- غزاله رفیعی، - آیدا ملکی، - یاسر شهبازی، - اصغر مولائی،
دوره ۱۱، شماره ۳ - ( ۱۰-۱۴۰۳ )
چکیده
بحران‌های طبیعی بیولوژیکی خطری همیشگی برای جوامع بشری محسوب می‌شوند؛ بنابراین آمادگی کنترل و پیشگیری از این‌گونه بلایا امری مهم تلقی می‌شود. در مقابله با چنین بحران‌های شهری پرداختن به مقوله مداخلات غیر دارویی در برابر بیماری‌های واگیردار می‌تواند راهگشا باشد از این‌رو هدف پژوهش حاضر یافتن شاخص‌های اصلی مؤثر در همه‌گیری و تبیین مؤلفه‌های محیطی حاصل از برهمکنش و همبستگی شاخص‌های مرتبط قابل‌سنجش در سطح محلات بر اساس مطالعات محیطی پیشین، می‌باشد. بدین منظور تمامی شاخص‌های محیطی قابل‌دسترس در سطح ۱۱۸ محله کلان‌شهر تبریز شناسایی شدند. سپس با استفاده از اطلاعات ثانویه، شاخص‌های محیطی محلات با استفاده از تحلیل عاملی اکتشافی به دست آمد. سپس با استفاده از روش اکتشافی- تجربی و مبتنی بر روش‌های کمی، پس از تبیین مؤلفه‌های محیطی مؤثر در همه‌گیری، محلات کلان‌شهر تبریز دسته‌بندی شد. درنهایت ۴۲ شاخص و ۸ مؤلفه تجمع، تنوع و طراحی، عوامل اجتماعی، تراکم، عوامل اقتصادی، زیرساخت بهداشتی، آلودگی محیطی و فضاهای سبز و باز به‌عنوان مؤلفه‌های مؤثر بر گسترش بیماری‌های همه‌گیر در سطح محلات شناسایی شدند. هر یک از این عوامل دارای چندین شاخص است که قابلیت سنجش مولفه مذکور را فراهم می‌نماید. بر اساس نتایج میزان اثرات عوامل محیطی بر انتقال کووید-۱۹ از نظر مکانی متمایز می‌شوند. این مؤلفه‌ها درمجموع بیش از ۸۲ درصد تغییرات عوامل محیطی مؤثر را نشان می‌دهند. برنامه‌ریزان، سازندگان و پژوهشگران می‌توانند بر اساس میزان این مولفه ها محلات را از نظر گسترش همه گیری دسته‌بندی نمایند و استراتژی‌های متناسب را در تصمیم‌گیری‌های آتی برای توسعه شهری پایدار مدنظر قرار دهند.
دکتر صیاد اصغری سراسکانرود، زهرا شریفی، زهرا شهبازی،
دوره ۱۱، شماره ۴ - ( ۱۲-۱۴۰۳ )
چکیده
زمین‌لغزش به‌عنوان یکی از خطرناک‌‌ترین مخاطرات طبیعی در نواحی کوهستانی همواره تأسیسات انسانی به‌ویژه جاده‌ها و محورهای ارتباطی را تهدید می‌کند و رخداد آن خسارات جانی و مالی بسیاری را همراه دارد لذا مطالعه و شناخت این مخاطره در جهت پهنه‌بندی خطر وقوع آن امری ضروری است. هدف از این پژوهش پهنه‌بندی خطر وقوع زمین‌لغزش در جاده ماسال به گیلوان با استفاده از الگوریتم شبکه عصبی می‌باشد. الگوریتم شبکه عصبی جزوه یکی از بهترین مدل‌های یادگیری ماشینی شناخته می‌شود که در عین سادگی توانایی حل مسائل پیچیده در امر پیش‌بینی و طبقه‌بندی را دارد. لذا در این جهت برای پهنه‌بندی خطر وقوع زمین‌لغزش ۹ عامل تأثیرگذار به ترتیب: ۱- زمین‌شناسی ۲-پوشش گیاهی ۳- شیب ۴- کاربری اراضی ۵- فاصله از جاده ۶-جهت شیب ۷- ارتفاع ۸- فاصله از گسل ۹- فاصله از رودخانه استفاده‌شده است. بنابراین داده‌ها بعد از تهیه و پیش‌پردازی وارد نرم‌افزار متلب ۲۰۱۸ شده و مدل‌سازی الگوریتم شبکه عصبی با ۹ نورون ورودی ۸ نورون میانه و ۱ نورون خروجی طراحی و اجراشده و نتایج نشان داد که چهار عامل که بیش‌ترین ارزش وزنی را داشته به ترتیب مربوط به لایه‌های شیب با مقدار ۲۴/۰ درصد، پوشش گیاهی با مقدار ۱۷/۰ درصد، عامل فاصله از گسل با مقدار ۱۴/۰ درصد، زمین‌شناسی با مقدار ۱۱/۰ می‌باشد. و صحت‌سنجی نهایی از خروجی با استفاده از نمودار ROC نشان داد که مقدار AUC عدد ۸۵۴/۰ در بخش آموزش و ۹۷۱/۰ در بخش تست شبکه هر دو در حالت بسیار مطلوب قرار دارند و میزان خطا بسیار پایین است.
