نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

فعالیت در رسانه های اجتماعی به یکی از اجزای مهم زندگی روزمره برای بسیاری از افراد تبدیل شده است. پیام‌های توییتر (ایالات متحده) و Weibo (چین) پتانسیل خود را به عنوان منابع داده مهم برای شناسایی و تجزیه و تحلیل بیماری‌های عفونی نشان داده‌اند. چنین منابع داده‌ای نوظهور و پویا به ما امکان می‌دهد تا پیش‌بینی کنیم که بیماری‌های عفونی چگونه از نظر مکانی و زمانی ایجاد و تکامل می‌یابند. ما پویایی تب دنگی در چین را با استفاده از پیام‌های Weibo گزارش می‌کنیم. ما ابتدا فهرستی از کلمات کلیدی مرتبط با تب دنگی را استخراج و ایجاد می‌کنیم تا ببینیم این کلمات چقدر در پیام‌های Weibo بر اساس تخصیص نهفته دیریکله (LDA) ظاهر می‌شوند. سپس تجزیه و تحلیل فضایی برای تشخیص اینکه چگونه موارد تب دنگی به صورت فضایی خوشه می شوند و در طول زمان پخش می شوند، اعمال می شود.
کلید واژه ها: 

رسانه های اجتماعی ؛ بیماری عفونی ؛ فضا ؛ زمان ؛ چین

 

1. معرفی

از سال 2013، 2.35 میلیون مورد تب دنگی در قاره آمریکا گزارش شده است و 37687 مورد از این موارد تب دنگی شدید در نظر گرفته شده است [ 1 ]. شناسایی محدوده‌های جغرافیایی به مردم کمک می‌کند تا خطرات ناشی از شیوع بیماری‌های عفونی را درک کنند [ 2 ]. تشخیص زودهنگام فعالیت بیماری، به دنبال پاسخ سریع، می تواند تا حد زیادی تاثیر آنفولانزای فصلی و همه گیر را کاهش دهد [ 3 ]. تجزیه و تحلیل رسانه های اجتماعی امکان نظارت بر بیماری های عفونی را در مقیاس خوب و به موقع فراهم می کند [ 2]]. پیشرفت در حوزه‌های تجزیه و تحلیل جغرافیایی منجر به افزایش هوش در بررسی شیوع، انتقال و درمان بیماری‌ها در مقیاس محلی و جهانی شده است. علاوه بر این، سرویس‌های مکانی و اپلیکیشن‌های حسگر بر رفتار و سبک زندگی روزمره افراد تأثیر می‌گذارند [ 4 ].
زمینه جغرافیایی تحقیقات سلامت از یک محیط کم داده به یک محیط غنی از داده تغییر کرده است [ 5 ]. وب‌سایت‌های رسانه‌های اجتماعی مانند توییتر (ایالات متحده) و Weibo (چین) به‌عنوان پلتفرم‌هایی برای اشتراک‌گذاری و برقراری ارتباط اطلاعات عمل می‌کنند. کاربرد گسترده دستگاه های هوشمند تلفن همراه استفاده از رسانه های اجتماعی را تسهیل کرده است زیرا اکثر کاربران میکرو وبلاگ ها اطلاعات را در رسانه های اجتماعی خود با استفاده از دستگاه های تلفن همراه به روز می کنند. پیام های رسانه های اجتماعی حاوی ایده های جدید و گزارش رویدادها در زمان واقعی است [ 6 ]. داده‌های بزرگ فضایی و زمانی در Weibo نشان‌دهنده معدن طلا برای درک و مدل‌سازی پدیده‌های اجتماعی مختلف در فضاهاست. به عنوان مثال، یک سیستم تجزیه و تحلیل Geo-Twitter با قابلیت وب می تواند برای مدیریت بحران بر اساس مکان، زمان و مفهوم استفاده شود [ 7]]. بر اساس مکان توییت ها، الگوهای چاقی در یک محیط GIS ترسیم شده است [ 8 ]. رسانه های اجتماعی همچنین می توانند برای ارزیابی اثرات بلایای طبیعی، مانند میکروبلاگینگ پس از زلزله [ 9 ] و تشخیص زلزله در زمان واقعی [ 10 ] مورد استفاده قرار گیرند.
محققان شروع به تحلیل رابطه بین رسانه های اجتماعی و سلامت عمومی کرده اند [ 2 ]. توییت‌های دارای برچسب جغرافیایی برای بررسی شیوع مصرف مواد غذایی سالم و ناسالم در سراسر ایالات متحده بر اساس تجزیه و تحلیل احساسات استفاده می‌شوند [ 11 ]. توییت ها همچنین برای مطالعه محیط غذایی فردی و تاثیر آن بر انتخاب غذا استفاده شده است [ 12 ]. توییتر به‌عنوان روشی برای اطلاع‌رسانی، بحث و تأثیرگذاری بر نظرات در سیاست‌های سلامت مورد بررسی قرار گرفته است [ 13 ]. با این حال، اشاره شده است که ما دانش بسیار ضعیفی از توزیع جهانی بیشتر بیماری‌های عفونی داریم [ 2 ]. سوابق وقوع بیماری معمولاً از ادبیات [ 14] به دست آمده است]، گزارش های وب [ 15 ] و GenBank [ 16 ]. هدف این تلاش ها تعریف وسعت بیماری و پر کردن یک پایگاه داده از بیماری گزارش شده است [ 17 ]. به عنوان مثال، یک پایگاه داده جامع از عفونت های تایید شده دنگی انسانی به صورت دستی ساخته شده است، که شامل 8309 مورد ارجاع جغرافیایی است [ 18 ]. با این وجود، پیگیری روند بیماری‌های عفونی و توزیع آن‌ها در زمان واقعی با استفاده از این پایگاه‌های اطلاعاتی دشوار است.
سیستم های نظارتی مبتنی بر اینترنت و موتورهای جستجو رویکرد جدیدی را برای نظارت بر مسائل بهداشت عمومی ارائه می دهند [ 3 ، 19 ]. به ویژه، رسانه های اجتماعی به موقع و همه کاره هستند. علاوه بر این، ورودی‌های رسانه‌های اجتماعی در مقایسه با داده‌های رسمی، خود گزارش و داوطلبانه هستند. به عنوان مثال، توییتر می تواند برای ردیابی و پیش بینی ظهور و گسترش یک اپیدمی آنفولانزا استفاده شود [ 20 ]. در واقع، تشخیص زودهنگام اپیدمی ها بر اساس داده کاوی پیام های توییتر امکان پذیر است [ 21 ]. به عنوان مثال، FluMapper نتایج یکپارچه از یک کاوش تعاملی از توزیع فضایی خطر آنفولانزا و نقشه‌برداری پویا از الگوهای حرکتی در مقیاس‌های چندگانه مکانی و زمانی را ارائه می‌دهد [22 ]]. پیام‌های Weibo همچنین پتانسیل خود را برای پیش‌بینی چگونگی بروز و انتشار بیماری‌های عفونی نشان داده‌اند [ 23 ].
در این مقاله، ما شیوع تب دنگی در چین را که در سال 2014 از طریق یکپارچه سازی تجزیه و تحلیل رسانه های اجتماعی و روش های GIS رخ داد، تجزیه و تحلیل می کنیم. این تحقیق به ادبیات مربوط به تشخیص و پیش‌بینی بیماری‌های عفونی کمک خواهد کرد. در این مقاله دو هدف تحقیق وجود دارد:

