئوگر. Inf. علمی 2020 ، 34 ، 1089-1116. [ Google Scholar ] [ CrossRef ]
  41. تورس اوچایتا، Á. Betados/Vector_2d. GitHub. 2018. در دسترس آنلاین: https://github.com/betados/vector_2d (در 26 آوریل 2020 قابل دسترسی است).
  42. بلوندل، آر. کاستا دیاس، ام. جویس، آر. Xu، X. COVID-19 و نابرابری ها. مطالعات مالی 2020 ، 41 ، 291-319. [ Google Scholar ] [ CrossRef ]
  43. چه، ال. دو، اچ. چان، KW درد نابرابر: طرحی از تأثیر همه‌گیری COVID-19 بر اشتغال مهاجران در چین. جئوگر اوراسیا اقتصاد 2020 ، 61 ، 448-463. [ Google Scholar ] [ CrossRef ]
  44. میلت، GA; جونز، AT; بنکسر، دی. بارال، س. مرسر، ال. بیرر، سی. هانرمن، بی. لانکیویچ، ای. منا، ال. کراولی، JS در حال ارزیابی اثرات متفاوت COVID-19 بر جوامع سیاه پوست. ان اپیدمیول. 2020 ، 47 ، 37-44. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  45. کوان، ام.-پی. مشکل بافت جغرافیایی نامشخص ان دانشیار صبح. Geogr. 2012 ، 102 ، 958-968. [ Google Scholar ] [ CrossRef ]
  46. ژائو، پی. کوان، نماینده مجلس؛ ژو، اس. مشکل زمینه جغرافیایی نامشخص در تجزیه و تحلیل روابط بین چاقی و محیط ساخته شده در گوانگژو. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 308. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. Tuan، YF Space and Place: The Perspective of Experience ; انتشارات دانشگاه مینه‌سوتا: مینیاپولیس، MN، ایالات متحده آمریکا، 1977. [ Google Scholar ]
  48. کمیسیون بهداشت شهرداری گوانگژو وب سایت کمیسیون بهداشت شهرداری گوانگژو – اطلاعیه اپیدمی. کمیسیون بهداشت شهرداری گوانگژو در دسترس آنلاین: https://wjw.gz.gov.cn/ztzl/xxfyyqfk/yqtb/index.html (در 10 مارس 2021 قابل دسترسی است).
  49. 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 ]
  50. Lbs.Amap.Com. AMap Geocoding/Reverse Geocoding API Documentation. در دسترس آنلاین: https://lbs.amap.com/api/webservice/guide/api/georegeo (در 11 اوت 2020 قابل دسترسی است).
  51. توسعه دهندگان Geopandas. Geopandas/Geopandas: نسخه 0.8.1. زنودو 2020. در دسترس آنلاین: https://zenodo.org/record/3946761#.YgeXjpaxVhF (در 11 اوت 2020 قابل دسترسی است).
  52. Toms، S. ArcPy و ArcGIS-Geospatial Analysis with Python . Packt Publishing Ltd.: Birmingham, UK, 2015. [ Google Scholar ]
  53. مشارکت کنندگان Gdal/Ogr. کتابخانه نرم افزار انتزاع داده های جغرافیایی GDAL/OGR ; بنیاد زمین فضایی منبع باز: Beaverton، OR، ایالات متحده آمریکا، 2021. [ Google Scholar ]
  54. لی، اچ. میلر، وی جی تأثیر نامتناسب COVID-19 بر گروه های اقلیت: نگرانی عدالت اجتماعی. جی. جرونتول. Soc. کار کنید. 2020 ، 63 ، 580-584. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00135 g001 550
شکل 1. چارچوب روش شناختی.
Ijgi 11 00135 g002 550
شکل 2. یک مکان فعالیت (نقطه قرمز) و بردارهای واحد تولید شده بر اساس این مکان. لانه زنبوری نمایانگر نمایی از محل فعالیت از بالا است. سه تابع برای تجسم وجود دارد: ( الف ) فلش ها بردار واحد را نشان می دهند، اما طول هر فلش یکسان نیست، که می تواند به راحتی خوانندگان را گیج کند. ( ب ) این بردارهای واحد بر روی مرکز سلول پیش بینی شده اند. فلش ها به مرکز سلول های مقصد اشاره می کنند و طول هر فلش یکسان است. ( ج ) شکل از رنگ برای نشان دادن جهات استفاده می کند، به طوری که آبی و قرمز نشان دهنده جهات شمالی و جنوبی هستند و تیره و روشن به ترتیب جهات غربی و شرقی را نشان می دهند.
