آمار

تعداد نشریات11
تعداد شماره‌ها227
تعداد مقالات2,309
تعداد مشاهده مقاله3,591,145
تعداد دریافت فایل اصل مقاله2,631,046
آذری آرانی, قاسم, احمدی, علیرضا, آذری آرانی, کوثر. (1402). تحلیل مکان‌مند عوامل محیطی مؤثر بر سلامت انسان در شهر تهران. فناوری آموزش, 1(2), 127-134. doi: 10.22061/jrsgr.2023.2006
قاسم آذری آرانی; علیرضا احمدی; کوثر آذری آرانی. "تحلیل مکان‌مند عوامل محیطی مؤثر بر سلامت انسان در شهر تهران". فناوری آموزش, 1, 2, 1402, 127-134. doi: 10.22061/jrsgr.2023.2006
آذری آرانی, قاسم, احمدی, علیرضا, آذری آرانی, کوثر. (1402). 'تحلیل مکان‌مند عوامل محیطی مؤثر بر سلامت انسان در شهر تهران', فناوری آموزش, 1(2), pp. 127-134. doi: 10.22061/jrsgr.2023.2006
آذری آرانی, قاسم, احمدی, علیرضا, آذری آرانی, کوثر. تحلیل مکان‌مند عوامل محیطی مؤثر بر سلامت انسان در شهر تهران. فناوری آموزش, 1402; 1(2): 127-134. doi: 10.22061/jrsgr.2023.2006

