研究
,体积:18 (1)横断面研究气候指标之间的相关性和Covid-19流行在22个印度的主要国家
收到:2021年12月27日,手稿。tse - 21 - 43568;编辑分配:2022年1月30日;前质量控制。tse - 21 - 43568 (PQ);综述:2022年1月07,QC。tse - 21 - 43568;修改后:2022年1月17日,手稿没有:tse - 21 - 43568 (R);发表:2022年1月27日,DOI: 10.37532 / environmental-science.2022.18.210
引用:Manikanta b .横断面研究之间的关系气候在22个主要指标和Covid-19流行的印度。环境科学印第安纳j . 18 (01): 210
文摘
本研究旨在分析之间的关系气候在16个主要国家印度和covid-19流行。本研究采用二次数据分析监测数据的covid-19 NDTV电晕病毒国家中心的网站(https://www.ndtv.com/coronavirus/fullcoverage)和天气环境信息(NCEI) (https://www.ncei.noaa.gov/access/search)。天气的组件包括最低温度(0 c),最高温度(0 c),温度平均(0 c),降雨量(mm)。斯皮尔曼等级相关等统计测试,人相关,肯德尔相关用于数据分析。在天气的组件中,只有温度平均(0 c),明显与covid-19大流行(r = 0.392;p < . 01)从1月至5月,但5月至10月在降雨时只图降雨明显与covid-19大流行(r = 0.392;p < . 01)。这个发现作为一个输入减少发病率covid-19的16个主要国家潜在的印度气候的因素。这项研究的发现将帮助世界健康组织和健康监管机构疾病控制中心(CDC)等战斗COVID-19在印度和世界其他地区。
关键字
Celosia;干旱胁迫;DUF538;基因表达;实时聚合酶链反应
介绍
Hubli COVID-19大流行可能从武汉开始,中国在世界健康组织了信息在12月31日,2020年。他们收到的信息不明病因学。疫情被正式命名COVID-19 2月11日,2020年。这是作为一个传染病导致公众承认健康紧急情况,后与在中国迅速蔓延,蔓延在中国移动进一步24个国家之间地理上位于42.9370840 n - 75.61070 - e (1]。在研究关于COVID-19传播大部分临床医生和医学专家报告说,一个人患有电晕病毒有呼吸困难和肺炎(2,3)有一些类似的临床治疗或电晕相关症状病毒疾病即和SARS等可引起发热、咳嗽和呼吸困难由于呼吸障碍,在最坏的情况COVID-19也会导致肾衰竭,肺炎,甚至死亡。COVID-19流行杀死了大量的世界各地的人们已经证明,这是一个致命的病毒需要早期迅速消失在整个世界。
COVID-19有一定的体征和症状,使我们意识到日冕病毒我们体内的急性呼吸道疾病,如发热、呼吸急促发烧和咳嗽。平均潜伏期。有时,电晕病毒会消失也可以是4 - 5天内只要14天。在救世主情况下像人们通常有一个休闲的情况下可以很容易地与电晕病毒他们可以放心了,他们也可以恢复,但如果它是一个严重的情况下它有一些症状如沉重的呼吸问题,沉重的发烧和x射线显示广泛的肺炎和急性呼吸系统综合症。SARS的临床症状,即相似的临床症状和救世主COVID-19患者至关重要。
COVID-19流行病一直为印度领土第一例报道2020年1月30日直接从中国起源。部健康和家庭福利确认总例85940复苏的30153人,包括2020年5月16日1迁移和2752人死亡。COVID-19的感染率在印度不正当地影响国家,如美国、中国、意大利、等。我们可以说,在印度COVID-19率为1.7,小于受影响最严重的国家。疫情已经迫使学校,教育机构,办事处保持密切而爆发已经宣布在许多国家流行可敬地受到疾病的影响。提供学术疾病1897年法案通过联合国这个国家。由于流行印度被暂停所有旅游签证像美国、中国、意大利和更多的受影响的国家大多数人,而一些这些国家迁移到印度,印度当时很少的影响(4]。
2020年3月22日在尊敬的首相莫迪印度观察14小时的自愿公共宵禁。政府遵循每一个指令从总理纳伦德拉•莫迪和锁定在75年的印度COVID-19病例被认可。政府也发布在许多大城市加尔各答、孟买和其他一些城市人口稠密的关闭关闭因为COVID-19流行情况。24日晚th3月全国总理下令封锁了21天,影响整个印度的13亿人口。后,总理必须扩展全国锁定直到5月3。但这是不够的,总理扩展封锁了两个星期,直到5月17日(5]。
极端天气条件也可以陪长期改变的因素气候导致西尼罗河病毒的传播病毒在欧洲和美国。前预测的呼吸道疾病,如SARS可以确定气候条件。逐渐的变化气候也直接原因的变量或生物冠和人类之间的相互作用。旋转和SARS的传播病毒可以确定最佳温度、湿度和风速。天气变化明显相关死亡率的变化由于流感大流行6]。
