view in publisher's site
- خانه
- لیست مقالات
- چکیده
Spatial estimation of chronic respiratory diseases based on machine learning procedures—an approach using remote sensing data and environmental variables in quito, Ecuador
Highlights•Quito, Ecuador is a city located in the middle of the Andean Region with some interesting geographical characteristics.•The use of Remote Sensing and environmental variables can estimate the prevalence of respiratory diseases.•The LUR model uses some geographical variables, being an interesting alternative to build air pollution and health spatial models.•The machine learning techniques let compute more efficient regression models.AbstractOver the last few years, the use of remote sensing data in different applications such as estimation of air pollution concentration and health applications has become very popular and new. Thus, some studies have established a possible relationship between environmental variables and respiratory health parameters. This study proposes to estimate the prevalence of Chronic Respiratory Diseases, where there is a relationship between remote sensing data (Landsat 8) and environmental variables (air pollution and meteorological data) to determine the number of hospital discharges of patients with chronic respiratory diseases in Quito, Ecuador, between 2013 and 2017. The main objective of this study is to establish and evaluate an alternative LUR model that is capable of estimate the prevalence of chronic respiratory diseases, in contrast with traditional LUR models, which typically assess air pollutants. Moreover, this study also evaluates different analytic techniques (multiple linear regression, multilayer perceptron, support vector regression, and random forest regression) that often form the basis of spatial models. The results show that machine learning techniques, such as support vector machine, are the most effective in computing such models, presenting the lowest root-mean-square error (RMSE). Additionally, in this study, we show that the most significant remote sensing predictors are the blue and infrared bands. Our proposed model is a spatial modeling approach that is capable of determining the prevalence of chronic respiratory diseases in the city of Quito, which can serve as a useful tool for health authorities in policy- and decision-making.
برآورد فضایی بیماری‌های مزمن تنفسی براساس روش‌های یادگیری ماشین - روشی با استفاده از داده‌های سنجش از دور و متغیرهای محیطی در کیتو، اکوادور
نکات برجسته * کیتو، اکوادور شهری است در میانه منطقه آند با برخی ویژگی‌های جغرافیایی جالب.
* استفاده از سنجش از راه دور و متغیرهای محیطی می‌تواند شیوع بیماری‌های تنفسی را تخمین بزند.
* مدل LUR از برخی متغیرهای جغرافیایی استفاده می‌کند، که جایگزین جالبی برای ایجاد آلودگی هوا و مدل‌های فضایی سلامت است.
* تکنیک‌های یادگیری ماشین به محاسبه مدل‌های رگرسیون کارآمدتر کمک می‌کنند. در طول چند سال گذشته، استفاده از داده‌های سنجش از دور در کاربردهای مختلف مانند تخمین غلظت آلودگی هوا و کاربردهای سلامتی بسیار محبوب و جدید شده‌است.
بنابراین، برخی مطالعات رابطه احتمالی بین متغیرهای محیطی و پارامترهای سلامت تنفسی را اثبات کرده‌اند.
این مطالعه تخمین شیوع بیماری‌های تنفسی مزمن را پیشنهاد می‌کند، که در آن رابطه‌ای بین داده‌های سنجش از دور (لندست ۸)و متغیرهای محیطی (آلودگی هوا و داده‌های هواشناسی)برای تعیین تعداد ترخیص بیماران مبتلا به بیماری‌های تنفسی مزمن در کیتو، اکوادور، بین سال‌های ۲۰۱۳ و ۲۰۱۷ وجود دارد.
هدف اصلی این مطالعه ایجاد و ارزیابی یک مدل جایگزین LUR است که قادر به برآورد شیوع بیماری‌های تنفسی مزمن باشد، برخلاف مدل‌های سنتی LUR که معمولا آلاینده‌های هوا را ارزیابی می‌کنند.
علاوه بر این، این مطالعه روش‌های تحلیلی مختلف (رگرسیون خطی چندگانه، پرسپترون چند لایه، رگرسیون بردار پشتیبان و رگرسیون جنگل تصادفی)را نیز ارزیابی می‌کند که اغلب اساس مدل‌های فضایی را تشکیل می‌دهند.
نتایج نشان می‌دهد که تکنیک‌های یادگیری ماشین، مانند ماشین بردار پشتیبان، بیش‌ترین تاثیر را در محاسبه چنین مدل‌هایی دارند و کم‌ترین خطای ریشه میانگین مربعات (RMSE)را نشان می‌دهند.
علاوه بر این، در این مطالعه، ما نشان می‌دهیم که مهم‌ترین پیش‌بینی‌کننده‌های سنجش از دور، باندهای آبی و مادون‌قرمز هستند.
مدل پیشنهادی ما یک رویکرد مدل‌سازی فضایی است که قادر به تعیین شیوع بیماری‌های مزمن تنفسی در شهر کیتو است، که می‌تواند به عنوان یک ابزار مفید برای مقامات بهداشتی در سیاست گذاری و تصمیم‌گیری به کار رود.
ترجمه شده با 
- مقاله General Environmental Science
- ترجمه مقاله General Environmental Science
- مقاله علوم محیطی عمومی
- ترجمه مقاله علوم محیطی عمومی
- مقاله Tourism, Leisure and Hospitality Management
- ترجمه مقاله Tourism, Leisure and Hospitality Management
- مقاله مدیریت گردشگری، اوقات فراغت و هتلداری
- ترجمه مقاله مدیریت گردشگری، اوقات فراغت و هتلداری
- مقاله Geography, Planning and Development
- ترجمه مقاله Geography, Planning and Development
- مقاله جغرافیا، برنامه‌ریزی و توسعه
- ترجمه مقاله جغرافیا، برنامه‌ریزی و توسعه
- مقاله Forestry
- ترجمه مقاله Forestry
- مقاله جنگلداری
- ترجمه مقاله جنگلداری
ترجمه کنید