مدل سازی و تحلیل روند توزیع بیماری لیشمانیوز با استفاده از شبکه عصبی پرسپترون چند لایه و رگرسیون بردار پشتیبان ( مطالعه موردی: روستاهای استان اصفهان)

روستاهای واقع در استان اصفهان یکی از مناطق مستعد شیوع بیماری لیشمانیوز پوستی است که با وقوع زخم روی پوست مشخص می‌شود. برای پیش‌بینی شیوع بیماری لیشمانیوز پوستی در آینده، نظارت مداوم بر روند توزیع مکانی این بیماری ضروری است. مدلسازی بیماری با استفاده از دو الگوریتم یادگیری ماشین به نام های رگرسیون بردار پشتیبان (svr) و شبکه عصبی پرسپترون چند لایه (mlp) انجام شده است. عملکرد این الگوریتم ها با استفاده از شاخص rmse ارزیابی شده است. تحلیل نتایج نشان می دهد الگوریتم svr با rmse=0/170 در مقایسه با mlp با rmse= 0/348 عملکرد بهتری دارد. عوامل محیطی شامل دما، رطوبت، بارش، ارتفاع و سرعت باد  به عنوان متغیر های مستقل و تخمین تراکم  بیماری لیشمانیوز پوستی به عنوان متغیر وابسته در فرایند مدلسازی مورد استفاده بودند، که از این تعداد (‏70 %)‏ برای آموزش مدل‌ و (‏30 %)‏ باقی مانده برای ارزیابی مدل مورد استفاده قرار گرفتند. نتایج شاخص تحلیل مکانی نشان داد الگوی توزیع بیماری لیشمانیوز پوستی در سال های 1397 تا 1399 بصورت خوشه ای بوده است و پارامترها ی رطوبت و بارش بیشترین اثر را بر روی شیوع بیماری لیشمانیوز در این منطقه داشته است.

modeling and analysis of leishmaniasis distribution process using multilayer perceptron neural network and support vector regression (case study: villages of isfahan province)

villages located in isfahan province are one of the areas prone to the spread of cutaneous leishmaniasis, which is characterized by the occurrence of wounds on the skin. to predict the future prevalence of cutaneous leishmaniasis, continuous monitoring of the spatial distribution of this disease is essential. disease modeling was performed using two machine learning algorithms called support vector regression (svr) and multilayer perceptron neural network (mlp). the performance of these algorithms is evaluated using the rmse index. analysis of the results shows that svr algorithm with rmse = 0.170 compared to mlp with rmse = 0.348 has better performance. environmental factors include temperature, humidity, precipitation, altitude and wind speed as independent variables and estimation of leishmaniasis density was used as a dependent variable in the modeling process, of which (70%) were used for model training and the remaining (30%) for model evaluation. the results of spatial analysis index showed that the distribution pattern of cutaneous leishmaniasis in the years 1397 to 1399 was clustered.