Prace podjął zespół badaczy zajmujących się gromadzeniem danych oraz procesem akwizycji wiedzy przestrzennej. Kartografowie z Wydziału Geodezji i Kartografii Politechniki Warszawskiej, informatycy specjalizujący się w kwestiach parametryzowania systemów optymalizacyjnych, systemów wieloagentowych, epidemiolodzy z Narodowego Instytutu Leków oraz z Warszawskiego Uniwersytetu Medycznego, a także specjaliści od geografii społeczno-gospodarczej z Uniwersytetu Warszawskiego i Harvard Medical.

Celem projektu było wypracowanie ogólnej metodologii wieloagentowego modelowania rozwoju pandemii na poziomie regionalnym z uwzględnieniem czynników demograficznych i topograficznych, mobilności mieszkańców oraz przyjętego poziomu ograniczeń. Dla każdej jednostki administracyjnej przygotowano szczegółowy model topograficzny wzbogacony o informacje demograficzne i klimatyczne. Autorzy wykorzystali zestaw zróżnicowanych kryteriów, aby wybrać trzy obszary testowe reprezentatywne dla różnych regionów Polski. Po wielokryterialnej analizie wybrano powiaty: Gołdapski (województwo warmińsko-mazurskie), Pruszkowski (województwo mazowieckie) i Ropczycko-Sędziszowski (województwo podkarpackie).

Cyfrowy model zawiera dane z wielu źródeł

W badaniu użyto metodologię modelowania agentowego (ABM) do sprawdzenia sposobu rozprzestrzeniania się pandemii COVID-19 w Polsce. ABM obejmuje modele obliczeniowe, które symulują działania i interakcje między jednostkami. Do implementacji ABM autorzy wykorzystali narzędzie GAMA - środowisko programistyczne do modelowania i symulacji. Metodologia ABM zakłada symulację zachowań agentów w określonym środowisku, rozumianym jako odniesienie przestrzenne na poziomie poszczególnych powiatów. W badaniu wykorzystano trzy różne obszary testowe modelowane w środowisku programistycznym GIS. Do opracowania modeli przestrzennych wykorzystano dane topograficzne z oficjalnej bazy danych topograficznych. Cyfrowy model topograficzny został wzbogacony o szczegółowe informacje demograficzne dotyczące m.in. rozmieszczenia ludności, poziomu bezrobocia, wieku, płci, miejsc pracy i instytucji edukacyjnych oraz aktywności w czasie wolnym. Model opracowano na podstawie danych z polskiego spisu powszechnego przeprowadzonego przez GUS 17 oraz danych meteorologicznych dostarczonych przez Instytut Meteorologii i Gospodarki Wodnej tj. temperatura, wilgotność, długość dnia. GUS dostarczył dane o poziomie mobilności mieszkańców powiatów, a do analizy mobilności wykorzystano Google'a. Model skalibrowano dzięki danym epidemiologicznym zebranym przez powiatowe stacje sanitarno-epidemiologiczne i udostępnione przez Wydział Systemów Informacyjnych Departamentu Analiz i Strategii Ministerstwa Zdrowia.

Model interakcji czasoprzestrzennych jednostek opracowany przez autorów/nature.com

Opracowany przez naukowców model GIS obejmuje kompleksową sieć ulic, budynków mieszkalnych i biurowych, linii kolejowych i dworców, fabryk, zakładów pracy, galerii handlowych, sklepów, przychodni i szpitali, szkół, instytucji kultury, miejsc kultu, parków i lasów. Każdy mieszkaniec danego powiatu modelowany był jako jednostka mieszkająca w konkretnym budynku, uczęszczający do określonej szkoły, pracujący w określonej firmie, robiący zakupy w osiedlowym sklepie, leczący się w określonej przychodni lub szpitalu. Pod uwagę wzięto również atrybuty i zachowania mieszkańców tj. cechy demograficzne i społeczne, lokalizacja przestrzenna, stan i etap symulacji.

Stany infekcji agentowej w modelu SEIAPR-DM opracowanym przez autorów/nature.com

Opracowany model zakłada, że z przenoszeniem choroby silnie korelują:

• przestrzenne rozmieszczenie populacji - czynniki chorobotwórcze są rozmieszczone przestrzennie, a infekcja wynika z bliskiego kontaktu między osobami zarażonymi a narażonymi;
• poziom mobilności mieszkańców - poziom mobilności może wpływać na liczbę spotkań osoby niezarażonej z drugą - potencjalnie zarażoną;
• charakterystyka nałożonych ograniczeń - model uwzględnia zakres ograniczeń, np. obowiązkowe używanie masek (czy osoba zarażona i narażona wpływa na prawdopodobieństwo zakażenia), obowiązkowa praca zdalna lub edukacja oraz pobyt  w domu;
• warunki pogodowe- prawdopodobieństwo infekcji zależy od wilgotności i temperatury danego dnia;
• specyfika społeczności lokalnej - cechy społeczności lokalnej, takie jak stopa bezrobocia, liczba osób pracujących poza miejscem zamieszkania, czy religijność wpływają na mobilność społeczności.

System analizuje wpływ i wzajemne oddziaływanie poszczególnych czynników na rozwój pandemii. Umożliwia analizę dowolnego obszaru, dla którego znane są dane demograficzne i topograficzne, informacje o mobilności mieszkańców oraz poziom nałożonych ograniczeń epidemiologicznych. Dzięki temu można przeprowadzić symulację w skali kraju lub prognozować liczbę przypadków na obszarach o różnej gęstości zaludnienia, mobilności i wykorzystaniu transportu publicznego.

Dystans ma znaczenie

Wyniki badań naukowców przyczyniły się do przeciwdziałania rozwojowi kolejnych faz pandemii poprzez wykorzystanie przestrzennego i demograficznego zróżnicowania kraju oraz podejmowania na ich podstawie odpowiednich działań. Wprowadzenie dystansu społecznego i ograniczenie mobilności ma kluczowe znaczenie dla zahamowania pandemii. Niezbędne jest jednoczesne uwzględnienie specyfiki społecznej, demograficznej i topograficznej danej społeczności oraz zastosowanie środków właściwych dla danego regionu.

Konsekwentne stosowanie ograniczeń, takich jak nakaz używania maseczek, zachowania dystansu, praca i nauka zdalna oraz ograniczenia mobilności mieszkańców, mają kluczowe znaczenie dla zahamowania rozwoju pandemii COVID-19. W modelu bez ograniczeń liczba przypadków zachorowań jest 2 do 3 razy większa niż w modelu podstawowym. Inne badania pokazują, że same okrycia twarzy z tkaniną mogą znacznie zmniejszyć przenoszenie wirusa między ludźmi i zredukować dzienny wskaźnik wzrostu zakażeń COVID-19 o 40–60 proc.

Interakcje ludzi w miejscach pracy mają największy wpływ na rozprzestrzenianie się wirusa. Aż 50–70 proc. zakażeń, w zależności od wariantu i powiatu, jest związanych z miejscem pracy. Obiekty komercyjne, które zazwyczaj są zatłoczone, to również miejsca, w których istnieje duże prawdopodobieństwo przeniesienia wirusa. W modelu podstawowym 8,4 proc. osób zostało zarażonych podczas robienia zakupów w pomieszczeniach.

Artykuł Wykorzystanie modelowania wieloagentowego do prognozowania czasoprzestrzennego rozwoju pandemii COVID-19 w Polsce został opublikowany przez Nature Scientific Reports pt. Using multiagent modeling to forecast the spatiotemporal development of the COVID-19 pandemic in Poland i jest jest dostępny dla wszystkich jako Open Access.

Autorzy: Piotr Pałka, Robert Olszewski, Małgorzata Kęsik-Brodacka, Agnieszka Wendland, Karolina Nowak, Urszula Szczepankowska-Bednarek, David Th. Liebers.

Materiał powstał w ramach grantu IDUB against COVID-19 Metody analizy, prognozowania i rekomendowania w zakresie zapobiegania rozprzestrzenianiu się COVID-19 ze szczególnym uwzględnieniem analizy geoprzestrzennych.