Ijgi 11 00135 g003 550
شکل 3. توزیع جابجایی: ( الف ) رابطه بین log ( P ) و log ( x ). ( ب ) برازش با استفاده از تابع قانون توان و تابع نمایی. و ( ج ) رابطه بین ln ( P ) و x . ما احتمال P ( x ) جابجایی های مختلف x را محاسبه می کنیم(به کیلومتر) در هر سطح (از 0 تا 50 کیلومتر با افزایش 0.5 کیلومتر) و احتمالات را بر روی یک سیستم مختصات (دایره های قرمز) رسم کنید. ما احتمالات را به طور جداگانه با یک تابع قانون قدرت (خط آبی) و یک تابع نمایی (خط سبز) برازش می کنیم. پس از استفاده از لگاریتم برای تبدیل آنها به اشکال خطی، ضرایب تعیین ( مقدار R2 ) را برای تابع قانون توان (0.80) و تابع نمایی (0.88) به دست می آوریم . بنابراین، در مورد ما، از تابع توزیع نمایی زیر برای نشان دادن تابع چگالی احتمال جابجایی-توزیع گوانگژو استفاده می‌کنیم: .
Ijgi 11 00135 g004 550
شکل 4. ( سمت چپ ) محل فعالیت (نقطه قرمز) و میدان برداری آن. مخروط سبز مقادیر مدول برداری را در همه موقعیت ها نشان می دهد و این مقادیر در همه جهات کاهش می یابند، به دنبال روند منحنی تابع چگالی احتمال. ( سمت راست ) نمای بالای نقطه قرمز. تغییر رنگ از قرمز به آبی نشان دهنده کاهش مدول برداری از زیاد به پایین است. فلش ها نشان دهنده بردارها هستند و طول و جهت هر فلش مدول و جهت بردار را نشان می دهد. بردارها بر روی مرکز سلول پیش بینی می شوند تا میدان برداری را تشکیل دهند.
Ijgi 11 00135 g005 550
شکل 5. تجمع بردارها برای یک فرد. نقطه قرمز یک بردار قرمز در سلول سیاه ایجاد می کند و نقطه آبی یک بردار آبی را در همان سلول ایجاد می کند. بردارهای قرمز و آبی با استفاده از قانون جمع بردار، برای ایجاد بردار سیاه [ 41 ] اضافه می شوند.
Ijgi 11 00135 g006 550
شکل 6. در اینجا، مکان های فعال یک فرد خانه او (نقطه قرمز) و محل کار (نقطه سبز) است. مغازه (نقطه آبی) مقصدی در لیست کارهای این فرد، نزدیک محل کار او است. از آنجایی که او هزینه سفر مستقیم به مغازه را در مقایسه با رفتن تصادفی به مغازه در مسیر محل کار خود وزن یا متعادل می کند، وجود محل کار او بر برنامه های سفر او تأثیر می گذارد.
Ijgi 11 00135 g007 550
شکل 7. منطقه مطالعه در گوانگژو. چهار منطقه با رنگ‌های مختلف برجسته شده‌اند، شماره سریال هفتاد و نه زیرمنطقه برچسب‌گذاری شده‌اند و تابعیت و مطابقت آنها در سمت چپ نشان داده شده است.
Ijgi 11 00135 g008 550
شکل 8. منحنی تجمعی موارد تایید شده کروناویروس 2019 (COVID-19) در گوانگژو، چین (تا 10 اوت 2020). منحنی زرد موارد تایید شده داخلی و منحنی سبز موارد وارداتی از خارج از کشور را نشان می دهد.
Ijgi 11 00135 g009 550
شکل 9. نقشه تراکم درون یابی موارد تایید شده بیماری کروناویروس 2019 (COVID-19).
Ijgi 11 00135 g010 550
شکل 10. فرآیند ساخت یک فیلد برداری سفر- تقاضا.
Ijgi 11 00135 g011 550
شکل 11. گردش کار مورد استفاده برای محاسبه میدان و شاخص های ناقل قرار گرفتن در معرض ویروس کرونا 2019 (COVID-19) گروه.
Ijgi 11 00135 g012a 550 Ijgi 11 00135 g012b 550
شکل 12. فیلد برداری سفر- تقاضا برای گروه های اجتماعی در روزهای هفته و آخر هفته.
Ijgi 11 00135 g013 550
شکل 13. قرار گرفتن در معرض همه گیر گروه های با درآمد بالا و کم در روزهای هفته و آخر هفته. ( الف ) گروه درآمد متوسط ​​بالاتر در روز هفته؛ ( ب ) گروه درآمد متوسط ​​بالاتر در آخر هفته؛ ( ج ) گروه با درآمد متوسط ​​پایین در روزهای هفته؛ ( د ) گروه با درآمد متوسط ​​پایین در آخر هفته.
Ijgi 11 00135 g014 550
شکل 14. مقایسه قرار گرفتن در معرض بین گروه های پردرآمد و کم درآمد: ( الف ) روزهای هفته. ( ب ) آخر هفته.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید