تحلیلی بر پراکنش مراکز بیمارستانی با رویکرد پدافند غیرعامل با هدف مدیریت مخاطرات با استفاده از شبکۀ عصبی مصنوعی (مطالعۀ موردی: شهر تبریز)

نوع مقاله : پژوهشی کاربردی

نویسندگان

1 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران

2 دانشجوی دکتری سنجش از دور و سیستم‌های اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران

3 استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران

چکیده

بیمارستان از اجزای حیاتی و حساس شهر است که از نظر شرایط مربوط به پدافند غیرعامل به‌منظور مدیریت مخاطرات باید توجه ویژه‌ای به آن شود. شهر تبریز یکی از شهرهای پرجمعیت کشور است که خدمات درمانی مورد نیاز کل استان آذربایجان شرقی و تا حدودی استان‌های همجوار را تأمین می‌کند. از این‌رو باید برای مقابله با مخاطرات طبیعی و انسانی رویکردهای لازم صورت گیرد تا بیمارستان‌های شهر در مواجهه با خطرهای احتمالی حداکثر ایمنی را داشته باشند. به‌دلیل اهمیت مطالعۀ حاضر از 13 معیار اثرگذار فاصله از مراکز حساس نظامی و صنعتی، فاصله از ایستگاه‌های آتش‌نشانی، فاصله از پارک‌ها و فضای سبز، فاصله از مراکز بهداشتی- درمانی، فاصله از مراکز تجاری، پراکندگی و شعاع دسترسی بیمارستان‌ها، فاصله از معابر و راه‌های اصلی، فاصله از گسل، فاصله از رودخانه، فاصله از کاربری‌های آموزشی، فاصله از مراکز سوخت و تراکم جمعیت استفاده شد و با روش شبکۀ عصبی موقعیت بیمارستان‌های شهر تبریز بررسی شد. نو‌آوری این پژوهش، استفاده از روش شبکۀ عصبی در تعیین آسیب‌پذیری مناطق مختلف در برابر مخاطرات و تهدیدهاست. برای این منظور از روش شبکۀ عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ-مارکوات استفاده شد. برای رسیدن به اهداف پژوهش 104 نقطۀ آموزشی معرفی و 13 نورون به‌عنوان نورون‌های لایۀ میانی تعیین شد و برای رسیدن به این تعداد از روش آزمون و خطا استفاده شد. با تعیین نحوۀ اثرگذاری معیارها مناطق مناسب مشخص شد. نتایج تحقیق نشان‌دهندۀ این است که در بین بیمارستان‌های کنونی بیمارستان "شهید عالی‌نسب" بهترین موقعیت را از نظر پدافند غیرعامل با هدف مدیریت مخاطرات در بین بیمارستان‌های شهر تبریز دارد و بیمارستان‌های "امام رضا"، "شهید مدنی" و "طالقانی" وضعیت نامساعدتری نسبت به بقیه دارند. نتایج همچنین نشان‌دهندۀ آن است که از نظر پدافند غیرعامل در مدیریت مخاطرات، قسمت‌های جنوب شرقی شهر نامناسب‌ترین و قسمت‌های شمال غربی بهترین مناطق برای احداث بیمارستان جدید هستند.

کلیدواژه‌ها


[1].       احدنژاد، محسن؛ قادری، حسین؛ هادیان، محمد؛ حقیقت فرد، پیام؛ درویشی، بنفشه؛ حقیقت فرد، الهام؛ سادت زگردی، بیتا؛ و بردبار، آرش (1393). «مکان‌یابی بهینۀ مراکز درمانی شهری با استفاده از GIS: منطقۀ 11 شهر تهران»، مجلۀ دانشگاه علوم پزشکی فسا، ش 4، ص 474-463.
[2].       باقری، میلاد؛ جلوخانی نیارکی، محمدرضا؛ و باقری، کیوان (1396). «بررسی پتانسیل اراضی استان کرمانشاه جهت کشت گندم دیم با استفاده از شبکۀ عصبی مصنوعی»، سنجش از دور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی، ش 4، ص 48-36.
[3].       پوراحمد، احمد؛ اشلقی، مهدی؛ اهار، حسن؛ منوچهری، ایوب؛ و رمضانی مهربان، مجید (1391). «مدلسازی مکان‌یابی بیمارستان با استفاده از منطق فازی با تلفیق AHP و TOPSIS در محیط ARCGIS»، جغرافیا و برنامه‌ریزی محیطی، پیاپی 54، ش 2، ص 24-1.
[4].       جمالی، فیروز؛ صدر موسوی، میرستار؛ و اشلقی، مهدی (1391). «ارزیابی الگوهای مکان‌یابی بیمارستان‌ها در شهر تبریز»، جغرافیا و برنامه‌ریزی شهری، ش 47، ص 53-23.
[5].              چکیدۀ نتایج جمعیتی سرشماری عمومی نفوس و مسکن سال 1395 استان آذربایجان شرقی (1396). معاونت آمار و اطلاعات.
[6].       حسینی، سید احمد؛ احدنژاد روشنی، محسن؛ مدیر، مهدی؛ و آربش، سعید (1392). «مکان‌یابی مراکز بیمارستانی با رویکرد پدافند غیرعامل با استفاده از الگوریم رقابت استعماری (نمونۀ موردی: منطقۀ 3 تهران)»، مجلۀ جغرافیا و توسعۀ ناحیه‌ای، ش 21، ص 245-223.
[7].       حسینی، سید بهشید؛ و کاملی، محسن (1391). «معیارهای پدافند غیرعامل در طراحی معماری ساختمتن‌های جمعی شهری»، معماری و شهرسازی آرمانشهر، ش 15، ص 39-27.
[8].       حسینی، سید هادی؛ و صدیقی، ابولفضل (1393). «تحلیلی بر آمایش فضایی- مکانی فضاهای درمانی مشهد با رویکرد پدافند غیرعامل»، آمایش سرزمین، دورۀ ششم، ش 2، ص 361-335.
[9].       سجادیان، ناهید؛ علیزاده، مهدی؛ و پرویزیان، علیرضا (1396). «سنجش استقرار بیمارستان‌های کلانشهر اهواز مبتنی بر اصول پدافند غیرعامل»، مجلۀ آمایش جغرافیایی فضا، ش 24، ص 184-169.
[10].     فردوسی، مسعود؛ مسعود، محمد؛ و ندری فتح‌آبادی، سیروس (1395). «مکان‌یابی بیمارستان با رویکرد پدافند غیرعامل»، فصلنامۀ علمی-پژوهشی امداد و نجات، ش 3، ص 16-1.
[11].     قادر رحمتی، صفر؛ جمشیدی، صدیقه؛ و تسلیم، سمانه (1393). «بررسی کاربرد اصول و ضوابط پدافند غیرعامل در مکان‌یابی مراکز بهداشتی-درمانی شهر یزد»، اولین همایش ملی رویکردهای نوین آمایش سرزمین در ایران.
[12].     مرتضوی مهرآبادی، سید علی؛ و متقی، طاهره (1390). «ملاحظات معماری و شهرسازی در پدافند غیرعامل»، سومین کنفرانس ملی عمران شهری، ص 28.
[13].          موحدی‌نیا، جعفر (1388). اصولومبانیپدافند غیرعامل. پژوهشکدهمهندسیپدافندغیرعامل، چ سوم، دانشگاه صنعتی مالک اشتر.
[14].     ویسی ناب، فتح‌الله؛ بابایی اقدم، فریدون؛ صادقیه اهری، سعید؛ و اسدی، غلامرضا (1394). «مکان‌یابی بیمارستان‌ها با استفاده از مدل تلفیقی خطی وزن‌دار (WLC) در محیط GIS در شهر اردبیل»، مجلۀ سلامت و بهداشت، دورۀ ششم، ش اول، ص 56-43.
[15].            Brankov, B.; Nenkovic-Rizinic, M.; Pucar, M.; & Petrovic, S. (2018). “Hospital safety in spatial and urban planning and design– seismic zone in the Kolubara region in Serbia”, Seismic and Energy Renovation for Sustainable Cities.
[16].            Hakan Satman, M.; & Altunmey, M. )2014(. “Selecting location retail stores using artificial neural networks and google places API”, International Journal of Statistics Probability, 3, pp: 67-77.
[17].            Huang, H.G.; Hwang, R.C.; & Hsieh, J.G. )2002(. “A new artificial intelligent peak power load forecaster based on non-fixed neural networks”, Electrical Power Energy Syst 24, pp: 245-250.
[18].            Jalili Ghazi Zade, M.; & Noori, R. )2008(. “Prediction of Municipal Solid Waste Generation by Use of Artificial Neural Network: A Case Study of Mashhad”, Int. J. Environ. Res 2(1), pp: 13-22.
[19].            Kiartzis, S.K.; Bakirtzis, A.G.; & Petridis, V. )1992(. “Short-term load forecasting using neural networks”, Electric Power Syst Res 33, pp: 1-6.
[20].            Mobaraki, O.; & Aminpour, R. (2019). “An Evaluation of City Vulnerability Based on the Passive Defense Approach:A Case Study on Mahabad City”, Iran, Sci Rescue Relief, Volume 11; Issue 2.
[21].            Sadras V.O.; & McDonald G. )2012(. “Water use efficiency of grain crops in Australia: principles”, benchmarks and management, Change, 11(19), pp: 24-55.
[22].            Sharda R. )1994(. “Neural networks for the MS/OR analyst: An application bibliography”, Interfaces, 24(2), pp: 116-130.
[23].            Zakaria, M.; AL-Shebany,M.; & Sarhan, Dh. (2014). “Artifical Neural Network: A Brief Overview”, Journal of Engineering Research and Applications, 1, pp: 7-12.