Functional data analysis: Application to daily observation of COVID-19 prevalence in France

<abstract> <p>In this paper we use the technique of functional data analysis to model daily hospitalized, deceased, Intensive Care Unit (ICU) cases and return home patient numbers along the COVID-19 outbreak, considered as functional data across different departments in France while our response variables are numbers of vaccinations, deaths, infected, recovered and tests in France. These sets of data were considered before and after vaccination started in France. After smoothing our data set, analysis based on functional principal components method was performed. Then, a clustering using k-means techniques was done to understand the dynamics of the pandemic in different French departments according to their geographical location on France map. We also performed canonical correlations analysis between variables. Finally, we made some predictions to assess the accuracy of the method using functional linear regression models.</p> </abstract>

Weather Patterns Associated with DON Levels in Norwegian Spring Oat Grain: A Functional Data Approach

Fusarium graminearum is regarded as the main deoxynivalenol (DON) producer in Norwegian oats, and high levels of DON are occasionally recorded in oat grains. Weather conditions in the period around flowering are reported to have a high impact on the development of Fusarium head blight (FHB) and DON in cereal grains. Thus, it would be advantageous if the risk of DON contamination of oat grains could be predicted based on weather data. We conducted a functional data analysis of weather-based time series data linked to DON content in order to identify weather patterns associated with increased DON levels. Since flowering date was not recorded in our dataset, a mathematical model was developed to predict phenological growth stages in Norwegian spring oats. Through functional data analysis, weather patterns associated with DON content in the harvested grain were revealed mainly from about three weeks pre-flowering onwards. Oat fields with elevated DON levels generally had warmer weather around sowing, and lower temperatures and higher relative humidity or rain prior to flowering onwards, compared to fields with low DON levels. Our results are in line with results from similar studies presented for FHB epidemics in wheat. Functional data analysis was found to be a useful tool to reveal weather patterns of importance for DON development in oats.

GROWTH: Functional Data Analysis of the human height postnatal growth in an on-line application

Sledování individuálního růstu je v pediatrické praxi vyžadováno denně a často je doprovázeno potřebou podrobnějších analýz. Analýzu lidského růstu potřebují také sportovní antropologové a výzkumníci v oblasti biologie člověka. Přínosem by tedy byla pokročilá a zároveň snadno použitelná a bezplatná aplikace, která by pediatrům, auxologům a výzkumným pracovníkům v oblasti biologie člověka umožňovala provádět hloubkovou analýzu postnatálního růstu. Aplikace GROWTH byla vyvinuta na základě pochopení biologických procesů lidského růstu a matematických přístupů, které poskytují nejvhodnější model pro individuální (longitudinální) empirická data. Aplikace je navržena tak, aby ji bylo možné používat v každodenní pediatrické praxi. Poskytuje lékařům nástroje pro sledování růstu, předpovídání dosažené výšky a diagnostiku patologických růstových vzorců. Pokročilá analýza zahrnuje odhad časování hlavních růstových milníků. Současná verze je vyvrcholením několikastupňového vývoje aplikace a je založena na metodě FPCA (funkční analýza hlavních komponent) s numerickou optimalizací. Výstupní parametry jsou snadno použitelné a zobrazují se numericky i graficky.