این مطالعه به مدل‌سازی تغییرات فضایی در شیوع COVID-19 با استفاده از سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) در هنگام برخورد با روابط غیرخطی اختصاص دارد، به‌ویژه برای مناطق کوچک یا مشکلات اندازه نمونه کوچک مفید است. ما طیف وسیعی از عوامل اجتماعی-دموگرافیک، محیطی و اقلیمی را به همراه کاربری‌های شهری بالقوه مرتبط برای پیش‌بینی شیوع COVID-19 در مناطق روستایی استان گلستان در شمال شرق ایران با نسبت مرگ و میر بسیار بالا (9.06%) گردآوری کردیم. در طول سال اول همه گیری (2020-2021). ما همچنین روش ANFIS و تجزیه و تحلیل مؤلفه اصلی (PCA)-ANFIS را برای مدل‌سازی شیوع COVID-19 در چارچوب سیستم اطلاعات جغرافیایی مقایسه کردیم. نتایج ما نشان داد که همراه با PCA، دقت ANFIS به طور قابل توجهی افزایش یافته است.2 (ضریب تعیین) = 0.615، MAE (میانگین خطای مطلق) = 0.104، MSE (میانگین مربع خطا) = 0.020، و RMSE (ریشه میانگین مربع خطا) = 0.139) نسبت به مدل ANFIS (R 2 = 0.543، MAE = 0. ، MSE = 0.034 و RMSE = 0.185). تحلیل حساسیت مدل ANFIS نشان داد که نرخ مهاجرت، نرخ اشتغال، تعداد روزهای بارندگی و واحدهای آپارتمانی مسکونی بیشترین عوامل مؤثر در پیش‌بینی شیوع کووید-19 در استان گلستان بودند. یافته‌های ما نشان‌دهنده توانایی مدل ANFIS در برخورد با پارامترهای غیرخطی، به‌ویژه برای نمونه‌های کوچک است. شناسایی عوامل اصلی در گسترش COVID-19 ممکن است بینش مفیدی را برای سیاستگذاران بهداشتی ارائه دهد تا به طور موثر شیوع بالای این بیماری را کاهش دهند.

کلید واژه ها:

سیستم استنتاج عصبی فازی تطبیقی COVID-19 ؛ سیستم های اطلاعات جغرافیایی ; تجزیه و تحلیل مولفه اصلی ; عوامل اجتماعی-محیطی ؛ کاربری اراضی شهری

1. مقدمه

بیماری کروناویروس 2019 (COVID-19)، ناشی از سندرم حاد تنفسی ویروس کرونا 2 (SARS-CoV-2) [ 1 ]، بر زندگی روزمره انسان‌ها در سراسر جهان تأثیر منفی گذاشته و بار اجتماعی-اقتصادی بی‌سابقه‌ای را ایجاد کرده است. انتشار سریع عفونت منجر به شیوع بالای بیماری و مرگ و میر در بیش از 200 کشور در کمتر از چند ماه پس از شیوع شده است [ 2 ]. در اواسط فوریه 2020، سازمان بهداشت جهانی (WHO) ایران را به عنوان دومین کانون انتقال ویروس در سراسر جهان اعلام کرد [ 1 ]. از اول جولای 2022، ایران نسبت مرگ و میر (CFR) را 1.95 درصد گزارش کرده است، به طور قابل توجهی بالاتر از CFR در سراسر جهان (1.15٪) [ 3 ].]. اگرچه اقدامات پیشگیرانه بهداشت عمومی، مانند واکسیناسیون و آزمایش زودهنگام، برای مقابله به موقع با بیماری [ 2 ] ضروری است، به نظر می رسد که برای کنترل شیوع بیماری، به ویژه در کشورهای در حال توسعه یا توسعه نیافته، کافی نیست.
با شروع همه گیری، تلاش های متعددی برای تشخیص زودهنگام و پیش بینی COVID-19 انجام شده است [ 4 ، 5 ، 6 ، 7 ، 8 ]. اگرچه این مطالعات در تشخیص و پیش‌بینی COVID-19 عملکرد خوبی داشتند، اما مؤلفه فضایی بیماری و عوامل بالقوه مؤثر بر توزیع فضایی COVID-19 را در نظر نگرفتند. مطالعات اخیر نشان داده است که اجتماعی-اقتصادی [ 9 ]، جمعیت شناختی [ 10 ]، اقلیمی [ 11 ] و محیطی [ 12 ]] متغیرها به طور بالقوه می توانند بر تغییرات مکانی در COVID-19 تأثیر بگذارند. بنابراین، بررسی تأثیرات این متغیرها بر گسترش کووید-19 ممکن است دستورالعمل‌هایی را برای سیاست‌گذاران بهداشتی فراهم کند تا درک بهتری از مناطق مستعد بیماری داشته باشند، بر شیوع آن نظارت کنند و منابع پزشکی را به طور مؤثر تخصیص دهند.
سیستم اطلاعات جغرافیایی (GIS) به طور مکرر برای بررسی پویایی فضایی بیماری های عفونی مورد استفاده قرار گرفته است [ 13 ، 14 ، 15 ]. تا به امروز، بسیاری از مطالعات مرتبط با GIS در مورد COVID-19 از دیدگاه های مختلف، از جمله تجزیه و تحلیل مکانی و زمانی [ 16 ]، مدل سازی فضایی با استفاده از عوامل تعیین کننده محیطی [ 12 ، 17 ]، داده کاوی [ 18 ]، و مدل های پیش بینی با استفاده از هوشمند انجام شده است. سیستم ها [ 19 ]. به عنوان مثال [ 10]، رگرسیون وزن‌دار جغرافیایی (GWR) و روش‌های GWR چند مقیاسی را در یک چارچوب GIS برای بررسی توزیع COVID-19 در ایالات متحده به کار برد. این مطالعه نشان داد که نابرابری درآمد، زنان سیاهپوست (درصد)، پرستاران (درصد) و درآمد خانوار مهم‌ترین عوامل مؤثر بر بروز کووید-19 بودند. در یک مطالعه دیگر مبتنی بر GIS [ 12 ]، بروز تجمعی بیماری را در سراسر قاره ایالات متحده توسط یک شبکه عصبی پرسپترون چند لایه (MLP) پیش بینی کرد. یافته‌های آن‌ها نشان داد که درآمد متوسط ​​خانوار، سرطان لوزالمعده، لوسمی، نرخ مرگ‌ومیر ناشی از بیماری ایسکمیک قلبی با سن تعدیل‌شده و بارندگی کل محرک‌های اصلی انتشار COVID-19 هستند.
در حالی که تجزیه و تحلیل فضایی توزیع COVID-19 اغلب در بسیاری از کشورها از جمله چین [ 16 ]، ایتالیا [ 20 ]، برزیل [ 21 ]، ایالات متحده [ 10 ، 12 ] و هند [ 22 ] انجام شده است. به پویایی فضایی بیماری در ایران با استفاده از الگوریتم های یادگیری ماشینی (ML) و تکنیک های GIS توجه شده است. به عنوان مثال [ 23]، نقشه های خطر ابتلا به کووید-19 در ایران را در سطح استان با استفاده از سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS)، GWR و GWR چند مقیاسی ارائه کرد. این مطالعه نشان داد که افراد مسن و تراکم جمعیت مهم‌ترین شاخص‌های شیوع COVID-19 هستند. مطالعه دیگری که توسط [ 9 ] انجام شد، توزیع COVID-19 را با سه رویکرد ML، از جمله جنگل تصادفی (RF)، رگرسیون لجستیک، و ANFIS با توجه به هشت کاربری زمین (نوایی‌ها، ماشین‌های باجه خودکار (ATM)، ایستگاه‌های حمل‌ونقل عمومی، سوپرمارکت‌ها مدل‌سازی کرد. بانک ها، داروخانه ها، بیمارستان ها و جایگاه های سوخت) در تهران، ایران. آنها نشان دادند که توزیع بیماری بیشتر در داروخانه ها و ایستگاه های حمل و نقل عمومی متمرکز است.
ANFIS، یک رویکرد قوی ML، مزایای شبکه های عصبی مصنوعی (ANN) و سیستم های استنتاج فازی (FIS) را حفظ می کند [ 24 ]. علاوه بر قدرت مدل ANFIS در بررسی مسائل پیچیده، تجزیه و تحلیل مؤلفه اصلی (PCA) می تواند پیچیدگی مجموعه داده را با کاهش تعداد زیادی از عوامل به مجموعه جدیدی از پارامترهای کمتر کاهش دهد [ 25 ، 26 ]. PCA را می توان با رویکردهای ML، مانند ANFIS، ترکیب کرد تا زمان همگرایی را کاهش دهد و عملکرد پیش بینی آن را افزایش دهد [ 15 ، 27 ].
اگرچه مطالعات متعددی برای مدل‌سازی فضایی COVID-19 با استفاده از رویکردهای ML در سرتاسر جهان انجام شده است، توجه کمی به ANFIS یا PCA-ANFIS شده است، عمدتاً در هنگام برخورد با اندازه‌های نمونه کوچک و مناطق کوچک از طریق دیدگاه فازی. با توجه به انعطاف‌پذیری و تطبیق پذیری بالای ANFIS و توانایی PCA برای افزایش عملکرد پیش‌بینی مدل، سهم اصلی این مطالعه استفاده ترکیبی از روش‌های PCA و ANFIS برای مدل‌سازی شیوع COVID-19 است. هدف این مطالعه مقایسه عملکرد مدل‌های ANFIS و PCA-ANFIS در مدل‌سازی توزیع فضایی شیوع COVID-19 در استان گلستان است که CFR آن تقریباً 2.5 برابر بیشتر از CFR در ایران (9.06٪ در مقابل 3.68٪) است. [ 28]. یافته‌های این مطالعه ممکن است بینش‌های ارزشمندی را برای مدیران بهداشتی فراهم کند تا عوامل مؤثر بر شیوع COVID-19 را شناسایی کنند، که ممکن است منجر به توسعه مداخلات هدفمند در پاسخ به انتقال COVID-19 شود.

