Journal of Geomatics Science and Technology

fa پیش بینی مکانی-زمانی مناطق پرخطر بیماری لپتوسپیروز با استفاده از روش های رگرسیون وزندار جغرافیایی و شبکه عصبی پرسپترون چندلایه Predictive Map of Spatio-Temporal Distribution of Leptospirosis Using Geographical Weighted Regression and Multilayer Perceptron Neural Network Methods سامانه های اطلاعات مکانی GIS پژوهشي Research 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 Gi Local 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. Detection of pathogenic factors, identify the spatial accumulation of disease cases and finding its distribution pattern are of urgent need in the field of public health and disease management and control. Leptospirosis is a zoonotic disease which occurs worldwide but is most common in tropical and subtropical areas with high rainfall. Wet and mild weather conditions in the northern provinces of Iran have put these areas at high risk for Leptospirosis incidence. The main objectives of this study are to investigate the annual pattern of Leptospirosis distribution, identify the spatial and spatio-temporal clusters of the disease and generate the annual predictive map of spatio-temporal distribution of Leptospirosis at the district level in the Northern provinces of Iran. In this study, Leptospirosis incidences, census data and topographical and climate factors have been used to generate the annual predictive map of spatio-temporal distribution of Leptospirosis. The Leptospirosis incidences are continuously recorded by the Center for Disease Control and Prevention of Ministry of Health of Iran. The population census count estimates for period 2009-2014 were obtained from the Statistical Center of Iran. Topographical data were used to generate the altitude, slope and aspect maps. Climate data such as average temperature, average humidity, annual rainfall and number of freezing days were used to model other affecting parameters. Global clustering methods including Moran’s I and general G indices were applied to investigate the existence of spatial autocorrelation between cases of Leptospirosis and also analyze the annual spatial distribution of the existing patterns. Results of both Moran’s I and general G indices indicated meaningful persistent spatial autocorrelation between Leptospirosis cases and highly clustered distribution of Leptospirosis. Additionally, presence of spatial clusters of Leptospirosis and detection of high risk areas of disease were investigated using the local Moran’s I and local G indices. The results of the local Moran’s I and local G indices identified significant spatial clusters of Leptospirosis cases located in central, north-eastern and western parts of Guilan, Mazandaran and Golestan provinces, respectively. Geographically weighted regression (GWR) and multilayer perceptron neural network (MLP) models were used to generate the annual predictive map of spatio-temporal distribution of Leptospirosis and modelling the relation between the distribution of Leptospirosis cases with topographical and climate factors. Performance of GWR and MLP models were compared using Kappa coefficient, RMSE, MAPE and R2 measures.  The evaluation results showed that the MLP model was able to predict the incidence rate of Leptospirosis in 2014 for each district with acceptable accuracy. MLP was able to model the relationship between Leptospirosis incidence and factors better than GWR. Additionally, results of both GWR and MLP models showed that average humidity and annual rainfall are most important affecting factors on Leptospirosis incidence in the Northern provinces of Iran, respectively. Such predictive maps can be used to provide essential guidelines for planning of effective control strategies and identification of high risk areas of Leptospirosis which should receive more preventive measures from policy makers and healthcare authorities.  بیماری لپتوسپیروز, سامانه اطلاعات مکانی, توزیع مکانی- زمانی, رگرسیون وزندار جغرافیایی, شبکه عصبی, ایران Leptospirosis, Geographical Information Systems, Spatio-Temporal Distribution, Geographically Weighted Regression, Neural Network, Iran 79 98 http://jgst.issgeac.ir/browse.php?a_code=A-10-439-1&slc_lang=fa&sid=1 M. AhangarCani مهرداد آهنگرکانی mahangarcani@gmail.com 10031947532846003755 10031947532846003755 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی M. Farnaghi مهدی فرنقی farnaghi@kntu.ac.ir 10031947532846003756 10031947532846003756 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی M. R. Shirzadi محمدرضا شیرزادی shirzadim@gmail.com 10031947532846003757 10031947532846003757 No Ministry of Health & Medical Education of iran وزارت بهداشت، درمان و آموزش پزشکی ایران