fa مدلسازی و تحلیل روند توزیع بیماری لیشمانیوز با استفاده از شبکه عصبی پرسپترون چند لایه و رگرسیون بردار پشتیبان ( مطالعه موردی: روستاهای استان اصفهان) سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">روستاهای واقع در استان اصفهان یکی از مناطق مستعد شیوع بیماری لیشمانیوز پوستی است که با وقوع زخم روی پوست مشخص می‌شود. برای پیش‌بینی شیوع بیماری لیشمانیوز پوستی در آینده، نظارت مداوم بر روند توزیع مکانی این بیماری ضروری است. مدلسازی بیماری با استفاده از دو الگوریتم یادگیری ماشین به نام های رگرسیون بردار پشتیبان <span dir="LTR">(SVR)</span> و شبکه عصبی پرسپترون چند لایه <span dir="LTR">(MLP)</span> انجام شده است. عملکرد این الگوریتم ها با استفاده از شاخص <span dir="LTR">RMSE</span> ارزیابی شده است. تحلیل نتایج نشان می دهد الگوریتم <span dir="LTR">SVR</span> با <span dir="LTR">RMSE=0.170</span> در مقایسه با <span dir="LTR">MLP</span> با <span dir="LTR">RMSE= 0.348</span> عملکرد بهتری دارد. عوامل محیطی شامل دما، رطوبت، بارش، ارتفاع و سرعت باد &nbsp;به عنوان متغیر های مستقل و تخمین تراکم &nbsp;بیماری لیشمانیوز پوستی به عنوان متغیر وابسته در فرایند مدلسازی مورد استفاده بودند، که از این تعداد (&rlm;۷۰ %)&rlm; برای آموزش مدل‌ و (&rlm;۳۰ %)&rlm; باقی مانده برای ارزیابی مدل مورد استفاده قرار گرفتند. نتایج شاخص تحلیل مکانی نشان داد الگوی توزیع بیماری لیشمانیوز پوستی در سال های 1397 تا 1399 بصورت خوشه ای بوده است.<span dir="LTR"></span></div> Villages located in Isfahan province are one of the areas prone to the spread of cutaneous leishmaniasis, which is characterized by the occurrence of wounds on the skin.&nbsp;To predict the future prevalence of cutaneous leishmaniasis,&nbsp;Continuous monitoring of the spatial distribution of this disease is essential.&nbsp;Disease modeling was performed using two machine learning algorithms called support vector regression (SVR) and multilayer perceptron neural network (MLP).&nbsp;The performance of these algorithms is evaluated using the RMSE index.&nbsp;Analysis of the results shows that SVR algorithm with RMSE = 0.170 compared to MLP with RMSE = 0.348&nbsp;has better performance.&nbsp;Environmental factors include temperature, humidity, precipitation, altitude and wind speed as independent variables and&nbsp;Estimation of leishmaniasis density was used as a dependent variable in the modeling process,&nbsp;Of which (70%) were used for model training and the remaining (30%) for model evaluation.&nbsp;The results of&nbsp;spatial analysis index showed that&nbsp;The distribution pattern of cutaneous leishmaniasis in the years 1397 to 1399 was clustered. بیماری لیشمانیوز پوستی, شبکه عصبی پرسپترون چندلایه, رگرسیون بردار پشتیبان, الگوی بیماری, روستاهای استان اصفهان Cutaneous leishmaniasis, Multilayer perceptron neural network, Support vector regression, Pattern of disease, Villages of Isfahan province 1 15 http://jgst.issgeac.ir/browse.php?a_code=A-10-959-1&slc_lang=fa&sid=1 negar shabanpour نگار شعبانپور negarshabanpour90@gmail.com 10031947532846009524 10031947532846009524 Yes Geomatics Engineering Faculty - K.N. Toosi University of Technology, Tehran, Iran Neda Kaffash Charandabi ندا کفاش چرندابی n_kaffash@tabrizu.ac.ir 10031947532846009525 10031947532846009525 No Assistant Professor of Geomatics Department - Marand Faculty of Engineering - Tabriz University Mohammad Reza Shirzadi محمدرضا شیرزادی shirzadim@gmail.com 10031947532846009526 10031947532846009526 No Head of the Center for Control and Prevention of Infectious Diseases of the Ministry of Health-Tehran, Iran مرکز کنترل و پیشگیری بیماریهای واگیردار وزارت بهداشت-درمان و آموزش پزشکی