
تعداد نشریات | 162 |
تعداد شمارهها | 6,692 |
تعداد مقالات | 72,229 |
تعداد مشاهده مقاله | 129,181,728 |
تعداد دریافت فایل اصل مقاله | 102,010,552 |
مدلسازی پراکندگی زمانی و مکانی گسترش ویروس کرونا (مطالعۀ موردی: استانهای قم و مازندران) | ||
مدیریت مخاطرات محیطی | ||
دوره 8، شماره 1، فروردین 1400، صفحه 81-98 اصل مقاله (1.25 M) | ||
نوع مقاله: پژوهشی کاربردی | ||
شناسه دیجیتال (DOI): 10.22059/jhsci.2021.321919.642 | ||
نویسندگان | ||
وحید عیسی زاده1؛ میثم ارگانی* 2؛ ابوالفضل قنبری3؛ حسین محمدی4 | ||
1کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی (GIS)، دانشگاه تهران | ||
2استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی (GIS)، دانشگاه تهران | ||
3دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی (GIS)، دانشگاه تبریز | ||
4استاد گروه جغرافیایی طبیعی (اقلیم شناسی)، دانشگاه تهران | ||
چکیده | ||
ویروس کرونا عامل یکی از بیماریهای واگیردار و عفونی سدۀ بیستویکم است که از اواخر دسامبر 2019 از ووهان چین به سراسر جهان گسترش یافت. در پژوهش حاضر، مدلسازی پراکندگی زمانی و مکانی ویروس کرونا با استفاده از مدل رگرسیون وزندار مکانی انجام گرفت و نتایج با مدل حداقل مربعات، برای سه شاخص (مبتلایان، فوتشدگان و بهبودیافتگان) برای استانهای قم و مازندران در طی دورۀ زمانی 3 اسفند 1398 تا اواخر مهر 1399 مقایسه شد. همچنین برای تحلیل سه شاخص ویروس کرونا از الگوی خودهمبستگی مکانی موران استفاده شد. علت انتخاب استان مازندران و قم بهعنوان مناطق مطالعه در پژوهش حاضر، مسافرتهای زیارتی و سیاحتی بود. همچنین این دو استان از اولین استانهای درگیر با ویروس کرونا در کشور بودند. نتایج پژوهش نشان میدهد که پراکندگی مبتلایان در استان قم در طی دورۀ زمانی ذکرشده، 25/44 درصد و پراکندگی فوتشدگان 34/4 درصد بود. پراکندگی مکانی این شاخصها بیشتر در قسمتهای شمال غربی و جنوبی شهرهای استان قم بود. اما پراکندگی بهبودیافتگان برای این استان 07/61 درصد بود که بیشتر در قسمتهای مرکزی استان دیده شد. پراکندگی زمانی و مکانی مبتلایان ویروس کرونا در استان مازندران در طی دورۀ زمانی ذکرشده 57/35 درصد و پراکندگی فوتشدگان 61/2 درصد بود. بیشتر مبتلایان و فوتشدگان از نظر مکانی در قسمت شمالی این استان دیده شدند. بهبودیافتگان براساس مدل حداقل مربعات در طی دورۀ زمانی 3 اسفند 1398 تا اواخر مهر 1399، بیشتر در قسمتهای مرکزی و بخشیهای کوچکی از قسمتهای جنوبی این استان پراکنده بودند. بنابر نتایج پژوهش حاضر، براساس مدلهای رگرسیون وزندار مکانی و حداقل مربعات، مهمترین عامل پراکندگی زمانی و مکانی ویروس کرونا در استانهای قم و مازندران، سفرهای گردشگری و زیارتی است. از اینرو ممنوعیت سفر به این استانها و ارائۀ خدمات سازمانها و ادارات بهصورت الکترونیکی و غیرحضوری با هدف کاهش حضور مردم در جامعه و قرنطینۀ خانگی، پیشنهاد پژوهش حاضر بهمنظور کاهش پراکندگی مکانی ویروس کرونا در استانهای قم و مازندران است. | ||
کلیدواژهها | ||
استانهای قم و مازندران؛ خودهمبستگی مکانی موران؛ مدل رگرسیون وزندار مکانی و حداقل مربعات؛ ویروس کرونا | ||
مراجع | ||
[1]. پورقاسمی، حمیدرضا؛ پویان، سهیل؛ فرجزاده، زکریا؛ حیدری، بهرام؛ و بابایی، صدیقه (1400). «ارزیابی خطر شیوع و رفتار ویروس کووید 19 با استفاده از میانگین متحرک و مدلهای چندجملهای (مطالعۀ موردی: استان فارس)»، جغرافیا و برنامهریزی محیطی، دورۀ 32، شمارۀ 1، ص 70-54. [2]. رهنما، محمدرحیم؛ و بازرگان، مهدی (1399). «تحلیل الگوهای مکانی – زمانی اپیدمی ویروس کووید 19 و مخاطرات آن در ایران»، مدیریت مخاطرات محیطی، دورۀ 7، شمارۀ 2، ص 127–113. [3]. سالنامۀ آماری استان مازندران (1395). مرکز آمار ایران.
[4].Abolfazl. M.; Behzad. V.; & Kiara M. R. (2020). “GIS-based spatial modeling of COVID-19 incidence rate in the continental United States”, https://doi.org/10.1016/j.scitotenv.2020.138884.