  • برای بررسی رابطه مکانی-زمانی بین تکامل تب دنگی و پست‌های مربوط به Weibo. و
  • برای مدل سازی گسترش تب دنگی در فضا و زمان.
روش های مورد استفاده برای جمع آوری داده ها و استخراج موضوع در بخش زیر معرفی می شوند. هر دو روند زمانی و مکانی پیام های Weibo ارائه شده است. سپس، ما رابطه بین رسانه های اجتماعی و شیوع بیماری را بر اساس تشخیص شیوع دنگی در سال 2014 بررسی می کنیم. در نهایت، خلاصه ای و همچنین شرح محدودیت های این مطالعه و کارهای آتی که باید انجام شود، ارائه شده است.

2. جمع آوری داده ها و روش ها

2.1. جمع آوری داده ها

Weibo یک وب سایت میکروبلاگینگ با بزرگترین گروه کاربری در چین است و به عنوان نسخه معادل توییتر در ایالات متحده آمریکا در نظر گرفته می شود. تا دسامبر 2013، تعداد کاربران فعال ماهانه به 129.1 میلیون نفر رسید که 61.4 کاربر فعال روزانه ثبت شده است. کاربران در دسامبر 2013 بیش از 2.8 میلیارد پست ارسال کردند. Weibo یک سری API (رابط برنامه نویسی برنامه) را برای توسعه دهندگان ارائه می دهد که بسیار شبیه به API جریان توییتر است. از آنجایی که تنها بخش کوچکی از داده ها را می توان از طریق API رسمی ارائه شده توسط Weibo جمع آوری کرد، با توجه به محدودیت داده ها چالش ایجاد کرده است. از این رو، یک خزنده وب برای جمع آوری داده ها از Weibo برای به دست آوردن مجموعه داده کامل تر، همراه با API رسمی توسعه یافته است ( شکل 1 ).
خزنده وب توسعه یافته به روش زیر عمل می کند: اول، Weibo چندین صفحه جستجو برای پرس و جو در مورد پست ها بر اساس محتوای پست، مکان، زمان و شناسه کاربر فراهم می کند. صفحات تعداد رکوردهایی (حداکثر 1000 پست) را که معیارهای جستجو را برآورده می کنند، برمی گرداند. با خزنده، پست ها را می توان بر اساس کلمات کلیدی، زمان و مکان جمع آوری کرد.
علاوه بر این، از آنجا که API Weibo رابطی برای به دست آوردن متن Weibo بر اساس کلمات کلیدی مشخص ارائه نمی دهد، ما از خزنده برای ارسال درخواست به سرورهای Weibo برای جمع آوری داده ها استفاده کردیم. موارد استخراج شده شامل شناسه Weibo، متن، زمان ارسال، شناسه کاربری و اطلاعات موقعیت مکانی می باشد. پست ها به جای مختصات جغرافیایی واقعی در طول و عرض جغرافیایی، فقط حاوی نام مکان بودند. روش سنتی مورد استفاده برای به دست آوردن اطلاعات دقیق تر، تبدیل نام مکان ها به مختصات با کدگذاری جغرافیایی بود. به دلیل ابهام و اشتباهات تایپی در بسیاری از اسامی مکان ها، در بسیاری از موارد نتوانستیم مختصات را بدست آوریم. بنابراین، ما از یک API Weibo برای ارسال درخواست به سرورهای Weibo با شناسه Weibo به منظور بازیابی مکان واقعی پست Weibo استفاده کردیم. سپس،
مجموعه داده‌های ما دو مجموعه داده متفاوت در مقیاس‌های فضایی استان گوانگدونگ و همچنین کل چین را برای تجزیه و تحلیل بعدی در اختیار ما قرار داد. برای محافظه کارانه، ما از “دنگی” به عنوان تنها کلمه کلیدی جستجو برای خزیدن استفاده کردیم. از آنجایی که پست‌های اصلی در رسانه‌های اجتماعی با دقت بیشتری پویایی اجتماعی را منعکس می‌کنند [ 24 ]، ما 23144 پست اصلی Weibo را به‌عنوان مجموعه داده 1 بر اساس کلمه کلیدی «دنگو» («登革热» در چینی) از 1 ژوئن 2014 تا 28 اکتبر 2014 در گوانگدونگ استخراج کردیم. استان، چین
از ویژگی های منطقه و مکان برای توصیف موقعیت جغرافیایی پست ها استفاده شد. با این حال، به دلیل حفاظت از حریم خصوصی و محدودیت‌های دستگاه، مکان اکثر پست‌ها فاش نشد. همانطور که در شکل 2نشان می دهد، تنها 1910 پست مرتبط با “دنگی” با ارجاع جغرافیایی به عنوان مجموعه داده 2 در استان گوانگدونگ جمع آوری شده است. مکان مورد استفاده در شرایط جستجوی ما، مکانی است که پست‌ها در آن ارسال شده‌اند، نه مکانی که توسط نمایه‌های کاربر نشان داده شده است. طبق مشاهدات ما، کاراکتر چینی “de” (“的” در چینی) به طور یکنواخت در پست‌های نمونه جمع‌آوری‌شده ما با نرخ ظاهری 46.4٪ توزیع شد. به منظور مشاهده روند تب دنگی در یک منطقه بزرگتر و یک دوره زمانی گسترده تر، مجموعه داده دیگری (مجموعه داده 3) توسط خزنده برای پست های ارسال شده از 1 ژوئن 2014 تا 2 نوامبر 2014 جمع آوری شد. هر رکورد در مجموعه داده حاوی تعداد بود. از پست‌ها شامل «de»، تعداد پست‌های مربوط به کلمه کلیدی «دنگی»، مهر زمانی (بر حسب روز) و محل (استان) که پست ارسال شده است.جدول 1 ).

2.2. موضوعات در پست ها

تخصیص دیریکله پنهان (LDA) [ 25 ] یک مدل احتمالی مولد از یک پیکره است. ایده اصلی این است که اسناد به صورت مخلوط های تصادفی بر روی موضوعات نهفته نمایش داده می شوند، که در آن هر موضوع با توزیع بر روی کلمات مشخص می شود. از آن برای توصیه برچسب ها برای منابع [ 26 ] و اختصاص حاشیه نویسی تصاویر ماهواره ای بزرگ استفاده شده است [ 27 ]. این مقاله از یک مدل LDA برای استخراج موضوعات مرتبط و کشف مطالب مرتبط با سلامت عمومی استفاده کرد. یک موضوع شامل یک سری کلمات و احتمالات مرتبط با آن موضوع است. یک مدل LDA همچنین یک توزیع موضوعی برای هر سند ایجاد می کند.
ابتدا پست ها را از پایگاه داده استخراج کردیم و هر پست را به عنوان یک سند ذخیره کردیم. LDA با استفاده از نمونه گیری گیبس در جاوا پیاده سازی شد [ 28]. بعد (k) توزیع دیریکله (و بعد متغیر مبحث n) شناخته شده و ثابت فرض شد. احتمالات کلمه با α و β پارامتر شدند، که α پارامتر دیریکله قبل از توزیع موضوع در هر سند و β پارامتر دیریکله قبل از توزیع کلمه در هر موضوع بود. با توجه به ماهیت مطالعه ما که مربوط به “دنگی” است، تعداد موضوعات معمولاً کمتر از 10 بود. برای استخراج همه موضوعات ممکن در مرحله اولیه، در این آزمایش k، تعداد موضوعات برای استخراج، به عنوان 20. ما از پیشین های متقارن دیریکله در برآورد LDA به عنوان α = 50/K و β = 0.01 استفاده کردیم، که تنظیمات رایج در بسیاری از نشریات پیشنهاد شده است.
سپس 20 موضوع استخراج شده را بررسی و موضوعات مشابه را ادغام کردیم. در نهایت موضوعات به پنج دسته «پیشگیری»، «تشخیص»، «ترس»، «علائم» و «مراقبت» طبقه‌بندی شدند. موضوعات و کلمات با احتمالات برای هر موضوع در جدول 2 نشان داده شده است .
با پنج موضوع کلی مشتق شده با استفاده از LDA، ما هر پست Weibo مربوط به “دنگی” را در یک موضوع خاص دسته بندی کردیم. در LDA، هر سند به عنوان توزیعی از موضوعات مختلف در نظر گرفته شد. ما اسناد را با استفاده از موضوع حداکثر احتمال بر اساس یک مدل LDA آموزش دیده طبقه بندی کردیم. همانطور که در جدول 3 نشان داده شده است ، بیشتر نگرانی های عمومی مربوط به پیشگیری و تشخیص دنگی بود.

2.3. فیلتر کالمن

سوگیری‌ها و نقص‌هایی در داده‌های رسانه‌های اجتماعی [ 29 ] وجود دارد که ناشی از رویدادهای غیرمنتظره یا سایر عوامل خارجی، مانند گزارش‌های رسانه‌ای است. رویداد شیوع دنگی همچنین باید تأثیر کار روزانه و همچنین زندگی و دوره نهفتگی بیماری را در نظر بگیرد. برای در نظر گرفتن چنین عواملی و آماده شدن برای تشخیص بیشتر تب دنگی، ما سعی کردیم تاثیر این “صدا” را کاهش دهیم.
فیلتر دیجیتال تکنیکی است که عملیات ریاضی را بر روی داده های نمونه برداری شده انجام می دهد تا جنبه های خاصی از داده ها را کاهش داده یا بهبود بخشد تا تخمین هایی را که تمایل به دقت بیشتری دارند تولید کند. فیلتر کالمن، همچنین به عنوان تخمین درجه دوم خطی (LQE) شناخته می شود، الگوریتمی برای تخمین وضعیت یک سیستم پویا با توجه به اینکه واریانس مشخص است. فیلتر کالمن به طور گسترده در بسیاری از زمینه ها مانند ارتباطات، ناوبری، راهنمایی استفاده می شود. و کنترل
فیلتر کالمن را می توان با استفاده از یک معادله اختلاف تصادفی خطی به صورت زیر نشان داد [ 30 ]:

X(k) = A × X (k − 1) + B × U(k) + W(k)
با یک مقدار اندازه گیری سیستماتیک به شرح زیر:

Z(k) = H × X(k) + V(k)
در فرمول، X(k) وضعیت سیستم در مُهر زمانی k است، در حالی که U(k) مقدار کنترل نسبت به سیستم در مُهر زمانی k است. A و B پارامترهای سیستم به عنوان یک ماتریس در سیستم چند مدل هستند. Z(k) مقدار اندازه گیری شده برای مهر زمانی k است. H به عنوان یک ماتریس دیگر در سیستم چند اندازه گیری، یک پارامتر در سیستم اندازه گیری است. W(k) و V(k) به ترتیب انواع نویز در فرآیند و اندازه گیری با فرض نویز سفید گاوسی هستند.

3. تحلیل فضایی تب دنگی

مرکز کنترل و پیشگیری از بیماری‌های چین گزارش‌های ماهانه بیماری را منتشر می‌کند [ 31 ]. این گزارش نشان داد که 14759 مورد تب دنگی در سپتامبر 2014 در چین وجود داشته است. بر اساس گزارش وزارت بهداشت گوانگدونگ، از 22 سپتامبر 2014 تا 31 سپتامبر 2014، 9282 مورد جدید تب دنگی وجود داشت. استان گوانگدونگ بیشترین تأثیر را از شیوع تب دنگی در سال 2014 داشت. از این رو، استان گوانگدونگ به عنوان منطقه نمایندگی در ما انتخاب شد. مطالعه.

3.1. توزیع در استان گوانگدونگ

از 22 سپتامبر 2014، اداره بهداشت گوانگدونگ شروع به انتشار گزارش روزانه در سطح شهر در مورد بیماری دنگی کرد. هر دو مجموعه داده، پست‌های Weibo درباره تب دنگی و تعداد موارد تب دنگی از داده‌های رسمی برای هر شهر شمارش شدند. درصد بیماری دنگی گزارش شده و تعداد پست ها در شکل 3 مقایسه شد .
هم تعداد موارد جدید تب دنگی و هم تعداد پست‌های جدید Weibo برای اولین بار در 22 سپتامبر 2014 با درصد عادی شدند. پس از آن، ANOVA با استفاده از SPSS انجام شد. ضریب همبستگی پیرسون در ANOVA 0.954 بود، که نشان می دهد تعداد پست های جدید Weibo به طور قابل توجهی (در سطح 0.01 2 دنباله) با تعداد موارد جدید تب دنگی همبستگی دارد.
برای بررسی بیشتر توزیع جغرافیایی پست‌های Weibo در مورد “دنگی” در استان گوانگدونگ، ما یک تخمین تراکم هسته را در ArcGIS با هدف شناسایی نقطه داغ پست‌ها انجام دادیم ( شکل 4 ).
شکل 4 نمایی اجمالی از توزیع فضایی را نشان می دهد و نشان می دهد که مرکز اپیدمی دنگی در گوانگژو و فوشان واقع شده است. این توزیع مطابقت خوبی با سطح اپیدمی در استان گوانگدونگ گزارش شده از کانال رسمی بود، زیرا بر اساس گزارش رسمی اپیدمی دنگی، گوانگژو و فوشان بیشترین آسیب را دیده‌اند. علاوه بر این، میزان عفونت از مرکز اپیدمی کاهش می یابد. این پدیده با قانون شیوع بیماری های عفونی و همچنین با بازتاب قانون اول جغرافیای توبلر مطابقت داشت. علاوه بر این، با یک بررسی دقیق، پست‌ها در Weibo توزیع همه‌گیری دقیق‌تری نسبت به گزارش رسمی در مقیاس منطقه‌ای و محلی ارائه کردند.

3.2. توزیع در چین

شکی نیست که تب دنگی در چین به طور مساوی توزیع نمی شود. در 22 سپتامبر 2014، رسانه های مختلف گزارش دادند که تب دنگی در چین وجود دارد و آنها آگاهی را در مورد این بیماری افزایش دادند. در همان روز، 1044 پست اصلی در Weibo ظاهر شد که حاوی کلمه “دنگی” بود. در مقایسه با 625 پست حاوی کلمه در روز قبل، این یک افزایش بزرگ بود. توزیع در 32 استان در شکل 5 نشان داده شده است . استان گوانگدونگ بیش از 50 درصد از کل پست های Weibo حاوی کلمه “دنگی” را به خود اختصاص داده است ( شکل 5 ).
یک یافته جالب این است که استان هنان دارای رتبه دوم بیشترین تعداد پست است. یک توضیح احتمالی این است که بسیاری از افرادی که جمعیت شناور استان گوانگدونگ را تشکیل می‌دهند از استان هنان بودند. پکن به عنوان پایتخت چین نیز تعداد زیادی پست در این زمینه داشت. پکن از نظر توزیع پست در چین رتبه سوم را به خود اختصاص داد، در حالی که استان فوجیان در بین تمام استان های چین در رتبه چهارم قرار گرفت. این را می توان به این واقعیت نسبت داد که استان فوجیان از نظر جغرافیایی به استان گوانگدونگ نزدیک است و این دو منطقه دارای آب و هوا و محیط مشابه هستند.

4. تجزیه و تحلیل زمانی تب دنگی

در مقایسه با گزارش رسمی، پست‌های مربوط به تب دنگی توانایی بیشتری در ثبت علائم بلادرنگ رویدادها داشتند. بنابراین، نظارت بر پست‌های Weibo روش جدیدی برای تخمین و تشخیص الگوهای زمانی همه‌گیری‌ها ارائه می‌کند. تب دنگی یک بیماری عفونی است که مراحل نهفته، شیوع و بهبودی در فرآیند انتشار خود دارد [ 32 ]. هدف مقاله ما بررسی رابطه بین پست‌های Weibo در دنیای مجازی و موارد دنگی است که در دنیای واقعی شناسایی شده‌اند.

4.1. توزیع در روزهای خاص

اداره بهداشت گوانگدونگ گزارش‌های روزانه‌ای را در مورد همه‌گیری دنگی در بازه زمانی 22 سپتامبر 2014 تا 30 اکتبر 2014 منتشر کرد. در همان دوره زمانی، ما همچنین پست‌های مربوط به تب دنگی را در گوانگژو جمع‌آوری کردیم. اولین تحلیل ما برای مقایسه داده‌های پست Weibo با داده‌های گزارش شده رسمی انجام شد، بنابراین یک مطالعه همبستگی ANOVA برای دو گروه از داده‌ها پس از نرمال‌سازی آنها در مقیاس Log انجام شد. مقدار همبستگی پیرسون 2 دنباله 0.679 در سطح معنی داری 0.0001 بود که نشان داد تعداد پست ها و تعداد موارد جدید در این روزها همبستگی معنی داری دارند. برای اعتبارسنجی نتایج، یک مقایسه اکتشافی بصری انجام شد و نتایج در شکل 6 نشان داده شده است .
شکل 6 نشان می دهد که اگرچه دولت محلی برای جلوگیری از عفونت و بهبود درمان از 22 سپتامبر بیماری را از نزدیک زیر نظر داشت، اما تعداد افراد آلوده همچنان رو به افزایش بود. این یافته با دوره کمون تب دنگی که 4-7 (با دامنه 3-14) روز است مطابقت دارد [ 33 ]. منحنی عفونت کلی ابتدا افزایش و سپس کاهش یافت.
به طور خلاصه، روند توجه عمومی در Weibo منحنی های مشابهی با تعداد افراد آلوده داشت، اما آنها همبستگی قوی نداشتند. دو دلیل احتمالی برای این یافته وجود داشت. (1) توجه کاربران در Weibo نسبت به شیوع دنگی بسیار حساس بود. به خصوص هنگامی که عفونت پیدا می شد، نرخ نگرانی عمومی به سرعت به اوج می رسید و سپس به تدریج کاهش می یافت. در این مورد، بالاترین میزان نگرانی بیش از 10 برابر میانگین ارزش نگرانی بود. (2) نگرانی های عمومی در مورد یک رویداد تحت تأثیر رسانه های مختلف قرار گرفت. در این مورد، پس از آن که بسیاری از رسانه ها در 26 سپتامبر تب دنگی را به طور گسترده گزارش کردند، نگرانی مردم در پاسخ به این گزارش ها به اوج رسید. با توجه به تحرک بسیار زیاد انسان در هفته طلایی روز ملی، کاربران بیشتری این شانس را داشتند که با حاملان ویروس یا بیماران بالقوه در تماس باشند. رسانه های عمومی شروع به گزارش موارد آلوده بیشتر در طول تعطیلات از 1 تا 7 اکتبر 2014 کردند. هر دو عامل باعث شد تعداد پست ها در 9 اکتبر به اوج خود برسد. بدیهی است که مردم درک خاصی از تب دنگی داشتند، بنابراین نگرانی های عمومی در 9 اکتبر در مقایسه با 26 سپتامبر کمتر بود.

4.2. تاثیر روز هفته

تعداد عفونت‌های جدید در استان گوانگدونگ به سه گروه طبقه‌بندی شد که در روزهای آخر هفته (شامل تعطیلات)، روز اول هفته و سایر روزهای هفته ارسال شدند. ما همچنین از همین طبقه بندی برای تعداد پست ها در Weibo استفاده کردیم. طبقه بندی اول در شکل 7 الف و دومی در شکل 7 ب نشان داده شده است.
شکل 7نشان می دهد که (1) آخر هفته ها موارد گزارش شده کمتر و تعداد پست های Weibo بیشتر از روزهای هفته بود. (2) تعداد موارد جدید در اولین روز هفته کاری بسیار افزایش یافت. علاوه بر این، نرخ نگرانی در روزهای هفته نوسانات زیادی را نشان نداد. فعالیت های روزانه مردم به دلیل مشاغل آنها به شدت محدود شده بود. اگرچه اکثر بیمارستان ها خدمات هفت روزه ارائه می کردند، ظرفیت خدمات متفاوت بود. علاوه بر این، مردم باید ویزیت های بیمارستانی خود را با برنامه های خود هماهنگ می کردند. بنابراین، مردم تمایل بیشتری به مراجعه به بیمارستان در ساعات کاری برای بیماری‌های غیر اورژانسی مانند تب دنگی داشتند، که تا حدی توضیح دهنده افزایش چشمگیر تعداد مشاهده شده در روزهای دوشنبه در نتیجه انباشت موارد در آخر هفته بود. در مقایسه با روزهای شلوغ هفته، مردم در طول تعطیلات آخر هفته زمان بیشتری برای ارسال اطلاعات در پلتفرم Weibo دارند. این توضیح داد که چرا تعداد پست های مربوط به تب دنگی از Weibo در آخر هفته افزایش یافته است.