的传播病毒由受几个因素的影响气候条件如温度和湿度的变化也是取决于人口密度。研究气候变化和COVID-19非常有限的研究将有助于防止疾病COVID-19效果。
为了研究天气的影响指标COVID-19疫情kuldip辛格和雅利安人Agarwal[3]花了6最有效的印度马哈拉施特拉邦,德里,古吉拉特邦,拉贾斯坦邦,中央邦和Tamilnadu他们发表了他们的整个研究论文的影响天气指示器COVID-19疫情暴发的多因素的印度。通过循序渐进的研究由Kuldip辛格和雅利安人agarwal我们可以发现有一个重的影响温度、平均温度和湿度与印度COVID-19正相关。所以我们决定检查是否所有22个主要国家我们把我们的论文。在有纸,他们需要2到3个月的数据,所以我们也要检查是否相同的为9个月的数据。所以在我们的论文我们22个州之间的横向研究COVID-19包括新病例的情况下,活跃的情况下,对死亡和恢复情况气候指标最低温度、最高温度、平均温度和PRICIP(降雨)。
研究方法
研究区域
印度是一个国家的亚洲大陆和我带印度的22个州即。马哈拉施特拉邦、古吉拉特邦、拉贾斯坦邦,果阿,喀拉拉邦,安得拉邦,锡金,Uttrakhand,旁遮普,西孟加拉邦,* *,卡纳塔克邦Odisha, Telangana,中央邦、北方邦、特里普拉邦,Tamilnadu,阿萨姆邦,比哈尔邦,查谟和克什米尔,印度。它完全躺在北半球,纬度之间主要的土地延伸804镑和3706、经度68镑07已经和97027吃饱。的热带癌症(23030镑)把两个相等的部分。东南和西南的安达曼和尼科巴群岛的主要土地谎言分别在孟加拉湾和阿拉伯海。印度的国土面积328万平方公里(1269219平方。mi)措施3214公里(1997英里)从北到南,从东到西2933公里(1822英里),它有一个约15200公里的陆地边界和海岸线总长度的近海主要的土地包括安达曼和尼科巴和拉克沙德维普7516。6公里。印度取得了多棱社会经济进步在过去的五年。这块进展显示领域的长足发展农业、工业、科技和整体经济的发展。它还极大地推动了世界历史根据修订的2019年世界人口前景站在印度的人口1352642280 (表1)。
数据收集
电脑数据集在16个州日报covid-19印度的3月1日,2020年到2020年11月15日,来自NDTV电晕病毒国家中心的网站(https://www.ndtv.com/coronavirus/fullcoverage)和天气环境信息(NCEI) (https://www.ncei.noaa.gov/access/search)。数据由COVID总量的情况下,新COVID情况下,活跃COVID情况下,死亡,死亡人数,复苏,复苏,总额最高温度、最低温度、平均温度、降雨(降雨)(表2和表3所示)[7]。
结果
关联表
表1。肯德尔相关系数数据。
肯德尔相关系数 | ||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
与活跃的情况下 | 与新案例 | 与死亡 | 与恢复 | |||||||||||||
州 | 一个 | B | C | D | 一个 | B | C | D | 一个 | B | C | D | 一个 | B | C | D |
美联社 | -0.3 | 0.15 | -0.1 | 0.25 | -0.3 | 17 | -0.1 | 0.25 | -0.27 | 0.15 | -0.09 | 0.23 | -0.3 | -0.13 | -0.1 | 0.25 |
* * | 0.21 | 0.36 | 0.31 | 0.03 | 0.2 | 0.39 | 0.32 | 0.08 | 0.1 | 0.08 | 0.12 | -0.06 | 0.22 | 0.33 | 0.3 | 0.01 |
阿萨姆邦 | 0.19 | 0.45 | 0.43 | 0 | 0.23 | 0.53 | 0.49 | 0.006 | 0.2 | 0.38 | 0.38 | -0.07 | 0.16 | 0.43 | 0.39 | 0.01 |
比哈尔 | 0.05 | 0.4 | 0.27 | 0.12 | 0.03 | 0.4 | 0.26 | 0.14 | 0.01 | 0.26 | 0.17 | 0.07 | 0.02 | 0.35 | 0.23 | 0.12 |
德里 | 0.08 | 0.23 | 0.15 | -0.1 | 0.01 | 0.19 | 0.1 | -0.13 | 0.18 | 0.24 | 0.21 | 0.06 | -0.01 | 0.17 | 0.07 | -0.12 |
果阿 | -0.4 | -0.3 | -0.4 | 0.37 | -0.4 | -0.28 | -0.4 | 0.38 | -0.31 | -0.3 | -0.31 | 0.25 | -0.32 | -0.26 | -0.3 | 0.32 |
