intTypePromotion=3

Ứng dụng GIS trong dự báo dịch tả

Chia sẻ: ViTitan2711 ViTitan2711 | Ngày: | Loại File: PDF | Số trang:10

0
2
lượt xem
0
download

Ứng dụng GIS trong dự báo dịch tả

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này đề xuất xây dựng mô hình dự báo dịch tả trên địa bàn thành phố Hà Nội có xem xét đến ảnh hưởng của biến đổi khí hậu trên cơ sở ứng dụng công nghệ GIS.

Chủ đề:
Lưu

Nội dung Text: Ứng dụng GIS trong dự báo dịch tả

  1. Lê Thị Ngọc Anh, Hoàng Xuân Dậu ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Lê Thị Ngọc Anh*, Hoàng Xuân Dậu+ * Phòng Công nghệ thông tin, Trường Đại học Y Hà Nội + Khoa Công nghệ thông tin I, Học Viện Công Nghệ Bưu Chính Viễn Thông, Hà Nội Tóm tắt: Việc lan truyền các bệnh truyền nhiễm nguyên nhân chính gây tử vong hàng loạt trên có liên hệ mật thiết với sự lân cận về không gian toàn thế giới, nhất là tại các nước đang phát triển và thời gian, do sự lan truyền bệnh dịch có nhiều thuộc vùng nhiệt đới ở châu Phi, châu Á và Nam khả năng xảy ra nếu các cá nhân có nguy cơ ở gần Mỹ. Trong lịch sử, các đợt bùng phát dịch tả trong một không gian và thời gian nhất định. Vì từng được coi như những thảm họa do tỷ lệ tử thế các phân tích dữ liệu trong y tế luôn cần xem vong cao, mức độ lây lan nhanh, phạm vi ảnh xét cả hai vấn đề không gian và thời gian theo hưởng rộng và khó kiểm soát [1]. Virus tả Vibrio nguyên lý cơ bản là kiểm tra mối quan hệ phụ Cholerae có thể dễ dàng lan truyền hoặc phát tán thuộc giữa các quan sát ở cả hai chiều không gian thông qua con người và động vật, đặc biệt tại và thời gian. Để đáp ứng được yêu cầu trên, Hệ những vùng thiếu nguồn nước sạch, cơ sở vệ sinh thống thông tin địa lý (Geographic Information kém, ô nhiễm. Nhiều nghiên cứu đã chỉ ra mối System - GIS) tỏ rõ ưu thế so với các phương quan hệ nhân quả giữa các yếu tố như hành vi pháp phi không gian truyền thống. GIS hỗ trợ xác của con người, hệ sinh thái và các yếu tố nguy cơ định vị trí, lập bản đồ ca bệnh, tìm hiểu nguyên truyền nhiễm khác với sự bùng phát dịch bệnh. nhân bùng phát dịch bệnh, mô phỏng, dự báo sự Chính vì vậy, phân tích mô hình không gian và lây lan dịch bệnh trong các vụ dịch. Bài bào này các yếu tố có ảnh hưởng đến dịch tả đóng vai trò đề xuất xây dựng mô hình dự báo dịch tả trên rất quan trọng trong nghiên cứu sâu về tính chất địa bàn thành phố Hà Nội có xem xét đến ảnh lây lan của dịch bệnh này. hưởng của biến đổi khí hậu trên cơ sở ứng dụng công nghệ GIS. Các kết quả đạt được cho thấy Bài báo này tập trung nghiên cứu, khảo sát một khả năng ứng dụng hiệu quả GIS trong phân tích số mô hình dự báo dịch tả trên thế giới và trong dịch bệnh tả trên địa bàn nghiên cứu khi chỉ ra khu vực có sử dụng công nghệ GIS và đề xuất mô được những điểm nóng, cũng như lý giải mối liên hình dự báo dịch tả ở khu vực thành phố Hà Nội hệ giữa các biến khí hậu, mặt nước, dân số phân dựa trên GIS. bố theo không gian với số ca bệnh theo thời gian. Phần còn lại của bài báo được bố cục như sau: Mục Từ khóa: Dự báo dịch bệnh, GIS trong y tế, mô II trình bày các nghiên cứu có liên quan; Mục III hình dự báo, phân tích không gian1 mô tả tập dữ liệu thử nghiệm và mô hình dự báo đề xuất. Các thực nghiệm, kết