据外媒报道，研究人员利用基于天气影响的流体动力学模拟的高级不确定性量化模型，纠正了COVID-19大流行的第一波数据的不准确性。在2020年3月至2021年3月的一年时间里，许多城市内出现了两条COVID-19疫情大流行曲线。奇怪的是，第一波期间报告的单日新增感染总数比第二波低得多，但第一波期间报告的单日死亡总数却比第二波高很多。 这种矛盾激发了塞浦路斯尼科西亚大学的研究人员探索第一波期间报告的单日感染人数的不确定性，这是由2020年3月至4月期间接触者追踪不足造成的。 在AIP出版的《流体物理学》中，Talib Dbouk和Dimitris Drikakis报告了使用环境流体动力学--先进的计算多尺度多物理学建模和模拟--来发展天气季节性条件，如温度、相对湿度和风速，与每年有两个大流行曲线之间的构成关系。 “我们将一种新的基于物理学的关系整合到一个大流行病预测模型中，该模型准确地预测了，正如后来观察到的那样，在世界许多城市内，包括纽约市，出现了第二次COVID-19大流行病浪潮，”Drikakis说。 在第一波大流行期间报告的每日新感染总数的大部分数据都被低估了，而且使用不正确。 Dbouk说：“在纽约市内，我们的工作表明，第一波期间报告的每日新感染人数被低估了，只有实际的1/4。因此，第一波数据与第二波数据混合的不确定性意味着得出的一般结论可能会产生误导，每个人都应该意识到这一点。” 研究人员的工作是第一个已知的案例，即基于天气影响的流体动力学模拟，推导出大流行病第一波感染病例的高级不确定性量化模型。 “我们的模型是基于物理学的，可以通过在大流行病曲线内使用第二波数据的充分性来纠正第一波数据的不足，”Drikakis说。“我们提出的方法将环境天气季节性驱动的病毒传播率与大流行的多波现象相结合，以提高统计预测的数据准确性。” 在未来，研究人员提出的不确定性量化模型可能有助于纠正许多城市在大流行的第一波期间报告的全球单日新增确诊病例总数。