[5]. American Health Organization. Use of GIS in epidemiology. Epidemiological Bulletin. (2015). 17:1-7. [6]. Bailley, T.; & Gatrell, A. (2015). Interactive spatial data analysis. 1st ed. Harlow. Longman. [7]. Blackwood, JC.; Childs LM. (2018). “an introduction to compartmental modeling for the budding infectious disease modeler”, Lett Biomath 20(5), pp: 195-221. [8]. Chen, S.; Yang, J.; Yang, W.; Wang, C.; & Bärnighausen, T. (2020). “COVID-19 control in China during mass population movements at New Year”, The Lancet 39(5), pp: 764-766. [9]. Chen, N.; Zhou, M.; Dong, X.; Qu, J.; Gong, F.; & Han, Y. (2020). “Epidemiological and clinical characteristics of 99 cases of 2019 novel corona virus pneumonia in Wuhan, China”, a descriptive study Lancet. 39(7), pp: 507-513. Doi: 10.1016/S0140-6736(20)30211-7. [10]. Fotheringham. A.S, Brunsdon, C.; & Charlton, M. (2002). Geographically Weighted Regression: the analysis of spatially varying relationships. [11]. Ghaedamini, A. R.; Tofighi, S.; Ghaedamini, H.; Azizian, F.; Amerieon, A.; & Shokri, M. (2012). “A review of some infectious diseases distribution based on geographic information system (GIS) in the area of Chahar Mahal and Bakhtiari”, Journal of Police Medicine, 1(2), pp: 113-123. [12]. Gatto, M.; Bertuzzo, E.; Mari, L.; Miccoli, S.; Carraro, L.; Casagrandi, R.; Rinaldo, A. (2020). “Spread and dynamics of the COVID-19 epidemic in Italy”, E ects of emergency containment measures. Proc. Natl. Acad. Sci. USA, 1(17), pp: 10484–10491. [13]. Ibrahim, A. (2020). “GIs Application for modeling Covid -19 risk in the makkah region Saudi risk Arabiabased on population and density”, https://doi. Org/ 10.21608/ejec.2020.115873. [14]. Jia, J.; Ding, J.; Liu, S.; Liao, G.; Li, J.; & Duan, B. (2021). “Modeling the Control of COVID-19”, Impact of Policy Interventions and Meteorological Factors, Vol. 151, No. 7, pp: 231-321. [15]. Kistemann, T.; Dangendorf, F.; & Schweikart, J. (2015). “New perspectives on the use of Geographical Information Systems in environmental health sciences”, Int J Hyg Environ Health 20(5), pp: 169 - 181. https:// doi. Org/10.1078/1438-4639-00145. [16]. Kandwal, R.; Garg, PK.; & Garg, RD. (2009). “Health GIS and HIV/ AIDS studies: Perspective and retrospective”, Journal Biomed Inform, (4)2, pp: 748-755. https:// doi.org/ 10.1016/j.jbi.2009.04.008. [17]. Lu, R.; Zhao, X.; Li, J.; Niu, P.; Yang, B.; & Wu, H. (2020). “Genomic characterization and epidemiology of 2019 novel corona virus: implications for virus origins and receptor binding”, Lancet. (39)5, pp: 565-574. https:// doi. Org/ 10.1016/S0140-6736(20)30251-8 [18].Leung, M.K.; Xiong, H.Y.; Lee, L.J.; & Frey, B.J. (2020). “Deep learning of the tissue-regulated splicing code. Bioinformatics, 30, 121–129. [19]. Lee, S.I. (2000). “Developing a bivariate spatial association measure: An integration of Pearson's r and Moran's I”, Journal of geographical systems, (3)4, pp: 369-385. [20]. Mollalo, A.; Vahedi, B.; & Rivera, K. (2020). “GIS-based spatial modeling of COVID-19 incidence rate in the continental United States”, Science of the Total Environment, (7)28, pp: 1-8. https://doi. Org/10.1016/j.scitotenv.138884. [21]. Propastin, P.; & Kappas, M. (2008). “Reducing uncertainty in modeling the NDVI–precipitation relationship: a comparative study using global and local regression techniques”, GISci Remote Sens, (4)5:47–67. [22]. Wang, Z.; & Xu, X. (2020). “ScRNA-seq profiling of human testes reveals the presence of the ACE2 receptor, a target for SARS-CoV-2 infection in spermatogonia”, Leydig and Sertoli Cells 9(4):920. [23]. World Health Organization. (2020). Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19). Retrieved from. https://www.who.int/docs/defaultsource/coronaviruse/who-china-joint-mission-oncovid-19-final-report.pdf. [24]. World Health Organization. 10 facts on neglected tropical diseases. (2011). Available from: URL: http://www.who.int/features/factfiles/ neglected_ tropical_ diseases/en. [25]. Wu, F.; Chen, YM; Wang, W.; & Song, ZG.; Hu, Y. (2020). “A new corona virus associated with human respiratory disease in China”, Nature. https:// doi. Org/ 10.1038/s41586-020-2202-3. [26]. Zhou, P.; Yang, XL.; Wang, XG.; Hu, B.; Zhang, L.; & Zhang, W. (2020). “A pneumonia outbreak associated with a new corona virus of probable bat origin”, Nature, (5)21, pp: 270-273. | ||
آمار تعداد مشاهده مقاله: 797 تعداد دریافت فایل اصل مقاله: 613 |