科學家藉助環境流體動力學糾正新冠大流行第一波數據的不準確性

據外媒報道,研究人員利用基於天氣影響的流體動力學模擬的高級不確定性量化模型,糾正了COVID-19大流行的第一波數據的不準確性。在2020年3月至2021年3月的一年時間裡,許多城市內出現了兩條COVID-19疫情大流行曲線。奇怪的是,第一波期間報告的單日新增感染總數比第二波低得多,但第一波期間報告的單日死亡總數卻比第二波高很多。

First-Wave-COVID-19-Data-Underestimated-Pandemic-777x379.jpg

這種矛盾激發了塞浦路斯尼科西亞大學的研究人員探索第一波期間報告的單日感染人數的不確定性,這是由2020年3月至4月期間接觸者追蹤不足造成的。

在AIP出版的《流體物理學》中,Talib Dbouk和Dimitris Drikakis報告了使用環境流體動力學–先進的計算多尺度多物理學建模和模擬–來發展天氣季節性條件,如溫度、相對濕度和風速,與每年有兩個大流行曲線之間的構成關係。

“我們將一種新的基於物理學的關係整合到一個大流行病預測模型中,該模型準確地預測了,正如後來觀察到的那樣,在世界許多城市內,包括紐約市,出現了第二次COVID-19大流行病浪潮,”Drikakis說。

在第一波大流行期間報告的每日新感染總數的大部分數據都被低估了,而且使用不正確。

5.0055299.figures.online.f1.jpg

Dbouk說:“在紐約市內,我們的工作表明,第一波期間報告的每日新感染人數被低估了,只有實際的1/4。因此,第一波數據與第二波數據混合的不確定性意味着得出的一般結論可能會產生誤導,每個人都應該意識到這一點。”

研究人員的工作是第一個已知的案例,即基於天氣影響的流體動力學模擬,推導出大流行病第一波感染病例的高級不確定性量化模型。

“我們的模型是基於物理學的,可以通過在大流行病曲線內使用第二波數據的充分性來糾正第一波數據的不足,”Drikakis說。“我們提出的方法將環境天氣季節性驅動的病毒傳播率與大流行的多波現象相結合,以提高統計預測的數據準確性。”

在未來,研究人員提出的不確定性量化模型可能有助於糾正許多城市在大流行的第一波期間報告的全球單日新增確診病例總數。