تحلیل مکان‌مند عوامل محیطی مؤثر بر سلامت انسان در شهر تهران

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 1، شماره 2، تیر 1402، صفحه 127-134    اصل مقاله (882.49 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2023.2006
نویسندگان
قاسم آذری آرانی* 1؛ علیرضا احمدی2؛ کوثر آذری آرانی2
1گروه فناوری اطلاعات و ارتباطات، دانشگاه فنی و حرفه‌ای، تهران، ایران
2گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران
تاریخ دریافت: 27 تیر 1402،  تاریخ بازنگری: 26 مهر 1402،  تاریخ پذیرش: 09 آبان 1402 
چکیده
پیشینه و اهداف: در دهه‌های اخیر، تعامل پیچیده بین عوامل محیطی و سلامت عمومی توجه پژوهشگران، سیاست‌گذاران و دست‌اندکاران سلامت عمومی را به خود جلب کرده است. درک اینکه چگونه عوامل محیطی بر سلامت انسان تأثیر می‌گذارند، در مقابله با چالش‌های سلامت شهروندان بسیار مهم است. در سال­های اخیر، سامانه­ های اطلاعات مکانی (GIS) به عنوان ابزارهای کاربردی در این زمینه مورد استفاده قرار گرفته ­اند و امکان بررسی و تجزیه و تحلیل روابط پیچیده بین متغیرهای محیطی و سلامت را فراهم کرده­اند. این سامانه ­ها ابزار مفیدی برای پهنه‌بندی بیماری‌ها به شمار می‌روند و با توزیع مکانی برخی بیماری‌ها می‌توان به نتایج قابل توجهی رسید. نتایجی نظیر این که برخی از بیماری‌ها با عوامل محیطی در ارتباط هستند. تشخیص عوامل محیطی در جهت درمان، پیش‌گیری و کاهش هزینه‌های بهداشتی و درمانی راهی در جهت توسعه سلامت می‌باشد. این مقاله به تجزیه و تحلیل مکان­مند  برخی عوامل محیطی مؤثر بر سلامت می ­پردازد تا بتوان راه­کارهایی را برای پیشگیری از بروز عوامل بیماری­ زا در شهروندان را ارائه کرد.
روش‌ها‌: روش تحقیق انجام یک تجزیه و تحلیل مکانمند، شامل مراحل متعددی از جمله جمع‌آوری داده‌ها، پیش‌پردازش داده‌ها، تحلیل مکانی و ادغام با سیستم‌های پشتیبان تصمیم‌گیری است. جمع‌آوری داده‌های کیفیت هوا، یکی از اصلی‌ترین بخش‌های این تحقیق است. کیفیت هوای تهران تحت تأثیر عوامل متعددی از جمله انتشار آلاینده­ها توسط خودروها، واحدهای صنعتی و منابع طبیعی قرار دارد که میزان هریک با استفاده از شبکه ایستگاه‌های نظارت بر کیفیت هوا در سرتاسر شهر تهران اندازه ­گیری می­شود. این مجموعه داده زمانی- مکانی ما را قادر می‌سازد تا روندها و تغییرات کیفیت هوا در مناطق مختلف تهران را بررسی کنیم. همچنین، اطمینان از دسترسی به آب سالم، یک جنبه اساسی در حوزه بهداشت عمومی است. بنابراین، جمع‌آوری داده‌های کیفیت آب برای مطالعه ما بسیار حیاتی است  پارامترهای مورد نظر شامل میزان اسیدی یا بازی بودن آب (pH)، شفافیت، میزان اکسیژن خواهی شیمیایی (COD)، میزان اکسیژن خواهی زیستی (BOD) و غلظت آلاینده‌های خاص مانند فلزات سنگین است. برای تحلیل بیماری‌های واگیردار از جانوران از داده‌های جمع آوری شده توسط مراکز بهداشت محلات استفاده شده است. پس از جمع‌آوری داده‌های مورد نیاز، فرآیند تحلیل و پردازش داده‌ها جهت تجزیه و تحلیل‌ مکانی آن‌ها انجام می‌شود و بعد از انجام تحلیل‌های مذکور، داده‌های حاصل از مراحل مختلف تحقیق در GIS ادغام می­شوند. این امر به ما امکان می‌دهد که داده‌های مکانی را با یکدیگر ترکیب کرده تا ارتباطات میان عوامل محیطی و بیماری‌ها را به صورت واضح‌تری نشان دهیم. این ادغام داده‌ها باید به صورت منظم و بادقت صورت گیرد تا نتایج تحلیل معتبر باشند. برای اجرای تحلیل‌ها و پردازش داده‌های مکانی، از نرم‌افزار QGIS استفاده شد. علاوه براین، برای تحلیل آماری داده‌ها از کتابخانه‌هایPandas  و NumPy در پایتون استفاده گردید.
یافته‌ها: داده‌های جمع‌آوری‌شده از ایستگاه‌های پایش کیفیت هوا به ما امکان داد تا نقشه­ های دقیق از غلظت آلاینده‌ها و تغییرات مکانی آن‌ها به دست آوریم. این نقشه­ ها در پایش ریسک‌های سلامت مرتبط با آلودگی هوا بسیار ارزشمند هستند. تجزیه و تحلیل داده‌های کیفیت هوا غلظت‌های بالایی از مواد ذراتی PM2.5 و PM10 در مناطق با جمعیت متراکم را نشان داد. علاوه بر این، غلظتNO2  در نزدیکی معابر اصلی نشان‌دهنده سهم عمده وسائل نقلیه در تولید این گاز است. تجزیه و تحلیل کیفیت آب در تهران نشان داد که اختلافات معناداری در کیفیت آب مناطق مختلف وجود ندارد. . تجزیه و تحلیل داده‌های بیماری‌، اطلاعات مهمی را در مورد ناقلین، زیستگاه‌ها و الگوهای رفتاری آن‌ها در برداشت که منجر به درک جامعی از اکوسیستم بیماری‌های واگیر شهر می­گردد. تدابیر هدفمند در کنترل بیماری­های واگیردار در مناطق با ریسک بالا و آموزش به جامعه هدف برای کاهش ریسک بیماری­ ها ضروری است.
نتیجه‌گیری: سلامت انسان­ها توسط عوامل مختلف محیطی و از جمله مکان زندگی آنان تحت تأثیر قرار می گیرد به گونه ­ای که می توان گفت مسائل مربوط به سلامت تقریباً همیشه ابعاد مکانی دارند. بررسی خصوصیات این مکان­ها (از جمله خصوصیات مردم شناختی و وجود عوامل خطر محیطی)، به منظور انجام مطالعات بسیار حایز اهمیت است  نتایج این تحقیق نشان داد که GIS نقش ارزشمندی در بررسی و پیگیری روند شیوع و انتشار بیماری ها و سایر مسایل بهداشتی در طول دوره‌های زمانی و  ارزیابی خطرات محیطی برای ساکنین یک منطقه دارد. به‌کارگیری GIS یکی از راه­کارهای هشدار سلامتی به مردم در معرض خطر است. با مشخص نمودن مکان انتشار بیماری و نقاط آلوده شهر، مردم نسبت به محیط پیرامون خود آگاه‌تر شده، مسائل پیش­گیری را بهتر درک خواهند نمود. همچنین با مشخص شدن مناطق پرخطر، هزینه­ ها و مصارف بهداشتی تعدیل می­گردد زیرا سیاستگذاران و مدیران بهداشت و سلامت راهکارهای لازم برای پیشگیری و مقابله با شیوع این نوع بیماری­ها را به‌صورت هدفمند مورد توجه قرار خواهند داد.
کلیدواژه‌ها
ادغام داده؛ تحلیل مکانی؛ تعاملات سلامت- محیط زیست؛ سلامت عمومی؛ سیستم‌های اطلاعات مکانی
عنوان مقاله [English]
Geo-spatial Analysis of Environmental Factors Affecting Human Health in Tehran
نویسندگان [English]
Gh. Azari Arani1؛ A. Ahmadi2؛ K. Azari Arani2
1Department of Information and Communication Technology, Technical and Vocational University, Tehran, Iran
2Department of Computer Engineering, Faculty of Electrical and Computer Engineering, Kashan University, Kashan, Iran
چکیده [English]
Background and Objectives: In recent decades, the complex interaction between environmental factors and public health has attracted the attention of researchers, policy makers, and public health practitioners. Understanding how environmental factors affect human health is very important in dealing with citizens' health challenges. In recent years, geographic information systems (GIS) have been used as practical tools in this field and have enabled the investigation and analysis of complex relationships between environmental variables and health. These systems are a useful tool for zoning diseases, and with the spatial distribution of some diseases, significant results can be achieved. Results such as that some diseases are related to environmental factors. Diagnosing environmental factors in the direction of treatment, prevention and reduction of healthcare costs is a way to develop health. This article deals with the spatial analysis of some environmental factors affecting health in order to provide solutions to prevent the occurrence of pathogenic factors in citizens.
Methods: The research method of performing a location analysis includes several steps including data collection, data pre-processing, spatial analysis and integration with decision support systems. Collecting air quality data is one of the main parts of this research. The air quality of Tehran is affected by several factors, including the emission of pollutants by cars, industrial units and natural resources, the amount of each of which is measured using the network of air quality monitoring stations throughout the city of Tehran. This time-spatial data set enables us to investigate trends and changes in air quality in different areas of Tehran. Also, ensuring access to safe water is a fundamental aspect of public health. Therefore, the collection of water quality data is critical for our study. The desired parameters include water acidity or alkalinity (pH), clarity, chemical oxygen demand (COD), biological oxygen demand (BOD) and concentrations of certain pollutants such as heavy metals. Is. The data collected by local health centers have been used to analyze infectious diseases from animals. After collecting the required data, the process of data analysis and processing is done for their spatial analysis, and after the said analysis, the data obtained from different stages of the research are integrated in GIS. This allows us to combine spatial data to more clearly show the connections between environmental factors and diseases. This data integration should be done regularly and carefully so that the results of the analysis are valid. QGIS software was used to perform spatial data analysis and processing. In addition, Pandas and NumPy libraries in Python were used for statistical data analysis.
Findings: The data collected from the air quality monitoring stations allowed us to obtain detailed maps of the concentration of pollutants and their spatial changes. These maps are very valuable in monitoring health risks related to air pollution. Analysis of air quality data showed high concentrations of PM2.5 and PM10 particulate matter in densely populated areas. In addition, the concentration of NO2 near the main roads indicates the major contribution of vehicles in the production of this gas. The analysis of water quality in Tehran showed that there are no significant differences in the water quality of different regions. . The analysis of disease data provides important information about carriers, their habitats and behavioral patterns, which leads to a comprehensive understanding of the city's infectious disease ecosystem. Targeted measures to control infectious diseases in high-risk areas and education to the target community are necessary to reduce the risk of diseases.
Conclusion: Human health is affected by various environmental factors, including the place of their lives, so that it can be said that health-related issues almost always have spatial dimensions. Investigating the characteristics of these places (including anthropological characteristics and the presence of environmental risk factors) is very important in order to conduct studies. The results of this research showed that GIS has a valuable role in investigating and tracking the spread of diseases and other health issues in The length of time periods and the assessment of environmental risks for the residents of an area. Using GIS is one of the health warning solutions to people at risk. By specifying the location of the disease and the polluted areas of the city, people will become more aware of their surroundings and better understand prevention issues. Also, with the identification of high-risk areas, health costs and expenses will be adjusted because policy makers and health managers will focus on the necessary strategies to prevent and deal with the spread of these types of diseases in a targeted manner.
کلیدواژه‌ها [English]
Data Integration, Geographic Information Systems, (GIS), Health-environment Interactions, Public Health, Spatial Analysis
مراجع
[1] Torabi SA, Hassini E. An interactive possibilistic programming approach for multiple objective supply chain master planning. Fuzzy Sets Syst 2008;159: 193–214.

https://doi.org/10.1016/j.fss.2007.08.010

[2] Tan KT, Lee KT, Mohamed AR. Potential of waste palm cooking oil for catalyst-free biodiesel production. Energy 2011;36:2085–8.

https://doi.org/10.1016/j.energy.2010.05.003.

[3] Roshan M, Tavakkoli-Moghaddam R, Rahimi Y. A two-stage approach to agile pharmaceutical supply chain management with product substitutability in crises. Comput Chem Eng 2019;127:200–17.

https://doi.org/10.1016/J.COMPCHEMENG.2019.05.014.

[4] Rezaei J. Best-worst multi-criteria decision-making method. Omega (United Kingdom) 2015;53:49–57.

https://doi.org/10.1016/j.omega.2014.11.009.

[5] Nur F, Aboytes-Ojeda M, Castillo-Villar KK, Marufuzzaman M. A two-stage stochastic programming model for biofuel supply chain network design with biomass quality implications. IISE Trans 2021;53:845–68.

https://doi.org/10.1080/24725854.2020.1751347.

[6] Namany S, Al-Ansari T, Govindan R. Optimisation of the energy, water, and food nexus for food security scenarios. Comput Chem Eng 2019;129.

https://doi.org/10.1016/j.compchemeng.2019.106513.

[7] Mohseni S, Pishvaee MS. Data-driven robust optimization for wastewater sludge-to-biodiesel supply chain design. Comput Ind Eng 2020;139.

https://doi.org/10.1016/j.cie.2019.07.001.

[8] Marler RT, Arora JS. Survey of multi-objective optimization methods for engineering. Structural and Multidisciplinary Optimization 2004;26:369–95.

https://doi.org/10.1007/S00158-003-0368-6.

[9] Mahjoub N, Sahebi H. The water-energy nexus at the hybrid bioenergy supply chain: A sustainable network design model. Ecol Indic 2020;119..

https://doi.org/10.1016/j.ecolind.2020.106799

[10] Li Y, Kesharwani R, Sun Z, Qin R, Dagli C, Zhang M, et al. Economic viability and environmental impact investigation for the biofuel supply chain using co-fermentation technology. Appl Energy 2020;259..

https://doi.org/10.1016/J.APENERGY.2019.114235

[11] Leong H, Leong H, Foo DCY, Ng LY, Andiappan V. Hybrid approach for carbon-constrained planning of bioenergy supply chain network. Sustain Prod Consum 2019;18: 250–67.

https://doi.org/10.1016/J.SPC.2019.02.011

[12] Kang S, Heo S, Realff MJ, Lee JH. Three-stage design of high-resolution microalgae-based biofuel supply chain using geographic information system. Appl Energy 2020;265..

https://doi.org/10.1016/j.apenergy.2020.114773

[13] Jingura RM, Matengaifa R, Musademba D, Musiyiwa K. Characterisation of land types and agro-ecological conditions for production of Jatropha as a feedstock for biofuels in Zimbabwe. Biomass Bioenergy 2011;35: 2080–6.

https://doi.org/10.1016/j.biombioe.2011.02.004.

[14] Jeong H, Sieverding HL, Stone JJ. Biodiesel Supply Chain Optimization Modeled with Geographical Information System (GIS) and Mixed-Integer Linear Programming (MILP) for the Northern Great Plains Region. Bioenergy Res 2019;12: 229–40.

https://doi.org/10.1007/S12155-018-9943-Y.

[15] Habib MS, Asghar O, Hussain A, Imran M, Mughal MP, Sarkar B. A robust possibilistic programming approach toward animal fat-based biodiesel supply chain network design under uncertain environment. J Clean Prod 2021;278.

https://doi.org/10.1016/J.JCLEPRO.2020.122403.

[16] Guo S, Zhao H. Fuzzy best-worst multi-criteria decision-making method and its applications. Knowl Based Syst 2017;121: 23–31.

https://doi.org/10.1016/J.KNOSYS.2017.01.010.

[17] Ghelichi Z, Saidi-Mehrabad M, Pishvaee MS. A stochastic programming approach toward optimal design and planning of an integrated green biodiesel supply chain network under uncertainty: A case study. Energy 2018;156: 661–87.

https://doi.org/10.1016/j.energy.2018.05.103.

[18] Ghaderi H, Moini A, Pishvaee MS. A multi-objective robust possibilistic programming approach to sustainable switchgrass-based bioethanol supply chain network design. J Clean Prod 2018;179: 368–406.

https://doi.org/10.1016/j.jclepro.2017.12.218.

[19] Ge Y, Li L, Yun L. Modeling and economic optimization of cellulosic biofuel supply chain considering multiple conversion pathways. Appl Energy 2021;281.

https://doi.org/10.1016/j.apenergy.2020.116059.

[20] Fattahi M, Govindan K. A multi-stage stochastic program for the sustainable design of biofuel supply chain networks under biomass supply uncertainty and disruption risk: A real-life case study. Transp Res E Logist Transp Rev 2018;118: 534–67. https://doi.org/10.1016/j.tre.2018.08.008.

[21] Chávez MMM, Sarache W, Costa Y. Towards a comprehensive model of a biofuel supply chain optimization from coffee crop residues. Transp Res E Logist Transp Rev 2018;116: 136–62. https://doi.org/10.1016/j.tre.2018.06.001.

[22] Babazadeh R, Razmi J, Pishvaee MS, Rabbani M. A sustainable second-generation biodiesel supply chain network design problem under risk. Omega (United Kingdom) 2017;66:258–77.

https://doi.org/10.1016/j.omega.2015.12.010

[23] Babazadeh R, Ghaderi H, Pishvaee MS. A benders-local branching algorithm for second-generation biodiesel supply chain network design under epistemic uncertainty. Comput Chem Eng 2019;124: 364–80.

https://doi.org/10.1016/j.compchemeng.2019.01.013.

[24] Pulighe G, Pirelli T. Assessing the sustainability of bioenergy pathways through a land-water-energy nexus approach. Renewable and Sustainable Energy Reviews 2023;184.

https://doi.org/10.1016/j.rser.2023.113539

[25] Afkhami P, Zarrinpoor N. The energy-water-food-waste-land nexus in a GIS-based biofuel supply chain design: A case study in Fars province, Iran. J Clean Prod 2022;340: 130690.

https://doi.org/10.1016/J.JCLEPRO.2022.130690

[26] Kianfar N, Mesgari MS. GIS-based spatio-temporal analysis and modeling of COVID-19 incidence rates in Europe. Spat Spatiotemporal Epidemiol 2022;41.

https://doi.org/10.1016/j.sste.2022.100498

[27] Shabanpour N, Razavi-Termeh SV, Sadeghi-Niaraki A, Choi SM, Abuhmed T. Integration of machine learning algorithms and GIS-based approaches to cutaneous leishmaniasis prevalence risk mapping. International Journal of Applied Earth Observation and Geoinformation 2022;112.

https://doi.org/10.1016/j.jag.2022.102854.

[28] Mollalo A, Sadeghian A, Israel GD, Rashidi P, Sofizadeh A, Glass GE. Machine learning approaches in GIS-based ecological modeling of the sand fly Phlebotomus papatasi, a vector of zoonotic cutaneous leishmaniasis in Golestan province, Iran. Acta Trop 2018;188: 187–94.

https://doi.org/10.1016/J.ACTATROPICA.2018.09.004

[29] Kollikkathara N, Feng H, Stern E. A purview of waste management evolution: Special emphasis on USA. Waste Management 2009;29: 974–85.

https://doi.org/10.1016/j.wasman.2008.06.032.

[30] Kao JJ. A raster-based C program for siting a landfill with optimal compactness. Comput Geosci 1996;22: 837–47.

https://doi.org/10.1016/S0098-3004(96)00022-2.

[31] Chan FTS, Chan MH, Tang NKH. Evaluation methodologies for technology selection. J Mater Process Technol 2000;107: 330–7. https://doi.org/10.1016/S0924-0136(00)00679-8.

[32] Sener B, Süzen ML, Doyuran V. Landfill site selection by using geographic information systems. Environmental Geology 2006;49: 376–88.

https://doi.org/10.1007/S00254-005-0075-2.

[33] Gutiérrez F, Cooper AH, Johnson KS. Identification, prediction, and mitigation of sinkhole hazards in evaporite karst areas. Environmental Geology 2008;53: 1007–22.

https://doi.org/10.1007/S00254-007-0728-4.

[34] Ray RL, De Smedt F. Slope stability analysis on a regional scale using GIS: A case study from Dhading, Nepal. Environmental Geology 2009;57: 1603–11.

https://doi.org/10.1007/S00254-008-1435-5.

آمار
تعداد مشاهده مقاله: 1,453
تعداد دریافت فایل اصل مقاله: 511


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب