پیش بینی فضایی–زمانی و مقایسه ریسک تب دنگی با استفاده از مدل های یادگیری عمیق LSTM و GRU و مدل یادگیری ماشین Random Forest بر پایه مولفه های اقلیمی و مکانی

بیماری تب دنگی یکی از مهم ترین تهدیدهای بهداشت عمومی در مناطق گرمسیری و نیمه گرمسیری به شمار می آید که سالانه میلیون ها نفر را مبتلا کرده و بار اقتصادی و اجتماعی گسترده ای ایجاد می کند. این بیماری توسط پشه های ناقل منتقل می شود و الگوی زمانی و مکانی شیوع آن به شدت تحت تاثیر شرایط اقلیمی و محیطی نظیر دما، بارش، رطوبت نسبی، شاخص سطح برگ یا (LAI) Leaf Area Index و تراکم جمعیت است. در این پژوهش، کارایی سه مدل محاسباتی شامل Long Short-Term Memory (LSTM)، Gated Recurrent Unit (GRU) و Random Forest (RF) برای پیش بینی دقیق فضایی–زمانی خطر دنگی، با استفاده از داده های کشور هند مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل های LSTM و GRU به دلیل توانایی در شناسایی وابستگی های زمانی، عملکرد بهتری نسبت به RF ارائه می دهند. علاوه بر این، مدلGRU در پیش بینی کوتاه مدت با دقت %۷۷/۹۹، ضریب R² برابر ۹۹۵/۰ و NRMSE معادل %۸۱/۰، نتایج دقیق تری نسبت به LSTM به دست آورد. چارچوب پیشنهادی نشان می دهد که معماری های یادگیری عمیق ظرفیت بالایی در پیش بینی ریسک بیماری دارند و می توانند به عنوان ابزار تصمیم یار برای سیاست گذاران سلامت در تخصیص منابع، طراحی راهبردهای پیشگیرانه هدفمند و مدیریت اثربخش شیوع بیماری در مناطق آسیب پذیر مورد استفاده قرار گیرند.

کلیدواژه ها:

پیش بینی فضایی–زمانی ، تب دنگی ، داده های اقلیمی ، داده های مکانی ، GRU ، LSTM ، Random Forest.