Divergence and Curl of COVID19 Spreading in the Lower Peninsula of Michigan
Notice bibliographique
Résumé
This paper explores the COVID19 transmission pattern and circulation dynamics in the Euclidean space at the lower peninsula of Michigan by using the divergence and curl concept in vector field. The COVID19 transmission volume flux can be calculated for each county by using vector divergence. The results shows Wayne county had the highest divergence (162660), the Kent county had the second highest divergence (152540), and the Saginaw county had the third highest divergence (103240), the divergence is positive which means the COVID19 virus was transmitted from these counties to other places. The results also shows Monroe county had the lowest divergence (-187843), the Allegan county had the second lowest number in divergence (-90824), the divergence is negative which means the COVID19 virus was transmitted from other places to these counties. The circulation of the virus is also calculated by using vector curl. The positive curl means that the virus has circulated in a counter-clockwise direction, and the negative curl means the virus has circulated in a clockwise direction. The divergence is an operator of the COVID19 transmission vector field, which produces a scalar field giving the quantity of the transmission vector field’s source at each location. The COVID19 spreading volume density of the outward flux of transmission field is represented by divergence around a given location. The curl is an operator of the COVID19 transmission field, which describes the circulation of a transmission vector field. The curl at a location in COVID19 transmission field is represented by a vector whose length and direction denote the magnitude and axis of the maximum circulation. The curl of a transmission field is formally defined as the circulation density at each location of COVID19 transmission field.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».