Examining the Economic and Environmental Impacts of COVID-19 Using Earth Observation Data
Notice bibliographique
Résumé
The COVID-19 pandemic has infected almost 73 million people and is responsible for over 1.63 million fatalities worldwide since early December 2019, when it was first reported in Wuhan, China. In the early stages of the pandemic, social distancing measures, such as lockdown restrictions, were applied in a non-uniform way across the world to reduce the spread of the virus. While such restrictions contributed to flattening the curve in places like Italy, Germany, and South Korea, it plunged the economy in the United States to a level of recession not seen since WWII, while also improving air quality due to the reduced mobility. Using daily Earth observation data (Day/Night Band (DNB) from the National Oceanic and Atmospheric Administration Suomi-NPP and NO2 measurements from the TROPOspheric Monitoring Instrument TROPOMI) along with monthly averaged cell phone derived mobility data, we examined the economic and environmental impacts of lockdowns in Los Angeles, California; Chicago, Illinois; Washington DC from February to April 2020—encompassing the most profound shutdown measures taken in the U.S. The preliminary analysis revealed that the reduction in mobility involved two major observable impacts: (i) improved air quality (a reduction in NO2 and PM2.5 concentration), but (ii) reduced economic activity (a decrease in energy consumption as measured by the radiance from the DNB data) that impacted on gross domestic product, poverty levels, and the unemployment rate. With the continuing rise of COVID-19 cases and declining economic conditions, such knowledge can be combined with unemployment and demographic data to develop policies and strategies for the safe reopening of the economy while preserving our environment and protecting vulnerable populations susceptible to COVID-19 infection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».