Analyser le risque COVID-19 à l’aide d’ArcGIS Pro

Consulter les données

Vous allez d’abord télécharger le paquetage de projet ArcGIS Pro et explorer les données.

Téléchargez le paquetage COVID-19 Risk Data.
Double-cliquez sur le fichier COVID19RiskData.ppkx téléchargé pour ouvrir le projet dans ArcGIS Pro.
Remarque :
Si vous n’avez pas accès à ArcGIS Pro ou ne disposez pas d’un compte d’organisation ArcGIS, consultez les options disponibles pour accéder aux logiciels.
Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche HKG Constituency Data (Données de la circonscription de HKG) et choisissez Attribute Table (Table attributaire).
La table contient des données sur 431 sous-divisions (ou circonscriptions) de Hong Kong. Les données comprennent des informations démographiques et spatiales pouvant être utilisées pour évaluer le risque de transmission de maladie, la sensibilité au COVID-19 et la pénurie des ressources de santé.
Le projet comprend plusieurs couches :
- Les champs Total Population 2018 (Population totale 2018), Pop Density per SqKM 2018 (Densité maximale par km carré 2018), Seniors (60+) per 1000 people (Seniors (60+) pour 1 000 personnes), 2018 Tobacco: Index (Tabac 2018 : indice) et 2018 Purchasing Power: Index (Pouvoir d’achat 2018 : indice) ont été ajoutés avec l’outil Enrichir.
- Pour les champs 2018 Tobacco: Index (Tabac 2018 : indice) et 2018 Purchasing Power: Index (Pouvoir d’achat 2018 : indice), les valeurs inférieures à 100 sont au-dessous de la moyenne pour Hong Kong, tandis que celles supérieures à 100 sont au-dessus. L’indice du tabac sera utile pour identifier le risque car le COVID-19 est une maladie respiratoire, tandis que l’indice du pouvoir d’achat aidera à déterminer les niveaux de revenu et de pauvreté.
- Le champ Healthcare Resource Index (Indice des ressources de santé) reflète le nombre de lits d’hôpital et la capacité de la circonscription de répondre aux cas de COVID-19 et de les traiter.
- Le champ Spatial Interaction Index (Indice d’interaction spatiale) a été calculé en fonction de la connectivité du réseau routier.
- Le champ Relative Case Distance (Distance de cas relative) indique la distance (en mètres) séparant le point central de chaque circonscription des 10 % les plus proches des cas de COVID-19 simulés.
Fermez la table.
Dans la fenêtre Contents (Contenu), cochez la couche Target Risk (Risque cible) pour l’activer.
Cliquez avec le bouton droit sur la couche Target Risk (Risque cible) et sélectionnez Attribute Table (Table attributaire).
Les attributs de la couche Target Risk (Risque cible) sont similaires à ceux de la couche HKG Constituency Data (Données de la circonscription de HKG). Toutefois, les valeurs de la couche Target (Cible) sont les pires valeurs trouvées à Hong Kong. Elles comprennent la valeur de population la plus dense, le nombre le plus élevé de seniors pour 1 000 personnes, l’indice de tabac le plus élevé, la valeur de pouvoir d’achat la plus basse, etc. Les pires valeurs seront utilisées comme cible par rapport à laquelle toutes les autres circonscriptions seront classées afin de déterminer le risque.
Fermez la table. Décochez la couche Target Risk (Risque cible).
Dans la fenêtre Contents (Contenu), activez la couche Cases (Simulated) (Cas (simulés)).
On comptait 71 cas de COVID-19 connus à Hong Kong entre le 22 janvier et le 23 février 2020. L’emplacement et la date associés à chaque cas ont été imaginés dans le but de cet exercice.

Cartographier le risque de transmission

Le risque le plus élevé de transmission de la maladie est observé dans les endroits où les populations sont denses avec une forte interaction spatiale. Vous allez utiliser l’outil Recherche de similarité pour créer une carte des risques de transmission à l’aide de la variable de densité de population et de l’indice d’interaction spatiale.

