IDENTIFICATION OF SPATIAL CLUSTERS OF COVID-19 IN YOGYKARTA USING GLOBAL MORAN’S I

Dyah Respati Suryo Sumunar1, Nursida Arif2, Nurul Khotimah3

1-3Geography Education, Faculty of Social Science, Universitas Negeri Yogyakarta

ABSTRAK

Covid-19 telah menjadi keresahan seluruh dunia sejak kasus pertama terkonfirmasi di Wuhan, China pada Desember 2019. Berbagai kajian tentang pola penyebaran covid dilakukan karena setiap hari selalu ada perkembangan terbaru dari para ilmuwan tentang virus ini termasuk keunikan cirinya pada masing-masing wilayah dengan kondisi geografis yang berbeda. Tujuan penelitian adalah untuk melihat pola sebaran spasial covid-19 dan identifikasi parameter iklim yang mempengaruhinya di Daerah Istimewa Yogyakarta (DIY). Studi ini menggunakan analisis Global Moran’s I dalam analisis pola sebaran covid. Indeks Moran’s I merupakan metode yang banyak digunakan untuk mengevaluasi pola sebaran spasial dan validasi data geografi yang dianalisis secara statistik. Hasil analisis menunjukkan dari 5 kabupaten/kota di DIY, kabupaten Sleman memiliki rata-rata persebaran covid tertinggi atau rata-rata terinfeksi yaitu 1.09 kemudian disuusl Bantul 0.75. Kulonprogo merupakan kabupaten dengan jumlah kasus terendah. Hasil Moran’s index yaitu 0,32 artinya menunjukkan adanya autokorelasi spasial positif dimana antar wilayah satu dengan wilayah lain memiliki kemiripan atau data mengelompok. Kedua parameter iklim yaitu suhu dan kelembaban tidak menunjukkan korelasi yang signifikan terhadap persebaran covid di DIY.

1. PENDAHULUAN

Corona Virus Disease 19 (covid-19) merupakan bagian dari jenis virus coronavirus yang menyerang imunitas tubuh manusia dan dapat menyebabkan kematian. Covid-19 telah mengakibatkan kepanikan seluruh dunia karena virus menyebar dengan sangat cepat. Kasus pertama terkonfirmasi di Wuhan, China pada bulan Desember 2019 dan pada bulan Maret 2020 telah menyebar ke beberapa negara di dunia tanpa memandang status negara berkembang maupun negara maju. Upaya preventif tidak hanya dilakukan oleh wilayah terdampak namun juga berpengaruh kebeberapa negara lainnya yang tidak terdampak seperti menutup akses wisata dan menutup beberapa jalur penerbangan. Karena pergerakan manusia dari satu tempat ketempat lainnya menjadi transmisi penyebaran covid-19 (Sasidharan et al., 2020; Shereen et al., 2020).

Di Indonesia walaupun beberapa langkah preventif telah ditempuh pemerintah seperti karantina di rumah, memakai masker, social distancing, physical distancing dan Pembatasan Sosial Berskala Besar (PSBB) namun jumlah kasus yang terkonfirmasi cenderung meningkat (Djalante et al., 2020). Oleh karena itu kajian tentang penyebaran covid-19 terus dilakukan oleh para ilmuwan melalui berbagai disipilin keilmuan. Hal ini mendorong ilmuwan geografi untuk mengkaji faktor ekologis yang mempengaruhi penularan dan kelangsungan hidup virus. Walaupun belum ada kesepakatan para ahli apakah faktor geografi seperti iklim berpengaruh terhadap kecepatan penularan Covid-19. Tidak ada bukti yang mendukung jika cuaca lebih hangat maka jumlah kasus menurun seperti yang terjadi di Brasil pada suhu tropis berkisar antara 16,8-27,4 °C memiliki hubungan linier negatif dengan jumlah kasus yang terkonfirmasi (Prata et al., 2020). Berbeda dengan beberapa peneliti terdahulu menunjukkan bahwa suhu memiliki hubungan positif dengan penularan virus corona (Casanova et al., 2010; van Doremalen et al., 2013; Xie and Zhu, 2020) . Resiko peningkatan insiden virus lebih besar pada suhu yang lebih rendah karena suhu dan kelembaban rendah meningkatkan bahan tersuspensi di atmosfer (Qi et al., 2020)(Qi et