2. مواد و روشها

2.1. منطقه مطالعه

استان گلستان از نظر جغرافیایی بین طول‌های جغرافیایی 53 درجه و 57 دقیقه تا 56 درجه و 22 دقیقه از نصف النهار گرینویچ و عرض‌های جغرافیایی 36 درجه و 30 دقیقه تا 38 درجه و 08 دقیقه شمالی خط استوا، در سواحل جنوب شرقی دریای خزر و جنوب جمهوری قرار دارد. ترکمنستان ( شکل 1 ). مساحت این استان 20367 کیلومتر مربع و بیش از 1.87 میلیون نفر جمعیت دارد. این استان شامل 14 شهرستان است که به 60 بخش روستایی تقسیم شده اند (یعنی واحد تحلیل در این مطالعه) [ 29 ].

2.2. جمع آوری و آماده سازی داده ها

داده های بیماری و عوامل مرتبط بالقوه (n = 32) بر اساس مطالعات قبلی [ 9 ، 10 ، 11 ، 12 ] جمع آوری شد. مجموعه داده تهیه شده شامل شیوع COVID-19 در هر 100000 نفر (به عنوان متغیر وابسته) و داده های اجتماعی-دموگرافیک، محیطی، کاربری زمین و آب و هوا به عنوان متغیرهای مستقل است. اطلاعات دقیق در مورد متغیرها در جدول 1 ارائه شده است . ArcGIS 10.2 (ESRI، Redlands، CA، USA) و Microsoft Excel 2016 برای تهیه مجموعه داده در مقیاس منطقه روستایی استفاده شد. شبکه های شطرنجی پیوسته داده های اقلیمی با استفاده از روش درونیابی وزن دهی معکوس فاصله تولید شدند [ 30]. تابع آمار ناحیه ای برای محاسبه مقادیر میانگین مدل رقومی ارتفاع (DEM)، شاخص گیاهی تفاوت نرمال شده (NDVI) و متغیرهای اقلیمی در سطح ناحیه روستایی استفاده شد. ما از رویکرد نرمال سازی حداقل حداکثر [ 31 ] برای متغیرهای وابسته و مستقل برای افزایش عملکرد محاسباتی مدل ها بر اساس رابطه (1) استفاده کردیم:

ایکسn=ایکسمن-ایکسمترمنnایکسمترآایکس-ایکسمترمنn،

که در آن X i ، Xmin ، X max و Xn به ترتیب مقادیر اولیه، حداقل، حداکثر و نرمال شده هستند.

2.3. تحلیل آماری

در ابتدا از روش رگرسیون خطی (LR) برای انتخاب متغیرهای مستقل و اصلی به عنوان ورودی برای مدل‌سازی استفاده شد. این روش همچنین به عنوان خط مبنا برای بررسی تأثیر متغیرهای مستقل بر متغیر وابسته مورد استفاده قرار گرفت. آزمون تحمل و عامل تورم واریانس (VIF) برای بررسی چند خطی بودن همه متغیرها [ 34 ] استفاده شد. برای انجام PCA، از تحلیل عاملی در کاهش ابعاد استفاده شد [ 35 ]. در این راستا از آزمون های Kaiser-Meyer-Olkin (KMO) و بارتلت برای ارزیابی مناسب بودن و کفایت داده ها برای استفاده در PCA استفاده شد [ 15 ]. تمامی تجزیه و تحلیل های آماری در نرم افزار SPSS نسخه 23 انجام شد.

2.4. ANFIS

نظریه فازی رویکردی برای تصمیم گیری در هنگام برخورد با داده های مبهم و نادرست بدون معیار صریح و مرزهای دقیق است [ 36 ، 37 ]. اگرچه این روش در میان محققان در زمینه های متعدد محبوب است، اما در شرایط پیش بینی نشده دقت بالایی ایجاد نمی کند [ 27 ]. با توجه به توانایی های یادگیری شبکه عصبی مصنوعی برای بهینه سازی روش های فازی، ANFIS توسعه یافت [ 38 ]. ANFIS، ترکیبی از سیستم فازی ANN و Takagi-Sugeno، هم از توانایی یادگیری شبکه عصبی مصنوعی و هم از توانایی محاسباتی روش های فازی برای حل مسئله بهینه سازی توابع غیرخطی بهره می برد [ 36 ]]. در برخی از مطالعات، مدل‌های فازی عصبی در مقایسه با مدل‌های کلاسیک شبکه‌های عصبی مصنوعی مفید بودند [ 27 ، 39 ، 40 ، 41 ]. ANFIS کمتر به دانش متخصصان وابسته است، می تواند ساختارهای غیرخطی را ضبط کند، سازگار است و می تواند به سرعت یاد بگیرد [ 27 ].
ANFIS با اعمال قوانین if-then فازی [ 24 ] یک نقشه بین ورودی و خروجی ایجاد می کند . شکل 2 معماری اصلی ANFIS را با پنج لایه و دو ورودی x و y (یعنی متغیرها) در لایه ورودی (لایه 0) نشان می دهد. اطلاعات بیشتر در مورد ساختار ANFIS در [ 24 ] ارائه شده است.

2.5. PCA

بدیهی است که تجسم و کاوش مجموعه داده های کوچکتر آسان تر است. از این رو، آنها سریعتر پردازش می شوند. PCA برای اولین بار توسط پیرسون برای کاهش ابعاد یک مجموعه داده ارائه شد که شامل بسیاری از متغیرهای همبسته است [ 35 ، 42 ، 43 ]. بنابراین، تنوع در مجموعه داده را تا حداکثر میزان حفظ می کند [ 44 ] و پیچیدگی در مجموعه داده را کاهش می دهد در حالی که از دست دادن داده ها را کنترل می کند [ 26 ]. در این روش با به حداکثر رساندن همبستگی بین متغیرها، متغیرها به اجزای اصلی (PC) تبدیل می شوند. رایانه های شخصی بردارهای ویژه یک ماتریس کوواریانس هستند و به طور متقابل همبستگی ندارند [ 35 , 42]. برای اعمال مدل PCA-ANFIS، متغیرهای ورودی را به رایانه های شخصی تجزیه کردیم و سپس از آنها برای آموزش مدل ANFIS استفاده کردیم [ 27 ]. اطلاعات بیشتر در مورد PCA در [ 35 ، 42 ، 43 ] ارائه شده است.

2.6. توسعه و ارزیابی مدل

برای اجرای مدل ANFIS، متغیرهای بالقوه انتخاب شده (ناشی از تجزیه و تحلیل LR) و شیوع COVID-19 به ترتیب به عنوان متغیرهای مستقل (ورودی) و متغیر وابسته تنظیم شدند. مدل ANFIS با استفاده از جعبه ابزار ANFIS در MATLAB R2015a پیاده سازی شد. در مدل ANFIS، از سه روش خوشه‌بندی فازی C-means (FCM)، خوشه‌بندی تفریقی و تقسیم‌بندی شبکه‌ای برای خوشه‌بندی داده‌های ورودی و تسهیل مرحله آموزش استفاده شد. با این حال، از آنجایی که خوشه بندی FCM معمولاً عملکرد بهتری نسبت به خوشه بندی تفریقی و پارتیشن بندی شبکه ای نشان داده است [ 14 ، 45]، در این تحقیق از این روش استفاده شد. در مدل ANFIS از توابع عضویت گاوسی و خطی استفاده شد. پارامترهای حداکثر دوره و هدف خطا به ترتیب روی سی و صفر تنظیم شد.
ما مجموعه داده را به طور تصادفی به سه دسته تقسیم کردیم: داده های آموزشی (52٪، سی و یک منطقه روستایی)، داده های اعتبارسنجی (13٪، هشت منطقه روستایی)، و داده های آزمون (35٪، بیست و یک منطقه روستایی). داده‌های آموزشی برای کالیبره کردن مدل در نظر گرفته شد و از داده‌های اعتبارسنجی برای جلوگیری از برازش بیش از حد در فرآیند آموزش استفاده شد. داده های آزمون برای ارزیابی توانایی مدل در پیش بینی متغیر هدف در نظر گرفته شد. برای تخمین دقت مدل، از چهار معیار ارزیابی در مراحل توسعه و ارزیابی مدل استفاده شد: ضریب تعیین (R2 ) ، میانگین مربعات خطا (MSE)، میانگین خطای مطلق (MAE) و ریشه میانگین مربع خطا (RMSE) [ 14 ]. ، 15]. برای مقابله با عدم قطعیت مدل (به عنوان مثال، تخمین بیش از حد و کم برآورد)، داده های آموزش، اعتبار سنجی و آزمون در چهار حالت مختلف تنظیم شدند. در هر حالت 5 بار مدل را اجرا کردیم. سپس میانگین نتایج را محاسبه کردیم.
در مدل PCA-ANFIS، ما از PCA برای استخراج رایانه های شخصی استفاده کردیم. سپس کامپیوترهای شخصی به عنوان ورودی مدل ANFIS در نظر گرفته شدند. برای مقایسه عملکرد مدل‌های ANFIS و PCA-ANFIS، از همان آموزش، اعتبار سنجی و داده‌های آزمایشی برای مدل‌های فوق استفاده کردیم.
در نهایت، تجزیه و تحلیل حساسیت برای بررسی سهم متغیرهای منتخب در پیش‌بینی شیوع COVID-19 انجام شد. در این راستا، هر عامل به طور جداگانه برای داده های آزمون از مدل ANFIS حذف شد و تأثیر آن عامل بر دقت مدل توسط شاخص ارزیابی R2 مورد ارزیابی قرار گرفت .

3. نتایج

از میان 32 متغیر بالقوه، تنها 17 متغیر مستقل به عنوان ورودی نهایی انتخاب شدند که شامل میانگین بعد خانوار، درصد افراد بالای 65 سال، نرخ مهاجرت، نرخ اشتغال، نرخ باسوادی، واحدهای آپارتمانی مسکونی، امکانات آموزشی، امکانات فرهنگی و ورزشی، تاسیسات مذهبی، خدمات شهری، امکانات بهداشتی، NDVI، حداکثر سرعت باد، تعداد روزهای با بارندگی، میانگین دمای نقطه شبنم، میانگین دما و میانگین دمای خاک.

3.1. تحلیل آماری

نتایج مدل LR در جدول 2 ارائه شده است. همبستگی خطی بین متغیر وابسته مورد نظر و پیش بینی شده R = 0.697 بود. R2 = 0.486 نشان می دهد که 48.6٪ از کل تغییرات در شیوع COVID-19 را می توان توسط متغیرهای انتخاب شده پیش بینی کرد. مقدار آزمون دوربین واتسون نزدیک به دو بود که نشان دهنده استقلال فرض خطا است [ 14 ].
جدول 3 نتایج مربوط به هم خطی عوامل ورودی را نشان می دهد. مقادیر تحمل و آمار VIF (تلرانس > = 0.1 و 1 < VIF < = 10) نشان می دهد که چند خطی بودن یک نگرانی عمده نیست. بنابراین، آنها را می توان در مدل ANFIS [ 15 ] استفاده کرد.
مقدار آزمون KMO 0.719 بود که نشان می دهد داده ها برای اعمال PCA کافی هستند. علاوه بر این، مقدار آزمون بارتلت (تقریباً Chi-Square = 709.571) نشان می دهد که داده ها برای تحلیل عاملی مناسب هستند [ 35 ].
از میان هفده مؤلفه، تنها پنج مؤلفه (با مقادیر ویژه > 1) به عنوان رایانه شخصی انتخاب شدند ( جدول 4 ). برای بهینه سازی ساختار رایانه های شخصی و یکسان سازی اهمیت نسبی آنها، آنها را با استفاده از چرخش Varma [ 35 ، 46 ] چرخاندیم. پس از چرخش، مقادیر ویژه رایانه‌های شخصی به‌روزرسانی شد و در بخش مجموع چرخش بارگذاری‌های مجذور گنجانده شد. بر اساس جدول 4 ، مهمترین رایانه های شخصی در توضیح واریانس تجمعی رایانه های شخصی (76.976٪) PC 1 (واریانس = 29.867٪) و پس از آن PC 2 (واریانس = 14.329٪)، PC 3 (واریانس = 12.341٪ ) بودند. ، PC 4 (واریانس = 11.458٪) و PC 5(واریانس = 8.980%).
با توجه به جدول 5 ، چرخش واریماکس با نرمالیزاسیون کایزر برای به دست آوردن مقادیر بارگذاری هر متغیر برای هر رایانه شخصی [ 47 ] استفاده شد و تنها بزرگترین مقدار مطلق انتخاب شد. متغیرهای مرتبط با آن مقدار به عنوان متغیرهای کاندید برای رایانه های شخصی مرتبط در نظر گرفته شدند [ 35 ]. PC 1 دارای بار مثبت قوی با درصد افراد بالای 65 سال (0.769)، واحدهای آپارتمان مسکونی (0.739)، امکانات آموزشی (0.673)، امکانات فرهنگی و ورزشی (0.813)، تأسیسات مذهبی (0.821)، امکانات بهداشتی (0.821) است. 0.807)، NDVI (0.632) و دمای میانگین نقطه شبنم (0.580). PC 2دارای بار منفی با نرخ اشتغال (492/0-) و تعداد روزهای با بارندگی 931/0- است، در حالی که بارگذاری مثبت قوی با میانگین دمای خاک (910/0) ​​دارد. PC 3 با میانگین اندازه خانوار (0.893) و خدمات شهری (0.676) بار مثبت قوی دارد. PC 4 دارای بار منفی قوی با حداکثر سرعت باد (0.839-) است، در حالی که دارای بار مثبت قوی با دمای متوسط ​​(0.835) است. PC 5 ​​با مهاجرت (0.711) و نرخ سواد (0.799) همراه است.

3.2. ارزیابی مدل

طبق جدول 6 ، مدل PCA-ANFIS می‌تواند تغییرات بزرگ‌تری را در شیوع COVID-19 (میانگین R2 = 0.615) نسبت به مدل ANFIS (میانگین R2 = 0.543) در داده‌های آزمایش توضیح دهد.

3.3. تجزیه و تحلیل میزان حساسیت

بیشترین کاهش در R2 زمانی رخ داد که نرخ مهاجرت (15.16%)، نرخ اشتغال (13.62%)، تعداد روزهای بارندگی (13.61%) و واحدهای آپارتمانی مسکونی (11.05%) از مدل ANFIS حذف شدند. . بنابراین، این عوامل به عنوان مهم‌ترین متغیرها در پیش‌بینی توزیع جغرافیایی شیوع COVID-19 در نظر گرفته می‌شوند. شکل 3 اهمیت هر متغیر را در شیوع COVID-19 نشان می دهد.

4. بحث

در این مطالعه، ما فرض کردیم که توزیع فضایی ناهمگون شیوع COVID-19 را می توان با عوامل اجتماعی-دموگرافیک، محیطی، اقلیمی و کاربری اراضی شهری توضیح داد. ما طیف وسیعی (32=n) از این عوامل را برای پیش‌بینی شیوع COVID-19 در سطح منطقه روستایی گردآوری کردیم. با این حال، به دلیل حجم نسبتاً کوچک نمونه، تکنیک‌های مدل‌سازی سنتی می‌تواند منجر به بیش‌برازش شود. برای رفع این مشکل، از شبکه عصبی ترکیبی و منطق فازی به نام ANFIS در چارچوب GIS استفاده کردیم. ANFIS دارای قابلیت پیش‌بینی قوی در مدل‌سازی روابط پیچیده و غیرخطی است [ 38 ]. ما عملکرد مدل را بیشتر بهبود دادیم [ 15 ، 27] با استفاده از PCA. نتایج این مطالعه سیاست گذاران را قادر می سازد تا توزیع فضایی COVID-19 را پیش بینی کنند و در مورد طراحی سیاست های پیشگیرانه برای کنترل اپیدمی های آینده تصمیم گیری کنند. علاوه بر این، شناسایی عوامل مؤثر در شیوع COVID-19 بینش های ارزشمندی را در مورد انتقال بیماری ارائه می دهد و در نتیجه به مداخلات هدفمندتر برای تضعیف گسترش بیماری کمک می کند.
از بین 32 متغیر، تنها 17 متغیر به عنوان ورودی برای مدلسازی پس از انتخاب متغیر انتخاب شدند. مدل پایه LR نشان داد که متغیرهای انتخاب شده می توانند 48.6 درصد از کل تغییرات در شیوع COVID-19 را توضیح دهند. هنگام استفاده از مدل‌های ANFIS (R 2 = 0.543) و PCA-ANFIS (R2 = 0.615) عملکرد مدل را حداقل 13٪ بهبود دادیم . این ممکن است به دلیل توانایی ANFIS در گرفتن روابط غیر خطی و خطی باشد [ 14 ]. ادبیات قبلی نشان می‌دهد که مدل‌های غیرخطی عملکرد بهتری نسبت به مدل‌های خطی دارند. به عنوان مثال، [ 12] نشان داد که یک شبکه عصبی MLP با یک لایه پنهان (به عنوان یک مدل غیر خطی) می تواند بروز COVID-19 را بهتر از یک مدل LR پیش بینی کند. مرجع [ 11 ] نشان داد که ترکیبی از الگوریتم بهینه‌سازی ویروس (VOA) با مدل ANFIS عملکرد مدل ANFIS را در پیش‌بینی میزان آلودگی COVID-19 بهبود می‌بخشد. آنها همچنین نشان دادند که هر دو مدل ANFIS (R2 = 0.691) و ANFIS-VOA (R2 = 0.834) بهتر از LR (R2 = 0.392) عمل کردند. مطالعه دیگری بیان کرد که RF و ANFIS به عنوان مدل‌های غیرخطی، دقت بالاتری در پیش‌بینی تغییرات فضایی در موارد COVID-19 نسبت به مدل رگرسیون لجستیک (یعنی یک مدل خطی تعمیم‌یافته) دارند [ 9 ]]. مطابق با نتایج ما، مطالعات قبلی نیز نشان داده اند که PCA می تواند عملکرد رویکردهای ML را بهبود بخشد [ 15 ، 25 ، 26 ، 27 ، 35 ].
تحلیل حساسیت مدل ANFIS نشان داد که چهار متغیر نرخ مهاجرت، نرخ اشتغال، تعداد روزهای بارندگی و واحدهای آپارتمانی مسکونی از جمله عوامل مؤثر در پیش‌بینی شیوع کووید-19 در استان گلستان بودند. نتایج با مطالعات قبلی مطابقت دارد. به عنوان مثال، [ 48 ، 49 ، 50] پیشنهاد کرد که خطر بالای گسترش COVID-19 با مناطقی با جمعیت مهاجر بیشتر مرتبط است. مناطق با نرخ بالای جمعیت مهاجر می توانند انتقال بیماری را تسریع کنند. با افزایش جابجایی جمعیت در این مناطق، تعداد افراد ورودی و خروجی به آن مناطق افزایش می یابد. به نوبه خود، جمعیت مهاجر باید مسافت بیشتری را بین محل سکونت و محل کار خود طی کنند، که شانس تماس آنها با افراد دیگر را افزایش می دهد. این امر جمعیت مهاجر را بیشتر در معرض ابتلا به ویروس قرار می دهد و باعث انتقال از راه دور COVID-19 می شود. از سوی دیگر، مناطقی با جمعیت بالاتر و شرایط اجتماعی-اقتصادی بالاتر معمولاً افراد مهاجر بیشتری را جذب می کنند [ 51 ]. در این مطالعه با توجه به اطلاعات سرشماری ما [ 29]، مناطق روستایی با نرخ مهاجرت بالا معمولاً دارای جمعیت بالایی هستند که می تواند انتقال COVID-19 را در آن مناطق تسهیل کند. این نشان دهنده اهمیت تدوین اقدامات قرنطینه در مراحل اولیه همه گیری برای جلوگیری از انتقال بیماری در مقیاس بزرگ است.
علاوه بر این، ادبیات قبلی نشان می‌دهد که نرخ اشتغال بالاتر می‌تواند احتمال قرار گرفتن در معرض COVID-19 را افزایش دهد [ 52 ، 53 ]، به‌ویژه هنگام استفاده از حمل‌ونقل عمومی برای رفت و آمد به محل کار و برگشت. مجاورت افراد شاغل در محیط های کاری مانند ادارات می تواند محیط مناسبی را برای انتقال ویروس فراهم کند. علاوه بر این، افراد شاغل معمولاً بیشتر در معرض تماس با سطوح کار آلوده از جمله صفحه کلید، توالت عمومی، درها و دستگیره‌های پنجره هستند، زیرا ویروس می‌تواند تا 72 ساعت روی سطوح با لمس بالا زنده بماند [ 54 ].
مرجع [ 55 ] تأثیر عوامل آب و هوایی را بر انتقال COVID-19 ارزیابی کرد. آنها نشان دادند که بارش، دمای پایین، نقطه شبنم/یخبندان و سرعت باد باعث تشدید بروز بیماری می شود. عوامل آب و هوایی، مانند رطوبت و دما کم، ممکن است به ویروس اجازه دهد تا مدت بیشتری زنده بماند و متعاقباً عفونت‌پذیری خود را طولانی‌تر کند [ 55 ]. از سوی دیگر، شرایط آب و هوایی سرد و خشک نیز ممکن است پاسخ ایمنی انسان را مختل کند و در نتیجه خطر ابتلا به بیماری را افزایش دهد [ 55 ]]. از نظر پیامدهای سیاست سلامت، مقامات بهداشتی می توانند مداخلات خود را بر اساس شرایط آب و هوایی مختلف تنظیم کنند. برخلاف نتایج این مطالعه، برخی تحقیقات قبلی نشان داد که متغیرهای آب و هوایی (به عنوان مثال، دما و رطوبت) در بروز COVID-19 مؤثر نبودند [ 10 ، 12 ، 23 ]. تفاوت در یافته ها ممکن است به مناطق مختلف جغرافیایی، روش های مختلف و مقیاس های مکانی مختلف تحلیل نسبت داده شود.
در منطقه مورد مطالعه ما، واحدهای آپارتمانی مسکونی بیشتر در مناطق شهری پرجمعیت متمرکز بودند. بنابراین احتمال بیشتری داشت که در معرض ویروس قرار بگیرند. در توافق با نتایج ما، [ 56 ] به این نتیجه رسیدند که مناطق مسکونی یکی از مهم ترین کاربری های شهری در گسترش COVID-19 هستند. این بدان معناست که مقامات بهداشتی باید منابع بهداشتی بیشتری را به ساکنان این مناطق پرجمعیت برای کنترل انتقال COVID-19 اختصاص دهند. با بهترین دانش ما، این تحقیق اولین تلاش برای استفاده از مجموعه ای جامع از کاربری های شهری برای مدل سازی تغییرات فضایی در شیوع COVID-19، به ویژه با استفاده از ANFIS و PCA-ANFIS است. مطالعات قبلی استفاده از متغیرهای کاربری زمین را در کارهای آتی توصیه کرده اند [ 9 ، 11، 12 ].
این مطالعه دارای محدودیت هایی است که ممکن است مانع از پیش بینی قابل اعتماد توزیع بیماری شود. اولاً، اگرچه یافته‌های ما با برخی از مطالعات قبلی مطابقت دارد، تفسیر نتایج در سطح فردی ممکن است به دلیل اشتباهات زیست‌محیطی قابل اعتماد نباشد. بنابراین، نتیجه گیری فقط در مقیاس منطقه روستایی قابل استخراج است. فقدان برخی از متغیرهای اصلی اجتماعی-اقتصادی (مثلاً فقر، نژاد و وضعیت بیمه) در سطح بخش روستایی محدودیت دیگری است. علاوه بر این، خطاها و بی نظمی در مرحله جمع آوری داده ها می تواند دقت مدل را به خطر بیندازد. به عنوان مثال، برخی از موارد ممکن است اشتباه تشخیص داده شوند، یا گزارش نشدن بیماران بدون علامت ممکن است منجر به تخمین های غیر قابل اعتماد از شیوع بیماری شود. بررسی عدم قطعیت داده ها باید در کارهای آینده مورد توجه قرار گیرد.

5. نتیجه گیری ها

با وجود تعداد کم نمونه های آموزشی، هر دو مدل ANFIS و PCA-ANFIS شیوع کووید-19 را در استان گلستان با دقت مناسبی پیش بینی کردند. با توجه به پیامدهای سلامت عمومی، نتایج نشان داد که چگونه نرخ مهاجرت، نرخ اشتغال و تعداد روزهای بارندگی می‌تواند شیوع COVID-19 را پیش‌بینی کند. علاوه بر این، سهم بالای استفاده از زمین آپارتمان های مسکونی در پیش بینی توزیع COVID-19 نشان می دهد که مقامات بهداشتی باید منابع پزشکی بیشتری را به ساکنان مناطق با تراکم واحدهای آپارتمانی بالاتر اختصاص دهند. برای بهبود قابلیت پیش‌بینی مدل ANFIS، سایر الگوریتم‌های بهینه‌سازی، مانند الگوریتم بهینه‌ساز تعادل [ 57 ]، الگوریتم جستجوی کلاغ [ 58 ] و بهینه‌ساز هریس هاکس [ 59 ]]، در کارهای بعدی قابل استفاده است. با افزایش حجم داده های آموزشی می توان از مدل های یادگیری عمیق استفاده کرد که می تواند منجر به دقت بالاتر مدل شود. با این حال، تعداد کم نمونه های آموزشی در این مطالعه ما را از استفاده از شبکه های عمیق تر باز می دارد. برای کارهای آینده، با در نظر گرفتن یک دوره زمانی طولانی‌تر (در صورت وجود) یا مقیاس‌های فضایی دقیق‌تر (که در این مطالعه امکان‌پذیر نبود)، می‌توانیم مقدار داده‌ها را افزایش دهیم و به نوبه خود، مدل‌های یادگیری عمیق را تنظیم کنیم [ 6 ]. مطالعات بیشتر، مانند مدل‌های مبتنی بر عامل [ 60 ، 61 ، 62]، می تواند برای درک بهتر پویایی های فضایی پیچیده COVID-19 در جوامع مفید باشد. با این وجود، این مطالعه می تواند به عنوان یک راهنمای مفید برای سیاست گذاران سلامت در تعیین عوامل خطر بالقوه مربوط به COVID-19، به ویژه برای مناطق با حجم نمونه کوچک باشد.

منابع

  1. سازمان بهداشت جهانی. گزارش‌های وضعیت کروناویروس جدید (2019-nCoV) ؛ سازمان بهداشت جهانی: ژنو، سوئیس، 2020. در دسترس آنلاین: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports (در 4 آوریل 2020 قابل دسترسی است).
  2. سازمان بهداشت جهانی. توصیه‌های استراتژی تست آزمایشگاهی برای COVID-19. 2020. در دسترس آنلاین: https://apps.who.int/iris/bitstream/handle/10665/331509/WHO-COVID-19-lab_testing-2020.1-eng.pdf (در 13 آوریل 2020 قابل دسترسی است).
  3. ریچی، اچ. متیو، ای. Rodés-Guirao، L.; اپل، سی. جیاتینو، سی. اورتیز-اوسپینا، ای. هاسل، جی. مکدونالد، بی. بلتکیان، دی. روزر، ام. همه گیر کروناویروس (COVID-19). داده های جهانی ما 2020 . در دسترس آنلاین: https://ourworldindata.org/coronavirus (دسترسی در 10 فوریه 2022).
  4. عبدالعزیز، م. داهو، ا. الصالح، NA; الشیخ، ق. صبا، هوش مصنوعی؛ احمدین، ام. تقویت طبقه بندی تصویر COVID-19 با استفاده از الگوریتم MobileNetV3 و بهینه ساز aquila. Entropy 2021 , 23 , 1383. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. عیسی، م. حلمی، ع.م. الشیخ، ق. عبدالعزیز، ام. تشخیص زیر توالی‌های بیولوژیکی با استفاده از BA-PSO یکپارچه بر اساس مکانیسم انتشار عفونت: مطالعه موردی COVID-19. سیستم خبره Appl. 2022 ، 189 ، 116063. [ Google Scholar ] [ CrossRef ]
  6. الشیخ، ق. صبا، هوش مصنوعی؛ عبد العزیز، م. لو، اس. شانموگان، اس. Muthuramalingam، T. کومار، آر. مصلح، AO; عیسی، FA; Shehabeldeen، مدل پیش‌بینی مبتنی بر یادگیری عمیق TA برای شیوع COVID-19 در عربستان سعودی. فرآیند Saf. محیط زیست Prot. 2021 ، 149 ، 223-233. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. صبا، هوش مصنوعی؛ الشیخ، AH پیش بینی شیوع شیوع COVID-19 در مصر با استفاده از شبکه های عصبی مصنوعی اتورگرسیو غیرخطی. فرآیند Saf. محیط زیست Prot. 2020 ، 141 ، 1-8. [ Google Scholar ] [ CrossRef ]
  8. القانس، م.ا. صبا، هوش مصنوعی؛ الشیخ، ق. عبدالعزیز، م. ابراهیم، ​​ره. لو، اس. همدان، ع.ا. شانموگان، اس. Ewees، مدل‌های پیش‌بینی هوش مصنوعی کارآمد AA برای شیوع COVID-19 در روسیه و برزیل. فرآیند Saf. محیط زیست Prot. 2021 ، 149 ، 399-409. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. رضوی ترمه، SV; صادقی نیارکی، ع. فرهنگی، ف. نقشه برداری خطر کووید-19 چوی، SM با در نظر گرفتن معیارهای اجتماعی-اقتصادی با استفاده از الگوریتم های یادگیری ماشین. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 , 18 , 9657. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  10. مولالو، ع. واحدی، ب. Rivera، مدل‌سازی فضایی مبتنی بر KM GIS نرخ بروز COVID-19 در قاره ایالات متحده. علمی کل محیط. 2020 , 728 , 138884. [ Google Scholar ] [ CrossRef ]
  11. بهنود، ع. گل افشانی، ام. حسینی، SM عوامل تعیین کننده میزان آلودگی COVID-19 در ایالات متحده با استفاده از ANFIS و الگوریتم بهینه سازی ویروس (VOA). Chaos Solitons Fractals 2020 , 139 , 110051. [ Google Scholar ] [ CrossRef ]
  12. مولالو، ع. ریورا، KM؛ واحدی، ب. مدل سازی شبکه عصبی مصنوعی نرخ بروز کروناویروس جدید (COVID-19) در سراسر قاره ایالات متحده. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 4204. [ Google Scholar ] [ CrossRef ]
  13. طبسی، م. آلشیخ، AA تنوع فضایی و زمانی لیشمانیوز جلدی زئونوز بر اساس ناهمگنی جمعیت شناختی اجتماعی. مورد شمال شرق ایران، 2020، 2011–2016. Jpn. ج. عفونی کردن. دیس 2021 ، 74 ، 7-16. [ Google Scholar ] [ CrossRef ]
  14. بابایی، ای. آلشیخ، ع.ا. طبسی، م. پیش بینی فضایی بروسلوز انسانی (HB) با استفاده از سیستم استنتاج عصبی فازی تطبیقی ​​مبتنی بر GIS (ANFIS). آکتا تروپ. 2021 ، 220 ، 105951. [ Google Scholar ] [ CrossRef ]
  15. بابایی، ای. آلشیخ، ع.ا. طبسی، محمدرضا. آکتا تروپ. 2022 ، 228 ، 106296. [ Google Scholar ] [ CrossRef ]
  16. جین، بی. جی، جی. یانگ، دبلیو. یائو، ز. هوانگ، دی. Xu, C. تجزیه و تحلیل ویژگی های مکانی-زمانی COVID-19 در سرزمین اصلی چین. فرآیند Saf. محیط زیست Prot. 2021 ، 152 ، 291-303. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. اسنایدر، BF; پارکز، V. تنوع فضایی در آسیب پذیری اجتماعی-اکولوژیکی در برابر کووید-19 در ایالات متحده مجاور. Health Place 2020 , 66 , 102471. [ Google Scholar ] [ CrossRef ]
  18. لی، دی. چوداری، اچ. Zhang, Z. مدل‌سازی الگوی مکانی-زمانی علائم افسردگی ناشی از COVID-19 با استفاده از داده‌کاوی رسانه‌های اجتماعی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 4988. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. حسام، ع. مجدی، ا. فاوزی، ا. القادر، ع. Shriene, M. یک سیستم IoT یکپارچه برای کنترل گسترش COVID-19 در مصر. در مجموعه مقالات کنفرانس بین المللی سیستم های هوشمند پیشرفته و انفورماتیک، قاهره، مصر، 19 تا 21 اکتبر 2020؛ Springer: Cham، سوئیس، 2020؛ صص 336-346. [ Google Scholar ]
  20. مارتلوچی، کالیفرنیا؛ ساح، ر. Rabaan, AA; داما، ک. کازالون، سی. Arteaga-Livias، K. ساوانو، تی. اوزاکی، ا. بنداری، د. هیگوچی، ا. و همکاران تغییرات در توزیع فضایی بروز COVID-19 در ایتالیا با استفاده از نقشه های مبتنی بر GIS. ان کلین. میکروبیول. ضد میکروب. 2020 ، 19 ، 30. [ Google Scholar ] [ CrossRef ]
  21. شهری، RC; ناکادا، مدل‌سازی فضایی مبتنی بر LYK GIS میزان مرگ و میر ناشی از COVID-19 در سائوپائولو، برزیل. محیط زیست شهری. 2021 ، 33 ، 229-238. [ Google Scholar ] [ CrossRef ]
  22. موروگسان، بی. کاروپنان، اس. منگیستی، AT; رانگاناتان، ام. Gopalakrishnan، G. توزیع و تحلیل روند COVID-19 در هند: رویکرد جغرافیایی. جی. جئوگر. گل میخ. 2020 ، 4 ، 1-9. [ Google Scholar ] [ CrossRef ]
  23. رضوی ترمه، SV; صادقی نیارکی، ع. چوی، نقشه آسیب‌پذیری بیماری کروناویروس SM با استفاده از سیستم اطلاعات جغرافیایی (gis) از 16 آوریل تا 16 مه 2020. Phys. شیمی. Earth Parts A/B/C 2021 , 126 , 103043. [ Google Scholar ] [ CrossRef ]
  24. جانگ، ج.- اس. سان، سی.-تی. مدل سازی و کنترل فازی عصبی Proc. IEEE 1995 ، 83 ، 378-406. [ Google Scholar ] [ CrossRef ]
  25. چایداش، U. هاشالیک، ع. Ekici، S. یک مدل سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) برای سیم-EDM. سیستم خبره Appl. 2009 ، 36 ، 6135-6139. [ Google Scholar ] [ CrossRef ]
  26. بارتولتی، ن. کاساگلی، اف. مارسیلی-لیبلی، س. ناردی، ع. Palandri، L. مدل‌سازی بارش/رواناب مبتنی بر داده بر اساس یک سیستم استنتاج عصبی فازی. محیط زیست مدل. نرم افزار 2018 ، 106 ، 35-47. [ Google Scholar ] [ CrossRef ]
  27. رازین، MRG; وثوقی، ب. مدل‌سازی سری‌های زمانی یونوسفر با استفاده از سیستم استنتاج عصبی فازی تطبیقی ​​و تحلیل مؤلفه‌های اصلی. راه حل GPS. 2020 ، 24 ، 51. [ Google Scholar ] [ CrossRef ]
  28. داده های موارد کووید-19 در استان گلستان. 2020–2021. در وزارت بهداشت، مرکز کنترل و پیشگیری از بیماری ها (CDC) استان گلستان ؛ داده های منتشر نشده؛ 2021; موجود به صورت آنلاین: https://goums.ac.ir/index.php?slc_lang=en&sid=200 (در 28 فوریه 2021 قابل دسترسی است).
  29. داده های سرشماری و کاربری اراضی استان گلستان. 2020–2021. در مرکز آمار ایران، معاونت آمار و اطلاعات استان گلستان ؛ 2021; در دسترس آنلاین: https://amar.golestanmporg.ir/ (دسترسی در 10 فوریه 2022).
  30. واتسون، دی اف. فیلیپ، GM پالایش معکوس درون یابی وزنی فاصله. Geo-Processing 1985 , 2 , 315-327. [ Google Scholar ]
  31. نه، NM; حسین، م. حسن، CRC تجزیه و تحلیل تفکیک کننده فیشر هسته چند مقیاسی با سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) در چارچوب تشخیص و تشخیص خطا برای سیستم‌های فرآیند شیمیایی. محاسبات عصبی Appl. 2019 ، 32 ، 9283–9297. [ Google Scholar ] [ CrossRef ]
  32. سازمان زمین شناسی ایالات متحده (USGS). 2020–2021. در دسترس آنلاین: https://earthexplorer.usgs.gov/ (دسترسی در 10 فوریه 2022).
  33. اطلاعات هواشناسی استان گلستان 2020–2021. در سازمان هواشناسی ایران ; 2021; در دسترس آنلاین: https://data.irimo.ir/ (دسترسی در 10 فوریه 2022).
  34. میهانوویچ، دی. هانجت، ا. Primorac، Z. توسعه اقتصادی و اجتماعی (کتاب مجموعه مقالات). در مجموعه مقالات هجدهمین کنفرانس علمی بین المللی اقتصادی و اجتماعی، بانکوک، تایلند، 18 تا 20 فوریه 2016. [ Google Scholar ]
  35. اول-ساوفی، AZ; یحیی، ع. رملی، ن.ا. روزایدا، ن. حمید، HA پیش‌بینی غلظت‌های روزانه PM10 آینده با ترکیب مدل‌های رگرسیون و مدل‌های انتشار پس‌خور با تحلیل مؤلفه‌های اصلی (PCA). اتمس. محیط زیست 2013 ، 77 ، 621-630. [ Google Scholar ] [ CrossRef ]
  36. Uğuz، H. سیستم استنتاج عصبی فازی تطبیقی ​​برای تشخیص بیماری های دریچه قلب با استفاده از تبدیل موجک با آنتروپی. محاسبات عصبی Appl. 2012 ، 21 ، 1617-1628. [ Google Scholar ] [ CrossRef ]
  37. دهنوی، ع. اقدم، IN; پرادان، بی. ورزنده، MHM یک مدل ترکیبی جدید با استفاده از تکنیک تحلیل نسبت ارزیابی گام به گام وزن (SWARA) و سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) برای ارزیابی خطر زمین لغزش منطقه‌ای در ایران. Catena 2015 ، 135 ، 122-148. [ Google Scholar ] [ CrossRef ]
  38. چن، دبلیو. پناهی، م. پورقاسمی، ارزیابی عملکرد منابع انسانی تکنیک‌های داده‌کاوی مجموعه جدید مبتنی بر GIS سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) با الگوریتم ژنتیک (GA)، تکامل دیفرانسیل (DE) و بهینه‌سازی ازدحام ذرات (PSO) برای مدل‌سازی فضایی زمین لغزش. Catena 2017 ، 157 ، 310-324. [ Google Scholar ] [ CrossRef ]
  39. پلی کرتیس، سی. چالکیاس، سی. Ferentinou، M. مدل‌سازی سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) برای ارزیابی حساسیت زمین لغزش در یک منطقه تپه‌ای مدیترانه‌ای. گاو نر مهندس جئول محیط زیست 2019 ، 78 ، 1173-1187. [ Google Scholar ] [ CrossRef ]
  40. رضاییان زاده، م. طبری، ح. عربی یزدی، ع. ایسیک، س. کالین، ال. پیش بینی جریان سیلاب با استفاده از مدل های ANN، ANFIS و رگرسیون. محاسبات عصبی Appl. 2014 ، 25 ، 25-37. [ Google Scholar ] [ CrossRef ]
  41. مقدم نیا، ع. گوشه، م.گ. پیری، ج. امین، س. Han, D. تخمین تبخیر با استفاده از شبکه های عصبی مصنوعی و تکنیک های سیستم استنتاج عصبی فازی تطبیقی. Adv. منبع آب 2009 ، 32 ، 88-97. [ Google Scholar ] [ CrossRef ]
  42. Fung، C.-P. کانگ، پی.-سی. بهینه‌سازی چند پاسخی در خواص اصطکاک کامپوزیت‌های PBT با استفاده از روش تاگوچی و تحلیل مولفه‌های اصلی جی. ماتر. فناوری پردازش 2005 ، 170 ، 602-610. [ Google Scholar ] [ CrossRef ]
  43. وارن، ک. پراساد، جی. صدیق، NH; Maguire، LP توسعه یک سیستم اندازه گیری ترکیبی PCA-ANFIS برای نظارت بر کیفیت محصول در صنعت پوشش. در مجموعه مقالات کنفرانس بین المللی IEEE 2004 در مورد سیستم ها، انسان و سایبرنتیک، لاهه، هلند، 10-13 اکتبر 2004. (IEEE Cat. No. 04CH37583). جلد 4، ص 3519–3524. [ Google Scholar ]
  44. Jolliffe، تجزیه و تحلیل مؤلفه اصلی فناوری اطلاعات ؛ Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  45. بنمویزا، ک. Cheknane، A. شبکه ANFIS خوشه‌ای با استفاده از c-means فازی، خوشه‌بندی تفریقی و تقسیم‌بندی شبکه برای پیش‌بینی ساعتی تابش خورشیدی. نظریه. Appl. کلیماتول. 2018 ، 137 ، 31-43. [ Google Scholar ] [ CrossRef ]
  46. کایزر، HF معیار واریماکس برای چرخش تحلیلی در تحلیل عاملی. Psychometrika 1958 ، 23 ، 187-200. [ Google Scholar ] [ CrossRef ]
  47. لیو، سی.-و. لین، ک.-اچ. کو، ی.-ام. کاربرد تحلیل عاملی در ارزیابی کیفیت آب زیرزمینی در منطقه بیماری پا سیاه در تایوان. علمی کل محیط. 2003 ، 313 ، 77-89. [ Google Scholar ] [ CrossRef ]
  48. لیانگ، ز. وانگ، ی. سان، اف. لیانگ، سی. لی، اس. الگوی جغرافیایی بروز COVID-19 در شهرهای چین: نقش مهاجرت و وضعیت اجتماعی و اقتصادی. Res. محیط زیست علمی 2020 ، 33 ، 1571-1578. [ Google Scholar ]
  49. فن، سی. کای، تی. گای، ز. Wu, Y. رابطه بین شبکه مهاجرت جمعیت مهاجر و خطر انتقال COVID-19 در چین – تجزیه و تحلیل تجربی و پیش‌بینی در شهرهای سطح استان. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 2630. [ Google Scholar ] [ CrossRef ]
  50. زینگ، GR; لی، ام تی; لی، ال. Sun، GQ تأثیر مهاجرت جمعیت بر گسترش COVID-19: مطالعه موردی استان گوانگدونگ و استان هونان در چین. جلو. فیزیک 2020 ، 8 ، 488. [ Google Scholar ] [ CrossRef ]
  51. یائوجون، ز. Qiao، C. الگوهای فضایی تحرک جمعیت و عوامل تعیین کننده مهاجرت بین استانی در چین. مردمی Res. 2014 ، 38 ، 54. [ Google Scholar ]
  52. کاستکس، جی. دچتر، ای. Lorca، M. COVID-19: تاثیر سیاست های فاصله گذاری اجتماعی، تجزیه و تحلیل بین کشوری. اقتصاد بلایای طبیعی. چانگ. 2021 ، 5 ، 135-159. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  53. میلت، GA; جونز، AT; بنکسر، دی. بارال، س. مرسر، ال. بیرر، سی. هانرمن، بی. لانکیویچ، ای. منا، ال. کراولی، جی اس. و همکاران ارزیابی تأثیرات متفاوت COVID-19 بر جوامع سیاه پوست. ان اپیدمیول. 2020 ، 47 ، 37-44. [ Google Scholar ] [ CrossRef ]
  54. لی، NR کاهش گسترش COVID-19: دیدگاه بازاریابی اجتماعی. Soc. علامت. Q. 2020 , 26 , 259-265. [ Google Scholar ] [ CrossRef ]
  55. Sarkodie, SA; Owusu، PA تأثیر عوامل هواشناسی بر همه‌گیری COVID-19: شواهد از 20 کشور برتر با موارد تأیید شده. محیط زیست Res. 2020 ، 191 ، 110101. [ Google Scholar ] [ CrossRef ]
  56. خو، جی. دنگ، ی. یانگ، جی. هوانگ، دبلیو. یان، ی. زی، ی. لی، ی. Jing, W. تأثیر مهاجرت جمعیت و عوامل اجتماعی و اقتصادی بر اپیدمی COVID-19 در سطح شهرستان در گوانگدونگ، چین. جلو. محیط زیست علمی 2022 ، 10 ، 27. [ Google Scholar ] [ CrossRef ]
  57. زاید، من. ژائو، جی. لی، دبلیو. الشیخ، ق. Abd Elaziz, M. یک سیستم استنتاج عصبی فازی تطبیقی ​​هیبریدی که با الگوریتم بهینه ساز تعادل برای پیش بینی عملکرد انرژی جمع کننده ظرف خورشیدی ادغام شده است. Energy 2021 , 235 , 121289. [ Google Scholar ] [ CrossRef ]
  58. عبدالعزیز، م. الشیخ، ق. Sharshir, SW بهبود پیش بینی ضریب انتقال حرارت نوسانی برای مبدل حرارتی ترموآکوستیک با استفاده از سیستم استنتاج عصبی فازی تطبیقی ​​اصلاح شده. بین المللی J. Refrig. 2019 ، 102 ، 47-54. [ Google Scholar ] [ CrossRef ]
  59. Shehabeldeen, TA; عبدالعزیز، م. الشیخ، ق. Zhou, J. مدلسازی فرآیند جوشکاری اصطکاکی اغتشاشی با استفاده از سیستم استنتاج عصبی فازی تطبیقی ​​یکپارچه با بهینه ساز هریس هاکس. جی. ماتر. Res. تکنولوژی 2019 ، 8 ، 5882–5892. [ Google Scholar ] [ CrossRef ]
  60. طبسی، م. Alesheikh, AA توسعه یک مدل مبتنی بر عامل برای شبیه‌سازی گسترش فضایی و زمانی لیشمانیوز در GIS (مطالعه موردی: مراوه تپه). جی. ژئومات. علمی تکنولوژی 2019 ، 8 ، 113-131. [ Google Scholar ]
  61. طبسی، م. آلشیخ، مدلسازی AA گسترش فضایی بیماریهای همه گیر با استفاده از شبیه سازی مبتنی بر عامل (مطالعه موردی: آنفولانزای فصلی). جی. ژئومات. علمی تکنولوژی 2017 ، 6 ، 75-86. [ Google Scholar ]
  62. طبسی، م. آلشیخ، ع.ا. صوفی زاده، ع. سعیدیان، ب. پرادان، بی. AlAmri, A. رویکردی مبتنی بر عامل مکانی-زمانی برای مدل‌سازی شیوع لیشمانیوز جلدی مشترک بین انسان و دام در شمال شرق ایران. ناقلان انگل 2020 ، 13 ، 1-17. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 11 00499 g001 550
شکل 1. موقعیت استان گلستان و 60 دهستان آن.
Ijgi 11 00499 g002 550
شکل 2. معماری اولیه ANFIS [ 24 ].
Ijgi 11 00499 g003 550
شکل 3. سهم متغیرهای ورودی در پیش‌بینی توزیع فضایی شیوع COVID-19 با استفاده از مدل ANFIS.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید