Bản đồ vùng nhậy cảm (vulnerability) với Covid và ứng dụng

5 min read

Tổng hợp từ KS Bùi Hồng Sơn (Trung tâm UD CNTT & TNMT, Sở TN&MT TP HCM)

và Nguyễn Quang Minh (ĐH Mỏ Địa chất)

Khi đại dịch COVID xảy ra, có rất rất nhiều câu hỏi khác nhau cần giải đáp. Đối với những người nghiên cứu dữ liệu không gian (geo-spatial data science), một trong những câu hỏi quan trọng là: vậy bệnh dịch sẽ hay xuất hiện ở những chỗ nào? Nguy cơ dịch bệnh ở đâu là lớn nhất và đầu tư nguồn lực vào đâu là hiệu quả nhất?

Đã có nhiều nhà khoa học, giới quản lý y tế trên thế giới tìm cách trả lời câu hỏi này để rồi từ đó họ đưa ra các mô hình tính toán chính xác để thành lập các bản đồ nhạy cảm COVID (Covid-19 Vulnerability Index Map – CVI Map). Các bản đồ này đóng góp một phần nào đó vào công tác phòng chống dịch ở nhiều nơi. Tuy nhiên, muốn có được dữ liệu và mô hình để thành lập bản đồ CVI-Map cần có những dữ liệu thống kê hết sức chi tiết để từ đó có thể hình dung tại mỗi địa điểm, khu vực khác nhau thì bệnh dịch sẽ lây nhiễm như thế nào?

1. Bản đồ vùng nhậy cảm tại TP HCM

Trong đợt dịch vừa qua tại TP HCM, nhóm nghiên cứu của KS Bùi Hồng Sơn (thuộc Trung tâm UD CNTT & TNMT, Sở TN&MT TP HCM) đã phân tích mối liên hệ chặt chẽ giữa gần 210k F0 với các thông tin không gian để xác định mức độ nhậy cảm như mật độ dân cư, khoảng cách đến chợ dân sinh, trung tâm thương mại, các khu chung cư, cao ốc, khu công nghiệp, khu chế xuất, các trung tâm hành chính, dịch vụ, mật độ nhà trên 1 ha… Dữ liệu được thu thập từ các nguồn sau:

  • Dữ liệu dân số của World Population năm 2020 độ phân giải 90x90m
  • Dữ liệu các đối tượng hạ tầng kinh tế xã hội của Vietbando

Nhóm đã sử dụng phần mềm mã mở QGIS để xây dựng bản đồ nhạy cảm Covid, đối chiếu với Heatmap dựa theo phân bố F0.

Webinar trình bầy về phương pháp 

 

 

2. Bản đồ vùng nhậy cảm tại TP Hà Nội

Từ mô hình có được ở Thành phố Hồ Chí Minh, nhóm anh Nguyễn Quang Minh (Đại học Mỏ Địa chất) đã xây dựng Bản đồ nhạy cảm Covid cho Thành phố Hà Nội. Mô hình này dựa trên các dữ liệu không gian có sẵn như:

  • Dữ liệu mật độ dân cư (http://www.worldpop.org.uk/)
  • Dữ liệu lớp phủ từ 1990-2020 (https://www.eorc.jaxa.jp/)
  • Dữ liệu lớp phủ với độ phân giải 10m từ ảnh Sentinel – 2, Global data 2020,
  • Dữ liệu vị trí các chợ dân sinh tại Thành phố Hà Nội được crowled từ Google Earth…
  • Vị trí của hơn 3500 ca F0 tại Thành phố Hà Nội (do không có thông tin tọa độ nên nhóm phải tiến hành geocoding thủ công) để đối chứng với kết quả mô hình.

Xem bản đồ tại ĐÂY

 

3. Ứng dụng

Với phương pháp và dữ liệu hiện có, hoàn toàn có thể tiến hành lập các bản đồ tương tự cho các tỉnh, thành phố, hoặc vùng để góp phần cùng Việt Nam sống chung với virus.

Bản đồ giúp cho việc ra quyết định về tập trung xét nghiệm, giám sát, phân bổ nguồn lực điều trị… Ví dụ: thiết lập trạm giám sát (thoát vaccine, biến thể mới…) ở đâu? Dự trù và phân chia nhân sự/thuốc/giường thế nào? Tập trung xét nghiệm ở đâu? Cách ly y tế khu vực nào (nếu chưa có vaccine)? Bản đồ có thể áp dụng cho các bệnh dịch khác với cùng nguyên tắc. Qua đây, chúng ta có thể thấy vấn đề quản lý và quy hoạch đô thị cần nghiêm túc xem xét lại.

Minh họa phương án phân bổ túi thuốc tại TP HCM

Minh họa phương án xét nghiệm cộng đồng theo không gian địa lý tại TP HCM và Hà Nội

Phương pháp này sẽ giúp việc xét nghiệm cộng đồng hiệu quả hơn. Phương pháp này không thay thế phương pháp xét nghiệm truy vết và giám sát dịch tễ.




Minh họa phương án xét nghiệm bằng dữ liệu từ Ổ dịch Văn chương – Văn Miếu tại Hà Nội (23-7-28/8/2021)


Ưu điểm của phương pháp:
– Vùng xét nghiệm giảm nên chi phí xét nghiệm giảm theo.
– Dựa vào yếu tố địa lý (độ nhạy cảm): dân số, giao thông, căn hộ,… nên khả năng phát hiện F0 nhanh hơn, tập trung hơn.
– Xác định vùng xét nghiệm linh động, thu hẹp hay mở rộng phụ thuộc vào thực tế phát hiện F0 và đặc điểm cư trú của F0.
– Không phụ thuộc vào ĐGHC giữa 2 xã hoặc khu phố nên khả năng phát hiện F0 rộng hơn trong một lần xét nghiệm.
– Dựa vào đặc điểm địa hình có thể giảm kích thước vùng xét nghiệm -> giảm đối tượng vùng xét nghiệm (Ví dụ: cách nhau bởi kênh, đường lớn,…)

Khuyết điểm:
– Bỏ sót F0 nếu so với xét nghiệm toàn khu phố hoặc toàn phường.
– Cần có dữ liệu bản đồ với các thông tin cần thiết để xác định phạm vi vùng xét nghiệm
– Cần có kiến thức thêm về bản đồ.
– Phối hợp xét nghiệm giữa khu phố với khu phố, phường với phường ở khu vực ráp ranh phải chặt chẽ, đồng bộ.

5F

Phân tích, nhận định số liệu COVID dựa trên…

Phần 1 https://www.youtube.com/watch?v=RbbT_2Xn15I Phần 2 https://www.youtube.com/watch?v=gmGYF95niW8
5F 5F
4 sec read

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *