مقایسه ی روش های ANFIS، MLP و PCA-ANFIS در مدلسازی و پیش بینی فضایی لیشمانیوز جلدی در شهرستان سبزوار، ایران

مقدمه: بیماری لیشمانیوز جلدی (سالک)، یک بیماری انگلی و زئونوز است. این مطالعه به مقایسه ی سه روش سیستم استنتاج عصبی فازی تطبیقی (Adaptive Neuro-Fuzzy Inference System)، پرسپترون چند لایه (Multi-Layer Perceptron) و تحلیل مولفه های اصلی (PCA – ANFIS) برای مدل سازی و پیش بینی این بیماری در شهرستان سبزوار پرداخت. روش ها: داده های مورد استفاده شامل موارد ابتلا به لیشمانیوز جلدی (۱۳۹۳–۱۴۰۰) و عوامل موثر مانند جمعیت، اقلیم، پوشش گیاهی و توپوگرافی بودند. از GIS (Geographic Information System) و مدل های ANFIS، MLP و PCA-ANFIS برای پیش بینی فضایی بیماری استفاده شد. یافته ها: بیشترین موارد ابتلا در پاییز و زمستان رخ داده بود، در حالیکه بهار، کم ترین میزان را داشت. ارتفاع و شاخص پوشش گیاهی (Normalized Difference Vegetation Index) بیشترین تاثیر را در پیش بینی بیماری داشتند. مدل ANFIS: بیشترین موارد ابتلا را در بخش بیهق پیش بینی کرد. مدل MLP: نتایج مشابهی داشت، اما در مناطق زرین، فروغن و ربع شامات موارد کمتری پیش بینی شد. مدل PCA-ANFIS: در مناطقی مانند حکم آباد، کراب و رباط، موارد ابتلای بالاتری نسبت به دو مدل دیگر نشان داد. پیش بینی ریسک خطر بیماری در هر سه مدل مشابه بود. نتیجه گیری: مدل PCA-ANFIS عملکرد بهتری در پیش بینی لیشمانیوز جلدی در سبزوار داشت. این مطالعه می تواند به تهیه ی نقشه های پیش بینی و آسیب پذیری بیماری کمک کند و اطلاعات ارزشمندی برای برنامه ریزی بهداشتی و کاهش شیوع سالک ارائه دهد.

کلیدواژه ها:

لیشمانیوز جلدی ، سیستم اطلاعات جغرافیایی ، مدل های شبکه عصبی ، منطق فازی ، تحلیل مولفه اصلی ، پیش بینی