Контроль температуры через интернет | gsm контроль в помещении
В этой статье описывается опыт использования интернет-термометра для удаленного мониторинга температуры солнечных коллекторов при минимальных затратах бюджета.
Предыстория. Наша организация помимо всего прочего занимается проектированием, продажей и монтажом солнечных коллекторов – гелиосистем. Весной 2017 года к нам обратился заказчик у которого уже была смонтирована такая система. Основное оборудование было фирмы Meibes: коллектора MVK 001, автоматика EnergyPro. Система имела два поля по 4 коллектора, смонтированы они были на крыше бани. Сама баня уже была почти достроена и имела чистовую отделку снаружи и внутри. Внутри здания имелся доступ в Интернет. Система функционировала и довольно хорошо. Но хозяин хотел иметь возможность удаленно видеть текущую температуру коллекторов или получать уведомления если она превышала допустимые нормы.
Решение. Фирма Meibes выпускает автоматику для солнечных коллекторов, прекрасно решающую поставленные перед ней задачи.
После некоторого поиска во всемирной паутине было найдено чудесное устройство TE-MONITOR российского производства. Оно полностью и решило наши задачи.
Внешний вид устройства:
Само устройство два сокета для подключения датчиков. К каждому сокету можно подключить до четырёх датчиков ds18b20.
Внешний вид датчиков:
Есть сетевой порт для подключения устройства к интернету. Питание осуществляется через кабель USB — mini B от блока питания с USB разъёмом на 5В. В комплекте идет один датчик ds18b20 в прорезиненном покрытии. Если необходимо удлинить длину проводы датчика, а паять неохота, то можно приобрести устройство SP1 для монтажа без пайки.
Внешний вид SP1:
И как это выглядит в сборе:
Так как нам был необходим датчик, который мог выдерживать температуры более 100 градусов по Цельсию, мы использовали датчики в металлической гильзе.
См. рисунок выше.
Устройство в сборе на столе перед монтажем:
Сам интернет-термометр был размещен в здании рядом с роутером, от него были протянуты два кабеля на верхнее и нижнее поля солнечных коллекторов. Датчики были закреплены на выходе теплоносителя из полей.
Настройка устройства на удивление проста и быстра. Через браузер подключаемся к нему в нашей локальной сети. Видим минималистическое окно в котором отображается два наших датчика:
Заходим на вкладку setup. После ввода пароля открываются вкладки с настройками. Первая – это настройки сети:
Вторая – это настройки датчиков:
В ней можно переименовать сокеты для удобства:
Третья – настройки удаленного мониторинга. Самое вкусное в этом то, что данное устройство поддерживает сервис Народный мониторинг.
Ставим галочку и жмем кнопку с надписью Test:
Если загорелся зеленый цвет, то значит все работает.
Заходим на сайт https://narodmon.ru/ Можно залогиниться через множество сервисов. В целях безопасности местонахождение датчика было изменено на произвольное. На момент написания статьи температурные показатели снимались в помещении.
При просмотре своего устройства можно видеть температуру обоих датчиков.
Имеется возможность просматривать графики температур датчиков за период:
Можно настроить общий доступ, уведомления при наступлении определенных уловий:
Сервис народного мониторинга имеет свои приложения для смартфонов. Приведу пару скриншотов:
При свернутом состоянии есть два показания в треестатусбара:
А вот так выглядит уведомление о превышении температуры выше пороговой.
В любой момент уведомления можно скрыть:
Вид в программе:
Общий вид полей программы:
Ещё один скриншот:
В итоге наш заказчик получил систему удаленного мониторинга своей гелиосистемыу себя на смартфоне. Бюджет решения со стоимостью устройств, материалов и работ не превысил и 100 долларов в эквиваленте.
Резюме.Данное устройство не предназначено запускать какие-либо исполнительные механизмы. Оно только позволяет при минимальных денежных затратах видеть температурное состояние системы.
Интернет-термометр позволил:
1. Удаленно видеть температуру каждого поля коллекторов в режиме реального времени.
2. Собирать статистику для последующего просмотра и анализа.
3. Посылать уведомление на е-мейл и/или смартфон через приложение при превышении и/или понижении до пороговой температуры.
4. Уведомлять пользователя если устройство перестало передавать данные: пропала электроэнергия, закончились средства на балансе интернета, помер роутер…
Этот термометр можно использовать для наблюдения за любыми температурами в вашем хозяйстве.
Ссылка на исходный ресурс: http://makroterm.ru/good_znaniya/stats/vysoko-sizhu-daleko-glyazhu-ili-kak-udalenno-sledit-za-temperaturojj-solnechnykh-kollektorov-pri-malenkom-byudzhete/
Мониторинг температуры на удалённом объекте «подручными» средствами / Хабр
В далёком 2019 году, когда на улицу можно было выйти без пропуска, меня попросили сделать удалённое отслеживание температуры в деревенском доме. Условия были следующими. Есть частный дом с интернетом, в доме газовый котёл для отопления. Котёл поддерживает определённую температуру в системе отопления, периодически включаясь и выключаясь. В выключенном состоянии горит дежурный фитиль. Вытяжка установлена с ошибками, поэтому сильный ветер снаружи периодически задувает фитиль и отопление перестаёт работать.
В этом доме люди появляются один раз в месяц, поэтому без системы мониторинга не обойтись. Далее постановка задачи и её реализация самым «ленивым» способом, который нашёл за 2 месяца.
Постановка задачи
Если фитиль потух, то температура в доме начинает плавно опускаться. Когда она опустится ниже 15 градусов, отправить «клиенту» уведомление на электронную почту. «Клиент» сам принимает решение, или ехать самому, или позвонить соседям, которые зажгут фитиль. Главное условие: «Никакой настройки. Принёс, включил и всё работает».
Выбор элементной базы
На разработку у меня было 2 месяца (задача была поставлена осенью, до морозов было далеко). В данной ситуации сам собой напрашивался ESP8266. Wi-fi в доме есть, библиотеки для измерения температуры написаны для различных датчиков. И ESP и датчик температуры DS18b20 у меня были, поэтому отложил данный проект на некоторое время из-за дел на основной работе.
Если покупать всё в сборе в магазине, то цена около 13000р. и называется «Контроллер RaZberry».
Готового датчика температуры совместимого с Z-wave у меня не было.
Сделал его на базе ZUNo (в магазине около 3000р., мне достался бесплатно один из прототипов) и герметичного датчика температуры DS18B20.
ZUNo – это ардуино совместимая плата со встроенным радио приёмо-передатчиком. Скетч для неё взял без изменений с сайта производителя (https://z-uno.z-wave.me/examples/1-wire-ds18b20-temperature-sensor/). Из этого скетча ZUNo каждые 30 секунд опрашивает датчик температуры и посылает уведомление контроллеру по радио.
Во время ожидания ZUNo не спит. Это я к тому, что скетч примитивный, не экономит ресурсы ни самого микроконтроллера ни электроэнергию. Но делает ровно столько сколько мне и нужно!
ZUNo «аккуратно» залил термоклеем в пластиковом корпусе.
Из корпуса вывел 2 провода: питание от USB и датчик температуры. Получилось надёжно, так что и уронить не страшно и выглядит прилично.
Контроллер подключил через Ethernet кабель к роутеру. Кабель можно было не использовать. RaspberryPi умеет пользоваться Wi-fi. Но поскольку главным требованием было «включил и забыл», не стал рисковать с предварительной настройкой wi-fi сети на raspberryPi.
RaspberryPi была подключена к 2-х амперной «зарядке» от телефона. Датчик температуры потребляет до 50 мА поэтому его подключил в USB разъём RaspberryPi.
Настройка Raspberry
Образ взял отсюда storage.z-wave.me/z-way-server называется «razberry.img.zip».
Далее установил образ на SD карту для RaspberryPi.
Если RaspberryPi запустилась, то будет запущен и Z-way server (ПО умного дома). Но он старой версии, его нужно обновить. В настройках есть кнопка для обновления, но ей никто не пользуется и она не работает.
Гораздо «удобнее» воспользоваться инструкцией для обновления. Она находится по этому адресу. Чтобы ввести команды описанные в данной инструкции нужно открыть терминал на RaspberryPi. Это можно сделать по ssh или подключить монитор с клавиатурой. Второй монитор и клавиатура у меня всегда рядом, в отличие от роутера, так что я выбрал второй вариант. Поскольку разрабатываю не обслуживаемую встраиваемую систему, то нужно предусмотреть сторожевой таймер для повышения надёжности. Всё таки RaspberryPi не является промышленным контроллером и систему Z-wave, тоже не рекомендуется применять в ответственных решениях буду рассчитывать на периодические зависания, выйти из которых можно только перезапуском ПО или всей операционной системы на RaspberryPi. Буду перезапускать операционную систему целиком каждый день в 12:00.
Для этого добавил строчку в файл, выполняемый после старта операционной системы.
#sudo vi /etc/rc.local shutdown -r 12:00
Основные команды vi
если захочу повторить и забуду
«i»-начать печатать в vi
«:wq!» – сохранить и выйти из vi
Настройка ПО Z-way server
Для входа в графическую часть ПО Z-way server подал питание на оборудование и через несколько минут воспользовался сервисом .
Этот сервис ищет RaspberryPi c запущенным Z-way server в локальной сети и выводит их ip адреса. Также тут можно подключиться к удалённой RaspberryPi. Чтобы это настроить выбрал локальную RaspberryPi. Задал логин и пароль и запомнил шестизначный ID. Этого достаточно для удалённого подключения.
ID для удалённого подключения.
1) Добавил термодатчик. Это стандартное действие.
2) Добавил Приложения-> Локальные приложения-> Email ME
3) Указал название элемента и адрес электронной почты с текстом письма
4) Добавил условие, при котором отправится письмо. Тоже ничего сложного.
Финальная проверка
Подключил RaspberryPi к роутеру через кабель, подал питание, подключил термодатчик.
Охладил датчик температуры и получил письмо, потом ещё одно, и ещё. Пока температура ниже 15 градусов, «клиент» будет получать письма. Это хорошо, пропустить не удастся. (Забегая вперёд скажу, что почты у клиента тоже не было, поэтому я получал по несколько сотен писем от своего «детища».
Мой почтовый клиент удобно складывал их в цепочки и никакого дискомфорта они не вызывали).
Чтобы оперативно смотреть температуру в доме на телефоне, установил приложение Z-way.
Не скажу что оно быстрое, удобное, но удалённо подключаться к Z-way server на RaspberryPi и смотреть температуру позволяет.
Итоги
За 2 вечера, оглядевшись по сторонам, собрал систему мониторинга температуры удалённого объекта. Раньше считал ZUNo и контроллер Razberry дорогими игрушками. Но после торжественного снятия моего оборудования с «боевого» поста, где оно несколько раз вовремя определило неисправность системы отопления за зимний сезон проникся уважением к данным изделиям. А уважать есть за что. Интернет и свет периодически пропадали, но после возобновления подачи связь восстанавливалась. Сейчас разобрал этот «комплекс» на запчасти и понял главную его силу. Имея платку-контроллер Razberry, которую можно вставить в RaspberryPi, а можно через UART переходник к любому компьютеру, одну или две ZUNo, базовый набор датчиков и простейшие исполнительные механизмы можно оперативно организовать решение возникшей проблемы.
Не люблю слово «легко» и не имею опыта использования «умного» оборудования других производителей, но за 2 дня я получил готовый набор оборудования, который достаточно подключить к питанию, а также приложение на смартфон, web приложение на компьютер и уведомления на почту.
Использование погодных факторов и данных Google для прогнозирования передачи COVID-19 в Мельбурне, Австралия: модель прогнозирования временных рядов
1. Всемирная организация здравоохранения. 2022. Панель управления коронавирусом ВОЗ (COVID-19). https://covid19.who.int/ [Google Scholar]
2. Всемирная организация здравоохранения. 2022. Tracking SARS-CoV-2 Variants.https://www.who.int/en/activities/tracking-SARS-CoV-2-variants/ [Google Scholar]
Оценка относительной вирулентности новых вариантов SARS-CoV-2: ретроспективное когортное исследование в Онтарио, Канада. CMAJ. 2021;193: E1619–E1625. doi: 10.1503/cmaj.211248. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
4.
Harvey W.T., Carabelli A.M., Jackson B., Gupta R.K., Thomson E.C., Harrison E.M., Ludden C., Reeve R., Rambaut A., Консорциум C.-G.U., et al. Варианты SARS-CoV-2, спайковые мутации и ускользание от иммунитета. Нац. Преподобный Микробиолог. 2021; 19: 409–424. doi: 10.1038/s41579-021-00573-0. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
5. Министерство здравоохранения — Правительство Австралии. 2022. Коронавирус (COVID-19) Номера случаев и статистика. Google Scholar]
6. Макклимонт Х., Бамбрик Х., Си Х., Вардулакис С., Ху В. Будущие перспективы борьбы с новыми инфекционными заболеваниями: подход «Единое здоровье». Одно здоровье. 2022; 14 doi: 10.1016/j.onehlt.2022.100371. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
7. Кречмар М.Е., Рожнова Г., Бутсма М.С.Дж., ван Бовен М., ван де Вийгерт Дж., Бонтен М.Дж.М. Влияние задержек на эффективность стратегий отслеживания контактов при COVID-19: исследование моделирования. Ланцет общественного здравоохранения.
2020; 5: e452–e459. doi: 10.1016/S2468-2667(20)30157-2. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
8. Mooney S.J., Westreich D.J., El-Sayed A.M. Комментарий: эпидемиология в эпоху больших данных. Эпидемиология. 2015;26:390–394. doi: 10.1097/EDE.0000000000000274. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
9. Zhang Y., Bambrick H., Mengersen K., Tong S., Hu W. Использование интернет-запросов и климатических данных для прогнозирования климата. чувствительные риски инфекционных заболеваний: систематический обзор эпидемиологических данных. Междунар. Дж. Биометеорол. 2021;65:2203–2214. doi: 10.1007/s00484-021-02155-4. [PubMed] [CrossRef] [Академия Google]
10. Нанн Д., Уокер М., Фрауэнфельд Л., Ференси Т., Сулёк М. Прогнозирование числа случаев коклюша в будущем с использованием данных Google Trends. Гелион. 2021;7 doi: 10.1016/j.heliyon.2021.e08386. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
11. Бадд Дж.
, Миллер Б.С., Мэннинг Э.М., Лампос В., Чжуан М., Эдельштейн М., Рис Г., Эмери В.К., Стивенс М.М. , Киган Н. и др. Цифровые технологии в ответных мерах общественного здравоохранения на COVID-19. Нац. Мед. 2020;26:1183–1192. дои: 10.1038/s41591-020-1011-4. [PubMed] [CrossRef] [Google Scholar]
12. Ting D.S.W., Carin L., Dzau V., Wong T.Y. Цифровые технологии и COVID-19. Нац. Мед. 2020; 26: 459–461. doi: 10.1038/s41591-020-0824-5. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
13. Nouvellet P., Bhatia S., Cori A., Ainslie K.E.C., Baguelin M., Bhatt S., Boonyasiri A., Brazeau N.F., Cattarino Л., Купер Л.В. и соавт. Снижение мобильности и передачи COVID-19. Нац. коммун. 2021;12:1090. doi: 10.1038/s41467-021-21358-2. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
14. Кот С., Каччапалья Г., Саннино Ф. Сбор данных Google и Apple о мобильности: временная анатомия для социального дистанцирования COVID-19. науч. Респ. 2021; 11:4150. doi: 10.1038/s41598-021-83441-4.
[PMC free article] [PubMed] [CrossRef] [Google Scholar]
15. Feng T., Zheng Z., Xu J., Liu M., Li M., Jia H., Yu X. Сравнительный анализ SARIMA, Facebook Prophet и LSTM для прогнозирования дорожно-транспортных происшествий в Северо-Восточном Китае. Передний. Здравоохранение. 2022; 10 doi: 10.3389/fpubh.2022.946563. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
16. Сол А., Скотт Н., Спелман Т., Крэбб Б.С., Хеллард М. Влияние трех постепенно внедряемых вмешательств на ежедневное число случаев второй волны COVID-19 в Мельбурне, Австралия. Заражение BMC. Дис. 2022;22:514. doi: 10.1186/s12879-022-07502-3. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
17. Риаз М., Ахтар М.Н., Джинхонг С., Гул Х. Метеорологические факторы и пандемия COVID-19: фон Пакистана. Передний. Психол. 2021; 12 doi: 10.3389/fpsyg.2021.764016. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
18. Наим М., Ю Дж., Аамир М., Хан С.А., Аделей О., Хан З.
Сравнительный анализ подходов машинного обучения к анализу и прогнозированию вспышки COVID-19. PeerJ Comput. науч. 2021;7:e746. doi: 10.7717/peerj-cs.746. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
19. Малки З., Атлам Э.С., Эвис А., Дагнью Г., Альзигхайби А.Р., Г.Э.Л., Эльхосейни М.А., Хассаниен А.Е., Гад И. Арима модели для прогнозирования окончания пандемии COVID-19 и риска повторного рикошета. Нейронные вычисления. заявл. 2021;33:2929–2948. doi: 10.1007/s00521-020-05434-0. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
20. Сингх Р.К., Рани М., Бхагаватула А.С., Сах Р., Родригес-Моралес А.Дж., Калита Х., Нанда С., Шарма С., Шарма Ю.Д., Рабаан А.А. и соавт. Прогноз пандемии COVID-19 для 15 наиболее пострадавших стран: усовершенствованная авторегрессионная интегрированная модель скользящего среднего (ARIMA). JMIR Надзор за общественным здравоохранением. 2020;6 doi: 10.2196/19115. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
21.
Чжан Ю., Милинович Г., Сюй З., Бамбрик Х., Менгерсен К., Тонг С., Ху В. Мониторинг инфекций коклюша с использованием поисковых запросов в Интернете. науч. Отчет 2017;7 doi: 10.1038/s41598-017-11195-z. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
22. Zhang Y., Bambrick H., Mengersen K., Tong S., Hu W. Использование Google Trends и температуры окружающей среды для прогнозирования вспышек сезонного гриппа. Окружающая среда. Междунар. 2018; 117: 284–291. doi: 10.1016/j.envint.2018.05.016. [PubMed] [CrossRef] [Академия Google]
23. Австралийское бюро статистики. 2022. Regional Population.https://www.abs.gov.au/statistics/people/population/ Regional-population/2019-20 [Google Scholar]
24. Бюро метеорологии 2022. Annual Climate for Victoria – 2021. http://www.bom.gov.au/climate/current/annual/vic/summary.shtml [Google Scholar]
25. Министерство здравоохранения штата Виктория. Министерство здравоохранения штата Виктория; 2022. Концепция управления пандемией штата Виктория.
[Google Scholar]
26. Министерство здравоохранения штата Виктория. Департамент здравоохранения; 2021. Викторианские данные о коронавирусе. 26.08.2020. [Академия Google]
27. Бюро метеорологии. 2022. Climate Data Online. . Междунар. Дж. Окружающая среда. Рез. Опубл. Здоровье. 2021;18:396. doi: 10.3390/ijerph28020396. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
29. Nevels M., Si X., Bambrick H., Zhang Y., Cheng J., McClymont H., Bonsall MB, Hu W. Weather изменчивость и трансмиссивность COVID-19: анализ временных рядов на основе эффективного репродуктивного числа. Результаты опыта. 2021;2:e15. doi: 10.1017/exp.2021.4. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
30. Nottmeyer L., Armstrong B., Lowe R., Abbott S., Meakin S., O’Reilly K.M., von Borries R., Schneider Р., Рой Д., Хашизуме М. и др. Связь заболеваемости COVID-19 с температурой, влажностью и УФ-излучением — глобальный анализ в нескольких городах. науч. Общая окружающая среда.
2023; 854 doi: 10.1016/j.scitotenv.2022.158636. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
31. ООО «Гугл». 2022. Google Trends.https://trends.google.com/trends/ [Google Scholar]
32. Google LLC. 2022. Google COVID-19 Community Mobility Reports.https://www.google.com/covid19/mobility/ [Google Scholar]
Серийный интервал новых коронавирусных (COVID-19) инфекций. Междунар. Дж. Заразить. Дис. 2020; 93: 284–286. doi: 10.1016/j.ijid.2020.02.060. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
34. Cori A., Ferguson N.M., Fraser C., Cauchemez S. Новая структура и программное обеспечение для оценки изменяющихся во времени показателей воспроизводства во время эпидемий. Являюсь. Дж. Эпидемиол. 2013; 178:1505–1512. дои: 10.1093/адже/кВт133. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
35. Box G.E., Jenkins G.M., Reinsel G.C., Ljung G.M. Джон Уайли и сыновья; 2015. Анализ временных рядов: прогнозирование и контроль.
[Google Scholar]
36. Ван Ю., Чен Р., Ху Ф., Лан Ю., Ян З., Чжан С., Ши Дж., Дэн С., Цзян М., Чжун С. и др. . Передача, вирусная кинетика и клинические характеристики возникающего SARS-CoV-2 Delta VOC в Гуанчжоу, Китай. ЭклинМед. 2021; 40 doi: 10.1016/j.eclinm.2021.101129. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
37. Лауэр С.А., Гранц К.Х., Би К., Джонс Ф.К., Чжэн К., Мередит Х.Р., Азман А.С., Райх Н.Г., Лесслер Дж. Инкубация период коронавирусной болезни 2019 г. (COVID-19) по публично зарегистрированным подтвержденным случаям: оценка и применение. Анна. Стажер Мед. 2020; 172: 577–582. дои: 10.7326/M20-0504. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
38. Ядав С.К., Ахтер Ю. Статистическое моделирование для прогнозирования распространения инфекционных заболеваний со специальной ссылкой на COVID-19распространение. Передний. Здравоохранение. 2021;9 doi: 10.3389/fpubh.2021.645405. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
39.