al., 2020)(Qi et al., 2020)(Qi et al., 2020)(Qi et al., 2020)(Qi et al., 2020)(Qi et al., 2020)(Qi et al., 2020)(Qi et al., 2020)(Qi et al., 2020). Lingkungan terbuka yang memiliki suhu dan kelembaban yang tinggi merupakan kondisi lingkungan yang kurang ideal untuk penyebaran kasus coronavirus, sebaliknya suhu rendah dan kelembaban rendah dapat memfasilitasi penularan SARS coronavirus (Bannister-Tyrrell et al., 2017; Chan et al., 2011; Sajadi et al., 1992). Tujuan penelitian adalah untuk melihat pola sebaran spasial covid-19 dan identifikasi parameter geografis yang berpengaruh. Studi kasus dilakukan di Daerah Istimewa Yogyakarta (DIY) yaitu salah satu provinsi dengan mobilitas cukup tinggi di Indonesia. Yogyakarta adalah kota pariwisata dan kota pelajar dimana para perantau datang dari berbagai daerah (Abd Rahman and Ramli, 2013; Cahya et al., 2017; Herliana, 2015).

Studi ini menggunakan sistem informasi geografis dalam analisis pola sebaran covid serta analisis faktor iklim yang mempengaruhi. Saat ini Sistem Informasi Geografis (SIG) telah menjadi alat vital dalam menganalisis dan memvisualisasikan penyebaran Covid-19 (Mollalo et al, 2020). John Hopkins University Center for Systems Science and Engineering (JHU CSSE) menggunakan SIG untuk memberikan informasi distribusi spasial Covid-19 di seluruh dunia termasuk jumlah total, kasus yang dikonfirmasi, jumlah kematian dan pasien yang sembuh (JHU CSSE, 2020). Perkembangan teknologi GIS mampu menyajikan data real time dari perkembangan pandemi (Boulos dan Geraghty, 2020). SIG berperan penting dalam visualisasi dan tracking kasus yang telah terkonfirmasi, prediksi transmisi wilayah, segmentasi spasial tingkat resiko serta pencegahan (Franch-Pardo et al., 2020; Huang et al., 2020; Mollalo et al., 2020). Variabel ekologis diberbagai lokasi seperti suhu permukaan sering membentuk pola seperti gradien atau cluster karena rekasi dan interaksi faktor geologis, iklim, topografi dan biologis (Kumari et al., 2019). Karena itu pola tersebut dapat dianalisis menggunakan alat aoutokorelasi spasial di ArcGIS.

Spasial autokorelasi diukur dengan statistik skalar yang merupakan fungsi dari nilai yang diamati pada setiap plot dan nilai-nilai pada plot tetangga (Czaplewski et al., 1994). Diantara beberapa metode autokorelasi spasial yaitu Getis-Ord General G (Peeters et al., 2015; Sarp and Duzgun, 2015), incremental spatial autocorrelation (Zhang et al., 2015), multi-distance spatial cluster analysis (Arroyo-Mora et al., 2014; Khormi and Kumar, 2011), indeks Moran’s I merupakan metode yang banyak digunakan untuk mengevaluasi pola sebaran (Kumari et al., 2019; Tepanosyan et al., 2019; Yuan et al., 2018). Global Moran’s I membantu dalam mevalidasi pola yang diidentifikasi secara statistik ((Fu et al., 2014). Study ini diharapkan membantu para peneliti dan pemerintah dalam mengidentifikasi pola persebaran covid-19 di Yogykarata dari sudut pandang geografi sehingga parameter lingkungan menjadi

2. METODE2.1. Study Area

Yogyakarta terletak pada 7°47′S dan 110°22′E (Gambar 1), memiliki luas 3,133.15 km2 dengan 3,594,290 populasi (BPS-Statistics of Daerah Istimewa Yogyakarta, 2020). Secara geografis DIY terletak ditengah-tengah pulau Jawa, dibagian utara terdapat Gunung Merapi yang merupakan salah satu gunung aktif di Indonesia, sedangkan bagian selatan terdapat dataran pantai yang terletak di pinggiran samudera Indonesia. Secara administrasi DIY terletak antara Kabupaten Klaten di sebelah Timur Laut, Kabupaten Wonogiri di sebelah Tenggara, kabupaten Purworejo di sebelah Barat, Kabupaten Magelang di seblah Barat Laut dan Samudera Indonesia di sebelah Selatan.DIY terdiri dari empat Kabupaten dan 1 Kota Madya yaitu Kabupaten Kulonprogo, Bantul, Gunung Kidul, Sleman dan Kota Yogyakarta.