古吉拉特邦 | -0.2 | 0.09 | -0.1 | 0.21 | -0.2 | 0.09 | -0.1 | 0.23 | 0.16 | 0.48 | 0.36 | 0.17 | -0.17 | 0.06 | -0.1 | 0.18 |
查谟克什米尔 | 0.36 | 0.26 | 0.32 | -0.2 | 0.33 | 0.25 | 0.3 | -0.17 | 0.37 | 0.26 | 0.33 | -0.17 | 0.28 | 0.18 | 0.24 | -0.21 |
卡纳塔克邦 | -0.5 | -0.3 | -0.6 | 0.2 | -0.5 | -0.16 | -0.5 | 0.25 | -0.55 | -0.2 | -0.49 | 0.27 | 0.55 | -0.21 | -0.5 | 0.25 |
喀拉拉邦 | -0.4 | -0.4 | -0.5 | 0.04 | -0.5 | -0.39 | -0.5 | 0.05 | -0.39 | -0.3 | -0.41 | 0.01 | 0.39 | -0.35 | -0.4 | 0.04 |
马哈拉施特拉邦 | -0.3 | -0.1 | -0.1 | 0.34 | -0.3 | 0.07 | -0.2 | 0.39 | -0.33 | 0.08 | 0.14 | 0.43 | -0.23 | 0.04 | -0.1 | 0.32 |
国会议员 | -0.1 | 0.07 | -0.1 | 0.11 | -0.2 | 0.06 | -0.1 | 0.11 | -0.15 | 0.11 | -0.03 | 0.12 | -0.2 | 0.01 | -0.1 | 0.09 |
Odisha | -0.3 | 0.19 | -0.1 | 0.18 | -0.3 | 0.21 | -0.9 | 0.208 | -0.39 | 0.02 | -0.24 | 0.14 | -0.33 | 0.15 | -0.1 | 0.17 |
旁遮普 | 0.14 | 0.3 | 0.24 | -0.1 | 0.13 | 0.34 | 0.26 | -0.07 | 0.1 | 0.3 | 0.21 | -0.1 | 0.14 | 0.3 | 0.21 | -0.11 |
拉贾斯坦邦 | -0.1 | 0.01 | -0.1 | 0 | -0.1 | 0.01 | -0.1 | -0.03 | -0.1 | 0.06 | -0.03 | 0.02 | -0.15 | -0.02 | -0.1 | 0.01 |
锡金 | 0.37 | 0.41 | 0.42 | 0.07 | 0.33 | 0.03 | 0.32 | -0.02 | 0.13 | 0.01 | 0.07 | -0.16 | 0.34 | 0.27 | 0.32 | -0.05 |
Tamilnadu | -0.1 | 0.01 | 0 | 0.29 | -0.1 | 0.01 | 0 | 0.28 | -0.1 | 0.02 | -0.03 | 0.29 | -0.14 | 0 | -0.1 | 0.3 |
Telengana | -0.5 | -0.2 | -0.4 | 0.25 | -0.4 | -0.14 | -0.3 | 0.3 | -0.41 | -0.1 | -0.29 | 0.34 | -0.47 | -0.21 | -0.4 | 0.25 |
特里普拉邦 | 0.03 | 0.44 | 0.32 | 0.18 | 0.01 | 0.42 | 0.3 | 0.2 | 0.03 | 0.31 | 0.23 | 0.1 | 0.01 | 0.38 | 0.27 | 0.13 |
向上 | 0.07 | 0.38 | 0.27 | 0.05 | 0.06 | 0.39 | 0.28 | 0.06 | 0.07 | 0.39 | 0.28 | 0.05 | 0.05 | 0.33 | 0.23 | 0.02 |
Uttrakhand | 0.16 | 0.31 | 0.25 | 0 | 0.12 | 0.3 | 0.25 | -0.01 | 0.06 | 0.19 | 0.13 | -0.04 | 0.1 | 0.25 | 0.19 | -0.02 |
西孟加拉 | -0.2 | 0.12 | 0 | 0.02 | -0.2 | 0.13 | 0 | 0.01 | -0.12 | 0.19 | 0.05 | 0.05 | -0.16 | 0.12 | 0 | 0.01 |
注意:最高温度,B:最低温度,C:平均温度,D:降水(降雨),E:新病例,F:活跃的情况下,旅客:死亡,H:复苏
表2。斯皮尔曼相关系数数据。
斯皮尔曼相关系数 | ||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
与活跃的情况下 | 与新案例 | 与死亡 | 与恢复 | |||||||||||||
州 | 一个 | B | C | D | 一个 | B | C | D | 一个 | B | C | D | 一个 | B | C | D |
美联社 | 0.38 | 0.22 | -0.13 | 0.34 | -0.4 | 0.23 | -0.1 | 0.34 | -0.38 | 0.22 | -0.1 | 0.3 | -42年 | 0.2 | -0.17 | 0.34 |
* * | 0.3 | 0.51 | 0.44 | 0.04 | 0.28 | 0.55 | 0.45 | 0.11 | 0.13 | 0.1 | 0.14 | -0.1 | 0.3 | 0.47 | 0.42 | 0.008 |
阿萨姆邦 | 0.27 | 0.65 | 0.61 | -0.02 | 0.32 | 0.73 | 0.68 | 0.006 | 0.27 | 0.53 | 0.52 | -0.1 | 0.22 | 0.62 | 0.57 | -0.01 |
比哈尔 | 0.08 | 0.53 | 0.38 | 0.17 | 0.05 | 0.53 | 0.37 | 0.19 | 0 | 0.35 | 0.23 | 0.09 | 0.04 | 0.48 | 0.33 | 0.17 |
德里 | 0.1 | 0.28 | 0.21 | -0.17 | 0.03 | 0.23 | 0.14 | -0.18 | 0.24 | 0.31 | 0.3 | -0.1 | 0 | 0.21 | 0.12 | -0.16 |
果阿 | -0.49 | -0.36 | -0.48 | 0.42 | -0.5 | -0.37 | -0.5 | 0.45 | -0.41 | -0.3 | -0.4 | 0.28 | -0.46 | -0.3 | -0.45 | 0.38 |
古吉拉特邦 | -0.27 | 0.13 | -0.1 | 0.28 | -0.3 | 0.12 | -0.1 | 0.31 | 0.24 | 0.66 | 0.5 | 0.21 | -0.27 | 0.08 | -0.14 | 0.24 |
查谟克什米尔 | 0.49 | 0.28 | 0.41 | -0.25 | 0.46 | 0.28 | 0.39 | -0.22 | 0.52 | 0.35 | 0.46 | -0.2 | 0.39 | 0.16 | 0.3 | -0.27 |
卡纳塔克邦 | -0.75 | -0.29 | -0.77 | 0.25 | -0.7 | -0.18 | -0.7 | 0.31 | -0.73 | -0.2 | -0.7 | 0.33 | -0.75 | -0.2 | -0.73 | 0.31 |
喀拉拉邦 | -0.6 | -0.54 | -0.65 | 0.06 | -0.6 | -0.55 | -0.7 | 0.07 | -0.53 | -0.5 | -0.6 | 0.01 | -0.57 | -0.5 | -0.61 | 0.05 |
马哈拉施特拉邦 | -0.37 | 0.08 | -0.17 | 0.47 | -0.4 | 0.1 | -0.2 | 0.54 | -0.46 | 0.13 | -0.2 | 0.58 | -0.33 | 0.07 | -0.16 | 0.44 |
国会议员 | -0.29 | 0.1 | -0.14 | 0.14 | -0.3 | 0.09 | -0.1 | 0.15 | -0.23 | 0.18 | -0.1 | 0.16 | -0.32 | 0.03 | -0.2 | 0.11 |
Odisha | -0.44 | 0.29 | -0.13 | 0.26 | -0.4 | 0.3 | -0.1 | 0.27 | -0.53 | 0.03 | -0.2 | 0.18 | -0.47 | 0.23 | -0.18 | 0.24 |
旁遮普 | 0.22 | 0.44 | 0.33 | -0.12 | 0.2 | 0.48 | 0.36 | -0.09 | 0.15 | 0.42 | 0.3 | 0.13 | 0.22 | 0.4 | 0.31 | -0.14 |
拉贾斯坦邦 | -0.16 | 0.03 | -0.09 | -0.03 | -0.2 | 0.01 | -0.1 | 0.05 | -0.15 | 0.1 | 0 | 0.03 | -0.2 | 0 | -0.14 | 0.007 |
锡金 | 0.53 | 0.6 | 0.61 | 0.1 | 0.46 | 0.42 | 0.47 | -0.03 | 0.17 | 0.01 | 0.09 | -0.2 | 0.46 | 0.4 | 0.46 | 0.07 |
Tamilnadu | -0.2 | 0.01 | -0.08 | 0.38 | -0.2 | 0 | -0.1 | 0.37 | -0.19 | 0.02 | 0.06 | 0.37 | -0.26 | 0 | -0.13 | 0.39 |
Telengana | -0.68 | -0.25 | -0.59 | 0.3 | -0.7 | -0.19 | -0.5 | 0.36 | -0.59 | -0.1 | 0.04 | 0.4 | -0.68 | -0.3 | -0.6 | 0.3 |
特里普拉邦 | 0.04 | 0.61 | 0.47 | 0.25 | 0.02 | 0.6 | 0.44 | 0.26 | 0.03 | 0.4 | 0.31 | 0.12 | 0.01 | 0.55 | 0.39 | 0.17 |
向上 | 0.09 | 0.5 | 0.36 | 0.06 | 0.09 | 0.53 | 0.38 | 0.08 | 0.1 | 0.55 | 0.4 | 0.06 | 0.08 | 0.45 | 0.32 | 0.03 |
Uttrakhand | 0.23 | 0.4 | 0.35 | -0.03 | 0.19 | 0.42 | 0.35 | -0.01 | 0.09 | 0.27 | 0.2 | -0.1 | 0.16 | 0.35 | 0.28 | -0.03 |
西孟加拉 | -0.24 | 0.19 | -0.04 | 0.04 | -0.2 | 0.2 | 0 | 0.02 | -0.17 | 0.28 | 0.04 | 0.07 | -0.23 | 0.19 | -0.03 | 0.02 |
注意:最高温度,B:最低温度,C:平均温度,D:降水(降雨),E:新病例,F:活跃的情况下,旅客:死亡,H:复苏
表3。人相关系数数据。
人相关系数 | ||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
与活跃的情况下 | 与新案例 | 与死亡 | 与恢复 | |||||||||||||
州 | 一个 | B | C | D | 一个 | B | C | D | 一个 | B | C | D | 一个 | B | C | D |
美联社 | -0.4 | 0.15 | -0.1 | 0 | -0.3 | 0.17 | -0.12 | 0.009 | -0.33 | 0.19 | -0.1 | -0.01 | -0.37 | 0.13 | -0.2 | 0.003 |
* * | 0.33 | 0.33 | 0.38 | -0.06 | 0.3 | 0.43 | 0.41 | -0.03 | 0.113 | 0.08 | 0.12 | -0.03 | 0.31 | 0.33 | 0.36 | -0.05 |
阿萨姆邦 | 0.28 | 0.52 | 0.49 | -0.11 | 0.33 | 0.57 | 0.55 | -0.101 | 0.26 | 0.45 | 0.43 | -0.11 | 0.23 | 0.53 | 0.47 | -0.11 |
比哈尔 | 0.03 | 0.39 | 0.28 | -0.07 | 0.03 | 0.42 | 0.29 | -0.06 | 0.04 | 0.27 | 0.2 | -0.06 | 0.01 | 0.36 | 0.25 | -0.06 |
德里 | 0.01 | 0.14 | 0.08 | -0.02 | -0.2 | -0.1 | -0.12 | -0.07 | 0.191 | 0.17 | 0.2 | 0.012 | -0.16 | -0.06 | -0.1 | -0.009 |
果阿 | -0.5 | -0.5 | -0.6 | 0.41 | -0.5 | -0.4 | -0.47 | 0.37 | -0.32 | -0.32 | -0.37 | 0.22 | -0.39 | -0.39 | -0.5 | 0.31 |
古吉拉特邦 | -0.3 | 0.17 | -0.1 | -0.04 | -0.4 | 0.19 | -0.11 | -0.03 | 0.26 | 0.63 | 0.52 | -0.03 | -0.36 | 0.08 | -0.2 | 0.001 |
查谟克什米尔 | 0.36 | 0.01 | 0.25 | -0.03 | 0.35 | 0.17 | 0.28 | 0.04 | 0.44 | 0.28 | 0.38 | -0.01 | 0.22 | -0.05 | 0.09 | -0.04 |
卡纳塔克邦 | -0.6 | -0.4 | -0.6 | 0.08 | -0.7 | -0.2 | -0.61 | 0.26 | -0.65 | -0.1 | -0.58 | 0.31 | -0.64 | -0.26 | -0.6 | 0.23 |
喀拉拉邦 | -0.4 | -0.4 | -0.4 | -0.03 | -0.4 | -0.4 | -0.46 | -0.05 | -0.39 | -0.39 | -0.44 | -0.03 | -0.33 | -0.34 | -0.4 | -0.05 |
马哈拉施特拉邦 | -0.4 | 0.12 | -0.1 | 0.02 | -0.4 | 0.15 | -0.15 | -0.01 | -0.42 | -0.19 | -0.13 | 0.004 | -0.28 | 0.08 | -0.1 | 0.05 |
国会议员 | -0.3 | 0.05 | -0.2 | 0.01 | -0.3 | 0.08 | -0.12 | -0.01 | -0.23 | 0.19 | -0.02 | 0.02 | -0.26 | -0.01 | -0.2 | 0.008 |
Odisha | -0.4 | 0.19 | -0.2 | 0.02 | -0.4 | 0.23 | -0.13 | 0.03 | -0.51 | 0.01 | -0.34 | -0.03 | -0.42 | 0.15 | -0.2 | 0.01 |
旁遮普 | 0.14 | 0.35 | 0.27 | -0.1 | 0.14 | 0.39 | 0.3 | -0.09 | 0.11 | 0.34 | 0.26 | -0.09 | 0.13 | 0.27 | 0.22 | -0.1 |
拉贾斯坦邦 | -0.3 | -0.1 | -0.2 | -0.01 | -0.3 | -0.1 | -0.22 | -0.02 | -0.07 | 0.15 | 0.04 | -0.03 | -0.27 | -0.17 | -0.2 | -0.02 |
锡金 | -0.1 | 0.49 | 0 | -0.11 | 0 | 0.31 | -0.03 | -0.09 | -0.02 | 0.08 | -0.02 | 0.06 | -0.03 | 0.25 | 0 | -0.08 |
Tamilnadu | -0.3 | -0.1 | -0.2 | 0.22 | -0.3 | -0.1 | -0.02 | 0.2 | -0.22 | -0.05 | -0.16 | 0.15 | -0.39 | -0.2 | -0.3 | 0.23 |
Telengana | -0.7 | -0.4 | -0.6 | 0.24 | -0.7 | -0.3 | -0.57 | 0.32 | -0.57 | -0.07 | -0.42 | 0.4 | -0.68 | -0.37 | -0.6 | 0.24 |
特里普拉邦 | 0.05 | 0.43 | 0.34 | -0.05 | 0.06 | 0.45 | 0.36 | -0.06 | 0.07 | 0.35 | 0.29 | -0.06 | 0.02 | 0.4 | 0.31 | -0.4 |
向上 | 0.04 | 0.36 | 0.25 | -0.04 | 0.04 | 0.43 | 0.29 | -0.03 | 0.1 | 0.48 | 0.35 | -0.03 | 0.04 | 0.32 | 0.22 | -0.04 |
Uttrakhand | 0.12 | 0.24 | 0.21 | 0.12 | 0.11 | 0.28 | 0.24 | -0.12 | 0.07 | 0.1 | 0.09 | -0.08 | 0.1 | 0.17 | 0.15 | -0.12 |
西孟加拉 | -0.2 | -0.1 | -0.1 | -0.23 | -0.2 | 0.11 | -0.06 | -0.23 | -0.18 | 0.21 | 0.02 | -0.22 | -0.23 | 0.02 | -0.1 | -0.22 |
注意:最高温度,B:最低温度,C:平均温度,D:降水(降雨),E:新病例,F:活跃的情况下,旅客:死亡,H:复苏
讨论
从上面的图中显示,发生在印度和它的22个州COVID-19显示了快速增长。1圣2020年3月1日,案件被发现在喀拉拉邦作为我们的数据和在某些天差距遍布印度和及其16个州。受影响最严重的国家,在我们的数据是马哈拉施特拉邦,Tamilnadu德里。天气数据显示,所有国家的最低温度是15到25岁,最高温度是35到45。我们在哪里可以找到的平均温度在20到30之间。我们看到的最低降雨量是0毫米和最高是164毫米。
在上面我们发现三个相关表是1圣是负责人肯德尔,下一个是斯皮尔曼和其他是皮尔森。上面的表给我们之间的相关性气候指标如最高温度、最低温度等对新covid情况下,活跃covid情况等。从表中我们看到的新病例covid是专门与降雨和最低温度,而活跃的情况下是与降雨和最小温度和covid 19的死亡案例与降雨和最小温度和复苏还取决于降雨和最低温度的状态(8]。
在我们的研究中气候改变了的照片covid 19日发生在印度的22个国家。我们找到最低温度和降雨与COVID-19显著相关。最高温度和平均温度与COVID-19[没有显著相关9,10]。
当我们考虑该州州没有降雨,降雨多,我们在研究中发现,在没有降雨最小和平均温度的两个主要因素是covid总情况下,活跃的情况下,死亡,和恢复。但在的地方有更多的降雨的唯一因素是降雨发挥着重要的作用。
让我们考虑到22个国家在6月1日和6月1日之后。当我们把全部数据两部分,然后分别计算相关,那么我们可以在6月1日之前找到雨少所以我们发现没有降雨或covid-19降雨的影响。我们发现降雨量和降雨是负相关的。但当降雨量有图片从6月1日单词当季风covid案件现在与降雨直接相关。
安得拉邦:这里我们看到covid案例是快速增长的现在一天季风降雨和更多数量的增长。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡,和恢复。
* *:在阿鲁纳恰尔邦,我们看到雨少,直到现在,我们看到covid并非如此快速增长。这里我们看到covid案例与最低温度,这里起着重要的作用。
阿萨姆邦:在阿萨姆邦,我们看到雨少,直到现在,我们看到covid并非如此快速增长。这里我们看到covid案例与最低温度,这里起着重要的作用。同样,对于活跃情况、死亡和复苏最低温度是重要的因素(图1)。
比哈尔:在比哈尔邦,我们看到雨少,直到现在我们看到covid不是更快增长。降雨量较少的比较。这里我们看到covid案例与最低温度,这里起着重要的作用。同样对于活跃情况、死亡和复苏最低温度是重要的因素(图2)。
新德里:在新德里,我们看到雨少,直到现在,我们看到covid增长更快。这里我们看到covid案例与最低温度,这里起着重要的作用。如果降雨能进入图片,那么我们不能控制它,因为它是控制位置(图3)。
果:在果阿我们看到covid案件迅速增长的一天,现在一天季风来和更多的降雨的数量正在增加。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡和恢复(图4)。
古吉拉特邦:在古吉拉特邦我们看到covid情况正在快速增长的一天,现在一天季风来和更多的降雨的数量正在增加。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡和恢复(图5)。
查谟和克什米尔:在查谟和克什米尔我们看到降雨较少,直到现在我们看到covid不是更快增长。这里我们看到covid案例与最高温度和在这里起着重要的作用。因为少降雨covid情况部分与其他状态(图6)。
卡纳塔克邦:在卡纳塔克邦我们看到covid情况正在快速增长的一天,现在一天季风来和更多的降雨的数量正在增加。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡和恢复(图7)。
喀拉拉邦:这里我们看到covid案例是快速增长的现在一天季风降雨和更多数量的增长。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡和恢复(图8)。
马哈拉施特拉邦:在马哈拉施特拉邦我们看到covid案件迅速增长的一天,现在一天季风来和更多的降雨的数量正在增加。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡,和恢复。我们也试图找到与最低温度的相关性,但我们发现,当降雨锥最低温度的作用变得不那么(图9)。
中央邦:在中央邦我们看到covid情况正在快速增长,现在一天一天这里季风降雨和更多数量的增长。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡和恢复(图10)。
Odisha:在Odisha我们看到降雨较少,直到现在,我们看到covid增长更快。这里我们看到covid案例与最低温度,这里起着重要的作用。如果降雨进入画面,那么covid情况变得更加相比其他状态(图11)。
拉贾斯坦邦:在拉贾斯坦邦,我们看到雨少,直到现在我们看到covid不是更快增长。这里我们看到covid案例与最低温度,这里起着重要的作用。这里降雨量并不扮演任何的角色,因为这里下雨有10 - 12天的间隔(图12)。
锡金:在锡金,我们看到雨少,直到现在,我们看到covid并非如此快速增长。这里我们看到covid情况与平均温度和在这里起着重要的作用。同样,对于活跃情况、死亡和恢复平均温度是重要的因素(图13)。
Tamilnadu:这里我们看到covid情况正在快速增长,现在一天一天季风来和更多的降雨的数量正在增加。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡和恢复(图14)。
Telangana:建邦者在纳看到covid案件迅速增长的一天,现在一天季风来和更多的降雨的数量正在增加。这里我们看到了降雨量增加的主要原因是covid情况下,活跃的情况下,死亡,和恢复。因为现在下雨一天covid案件日益与6月1日之前(图15)。
特里普拉邦:在特里普拉邦我们看到降雨较少,直到现在我们看到covid不是更快增长。这里我们看到covid案例与最低温度,这里起着重要的作用。同样,对于活跃情况、死亡和复苏最低温度是重要的因素(图16)。
北方邦:在北方邦,我们看到雨少,直到现在,我们看到covid并非如此快速增长。这里我们看到covid案例与最低温度,这里起着重要的作用。如果降雨量有图片那么covid情况变得更加相比其他状态(图17)。
Uttrakhand:在Uttrakhand我们看到降雨较少,直到现在,我们看到covid并非如此快速增长。这里我们看到covid案例与最低温度,这里起着重要的作用。这里降雨量并不扮演任何的角色,因为这里下雨有10 - 12天的间隔(图18)。
西孟加拉邦:在西孟加拉邦,我们看到雨少,直到现在我们看到covid不是更快增长。这里我们看到covid案例与最低温度,这里起着重要的作用。同样,对于活跃情况、死亡和复苏最低温度是重要的因素(图19)。
相反的天气,高covid-19病例在印度也非常高的流动造成的。印度首都新德里,马哈拉施特拉邦,Tamilnadu是求职者的主要经济目标来自不同的地区在印度。德里、马哈拉施特拉邦、Tamilnadu人口密度也很高,这使得Covid-19传播非常快。
建邦者covid案例在国家喀拉拉邦,果阿纳等正逐渐减少,因为政府的状态开始封锁,检疫的人来自外部的国家,raid电晕测试是covid减少的情况下扮演着重要的角色。人们的州也遵循政府。规则适当检疫在封锁期间自己在家里。
covid病例在德里,马哈拉施特拉邦、古吉拉特邦拉贾斯坦邦现在无法控制。covid传播的迅速增加。的主要问题有穆斯林一起在德里。许多穆斯林世界各地的人们加入及其在传播中发挥重要作用的covid 19日在印度和它的所有状态。现在covid案例逐渐增加Odisha Odisha也因为所有人的工作在其他州现在正在大量Odisha,来自红色区域其他国家的人们现在痛苦与COVID-19 Odisha现在这是一个非常大的问题。
covid-19天气的重要发现,本研究有一定的局限性:首先,这种疾病是由病毒引起的,许多因素需要调查等病毒电阻、人口流动和人口的耐力。第二,个人健康因素,如洗手习惯,个人卫生,使用洗手液可能是其他相关因素的covid-19需要探索。然而,这项研究只是一个初步分析。强大的结论需要时间和一个漫长的数据集
结论
的气候指标是一个重要的因素在决定covid-19的发生率在印度和它的22个州。气候指标积分对抗印度covid酪蛋白。PRICIP和温度最低covid-19有显著相关性。我们的研究结果可以作为输入减少Covid-19疾病在印度连同它的22个州。之前我们在报纸上看到“天气指示器对COVID-19爆发的影响:一个多态研究在印度“Kuldeep辛格和雅利安人Agarwal他们说有关联的平均温度和湿度COVID-19在印度。但是在我们的论文我们发现它不是当我们正在数据4月等等。因为在那个时候没有降雨的影响,但当季风进入印度,我们看到COVID-19案件迅速增加在季风的比较。所以我们看到的最低温度和PRICIP在COVID-19爆发扮演重要的角色在我们大数据。
引用
- 安德森RM, Heesterbeek H,克林肯伯格D, et al。符合国情的缓解措施将如何影响COVID-19流行的课程吗?。《柳叶刀》杂志。2020;395 (1028):931 - 34。
- 陈B,梁H,元X, et al。角色的气象条件COVID-19在全球范围内传播。地中海Rxiv》2020。
- 郭XJ,张H,曾庆红YP。遗传性的COVID-19 11在中国主要城市及其与温度和湿度。感染说贫困。2020;9:87。
- Kuldeep年代,雅利安人。天气指示器COVID-19疫情的影响:在印度多态研究。地中海里克斯》2020。
- 普尔L。季节性影响的传播SARS-Cov-2 (COVID19),因果关系,forecastabililty (3-15-2020)。SSRN。2020年。
- 牛通用。天气和死于肺炎。《柳叶刀》杂志。1980;315:1405-08。
- 严施P,董Y, H,等。温度和绝对湿度的影响2019年冠状病毒病(COVID - 19) outbreak-evidence来自中国。地中海Rxiv》2020。
- 黄棕褐色J,μL, J,等。初步调查的非典疫情和天气之间的关系:与视图的环境温度及其变化。增加社区卫生。2005;59 (3):186 - 192。
- 元J, Yun H,局域网W, et al。冠的气候学的调查疫情在北京,中国。感染控制。2006;34 (4):234 - 36。
- 刘赵马Y, Y, J,等。温度和湿度变化的影响在武汉covid-19的死亡率。地中海Rxiv》2020。