Франсетик И., Манфорд Л. Корона и кофе в пути: пространственный анализ смертности от COVID-19 и потоков поездок на работу и обратно в Англии в 2020 г. Eur . Дж. Публ. Здоровье. 2021; 31: 901–907. doi: 10.1093/eurpub/ckab072. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
40. Hu M., Lin H., Wang J., Xu C., Tatem A.J., Meng B., Zhang X., Liu Y., Ван П., Ву Г. и др. Риск заболевания коронавирусом 2019передача инфекции пассажирам поездов: эпидемиологическое и модельное исследование. клин. Заразить. Дис. 2021; 72: 604–610. doi: 10.1093/cid/ciaa1057. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
41. Liu Y., Rocklov J. Репродуктивное число дельта-варианта SARS-CoV-2 намного выше по сравнению с наследственным SARS-CoV- 2 вирус. Дж. Трав. Мед. 2021; 28 doi: 10.1093/jtm/taab124. тааб124. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
42. Ward M.P., Liu Y., Xiao S., Zhang Z. Проблемы борьбы с COVID-19вспышки, вызванные дельта-вариантом в периоды низкой влажности: обсервационное исследование в Сиднее, Австралия.
Заразить. Дис. Бедность. 2021;10:139. doi: 10.1186/s40249-021-00926-0. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
43. Ward M.P., Xiao S., Zhang Z. Роль климата во время эпидемии COVID-19 в Новом Южном Уэльсе, Австралия. Трансграничная эмердж. Дис. 2020;67:2313–2317. doi: 10.1111/tbed.13631. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
44. Сера Ф., Армстронг Б., Эбботт С., Микин С., О’Рейли К., фон Боррис Р., Шнайдер Р., Рой Д., Хасидзуме М., Паскаль М. и др. Поперечный анализ метеорологических факторов и передачи SARS-CoV-2 в 409городов в 26 странах. Нац. коммун. 2021;12:5968. doi: 10.1038/s41467-021-25914-8. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
45. Гао М., Чжоу К.М., Ян С., Ли К.С., Чжан С.К., Юнг К.К. Нелинейная модуляция передачи COVID-19 климатическими условиями. метеорол. заявл. 2021; 28 doi: 10.1002/met.1985. АРТН е1985. [CrossRef] [Google Scholar]
46. Liu T., Kang M., Zhang B., Xiao J., Lin H.
, Zhao Y., Huang Z., Wang X., Zhang Y., He J. , Ma W. Независимые и интерактивные эффекты температуры окружающей среды и абсолютной влажности на риск заражения птичьим гриппом A(H7N9)) инфекции в Китае. науч. Общая окружающая среда. 2018; 619–620: 1358–1365. doi: 10.1016/j.scitotenv.2017.11.226. [PubMed] [CrossRef] [Google Scholar]
47. Басу С., Эндрюс Дж. Сложность математических моделей политики общественного здравоохранения: руководство для потребителей моделей. ПЛОС Мед. 2013; 10 doi: 10.1371/journal.pmed.1001540. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
48. Австралийское управление по коммуникациям и СМИ . 2021. Коммуникации и СМИ в Австралии: как мы используем Интернет. Академия Google]
49. Лазер Д., Кеннеди Р., Кинг Г., Веспиньяни А. Большие данные. Притча о Google Flu: ловушки в анализе больших данных. Наука. 2014; 343:1203–1205. doi: 10.1126/science.1248506. [PubMed] [CrossRef] [Google Scholar]
50. Батлер Д. Когда Google ошибся с гриппом: вспышка в США искажает ведущий веб-метод отслеживания сезонного гриппа.
Природа. 2013; 494:155–157. [PubMed] [Google Scholar]
51. Пановска-Гриффитс Дж., Керр К.С., Уэйтс В., Стюарт Р.М. В: Наука о данных: теория и приложения. Шриниваса Рао А.С.Р., Рао Ч.Р., редакторы. Эльзевир; 2021. Математическое моделирование как инструмент принятия политических решений: приложения к COVID-19пандемия; стр. 291–326. [CrossRef] [Google Scholar]
52. Рибейро М., да Силва Р.Г., Мариани В.К., Коэльо Л.Д.С. Краткосрочное прогнозирование совокупных подтвержденных случаев COVID-19: перспективы для Бразилии. Хаос, Солит. Фракталы. 2020; 135 doi: 10.1016/j.chaos.2020.109853. [Статья PMC бесплатно] [PubMed] [CrossRef] [Google Scholar]
53. Ахмадини А.А.Х., Наим М., Аамир М., Деван Р., Альшкак С.С.А., Машвани В.К. Анализ и прогноз количества умерших, выздоровевших и подтвержденных случаев от COVID-19для четырех основных затронутых стран с использованием фильтра Калмана. Фронт физ. 2021;9 doi: 10.3389/fphy.2021.629320. [CrossRef] [Google Scholar]
54.
Гафури-Фард С., Мохаммад-Рахими Х., Моти П., Минаби М.А.С., Тахери М., Натегиниа С. Применение машинного обучения в прогнозировании COVID-19 daily new кейсы: предварительный обзор. Гелион. 2021;7 doi: 10.1016/j.heliyon.2021.e08143. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
55. Лараби-Мари-Сент С., Альхалавани С., Шахин С., Альмустафа К.М., Саба Т., Хан Ф.Н., Рехман А. Прогнозирование COVID19параметры с использованием временных рядов: сравнительный пример из Саудовской Аравии, США, Испании и Бразилии. Гелион. 2022;8 doi: 10.1016/j.heliyon.2022.e09578. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
56. Мэдден К.М., Фельдман Б. Поиск в Интернете, связанный с аносмией, и ход первой волны пандемии COVID-19 в Соединенных Штатах. Гелион. 2021;7 doi: 10.1016/j.heliyon.2021.e08499. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
57. Menda K., Laird L., Kochenderfer M.J., Caceres R.S. Объяснение COVID-19вспышки с реактивными моделями SEIRD.
науч. Отчет 2021; 11 doi: 10.1038/s41598-021-97260-0. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
58. Кучарски А.Дж., Рассел Т.В., Даймонд С., Лю Ю., Эдмундс Дж., Функ С., Эгго Р.М., Центр математического моделирования инфекционных Заболевания, C.-w.g Ранняя динамика передачи и контроля COVID-19: исследование математического моделирования. Ланцет Инфекция. Дис. 2020; 20: 553–558. doi: 10.1016/S1473-3099(20)30144-4. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
59. Кампильо-Фунолет Э., Ван Иперен Дж., Оллман П., Белл М., Бересфорд В., Клэй Дж., Дори М., Эванс Г., Гилкрист К., Мемон А. и др. Прогнозирование и прогнозирование воздействия локальных вспышек COVID-19: использование количественного эпидемиологического моделирования SEIR-D для спроса и возможностей здравоохранения. Междунар. Дж. Эпидемиол. 2021;50:1103–1113. doi: 10.1093/ije/dyab106. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
60. Zeroual A., Harrou F.
, Dairi A., Sun Y. Методы глубокого обучения для прогнозирования COVID-19данные временного ряда: сравнительное исследование. Хаос, Солит. Фракталы. 2020; 140 doi: 10.1016/j.chaos.2020.110121. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
61. Чандра Р., Джайн А., Сингх Чаухан Д. Глубокое обучение с помощью моделей LSTM для прогнозирования инфекции COVID-19 в Индии. ПЛОС Один. 2022; 17 doi: 10.1371/journal.pone.0262708. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
62. Tran TH, Sasikumar S.N., Hennessy A., O’Loughlin A., Morgan L. Связь между ограничениями на передвижение населения и замедлением распространения новых COVID-19. 19заболеваемости в трех странах. Мед. Дж. Ост. 2020; 213: 471–473. doi: 10.5694/mja2.50822. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
63. Прайс Д.Дж., Ширер Ф.М., Михан М.Т., Макбрайд Э., Мосс Р., Голдинг Н., Конвей Э.Дж., Доусон П., Кромер Д. , Вуд Дж. и др. Ранний анализ эпидемии COVID-19 в Австралии.
Элиф. 2020; 9 doi: 10.7554/eLife.58785. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
64. Эшраг А., Ализамир С., Хоули П., Стояновский Э. Моделирование динамики COVID-19население Австралии: вероятностный анализ. ПЛОС Один. 2020; 15 doi: 10.1371/journal.pone.0240153. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
65. Абрахам Дж., Тервилл С., Даулинг К., Флорентин С. Играет ли климат какую-либо роль в распространении COVID-19? — точка зрения Австралии. Междунар. Дж. Окружающая среда. Рез. Опубл. Здоровье. 2021;18:9086. [Бесплатная статья PMC] [PubMed] [Google Scholar]
66. Сахай А.К., Рат Н., Суд В., Сингх М.П. Моделирование и прогнозирование COVID-19 ARIMAв пятерке пострадавших стран. Диабет Метабол. Синдр. 2020;14:1419–1427. doi: 10.1016/j.dsx.2020.07.042. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
67. Чжао Х., Мерчант Н.Н., Макналти А., Рэдклифф Т.А., Кот М.Дж., Фишер Р.С.Б., Санг Х., Ори М.Г. COVID-19: модель краткосрочного прогнозирования с использованием ежедневных данных о заболеваемости.
ПЛОС Один. 2021; 16 doi: 10.1371/journal.pone.0250110. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
68. Wu J.T., Leung K., Leung G.M. Текущий прогноз и прогнозирование потенциального внутреннего и международного распространения 2019 г.Вспышка nCoV, возникшая в Ухане, Китай: модельное исследование. Ланцет. 2020; 395: 689–697. doi: 10.1016/S0140-6736(20)30260-9. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
69. Pesaran M.H., Shin Y.C., Smith R.J. Границы тестирования подходов к анализу отношений уровней. Дж. Заявл. эконом. 2001; 16: 289–326. дои: 10.1002/jae.616. [CrossRef] [Google Scholar]
70. Аллард Р. Использование анализа временных рядов в эпиднадзоре за инфекционными заболеваниями. Бык. Всемирный орган здравоохранения. 1998;76:327–333. [Бесплатная статья PMC] [PubMed] [Google Scholar]
71. Варнасекара Дж., Агамподи С., Нр А. SARIMA и модели ARDL для прогнозирования лептоспироза в районе Анурадхапура, Шри-Ланка. ПЛОС Один.
2022; 17 doi: 10.1371/journal.pone.0275447. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
О точности прогноза распространения COVID-19 на основе ARIMA. Результаты Физ. 2021; 27 doi: 10.1016/j.rinp.2021.104509. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
Влияет ли температура на передачу COVID-19?
Введение
Нет сомнений в том, что сдерживание пандемии COVID-19, вызванной новым коронавирусом (SARS-CoV-2), в настоящее время является главной задачей во всем мире. Характеристики этой пандемии затруднили ее контроль даже для самых передовых систем здравоохранения после того, как она началась в Ухане, Китай, в конце 2019 года.
COVID-19 распространился в большинстве стран мира из-за чрезвычайно высокой скорости передачи 2–2,5 (1). Количество COVID-19случаев во всем мире по состоянию на 8 июля 2020 г., 08:24 по Гринвичу, составило 11 965 661 человек, из которых 57,78% выздоровели, 4,57% умерли, а 37,65% все еще были активны.
Согласно официальной статистике, Китаю, источнику пандемии, удалось закрыть 93,99% случаев с выздоровлением, 5,54% со смертельным исходом (три случая на миллион), и только 0,47% случаев оставались активными. В то время как США возглавили список наиболее пострадавших стран с числом случаев около 3 097 417, что составляет 25,89% глобальных случаев, из которых 51,93% случаев все еще были активными. Кроме того, комбинированный COVID-19случаи в США, Бразилии, Индии и России составили 51,96% глобальных случаев за время исследования. (https://www.worldometers.info/coronavirus/).
Примечательно, что случаи заболевания COVID-19 в основном сосредоточены в центральных и северных районах пораженных стран, представляющих собой столицы, густонаселенные города, экономические и финансовые центры, особенно в развитых странах. Например, Нью-Йорк, экономическая столица США на крайнем северо-востоке, был одним из наиболее пострадавших штатов. Точно так же провинция Ламподрия на севере Италии, на долю которой приходится 40% промышленного производства (2), была наиболее пострадавшей территорией Италии.
Кроме того, COVID-19прокатился по Мадриду, испанской столице и важнейшему финансовому и экономическому центру (3). Кроме того, пандемия была сосредоточена в Ухане, транспортном и промышленном центре центрального Китая. В Германии больше всего пострадала провинция Бавария, второй по величине город Германии по численности населения и производитель 18% валового внутреннего продукта Германии (4). Что касается Франции, пандемия была нацелена на северо-центральный регион, Иль-де-Франс, самый богатый и самый важный регион Франции и Европы с точки зрения исследований, разработок и инноваций (5).
Коронавирусы представляют собой крупные РНК-содержащие вирусы с оболочкой, имеющие как медицинское, так и ветеринарное значение (6). Структуры оболочки SARS-CoV-2 чувствительны к физическим и химическим условиям и могут быть дестабилизированы или повреждены под воздействием тепла, ультрафиолетового (УФ) света или экстремальных значений рН (7). Самый внешний структурный белок SARS-CoV2 «белок шипа» проявлял активное и неактивное состояния при разных температурах (8).
Таким образом, регионы с низкими температурами более подвержены заражению, чем регионы с более высокими температурами (9).). С увеличением широты число случаев COVID-19 увеличивалось к полюсам Земли (7). Соответственно, пики заболеваемости коронавирусом приходятся на зиму, принимая форму локальных эпидемий, длящихся несколько недель или месяцев (10).
Несколько исследований показывают, что на передачу COVID-19 влияет температура. Обнаружена обратная корреляция между температурой и суточным числом заражений (11–17). Другие исследования определяют диапазон температур для этого эффекта. Например, передаче вируса препятствуют удельная влажность выше 6 г/кг и средняя температура воздуха выше 11°C (18). COVID-19может быть сезонным с оптимальным диапазоном температур 5°C−14 и пиком 10°C (19). По оценкам другого исследования, повышение минимальной температуры на каждый 1°C приводит к уменьшению совокупного числа случаев на 0,86 (20). Напротив, другие исследования отрицают или недооценивают влияние температуры на COVID-19 (21–25).
Бесспорно, что на некоторые из этих результатов повлияла используемая методология анализа, страны, выбранные для проведения исследования, и другие смешанные факторы, влияющие на явление, которые, возможно, не были нейтрализованы в некоторых из этих исследований.
Ожидается, что на передачу COVID-19 будут влиять не только климатические и метеорологические факторы (17, 26), но и множество других переменных, например, социальное дистанцирование, возраст, ВВП на душу населения, этническая принадлежность, состояние здоровья, бедность, диабет , ишемическая болезнь сердца, низкая физическая активность, употребление алкоголя, злоупотребление табаком и доступ к первичной медико-санитарной помощи (27). В этой статье исследуется влияние температуры на передачу COVID-19, представленное в случаях на миллион.
Методы
Скорость передачи COVID-19выражается в виде ежедневного количества инфекций (11, 25, 28) или общего числа подтвержденных случаев (7, 9, 12, 16, 23). В других исследованиях количество случаев, накопленных за определенный период времени (18, 20, 29), среднесуточная кумулятивная частота подтвержденных случаев (13) или случаев на 100 000 (27) представляют передачу COVID-19.
Кроме того, распространение вируса указывается в виде скорости роста подтвержденных случаев (21, 24, 30), эффективного репродуктивного числа инфекции (22) или времени удвоения числа подтвержденных случаев (26). Другие варианты использования на 1 км 2 (15).
В некоторых исследованиях температура выражается как средняя дневная температура (13, 14, 20, 22, 25, 29) или средняя температура за определенный период времени (7, 9, 23). Другие используют 14-дневные экспоненциальные скользящие средние (EMA) среднесуточной температуры (28). Для этого исследования используется средняя температура за определенный период времени. Страны представлены с точки зрения температуры наиболее пострадавшими городами или столицами.
Нелинейный метод наименьших квадратов используется для оценки связи между COVID-19передачи и температуры с использованием пакета статистических программ STATA (версия 16.1; ООО «СтатаКорп»). Экспоненциальная функция была предложена в уравнении (11) для представления взаимосвязи между числом случаев COVID-19 на миллион в качестве зависимой переменной (y) и средней температурой в качестве независимой переменной (x) (31).
Где:
yit: COVID-19 на миллион в стране «i» на конец периода «t»
α, β: параметры модели.
xit: средняя температура в стране «i» в период «t».
Получив натуральный логарифм обеих частей уравнения (1), можно получить следующее эквивалентное уравнение: формула для модели линейной регрессии, к которой можно добавить компонент ошибки ε, будет выглядеть следующим образом:
y′it=α′+βxit+ ε (3)увеличивается при понижении температуры и наоборот. Отсюда основные гипотезы:
H0: нет обратной зависимости между COVID-19 на миллион и температурой.
h2: существует обратная зависимость между COVID-19 на миллион и температурой.
Учитывая небольшое количество наблюдений здесь, был принят уровень значимости ( p < 0,1) (32). Были собраны данные о случаях COVID-19 на миллион (дополнительные таблицы 3, 7, 11) и температуре (дополнительные таблицы 4, 8, 12) в сорока трех странах. Эти страны были разделены на три группы следующим образом: первая группа состоит из тринадцати стран, одиннадцать из которых впервые столкнулись с пандемией в последней декаде января 2020 года, а именно: Австралия, Финляндия, Франция, Германия, Италия, Малайзия, Россия, Испания, Швеция, Великобритания и США, а также Япония и Южная Корея, которые стали свидетелями пандемии во второй трети того же месяца.
Вторая группа состоит из тринадцати стран, каждая из которых сообщила о первом случае COVID-19.в последней декаде февраля 2020 года, а именно: Армения, Австрия, Беларусь, Хорватия, Чехия, Дания, Эстония, Ирландия, Литва, Новая Зеландия, Норвегия, Румыния и Швейцария. Наконец, последняя группа состоит из семнадцати стран, все из которых пережили пандемию COVID-19 в течение первой недели марта 2020 года, а именно: Албания, Босния и Герцеговина, Чили, Иордания, Молдова, Марокко, Парагвай, Перу, Польша, Португалия, Саудовская Аравия, Сербия, Словакия, Словения, Тунис, Турция и Украина.
Для получения более надежных результатов сопоставимые страны были намеренно выбраны в одной группе (дополнительные таблицы 1, 5, 9). Кроме того, основным критерием сравнения была степень, в которой стране удалось закрыть почти половину или более случаев COVID-19, что сопровождалось снижением уровня смертности, приписываемого закрытым случаям. Это может указывать на состояние системы здравоохранения страны, а также другие рассматриваемые подкритерии, такие как количество тестов на миллион как показатель расходов на здравоохранение в стране.
Учитывалось также, что большого неравенства в населении не будет, и поэтому, например, Бразилия и Пакистан были исключены из «февральской» группы. Учитывалось также, что не было различий в плотности населения. Тем не менее, были некоторые необходимые исключения, такие как включение Франции, Италии и Испании в группу «Январь», несмотря на их высокие показатели смертности по сравнению с членами другой группы. Однако они были включены из-за их схожести со странами другой группы с точки зрения их способности закрыть более половины случаев COVID-19.случаев, а также высокие расходы на здравоохранение, выраженные в количестве тестов на миллион. У них также высокий средний возраст, как и у остальных членов группы, за исключением Малайзии и Австралии.
Эта взаимосвязь между переменными исследования была измерена для каждой группы после четырех периодов времени с даты регистрации первого случая до 1 апреля, 15 апреля, 15 мая и 8 июля 2020 года соответственно (дополнительные таблицы 2, 6, 10).
Для обеспечения достоверности результатов были проведены тесты расстояния Кука и DFFITS, чтобы показать влияние каждого наблюдения на подобранные значения отклика. Качество подгонки параметров модели было проверено этими двумя методами, в которых выбросы, рычаги и влиятельные наблюдения, влияющие на значения подобранных параметров, были опущены (33).
Данные о COVID-19, проанализированные в этом документе, были собраны с одного веб-сайта (https://www.worldometers.info/), который предоставляет глобальную статистику COVID-19 в режиме реального времени. Сайт является независимым и часто упоминается в качестве источника в журнальных статьях. Американская библиотечная ассоциация (http://www.ala.org/rusa/) признала его одним из лучших бесплатных справочных веб-сайтов. Кроме того, (https://www.timeanddate.com/) был использован для получения месячной температуры в наиболее пострадавших городах в течение четырех периодов исследования. Сайт помогает получить среднемесячную температуру напрямую, без дополнительных расчетов.
Результаты
Параметры связи между случаями COVID-19 на миллион в трех исследуемых группах стран и средними температурами оцениваются следующим образом (табл. 1).
Таблица 1 . Результаты регрессионных моделей.
Результаты показывают обратную связь между переменными исследования в трех группах изучаемых стран за все четыре периода времени с момента сообщения о первом случае. Нулевая гипотеза была отвергнута в пользу альтернативной гипотезы при ( p < 0,1) только через 110,8 и 164,8 дней в среднем от первого случая, зарегистрированного в странах группы «январь». На рис. 1 показан пример обратной зависимости между случаями на миллион и температурой погоды в среднем через 164,8 дня в случае группы стран «январь».
Рисунок 1 . Случаи COVID-19 на 1 м и температура после 164,8 в среднем по странам группы за январь.
Подставив параметры регрессии для стран группы «Январь» «через 110,8 и 164,8 дня» в уравнение 3, можно получить уравнения 4 и 5:
lnyit=8,298-0,089 xit (4) lnyit=9,318-0,121 xit (5)Применение e к обеим сторонам:
yit=(e−0,089)xit+e8 .
298=ЭКСП(-0,089) xit +EXP(8.298) (6) yit=(e−0,121)xit+e9,318=EXP(−0,121)xit +EXP(9.318) (7)Уравнения 6 и 7 используются для прогнозирования развитие случаев COVID-19 на миллион с точки зрения температуры погоды (дополнительные таблицы 13, 14).
Обсуждение
Хотя температура является одним из факторов, влияющих на COVID-19распространенности, есть и другие важные факторы, которые ухудшили ситуацию в странах, которые сильно пострадали от пандемии, таких как США, Испания и Италия. Возможно, эти страны относительно поздно ввели меры предосторожности, в отличие от других подобных стран с точки зрения температуры в то время, таких как Китай, Южная Корея и Япония, которым удалось выровнять кривую новых случаев COVID-19. Кроме того, более поздние страны хорошо использовали известные механизмы ранних мер по смягчению последствий, включая методы больших данных, чтобы сдержать пандемию с ее истоков. Поэтому об этом свидетельствовал коэффициент детерминации (R бар в квадрате) в регрессионных моделях (табл.
1), который составил не более 23,56 %, что свидетельствует о том, что 76,44 % явления объясняется другими факторами.
Предварительные результаты этого исследования (34) связывают отрицательную связь между случаями COVID-19 на миллион и температурой с количеством дней с момента сообщения о первом случае. Хотя температура влияет на передачу COVID-19 на ранних стадиях, случаи на миллион достигают критической массы после последовательного экспоненциального роста, и температура больше не оказывает существенного влияния на передачу пандемии. Что касается данного исследования, то оно совпадает с результатами препринта по направлению связи между исследуемыми переменными. Напротив, влияние температуры на распространенность COVID-19не было статистически подтверждено здесь в десяти наблюдениях из двенадцати.
Возможно, на результаты препринта повлияло грубое сравнение несопоставимых стран с точки зрения выявления случаев, связи между страной и пострадавшими районами, плотности населения, применяемых мер контроля в стране и времени их введения.
Несмотря на трудности, связанные с наличием достаточного количества сравниваемых стран, данное исследование пытается включить как можно больше сопоставимых стран. Кроме того, в результатах препринта сравнивалась взаимосвязь между исследуемыми переменными только после двух периодов для двух разных групп стран (72 дня в случае январских стран и после 44 дней в случае февральских стран), тогда как это исследование намеренно углубляет анализ для оценки связи в четыре периода для каждой из трех групп исследуемых стран.
Ссылаясь на дополнительную таблицу 13, из таблицы 2 следует, что наблюдаемые случаи COVID-19 на миллион в среднем через 110,8 дней, начиная с первого случая, зарегистрированного во Франции, Италии, Испании, Швеции, Великобритании и США, были выше ожидаемых значений по отношению к средней температуре. Напротив, наблюдаемые случаи COVID-19 на миллион в отношении температуры в Австралии, Финляндии, Германии, Японии, Малайзии, России и Южной Корее были ниже, чем ожидалось, после того же периода.
Аналогичным образом, та же группа стран показала почти идентичное поведение в среднем через 164,8 дня, за исключением России, где количество наблюдаемых случаев COVID-19случаев было больше, чем ожидалось (дополнительная таблица 14, таблица 2). Результаты этого исследования предполагают, что данные, заявленные странами, являются правильными и точными. Но в случае предполагаемой заниженной оценки или занижения отчетности можно ожидать фактических случаев на миллион в этих странах, как показано в таблице 2. Та же таблица показывает, что наблюдаемые случаи COVID-19 на миллион были меньше, чем их ожидаемые значения в Японии примерно в 11 раз. , а в Южной Корее примерно в 7–7,5 раза. Наоборот, наблюдаемый COVID-19случаев на миллион были примерно в 4–5 раз выше, чем оценки в Испании, и в три раза в Италии, тогда как количество случаев COVID-19 на миллион, наблюдаемых в США, было в два-четыре раза выше расчетных значений.
Таблица 2 . Наблюдаемые и оценочные случаи COVID-19 на миллион по температуре в странах «январской группы».
Одним из основных критериев отбора стран группы «Январь» было наличие передовых систем здравоохранения и высокая степень достоверности данных. Тем не менее, между расчетными и наблюдаемыми значениями появились различия. Ожидается, что эти различия будут больше в случае стран с менее развитыми системами здравоохранения и менее надежной регистрацией данных. Это было продемонстрировано, когда данные о Того и Южной Африке вместо Турции были включены в «мартовские» страны (дополнительные таблицы 15–19).). С помощью этих данных и с использованием уравнений, как в дополнительной таблице 19, были получены прогнозные таблицы числа случаев COVID-19 на миллион с точки зрения температуры (дополнительные таблицы 20, 21). Из дополнительной таблицы 22 видно, что число случаев COVID-19 на миллион через 28,56 дней в среднем после первого случая, зарегистрированного в Албании, Боснии и Герцеговине, Чили, Молдове, Перу, Португалии, Саудовской Аравии, Сербии и Словении, было выше. чем его ожидаемые значения, с точки зрения температуры.
Наоборот, наблюдаемый COVID-19случаев на миллион в Иордании, Марокко, Парагвае, Польше, Словакии, Южной Африке, Того, Тунисе и Украине были ниже, чем ожидалось, с учетом температуры. Во второй период, в среднем через 42,56 дня, большинство вышеупомянутых придворных показали относительно большое расхождение между наблюдаемыми и оценочными случаями COVID-19 на миллион (дополнительная таблица 22). Это большое расхождение может быть связано с недооценкой или занижением данных. Кроме того, это также может быть связано с количеством тестов на миллион, проведенных для выявления COVID-19.. Например, было отмечено, что предполагаемые случаи COVID-19 в Португалии, где было проведено 124 698 тестов на миллион, примерно вдвое превышали наблюдаемые цифры. С другой стороны, предполагаемые случаи COVID-19 в Того, где было проведено в лучшем случае 4025 тестов на миллион, в 82 раза превышали наблюдаемые случаи.
Наконец, настоятельно рекомендуется после этого оценивать взаимосвязь между случаями COVID-19 на миллион и температурой в разные периоды времени; чтобы отслеживать явление либо на более поздних стадиях, либо раньше, чем те, которые наблюдаются в этом исследовании.
Заключение
В этом исследовании представлены все полученные результаты, в том числе те, которые представлены в препринте, или попытки заменить некоторые страны в третьей группе (дополнительные таблицы 19–22). Все полученные данные сходятся в том, что связь между температурой и передачей COVID-19 имеет противоположную направленность, несмотря на разброс уровня значимости от значимого до незначительного. Различия в критериях отбора стран могли привести к вариации величины статистической значимости, но не повлияли на направление связи. В этом исследовании сообщается, что связь между COVID-19пропускание и температура незначительно и статистически подтверждены ( p < 0,1) всего в двух наблюдениях из двенадцати. Это может указывать на то, что на передачу COVID-19 больше всего влияют другие факторы, помимо температуры.
Заявление о доступности данных
Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без неоправданных оговорок.
Вклад авторов
Автор подтверждает, что является единственным автором этой работы и одобрил ее публикацию.
Конфликт интересов
Автор заявляет, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.
Благодарности
Препринт этого исследования опубликован по адресу (34).
Дополнительный материал
Дополнительный материал к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fpubh.2020.554964/full#supplementary-material
Ссылки
1. Всемирная организация здравоохранения. Доклад о совместной миссии ВОЗ и Китая по коронавирусной болезни 2019 г. (COVID-19). (2020). Доступно в Интернете по адресу: https://www.who.int/docs/default-source/coronaviruse/who-china-joint-mission-on-COVID-19-final-report.pdf (по состоянию на 23 марта 2020 г.).
PubMed Abstract
2.
BBC News. Коронавирус: экономика Италии терпит сокрушительный удар. (2020). Доступно в Интернете по адресу: https://www.bbc.com/news/business-516509.74 (по состоянию на 3 апреля 2020 г.).
3. Европейская комиссия. Внутренний рынок, промышленность, предпринимательство и МСП . Доступно в Интернете по адресу: https://ec.europa.eu/growth/tools-databases/regional-innovation-monitor/base-profile/madrid (по состоянию на 8 апреля 2020 г.).
4. Европейская комиссия. Внутренний рынок, промышленность, предпринимательство и МСП . Доступно в Интернете по адресу: https://ec.europa.eu/growth/tools-databases/ Regional-innovation-monitor/base-profile/bavaria (по состоянию на 7 апреля 2020 г.).
5. Европейская комиссия. Внутренний рынок, промышленность, предпринимательство и МСП . Доступно в Интернете по адресу: https://ec.europa.eu/growth/tools-databases/ Regional-innovation-monitor/base-profile/ile-de-france (по состоянию на 7 апреля 2020 г.).
6. Мастера ПС. Молекулярная биология коронавирусов. Adv Virus Res . (2006) 66:193–292. doi: 10.1016/S0065-3527(06)66005-3
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
7. Безабих Ю.М., Мекуант А., Безабих А., Сабиити В., Ружейникова А., Безабхе В. Корреляция глобального распространения коронавирусной болезни-19 с температурой атмосферного воздуха. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.05.27.20115048v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
8. Рат С.Л., Кумар К. Исследование влияния температуры на структуру шиповидного белка SARS-Cov-2 с помощью молекулярно-динамического моделирования. (2020). Доступно в Интернете по адресу: https://www.biorxiv.org/content/10.1101/2020.06.10.145086v2 (по состоянию на 1 июля 2020 г.).
Реферат PubMed | Google Scholar
9. Дас П., Манна С., Басак П. Анализ влияния температуры на распространение COVID-19 по всему миру.
(2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.05.19.20107433v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
10. Tyrrell DAJ, Myint SH. Коронавирусы. В: Барон С., редактор. Медицинская микробиология . 4-е изд. Галвестон, Техас: Медицинское отделение Техасского университета в Галвестоне (19 лет).96). Глава 60. Доступно в Интернете по адресу: https://www.ncbi.nlm.nih.gov/books/NBK7782/ (по состоянию на 1 июля 2020 г.).
Google Scholar
11. Абдоллахия А., Рахбараламб М. Влияние температуры на передачу COVID-19: пример машинного обучения в Испании . (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.05.01.20087759v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
12. Ислам Н., Шабнам С., Эрзурумлуоглу А.М. Температура, влажность и скорость ветра связаны с более низким уровнем COVID-19Заболеваемость. (2020). Доступно в Интернете по адресу: https://www.
medrxiv.org/content/10.1101/2020.03.27.20045658v2 (по состоянию на 1 июля 2020 г.).
Google Scholar
13. Пироуз Б., Голмохаммади А., Масулех Х., Виолини Г., Пиру Б. Взаимосвязь между среднесуточной температурой и среднесуточной кумулятивной частотой подтвержденных случаев COVID-19. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.04.10.20059337v3 (по состоянию на 1 июля 2020 г.).
14. Shi P, Dong Y, Yan H, Li X, Zhao C, Liu W, et al. Влияние температуры и абсолютной влажности на вспышку коронавирусной болезни 2019 г. (COVID-19) — данные из Китая. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.03.22.20038919v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
15. Takagi H, Kuno T, Yokoyama Y, Ueyama H, Matsushiro T, Hari Y, et al. Более высокая температура, давление и ультрафиолетовое излучение связаны с меньшей распространенностью COVID-19 — метарегрессия данных префектур Японии.
(2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.05.09.20096321v2 (по состоянию на 1 июля 2020 г.).
PubMed Abstract
16. Тангариял С., Растоги А., Томар А., Баведжа С. Влияние температуры и продолжительности солнечного сияния на ежедневные новые случаи и смертность от COVID-19. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.06.13.20130138v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
17. Ван С., Ченг С., Чжан З. Ранняя передача COVID-19 имеет оптимальную температуру, но поздняя передача снижается в теплом климате. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.05.14.20102459v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
18. Corripio JG, Raso L. Влияние переменных погоды на заболеваемость COVID-19. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.06.
08.20125377v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
19. Liu D, Tai Q, Wang Y, Pu M, Ge S, Ji T, et al. Влияние мер сдерживания и температуры воздуха на смягчение последствий передачи COVID-19: неклассическое моделирование и анализ SEIR. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.05.12.20099267v2 (по состоянию на 1 июля 2020 г.).
Google Scholar
20. Wang M, Rodrigues W, Bermejo PH. Температура значительно изменила передачу COVID-19 в 429 городах. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.02.22.2002579.1v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
21. Chiyomaru K, Takemoto K. Глобальная скорость передачи COVID-19 зависит от сезонности осадков и скорости потепления климата. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.04.10.20060459v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
22.
Джамиль Т., Алам И., Годжобори Т., Дуарте С.М. Нет доказательств температурной зависимости эпидемии COVID-19. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.03.29.20046706v2 (по состоянию на 1 июля 2020 г.).
Реферат PubMed | Google Scholar
23. Павар С., Станам А., Чаудхари М., Раюду Д. Влияние температуры на передачу COVID-19. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.03.29.20044461v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
24. Сахафизаде Э., Сартоли С. Высокая температура не влияет на репродуктивную функцию и новые случаи COVID-19в Бушере, Иран. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.06.14.20130906v2 (по состоянию на 1 июля 2020 г.).
Google Scholar
25. Собур М.А., Ислам М.С., Хак М.Е., Хак М.Т., Тониоло А., Рахман М.Т. Температура и относительная влажность не являются основными факторами, способствующими возникновению пандемии COVID-19: обсервационное исследование в 57 странах (08.
05.2020). (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.05.03.20089.342v2 (по состоянию на 1 июля 2020 г.).
Google Scholar
26. Oliveiros B, Caramelo L, Ferreira NC, Caramelo F. Роль температуры и влажности в модуляции времени удвоения случаев COVID-19. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.03.05.20031872v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
27. Li AY, Hannah TC, Durbin J, Dreher N, McAuley FM, Marayati NF, et al. Многомерный анализ факторов, влияющих на COVID-19Заболеваемость и смертность в округах США: значительное влияние черной расы и температуры . (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.04.17.20069708v2 (по состоянию на 1 июля 2020 г.).
Google Scholar
28. Qi H, Xiao S, Shi R, Ward MP, Chen Y, Tu W, et al. Передача COVID-19 в материковом Китае связана с температурой и влажностью: анализ временных рядов.
(2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.03.30.2004409.9v1 (по состоянию на 1 июля 2020 г.).
Реферат PubMed | Google Scholar
29. Сетвала А., Акбаралли М., Беттер Н., Лефковиц Дж., Григг Л., Акбаралли Х. Влияние температуры окружающей среды на число случаев и смертей от COVID-19 во всем мире – эпидемиологическое исследование. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.05.15.20102798v1 (по состоянию на 1 июля 2020 г.).
Google Scholar
30. Нотари А. Температурная зависимость передачи COVID-19. (2020). Доступно в Интернете по адресу: https://www.medrxiv.org/content/10.1101/2020.03.26.20044529v3 (по состоянию на 1 июля 2020 г.).
Google Scholar
31. Реальная статистика с использованием Excel. Экспоненциальная регрессия с использованием линейной модели . Доступно в Интернете по адресу: http://www.real-statistics.com/regression/exponential-regression-models/exponential-regression/ (по состоянию на 23 марта 2020 г.
Ваш комментарий будет первым