Journal of Geomatics Science and Technology

fa مقایسه عملکرد الگوریتم‌های یادگیری ماشین در پیش‌بینی توزیع مکانی بیماری سالک بر رویکرد نقشه های دوگانه Comparing the performance of machine learning algorithms in predicting the spatial distribution of cutaneous leishmaniasis using a dual-map approach سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">لیشمانیوز جلدی به‌عنوان یک بیماری مشترک انسان و حیوان، همچنان یکی از چالش‌های پایدار سلامت عمومی در مناطق اندمیک به‌شمار می‌رود. این پژوهش با تلفیق سامانه‌های اطلاعات مکانی و الگوریتم‌های یادگیری ماشین به بررسی تأثیر عوامل محیطی و مکانی بر الگوی پراکنش لیشمانیوز جلدی در استان ایلام (غرب کشور ایران) طی سال‌های ۲۰۱۴ تا ۲۰۱۹ پرداخته است. داده‌های وقوع بیماری با متغیرهای اقلیمی ترکیب شدند. به‌منظور غلبه بر محدودیت داده‌های فقط-حضور، یک چارچوب مدل‌سازی مقایسه‌ای با تولید داده‌های شبه‌عدم‌حضور و ترسیم نقشه‌های دوگانه مکانی توسعه یافت. سه الگوریتم شامل ماشین بردار پشتیبان، جنگل تصادفی و رگرسیون لجستیک  پیاده‌سازی شدند. مدل جنگل تصادفی عملکرد برتری نسبت به سایر مدل‌ها نشان داد و به شاخص‌های ارزیابی شامل AUC-ROC برابر 9995/0، Recall برابر 92/0، Precision  برابر 88/0، F1-Score برابر 90/۰ و  Accuracy برابر ۹۹۸۸/0 دست یافت. تحلیل اهمیت ویژگی‌ها، معیار بیشینه میانگین دما (TMax_M) را به‌عنوان مؤثرترین متغیر پیش‌بینی‌کننده شناسایی کرد. نقشه‌های خروجی نشان دادند که کانون‌های پرخطر عمدتاً در نواحی مرکزی و جنوب‌غربی استان متمرکز هستند. یافته‌های مکانی این پژوهش، ارتباط حیاتی بین محرک‌های خاص اقلیمی و کانون‌های بیماری را نشان می‌دهد. این مطالعه با ارائه نقشه‌های دوگانه (احتمال و ریسک)، شواهد کاربردی ارزشمندی را برای اولویت‌بندی نظارت و اقدامات پیشگیرانه در اختیار مقامات بهداشتی قرار می‌دهد.</div>   <div style="text-align: justify;">Cutaneous leishmaniasis, a common disease of humans and animals, remains one of the persistent public health challenges in endemic areas. In this study, by integrating spatial information systems and machine learning algorithms, we investigated the impact of environmental and spatial factors on the distribution pattern of cutaneous leishmaniasis in Ilam Province (western Iran) during 2014–2019. Disease incidence data were combined with climatic variables. To overcome the limitation of presence-only data, a comparative modeling framework was developed by generating pseudo-absence data and producing spatial dual maps. Three algorithms, support vector machine, random forest, and logistic regression, were implemented. The random forest model demonstrated superior performance compared to the other models, achieving evaluation metrics including an AUC-ROC of 0.9995, a recall of 0.92, a precision of 0.88, an F1-score of 0.90, and an accuracy of 0.9988. Feature importance analysis identified maximum mean temperature (TMax_M) as the most influential predictor variable. The output maps showed that high-risk hotspots were mainly concentrated in the central and southwestern regions of the province. The spatial findings of this study highlight the critical relationship between specific climatic drivers and disease hotspots. By providing dual maps (probability and risk), this study offers valuable practical evidence for health authorities to prioritize surveillance and preventive measures.</div> سالک, یادگیری ماشین, سلامت مکانی, مدل‌سازی مکانی, چارچوب نقشه دوگانه, معیارهای اقلیمی. Cutaneous leishmaniasis, machine learning, geospatial health, spatial modeling, dual-map framework, climatic factors. 1 15 http://jgst.issgeac.ir/browse.php?a_code=A-10-581-3&slc_lang=fa&sid=1 Zeinab Neisani Samani زینب نیسانی سامانی zeinab.neisani@email.kntu.ac.ir 100319475328460011109 100319475328460011109 No Department of GIS, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology دانشکده مهندسی نقشه برداری – دانشگاه صنعتی خواجه نصیرالدین طوسی Ali Asghar Alesheikh علی اصغر آل شیخ alesheikh@kntu.ac.ir 100319475328460011110 100319475328460011110 Yes Department of GIS, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology دانشکده مهندسی نقشه برداری – دانشگاه صنعتی خواجه نصیرالدین طوسی