4.3. توزیع در یک روز

در مقیاس زمانی دقیق‌تر، می‌توانیم تغییرات پست‌های مرتبط با تب دانگ را در طول ۲۴ ساعت در یک روز مشاهده کنیم. از آنجایی که نمی‌توان تعداد کل پست‌های Weibo را به صورت روزانه درخواست کرد، ما معیاری برای تخمین اندازه جمعیت ایجاد کردیم. از آنجایی که کاراکتر چینی “de” دارای بسامد بسیار بالایی در پست‌ها است، ما بسامد پست‌ها را با کلمه کلیدی “de” (کلمه مکرر) با پست‌های دارای کلمه کلیدی “دنگی” مقایسه کردیم. شکل 8توزیع ساعت به ساعت پست های Weibo را در یک روز (22 سپتامبر 2014) نشان می دهد. دو توزیع زمانی پست‌ها، “د” در مقابل “دنگی” تا حدی با هم مرتبط بودند. پست های مربوط به تب دانگ در بازه زمانی صبح از ساعت 11 صبح تا 12 ظهر به اوج خود رسید، که اعتقاد بر این است که با انتشار گزارش های آزمایش بیماری در اکثر بیمارستان ها مطابقت دارد.

4.4. حذف نویز و پیش بینی بر اساس فیلتر کالمن

بر اساس شکل 9 ، می توان استدلال کرد که مرحله اولیه تعداد زیادی پست Weibo و در عین حال افزایش تعداد موارد جدید را نشان می دهد. در مرحله میانی، تعداد موارد جدید نسبتاً ثابت بود، در حالی که کاهش جزئی در تعداد پست‌های Weibo وجود داشت. در مرحله بعدی، هم تعداد پست‌های Weibo و هم تعداد موارد جدید کاهش یافت، و اولی کمی سریع‌تر از دومی کاهش یافت.
شکل 10تعداد پست های مربوط به تب دنگی از Weibo را در تاریخ های مختلف پس از اعمال فیلتر کالمن نشان می دهد. همانطور که در شکل مشاهده می شود، توزیع زمانی تعداد پست های دنگی Weibo در استان گوانگدونگ روندی مشابه با توزیع ملی نشان داد. منحنی زمانی برای استان گوانگدونگ دو نوسان قابل لمس را در 14 ژوئن و 2 ژوئیه نشان داد. مورد دوم مصادف با اولین مورد تایید شده در استان گوانگدونگ بود که شواهد قوی از تشخیص یک مورد تب دنگی ارائه می دهد. اوج قابل تشخیص قبلی 17 روز قبل از مورد تایید شده بود و همچنین هشدار موثری برای مراقبت از بیماری ارائه می دهد. منحنی ملی زمانی نشان می‌دهد که بحث‌ها در مورد دنگی در اوایل ژوئن شناسایی شد، که نشان می‌دهد اولین مورد دنگی در استان گوانگدونگ نبوده است.

5. الگوی فضایی و زمانی تب دنگی

مرکز کنترل و پیشگیری از بیماری های چین اطلاعات مربوط به شیوع بیماری های همه گیر مختلف را منتشر کرد. علاوه بر این، به دلیل شیوع گسترده تب دنگی، مرکز پیشگیری از بیماری گوانگدونگ نیز اطلاعات روزانه را از 22 سپتامبر 2014 تا 30 اکتبر 2014 اعلام کرد. با این حال، اطلاعات رسمی در مورد تب دنگی در سایر استان ها فاش نشد. بنابراین، نظارت بر روند انتشار و الگوی تب دنگی در چین، به دلیل عدم پشتیبانی مؤثر داده‌ها از کانال‌های رسمی برای مقاصد مقایسه و تأیید، دشوار بود. پست‌های Weibo راه‌حلی جزئی برای نظارت بر تب دنگی از طریق شناسایی مراحل مختلف یک بیماری عفونی ارائه می‌کنند: عفونت، انکوباسیون، شیوع و بهبودی. بر اساس تجزیه و تحلیل پست های Weibo،

5.1. فرآیند انتشار اپیدمی

بر اساس مجموعه داده دوم جمع آوری شده توسط استان ها و هفته ها، انتشار تب دنگی در چین را بررسی کردیم. برای حذف نویز از فیلتر کالمن استفاده شد. ما اپیدمی دنگی در چین را ترسیم کردیم و روند انتشار عفونی را به صورت چهار مرحله ارائه کردیم.
مرحله اول، مرحله عفونت دنگی از هفته 1 جدول زمانی مشاهده ما تا هفته 12 بود. در این مرحله، تعداد کمی از بیماران دنگی در برخی استان ها ظاهر شدند. همانطور که در شکل 11 نشان داده شده است، این موارد عمدتاً در استان گوانگدونگ (GD) و استان ژجیانگ (ZJ) و همچنین مشاهدات اپیدمی کمی در پکن (BJ) گزارش شده است.
به دنبال آن یک دوره نهفتگی از هفته 13 تا هفته 15 با ظهور تدریجی بیماران دنگی در چندین استان دیگر دنبال شد. همانطور که در شکل 11 ب نشان داده شده است، اکثر بیماران در این دوره زمانی در دوره کمون عفونت دنگی بودند.
همانطور که در شکل 11 ج نشان داده شده است، مرحله سوم مرحله شیوع بود که از هفته 16 تا هفته 18 به طول انجامید. در این مرحله، بیماری دنگی به سرعت در کشور گسترش یافت و استان گوانگدونگ و پکن نقاط داغ آن بودند. تعداد روزانه بیماران مبتلا در استان گوانگدونگ به اوج خود رسید و مرکز رسمی بیماری شروع به افشای موارد جدید به صورت روزانه از اولین دوشنبه هفته شانزدهم کرد.
این مرحله با مرحله بهبودی از هفته 19 تا هفته 22 دنبال شد. این مرحله در شکل 11 d نشان داده شده است. تعداد موارد جدید تب دنگی به تدریج کاهش یافت زیرا تعداد بیماران درمان شده روز به روز افزایش یافت. همچنین از این رقم می توان دریافت که توجه عمومی کاهش یافته است.

5.2. الگوی فضایی

توزیع فضایی عفونت ها دو الگو را ارائه کرد. اول، انتشار این بیماری در استان گوانگدونگ عمدتاً در مناطق اطراف مناطق گوانگژو و فوشان رخ داده است. علاوه بر این، به دلیل احتمال بالای مواجهه با این بیماری در مناطق بزرگ شهری در چین، پکن و شانگهای نیز مناطق اصلی عفونت بودند. با این حال، وضعیت اپیدمی در این دو منطقه در مراحل اولیه به طور موثر کنترل شد که به دلیل زیرساخت های بهداشتی بهتر و همچنین درجه بالای شهرنشینی نسبت داده شد.
به منظور مطالعه الگوی انتقال فضایی در چین، هفته 17 را به عنوان مجموعه داده نمونه انتخاب کردیم، که در مرحله شیوع اپیدمی دنگی بود. ما از موران I برای بررسی اینکه آیا یک خودهمبستگی فضایی به عنوان زاویه دیگری برای درک انتقال فضایی دنگی وجود دارد یا خیر استفاده کردیم. بسته نرم افزاری GeoDa، یک ابزار تجزیه و تحلیل داده های مکانی اکتشافی، برای اجرای تجزیه و تحلیل استفاده شد و نتایج در شکل 12 ارائه شده است.. در شکل، ماتریس وزنی فضایی بر اساس مجاورت استان ها ساخته شد و تعداد پست های مربوط به دنگی استاندارد شده بر اساس جمعیت به عنوان ویژگی تعیین شد. شاخص موران I 0.12- در سطح معنی داری 0.012 بود که نشان می دهد درجه متوسطی از وابستگی فضایی منفی در مناطق محلی وجود دارد. نقشه همبستگی مکانی نشان داد که خوشه های فضایی، بیشتر در ناحیه شمال غرب و همچنین در ناحیه ساحلی شرقی وجود دارد. استان گوانگدونگ که یکی از مناطق با شیوع بالا بود، به نظر نمی‌رسد که اثر وابستگی مثبتی به استان همسایه‌اش داشته باشد، در حالی که به نظر می‌رسد استان فوجیان و استان جیانگشی، در مجاورت استان گوانگدونگ، تعامل فضایی کم با همسایه خود دارند. مناطق.

6. نتیجه گیری

جامعه رو به رشد کاربران رسانه‌های اجتماعی حجم عظیمی از داده‌ها را به پلتفرم‌هایی مانند توییتر و ویبو کمک می‌کنند که احساسات و نظرات آنها را در مورد رویدادهای دنیای واقعی منعکس می‌کند [34 ، 35 ، 36 ، 37 ، 38 ، 39 ، 40 ، 41 ] . با توجه به محبوبیت دستگاه های تلفن همراه مبتنی بر مکان، چنین داده هایی همچنین حاوی ردپای مکانی-زمانی هستند که ممکن است برای نظارت بر فعالیت های انسانی و انتشار اطلاعات در زمان واقعی مورد استفاده قرار گیرد [ 42 ، 43]]. بنابراین، رسانه‌های اجتماعی مبتنی بر مکان روش‌های جدیدی را برای مطالعه رویدادهای در مقیاس بزرگ مانند شیوع بیماری‌های همه‌گیر در حوزه سلامت عمومی ارائه می‌کنند. این مقاله از Weibo برای مطالعه تکامل فضایی و زمانی شیوع بیماری دنگی در چین در سال 2014 استفاده می‌کند. یافته‌های ما نشان می‌دهد که بحث بیماری دنگی در پلتفرم اصلی رسانه‌های اجتماعی چین به شدت با شیوع این بیماری در هر دو بعد مکانی و زمانی مرتبط است. علاوه بر این، ما از روش فیلتر کالمن برای کاهش نویز استفاده کردیم و این یافته را تایید کردیم.
تجزیه و تحلیل فضایی موضوعات مرتبط با تب دنگی از پست‌های Weibo نشان می‌دهد که درجه بالایی از همبستگی فضایی بحث‌های تب دنگی در فضای سایبری با فعالیت اپیدمی دنگی در دنیای واقعی وجود دارد. علاوه بر این، نقاط داغ فضایی محلی از توجه مردم به تب دنگی در رسانه های اجتماعی وجود دارد که اثر کاهش فاصله دارد.
تجزیه و تحلیل زمانی نشان می‌دهد که به دلیل عوامل خارجی مانند تأثیر رسانه‌های جمعی رسمی، فرکانس‌های بحث روزانه در وب‌سایت رسانه‌های اجتماعی با ریتم شیوع بیماری در دنیای واقعی همگام‌سازی می‌شود. آخرین اما نه کم‌اهمیت، مجموعه داده‌های ما از API Weibo و خزنده برای رسیدگی به محدودیت‌های دسترسی روزانه و محدودیت‌های قابلیت‌های جستجوی API عمومی Stream استفاده می‌کند.
محدودیت هایی در ارتباط با این تحقیق وجود دارد. اول از همه، رسانه های اجتماعی به تأثیر رسانه های جمعی بسیار حساس هستند. چگونگی کمی سازی بهتر سر و صدای ناشی از رسانه های جمعی نیاز به بررسی بیشتر دارد. علاوه بر این، جمعیت‌شناسی کاربران رسانه‌های اجتماعی با آن‌ها در دنیای واقعی متفاوت است و چنین تفاوتی در فضا متفاوت است، که ممکن است بر اثربخشی پیامدهای سیاست‌های حاصل از این مطالعه تأثیر بگذارد. علاوه بر این، کمتر از 10 درصد از پست ها دارای برچسب جغرافیایی هستند. از این رو، چگونگی رسیدگی بهتر و همچنین کاهش سوگیری ها و نقص ها در داده های رسانه های اجتماعی باید بیشتر مورد بررسی قرار گیرد.

منابع

  1. دنگی و دنگی شدید. در دسترس آنلاین: http://www.who.int/mediacentre/factsheets/fs117/en/ (در 27 ژانویه 2016 قابل دسترسی است).
  2. هی، SI; جورج، دی.بی. مویس، CL; Brownstein، JS فرصت های داده های بزرگ برای نظارت جهانی بیماری های عفونی. PLoS Med. 2013 ، 10 ، e1001413. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. گینزبرگ، جی. محبی، م.ح. پاتل، آر اس؛ برامر، ال. اسمولینسکی، ام اس؛ Brilliant, L. تشخیص اپیدمی های آنفلوانزا با استفاده از داده های جستجوی موتور جستجو. طبیعت 2009 ، 457 ، 1012-1014. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. راوبال، م. ژاکز، جی. ویلسون، جی. کوهن، دبلیو. سنتز جمعیت، سلامت و مکان. جی. اسپات. Inf. علمی 2013 ، 7 ، 103-108. [ Google Scholar ] [ CrossRef ]
  5. ریچاردسون، دی.بی. Volkow، ND; کوان، ام.-پی. کاپلان، RM; Goodchild، MF; کرویل، RT چرخش فضایی در تحقیقات بهداشتی. علم 2013 ، 339 ، 1390–1392. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. آناند، اس. نارایانا، K. توسعه سیستم گزارش زلزله توسط تجزیه و تحلیل توییت. بین المللی J. Emerg. مهندس Res. تکنولوژی 2014 ، 2 ، 96-106. [ Google Scholar ]
  7. MacEachren، AM; رابینسون، AC; جیسوال، ا. پزانوفسکی، اس. ساولیف، آ. بلنفورد، جی. Mitra, P. Geo-Twitter Analytics: کاربردها در مدیریت بحران. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی کارتوگرافی، پاریس، فرانسه، 3 تا 8 ژوئیه 2011; صص 3-8.
  8. قوش، د. گوها، آر. ما در مورد چاقی چه “توئیت” می کنیم؟ نقشه برداری توییت ها با مدل سازی موضوع و سیستم اطلاعات جغرافیایی. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 90-102. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. Qu، Y. هوانگ، سی. ژانگ، پی. ژانگ، جی. میکروبلاگینگ پس از یک فاجعه بزرگ در چین. در مجموعه مقالات کنفرانس ACM 2011 در مورد کار تعاونی با پشتیبانی رایانه، هانگژو، چین، 19 تا 23 مارس 2011.
  10. ساکاکی، ت. اوکازاکی، م. Matsuo, Y. تجزیه و تحلیل توییت برای تشخیص رویدادهای بلادرنگ و توسعه سیستم گزارش زلزله. IEEE Trans. دانستن مهندسی داده 2013 ، 25 ، 919-931. [ Google Scholar ] [ CrossRef ]
  11. وایدنر، ام جی. لی، دبلیو. استفاده از داده‌های جغرافیایی توئیتر برای نظارت بر شیوع منابع غذایی سالم و ناسالم در سراسر ایالات متحده. Appl. Geogr. 2014 ، 54 ، 189-197. [ Google Scholar ] [ CrossRef ]
  12. چن، ایکس. یانگ، ایکس. آیا محیط غذا بر انتخاب غذا تأثیر می گذارد؟ تحلیل جغرافیایی از طریق “توئیت”. Appl. Geogr. 2014 ، 51 ، 82-89. [ Google Scholar ] [ CrossRef ]
  13. کینگ، دی. رامیرز-کانو، دی. گریوز، اف. ولایف، آی. بیلس، اس. درزی، ا. توییتر و اصلاحات بهداشتی در سرویس بهداشت ملی انگلیس. سیاست سلامت 2013 ، 110 ، 291-297. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. راجرز، دی جی; ویلسون، ای جی؛ هی، SI; گراهام، ای جی توزیع جهانی تب زرد و دنگی. Adv. پارازیتول 2006 ، 62 ، 181-220. [ Google Scholar ] [ PubMed ]
  15. Brownstein, JS; فرایفلد، سی سی; ریس، BY; Mandl، KD Surveillance Sans Frontières: هوش بیماری های عفونی نوظهور مبتنی بر اینترنت و پروژه نقشه سلامت. PLoS Med. 2008 ، 5 ، e151. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. بنسون، دی. کاوانا، ام. کلارک، ک. کارش-میزراچی، آی. لیپمن، دی جی; اوستل، جی. Sayers، EW GenBank. Nucleic Acids Res. 2013 ، 41 ، D36–D42. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. بردی، OJ; Gething، PW; بهات، اس. مسینا، جی پی؛ Brownstein, JS; Hoen، AG; مویس، CL; فارلو، AW; اسکات، TW; Hay, SI پالایش محدودیت‌های فضایی جهانی انتقال ویروس دنگی با اجماع مبتنی بر شواهد. PLoS Negl. تروپ دیس 2012 ، 6 ، e1760. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. مسینا، جی پی؛ بردی، OJ; پیگوت، دی.م. Brownstein, JS; Hoen، AG; Hay, SI خلاصه ای جهانی از وقوع ویروس دنگی انسانی. علمی داده 2014 ، 1 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. میلینوویچ، جی. ویلیامز، جنرال موتورز; کلمنتز، ACA; Hu, W. سیستم های نظارت مبتنی بر اینترنت برای نظارت بر بیماری های عفونی در حال ظهور. عفونت لانست دیس 2014 ، 14 ، 160-168. [ Google Scholar ] [ CrossRef ]
  20. آچرکار، اچ. گانده، ا. لازاروس، آر. یو، اس.-اچ. لیو، بی. پیش‌بینی روند آنفولانزا با استفاده از داده‌های توییتر. در مجموعه مقالات کنفرانس IEEE 2011 در کارگاه های آموزشی ارتباطات کامپیوتری، شانگهای، چین، 10-15 آوریل 2011.
  21. ولاردی، پ. استیلو، جی. توزی، AE; Gesualdo، F. استخراج توییتر برای نظارت سندرمی ریز. آرتیف. هوشمند پزشکی 2014 ، 61 ، 153-163. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. پادمنابان، ع. وانگ، اس. کائو، جی. هوانگ، م. ژانگ، ز. گائو، ی. سلطانی، ک. Liu, Y. FluMapper: یک نرم افزار cyberGIS برای تجزیه و تحلیل تعاملی رسانه های اجتماعی عظیم مبتنی بر مکان. موافق محاسبه کنید. تمرین کنید. انقضا 2014 ، 26 ، 2253-2265. [ Google Scholar ] [ CrossRef ]
  23. وانگ، اس. پل، م. Dredze، M. بررسی موضوعات بهداشتی در رسانه های اجتماعی چینی: تجزیه و تحلیل Sina Weibo. در مجموعه مقالات بیست و هشتمین کنفرانس AAAI در مورد هوش مصنوعی، شهر کبک، QC، کانادا، 27 تا 31 ژوئیه 2014.
  24. اسلم، AA; تسو، م. اسپیتزبرگ، HB; آن، ال. Gawron، JM; گوپتا، DK; Peddecord، KM; Nagel، AC; آلن، سی. یانگ، جی. و همکاران قابلیت اطمینان توییت ها به عنوان روش تکمیلی نظارت بر آنفولانزای فصلی جی. مد. Internet Res. 2014 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. Blei، DM; اندرو، ی. Ng، MIJ تخصیص دیریکله نهفته. جی. ماخ. فرا گرفتن. Res. 2003 ، 3 ، 993-1022. [ Google Scholar ]
