• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Förutsägelse av mänsklig rörelse under katastrofer kan möjliggöra effektivare nödåtgärder

    Kredit:Unsplash/CC0 Public Domain

    Covid-19-pandemin, större och mer frekventa skogsbränder, förödande översvämningar och kraftiga stormar har blivit olyckliga fakta i livet. Med varje katastrof är människor beroende av nödåtgärder från regeringar, ideella organisationer och den privata sektorn för att få hjälp när deras liv sätts omkull. Men en komplicerande faktor för att ge det stödet är att människor tenderar att skingras med sådana katastrofer.

    Nyligen formulerade ett team under ledning av Jianxi Gao, biträdande professor i datavetenskap vid Rensselaer Polytechnic Institute, och Qi "Ryan" Wang, docent i civil- och miljöteknik vid Northeastern University, en metod för att förutsäga mänskliga rörelser under storskaliga extrema händelser med målet att möjliggöra effektivare räddningsinsatser. Modellen avslöjade också stora skillnader i rörelse mellan olika ekonomiska grupper.

    "Trots många möjliga variabler fann vi att förändringar i mänskligt rörlighetsbeteende under olika extrema händelser uppvisar en konsekvent hyperbolisk nedgång", säger Gao. "Vi kallar det 'spatiotemporalt förfall'."

    Vanligtvis följer människors rörelser förutsägbara mönster. När en extrem händelse stör mönstret, hänvisar forskare till det som en "rörlighetsstörning". Till exempel kan människor sluta pendla till jobbet, eller de kan ändra sin rutt eller till och med evakuera till ett härbärge. Dessa rörlighetsstörningar orsakar inte bara utmaningar när man levererar hjälp, utan de leder också till ekonomiska, medicinska och livskvalitetsmässiga återverkningar. Arten, omfattningen och varaktigheten av rörlighetsstörningar varierar kraftigt.

    Gaos team spårade anonyma rörelser för 90 miljoner människor i USA under sex storskaliga katastrofer inklusive skogsbränder, tropiska stormar, vinterfrysning och pandemier för att utveckla en enhetlig modell.

    "Vår modell avslöjar den underliggande enhetligheten över variabler genom att införliva heterogenitet över rymden och över tiden," sa Gao. "Vi hittade starka regelbundenheter i hur mycket rörlighetsbeteende förändras efter extrema händelser och i hur snabbt rörlighetsbeteendet återgår till det normala, vilket gör att vi kan förutsäga komplexa mänskliga beteenden under storskaliga kriser."

    Gaos team fann att människor som lever nära kärnan i krisen – ground zero, eller där en storm slår till – begränsar sin rörlighet avsevärt och snabbt. De som bor längre bort ändrar inte sina rörelsemönster lika drastiskt. Detta är vad som kallas "spatialt förfall". Med tiden återgår rörlighetsmönster antingen till det normala, tum mot det normala eller blir ännu mer störda. Teamet redogjorde för dessa variabler genom att också överväga "tidsförfall".

    När teamet tillämpade modellen på covid-19-pandemin avslöjade den stora skillnader i rörelse mellan ekonomiska grupper, vilket kan hjälpa till att förklara de olika infektionsfrekvenserna. Människor från rika områden kunde omedelbart minska sin rörlighet och behålla den förändringen längre. Människor som bodde i områden med lägre inkomster uppvisade ett snabbare och större hyperboliskt förfall.

    "Med andra ord, rikare människor kunde distansera sig socialt", sa Gao. "Människor med lägre inkomster tvingades återgå till arbetet."

    "Om de senaste årens händelser har lärt oss något så är det att vi måste göra vårt bästa för att förbereda oss för kriser", säger Curt Breneman, dekanus vid Rensselaer School of Science. "Detta arbete av Dr. Gao och hans team kan informera förbättrad och proaktiv räddningsinsatsplanering för att mildra framtida extrema händelser. Det lyser också ljuset på ihållande sociala orättvisor som vi måste hitta nya sätt att ta itu med."

    Forskningen publiceras i Proceedings of the National Academy of Sciences . + Utforska vidare

    Analyser av sambandet mellan människors rörlighet och SARS-CoV-2-spridning avslöjar tre grupper av länder




    © Vetenskap https://sv.scienceaq.com