پیشبینی ریسک بیماری لیشمانیوز پوستی مرطوب با بهرهگیری از دادههای شبیهسازیشدهی سنجش از دور و سوابق اپیدمیولوژیک بیماری | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 19 آذر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2025.242033.1307 | ||
| نویسندگان | ||
| فاطمه پرتو* 1؛ محمد جواد ولدان زوج2؛ فهیمه یوسفی3؛ سودابه اعلاتاب4 | ||
| 1گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
| 21گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران | ||
| 3مؤسسه هوش مصنوعی، دانشگاه شائوشینگ، جاده غربی هوآنچنگ، بخش یوچنگ، شائوشینگ، چین | ||
| 4مرکز تحقیقات بیماریهای گوارشی، پژوهشکده بیماریهای گوارشی، دانشگاه علوم پزشکی تهران، تهران، ایران | ||
| چکیده | ||
| چکیده سابقه و هدف: لیشمانیوز پوستی مرطوب (ZCL) بهعنوان یکی از مهمترین بیماریهای انگلی منتقله توسط ناقلین، یکی از چالشهای جدی سلامت عمومی در بسیاری از مناطق نیمهخشک و گرم جهان، بهویژه در خاورمیانه و ایران، به شمار میرود. این بیماری از الگوی مکانی–زمانی مشخصی پیروی میکند که بهشدت تحت تأثیر متغیرهای محیطی و اکولوژیکی از جمله دما، پوشش گیاهی و رطوبت خاک است. در سالهای اخیر، تغییرات اقلیمی، تخریب زیستگاهها و گسترش سکونتگاههای انسانی در مناطق حساس، موجب تغییر در پراکنش ناقلین و مخازن بیماری شده و خطر ظهور یا گسترش کانونهای جدید را افزایش داده است. ازاینرو، برآورد پیشنگر ریسک بروز بیماری در افقهای زمانی آینده، نقش کلیدی در طراحی مداخلات هدفمند، تخصیص بهینه منابع، برنامهریزی پیشگیرانه و استقرار سامانههای هشدار زودهنگام ایفا میکند. این پژوهش با هدف پیشبینی ریسک فضایی–زمانی لیشمانیوز پوستی مرطوب تا افق ۲۰۳۰ در استان ایلام، با تکیه بر دادههای شبیهسازیشده سنجشازدور و سوابق اپیدمیولوژیک موجود انجام شد. مواد و روشها: در گام نخست، تعداد ۵٬۳۵۳ مورد ثبتشده ابتلا به ZCL طی دوره ۲۰۱۴ تا ۲۰۱۹ پس از پالایش و کنترل کیفی، زمینمرجع (Georeference) شده و نقشه پایه شدت بیماری در محیط سامانه اطلاعات جغرافیایی (GIS) تولید گردید. این نقشه بهعنوان لایه اپیدمیولوژیک اصلی و نماینده الگوی گذشته بیماری در مدلسازی مورد استفاده قرار گرفت. سپس، سه متغیر محیطی کلیدی شامل شاخص سبزینگی پوشش گیاهی(SAVI) ، دمای سطح زمین (LST) و شاخص رطوبت خاک(SMI) از تصاویر ماهوارهای Landsat 8 در بازه زمانی ۲۰۱۴ تا ۲۰۲۴ و در بستر پلتفرم Google Earth Engine استخراج و پردازش شد. سری زمانی دهساله هر یک از این متغیرها در مقیاس پیکسلی با استفاده از مدل رگرسیون خطی تحلیل و روند تغییرات آنها شناسایی گردید. بر اساس این روندها، مقادیر هر شاخص برای سال ۲۰۳۰ برونیابی و نقشههای محیطی شبیهسازیشده آینده تولید شد. در ادامه، نقشه دادههای اپیدمیولوژیک تجمیعی و لایههای محیطی شبیهسازیشده بهعنوان ورودی در قالب الگوریتم ماشین بردار پشتیبان (Support Vector Machine) ادغام شد و مدل پیشبینی ریسک ZCL برای سال ۲۰۳۰ توسعه یافت. کارایی مدل با استفاده از شاخصهای آماری شامل ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE)، مساحت زیر منحنی ROC (AUC)، ضریب کاپا (Kappa)، دقت کلی و همچنین اعتبارسنجی متقاطع فضایی k-تایی ارزیابی شد. افزونبراین، بهمنظور بررسی پایداری مدل، نقشه عدمقطعیت بر پایه انحراف معیار خروجیهای مدل استخراج شده و بهصورت یک لایه مستقل ترسیم گردید. نتایج و بحث: نتایج نشان داد که چارچوب پیشنهادی از توان بالایی در بازنمایی الگوهای مکانی–زمانی ریسک لیشمانیوز پوستی مرطوب برخوردار است. مدل SVM با مقادیر RMSE≈18.9، MAE≈7.5، AUC≈0.81، Kappa≈0.68 و صحت کلی در حدود 0.91 عملکردی قابلاتکا در تفکیک نواحی پرخطر، میانخطر و کمخطر از خود نشان داد. نقشه ریسک ترسیمشده برای سال ۲۰۳۰ حاکی از تمرکز بالاتر سطوح ریسک در نواحی خشک، گرم و کمارتفاع جنوب و غرب استان ایلام بود، در حالی که مناطق مرتفعتر، کوهستانی و دارای پوشش گیاهی متراکمتر در شمال، مرکز و شرق استان عمدتاً در طبقات ریسک پایین قرار گرفتند. تحلیل هممکانی میان لایههای محیطی و نقشه ریسک نشان داد که افزایش دمای سطح زمین همراه با کاهش شاخص سبزینگی و افت رطوبت خاک، با تشدید و گسترش نواحی پرخطر رابطه معناداری دارد. علاوه بر این، نقشه عدمقطعیت حاکی از آن بود که میزان عدماطمینان در اکثر مناطق بحرانی نسبتاً پایین و در محدودههای حاشیهای و انتقالی اندکی بیشتر است که نشاندهنده پایداری و قابلیت اتکای نتایج مدل میباشد. نتیجهگیری: یافتههای این پژوهش نشان میدهد که ادغام دادههای شبیهسازیشده سنجشازدور، اطلاعات مکانی و الگوریتمهای پیشرفته یادگیری ماشین، چارچوبی نیرومند، کارآمد و قابل تعمیم برای پیشبینی ریسک آینده لیشمانیوز پوستی مرطوب در مناطق آندمیک فراهم میسازد. الگوی گسترش خوشههای پرخطر به سوی بخشهای جنوبی استان ایلام در سناریوی ۲۰۳۰، ضرورت پایش مستمر متغیرهای محیطی، اجرای مداخلات هدفمند در نقاط بحرانی و توسعه برنامههای پیشگیرانه سازگار با تغییرات اقلیمی را برجسته میسازد. چارچوب ارائهشده قابلیت آن را دارد که بهعنوان زیرساختی علمی برای طراحی سامانههای پایش هوشمند و هشدار زودهنگام بیماریهای وابسته به محیط به کار گرفته شود و نقش مؤثری در پشتیبانی از سیاستگذاری دادهمحور، مدیریت بهینه منابع و ارتقای سلامت عمومی ایفا نماید. | ||
| کلیدواژهها | ||
| لیشمانیوز پوستی مرطوب (ZCL)؛ سامانه اطلاعات جغرافیایی (GIS)؛ سنجش از دور (RS)؛ یادگیری ماشین (ML)؛ ماشین بردار پشتیبان (SVM) | ||
| عنوان مقاله [English] | ||
| Forecasting Zoonotic Cutaneous Leishmaniasis Risk Through Integrated Simulated Remote-Sensing Data and Epidemiological Records | ||
| نویسندگان [English] | ||
| Fatemeh Parto1؛ Mohammad javad Valadan Zoej2؛ Fahimeh Yousefi3؛ Sudabeh Alatab4 | ||
| 1Department of Photogrammetry and Remote Sensing, Faculty of Geodesy and Geomatics Engineering, K.N. Toosi University of Technology, Tehran | ||
| 2Department of Photogrammetry and Remote Sensing, Faculty of Geodesy and Geomatics Engineering, K.N. Toosi University of Technology, Tehran | ||
| 3Institute of Artificial Intelligence, Shaoxing University, 508 West Huancheng Road, Yuecheng District, Shaoxing 312000, China | ||
| 4Digestive Disease Research Center, Digestive Disease Research Institute, Tehran University of Medical Sciences, Tehran, Iran | ||
| چکیده [English] | ||
| ABSTRACT Background and objectives: Zoonotic cutaneous leishmaniasis (ZCL), one of the most significant vector-borne parasitic diseases, poses a major public health challenge in many semi-arid and warm regions of the world, particularly in the Middle East and Iran. The disease follows a distinct spatiotemporal pattern that is strongly influenced by environmental and ecological factors such as temperature, vegetation cover, and soil moisture. In recent years, climate change, habitat degradation, and the expansion of human settlements into environmentally sensitive areas have altered the distribution of vectors and reservoir hosts, thereby increasing the risk of emergence and expansion of new transmission foci. Consequently, anticipatory estimation of future disease risk plays a critical role in designing targeted interventions, optimizing resource allocation, implementing preventive planning, and establishing early-warning systems. The present study aimed to predict the spatiotemporal risk of ZCL in Ilam Province, western Iran, up to the year 2030, using simulated remote-sensing data and available epidemiological records. Materials and methods: In the initial phase, a total of 5,353 reported ZCL cases from 2014 to 2019 were subjected to data cleaning, quality control, and georeferencing procedures to construct a baseline disease-intensity map within a Geographic Information System (GIS) framework. This map served as the primary epidemiological layer reflecting the historical spatial distribution of the disease. Subsequently, three key environmental predictors—Soil-Adjusted Vegetation Index (SAVI), Land Surface Temperature (LST), and Soil Moisture Index (SMI)—were derived from Landsat-8 imagery for the 2014–2024 period, using the Google Earth Engine platform. Pixel-wise time series spanning ten years were analyzed through linear regression to characterize temporal trends for each variable. Based on these trends, pixel-level values were extrapolated to 2030, and simulated future environmental layers were generated. The cumulative epidemiological surface and the projected ecological layers were then integrated as input features within a Support Vector Machine (SVM) framework to produce a spatially explicit ZCL risk-prediction model for 2030. Model performance was rigorously assessed using multiple statistical metrics, including the Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Area Under the Receiver Operating Characteristic Curve (AUC), Cohen’s Kappa coefficient, overall accuracy, and k-fold spatial cross-validation. Furthermore, a model-uncertainty map was constructed based on the standard deviation of ensemble predictions and visualized as an independent spatial layer. Results and discussion: The results demonstrated that the proposed framework exhibits a high capability in capturing and representing the spatiotemporal patterns of ZCL risk. The SVM model achieved reliable performance (RMSE ≈ 18.9, MAE ≈ 7.5, AUC ≈ 0.81, Kappa ≈ 0.68, and an overall accuracy of approximately 0.91), indicating strong discriminative power between high-, moderate-, and low-risk areas. The risk map projected for 2030 revealed a higher concentration of risk in the dry, warm, and low-altitude regions of the southern and western parts of Ilam Province, whereas the higher-elevation and mountainous regions in the northern, central, and eastern parts were predominantly classified as low-risk zones. Co-location analysis between environmental layers and the risk map indicated a significant association between increasing land surface temperature, decreasing vegetation greenness, reduced soil moisture, and the intensification and expansion of high-risk areas. Furthermore, the uncertainty map demonstrated relatively low levels of uncertainty in most critical zones, with slightly higher values in marginal and transitional areas, confirming the robustness and stability of the model predictions. Conclusion: The findings of this study indicate that integration of simulated remote-sensing data, spatial epidemiological information, and advanced machine-learning algorithms provides a powerful, efficient, and generalizable framework for predicting the future risk of zoonotic cutaneous leishmaniasis in endemic regions. The projected expansion of high-risk clusters toward the southern parts of Ilam Province by 2030 highlights the urgent need for continuous environmental monitoring, targeted interventions in critical hotspots, and the development of climate-adaptive preventive strategies. The proposed framework can serve as a scientific foundation for establishing intelligent monitoring and early-warning systems for environmentally driven diseases and can play a significant role in supporting data-driven policymaking, optimized resource management, and the enhancement of public-health resilience. | ||
| کلیدواژهها [English] | ||
| Zoonotic Cutaneous Leishmaniasis (ZCL), Geographic Information Systems (GIS), Remote Sensing (RS), Machine Learning (ML), Support Vector Machines (SVM) | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 111 |
||