مقایسه مدل های لاجیت و شبکه عصبی مصنوعی در پیش بینی میزان مراجعه کنندگان بیماری آسم در ارتباط با پارامترهای اقلیمی شهر سنندج
Publish place: Geography and Planning، Vol: 24، Issue: 71
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 339
This Paper With 22 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GEOP-24-71_003
تاریخ نمایه سازی: 6 بهمن 1399
Abstract:
یشبینی تعداد افراد مراجعهکننده به بیمارستانها در ارتباط با پارامترهای اقلیمی از موضوعات قابل بحت و تأمل است که با تغییرات اقلیمی و گسترش شهرنشینی و آلودگی هوا در دهههای اخیر دامنگیر بسیاری از جوامع بشری شده است. استفاده از مدلهای پیشبینی میتواند بعنوان ابزاری کارآمد در مدیریت و کنترل بیماریها، کاهش مرگ و میر و برنامهریزیها مورد توجه قرار گیرد که در این پژوهش دو مدل شبکه عصبی مصنوعی و رگرسیون لوجستیک (لاجیت) به عنوان ابزاری کارآمد در پیشبینی فرآیندهای غیرخطی و پیچیده جهت پیشبینی میزان مراجعهکنندگان بیماری آسم در شهر سنندج در ارتباط با پارامترهای اقلیمی مورد بررسی قرار گرفت. دادههای مورد بررسی در بازه زمانی 8 ساله (2008-2001) از ایستگاه هواشناسی سینوپتیک سنندج و بیمارستانهای توحید و بعثت در سطح شهر سنندج اخذ گردید. سپس، پارامترهای اقلیمی به عنوان ورودی و میزان مراجعهکنندگان بیماری آسم بعنوان خروجی مدلها در نظر گرفته شدند. نتایج حاصل از بررسی نشان داد که مدل شبکه عصبی با ورود پارامترهای متوسط فشار QFE و میانگینهای حداقل و حداکثر دمای ماهانه و همچنین میانگین دمای ماهانه با دقت قابل قبولی میزان مراجعهکنندگان بیماری آسم را پیشبینی میکند به طوری که ضریب همبستگی دادههای واقعی و پیشبینی شده برابر با 99/0 است که در سطح 01/0 معنیدار هستند. پارامترهای ورودی در روش لاجیت نیز نشان میدهد که میزان مراجعهکنندگان بیماری آسم از پارامترهای میانگین حداقل دما، متوسط فشار QFF و متوسط سرعت باد (نات) تأثیر میپذیرند. نسبت لگاریتمی هر کدام از پارامترهای فوق بر روی تعداد مراجعهکننده به ترتیب با ضریب بتای 517/0-، 734/0- و 977/0- معنیدارند و از میان پارامترهای اقلیمی نیز عنصر باد به مراتب بیشتر از سایر پارامترها بر روی میزان تعداد افراد مراجعهکننده به بیمارستان تأثیر گذار است. در مجموع از بین دو مدل غیرخطی مورد بررسی، مدل شبکه عصبی مصنوعی، قابلیت و دقت بیشتری را نسبت به مدل لاجیت نشان داد.
Keywords:
Authors
علی محمد خورشیددوست
استاد گروه آب و هواشناسی، دانشگاه تبریز
کاوه محمدپور
دانش آموخته دکترای اقلیم شناسی، دانشگاه خوارزمی تهران(نویسنده مسیول)
سید اسعد حسینی
دکترای اقلیم شناسی، دانشگاه محقق اردبیلی