Sur le ruban, cliquez sur l’onglet Analysis (Analyse). Dans le groupe Geoprocessing (Géotraitement), cliquez sur le bouton Tools (Outils).
La fenêtre Geoprocessing (Géotraitement) s’affiche.
Dans la fenêtre Geoprocessing (Géotraitement), dans la barre de recherche, saisissez Similarity Search (Recherche de similarité) et appuyez sur Entrée. Dans la liste de résultats, cliquez sur l’outil Similarity Search (Recherche de similarité) pour l’ouvrir.
Cet outil détermine quelles entités candidates sont les plus et les moins similaires à une entité en entrée en fonction de valeurs attributaires. Vous allez l’utiliser pour déterminer quelles circonscriptions sont les plus similaires à la pire entité Target Risk (Risque cible).
Dans la fenêtre de l’outil Similarity Search (Recherche de similarité), pour Input Features to Match (Entités en entrée à apparier), choisissez la couche Target Risk (Risque cible). Pour Candidate Features (Entités candidates), choisissez la couche HGK Constituency Data (Données de la circonscription de HKG).
Pour Output Features (Entités en sortie), saisissez Risque_transmission. Dans Number Of Results (Nombre de résultats), entrez 0.
Remarque :
Le paramètre Collapse Output to Points (Réduire la sortie en points) spécifie si la géométrie du paramètre Output Features (Entités en sortie) sera réduite aux points ou correspondra à la géométrie d’origine (lignes ou polygones) des entités en entrée si les valeurs des paramètres Input Features To Match (Entités en entrée à apparier) et Candidate Features (Entités candidates) sont toutes des lignes ou des polygones. Le paramètre Collapse Output to Points (Réduire la sortie en points) est disponible uniquement dans ArcGIS Pro Advanced. En savoir plus sur paramètres de l’outil Recherche de similarité.

En définissant le nombre de résultats sur 0, vous indiquez à l’outil de classer toutes les entités candidates. Vous allez ensuite choisir les attributs d’intérêt. Pour le risque de transmission, vous allez choisir les champs de densité de population et d’indice d’interaction spatiale.
Pour Attributes Of Interest (Attributs d’intérêt), cochez Pop Density per SqKM 2018 (Densité de pop par km carré 2018) et Spatial Interaction Index (Indice d’interaction spatiale).
Vous allez également ajouter un champ d’ID à la sortie.
Développez Additional Options (Options supplémentaires) et cochez ID.
Cliquez sur Run (Exécuter).
L’outil s’exécute et une nouvelle couche est ajoutée à la carte. Chaque circonscription est classée entre 1 (la plus semblable à la pire entité) et 431 (la moins semblable à la pire entité). Les entités présentant des couleurs plus sombres possèdent des valeurs de densité de population et d’interaction spatiale les plus semblables à celles de la couche Target Risk (Risque cible). Vous pouvez comparer les zones à risque maximal à l’emplacement simulé des cas de COVID-19.
Les efforts visant à minimiser la transmission (par exemple, encourager l’utilisation de masques faciaux, augmenter le nombre de points de désinfection des mains, annuler les regroupements importants de personnes et diffuser des informations sur les bonnes pratiques de réduction de la transmission) seraient les plus importants aux endroits associés aux régions les plus foncées de la carte.
Quelles pratiques supplémentaires pourraient être efficaces dans les zones à risque de transmission maximal ? Existe-t-il des pratiques, des politiques ou des mesures uniques à votre propre communauté ?

Cartographier le risque de vulnérabilité

De nombreuses personnes contractant le COVID-19 présentent des symptômes bénins, et la plupart se rétablissent entièrement. La plupart des enfants et des adultes se rétablissent bien, mais les taux de mortalité sont élevés pour les adultes plus âgés et ceux souffrant de maladies chroniques ou exposés à des facteurs de risque comme le tabagisme. Le risque augmente aux endroits où un nombre élevé de personnes vulnérables vivent dans des zones densément peuplées. À l’aide de l’outil Similarity Search (Recherche de similarité), vous allez créer une carte des risques indiquant où les taux de mortalité pourraient être les plus élevés. Puisque vous avez déjà utilisé cet outil à l’étape précédente, il vous suffit d’en ajuster certains paramètres.

Dans l’outil Similarity Search (Recherche de similarité), pour Output Features (Entités en sortie), saisissez Risque_vulnérabilité.
Pour Attributes Of Interest (Attributs d’intérêt), cochez Seniors (60+) per 1000 people (Seniors (60+) pour 1 000 personnes), 2018 Tobacco: Index (Tabac 2018 : indice) et 2018 Purchasing Power: Index (Pouvoir d’achat 2018 : indice). Laissez l’attribut Pop Density per SqKM 2018 (Densité maximale par km carré 2018) coché et décochez Spatial Interaction Index (Indice d’interaction spatiale).
Les champs restants, y compris les entités en entrée, les entités candidates et le nombre de résultats, ont normalement été correctement définis lors de l’exécution précédente de l’outil.
Cliquez sur Run (Exécuter).
L’outil s’exécute et une nouvelle couche est ajoutée à la carte. Similaire à la couche de risque de transmission, la couche de risque de vulnérabilité classe chaque circonscription selon sa similarité avec les pires valeurs pour chacun des attributs d’intérêt. Les circonscriptions de couleur plus foncée sur la carte ont probablement plus de seniors pour 1 000 personnes, des dépenses liées au tabac plus élevées et un pouvoir d’achat plus bas.
Les efforts visant à minimiser les impacts sur les populations les plus fragiles (par exemple, restreindre l’accès aux maisons de retraite, établir des centres de quarantaine, limiter les voyages et travailler à domicile) seraient les plus importants dans les endroits associés aux régions les plus foncées de la carte.
Quels efforts, politiques ou interventions supplémentaires pourraient aider à réduire le risque encouru par les populations les plus fragiles ?

Cartographier le risque de pénurie de ressources de santé

Un autre problème lié à l’épidémie de COVID-19 est que les ressources de santé sont sollicitées à l’extrême, ce qui aggrave les effets négatifs de l’épidémie. Vous allez de nouveau exécuter l’outil Similarity Search (Recherche de similarité) pour déterminer les zones risquant le plus de manquer de ressources de santé. Cette fois-ci, vous allez utiliser le champ Healthcare Resource Index (Indice des ressources de santé) en tant qu’attribut d’intérêt. Le champ Seniors (60+) per 1000 people (Seniors (60+) pour 1 000 personnes) vous servira d’intermédiaire avec les personnes qui seraient le plus sévèrement affectées si elles contractaient le COVID-19 (et donc pèseraient davantage sur les ressources de santé).

Dans l’outil Similarity Search (Recherche de similarité), pour Output Features (Entités en sortie), saisissez Risque_manque_de_ressources.
Pour Attributes Of Interest (Attributs d’intérêt), cochez Healthcare Resource Index (Indice des ressources de santé). Décochez les attributs Pop Density per SqKM 2018 (Densité maximale par km carré 2018), 2018 Tobacco: Index (Tabac 2018 : indice) et 2018 Purchasing Power: Index (Pouvoir d’achat 2018 : indice).
Seuls les attributs Seniors (60+) per 1000 people (Seniors (60+) pour 1 000 personnes) et Healthcare Resources Index (Indice des ressources de santé) sont cochés.
Cliquez sur Run (Exécuter).
L’outil s’exécute et une nouvelle couche est ajoutée à la carte. Les zones les plus foncées sont les endroits les moins préparés à gérer des cas de COVID-19 nombreux parmi les populations les plus fragiles.
Si le COVID-19 commence à se répandre rapidement, il est possible que les ressources de santé soient rapidement saturées. Disposer d’un plan pour accroître les ressources de santé (par exemple, des sites de quarantaine proposés, des kits de test ainsi que des vêtements et des masques de protection) sera essentiel.
Quels efforts, politiques ou stratégies supplémentaires seraient importants dans les endroits manquant de ressources si une épidémie de COVID-19 endémique se produit ? En particulier, que peut-on faire à l’avance pour se préparer à une épidémie de masse potentielle ?

