پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,759 |
| تعداد مشاهده مقاله | 115,130,958 |
| تعداد دریافت فایل اصل مقاله | 89,896,874 |
تحلیلی بر پراکنش مراکز بیمارستانی با رویکرد پدافند غیرعامل با هدف مدیریت مخاطرات با استفاده از شبکۀ عصبی مصنوعی (مطالعۀ موردی: شهر تبریز) | ||
| مدیریت مخاطرات محیطی | ||
| مقاله 5، دوره 7، شماره 1، فروردین 1399، صفحه 77-96 اصل مقاله (1.17 M) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2020.300398.553 | ||
| نویسندگان | ||
| میلاد باقری1؛ رحیمه رستمی2؛ میثم ارگانی* 3؛ کیوان باقری2 | ||
| 1کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران | ||
| 2دانشجوی دکتری سنجش از دور و سیستم‌های اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران | ||
| 3استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران | ||
| چکیده | ||
| بیمارستان از اجزای حیاتی و حساس شهر است که از نظر شرایط مربوط به پدافند غیرعامل به‌منظور مدیریت مخاطرات باید توجه ویژه‌ای به آن شود. شهر تبریز یکی از شهرهای پرجمعیت کشور است که خدمات درمانی مورد نیاز کل استان آذربایجان شرقی و تا حدودی استان‌های همجوار را تأمین می‌کند. از این‌رو باید برای مقابله با مخاطرات طبیعی و انسانی رویکردهای لازم صورت گیرد تا بیمارستان‌های شهر در مواجهه با خطرهای احتمالی حداکثر ایمنی را داشته باشند. به‌دلیل اهمیت مطالعۀ حاضر از 13 معیار اثرگذار فاصله از مراکز حساس نظامی و صنعتی، فاصله از ایستگاه‌های آتش‌نشانی، فاصله از پارک‌ها و فضای سبز، فاصله از مراکز بهداشتی- درمانی، فاصله از مراکز تجاری، پراکندگی و شعاع دسترسی بیمارستان‌ها، فاصله از معابر و راه‌های اصلی، فاصله از گسل، فاصله از رودخانه، فاصله از کاربری‌های آموزشی، فاصله از مراکز سوخت و تراکم جمعیت استفاده شد و با روش شبکۀ عصبی موقعیت بیمارستان‌های شهر تبریز بررسی شد. نو‌آوری این پژوهش، استفاده از روش شبکۀ عصبی در تعیین آسیب‌پذیری مناطق مختلف در برابر مخاطرات و تهدیدهاست. برای این منظور از روش شبکۀ عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ-مارکوات استفاده شد. برای رسیدن به اهداف پژوهش 104 نقطۀ آموزشی معرفی و 13 نورون به‌عنوان نورون‌های لایۀ میانی تعیین شد و برای رسیدن به این تعداد از روش آزمون و خطا استفاده شد. با تعیین نحوۀ اثرگذاری معیارها مناطق مناسب مشخص شد. نتایج تحقیق نشان‌دهندۀ این است که در بین بیمارستان‌های کنونی بیمارستان "شهید عالی‌نسب" بهترین موقعیت را از نظر پدافند غیرعامل با هدف مدیریت مخاطرات در بین بیمارستان‌های شهر تبریز دارد و بیمارستان‌های "امام رضا"، "شهید مدنی" و "طالقانی" وضعیت نامساعدتری نسبت به بقیه دارند. نتایج همچنین نشان‌دهندۀ آن است که از نظر پدافند غیرعامل در مدیریت مخاطرات، قسمت‌های جنوب شرقی شهر نامناسب‌ترین و قسمت‌های شمال غربی بهترین مناطق برای احداث بیمارستان جدید هستند. | ||
| کلیدواژه‌ها | ||
| بیمارستان؛ پدافند غیرعامل؛ شبکۀ عصبی مصنوعی؛ شهر تبریز؛ مدیریت مخاطرات؛ مکان استقرار | ||
| عنوان مقاله [English] | ||
| An Analysis of the Distribution of Hospital Centers with Passive Defense Approach to Hazard Management using Neural Network (Case Study: Tabriz City) | ||
| نویسندگان [English] | ||
| Milad Bagheri1؛ Rahimeh Rostami2؛ Meysam Argany3؛ Keyvan Bagheri2 | ||
| 1MSc Student in GIS and Remote Sensing, Faculty of Geography, University of Tehran | ||
| 2PhD student in GIS and Remote Sensing, Faculty of Geography, University of Tehran | ||
| 3Assistant Professor of GIS and Remote Sensing, Faculty of Geography, University of Tehran | ||
| چکیده [English] | ||
| Introduction Hospital as one of the critical parts of the city should be considered in terms of passive defense to hazard management. Since the city of Tabriz has a large supply of medical services, it is necessary that the hospitals in this city be investigated and suitable parts from the perspective of passive defense are presented. In the present study, using 13 effective criteria and using neural network method, we investigated the position of hospitals in Tabriz city. The criteria include: distance from fire stations, distance from industrial and military centers, distance from parks and urban green spaces, distance from health centers, distance from main roads, population density, distance from faults, distance from riverside, Distance from training centers, distance from business premises, distance from warehouse and urban facilities, distance from fuel centers and dispersal and access radius of hospitals. The layers were first straightened and standardized in the Arc map, then using Neural Networks method using MATLAB software. To achieve the research goals, 104 educational points were introduced to the system. The results of the study indicate the status of hospitals in terms of non-operating defense that among the current hospitals of Shahid-Ali-Nasab had the best position in terms of passive defense to hazard management, and the hospitals of Imam Reza, Madani and Taleghani had a more unfavorable situation than others, as well as the northwest of Tabriz city. The best conditions regarding the passive defense and hazard management features are northwest parts of city for building new hospitals. Methodology To work with Artificial Neural Network, firstly, effective parameters to locate the hospital should be provided to the network as input layers. Then, a number of training points should be given to the network so that the network uses the training points to determine the impact of each of the input layers; in fact, the network has received the training needed to cope with new areas. Finally, the entire city of Tabriz has been provided to the trained network, and in the end, the network, using what has been learned, identifies the optimal locations for the hospital. The neural network has several types. In this study, Multilayer Perceptron method was used with back-propagation algorithm to determine the optimal location of the hospital. Result and discussion After providing the necessary trainings to the network and run it, the result of the map of the optimal locations for the construction of the hospital was presented. The output is a valuable layer between zero and one. Conclusion The city of Tabriz is the provider of many health services and the city as one of the big cities of Iran has the potential to attack enemy targets during a possible attack. On the other hand, there are natural risk factors in the city. The need to examine the status of the current hospitals finding the right place to build a hospital. According to the mentioned cases, necessary studies were carried out and 13 criteria for the mentioned goals were determined. These criteria were determined using previous studies and natural conditions of the city. The method used in this study was a neural network method, which was used with multi-layer perceptron method with error propagation algorithm. We have plotted results with a numerical value from zero to one. By examining the position of the current hospitals in Tabriz, it seems hospitals are located in the central regions of the city and are more likely to follow the population factor. The results show that Ali Nasab Hospital has a better position in terms of passive defense to hazard management than other hospitals. The hospital also has an appropriate distance from the environmental threats, such as faults and streams, and in the distance from the critical centers at the time of target of a possible enemy attack, and it has access to the main routes and the first arteries, and open green spaces, which, in times of crisis, provide space for emergency relief and emergency hospital establishment. After that, Amir Al-Momenin and Artesh hospital have a more favorable situation than other hospitals. Shahid madani, Imam Reza, and Taleghani hospitals have the worst conditions than other hospitals. Considering that, most hospitals are in Tabriz 1 and 2 districts and those have no radial distances with other hospitals in the areas that two Shahid Madani and Imam Reza hospitals are these centers. Because the hospital should be have distance at least 1000 meters from the fuel supply centers, this is not adhered to the case in the Taleghani Hospital. There are two fuel centers in the 1000-meter hospital privacy. Accordingly, the southeast parts of Tabriz is the most unsuitable areas for construction of new hospitals, and the northwest were identified as the best areas for building new hospitals. | ||
| کلیدواژه‌ها [English] | ||
| Hospital, Location, Passive Defense, Disaster Management, Artificial Neural Network, Tabriz City | ||
| مراجع | ||
|
[1]. احدنژاد، محسن؛ قادری، حسین؛ هادیان، محمد؛ حقیقت فرد، پیام؛ درویشی، بنفشه؛ حقیقت فرد، الهام؛ سادت زگردی، بیتا؛ و بردبار، آرش (1393). «مکان‌یابی بهینۀ مراکز درمانی شهری با استفاده از GIS: منطقۀ 11 شهر تهران»، مجلۀ دانشگاه علوم پزشکی فسا، ش 4، ص 474-463. [2]. باقری، میلاد؛ جلوخانی نیارکی، محمدرضا؛ و باقری، کیوان (1396). «بررسی پتانسیل اراضی استان کرمانشاه جهت کشت گندم دیم با استفاده از شبکۀ عصبی مصنوعی»، سنجش از دور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی، ش 4، ص 48-36. [3]. پوراحمد، احمد؛ اشلقی، مهدی؛ اهار، حسن؛ منوچهری، ایوب؛ و رمضانی مهربان، مجید (1391). «مدلسازی مکان‌یابی بیمارستان با استفاده از منطق فازی با تلفیق AHP و TOPSIS در محیط ARCGIS»، جغرافیا و برنامه‌ریزی محیطی، پیاپی 54، ش 2، ص 24-1. [4]. جمالی، فیروز؛ صدر موسوی، میرستار؛ و اشلقی، مهدی (1391). «ارزیابی الگوهای مکان‌یابی بیمارستان‌ها در شهر تبریز»، جغرافیا و برنامه‌ریزی شهری، ش 47، ص 53-23. [5]. چکیدۀ نتایج جمعیتی سرشماری عمومی نفوس و مسکن سال 1395 استان آذربایجان شرقی (1396). معاونت آمار و اطلاعات. [6]. حسینی، سید احمد؛ احدنژاد روشنی، محسن؛ مدیر، مهدی؛ و آربش، سعید (1392). «مکان‌یابی مراکز بیمارستانی با رویکرد پدافند غیرعامل با استفاده از الگوریم رقابت استعماری (نمونۀ موردی: منطقۀ 3 تهران)»، مجلۀ جغرافیا و توسعۀ ناحیه‌ای، ش 21، ص 245-223. [7]. حسینی، سید بهشید؛ و کاملی، محسن (1391). «معیارهای پدافند غیرعامل در طراحی معماری ساختمتن‌های جمعی شهری»، معماری و شهرسازی آرمانشهر، ش 15، ص 39-27. [8]. حسینی، سید هادی؛ و صدیقی، ابولفضل (1393). «تحلیلی بر آمایش فضایی- مکانی فضاهای درمانی مشهد با رویکرد پدافند غیرعامل»، آمایش سرزمین، دورۀ ششم، ش 2، ص 361-335. [9]. سجادیان، ناهید؛ علیزاده، مهدی؛ و پرویزیان، علیرضا (1396). «سنجش استقرار بیمارستان‌های کلانشهر اهواز مبتنی بر اصول پدافند غیرعامل»، مجلۀ آمایش جغرافیایی فضا، ش 24، ص 184-169. [10]. فردوسی، مسعود؛ مسعود، محمد؛ و ندری فتح‌آبادی، سیروس (1395). «مکان‌یابی بیمارستان با رویکرد پدافند غیرعامل»، فصلنامۀ علمی-پژوهشی امداد و نجات، ش 3، ص 16-1. [11]. قادر رحمتی، صفر؛ جمشیدی، صدیقه؛ و تسلیم، سمانه (1393). «بررسی کاربرد اصول و ضوابط پدافند غیرعامل در مکان‌یابی مراکز بهداشتی-درمانی شهر یزد»، اولین همایش ملی رویکردهای نوین آمایش سرزمین در ایران. [12]. مرتضوی مهرآبادی، سید علی؛ و متقی، طاهره (1390). «ملاحظات معماری و شهرسازی در پدافند غیرعامل»، سومین کنفرانس ملی عمران شهری، ص 28. [13]. موحدی‌نیا، جعفر (1388). اصولومبانیپدافند غیرعامل. پژوهشکدهمهندسیپدافندغیرعامل، چ سوم، دانشگاه صنعتی مالک اشتر. [14]. ویسی ناب، فتح‌الله؛ بابایی اقدم، فریدون؛ صادقیه اهری، سعید؛ و اسدی، غلامرضا (1394). «مکان‌یابی بیمارستان‌ها با استفاده از مدل تلفیقی خطی وزن‌دار (WLC) در محیط GIS در شهر اردبیل»، مجلۀ سلامت و بهداشت، دورۀ ششم، ش اول، ص 56-43. [15]. Brankov, B.; Nenkovic-Rizinic, M.; Pucar, M.; & Petrovic, S. (2018). “Hospital safety in spatial and urban planning and design– seismic zone in the Kolubara region in Serbia”, Seismic and Energy Renovation for Sustainable Cities. [16]. Hakan Satman, M.; & Altunmey, M. )2014(. “Selecting location retail stores using artificial neural networks and google places API”, International Journal of Statistics Probability, 3, pp: 67-77. [17]. Huang, H.G.; Hwang, R.C.; & Hsieh, J.G. )2002(. “A new artificial intelligent peak power load forecaster based on non-fixed neural networks”, Electrical Power Energy Syst 24, pp: 245-250. [18]. Jalili Ghazi Zade, M.; & Noori, R. )2008(. “Prediction of Municipal Solid Waste Generation by Use of Artificial Neural Network: A Case Study of Mashhad”, Int. J. Environ. Res 2(1), pp: 13-22. [19]. Kiartzis, S.K.; Bakirtzis, A.G.; & Petridis, V. )1992(. “Short-term load forecasting using neural networks”, Electric Power Syst Res 33, pp: 1-6. [20]. Mobaraki, O.; & Aminpour, R. (2019). “An Evaluation of City Vulnerability Based on the Passive Defense Approach:A Case Study on Mahabad City”, Iran, Sci Rescue Relief, Volume 11; Issue 2. [21]. Sadras V.O.; & McDonald G. )2012(. “Water use efficiency of grain crops in Australia: principles”, benchmarks and management, Change, 11(19), pp: 24-55. [22]. Sharda R. )1994(. “Neural networks for the MS/OR analyst: An application bibliography”, Interfaces, 24(2), pp: 116-130. [23]. Zakaria, M.; AL-Shebany,M.; & Sarhan, Dh. (2014). “Artifical Neural Network: A Brief Overview”, Journal of Engineering Research and Applications, 1, pp: 7-12. | ||
|
آمار تعداد مشاهده مقاله: 604 تعداد دریافت فایل اصل مقاله: 471 |
||