پیش بینی مناطق کم خطر و پر خطر شهر تهران نسبت به بیماری کووید 19 با استفاده از الگوریتم جنگل تصادفی

فرخ اناری, مهدی; نیسانی سامانی, نجمه

پیش بینی مناطق کم خطر و پر خطر شهر تهران نسبت به بیماری کووید 19 با استفاده از الگوریتم جنگل تصادفی

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشجوی کارشناسی ارشد گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، ایران

² دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

چکیده

ویروس کووید 19 یکی از بیماری های عفونی و واگیرداری است که به آن بیماری تنفسی حاد ان‌کاو-۲۰۱۹ گفته می شود. شیوع بیماری کوید 19 اولین بار در 31 دسامبر سال 2019 در ووهان چین گزارش شد که طی چند هفته، ویروس به سرعت در سرتاسر چین و طی 1 ماه به چندین کشور دیگر از جمله ایتالیا ، ایالات متحده و آلمان گسترش یافت. این بیماری در ایران به ‌صورت رسمی در ۳۰ بهمن ۱۳۹۸ تأیید شد. شناسایی و تحلیل مناطق پر خطر و ایجاد مقررات با توجه به داده ها و تحلیل های GIS در این شرایط اپیدمیولوژیکی حائز اهمیت است. در این میان GIS با ماهیت مکانی خود می تواند در جلوگیری از گسترش کووید 19 با نشان دادن و تحلیل مناطق خطرناک در ابتلا شدن افراد ، موثر باشد. در واقع شناخت مناطق بر اساس میزان خطر ابتلا به بیماری می تواند برای ارائه سیاست های محدودیت گذاری اجتماعی و قوانین تردد شهری به منظور تهیه برنامه روزانه و هفتگی در مناطق مختلف شهری موثر است . در این پژوهش کاربردی و تحلیلی ، با استفاده از الگوریتم جنگل تصادفی به شناسایی مناطق پر خطر و کم خطر در شهر تهران پرداخته شده است . الکوریتم جنگل تصادفی یک الگوریتم یادگیری تحت نظارت است که از آن هم برای طبقه بندی و هم رگرسیون استفاده می شود. الگوریتم جنگل تصادفی روی نمونه های داده، درختان تصمیم گیری می سازد و سپس از هر کدام از آنها پیش بینی می گیرد و در نهایت به واسطه رای گیری، بهترین راه حل را انتخاب می کند. این یک روش گروهی است، که از یک درخت تصمیم گیری مجزا بهتر است، زیرا با میانگین گیری در نتیجه، over-fitting را کاهش می دهد. در این پژوهش از 7 معیار موثر در خطر پذیری مناطق نسبت ویروس کووید 19 استفاده شد که عبارت اند از : مسیر های مترو و اتوبوس های تندرو ، بیمارستان ها، مراکز اداری و تجاری ، معابر ، تراکم جمعیت و ترافیک شهری . پس از تهیه نقشه ی مناطق پر خطر کرونا ، برای ارزیابی از منحنی تشخیص عملکرد نسبی (ROC) استفاده شد . سطح زیر منحنی (AUC) بدست آمده از منحنی تشخیص عملکرد نسبی ، نشان دهنده ی دقت8/98 درصد است که نتایج نشان دهنده ی دقت بالای این الگوریتم در جهت پیش بینی مناطق پر خطر و کمتر نسبت به ابتلای بیماری کووید 19 است .

چکیده تصویری