Två COVID-19-pandemikurvor uppstod i många städer under ettårsperioden från mars 2020 till mars 2021.

Underligt, antalet totala dagliga infektioner som rapporterats under den första vågen är mycket lägre än den andra, men det totala antalet dagliga dödsfall som rapporterats under den första vågen är mycket högre än den andra vågen.

Denna motsägelse inspirerade forskare från University of Nicosia på Cypern att utforska osäkerheten i det dagliga antalet infektioner som rapporterades under den första vågen, orsakad av otillräcklig kontaktspårning mellan mars och april 2020.

I Vätskors fysik , Talib Dbouk och Dimitris Drikakis rapporterar att de använder vätskedynamik i omgivningen – avancerad multiskalig multifysisk beräkningsmodellering och simuleringar – för att utveckla ett konstitutivt förhållande mellan väderförhållanden, säsongsvariationer, såsom temperatur, relativ luftfuktighet, och vindhastighet, och har två pandemikurvor per år.

"Vi integrerade en ny fysikbaserad relation i en pandemiprognosmodell som exakt förutspådde, som det senare observerades, en andra covid-19-pandemivåg i många städer runt om i världen, inklusive New York, sa Drikakis.

Mest, om inte alla, av uppgifterna för det dagliga antalet nya infektioner som rapporterades under den första vågen av pandemin underskattades och användes felaktigt.

"Inom staden New York, vårt arbete visar att det dagliga antalet nya infektioner som rapporterades under den första vågen underskattades med en faktor fyra, " sa Dbouk. "Så, osäkerheten hos förstavågsdata blandat med andravågsdata innebär att de allmänna slutsatserna som dras kan vara missvisande, och alla borde vara medvetna om detta."

Forskarnas arbete är det första kända fallet med att härleda en avancerad kvantifieringsmodell för osäkerhet för de infekterade fallen av pandemins första våg baserad på vätskedynamiska simuleringar av vädereffekter.

"Vår modell är fysikbaserad och kan rätta till brister i första vågens data genom att använda andra vågens datatillräcklighet inom en pandemikurva, ", sa Drikakis. "Vårt föreslagna tillvägagångssätt kombinerar en virusöverföringshastighet som drivs av miljöväder säsongsvariationer med pandemiska multivågsfenomen för att förbättra datanoggrannheten i statistiska förutsägelser."

I framtiden, forskarnas föreslagna modell för kvantifiering av osäkerhet kan hjälpa till att korrigera det globala totala antalet dagliga coronavirusinfektioner som rapporterats av många städer under den första vågen av en pandemi.