Cartographier le risque d’exposition

Vous allez ensuite créer une carte indiquant les zones où le risque d’exposition au COVID-19 est le plus élevé. Le champ Relative Case Distance (Distance de cas relative) indique la distance séparant le point central de chaque circonscription des 10 % les plus proches de tous les cas de COVID-19. Les circonscriptions plus proches des nombres élevés de cas connus ont un risque d’exposition plus élevé que celles situées plus loin.

Dans l’outil Similarity Search (Recherche de similarité), pour Output Features (Entités en sortie), saisissez Risque_exposition.
Pour Attributes Of Interest (Attributs d’intérêt), cochez Relative Case Distance (Distance de cas relative). Décochez Seniors (60+) per 1000 people (Seniors (60+) pour 1 000 personnes) et Healthcare Resources Index (Indice des ressources de santé).
Seul l’attribut Relative Case Distance (Distance de cas relative) est coché.
Cliquez sur Run (Exécuter).
L’outil s’exécute et une couche est ajoutée à la carte.

Vous disposez à présent de quatre couches classant les facteurs de risque du COVID-19.

Cartographier les profils de risque

Vous allez ensuite créer une carte des profils de risque combinant tous les facteurs de risque que vous avez analysé. Votre carte finale montrera les zones confrontées à des problèmes similaires par rapport au COVID-19 et permettra de développer des interventions ciblées. Vous allez d’abord ajouter les classements de l’ensemble des quatre couches à la couche HKG Constituency Data (Données de la circonscription de HKG). Pour ce faire, vous allez ajouter des champs pour chacun des quatre classements à la table attributaire.

Dans la fenêtre Géotraitement, cliquez sur le bouton Retour.
Recherchez et ouvrez l’outil Add Fields (multiple) (Ajouter des champs [multiple]).
Remarque :
En savoir plus sur l’outil Ajouter des champs (multiple).
Dans la fenêtre de l’outil Add Fields (multiple) (Ajouter des champs (multiple)), pour Input Table (Table en entrée), sélectionnez HKG Constituency Data (Données de la circonscription de HKG). Pour Field Name (Nom du champ), saisissez Risque_transmission, et pour Field Type (Type de champ), sélectionnez Long (32-bit integer) (Long (entier 32 bits)).
Cliquez sur le bouton Add another (Ajouter un autre).
Six nouveaux paramètres apparaissent.
Dans Field Name (Nom du champ), saisissez Risque_vulnérabilité. Pour Field Type (Type de champ), choisissez Long (32-bit integer) [Long (entier 32 bits)].
Ajoutez deux autres champs : un avec Field Name (Nom du champ) défini sur Risque_manque_de_ressources et Field Type (Type de champ) défini sur Long (32-bit integer) (Long (entier 32 bits)), et un autre avec Field Name (Nom du champ) défini sur Risque_exposition et Field Type (Type de champ) défini sur Long (32-bit integer) (Long (entier 32 bits)).
L’outil Add Fields (Ajouter des champs) comprend maintenant quatre nouveaux champs allant être ajoutés à la table.
Cliquez sur Run (Exécuter).
L’outil s’exécute et quatre champs sont ajoutés à la table attributaire de la couche HKG Constituency Data (Données de la circonscription de HKG).
Ouvrez la table attributaire de la couche HKG Constituency Data (Données de la circonscription de HKG) pour vérifier que les champs ont été ajoutés à la fin de la table.
Par défaut, les champs sont vides et ne contiennent pas de valeurs. Vous allez joindre les classements des couches que vous avez créées à la couche HKG Constituency Data (Données de la circonscription de HKG). Lorsque vous avez exécuté l’outil Similarity Search (Recherche de similarité), vous avez veillé à ajouter un champ d’ID aux résultats. Vous allez utiliser ce champ d’ID pour joindre les classements.
Dans la fenêtre Géotraitement, cliquez sur le bouton Retour. Recherchez et ouvrez l’outil Add Join (multiple) (Ajouter une jointure).
Dans la fenêtre de l’outil Add Join (Ajouter une jointure), saisissez les paramètres suivants :
- Pour Input Table (Table en entrée), choisissez HKG Constituency Data (Données de la circonscription de HKG).
- Dans Input Join Field (Champ de jointure en entrée), choisissez ID.
- Pour Join Table (Table de jointure), sélectionnez Risque_transmission.
- Dans Output Join Field (Champ de jointure en sortie), choisissez ID.
Un avertissement s’affiche pour le paramètre Input Join Field (Champ de jointure en entrée). Cet avertissement indique que le champ choisi n’est pas indexé, ce qui peut diminuer la vitesse d’exécution de l’outil. Dans tous les cas, l’outil s’exécute rapidement et vous pouvez donc ignorer cet avertissement.
Cliquez sur Run (Exécuter).
L’outil s’exécute et les tables sont jointes. Si la table HKG Constituency Data (Données de la circonscription de HKG) est encore ouverte, vous verrez que plusieurs champs ont été ajoutés, outre le champ contenant le classement.
Vous allez ensuite calculer le champ Risque_transmission que vous avez ajouté avec les valeurs de classement appropriées puis supprimer la jointure.
Dans la fenêtre Géotraitement, cliquez sur le bouton Retour. Recherchez et ouvrez l’outil Calculate Field (Data Management Tools) (Calculer le champ (outils de gestion de données)).
Tous les classements figurent sur une échelle allant de 1 à 431, 1 correspondant au risque le plus élevé. Vous allez inverser les classements de sorte que les nombres plus élevés correspondent à un risque plus élevé.
Dans l’outil Calculer un champ, définissez les paramètres suivants :
- Pour Input Table (Table en entrée), choisissez HKG Constituency Data (Données de la circonscription de HKG).
- Pour Field Name (Existing or New) (Nom du champ [existant ou nouveau]), choisissez Transmission_Risk (Risque_transmission).
- Pour Expression, créez l’expression 432 - !Transmission_Risk.SIMRANK!.
L’expression va soustraire 432 des classements, avec pour résultat que le classement de risque le plus élevé sera 431 et le plus bas 1.
Cliquez sur Run (Exécuter).
Le champ est calculé. Vous allez ensuite supprimer la jointure.
Dans la fenêtre Géotraitement, cliquez sur le bouton Retour. Recherchez et ouvrez l’outil Remove Join (Supprimer la jointure).
Dans la fenêtre de l’outil Remove Join (Supprimer la jointure), pour Layer Name or Table View (Nom de la couche ou vue tabulaire), sélectionnez HKG Constituency Data (Données de la circonscription de HKG). Pour Join (Jointure), sélectionnez Risque_transmission.
Cliquez sur Run (Exécuter).
La jointure est supprimée. Vous allez ensuite répéter le processus pour les trois autres couches de risques.
Exécutez les outils Add Join (Ajouter une jointure), Calculate Field (Calculer un champ) et Remove Join (Supprimer la jointure) avec les mêmes paramètres qu’auparavant, mais en remplaçant ce qui suit :
- Dans l’outil Add Join (Ajouter une jointure), pour Join Table (Table de jointure), sélectionnez Susceptibility_Risk (Risque_vulnérabilité).
- Dans l’outil Calculate Field (Calculer un champ), pour Susceptibility_Risk (Risque_vulnérabilité) et pour l’expression, saisissez 432 - !Susceptibility_Risk.SIMRANK!.
- Dans l’outil Remove Join (Supprimer la jointure), pour Join (Jointure), sélectionnez Susceptibility_Risk (Risque_vulnérabilité).
Répétez le processus pour les couches Risque_manque_de_ressources et Risque_exposition.
Les quatre champs que vous avez ajoutés ont tous été calculés.
Fermez la table.
Vous allez ensuite agréger les circonscriptions présentant des caractéristiques similaires en fonction des quatre champs à l’aide de l’outil Multivariate Clustering (Spatial Statistics) (Agrégation multivariée (statistiques spatiales)).

Utiliser l’outil Agrégation multivariée

L’outil Multivariate Clustering (Agrégation multivariée) crée des regroupements tels que les valeurs figurant dans chaque groupe sont aussi similaires que possible, et les groupes eux-mêmes sont aussi différents que possibles.