تشخیص عوامل بیماریزا، شناسایی تجمع مکانی بیماری و یافتن الگوی انتشار آن در محیط از ضروریترین نیازها در زمینه بهداشت عمومی و مدیریت بیماریها به شمار میآیند. بیماری لپتوسپیروز یکی از بیماریهای مشترک انسان و دام میباشد که تقریبا در تمام نقاط جهان بهویژه در مناطق گرمسیری، نیمهگرمسیری و نواحی گرم و مرطوب شیوع بیشتری دارد. شرایط آب و هوایی معتدل و مرطوب در استانهای شمالی ایران این مناطق را در معرض خطر بیشتر برای ابتلا به این بیماری قرار داده است. اهداف اصلی این تحقیق بررسی سالانه توزیع مکانی بیماری لپتوسپیروز، کشف خوشههای مکانی و مکانی- زمانی بیماری و تهیه نقشه پیشبینی توزیع مکانی- زمانی آن در استانهای شمالی ایران میباشد. در این تحقیق دادههای وقوع بیماری لپتوسپیروز به همراه دادههای محیطی و توپوگرافی از قبیل میانگین دمای هوا، میانگین رطوبت، مجموع بارش سالیانه، ارتفاع، شیب، جهت شیب و تعداد روزهای یخبندان در سه استان گیلان، مازندران و گلستان از ابتدای سال 1389 تا پایان سال 1393 به صورت ماهانه جمعآوری شدهاند. به منظور بررسی وجود و یا عدم وجود خودهمبستگی مکانی میان موارد وقوع بیماری لپتوسپیروز از شاخصهای عمومی اندازه گیری خودهمبستگی مکانی همچون Moran’s I و General G استفاده شده است. آزمونهای خودهمبستگی عمومی برای هر 6 سال به صورت جداگانه فرض تصادفی بودن توزیع بیماری در منطقه را رد کرده و بیانگر این است که توزیع بیماری در منطقه در هر 6 سال خوشهای میباشد. به منظور کشف خوشههای مکانی و شناسایی مناطق پرخطر بیماری لپتوسپیروز از شاخصهای محلی کشف خوشههای مکانی از قبیل Local Moran’s I و GiLocal استفاده شده است. در این تحقیق به منظور تهیه نقشه پیشبینی توزیع مکانی- زمانی بیماری لپتوسپیروز، از دو مدل رگرسیون وزندار جغرافیایی و شبکه عصبی پرسپترون چند لایه استفاده شده است. در نهایت معیارهای ضریب کاپا، RMSE، MAPE و R2 جهت ارزیابی عملکرد مدلهای پیشنهادی به کار گرفته شدهاند.
AhangarCani M, Farnaghi M, Shirzadi M R. Predictive Map of Spatio-Temporal Distribution of Leptospirosis Using Geographical Weighted Regression and Multilayer Perceptron Neural Network Methods. JGST 2016; 6 (2) :79-98 URL: http://jgst.issgeac.ir/article-1-483-fa.html
آهنگرکانی مهرداد، فرنقی مهدی، شیرزادی محمدرضا. پیش بینی مکانی-زمانی مناطق پرخطر بیماری لپتوسپیروز با استفاده از روش های رگرسیون وزندار جغرافیایی و شبکه عصبی پرسپترون چندلایه. علوم و فنون نقشه برداری. 1395; 6 (2) :79-98