quả và nhận xét được I. ĐẶT VẤN ĐỀ trình bày tại Mục IV. Mục V là phần Kết luận. Bệnh tả xuất hiện lần đầu trên thế giới vào năm 1817 và nhanh chóng trở thành một trong những II. CÁC NGHIÊN CỨU LIÊN QUAN Tác giả liên lạc: Hoàng Xuân Dậu, Trong những năm gần đây, GIS là công cụ đã và email: dauhoang@gmail.com đang được sử dụng rộng rãi trong việc hỗ trợ ra Đến tòa soạn: 14/3/2016, chỉnh sửa: 28/4/2016, chấp quyết định trong nhiều hoạt động kinh tế, xã hội nhận đăng: 30/5/2016. và quốc phòng của nhiều quốc gia trên thế giới. Số 1 năm 2016 Tạp chí KHOA HỌC CÔNG NGHỆ 69 THÔNG TIN VÀ TRUYỀN THÔNG
  2. ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ GIS cung cấp các công cụ phân tích thống kê, trong GIS và hồi quy tuyến tính (Ordinary Least mô hình hóa không gian, hỗ trợ cho việc nghiên Square - OLS) để phân tích các mối quan hệ giữa cứu các mối quan hệ giữa các yếu tố điều kiện tự sự xuất hiện của dịch tả và các nguồn cấp nước nhiên, môi trường và tình hình sức khỏe, bệnh tật cho các hộ gia đình. Nghiên cứu sử dụng dữ liệu của người dân, theo dõi và dự báo diễn biến dịch bản đồ các tiểu bang của Nigeria và số liệu thống bệnh, từ đó hỗ trợ ra quyết định phù hợp ở từng kê về các trường hợp mắc bệnh tả, nguồn cung thời điểm và ở các cấp quản lý khác nhau [2]. cấp nước cho các hộ gia đình và dữ liệu dân số. Chính vì phạm vi ứng dụng rộng rãi nên có nhiều Kết quả cho thấy phương pháp GWR tốt hơn cách tiếp cận khác nhau khi phân tích dữ liệu với đáng kể so với phương pháp OLS. Ngoài ra, phân GIS, như trọng số nghịch khoảng cách (Inverse tích dữ liệu thực nghiệm cho thấy dịch tả xảy ra Distance Weighting - IDW), phân tích điểm nóng trong khu vực nghiên cứu có liên quan đáng kể (Hot Spot Analysis), hồi quy trọng số không gian đến các nguồn cung cấp nước cho các hộ gia đình (Geographically Weighted Regression - GWR)... và thay đổi theo các khu vực khác nhau. [3][4]. Phân tích điểm nóng là một phương pháp phân nhóm không gian sử dụng thống kê Getis- Năm 2014, Rasam và cộng sự [8] đã tiến hành Ord Gi* [3] cho mỗi đối tượng trong tập dữ liệu nghiên cứu tích hợp GIS và các kỹ thuật phân không gian. Phương pháp này tính toán bằng tích dịch tễ học trong phân tích mô hình không cách xem xét từng đối tượng trong bối cảnh với gian của bệnh tả tại huyện Sabah, Malaysia. Kết các đối tượng lân cận. Một đối tượng có giá trị quả cho thấy bệnh tả có xu hướng tập trung quanh cao chưa hẳn là một điểm nóng có ý nghĩa về khu vực người bị nhiễm khoảng 1.500 mét. Các mặt thống kê. Để trở thành một điểm nóng về ổ dịch tả thường xuất hiện tại các khu vực đông mặt thống kê, một đối tượng cần có giá trị cao và người, môi trường mất vệ sinh, và gần với nguồn được bao quanh bởi các đối tượng khác cũng có nước bị ô nhiễm. Ngoài ra, bệnh tả cũng có quan giá trị cao. Phương pháp thống kê cục bộ như hồi hệ chặt chẽ với các khu vực ven biển. Từ những quy trọng số không gian xem xét tính không đồng phân tích trên cho thấy GIS đóng vai trò như nhất của các mối quan hệ theo không gian. Nói một công nghệ không gian rất quan trọng trong cách khác, nó mô hình hóa các mối quan hệ thay nghiên cứu xác định mô hình phân phối và làm đổi theo các vị trí không gian khác nhau. sáng tỏ các