پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 11 |
| تعداد شماره‌ها | 210 |
| تعداد مقالات | 2,098 |
| تعداد مشاهده مقاله | 2,878,599 |
| تعداد دریافت فایل اصل مقاله | 2,086,226 |
بررسی عوامل موثر بر حجم بالای درخواست‌های مردمی به مراکز امداد و نجات با استفاده از رویکرد رگرسیون جغرافیایی وزن‌دار | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقاله 5، دوره 2، شماره 1 - شماره پیاپی 3، دی 1402، صفحه 65-78 اصل مقاله (1.25 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2024.10780.1061 | ||
| نویسندگان | ||
| مژده مینایی1؛ محمدحسن وحیدنیا* 2؛ زهرا رضایی1 | ||
| 1گروه سنجش از دور و سیستمهای اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی- واحد علوم تحقیقات، تهران، ایران | ||
| 2گروه مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران | ||
| تاریخ دریافت: 06 بهمن 1402، تاریخ بازنگری: 05 اردیبهشت 1403، تاریخ پذیرش: 01 خرداد 1403 | ||
| چکیده | ||
| پیشینه و اهداف: از تکنیک های داده کاوی مکانی می توان در شرایطی که بررسی و استخراج نتایج از منابع داده ای با حجم زیاد و گستردگی ابعاد پایگاه اطلاعاتی مورد نظر باشد، با بالاترین کارایی استفاده نمود. مسئله تماس های اضطراری به علت خطیر بودن موضوع و درگیر نمودن نیروهای امداد و اورژانس مسئله ای است که بر اساس داده کاوی مکانی می توان به الگوهای نهفته در آن پی برد. بطور متداول، برای درک ارتباطات فضایی بین متغیرها، محققان علوم محیط زیست و جغرافیا از الگوهایی چون رگرسیون حداقل مربعات معمولی (OLS) بهره می گیرند که اساس کار این تحلیل، ارتباط بین متغیرهای مستقل برای متغیر پیش بینی شونده است. اما این روش دارای کاستی های بسیاری در ارائه ی نتایج فضایی بویژه در مقیاس محلی است. رگرسیون وزن دار جغرافیایی (GWR) در این مطالعه به منظور درک روابط بین متغیرهای فضایی در سطح محلی استفاده می شود تا پوششی در رفع نواقص روش تحلیلی OLS باشد. روش‌ها: در این تحقیق از روش های OLS و GWR در تحلیل ارتباط بین موضوع حجم بالای تماس های اضطراری در منطقه مورد مطالعه (ایالات دالاس امریکا) و عوامل موثر بر رخداد این مساله استفاده می گردد. همچنین آزمون های آماری متعدد برای ارزیابی بکارگرفته شد. برای این مقصود، تعداد و پراکندگی تماس های اضطراری را به عنوان متغیر وابسته و پارامترهایی همچون جمعیت، تعداد افراد تحصیل کرده، بیشترین ساعت تماس و فاصله از مرکز شهر را متغیرهای مستقل مساله در نظر گرفته و چگونگی تاثیر این عوامل در بروز این موضوع بررسی می گردد. در این مطالعه، نرم افزار ArcGIS Pro برای انجام تحلیل های مکانی-آماری و ارائه نقشه ها بکارگرفته شد. یافته‌ها: نتایج نشان دهنده این مساله است که پارامترهای جمعیت، تعداد افراد تحصیل کرده، فاصله از مرکز شهر و بیشترین زمان تماس به ترتیب در بروز این مساله بالاترین اثر را داشته اند. در روش OLS شاخص های Koenker و Jarque-Bera که به ترتیب نشان دهنده ثبات مدل و نرمال بودن باقیمانده ها می باشد رضایتبخش نبودند. نتایج ارزیابی دو مدل OLS و GWR نشان داد که مقدار R2 در مدل GWR حدود 61/0 و در مدل OLS حدود 41/0 بوده که نشان دهنده این امر است که نتایج حاصل از مدل GWR به واقعیت نزدیک تر است. در مدل جغرافیایی، وزن پارامتر جمعیت در قسمت های مرکزی شهر بیشتر از اطراف آن بوده، در حالیکه وزن پارامتر بیشترین زمان تماس در قسمت‌های شمالی، جنوبی و غربی شهر بیشتر از سایر نقاط می باشد. همچنین وزن پارامتر تعداد افراد تحصیل کرده در قسمت های جنوبی شهر بیشتر می باشند. نتیجه‌گیری: جمیع عوامل مطرح شده در کنار هم بر روی بروز متغیر وابسته اثر افزایشی داشته و در کنار این تحلیل‌ها، پیش بینی وقوع این مساله در چند ساله آینده نیز امکان پذیر می باشد. با تکیه بر این نتایج می توان ابزار مناسبی جهت مدیریت و کنترل بهینه مشکلات منطقه در اختیار مسئولین امر قرار داد. | ||
| کلیدواژه‌ها | ||
| اطلاعات مکانی؛ حداقل مربعات معمولی؛ رگرسیون جغرافیایی وزن دار؛ مراکز امداد و نجات | ||
| عنوان مقاله [English] | ||
| Exploring Factors Influencing High Volume of Requests to Rescue Centers: A Geographically Weighted Regression Analysis | ||
| نویسندگان [English] | ||
| M. Minaei1؛ M.H. Vahidnia2؛ Z. Rezaei1 | ||
| 1Department of Remote Sensing and GIS, Faculty of Natural Resources and Environment, Science and Research Branch- Islamic Azad University, Tehran, Iran | ||
| 2Center for Remote Sensing and GIS Research, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Spatial data mining techniques offer optimal efficiency in scenarios demanding thorough examination and extraction of results from extensive data sources. Emergency calls, due to their gravity and the involvement of rescue and emergency forces, present a scenario well-suited for geographical data mining. Typically, environmental science and geography researchers employ models such as ordinary least squares (OLS) regression to understand spatial relationships between variables. However, OLS has limitations, particularly at the local scale, prompting the utilization of Geographically Weighted Regression (GWR) in this study to address these shortcomings. Methods: This study employs OLS and GWR methods to analyze the relationship between the high volume of emergency calls in Dallas, USA, and the influencing factors. Various statistical tests were employed for evaluation. Dependent variables include the number and dispersion of emergency calls, while independent variables encompass population, education levels, peak call hours, and distance from the city center. Spatial-statistical analysis and mapping were conducted using ArcGIS Pro software. Findings: Results indicate that population, education levels, distance from the city center, and peak call time respectively exert the greatest influence on the occurrence of emergency calls. In the OLS method, Koenker and Jarque-Bera indices, assessing model stationarity and residual normality respectively, did not yield satisfactory results. Evaluation of both OLS and GWR models revealed an R^2 value of approximately 0.61 for GWR and 0.41 for OLS, suggesting greater proximity to reality in the GWR model. Spatially, the weight of population parameter is higher in central city areas, while the weight of peak call time parameter is more pronounced in northern, southern, and western regions. Additionally, the weight of education level parameter is higher in southern parts of the city. Conclusion: Collectively, the identified factors exhibit a cumulative effect on the occurrence of emergency calls, enabling prediction of future occurrences. Leveraging these insights, appropriate tools can be devised for optimal management and control of regional issues. | ||
| کلیدواژه‌ها [English] | ||
| Emergency and Rescue Centers, Geographically Weighted Regression, Geospatial Information, Ordinary Least Square | ||
| مراجع | ||
|
[1] Mennis J, Guo D. Spatial data mining and geographic knowledge discovery—An introduction. Computers, Environment and Urban Systems. 2009 Nov 1;33(6):403-8. https://doi.org/10.1016/j.compenvurbsys.2009.11.001
[2] Montgomery DC, Peck EA, Vining GG. Introduction to linear regression analysis. John Wiley & Sons; 2021 Feb 24.
[3] Alijani B. Spatial analysis in geography studies. Journal of Spatial Analysis Environmental Hazarts. 2015 Oct 10;2(3):1-4. http://dx.doi.org/10.18869/acadpub.jsaeh.2.3.1
[4] Shamshiri S, Shahbazi H, Taghipour Javi S. Analyzing the Relations Between Spatial Variables in Khanmirza Plain: Comparison of Geological Weighted Regression and Ordinary Least Square Models. Geography and Development. 2017 Sep 23;15(48):95-112. https://doi.org/10.22111/gdij.2017.3350
[5] Liu Z, Wang C. Design of traffic emergency response system based on internet of things and data mining in emergencies. IEEE Access. 2019 Aug 13; 7:113950-62. https://doi.org/10.1109/ACCESS.2019.2934979
[6] Fan B. Hybrid spatial data mining methods for site selection of emergency response centers. Natural hazards. 2014 Jan; 70:643-56. https://doi.org/10.1007/s11069-013-0833-5
https://doi.org/10.1049/iet-its.2019.0171
[8] Photis YN, Grekousis G. Locational planning for emergency management and response: An artificial intelligence approach. International Journal of Sustainable Development and Planning. 2012 Sep 3;7(3):372-84. doi: 10.2495/SDP-V7-N3-372-384
[9] Chipendo PI, Shawar YR, Shiffman J, Razzak JA. Understanding factors impacting global priority of emergency care: a qualitative policy analysis. BMJ Global Health. 2021 Dec 1;6(12):e006681. https://doi.org/10.1136/bmjgh-2021-006681
[10] Fischer MM, Getis A, editors. Handbook of applied spatial analysis: software tools, methods and applications. Berlin: Springer; 2010.
[11] Karasová V, Krisp JM, Virrantaus K. Application of spatial association rules for improvement of a risk model for fire and rescue services. Proceedings of ScanGIS2005. 2005 Jun 13.
[12] Fotheringham AS, Charlton ME, Brunsdon C. Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis. Environment and planning A. 1998 Nov;30(11):1905-27.
[13] Brunsdon C, Fotheringham AS, Charlton ME. Geographically weighted regression: a method for exploring spatial nonstationarity. Geographical analysis. 1996 Oct;28(4):281-98.
[17] Bag R, Ghosh M, Biswas B, Chatterjee M. Understanding the spatio‐temporal pattern of COVID‐19 outbreak in India using GIS and India's response in managing the pandemic. Regional Science Policy & Practice. 2020 Dec 1;12(6):1063-104. https://doi.org/10.1111/rsp3.12359
[19] Li Y, Liu X, Han Z, Dou J. Spatial proximity-based geographically weighted regression model for landslide susceptibility assessment: a case study of Qingchuan area, China. Applied Sciences. 2020 Feb 7;10(3):1107. https://doi.org/10.3390/app10031107
https://doi.org/10.1016/j.apgeog.2010.08.001
[21] Shamshiri S, Shahbazi H, Taghipour Javi S. Analyzing the Relations Between Spatial Variables in Khanmirza Plain: Comparison of Geological Weighted Regression and Ordinary Least Square Models. Geography and Development. 2017 Sep 23;15(48):95-112. https://doi.org/10.22111/gdij.2017.3350
[22] Robinson DP, Lloyd CD, McKinley JM. Increasing the accuracy of nitrogen dioxide (NO2) pollution mapping using geographically weighted regression (GWR) and geostatistics. International Journal of Applied Earth Observation and Geoinformation. 2013 Apr 1;21:374-83. https://doi.org/10.1016/j.jag.2011.11.001
[23] Su S, Xiao R, Zhang Y. Multi-scale analysis of spatially varying relationships between agricultural landscape patterns and urbanization using geographically weighted regression. Applied Geography. 2012 Mar 1;32(2):360-75. https://doi.org/10.1016/j.apgeog.2011.06.005
[24] Brown S, Versace VL, Laurenson L, Ierodiaconou D, Fawcett J, Salzman S. Assessment of spatiotemporal varying relationships between rainfall, land cover and surface water area using geographically weighted regression. Environmental Modeling & Assessment. 2012 Jun;17:241-54. https://doi.org/10.1007/s10666-011-9289-8
[25] Vahidnia MH. Point-of-interest recommendation in location-based social networks based on collaborative filtering and spatial kernel weighting. Geocarto international. 2022 Dec 13;37(26):13949-72. https://doi.org/10.1080/10106049.2022.2086626
[26] Tu J, Xia ZG. Examining spatially varying relationships between land use and water quality using geographically weighted regression I: Model design and evaluation. Science of the total environment. 2008 Dec 15;407(1):358-78. https://doi.org/10.1016/j.scitotenv.2008.09.031
[27] Sisman S, Aydinoglu AC. A modelling approach with geographically weighted regression methods for determining geographic variation and influencing factors in housing price: A case in Istanbul. Land use policy. 2022 Aug 1;119:106183. https://doi.org/10.1016/j.landusepol.2022.106183
[28] Billor N, Chatterjee S, Hadi AS. A re-weighted least squares method for robust regression estimation. American journal of mathematical and management sciences. 2006 Feb 1;26(3-4):229-52. https://doi.org/10.1080/01966324.2006.10737673
[29] Zhang Z, Sun L, Zhao X, Sun J. Regression analysis of interval‐censored failure time data with linear transformation models. Canadian Journal of Statistics. 2005 Mar;33(1):61-70. https://doi.org/10.1002/cjs.5540330105
[30] Wheeler DC. Geographically weighted regression. In Handbook of regional science 2021 Jan 14 (pp. 1895-1921). Berlin, Heidelberg: Springer Berlin Heidelberg. | ||
|
آمار تعداد مشاهده مقاله: 295 تعداد دریافت فایل اصل مقاله: 312 |
||