Gambar 1. Study Area

2.2. Global Moran’s I

Moran’s I digunakan sebagai ukuran pertama autokorelasi spasial. Nilainya berkisar dari -1 hingga 1. Nilai “1” artinya autokorelasi spasial positif sempurna, sedangkan nilai “-1” menunjukkan autokorelasi spasial negatif sempurna, dan nilai “0” artinya pola spasial acak (T dan Xia, 2008). Nilai Moran’s I positif tinggi menyiratkan target nilai mirip dengan lingkungannya, dan kemudian lokasinya mengelompok secara spasial, yang mana meliputi cluster tinggi-tinggi (nilai tinggi dalam lingkungan bernilai tinggi) dan cluseter rendah (nilai rendah dalam lingkungan bernilai rendah). Jika nilai Moran’s I negatif artinya secara spasial berpotensi outlier atau berbeda dari nilai-nilai disekitarnya(Fu et al., 2014). Autokorelasi spasial berarti ada ketergantungan antara nilai-nilai variabel di lokasi tetangga atau proksimal atau sistematis pola nilai-nilai variabel di seluruh lokasi pada peta karena faktor umum yang mendasarinya (Griffith, 2020).

3. PEMBAHASAN

Kasus pertama terkonfirmasi dijogja yaitu tanggal 13 Maret 2020 di kabupaten Sleman. Setelah itu secara cepat menyebar ke wilayah lainnya di DIY. Penelitian ini melihat persebaran kasus COVID-19 sampai pada tanggal 16 Juni 2020 diseluruh kabupaten/kota DIY (Tabel 1).

Tabel 1. Distribution of key variables by city

City Latitude&longitude Population Study period (days)

Total cases

Total deaths

Average tenperature

Average humidity

Inf. Rate

Bantul 7.88461°S 110.33411°E

974.211 20/03-16/06 (88)

66 2 32,01 66,67 0.75

Gunung Kidul

7.96668°S 110.602561°E

768.215 25/03-16/06 (84)

50 1 31,24 61,18 0.59

Kulonprogo 7.645°S 110.0269°E

471.793 26/03-16/06 (85)

11 0 29,51 68,63 0.12

Sleman 7.68167°S 110.32333°E

1.068.370 13/03-16/06 (95)

104 4 30,87 69,12 1.09

Kota Yogyakarta

7° 48′5″ S and 110 ° 21′52″ E

412.487 18/03-16/06 (90)

33 1 32,72 69,41 0.36

*Inf. Rate = Number of infected/ Days of infection (Ahmadi et al., 2020)

0 10 20 30 405Km

Tabel 1 menunjukkan kabupaten dengan populasi terbanyak yaitu Sleman berbanding lurus dengan jumlah kasus COVID-19 terbanyak yaitu 104 kasus. Kabupaten Kulonprogo memiliki jumlah kasus paling sedikit dan jumlah populasi lebih sedikit dibandingkan empat kabupaten lainnya. Berbeda dengan kota Yogykarta memiliki kasus lebih banyak dibandingkan Kulonprogo walaupun memiliki jumlah populasi yang lebih sedikit. Namun, (Sun et al., 2020) menyebutkan kepadatan populasi bukanlah faktor penting dalam penyebaran COVID-19. Data iklim pada Tabel 1 yaitu temperature dan humidity adalah hasil pengukuran di lapangan yang dilakukan pada bulan Juni 2019. Hasil analilis kedua parameter iklim tersebut tidak memiliki korelasi dengan jumlah yang terinfeksi atau jumlah persebaran COVID-19 di DIY ditunjukkan pada Gambar 2 dan Gambar 3. Beberapa penelitian terdahulu menunjukkan hal yang sama dimana suhu dan kelembaban memiliki korelasi yang negatif dengan sebaran COVID-19 (Ahmadi et al., 2020; Prata et al., 2020; Wu et al., 2020).

