امکان سنجی پیش بینی لیشمانیوز جلدی در پلدختر با استفاده از متغیرهای اقلیمی
محل انتشار: مجله یافته، دوره: 18، شماره: 4
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 142
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_YAFTE-18-4_008
تاریخ نمایه سازی: 19 آبان 1404
چکیده مقاله:
مقدمه: روند رو به افزایش مبتلایان به بیماری سالک در شهرستان پلدختر طی ده سال گذشته و پیشرفت تکنولوژی در تولید داده، ضرورت ساخت مدل های پیش بینی شیوع بیماری را در منطقه افزایش داده است. لذا در این بررسی از متغیرهای اقلیمی در پیشبینی بیماری سالک استفاده شده است.
مواد و روش ها: در این تحقیق با کمک مدل رگرسیونی رابطه بین آمار تعداد مبتلایان به بیماری و سیگنال های اقلیمی به صورت همزمان و با یک، دو، سه و چهار ماه تاخیر رگرسیون گرفته شده است.
یافته ها: در مجموع بین بیماران بهمن با سیگنال اقلیمی nino۱ دی، بیماران اسفند با سیگنال اقلیمی pna بهمن، بیماران فروردین با سیگنال اقلیمی AAMM اسفند، بیماران اردیبهشت با سیگنال اقلیمی AO فروردین و بیماران مرداد با سیگنال اقلیمی tsa خرداد، در سطح ۵ درصد رابطه معنادار وجود داشت. همچنین بین بیماران بهمن با سیگنال اقلیمی nino۱ دی در سطح ۱۰ درصد رابطه معنادار وجود داشت.
بحث و نتیجه گیری: این بررسی نشان داد که استفاده از سیگنال های اقلیمی با تاخیر برای پیشبینی بیماری، بهتر از به کارگیری سیگنالها و بیماری به صورت همزمان است. بین آمار ابتلا به بیماری در کل دوره با سیگنال pdo با دو ماه تاخیر بیشترین میزان همبستگی (۵۳/۸۴ %) به دست آمد. علاوه بر این نتایج نشان داد که تقریبا در نیمی از ماه های سال همبستگی خوبی بین شیوع بیماری سالک و سیگنال های اقلیمی وجود دارد و درنتیجه میتوان با استفاده از سیگنال های اقلیمی به شیوع بیماری سالک پی برد.
کلیدواژه ها:
نویسندگان
بهروز پروانه
Department of Meteorology, Faculty of Graduate, Islamic Azad University, Khorramabad branch, Khorramabad, Iran,
مهران لشنی زند
Animal and Natural Resources Research center of Lorestan, Khorramabad
علیرضا سپهوند
University of Tehran
سارا غلامرضایی
Islamic Azad University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :