تحلیل مخاطرات سلامت ناشی از تغییر اقلیم با استفاده از الگوریتم های هوش مصنوعی و داده های سنجش از دور: مطالعه موردی شهرستان اندیمشک

فایل این در 17 صفحه با فرمت PDF قابل دریافت می باشد

  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این :

چکیده :

تغییر اقلیم به عنوان یکی از جدی ترین چالش های قرن بیست و یکم، اثرات قابل توجهی بر سلامت انسان، به ویژه در مناطق گرم و خشک دارد (IPCC, 2023). افزایش دما، نوسانات بارشی و تغییر الگوهای رطوبتی می توانند سبب افزایش بروز بیماری های قلبی، تنفسی و گرمازدگی شوند (World Health Organization [WHO], 2021). شهرستان اندیمشک در شمال استان خوزستان، با اقلیم گرم و نیمه خشک، یکی از مناطقی است که در معرض این مخاطرات قرار دارد. هدف از این پژوهش، پیش بینی مخاطرات سلامت ناشی از تغییر اقلیم با استفاده از الگوریتم های هوش مصنوعی و داده های سنجش از دور است تا بتوان چارچوبی علمی برای تصمیم گیری سلامت محور در شرایط تغییرات اقلیمی ارائه داد. در این پژوهش از داده های اقلیمی شامل دما، بارش و رطوبت نسبی طی دوره 2010 تا 2024 از ایستگاه هواشناسی اندیمشک و داده های ماهواره ای لندست 8 و مدیس برای استخراج شاخص های محیطی مانند دمای سطح زمین (LST) و پوشش گیاهی (NDVI) استفاده شد. داده های سلامت شامل آمار بیماری های قلبی و تنفسی از مراکز بهداشتی و درمانی شهرستان جمع آوری گردید. برای تحلیل و پیش بینی، از دو الگوریتم یادگیری ماشین، Random Forest و Support Vector Machine (SVM) در محیط Python و ArcGIS بهره گرفته شد. دقت مدل ها با استفاده از معیارهای آماری از جمله Accuracy، AUC و Confusion Matrix ارزیابی گردید. نتایج اولیه نشان داد بین افزایش دمای سطح زمین و نرخ بروز بیماری های تنفسی رابطه مثبت معناداری وجود دارد (r=0.74, p < 0.01) مدل Random Forest با دقت 88٪ در پیش بینی نواحی پرخطر عملکرد بهتری نسبت به مدل SVM(دقت 82٪) نشان داد. نقشه های حاصل بیانگر تمرکز مخاطرات سلامت در نواحی مرکزی و جنوبی اندیمشک بودند؛ مناطقی که تراکم جمعیت بالا و میانگین دمای سطحی بیشتری دارند. به طور کلی، یافته های این پژوهش نشان می دهد که تلفیق هوش مصنوعی و داده های سنجش از دور ابزاری موثر برای پایش و پیش بینی پیامدهای سلامت ناشی از تغییر اقلیم محسوب می شود. این مدل می تواند به نهادهای بهداشتی و زیست محیطی در شناسایی نواحی آسیب پذیر و اتخاذ تصمیم های پیشگیرانه کمک کند. استفاده از چنین رویکردهایی در مناطق اقلیمی مشابه، از جمله جنوب غرب ایران، می تواند به ارتقای تاب آوری سلامت در برابر تغییرات اقلیمی منجر شود (Khosravi et al., 2022).

نویسندگان

مصطفی ماکیانی

کارشناسی رشته مهندسی نرم افزار، دانشگاه، آزاد واحد، اندیمشک -شهر اندیمشک

سپیده ماکیانی

دانشجوی کارشناسی ارشد، رشته ارزیابی اراضی ، دانشگاه شهید چمران اهواز - عضویت درنظام مهندسی کشاورزی و منابع طبیعی

مراجع و منابع این :

لیست زیر مراجع و منابع استفاده شده در این را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود لینک شده اند :
  • منابع فارسی ...
  • 1. ابراهیمی، ع.، قربانی، م.، و کرمی، ف. (1400). ارزیابی تاثیر ...
  • 2. سازمان هواشناسی کشور. (1402).گزارش داده های اقلیمی استان خوزستان (2010–2024). ...
  • 3. وزارت بهداشت، درمان و آموزش پزشکی. (1401).گزارش سالانه سلامت و ...
  • 4. زارع، س.، خسروی، ح.، و غلامی، ح. (1401). تحلیل مکانی ...
  • 5. غلامی، ح.، خسروی، ح.، و زارع، س. (1399). تحلیل روند ...
  • 6. جعفری، ر.، و موسوی، ن. (1402) کاربرد هوش مصنوعی در ...
  • 7. موسوی نژاد، م.، حسینی، ن.، و صفری، ع. (1400). پایش ...
  • 8. کاظمی، ر.، و قنواتی، س. (1398). نقش فضای سبز شهری ...
  • منابع انگلیسی ...
  • 1. Bai, Y., Zhao, T., & Sun, W. (2019). Machine learning-based ...
  • 2. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. ...
  • 3. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, ...
  • 4. Ebrahimi, A., Ghorbani, M., & Karami, F. (2021). Assessment of ...
  • 5. Gholami, H., Khosravi, H., & Zare, S. (2020). Analysis of ...
  • 6. Huang, Y., Singh, A., & Patel, R. (2023). Deep learning ...
  • 7. Iran Meteorological Organization (IRIMO). (2023). Climatological data for Khuzestan Province ...
  • 8. Jensen, J. R. (2007). Remote sensing of the environment: An ...
  • 9. Khosravi, H., Gholami, H., & Zare, S. (2022). Modeling the ...
  • 10. Lee, S., & Kim, D. (2020). Prediction of heat-related mortality ...
  • 11. Li, W., Zhang, J., & Sun, F. (2021). Preprocessing of ...
  • 12. Marques, P., Silva, J., & Rocha, P. (2022). Artificial neural ...
  • 13. Ministry of Health and Medical Education. (2022). Annual health report: ...
  • 14. World Health Organization. (2021). Climate change and health: Country profile ...
  • 15. Zhang, X., Liu, J., & Chen, L. (2021). Remote sensing-based ...
  • 16. Zhou, Y., Chen, R., & Zhao, Q. (2023). GeoAI applications ...
  • نمایش کامل مراجع