Journal of Geomatics Science and Technology

fa پیش بینی مکانی زمانی مناطق پرخطر بیماری کرونا با استفاده از روشهای رگرسیون وزندار جغرافیایی و شبکه عصبی پرسپترون چندلایه Spatial-temporal prediction of high-risk areas of Covid-19 disease using Geographically Weighted Regression and Multi Layer Perceptron neural network سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">یکی از مسری ترین بیماریهای سالهای اخیر کووید 19(کرونا) است که از اواخر سال 2019 میلادی از شهر ووهان- چین به سراسر جهان شیوع پیدا کرد و جهان را با بحرانهای بسیار مواجه و تاثیر عمیقی در دنیا و زندگی روزمره انسانها گذاشت. در بیشتر افراد آلوده به این بیماری باعث بروز علائم تنفسی شده که شدت آن بستگی به سیستم ایمنی بدن فرد دارد. اهداف اصلی این تحقیق، کشف خوشه ها و پیش بینی مناطق پرخطر بیماری کرونا، مقایسه کارایی دو روش پیشنهادی و تعیین پارامترهای موثر به تفکیک شهرستان میباشد. در این تحقیق به منظور بررسی الگوی توزیع نرخ بروز بیماری و خوشهها به ترتیب از شاخص موران و شاخص تحلیل نقطه داغ و به منظور تعیین پارامترهای موثر بیماری از ضریب همبستگی پیرسون استفاده شد. در این تحقیق داده‌های آماری بیماری کرونای استان آذربایجانشرقی در سطح شهرستان به همراه دادههای محیطی و توپوگرافی، سلامت و بهداشت، اقتصادی و تسهیلات شهری در محدوده زمانی 3 اسفند 1398 تا 30 آبان 1399، بصورت هفتگی جمع‌آوری گردید. مطابق نتایج بدست آمده روند بروز بیماری کرونا طی این بازه زمانی دو پیک را پشت سر گذاشته و براساس نقشههای بدست آمده از دو مدل در برخی هفته ها مدل GWR و در برخی مدل MLP مدل برتری بود. همچنین برای مدل GWR مقدار شاخص خوبی برازش 8985/0 و خطای جذر میانگین مربعات نرمال شده 0822/0 و برای مدل MLP نیز بترتیب برابر با 8226/0 و 1340/0 بدست آمد که نشان میدهد روش GWR مناسبتر است. آنالیز تحلیل حساسیت پارامترهای مختلف نشان داد که پارامترهای نرخ بروز کرونای هفته ماقبل و سرعت باد مهمتر از سایر پارامترهای مدسازی شده در این مساله میباشد. در این تحقیق پارامترهای موثر به تفکیک هر شهرستان استخراج گردید و یک مدل محلی ارائه شد که در مقایسه با حالت کلی، مدل محلی دقت بهتری نسبت به مدل کلی روش MLP دارا بود.</div> <div style="text-align: justify;">One of the most contagious diseases of recent years is Covid 19 disease (Corona), which has spread from Wuhan, China to the rest of the world since late 2019, causing many crises and a profound impact on the world and our daily lives. In most people infected with the disease, it causes respiratory symptoms, the severity of which depends on the person's immune system. The main objectives of this study are to discover the clusters and predict the high risk areas of Covid 19 disease, compare the efficiency of the two proposed methods and determine the effective parameters by city. In this study, Moran index and hot spot analysis index were used to investigate the distribution pattern of disease incidence rates and clusters, respectively, and Pearson correlation coefficient was used to determine effective disease parameters. In this study, statistical data of Covid 19 disease of East Azerbaijan province in the city along with environmental and topographic, health, economic and urban facilities data in the period from February 22, 2020 to November 20, 2020, were collected weekly. According to the results, the incidence of Covid 19 disease during this period has passed two peaks and according to the maps obtained from the two models, in some weeks the GWR model and in some weeks the MLP model was the superior model; also, for the GWR model, the goodness of fit index value is 0.8985 and the normalized root mean square error is 0.0822 and for the MLP model is 0.8226 and 0.1340, respectively, which shows that the GWR method is more appropriate. Sensitivity analysis of different parameters showed that the parameters of the Covid 19 incidence rate of the previous week and wind speed are more important than other modeled parameters in this issue. In this study, effective parameters were extracted separately for each city and a local model was presented that compared to the general state of the model, the local model had better accuracy than the general model of the MLP method.</div> کووید 19(کرونا ویروس), توزیع مکانی زمانی, پیش بینی, شبکه عصبی پرسپترون چند لایه, رگرسیون وزندار جغرافیایی, سیستم اطلاعات مکانی Covid_19 (corona virus), spatio-temporal distribution, prediction modeling, multilayer perceptron neural network, geographic weight regression, GIS 17 38 http://jgst.issgeac.ir/browse.php?a_code=A-10-93-3&slc_lang=fa&sid=1 Milad Ilkhani khosrowshahi میلاد ایلخانی خسروشاهی milkhanikh@email.kntu.ac.ir 10031947532846009587 10031947532846009587 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیر الدین طوسی Mohammad Karimi محمد کریمی mkarimi@kntu.ac.ir 10031947532846009588 10031947532846009588 Yes K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیر الدین طوسی Neda Kaffash Charandabi ندا کفاش چرندابی n_kaffash@tabrizu.ac.ir 10031947532846009589 10031947532846009589 No University of Tabriz دانشگاه تبریز