giả thuyết phát triển của dịch bệnh. Theo hiểu biết của chúng tôi, trên thế giới chưa Năm 2008, Osei và Duker đã sử dụng các mô hình có công trình nghiên cứu nào phân tích đầy đủ hồi quy không gian (gồm cả mô hình sai số không mối quan hệ giữa các yếu tố không gian (các yếu gian và mô hình trễ không gian) để khám phá sự tố khí hậu, thủy văn và dân số) với yếu tố thời phụ thuộc của tỷ lệ mắc bệnh tả vào một yếu tố gian (sự lan truyền của bệnh dịch) sử dụng công môi trường địa phương quan trọng (các bãi rác lộ nghệ GIS. thiên) ở Kumasi, Ghana [5]. Kết quả nghiên cứu cho thấy những vùng có mật độ cao các bãi rác Tại Việt Nam, bệnh tả là một loại dịch bệnh lộ thiên có tỷ lệ mắc bệnh tả cao hơn những vùng truyền nhiễm nguy hiểm đối với con người, hiện có mật độ các bãi rác lộ thiên thấp hơn. Hơn nữa, vẫn tồn tại ở một số địa phương. Để chủ động những vùng gần bãi rác lộ thiên có tỷ lệ mắc bệnh phòng tránh dịch bệnh tả tái phát gây ảnh hưởng cao hơn những vùng ở xa bãi rác lộ thiên [5][6]. tới sức khỏe người dân, việc triển khai ứng dụng Nghiên cứu tiếp theo vào năm 2010 của Osei và GIS trong kiểm soát và dự báo dịch bệnh tả được đồng nghiệp cũng cho các kết quả khả quan khi xem như một giải pháp có tính khả thi cao, bổ sử dụng các mô hình hồi quy không gian để khám sung cho các biện pháp chuyên môn y tế, giúp phá sự phụ thuộc không gian của bệnh tả vào các ngành y tế và chính quyền các cấp có những thủy vực có tiềm năng bị ô nhiễm [5][6]. can thiệp phù hợp nhất nhằm nâng cao hiệu quả công tác phòng, chống dịch tả [9]. Hiện nay ở Năm 2013, Nkeki and Osirike [7] đã so sánh hai Việt Nam, việc ứng dụng GIS trong lĩnh vực y tế phương pháp hồi quy trọng số không gian (GWR) còn rất hạn chế. Đa phần chỉ dừng lại ở việc lập Tạp chí KHOA HỌC CÔNG NGHỆ 70 THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016
  3. Lê Thị Ngọc Anh, Hoàng Xuân Dậu bản đồ thể hiện vị trí, số lượng ca bệnh, ổ dịch; B. Mô hình dự báo đề xuất khoanh vùng nguy cơ dịch sử dụng chức năng tạo vùng đệm; quản lý cơ sở dữ liệu dịch bệnh trên Hình 1 trình bày mô hình dự báo dịch tả đề xuất nền GIS. Chúng tôi chưa tìm thấy nghiên cứu nào tại khu vực Hà Nội. Dữ liệu đầu vào bao gồm bản ở trong nước ứng dụng GIS trong phân tích, tìm đồ hành chính, thủy văn, số liệu dân số, số liệu hiểu nguyên nhân, mô hình phân bố của các ca khí tượng theo ngày (R- lượng mưa; Sh- số giờ bệnh trong các vụ dịch, cũng như dự báo trước nắng; T- nhiệt độ không khí; U- độ ẩm không khí khả năng xuất hiện ca bệnh trong tương lai. Vì tương đối; V- tốc độ gió) và số liệu ca mắc bệnh vậy, mục tiêu của nghiên cứu này là đề xuất xây tả theo ngày giai đoạn 2001–2011. dựng mô hình dự báo dịch tả trên địa bàn thành phố Hà Nội, có xem xét đến ảnh hưởng của số ca bệnh tả với một số biến hư khí hậu, diện tích mặt nước, dân số trên cơ sở ứng dụng kỹ thuật phân tích hồi quy không gian trong công nghệ GIS. III. MÔ HÌNH DỰ BÁO ĐỀ XUẤT A. Tập Dữ Liệu Thử Nghiệm Dữ liệu thử nghiệm bao gồm các số liệu về số ca dịch tả được thu thập từ Trung tâm y tế dự phòng Hà Nội. Dữ liệu khí hậu và thủy văn khu vực Hà Nội được thu thập từ Trung tâm nghiên cứu khí tượng quốc gia. Dữ liệu sử dụng cho quá trình thực hiện nghiên cứu được mô tả chi tiết ở Bảng I. Bảng I. Dữ liệu đầu vào cho nghiên cứu Dữ liệu Mô tả Hình 1. Mô hình dự báo dịch tả đề xuất Bản đồ hành Thể hiện ranh giới 29 đơn vị quận huyện Từ số liệu đầu vào là các biến khí tượng (R, Sh, chính tỷ lệ của Tp. Hà Nội. 1:50000 T, U, V), diện tích mặt nước tại từng quận, huyện, Bản đồ thủy văn Thể hiện mạng lưới sông suối, ao hồ trên dân số của từng quận, huyện, nhóm nghiên cứu tỷ lệ 1:50000 địa bàn Tp. Hà Nội. thống kê và tổng hợp số liệu để tiến hành xây dựng mô hình. Diện tích mặt nước được coi là dữ Giai đoạn 2007-2010 trên địa bàn Tp. Hà Nội. liệu không đổi và được tính toán cụ thể cho từng Số liệu dân số quận, huyện. Trong khi đó, dữ liệu khí tượng thay Thể hiện quy mô dân số các quận huyện theo năm. đổi và chỉ được thu nhận tại 5 trạm khí tượng như mô tả ở Bảng I. Do vậy, nhóm nghiên cứu sử dụng Giai đoạn 2001-2011 tại 5 trạm đo: Ba Vì, Hà Đông, Hoài Đức, Láng và Sơn Tây trên công cụ nội suy IDW để nội suy từ dữ liệu cung địa bàn Tp. Hà Nội. cấp bởi các trạm khí tượng cho từng quận, huyện. Số liệu khí tượng Thể hiện số liệu đo lượng mưa; nhiệt độ Dựa trên bản đồ kết quả sau nội suy, nhóm nghiên không khí; độ ẩm không khí tương đối; số cứu lập bản đồ phục vụ quá trình mô phỏng, dự giờ nắng; tốc độ gió theo ngày. báo số ca mắc tả trên khu vực nghiên cứu thông Giai đoạn 2001-2011 trên địa bàn qua các hàm hồi quy. Nghiên cứu sử dụng độ đo Số liệu bệnh tả Tp. Hà Nội. hệ số xác định hiệu chỉnh để so sánh giữa các mô Thể hiện số liệu lưu trữ thông tin về các ca hình hồi quy và lựa chọn mô hình hồi quy tối ưu. mắc bệnh tả theo ngày. Số 1 năm 2016 Tạp chí KHOA HỌC CÔNG NGHỆ 71 THÔNG TIN VÀ TRUYỀN THÔNG
  4. ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ IV. THỬ NGHIỆM VÀ KẾT QUẢ Thanh Xuân, Đống Đa, Hoàng Mai và Cầu Giấy. Đây là vùng tập trung dân cư đông đúc, tiếp giáp A. Giới Thiệu các Thử Nghiệm với các con sông: sông Nhuệ, sông Kim Ngưu Theo mô hình dự báo dịch tả đề xuất như mô tả và sông Tô Lịch. Đây là các con sông có chỉ số ô trên Hình 1, các khâu tiền xử lý dữ liệu và các thử nhiễm rất cao chảy qua địa bàn Tp. Hà Nội. nghiệm sau được thực hiện: 1. Phân tích điểm nóng dịch bệnh tả. Mục tiêu của thử nghiệm này là tìm ra các điểm nóng (Hot Spot) bùng phát dịch tả và mối quan hệ giữa sự bùng phát dịch với các yếu tố không gian, gồm khí tượng, thủy văn (mặt nước) và mật độ dân số; 2. Thử nghiệm các mô hình hồi qui đa biến cho Hình 2. Biểu diễn số ca bệnh tả theo năm giai đoạn 2001-2011 dự báo dịch tả. Thử nghiệm này được thực hiện trên cơ sở kết quả của bước phân tích C. Thử Nghiệm Các Mô Hình Hồi Quy Đa Biến điểm nóng dịch tả, và gồm có 3 khâu: (i) Lựa cho Dự Báo Dịch Tả chọn biến giải thích phát sinh dịch bệnh tả, 1) Lựa chọn biến giải thích phát sinh dịch bệnh tả (ii) Phân tích hồi quy tuyến tính (OLS) và (iii) Phân tích hồi quy trong số không gian Kết quả phân tích điểm nóng về ca bệnh tả theo (GWR). Các khâu trên được tiến hành tuần tự năm cho thấy các điểm nóng đều tập trung tại do khâu tiếp theo nhận đầu vào là kết quả của những khu vực đông đúc dân cư và nằm gần các khâu trước. con sông ô nhiễm. Từ nhận định trên kết hợp với các kết quả nghiên cứu đi trước về phân tích B. Phân Tích Điểm Nóng Dịch Tả bệnh tả, nghiên cứu này lựa chọn các biến giải Từ dữ liệu thống kê số ca bệnh tả theo năm trong thích phát sinh dịch bệnh tả theo năm trên địa giai đoạn 2001– 2011 biểu diễn trên Hình 2, có bàn Tp. Hà Nội như sau: Khí hậu (R, Sh, T, U, V: thể rút ra nhận xét về diễn biến dịch tả khoảng lấy trung bình năm); Diện tích mặt nước (km2); thời gian xem xét từ năm 2001-2011: năm 2004 Dân số (nghìn người). Do số ca mắc bệnh tả phân bắt đầu ghi nhận ca mắc bệnh tả tại Tp. Hà Nội bố rất không đều theo năm (hay nói cách khác là với số lượng chỉ 25 ca. Sau đó, dịch tả bùng phát số liệu không tuân theo quy luật phân bố chuẩn) liên tục từ năm 2007 đến 2010, với đỉnh điểm là nên nghiên cứu lựa chọn hàm hồi quy sau để giải năm 2008. Tuy nhiên, về mặt không gian, câu hỏi thích số ca bệnh tả (y) với dạng như sau: đặt ra là các ca bệnh thường xuất hiện ở những Log(y) = α + β1 * R + β2 * Sh + β3 * T + β4 * U + khu vực nào? các ca bệnh phân bố tập trung thành β5 * V + β6 * Diện tích mặt nước + β7 * Dân số + ε (1) cụm hay phân tán rải rác toàn vùng? Để trả lời cho hai câu hỏi này, nghiên cứu tiến hành phân trong đó: Log(y) là logarit của số ca mắc tả; α là tích điểm nóng theo từng năm bằng việc sử dụng hệ số chặn; β1, β2, β3, β4, β5, β6, β7 là các hệ số hồi thống kê Getis-Ord Gi* trên toàn địa bàn Tp. Hà quy; và ε là sai số ngẫu nhiên. Nội nhằm xác định khu vực thường xuyên xuất hiện các ca mắc bệnh. Từ đó, tạo tiền đề cho việc Mục đích của lựa chọn hàm hồi quy logarit để lựa chọn biến giải thích trong mô hình hồi quy đưa dữ liệu về dạng phân bố chuẩn. Các biến số dịch bệnh. Kết quả phân tích điểm nóng được thể khí hậu, diện tích mặt nước, dân số được coi là hiện trên Hình 3. Theo đó, có thể thấy các điểm các biến độc lập, trong khi biến số về số ca mắc nóng về số ca bệnh tả thay đổi theo theo từng tả được coi là biến phụ thuộc. Mô hình hồi quy năm, tuy nhiên thường tập trung quanh khu vực sẽ dự báo số ca tả mới mắc tại Hà Nội dựa vào nội đô bao gồm các quận Ba Đình, Hai Bà Trưng, dữ liệu về khí hậu, diện tích mặt nước và dân số. Tạp chí KHOA HỌC CÔNG NGHỆ 72 THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016
  5. Lê Thị Ngọc Anh, Hoàng Xuân Dậu 2) Phân tích hồi quy tuyến tính OLS mô hình giải thích được bao nhiêu phần trăm sự Nhóm nghiên cứu tiến hành phân tích hồi quy biến đổi của biến phụ thuộc. tuyến tính OLS để thiết lập hàm mô phỏng, dự Bảng II. Tổng hợp kết quả hệ số xác định hiệu chỉnh trong báo ca bệnh tả theo năm cho toàn bộ khu vực Hà phân tích hồi quy OLS theo năm trong khu vực Hà Nội nội. Tổng hợp kết quả phân tích hồi quy tuyến Hệ số xác định Giá trị tính OLS cho năm các 2007, 2008, 2009 và 2010 Năm Biến giải thích hiệu chỉnh thống kê (Adjusted R_squared) (*p_value) được thể hiện trong Bảng II. Độ lệch chuẩn của Hằng số, Mặt nước, phần dư (số ca thực tế - số ca mô phỏng) cho 2007 Khí hậu 0,258771 < 0,01 các năm trên được thể hiện lần lượt ở Hình 4. Hằng số, Mặt nước, Nghiên cứu sử dụng độ đo hệ số xác định hiệu 2008 Dân số 0,424545 < 0,01 chỉnh (Adjusted R_squared) để so sánh mức độ Hằng số, Mặt nước, ảnh hưởng giữa nhóm biến khí hậu với diện tích 2009 0,704000 < 0,01 Khí hậu, Dân số mặt nước và dân số với số ca bệnh. Hệ số xác Hằng số, Mặt nước, 2010 0,637462 < 0,01 định hiệu chỉnh cho biết các biến giải thích trong Khí hậu, Dân số Sãc S¬n ± Sãc S¬n ± Sãc S¬n ± Mª Linh Mª Linh Mª Linh Ba V× Ba V× Ba V× Son Tay Son Tay Son Tay §«ng Anh #* §«ng Anh #* §«ng Anh #* §an §an Phóc Thä §an Phóc Thä Phóc Thä Ba Vi Phîng Ba Vi Phîng Ba Vi Phîng #* #* #* Tp. S¬n Tp. S¬n Tp. S¬n T©y T©y Hoai Duc T©y T©y Hoai Duc T©y Hoai Duc T©y #* Hå #* Hå #* Hå Tõ Liªm Tõ Liªm Tõ Liªm Long Long Long Biªn Biªn CÇu Ba §×nh Biªn CÇu Ba §×nh CÇu Ba §×nh Hoµn Hoµn Hoµn GiÊy GiÊy GiÊy Hoµi §øc Lang §èng KiÕm Hoµi §øc Lang §èng KiÕm Hoµi §øc Lang §èng KiÕm Gia L©m Th¹ch #* Gia L©m Th¹ch #* Gia L©m Th¹ch #* Hai Bµ §a Hai Bµ §a Hai Bµ §a ThÊt Trng ThÊt Trng ThÊt Trng Thanh Thanh Thanh Xu©n Xu©n Xu©n Quèc Oai Quèc Oai Quèc Oai Hoµng Hoµng Hoµng Ha Dong Ha Dong Ha Dong Mai #* Mai #* Mai #* Tp. Hµ Tp. Hµ Tp. Hµ §«ng §«ng §«ng Thanh Thanh Thanh Tr× Tr× Tr× Ch¬ng Mü Ch¬ng Mü Ch¬ng Mü Thanh Thanh Thanh Oai Thêng Oai Thêng Oai Thêng TÝn TÝn TÝn Hot Spot 2004 Hot Spot 2008 Hot Spot 2007 Gi_Bin Gi_Bin Gi_Bin Cold Spot - 99% Confidence Cold Spot - 99% Confidence Cold Spot - 99% Confidence Phó Phó Phó Xuyªn Xuyªn Xuyªn Cold Spot - 95% Confidence øng Hßa Cold Spot - 95% Confidence øng Hßa Cold Spot - 95% Confidence øng Hßa Cold Spot - 90% Confidence Cold Spot - 90% Confidence Cold Spot - 90% Confidence Mü §øc Mü §øc Mü §øc Not Significant Not Significant Not Significant Hot Spot - 90% Confidence Hot Spot - 90% Confidence Hot Spot - 90% Confidence Hot Spot - 95% Confidence Hot Spot - 95% Confidence Hot Spot - 95% Confidence Hot Spot - 99% Confidence Hot Spot - 99% Confidence Hot Spot - 99% Confidence Sãc S¬n ± Sãc S¬n ± Mª Linh Mª Linh Ba V× Ba V× Son Tay §«ng Anh Son Tay §«ng Anh #* #* Phóc Thä §an Phóc Thä §an Ba Vi Phîng Ba Vi Phîng #* #* Tp. S¬n Tp. S¬n Hoai Duc T©y Hoai Duc T©y T©y T©y #* Hå #* Hå Tõ Liªm Tõ Liªm Long Long CÇu Ba §×nh Biªn CÇu Ba §×nh Biªn Hoµn Hoµn GiÊy GiÊy Hoµi §øc Lang §èng KiÕm Gia L©m Hoµi §øc Lang §èng KiÕm Gia L©m Th¹ch #* Hai Bµ Th¹ch #* Hai Bµ §a §a ThÊt Trng ThÊt Trng Thanh Thanh Xu©n Xu©n Quèc Oai Hoµng Quèc Oai Hoµng Ha Dong Mai Ha Dong Mai #* #* Tp. Hµ Tp. Hµ §«ng §«ng Thanh Thanh Tr× Tr× Ch¬ng Mü Ch¬ng Mü Thanh Thanh Oai Thêng Oai Thêng TÝn TÝn Hot Spot 2009 Hot Spot 2010 Gi_Bin Gi_Bin Cold Spot - 99% Confidence Cold Spot - 99% Confidence Phó Phó Xuyªn Xuyªn Cold Spot - 95% Confidence øng Hßa Cold Spot - 95% Confidence øng Hßa Cold Spot - 90% Confidence Cold Spot - 90% Confidence Mü §øc Mü §øc Not Significant Not Significant Hot Spot - 90% Confidence Hot Spot - 90% Confidence Hot Spot - 95% Confidence Hot Spot - 95% Confidence Hot Spot - 99% Confidence Hot Spot - 99% Confidence Hình 3. Phân tích điểm nóng số ca bệnh tả năm 2004, 2007, 2008, 2009 và 2010 Số 1 năm 2016 Tạp chí KHOA HỌC CÔNG NGHỆ 73 THÔNG TIN VÀ TRUYỀN THÔNG
  6. ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Hình 4. Độ lệch chuẩn của phần dư (số ca thực tế - số ca mô phỏng) các năm 2007, 2008,2009 và 2010 Hình 5. Hệ số xác định hiệu chỉnh R2 cục bộ của mô hình GWR cho các năm 2007, 2008, 2009 và 2010 Từ các kết quả phân tích cho trên Bảng III, có của các mối quan hệ giữa biến phụ thuộc và biến thể rút ra nhận xét như sau: Trong năm 2007, sự giải thích. Giả thiết này có thể dẫn đến kết quả kết hợp của yếu tố khí hậu và mặt nước giải thíchsai lệch khi OLS được sử dụng cho bộ dữ liệu được 25,87% số ca bệnh trên toàn khu vực. Trong phụ thuộc không gian. Để khắc phục điểm yếu năm 2008, sự kết hợp của dân số và mặt nước giải trên, phương pháp thống kê cục bộ hồi quy trọng thích được 42,45% số ca bệnh trên toàn khu vực. số không gian (GWR) đã ra đời. Phương pháp Trong các năm 2009, 2010, sự kết hợp của yếu tố này xem xét tính không đồng nhất của các mối khí hậu, dân số và mặt nước giải thích được lần quan hệ theo không gian. Nói cách khác, nó mô lượt 70,40%, 63,74% số ca bệnh trên toàn khu hình hóa các mối quan hệ thay đổi theo các vị trí vực. Xu hướng hiện nay cho thấy, khí hậu đang không gian khác nhau. Dựa trên kết quả phân tích có những chuyển biến sâu sắc do những tác động hồi quy OLS theo năm cho toàn khu vực, nhóm tiêu cực của con người và tự nhiên và những thay nghiên cứu xây dựng mô hình hồi quy trọng số đổi này có ảnh hưởng đáng kể tới sức khỏe con không gian GWR nhằm cải thiện khả năng giải người. thích của mô hình OLS cũng như thiết lập hàm tuyến tính phù hợp cho từng quận huyện. Nghiên 3) Phân tích hồi quy trọng số không gian GWR cứu sử dụng phương pháp chuẩn thông tin AIC Mô hình thống kê toàn cục theo hồi quy tuyến (Akaite’s Information Criterion) để so sánh hai tính OLS giả định tính đồng nhất theo không gian mô hình. Theo đó, mô hình nào có giá trị AIC Tạp chí KHOA HỌC CÔNG NGHỆ 74 THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016
  7. Lê Thị Ngọc Anh, Hoàng Xuân Dậu thấp sẽ chính xác hơn mô hình có giá trị AIC động này không đáng kể. Đối với mặt nước, cao. Kết quả so sánh chỉ số AIC, giá trị hệ số xác tác động của yếu tố này đến ca bệnh thể hiện định hiệu chỉnh R2 giữa mô hình OLS và mô hình liên tục từ 2007 đến 2010. Yếu tố dân số có GWR theo từng năm được thể hiện trong Bảng ảnh hưởng đến ca bệnh trong hai năm 2008 và III. Theo đó, cho thấy ngoại trừ năm 2007, ba 2010. Kết quả phân tích của nghiên cứu cho năm còn lại mô hình GWR đều cho kết quả tốt thấy yếu tố mặt nước có vai trò quan trọng hơn mô hình OLS. trong mô hình dự báo. Hình 5 thể hiện giá trị các giá trị của hệ số xác • Xét về không gian, số ca bệnh dự báo tại các định hiệu chỉnh R² cục bộ thay đổi theo từng quận khu vực nội đô thường nhỏ hơn số ca bệnh huyện của mô hình GWR. Qua đó cho thấy sự thực tế. Trong khi đó, tại các quận, huyện ở biến động theo không gian về mối quan hệ giữa khu vực phía Bắc và Nam giá trị này thường các biến giải thích và số ca bệnh tả trong năm. lớn hơn. Cần có nghiên cứu sâu hơn để tìm Cụ thể, có thể chia hệ số xác định hiệu chỉnh R² hiểu sự tương tác của không gian trong ảnh thành hai nhóm giá trị thấp và cao. Theo đó, đối hưởng số ca bệnh nhằm đưa ra mô hình dự với năm 2007, có sự gia tăng giá trị R² theo hướng báo tốt nhất. từ Tây sang Đông. Các năm tiếp theo, sự gia tăng giá trị hệ số R² theo hướng từ Bắc xuống Nam. • Xét về mô hình, cả hai mô hình OLS và GWR đều có thể giải thích được số ca bệnh. Tuy Bảng III. So sánh hiệu quả giữa hai mô hình OLS và GWR theo năm nhiên, mô hình GWR cho kết quả tốt hơn mô hình OLS theo năm nhờ khả năng ước lượng 2007 2008 2009 2010 Chỉ các hệ số của mô hình thay đổi theo không gian. số OLS GWR OLS GWR OLS GWR OLS GWR AIC 101,10 101,10 105,38 104,65 81,83 73,51 81,81 78,94 V. KẾT LUẬN R 2 0,26 0,26 0,42 0,46 0,70 0,84 0,64 0,69 Nghiên cứu đã bước đầu xác định các điểm nóng về dịch bệnh thường tập trung thành cụm quanh Ưu điểm của mô hình GWR là khả năng hiển thị khu vực nội đô, nơi tập trung dân cư đông đúc, trực quan các hệ số ước lượng của mỗi biến giải tiếp giáp với các con sông ô nhiễm. Nghiên cứu thích theo từng đơn vị không gian, ở đây là quận, cũng xây dựng các mô hình hồi quy OLS và huyện. Điều này giúp cho việc khám phá các mối GWR khái quát dự báo dịch tả trên địa bàn Tp. quan hệ phức tạp trở nên dễ dàng hơn. Kết quả Hà Nội theo năm dựa trên các biến khí hậu (nhiệt ước lượng các hệ số của các biến giải thích cho độ không khí, lượng mưa, độ ẩm, số giờ nắng, sự xuất hiện của ca bệnh tả trong giai đoạn 2007- tốc độ gió), dân số, diện tích mặt nước trong giai 2010 được thể hiện lần lượt trên các Hình 6, 7, đoạn 2001 - 2011. Các kết quả đạt được cho thấy 8 và 9 trong phần Phụ lục của bài báo. Dải màu khả năng ứng dụng GIS hiệu quả trong phân tích thay đổi từ xanh đậm đến đỏ đậm tương ứng với dịch bệnh tả trên địa bàn nghiên cứu khi chỉ ra mức độ ảnh hưởng đến số ca bệnh tả từ thấp nhất được những điểm nóng cũng như lý giải mối liên đến cao nhất. hệ giữa các biến khí hậu, mặt nước và dân số 4) Một số nhận xét phân bố theo không gian với số ca bệnh theo thời gian. Điều đó góp phần hỗ trợ cho công tác quản Qua phân tích hồi quy OLS và GWR, nhóm lý dịch bệnh theo không gian và thời gian. Đồng nghiên cứu rút ra một số nhận xét như sau: thời, kết quả nghiên cứu tạo tiền đề quan trọng • Xét theo năm, tác động của khí hậu đến ca cho các nghiên cứu tiếp theo về mô phỏng, dự bệnh biểu hiện rõ nét trong các năm 2007, báo dịch tả trên địa bàn Tp. Hà Nội. 2009, 2010, trong khi năm còn lại 2008 tác Bên cạnh những kết quả đạt được, còn một số vấn Số 1 năm 2016 Tạp chí KHOA HỌC CÔNG NGHỆ 75 THÔNG TIN VÀ TRUYỀN THÔNG
  8. ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ đề cần tiếp tục nghiên cứu cải thiện như: (1) Thời of Ecological Health. Oxford University gian theo dõi số ca bệnh tả còn tương đối ngắn, Press, pp. 111–121. trong đó các ca bệnh chỉ xuất hiện trong 5 năm (2004, 2007, 2008, 2009 và 2010) trong cả một [2]. Leckebusch, G.C. and Abdussalam, chuỗi thời gian từ 2001-2011. Bên cạnh đó số ca A.F., 2015. Climate and socioeconomic influences on interannual variability of bệnh tả xuất hiện trong mỗi năm trong giai đoạn cholera in Nigeria. Health & Place, [online] xem xét cũng không nhiều. Hơn nữa, dữ liệu số 34, pp. 107–117. Available at:
  9. Lê Thị Ngọc Anh, Hoàng Xuân Dậu [online] 18. Available at:
  10. ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Phụ lục: Tham số cục bộ của mô hình GWR cho các năm 2007, 2008, 2009 và 2010 Hình 6. Tham số cục bộ của mô hình GWR cho năm 2007 Hình 7. Tham số cục bộ của mô hình GWR cho năm 2008 Hình 8. Tham số cục bộ của mô hình GWR cho năm 2009 Hình 9. Tham số cục bộ của mô hình GWR cho năm 2010 Tạp chí KHOA HỌC CÔNG NGHỆ 78 THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản