Tác giả
Đơn vị công tác
1 Trung tâm Công nghệ thông tin – Sở TN&MT TPHCM; son.ciren@gmail.com
2 Trường Đại học Tài nguyên và Môi trường TPHCM; dttnga_cntt@hcmunre.edu.vn; pmkhan@hcmunre.edu.vn
3 Trường Đại học Bách Khoa TPHCM; ltchon@hcmut.edu.vn
4 Viện Khoa học đo dạc và bản đồ; dbphuong@yahoo.com
*Tác giả liên hệ: son.ciren@gmail.com; dttnga_cntt@hcmunre.edu.vn; Tel.: +84–903746638; +84–938589589
Tóm tắt
Các diễn biến phức tạp và sự lây lan nhanh chóng của Covid–19 đang diễn ra tại Thành phố Hồ Chí Minh đang là một thách thức cho chính quyền và người dân thành phố trong công tác phòng và dập dịch. Để kiểm soát được dịch bệnh, thành phố cần một giải pháp có thể dự báo và phân vùng được các vùng dịch để có thể đưa ra những giải pháp chính xác và nhanh nhất. Trong nghiên cứu này, chúng tôi đề xuất một giải pháp là áp dụng các mô hình hồi quy địa lý (Geographically Weighted Regression gọi tắt là GWR) cục bộ, không phải là toàn cục (global) như các mô hình hồi quy khác như Ordinary Least Squares (OLS). Ưu điểm của giải pháp này là GWR sẽ loại trừ bớt sai số do thiếu các yếu tố xã hội mà mô hình chưa có dữ liệu để sử dụng. Ưu điểm của giải pháp này là nó sẽ loại trừ bớt sai số do thiếu các yếu tố xã hội mà mô hình chưa có dữ liệu để sử dụng. Giải pháp của chúng tôi đề xuất có thể dự báo và đánh giá tính hình dịch trên toàn địa bàn thành phố, phạm vi dự báo là các vùng nhạy cảm cao và rất cao, nơi xảy ra hiện tượng nhiễm bệnh nhiều và rất nhiều. Với các kịch bản dự báo, chúng tôi thử nghiệm tại Thành phố Hồ Chí Minh và kết quả khá sát với dữ liệu thực trong dự báo ngắn hạn.
Từ khóa
Trích dẫn bài báo
Sơn, B.H.; Nga, D.T.T.; Chơn, L.T.; Phương, Đ.T.B.; Khan, P.M. Dự báo khu vực lan truyền nhạy cảm Covid–19 dựa vào phương pháp hồi quy. Tạp chí Khí tượng Thủy văn 2022, EME4, 149-157.
Tài liệu tham khảo
3. Việt, N.Q. và cs. Ứng dụng GIS và đánh giá đa tiêu chí xác định khu vực thích hợp cho phát triển khu dân cư trong bối cảnh biến đổi khí hậu ở huyện Phú Vang, tỉnh Thừa Thiên Huế. Kỷ yếu hội nghị Khoa học Địa lý toàn quốc lần thứ XI, 2019.
5. Wesseloo, J.; Woodward, K.; Pereira, J. Grid–based analysis of seismic data. J. S. Afr. Inst. Min. Metall. 2014, 114(10), 815–822.
6. Bagan, H.; Yamagata, Y. Landsat analysis of urban growth: How Tokyo became the world’s largest megacity during the last 40 years. Remote Sens. Environ. 2012, 127, 210–222.
8. Fotheringham, A.S.; Brunsdon, C.; Charlton, M. Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, Wiley, 2002.