  26. کرستل، آر. فانکهاوزر، پ. Nejdl, W. تخصیص دیریکله پنهان برای توصیه برچسب. در مجموعه مقالات سومین کنفرانس ACM در مورد سیستم های توصیه کننده، نیویورک، نیویورک، ایالات متحده آمریکا، 23 تا 25 اکتبر 2009.
  27. لینو، م. مایتر، اچ. Datcu، M. حاشیه نویسی معنایی تصاویر ماهواره ای با استفاده از تخصیص دیریکله نهفته. IEEE Geosci. سنسور از راه دور Lett. 2010 ، 7 ، 28-32. [ Google Scholar ] [ CrossRef ]
  28. پورتئوس، I. نیومن، دی. ایهلر، ا. آسونسیون، آ. اسمیت، پی. Welling، M. Fast نمونه‌برداری گیبس فرو ریخته برای تخصیص دیریکله نهفته. در جریان چهاردهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، لاس وگاس، NV، ایالات متحده آمریکا، 24-27 اوت 2008.
  29. روث، دی. Pfeffer, J. رسانه های اجتماعی برای مطالعات بزرگ رفتار. Science 2014 ، 346 ، 1063-1064. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. کالمن، RE یک رویکرد جدید برای فیلتر کردن خطی و مشکلات پیش‌بینی. مهندسی پایه J. 1960 ، 82 ، 35-45. [ Google Scholar ] [ CrossRef ]
  31. مرکز کنترل و پیشگیری از بیماری های چین دنگی و دنگی شدید. در دسترس آنلاین: http://www.chinacdc.cn/tjsj (در 27 فوریه 2015 قابل دسترسی است). (به زبان چینی)
  32. سنویراتنه، اس. گوروگاما، پ. گارگ، پ. پررا، جی. Wijewickrama، A. عفونت های ویروسی دنگی. هندی جی درماتول. 2010 , 55 , 68. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. Rigau-Pérez، JG; کلارک، جی جی؛ گوبلر، دی جی; رایتر، پی. سندرز، ای جی. Vorndam، AV دنگی و تب خونریزی دهنده دنگی. Lancet 1998 ، 352 ، 971-977. [ Google Scholar ] [ CrossRef ]
  34. بله، X. لی، جی. ادغام فضای فعالیت جغرافیایی و فضای شبکه اجتماعی برای ترویج سبک زندگی سالم. ACMSIGSPATIAL Health GIS. در دسترس آنلاین: http://www.sigspatial.org/sigspatial-special-issues/sigspatial-special-volume-8-number-1-march-2016/Paper3.pdf (در تاریخ 27 اوت 2016 قابل دسترسی است).
  35. وانگ، ز. بله، X. Tsou، M. تجزیه و تحلیل فضایی، زمانی و محتوای توییتر برای خطرات آتش سوزی. نات. خطرات 2016 . [ Google Scholar ] [ CrossRef ]
  36. لی، اس. بله، X. لی، جی. گونگ، جی. Qin, C. تحلیل فضایی و زمانی قیمت مسکن در چین: چشم انداز کلان داده. Appl. تف کردن مقعدی سیاست 2016 . [ Google Scholar ] [ CrossRef ]
  37. چونگ، ز. کوین، سی. Ye, X. مقررات زیست محیطی، شبکه اقتصادی و رشد پایدار تجمعات شهری در چین. پایداری 2016 ، 8 ، 467. [ Google Scholar ] [ CrossRef ]
  38. ژانگ، اف. زو، ایکس. بله، X. گوو، دبلیو. هو، تی. Huang, L. تجزیه و تحلیل الگوهای تحرک انسانی شهری از طریق مدل موضوعی در مقیاس دقیق. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 78. [ Google Scholar ] [ CrossRef ]
  39. شاو، اس. تسو، م. Ye, X. پویایی انسان در عصر موبایل و کلان داده. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1687-1693. [ Google Scholar ] [ CrossRef ]
  40. یانگ، ایکس. بله، X. Sui, DZ ما می دانیم که کجا هستید: در فضا و مکان غنی سازی بافت جغرافیایی از طریق رسانه های اجتماعی. بین المللی J. Appl. ژئوسپات. Res. 2016 ، 7 ، 61-75. [ Google Scholar ] [ CrossRef ]
  41. وانگ، ی. وانگ، تی. بله، X. ژو، جی. لی، جی. استفاده از رسانه های اجتماعی برای واکنش اضطراری و پایداری شهری: مطالعه موردی طوفان باران پکن در سال 2012. پایداری 2016 ، 8 ، 25. [ Google Scholar ] [ CrossRef ]
  42. ژائو، اچ. لی، جی. بله، X. تاینر، جی. تحلیل‌های فضایی-زمانی مؤسسات مذهبی در چین ساحلی. GeoJournal 2016 . [ Google Scholar ] [ CrossRef ]
  43. هوانگ، ایکس. ژائو، ی. یانگ، جی. ژانگ، سی. مک.؛ Ye, X. TrajGraph: یک رویکرد تحلیل بصری مبتنی بر نمودار برای مطالعه مرکزیت شبکه شهری با استفاده از داده های مسیر تاکسی. IEEE Trans. Vis. محاسبه کنید. نمودار. 2016 ، 22 ، 160-169. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 05 00156 g001 1024
شکل 1. فرآیند جمع آوری داده ها.
Ijgi 05 00156 g002 1024
شکل 2. محل پست ها با “گوانگدونگ” به عنوان مقدار مشخصه ناحیه.
Ijgi 05 00156 g003 1024
شکل 3. تعداد پست های اصلی و موارد جدید تب دنگی گزارش شده در 22 سپتامبر 2014.
Ijgi 05 00156 g004 1024
شکل 4. توزیع پست های مربوط به تب دنگی در گوانگدونگ.
Ijgi 05 00156 g005 1024
شکل 5. تعداد پست های اصلی در مورد تب دنگی در چین در 22 سپتامبر 2014.
Ijgi 05 00156 g006 1024
شکل 6. روند در استان گوانگدونگ.
Ijgi 05 00156 g007 1024
شکل 7. ( الف ) تأثیر موارد جدید گزارش شده در روزهای مختلف هفته. ( ب ) تأثیر تعداد پست‌های Weibo در روزهای مختلف هفته.
Ijgi 05 00156 g008 1024
شکل 8. روند یک روز، 22 سپتامبر 2014.
Ijgi 05 00156 g009 1024
شکل 9. تعداد موارد جدید و تعداد پست های Weibo.
Ijgi 05 00156 g010 1024
شکل 10. تعداد پست های Weibo مربوط به تب دنگی.
Ijgi 05 00156 g011a 1024 Ijgi 05 00156 g011b 1024
شکل 11. ( الف ) توزیع تعداد پست های Weibo به ازای هر میلیون نفر در چین (هفته 1-1 تا 7 ژوئن 2014). ( ب ) توزیع تعداد پست‌های Weibo به ازای هر میلیون نفر در چین (هفته 14 تا 31 اوت تا 6 سپتامبر 2014). ( ج ) توزیع تعداد پست‌های Weibo به ازای هر میلیون نفر در چین (هفته 17 تا 21 تا 27 سپتامبر 2014). ( د ) توزیع تعداد پست‌های Weibo به ازای هر میلیون نفر در چین (هفته 21 تا 19 تا 26 اکتبر 2014).
Ijgi 05 00156 g012 1024
شکل 12. نمودار پراکندگی I ( a ) موران محلی . ( ب ) نقشه خوشه ای.
جدول
جدول 1. فهرست مجموعه داده ها.
جدول 2. توزیع فراوانی کلمات موضوعات مختلف: ( الف ) پیشگیری، تشخیص، ترس. ب ) علامت، مراقبت.
جدول
( الف )
جدول
( ب )
جدول
جدول 3. توزیع موضوعات.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370