29 29.5 30 30.5 31 31.5 32 32.5 330

0.2

0.4

0.6

0.8

1

1.2

R² = 0.0523461823723543

Average temperture (◦C)

Infe

ction

rate

Gambar 2. Korelasi rata2 temperature dan infection rate pada kabupaten/kota DIY

60 61 62 63 64 65 66 67 68 69 700

0.2

0.4

0.6

0.8

1

1.2

R² = 0.00380396589855714

Average humidity (%)

Infe

ction

rate

Gambar 3. Korelasi rata2 humidity dan infection rate pada kabupaten/kota DIY

Gambar 2 menunjukkan korelasi temperature dengan infection rate sangat lemah (R 2=0,05), demikian pula dengan korelasi humidity dan infection rate (R2=0,003). Artinya iklim tidak memberikan pengaruh terhadap persebaran COVID-19. Secara spasial peta humidity dan temperature di DIY disajikan

pada Gambar 4 dan Gambar 5. Jika dilihat dari peta sebaran COVID-19 (Gambar 6) menunjukkan sebaran COVID-19 mengelompok pada kecamatan yang berdekatan atau tidak tersebar secara merata. Di kabupaten Gunungkidul sebaran COVID-19 mengelompok di tiga kecamatan yang berdekatan yaitu kecamatan Wonosari, Semanu dan Karangmojo. Demikian pula di kabupaten lain mengelompok di kecamatan yang berdekatan.

Gambar 4. Peta Humidity DIY

Gambar 4 menunjukkan tingkat kelembaban tertinggi yaitu 77,99 % sedangkan paling rendah yaitu 34,36%. Gunung Kidul merupakan kabupaten dengan rata-rata kelembaban paling rendah dibandingkan kabupaten Bantul, Kulon Progo dan kota Yogyakarta. Namun pada peta sebaran COVID-19 (Gambar 6) Kota Yogyakarta, sebagian Sleman dan sebagian Bantul yang cenderung memiliki kelembaban tinggi menjadi cluster COVID-19.

Gambar 5. Peta Temperature DIY

Gambar 5 menunjukkan temperatur tinggi terdistrbusi di Kota Yogyakarta, sebagian Sleman dan sebagian wilayah Bantul. Kabupaten Kulonprogo dan Sleman bagian utara memiliki temperatur lebih rendah. Secara spasial pola sebaran temperatur juga memiliki pola berkebalikan dengan sebaran spasial COVID-19 di DIY (Gambar 6). Kota Yogyakarta dan Bantul yang memiliki temperature cenderung lebih tinggi justru menjadi cluster COVID-19.

Gambar 6. Distribution map of COVID-19 Positive Patients in Yogykarta (Data 16 June 2020)

Berdasarkan Gambar 6 dibuatlah analisis statisitik untuk melihat korelasi spasial antar wilayah yang terdampak COVID-19 menggunakan Global Moran’s I (Tabel 2). Hasil menunjukkan nilai indeks Moran’s I sebesar 0,32 berada pada rentang 0<I≤ dan menunjukkan adanya autokorelasi spasial positif. Dapat disimpulkan bahwa antar wilayah satu dengan wilayah lain yang terdampak COVID-19 memiliki kemiripan atau data hampir berkelompok. Hal ini menunjukkan penularan COVID-19 lebih disebabkan mobilitas atau pergerakan individu dari satu tempat ketempat lain yang menimbulkan adanya interaksi sehingga membentuk cluster.

Tabel 2. Global Moran's I Summary

Moran’s Index 0,328486Expected Index -0,012987

Variance 0,004683Z-score 4,989911p-value 0,000001

4. KESIMPULAN

Persebaran COVID-19 di DIY secara spasial berdasarkan hasil analisis Moran’s Index yaitu mengelompok dimana antar wilayah terdampak memiliki keterkaitan. Kasus COVID-19 di DIY tidak terdistribusi merata pada seluruh wilayah tetapi membentuk cluster pada wilayah2 yang berdekatan. Hal ini menunjukkan penularan COVID-19 dipengaruhi oleh interaksi antar individu

pada satu wilayah terdampak kemudian ada mobilitas sehingga kasus akan membentuk cluster baru lagi pada wilayah lain. Faktor iklim yaitu kelembaban dan temperatur dalam paper ini tidak menunjukkan pengaruh yang signifkan terhadap persebaran COVID-19. Pada beberapa wilayah seperti Kota Yogyakarta dan sebagian Kabupaten Sleman bagian selatan memiliki tenparatur yang tinggi namun jumlah kasus COVID-19 lebih banyak dibandingkan pada wilayah dengan temperatur yang lebih rendah.

REFERENSI

Abd Rahman, R., Ramli, R., 2013. The History of Yogyakarta, and Education City. Int. Proc. Econ. Dev. Res. 63, 73–77. https://doi.org/10.7763/IPEDR

Ahmadi, M., Sharifi, A., Dorosti, S., Jafarzadeh Ghoushchi, S., Ghanbari, N., 2020. Investigation of effective climatology parameters on COVID-19 outbreak in Iran. Sci. Total Environ. 729, 138705. https://doi.org/10.1016/j.scitotenv.2020.138705

Arroyo-Mora, J.P., Svob, S., Kalacska, M., Chazdon, R.L., 2014. Historical patterns of natural forest management in Costa Rica: The good, the bad and the Ugly. Forests 5, 1777–1797. https://doi.org/10.3390/f5071777

Bannister-Tyrrell, M., Meyer, A., Faverjon, C., Cameron, A., 2017. Preliminary evidence that higher temperatures are associated with lower incidence of COVID-19, for cases reported globally up to 29th February 2020. Nat. Sci. 15, 55–68. https://doi.org/10.1360/N972017-00542

BPS-Statistics of Daerah Istimewa Yogyakarta, 2020. Daerah Istimewa Yogyakarta Province in Figures 2020. Yogyakarta.

Cahya, G.A., Mahendra, Y.K.D., Damanik, I.I., 2017. Malioboro as a value of Special District of Yogyakarta City. IOP Conf. Ser. Earth Environ. Sci. 70. https://doi.org/10.1088/1755-1315/70/1/012055

Casanova, L.M., Jeon, S., Rutala, W.A., Weber, D.J., Sobsey, M.D., 2010. Effects of air temperature and relative humidity on coronavirus survival on surfaces. Appl. Environ. Microbiol. 76, 2712–2717. https://doi.org/10.1128/AEM.02291-09

Chan, K.H., Peiris, J.S.M., Lam, S.Y., Poon, L.L.M., Yuen, K.Y., Seto, W.H., 2011. The effects of temperature and relative humidity on the viability of the SARS coronavirus. Adv. Virol. 2011. https://doi.org/10.1155/2011/734690

Czaplewski, R.L., Reich, R.M., Bechtold, W.A., 1994. Spatial Autocorrelation in Growth of Undisturbed Natural Pine Stands Across Georgia. For. Sci. 40, 314–328.

Djalante, R., Lassa, J., Setiamarga, D., Sudjatma, A., Indrawan, M., Haryanto, B., Mahfud, C., Sinapoy, M.S., Djalante, S., Rafliana, I., Gunawan, L.A., Surtiari, G.A.K., Warsilah, H., 2020. Review and analysis of current responses to COVID-19 in Indonesia: Period of January to March 2020. Prog. Disaster Sci. 6, 100091. https://doi.org/10.1016/j.pdisas.2020.100091

Franch-Pardo, I., Napoletano, B.M., Rosete-Verges, F., Billa, L., 2020. Spatial analysis and GIS

in the study of COVID-19. A review. Sci. Total Environ. 739, 140033. https://doi.org/10.1016/j.scitotenv.2020.140033

Fu, W.J., Jiang, P.K., Zhou, G.M., Zhao, K.L., 2014. Using Moran’s i and GIS to study the spatial pattern of forest litter carbon density in a subtropical region of southeastern China. Biogeosciences 11, 2401–2409. https://doi.org/10.5194/bg-11-2401-2014

Griffith, D.A., 2020. Spatial Autocorrelation, in: Kobayashi, A.B.T.-I.E. of H.G. (Second E. (Ed.), . Elsevier, Oxford, pp. 355–366. https://doi.org/https://doi.org/10.1016/B978-0-08-102295-5.10596-7

Herliana, E.T., 2015. Preserving Javanese Culture through Retail Activities in Pasar Beringharjo, Yogyakarta. Procedia - Soc. Behav. Sci. 184, 206–213. https://doi.org/https://doi.org/10.1016/j.sbspro.2015.05.081

Huang, R., Liu, M., Ding, Y., 2020. Spatial-temporal distribution of COVID-19 in China and its prediction: A data-driven modeling analysis. J. Infect. Dev. Ctries. 14, 246–253. https://doi.org/10.3855/jidc.12585

Khormi, H., Kumar, L., 2011. Identifying and visualizing spatial patterns and hot spots of clinically-confirmed dengue fever cases and female Aedes aegypti mosquitoes in Jeddah, Saudi Arabia. 35, 15–34.

Kumari, M., Sarma, K., Sharma, R., 2019. Using Moran’s I and GIS to study the spatial pattern of land surface temperature in relation to land use/cover around a thermal power plant in Singrauli district, Madhya Pradesh, India. Remote Sens. Appl. Soc. Environ. 15, 100239. https://doi.org/10.1016/j.rsase.2019.100239

Mollalo, A., Vahedi, B., Rivera, K.M., 2020. GIS-based spatial modeling of COVID-19 incidence rate in the continental United States. Sci. Total Environ. 728, 138884. https://doi.org/10.1016/j.scitotenv.2020.138884

Peeters, A., Zude, M., Käthner, J., Ünlü, M., Kanber, R., Hetzroni, A., Gebbers, R., Ben-Gal, A., 2015. Getis-Ord’s hot- and cold-spot statistics as a basis for multivariate spatial clustering of orchard tree data. Comput. Electron. Agric. 111, 140–150. https://doi.org/10.1016/j.compag.2014.12.011

Prata, D.N., Rodrigues, W., Bermejo, P.H., 2020. Temperature significantly changes COVID-19 transmission in (sub)tropical cities of Brazil. Sci. Total Environ. 729, 138862. https://doi.org/10.1016/j.scitotenv.2020.138862

Qi, H., Xiao, S., Shi, R., Ward, M.P., Chen, Y., Tu, W., Su, Q., Wang, W., Wang, X., Zhang, Z., 2020. COVID-19 transmission in Mainland China is associated with temperature and humidity: A time-series analysis. Sci. Total Environ. 728, 138778. https://doi.org/10.1016/j.scitotenv.2020.138778

Sajadi, M.M., Habibzadeh, P., Vintzileos, A., Miralles-wilhelm, F., Amoroso, A., 1992. This preprint research paper has not been peer reviewed. Electronic copy available at: https://ssrn.com/abstract=3550308. Ssrn 6–7.

Sarp, G., Duzgun, S., 2015. Morphometric evaluation of the Afşin-Elbistan lignite basin using kernel density estimation and Getis-Ord’s statistics of DEM derived indices, SE Turkey. J.

Asian Earth Sci. 111, 819–826. https://doi.org/10.1016/j.jseaes.2015.07.022

Sasidharan, M., Singh, A., Torbaghan, M.E., Parlikad, A.K., 2020. A vulnerability-based approach to human-mobility reduction for countering COVID-19 transmission in London while considering local air quality. Sci. Total Environ. 741, 140515. https://doi.org/10.1016/j.scitotenv.2020.140515

Shereen, M.A., Khan, S., Kazmi, A., Bashir, N., Siddique, R., 2020. COVID-19 infection: Origin, transmission, and characteristics of human coronaviruses. J. Adv. Res. 24, 91–98. https://doi.org/10.1016/j.jare.2020.03.005

Sun, Z., Zhang, H., Yang, Y., Wan, H., Wang, Y., 2020. Impacts of geographic factors and population density on the COVID-19 spreading under the lockdown policies of China. Sci. Total Environ. 746, 141347. https://doi.org/10.1016/j.scitotenv.2020.141347

Tepanosyan, G., Sahakyan, L., Zhang, C., Saghatelyan, A., 2019. The application of Local Moran’s I to identify spatial clusters and hot spots of Pb, Mo and Ti in urban soils of Yerevan. Appl. Geochemistry 104, 116–123. https://doi.org/10.1016/j.apgeochem.2019.03.022

van Doremalen, N., Bushmaker, T., Munster, V.J., 2013. Stability of middle east respiratory syndrome coronavirus (MERS-CoV) under different environmental conditions. Eurosurveillance 18, 1–4. https://doi.org/10.2807/1560-7917.ES2013.18.38.20590

Wu, Y., Jing, W., Liu, J., Ma, Q., Yuan, J., Wang, Y., Du, M., Liu, M., 2020. Effects of temperature and humidity on the daily new cases and new deaths of COVID-19 in 166 countries. Sci. Total Environ. 729, 1–7. https://doi.org/10.1016/j.scitotenv.2020.139051

Xie, J., Zhu, Y., 2020. Association between ambient temperature and COVID-19 infection in 122 cities from China. Sci. Total Environ. 724, 138201. https://doi.org/10.1016/j.scitotenv.2020.138201

Yuan, Y., Cave, M., Zhang, C., 2018. Using Local Moran’s I to identify contamination hotspots of rare earth elements in urban soils of London. Appl. Geochemistry 88, 167–178. https://doi.org/10.1016/j.apgeochem.2017.07.011

Zhang, Y., Shen, Z., Ma, C., Jiang, C., Feng, C., Shankar, N., Yang, P., Sun, W., Wang, Q., 2015. Cluster of human infections with avian influenza a (H7N9) cases: A temporal and spatial analysis. Int. J. Environ. Res. Public Health 12, 816–828. https://doi.org/10.3390/ijerph120100816